Estadistica Metodos y Aplicaciones de Edwin Galindo PDF

?
ESTAASVTCA
illtodos y Z\pficaciones
Iidtin Galinclo
I'3O CII:N CIA EDITOI3ES
20ll
Captulo
Anlisis Exploratorio de Datos

Nuestra
fe en Dios. El resto debe produc'ir datos.

Annimo
En cualquier actividad de Ia ciencia, la tcnica, Ios negocios o de la vida cotidiana, que d como
resultado una serie de mediciones, se obtiene ms informacin que las simples cifras recolectadas. El
cmo conseguir la informacin, su anlisis e interpretacin se puede realizar de muchas maneras, pero
primero se debe tener una idea clara de las caractersticas ms importantes de los datos obtenidos.
Los datos pueden ordenarse en tablas; sin embargo, stas no muestran su comportamiento global.
Su representacin grfica ayuda a captar fcilmente tendencias y establecer modelos probabilsticos.
Conjuntamente con el empleo de mtodos numr'icos sencillos, se puede presentar datos, resumir informacin y dar una respuesta rpida del comportamiento global de Ias unidades de donde provienen
dichos datos.
En este captulo examinaremos varios de estos mtodos, que son aquellos que frecuentemente aparecen
en los paquetes computacionales de estadstica.
1.1.
Introduccin
En primer lugar, demos una definicin de la ciencia Estadstica que recoge mucho de lo que ella realiza.
La Estadstica es la ciencia cuyo objetivo es reunir una informacin cuantitativa concerniente a

individuos, grupos, series de hechos, etc. y deducir de ello, gracias al anlisis de estos datos. unos
significados precisos o unas previsiones para el futuro.
1.1.1. Divisin de la Estadstica

Para su mejor estudio, a Ia Estadstica se Ia divide en dos grandes ramas: la Descriptiva y la Inferencial.
La Estadst'ica Descriptiua -tambin conocida como An.lisis Erploratori,o de Datos- consiste, sobre
:odo, en la presentacin de datos en forma de tablas y grficos. Est diseada para resumir o describir
los datos sin factores adicionales; esto es, sin intentar inferir nada que vaya ms all de los datos, como
:ales.
Capitulo
7.
AnIsis Exploratorio de Datos
se deriva de mur:stras, de observrciones hechas slo rcerca de una parte de

un conjunto numeroso de elementos y esto irnplica qrre su anlisis requiere de generalizaciones que van
ms all de Ios datos. Como consecnerrcia, la caracter'stica ms importante del reciente crecimiento
de la Estadstica ha sido un cambio err el nfasis de los mtodos que describen a mtodos que sirven
para hacer generalizaciones. La Estadstica Inferencial investiga o analiza una poblacin partiendo de
la informacin obtenida a travs de muestras.
La Esto,dstica I'nferencial
!.L.2. Algunos problemas que resuelve la Estadstica

Para aplicar los mtodos estadsticos a la informacin disponible, es necesario tener presente los tipos
de problemas que esta ciencia resuelve.
Descripcin de datos. El primer problema que, histricamente, aborda la Estadstica es la descripcin de datos. Supongamos que se han tomado ciertas mediciones, que pueden ser los gastos de
alimentacin en las familias, la produccin de las mquinas de un taller, o las preferencias en un grupo
de votantes. Se trata de encontrar procedimientos para resumir Ia informacin contenida en los datos.
Anlisis de muestras. Es frecuente que, por razones tcnicas o econmicas? no sea posible estudiar
los elementos de una poblacin. Por ejemplo, para determinar Ia opinin de la poblacin ante las
elecciones solo se investiga a un grupo pequeo, ya que es imposible consultar a todas las personas
en capacidad de votar. Anlogamente, se acude a una muestra para estudiar la rentabilidad de un
proceso de fabricacin o para de terminar el nivel de ocupacin de la poblacin.
La Estadstica se utiliza para elegir una muestra representativa y para hacer inferencias respecto a la
poblacin a partir de lo observado en la muestra. Este es el procedimiento aplicado para, por ejemplo:
Decidir si un proceso industrial funciona o no adecuadamente, de acuerdo a las especificaciones.
Estudiar la relacin entre consumo de tabaco y cncer.
hzgar respecto a la demanda potencial de un producto, mediante un estudio de mercado.

Orientar la estrategia electoral de un partido polltico.
Interpretar una prueba de inteligencia.
Medicin de relaciones. Los gastos en alimentacin de una familia dependen de sus ingresos, pero,
es imposible determinar con exactitud cul ser el ga.sto de una familia de ingresos dados. Entonces,
no existe una relacin exacta, sino estadstica. Determinar y medir estas relaciones es importante
porque, debido a los errores de medicin, las relaciones que observamos entre variables fsicas, sociales
o tcnicas son, casi siempre, estadsticas.
Preguntas como: Depende la calidad de un producto de las condiciones de fabricacin y transporte?
Cmo se relaciona el rendimiento escolar con variables familiares o sociolgicas? Cul es la relacin
entre desocupacin e inflacin?, se responden en trminos estadsticos.
econmicas y fsicas tienen cierta inercia en su evolucin y aunque
sus valores futuros son desconocidos, el estudio de su historia es informativo prra prever su comportamiento futuro. Este es el mecanismo que se emplea para prever la demanda de un producto, la
temperatura en un horno industrial o las magnitudes macroeconmicas.
Prediccin. Muchas variables
7.2. Definiciones bsicas
1.1.3. Obtencin de informacin

Cuando se examina un proceso o un fenmeno podemos producil una variada informacin, entonces
es preciso determinar cul es la de inters para Ios fines que tengamos y cmo conseguirla; as mismo,
se debe tener una idea del nmero de observaciones que son necesarias para disponer de informacirr
confiable.
Para la obtencin de informacin estadstica se emplean dos formas bien diferenciadas: los mtodos
de muestreo y los experimentos diseados.
Una investigacin por muestreo es un estudio cuya finalidad es la recoleccin de datos y en el que
el investigador no tiene control sobre las condiciones o los individuos participantes. Ejemplos de
muestreos son los censos, las encuestas electorales o de consumo de un producto.
Un experimento es cualquier proceso o estudio en el que se realiza una recoleccin de datos donde el
investigador, usualmente, tiene control sobre algunas de las condiciones bajo las cuales el experimento
tiene lugar. Por ejemplo, en el desarrollo de un nuevo medicamento, en la preparacin de una nueva
aleacin de acero para usar en los automviles, es necesario realizar experimentos para comparar su
efectividad con otros previamente existentes.
L.2.
Definiciones b:sicas
Las que antes indicamos son las principales aplicaciones de la Estadstica, cuando esta ciencia se
utiliza para analizar procesos o fenmenos naturales a profundidad. Pero este no es nuestro caso, por
el momento, nosotros podemos pensar que la Estadstica es la ciencia de <<deducir hechos a partir de
datos y de figuras>>.
Aqu surgen varias ideas importantes en todo anlisis estadstico: la unidad muestral,la poblacin (o
uniaerso) y la muestra.
Definicin (de unidad muestral o experimental) Una unidad
es una persona,
animal, planta o
cosa que es examinada por un investigador; es el objeto bsico sobre el cual el estudio o experimento
se lleva a cabo.
Por ejemplo, una persona, un mono, un plato de semillas, un grupo de facturas.
Definicin (de poblacin o universo) Una poblacin
es una coleccin completa de personas,
animales, plantas o cosas de las cuales se desea recolectar datos. Es el grupo entero al que queremos
describir o del que deseamos sacar conclusiones.
Definicin (de muestra)
Es un grupo de unidades seleccionadas de la poblacin de acuerdo con

un plan o regla, con el objetivo de obtener conclusiones sobre la poblacin de la cual proviene.
EI nrmero de unidades que constituyen la muestra se denomina tamao muestral.

Generalmente, se selecciona una muestra porque la poblacin es demasiado grande para estudiarla
enteramente. La muestra debe ser representativa de la poblacin general, lo que se logra mediante
una seleccin al azar de las unidades. Tambin, es importante que el investigador defina, completa
y cuidadosamente, la poblacin antes de recolectar una muestra, incluyendo una descripcin de los
miembros a ser seleccionados.
A continuacin damos varios ejemplos:
Captulo
7.
7.
Se desea establecel
2.
En un estudio se quiere conocer el <<rating>> de sintona de los canales de teievisin de una

ciudad. La poblacin est constituida por los hogares que poseen televisor y una muestra Ios
hogares de 40 manzanas distribuidas en la ciudad.
3.
Una duea de almacn desea estimar el gasto medio de compra de sus clientes en su almacn
en el ltimo ao. La poblacin es todas las facturas de compra en el indicado periodo. Una
muestra de ciento veinte facturas seleccionadas aleatoriamente, servira para tener una idea del
gasto medio de los clientes.
la estructula demogrfic4, pol edad, de lti poblacin ecuatoriana. El universo

Io forman los datos de nacimientos existentes en las ofi.cinas clel Registro Civil. Una mr-restra
puede ser tomada considerando las persolas cuyo apellido comienza con ia letra A.
En los ejemplos anteriores solo se enunciaron posibles muestras para las distintas poblaciones, sin
importar que tan buena pudiera ser sta.1
I-.3. Datos y escalas de medicin

A
Ias mediciones o valores obtenidos en un estudio estadstico se los denomina datos provenientes de
una variable estadstica.
1.3.1. Tipos de datos

Los datos pueden ser:
1. Cualitativos (Descriptivos
o categricos): Cuando ellos describen caractersticas que no
son
medibles; por ejemplo, el sexo de un animal, el color de los zapatos, la profesin de una persona.
2. Cuantitativos
(Numricos): Cuando ellos describen caractersticas que son medibles; por ejemplo, la temperatura del ambiente, el nmero de hijos de un matrimonio, el salario de una persona.
A su vez, las variables cuantitativas se clasifican en discretas y en continuas.
Datos discretos. Un conjunto de datos se denomina discreto si los valores u observaciones

que pertenecen a l son distintas y separadas; es decir, ellas pueden ser contadas (1, 2,3, ...).
Ejemplos de datos discretos son: el nmero de clientes que ingresa a un almacn en un da, el
nmero de aos que vive una persona.
Datos continuos. Un conjunto
de datos se denomina continuo si Ios valores u observaciones que

pertenecen a l pueden tomar cualquier valor en un intervalo considerado. Ejemplos de datos
continuos son: el tiempo que se demora en ejecutarse un programa en la computadora, el peso
de una persona.
L.3.2.
Escalas de medicin
Definicin (de escala de medicin) Una escala de medicin
es un instrumento de medida con
el que se asignan valores a las unidades estadsticas.

I
La eleccin apropiada de las muestras se explicar en profundidad en el Captulo
13
7.4. Caracterst,icas de los datos

Escala nominal' Un conjrrnto de clatos cst mecliclo en esca,l,a nomin,al si a los vaiorcs que pertcnccen
a 1 se lcs puedc asignar un cdigo, en la forma cle nn nrimero, clonde los nrmeros
sor simplemete ula
cticlueta' Los datos en escala nominal ptteclen ser contados, pcro no pueden ser orclenclos o medios.
Por ejemplo) elr Lln registro de pclsonas, los hornbres pueden ser codificados como 0 y las mujeres
como 1; el estado civil de un indirriduo puede codifi.carsc como "1" si es casado y como ,,2,'
si no lo es.
Escala ordinal. IJn conjunto de clatos cst medido <:n esca,la ord.inal si a los valores qne per.tenecen a
l se les puede asignar un orden o asociar una escala. Los datos en escala ordinal pueden
ser contados
y ordenados, pero no pueden ser medidos.
Las categoras, para un conjunto ordinal, deben tener un orden natural; por ejemplo, suponga que
a
ur grupo de personas se les pide que clasifiquen la calidad de la seal de las emisiones de radio, en
una escala de 5 a 1, que representan excelente, buena, regular, mala y psima. Un puntaje de
b indica
mejor seal que un puntaje de 4. As, los datos resultantes son ordinales.
Escala de intervalo. Un conjunto de datos est medid o en escala d,e interualo si los valores que
pertenecen a l pueden tomar cualquier valor dentro de un intervalo finito o infinito, con
la particularidad de que existe un <<cero relativo>>. Los datos en escala de intervalo pueden ser contados, ordenados
y son vlidas las operaciones de adicin y sustraccin) pero no las de multiplicacin y divisin.
Ejemplos de datos en escala de intervalo son: la temperatura medida en grados centgrados (donde
hay un cero elegido arbitrariamente), los puntajes obtenidos en una pruebalaonae un puntaje
de cero
no significa que quien lo obtuvo no sabe nada).
Escala de razn. Un conjunto de datos est medido en escala d,e razn si los valores que pertenecen
a l pueden tomar cualqnier valol dentro dc un intcrvalo finito o infi.nito, con Ia particula'idad
de que
existe un <<cero absoluto>>. Los datos en escala de intervalo pueden ser coritados, ordenados y
son
vlidas las operaciones de adicin, sustraccin, multiplicacin y divisin.
Ejemplos de datos en escala de lazn son: la temperatura medida en grados Kelvin (doncle
hay un
cero absoluto), la estatura de una persona, cl tiempo de vida rtil de una mqnina.
1.3.3. Valoresatpicos
Un valor atpico -tambin denominado valor inusual o valor extremo- en un conjunto de datos,
es
una observacin que es lejana, en valor, del resto de datos; es clecir, es un d.ato inusualmente
grande
o innsnalmente pequeo, cotriparado con Ios dernis.
Un valor atpico
>uede ser el rcsultado de un error en una medicin, en cuyo caso distorsiona Ia

interpretacin de los datos al tetrer una influencia excesiva sobre los clculos a partir
de la muestra.
Si el valor atpico cs un lesultado genuino es importante, porque podra indicar nn
compoltamicnto
extremo del proceso en estudio. Por esta razn, toclos los valores atpicos deben
ser exarniados
cuidadosamente antes de rcalizar un anlisis formal y no se los debera eliminar
sin una.justificacin
pre\1a.
L.4.
Caractersticas de los datos
Todo conjunto de datos presenta ciertas caractersticas que perrniten, en rlna pr.imera
aproximacin,
deducir el comportirmiento dcl proceso del cr-ral fueron obteniclos. Las tres principales
caractersticas
son: la localizacin, la dispersin y la simetra.
Captulo 7. AnIisis Exploratorio de Datos

o tr ocalizacin. La krcaliztcin
En gc'rrcr:rl,
se rrricle
<le nn conjrrnto clc clatos cs la Posicin lelatir'r cltic cllos lllesentan.

la localizrcin lror cl valcil que tiene el pLrnto mr:clio clel corrjurrto c.1e clatos.
r,:rr la rnedici<in cl<r la rstrttu'r rl<,r lrrr grlipo de personirFj) l)s medicioncs estrr'n
entre los trcirrta centrnetlos (clc los rccirr naciclos) y los cLos mctlos veinl,e centnetros (clc los adultos muy altos), si se srrl>one qucl esta,turas rxayorcs no se prcsentar, y se pirede
caracterizal a todos ellos con una estatura prornedio de 1.70 mctros.
Por cljernplo,
localiza,cl.s
La iclea de localizacin
fr-ic introcluci<la
por R. A. Fisher er 7922.
Dispersin. Los
valores obtenidos en url mnestra no son todos iguales. La valiacin cntre

sc
estos valoles
denomnzt dispe'rsin. Curndo sc mide la dispersin sc desea dctectar el grado
de disemirracin de los valores individuales alrededor del centro de ias observaciones.
En los procesos de manufactura o de medicin) una alta precisin est asociada con una baja
dispersin.
El concepto de dispersin fue introdr.rcido por F. Galton (en 1886) y por W. Lexis (en 1887)
identificado como aqrrel en el que se reflejan las cliferencias entre las mediciones) provenientes de
una misma fuente o tomadas en condiciones semejantes.
Simetra y asimetra. Un conjunto de datos es sirntrico cuando los valores de los datos estn
distribuidos en la misma forma por encima y por debajo de su punto medio.
Los datos simtricos:
1.
Son fciles de interpretar, pLles los dal;os cre estn por encima y por debajo del pr.rnto medio
pueden sel considelaclos con un misrrio critcrio;

2.
Pelmitcn la fcii deteccin de valores atpicos;
d.
Adrniten la comparacin con conjurrtos de datos similales, en tr'minos de la dispersin.
Figula 1.1: Forma csqucrntica
cle clatos simtricos
y asimtricos.
La asimctra cn un conjrtnto cie datos es el lgrtrpaniiento que ellos Jrresentan a un lado de su centro
Los valores situados a un lado de la rnitacl clc los datos ticnclen a estar rns alejados qrre 1os \rlores
clue se enclrerrtran cn ei otro lrdo.
1"5. Distribucin
La distribuci,n
de f,recuenaias
de ,f'rec'u,en"cias cs Lrrre herrarnicnta que se emplea para resurnir', mediantc una tabla,
nurnerosos dtos dc rnancra qlle sc ponga de maniliesto l locrlizacin y Ia clispersin de lrs olserva-
cloLcs.
7.5. Distrbucin de frecuencias

Con ltna tabla de frccuencia,s se puedcn resurnir- da,tos ctrtegr'icos, nominales u ordiuales. Si los clatos
son continrros se pr-rede lesumillos l.lnr \rez qlle se los ha dividido cn grupos serrsiltlcs.
Si se dispone (le un nrrnelo alto dc obsclvacioues) r, se procede r cstablccel cr,rntas vcccs se rcpite
cada nrta de ellas, pala cletelrninar sn frecu,en,ci,u o,bsolutct, n". A par:til dc esta informacin b,sicr se
puede obtencl o1,la, que es converriente poncrla etl nna tabla.
Par'r
la confeccin de ltna tabla, de distribucin dc frecuencias es lecomcrrdablc segu.ir los sigrrientes
Pasos:
Procedirniento.
1.
Se
ordenan los datos tr7) :[2) . . ., rk en ur]a columna, de forma ascendentc, poniendo a continuacin
sus frecuencias absolutas n1,
2.
TL2
... n.
Ntese que
D rLi:
i:r
n.
Luego se forma una tercera columna en la que se pone Ia frecuenc'ia relat'iua; que resulta de
dividir la frecuencia absoluta n para el nrmero total de observaciones: / - 3. Xo es ms que
TL
la proporcin de aparecimiento de cada observacin.
3.
Pueden, tambin, calculalse dos columrlas correspondientes a las fi'ecuencias acumuladas, tanto
absoluta como relativa, que resultan de sumar las frecuencias de todas las observaciones anteriores hasta la considerada inclusive. Muchas veces, a las frecuencias relativas se las pone como
porcentajes, en lugar de nmeros flaccionarios.
Una tabla de distribucin de frecuencias tiene cl siguiente aspecto:
Valor de la
variable (r)
Frecuencia
absoluta (n)
rI
TL1
tr2
n2
rk
Total
Fbec. absoluta
acumulada (/,)
l/r : nr
Nz: Nt * nz
l/:l/-1
TLI,
Flec. relativa
acumulada (8,)
FYecuencia
relativa (/')
Ft: ft
Fz: Ft t
ft
Jz
*n
fz
F*:Fn:I.fn
fr
Ejemplo. En nna fbrica de muebles de rnaclera, se contlol
e1 tiempo (en minutos) neccsario para

completar un trabajo cle armado de ciertos anaqueles. Se obturrieron las siguientes mediciones del
tiempo empleado por los obreros:
32.9
JJ.4
Dt <
.)r).J
at o
33.6
33.6
JJ.r)
,ta
JJ.
33.8
32.9
tto
33.8
.'),
JJ.J
32.8
J.).1
.1.). i )
J,]..)
33.5
33.6
34.4
33.0
.4
33.6
33.8
33.9
.)J. J
JJ.I)
33.6
,]to
t')
J.4
-L
t).!
JJ.
ot 1
r)r).1
,),).
t)
.1.).)
r)r).,)
.lc r
r)
Ji.-
,)
33.6
.\
,/
1
J+.1
'?a
33.9
33.8
c.t o
.ltr-L
tD t
r).).r)
33.9
34.0
,1.).J
32.9
,u q
.),)-i
.)
'),)
JJ.A
33.6
J. i)
JJ.
. i
1'),4
.)
a.)
.).).,)
1D
JJ.t
tt 1
JJ. l.)t
!)().+
:'t3.0
tD
,),).4
^
OD D
JJ.J
J.+
33.6
33.6
DD
rlJ.+
33.0
'12
r)
,j.l
JJ.1
33.6
JJ.U
33.6
33.1
,),
JJ.
.),)..)
33.0
.).) ,.)
33.4
J.
34.0
,1,1.
to
.),). I
J.J.
')
J+.1
J.J.
Dt(
r),).rl
2q7
tao
L)J.+
.),1.
33.1
.)t r
r)r).J
33.9
1') n
il
33.6
,-),1.,
33.8
iJ
r',
33.8
33.0
Capitulo
La sigr-riente taJrla rrnrestra
li
7.
clistrilrrcin cle flecrrerrcits dc clatos illrliviclrtrlns (crr 17 r':rl,rres).
(rnin)
f,tecuencia
absoluta (n)
,t:.1
32.8
32.9
33.0
,t 1I
r)J.
aD o
28
JJ.J
10
JJ.4
t2
I4
38
50
33.6
13
64
77
.)).
85
Tierrrpcr
F\'ec. rbsoluta
acurmrlada (;\)
Fl"ecuencia
rela.tiva ( l )
F!'cc. relrtiva
acurnulada (,F,)
0.01
0.01
0.01
003
0.02
0.05
10
19
33.8
33.9
34"0
9r
0.05
0.09
0.09
0.10
0.12
0.14
0.13
0.08
0.06
95
0.04
97
34.t
t a
99
99
34.3
34.4
99
r00
r00
0.02
0.02
0.00
0.00
0.01
Total
0. 10
0.19
0.28
0.38
0.50
0.64
0.77
0.85
0.91
0.95
0.97
0.99
0.99
0.99
1.00
1.00
Sc ha presentado una distribucin de frccuencias para 100 datos individuales, pero la tabla pr-rede
Ilegar a scr exterlsa; y si bicn prescnta la, informacin resunicla, puede ser conveniente resumirla arr.
rrrtis, c;r'eando clrses. La agrr-rpac:in cle clatos cn clrscs sirnplificir Ia presentacin y el estuclio cle la
distribucin) allnqlle se pierden algunos rleta,lles.
A continuacirr
agmpatlos en
sc enLlnleran los ptrsos a scguir para
constrllir una clistribr-rcin de fiecnencirs
cle dat,os
clrses:
Decida el nmero de clases (ft). La
siguienl,e talrlr puccle clar rura olientacin adccuada cn
Ia rnayor'tr de los casos.
Nmero de
Nmero de clases
observaciones
recomendado
20-50
51
100
- 2U0
- 500
501 - 1000
101
201
10
t|-20
rns clc 1000
Calcule la iongitud de ia clase. La longitrrcl clc la cllsc cs igual a Ia obsclrracin rnayol menoil
dividido por cl nLilrrero de clases. Rcdonclcc este rcsulLado pala obtenel rrn rrrnrero
cor)venicnte) que tenga el mismo nurelo de decimales qlre los drtos.
li1 ttrcnor,
.4
,)
/nrx - frnn
k
Construya las clases indicando los cxtremos de Ias misrnas. Corro ayllda
parzr clculos
J)ostcIioICS:
a) El extremo inferior' (16)
plimera clase ser cl lrrrrero ilrnediatarnentc rnerror- a1 r'alor'

mnimo, quc tierle rrn clecirnrl rns y qlle terlnrna cn cncode
1a
7.5. Distribucin de frecuencias

b) f,os restantes extremos de las clases
clase al extrenro cle
c1rse
se obtienen ailadiendo repetidarnente la longitud de

anterior, hasta cnbrir todo el rango cle valolcs.
L, : Li-t I A, .j : i,2,...,k.
4
Marque cada observacin dentro de la clase que le corresponda. Determine la frecuencia

absoluta,
5.
7r,,
corrspondiente a cada clase.
Calcule las columnas restantes. IJna vez que tiene la frecuencia absoluta, proceda
las frecuencias lelativa y acumuladas) como se explic anteriorrnente.
a calcular
Observacin. El nmero de intervalos puede variar del inicialmente estimado al redondear el valor
de la longitud del intervalo y que se cumpla el paso 3 a).
Ejemplo. (Continuacin.) Construir una distribucin
de frecuencias por clases de los datos de las
mediciones del tiempo necesario para armar anaqueles.
Solucin: De acuerdo a la tabla los datos
se
distribuirn en k:7 clases. Los mximos y los mnimos
son:
r^5* --
34.4,
rm.
: 32.7,
rmx
trni.
L.7,
1n
longitud de la clase
que se redondea a
: ::: :0.24,
7
A:0.2.
Fijemos los extremos de los intervalos: el extremo inferior debe ser el nmero inmediatamente menor al
valor mnimo, que termina en 5 y tiene un decimal ms que los datos; es decir, Lo:32.65. Luego, Ios
extremos siguientes se determinan sumando, sucesivamente, 0.2 al extremo inferior hasta sobrepasar
el mximo valor de las observaciones:
L1 : Lo * A:
L2 : Lt * A:
*
32.85 *
32.65
:
0.2 :
0.2
32.85
33.05
Ls :
Le -l
A:34.25 *0.2:34.45
Finalmente, se determinan las frecuencias de cada clase.
A continuacin se muestran los resultados.

Tiempo
(min)
JZ.ti5 - J2.E5
32.85 - 33.05
33.05 - 33.25
33.25 - 33.45
33.45 - 33.65
33.65 - 33.85
33.85 - 34.05
34.05 - 34.25
34.25 - 34.45
Total
FYecuencia
absoluta
(n)
FYec. absoluta
acumulada (.11,)
-tYecuencia
relativa
(/)
Flec. relativa
acumulada (fl)
0.02
97
99
0.02
0.08
0.18
0.22
0.27
0.14
0.06
0.02
0.99
100
0.01
10
r8
28
22
27
50
t4
91
77
100
0.10
0.28
0.50
0.77
0.91
0.97
r.00
1.00
Ntese que por efecto del redondeo en Ia longitud del intervalo ha dado un total de 9 clases. Queda
para el Iector realizar el mismo ejercicio redondeando la longitud de Ia clase a 0.3.
10
Captulo
1.6.
7. Anlisis Exploratorio de Datos
Representaciones grficas
de los datos
una rnanera rntly eficiente cle co'oce.

el cornlo.ta'riento de un conjunto
grficamente' ya que permite
cre datos es rerrese'tar.lo
dar rtna descripciin a.
-"r,lr" rpida y rit de entender. La importancia
i"o de b e ir acomp aado
il:T:T.5 f*13,T# l.:, :ll" : ".o an ,isis ". t
i:
::rff
J.t
;Tfi:,::l
1.6.1. Diagrama de puntos

un
di'aqrama d'e puntos es una

forma de resumir datos cuantitativos,
en ra que cad.a observacin
se
si se disponu a"'lo,"r,os datos,
cada punro
;'":T::1,1J*?ll""Til*'q,,:T: ffiJ:
il#;'
El diagrama de puntos deja apreciar:
1'
Larocarizacin general de ras

observaciones.
2.
La dispersin de las observaciones.
3'
La presencia de observaciones
inusuales o valores atpicos.
se aconseja utilizar este diagrama

para representar hasta
un mximo de 20 0bservaciones
individuales,
ffi :JJ.:ffi
s e p ue d en combi
n ar
i;;#;,
*.
ru"' i","n,",."iuJl'TT:#il"l'?;:X[::?l".;;
.H;.:".rTT:i :::il'Ji :* ::,,'*x;:::.:
lli"t-,;,TJrij:"ffi"#::;HX'uu
cuando
se construye
au
iT;':
un.diagrama de puntos se
deben toma dos decisiones.
La primera es determinar
,,*u
apropiada que
;i,:JffffJil,:HTJ;:::il;.1*:: ;:;**:."","11fT1,,"*u,0" ;.;l;;
"."u,u
Para datos nominales u ordinales,
un diagrama de puntos es.simirar
barras reemplazadas por
a un grfico de barras, con
una serie de puntos. Para
ras
iatos contin,os, un diagiama
a un histograrl&, con ros
de puntos es similar
rectangurs ieemplazado,
oorl.,-riior. (vcase r" ,'"*io" r.o.a
#:;::i:;"t;1:"::"t'"T"1il mediciones (en milmetros) de ros das de lruvia en er verano de 2006
6'4 4'0 3'2 4'6 3'2 8.2 6.0 0-2

4.6 5.2 0.6 2.0 11.8
El diagrama de puntos est
dado en la Figura
1.2.
i'if?sii u.,n*
Figura 1.2: Diagrama de puntos.
En el diagrama observamos que:
16.4 3.2.
7,6. Representaciones
o
a
grficas de los datos
11_
1.
2.
Los datcs estn agnrpados ccrca del valor 3, antes que, digamos B o 10.
3.
EI valor 16.4 puede ser calificado de atpico, porque se clcuentra alejado del grupo principal de
Las observaciones sc cxtiencleu en ah'ecledor clc 17 uriidacles) con Llua concentracin entre 0 y 8.
datos.
L.6.2. Diagrama de tallo y hojas
;e
to
El diagrama de puntos tiene algunas desventajas: es difcil regresar de los puntos a los datos y puede
hacerse confuso si se tiene un nmero alto de datos. Entonces, es conveniente utilizar otras herramientas para realizar su representacin grfica.
El diagrama de tallo g hojas, que es una tcnica semigrfica que se emplea para ilustrar las principales
caractersticas de los datos (localizacin, dispersin y simetra). Adems, tiene la ventaja de presentar
Ios valores de los datos. Por la forma en que se construye, se debe emplear para un conjunto de hasta
100 datos.
Mediante un ejemplo, veamos cmo se realiza el diagrama, p6o a paso.

Consideremos los siguientes datos:
08
19
77
01
13
04
15
02
07
09
05
16
00
o4
01
12
es)
tar
tr
)o
A los datos los clasificaremos considerando las decenas; as tendremos dos grupos, uno que empieza
con 0 y otro que empieza con 1. Ellos forman el tallo, al colocarlos de manera vertical:
0
rar
lue
las
ar
A continuacin, para cada observacin anotamos el segundo dgito (de las unidades) a la derecha
la barra vertical, que vienen a constituir las hojas. La primera observacin 08 da
0
1
006
Al agregar la segunda observacin 19, da

0
1
8
9
Y as, se van aadiendo las observaciones hasta obtener:

0
1
8L79542041
976352
Los valores que forman las hojas pueden reordenarse de menor a mayor, as:
0
0LI2445789
235679
de
12
Captulo
7.
Podemos crear dos categoras en cada una de las decenas, en las cuales los dgitos de las unidades del
0 al 4 formen un F,rupo y los dgitos del 5 a 9 foimen otro; de esta manera se tiene:
t)
r42047
8795
to
9765
Cuando los datos constan de ms de dos cifras, se deben escoger los rangos para las agrupaciones
que se realizarn;luego aI llcnar las hojas se separan mediante una coma para evitar confusiones. Si
disponemos de los siguientes datos:
qD
DJ
55
79
106
188
47
118
47
58
82
113
208
60
88
Se pueden realizar dos diagramas de
tallo y hojas:
33,47,47,55,58, 60, 79, 82,
06, 13, 18, BB

08, 48
248
88
que est agrupado por centenas. El siguiente diagrama est agrupado en intervalos de 50:
33,47,47
55,58,60, 79, 82,88
06, 13, 18
88
08, 48
Asimismo, se pueden usar diagramas mltiples para comparar dos conjuntos de datos, para ello se
coloca un tallo comn y las hojas de un conjunto se ponen a la izquierda del tallo y las hojas del
segundo conjunto a la derecha del tallo, de la siguiente manera:
ft
4371
9888655
310
99875
311
678
03
.)
44
5779
0L23344
la izquierda estn ms agrupados en los valores bajos, con un rango mayor

y fuerte asimetra; mientras que el conjunto de la derecha es muy simtrico y con menor dispersin.
Se observa que los datos de
Tambin, se emplean estos diagramas para representar datos con decimales; por ejemplo, si tenemos
los datos:
1.3 0.8 1.6 2.0 r.7 7.2 0.5 1.9 0.6 2.2 0.5
1.6.
7.6. Representaciones grficas de los datos

El cliaglanra rcsrrltalte
13
<rs:
5568
0.
1.
236679
2.
02
1.6.3. Grfico de sectores y grfico de barras

Los grficos de sectoles
y de barras son dos formas de lrcsentar gr-tlficamente datos categricos.
Supongamos que los datos aparecen resumidos en una tabla como Ia siguierrte:
Categoras
FYecuencias
absolutas
(n)
Fbecuencias
relativas
Ct
f,
Cz
n2
fz
Cn
;,
Total
ir
n,
(/)
Un grfico de sectores es un crculo dividido en segmentos, donde el rea de cada uno de los sectores
es proporcional a la frecuencia relativa de esa categora. El ngulo central de la categora es igual a
fi x 360".
Junto a cada uno de los sectores que constituyen el grfico, se suele indicar el nombre, el nmero de
elementos y el porcentaje de cada categora.
Tambin, se puede resumir datos cualitativos mediante rn gr.fi,co de baryas. En stos, los datos
del mismo ancho, cada uno de los cuales representa una categora
particular. La longitud (y por lo tanto el rea) de cada rectngulo es proporcional al nmero de casos
en la categora que representa.
se exhiben mediante rectngulos,
Si los datos son nominales, las categoras se pueden colocar en cualquier orden; pero si los datos son
ordinales, las categoras deben estar ordenadas.
Los grficos de barras se pueden presentar de manera horizontal o vertical y usualmente hay un espacio
entre los rectngulos. Junto a cada uno de los segmentos que componen el grfico se coloca el nombre
el nmero de elementos
y el porcentaje de cada grupo.
Con el grfico de barras se distinguen las principales caractersticas de los datos, como aquellas causas
que son ms importantes o que ms frecuentemente se presentan en un proceso. Tambin, tiene la
ventaja de que se pueden realizar gr,,ficos de barras agntpadas, que consiste en representar sobre el
mismo grfico ms de dos variables -siempre que estn medidas en las mismas unidades-, permitiendo
realizar comparaciones,
Ejemplo. En una empresa financiera,

marcas. Un
los empleados disponen de computadortrs porttiles de distintas

resumen del nmero de mquinas, de acuerdo a su respectiva marca, se presenta en el
siguiente cuadro.
de
Marca Nmero
respuestas
Toshiba
Dell
HP
135
76
53
%
42
23
16
de
Marca Nmero
respuestas
Lenovo
43
19
No sabe
%
13
t4
Captulo
7.
AnIisis Exploratorio de Datos
Representar mediante grficos de sectores
y de barras.
Solucin: Los grficos se encuentran err Ia Figura
1.3.
Toshiba
Toshiba Dell
HP
Lenovo
No sabe
Figura 1.3: Grficos de barras y de sectores.
L.6.4, Histograma
Un histograrna es un conjunto de rectngulos, cada uno de los cuales representa un intervalo de
agrupacin. Sus bases son iguales al intervalo de clase empleado en la distribucin de frecuencias
y las alturas son proporcionales a la frecuencia absoluta,fi, o relativa / de la clase.
El histograma es apropiado para datos continuos, medidos con una misma escala y se lo emplea
cuando un diagrama de tallo y hojas es tedioso de construir. Igualmente, puede ayudar a detectar
observaciones atpicas
y cualquier brecha entre los datos.
Ejemplo. (Continuacin.) El histograma correspondiente a la tabla
de distribucin de frecuencias
de los tiempos de ensamblaje de anaqueles se presenta a continuacin.
Figura 1.4:
1.6.5. Polgono de frecuencias y ojiva

Un polgono de frecuencis es un grfico que se obtiene uniendo con segmentos de recta los puntos que
tienen proporcionalmente como abscisa a la marca de clase y como ordenada la frecuencia respectiva.
Se cierra en ambos extremos en las marcas adyacentes con frecuencia cero.
7.7. Ejercicios
15
La ojiua
es un polgono de frecuencias acumuladas; es decir, en las abscisas se colocan los lmites

superiores de cada intervalo de clase y en Ias ordenadas se coloca la frecuencia acumulada (absoluta o
relativa) de la clase. La ojiva es til para:
1.
Calcular el nmero o el porcentaje de observaciones que corresponden a un intervalo determinado

de Ia variable.
2.
Calcular los percentiles de la distribucin de los datos.
Ejemplo. (Continuacin.) El polgono de frecuencias y la ojiva, correspondientes a la tabla
de
distribucin de frecuencias de los tiempos de ensamblaje de anaqueles se presenta a continuacin.
Figura 1.5: Polgono de frecuencias y ojiva.

Una vez que se ha confeccionado una tabla de frecuencias y se ha realizado Ia representacin grfica
correspondiente, es necesario disponer de valores que permitan describir y compara los conjuntos de
datos, mediante nmeros que indiquen su posicin, su variabilidad y su forma. sto se realiza con las
llamadas medidas estadsticas o simplemente estadsticos.
L.7.
Ejercicios
1.
D ejemplos (preferentemente de su propio campo) de poblaciones y muestras.
2.
Para cada uno de los distintos tipos de datos: discretos (categricos, ordinales y nominales) y
continuos, enuncie al menos dos ejemplos. Justifique sus respuestas.
3.
En una encuesta de opinin acerca de las preferencias de bebidas gaseosas, por sus colores: negro
(N), blanco (B) V R (rojo), 20 consumidores dieron las siguientes respuestas:
l
i
N, B, B, N, R, B, B, N, N, B, N, B, B, R, N, B, N, R, N, B.
I
Construya el grfico de sectores circulares.
4.
Los siguientes datos corresponden al porcentaje de alumnos de cuarto grado de escuela, clasificados segn su rendimiento acadmico en la materia lenguaje.
Calificacin %
Insuficiente 53
tre
ta.
Regular 26
Bueno
15
Muy bueno 5
Sobresaliente
Captulo
16
a)
b)
c)
E
i).
,Con qu
tipo
d<;
7.
datos esti ustcd tlalra,jauclo? Explique.
Retrlir:e los gr'ficos cle pastel
y dc barrtr,s clc los
drtos.
.Qu porcenta.jc de los alurnrros cle cuarto graclo tien<:u urr renclirnierrto <<bucno>> o mejor
que bueno?
En Ia siguiente tabla se describe diferentes razas

vadas.
R,aza
basset
boxer'
bauceron
bulldog
caniche
chiguagua
cocker
colley
doberman
dogo
fox hound
galgo
labrador
mastin
pekins
podenco
pointer
san bernardo
teckel
teI'ranora
d<r
perros, segn varias caractersticas obser-
Tamao Peso Velocidad Agresividad Funcin

2
11
I
2
I
22
2
2
32
11
11
11
2I
32
32
33
32
32
22
32
11
22
32
33
11
22
r)
3
3
3
3
2
2
2
2
1
1
r)
2
2
2
3
2
2
donde la codificacin es la siguiente:
Tamao: 1 tamao pequeo; 2 tamao mediano; 3 tamao grande.

Peso: 1 peso pequeo; 2 peso mediano; 3 peso grande.
Velocidad: 1 velocidad leve;' 2 velocidad mediana; 3 velocidad grande.
Agresividad: 1 agresividad leve; 2 agresividad grande.
Funcin: 1 comparia;2 caza;3 utilidad.
a) A qu tipo de datos pertenece cada caracterstica definida en la tabla?;

b) Para cada variable, realice el grfico de pastel o el grfico de barras;
c) Compare los distintos grficos y deduzca cules variables estn relacionadas. Explique
respuesta.
6.
Se tiene
la siguiente informacin acerca de la composicin del cuerpo humano.
Figura 1.6: Distribucin de materiales en el cuerpo y distribucin de las proteinas.
su
t7
7.7. Ejercicios
,Qu porcentaie del peso total del cuerpo humano corresponde al peso total de la piel?
7.
Se registr Ia distancia diaria (en km) que el representante comercial de una empresa recorre
para visitar a sus clientes:
8.2
4.6
5.9
6.5
13.3
10.1
11.5
10.5
10.0
72.6
13.0
13.1
10.4
L2.7
10.8
15.0
13.5
t2.0
14.1
t3.2
7.6
r0.4
4.3
7.7
5.0
t2.0
8.3
13.6
a) Realice un diagrama de puntos para los datos;

b) Realice un diagrama de tallo y hojas;
c) Determine la tabla de frecuencias;
d) Dibuje el histograma;
e) Compare este ltimo con los diagramas de puntos y de tallo y hojas.
8.
La inversin anual, en miles de dlares, de una muestra de 40 pequeas empresas fueron:
36 19 29 37
2042534
27 77 31 10
46 26 12 23
33 22 29
24 27 27
28 15 41.
18 33 25
31 2L 35
24 26 31
30 18 39
28 23 28
a) Elabore una distribucin de frecuencias con 7 intervalos de clase;

b) Realice el diagrama de tallo y hojas;
c) Determine el porcentaje de empresas con una inversin entre 14 mil y
9.
10.
20 mil dlares.
Los ingresos mensuales de una muestra de pequeos comerciantes se tabularon en una distribucin de frecuencias simtrica de 5 intervalos de clase de igual amplitud, resultando como ingreso
mnimo 125 dlares, marca de clase del cuarto intervalo: 300. Si el 8 % de los ingresos son
menores que 165 dlares y el 70 % de los ingresos son menores que 275 dlares. Cul es el
porcentaje de los ingresos que son superiores a 285 dlares?
Se tiene
la siguiente tabla acerca de las edades de los obreros de cierta empresa:

Edades
22-27
27
-32
32-37
37-42
42-47
No. de
obreros
L4
17
25
10
I4
Encuentre el porcentaje de obreros cuyas edades estn comprendidas entre 35 y 40 aos.
11. La siguiente
tabla muestra la distribucin de las notas en un examen.

Nota
No. alumnos
0-5
5-10
18
10-15
i5
r5-20
10
Qu porcentaje tuvieron una nota comprendida entre 8
17?
7.
18
Captulo
12
Al clasifical las no+"as cle 0 a 100 cn un exarnen,
13.
En la tabla se indi,can los tiempos de espera en las ventanilias de un banco.
se obtuvo una distribucin simt,rica, con 5

intervalos de clase de iglral ancho. Si el 10% desaprotr con rnenos de20, rnientra-s qurcel 40o/o
obtlrvo notas comprendidas entre 40 y 60, ,qrr porcentaje de alurrinos obtuvo una nota rnenor
de 60?
Tiempo (rnin)
03
Frec. absoluta
Frec. relativa
32
3-6
6-9
0.30
9-12
12-
005
0.10
15
Halle el tamao de Ia muestra y complete la tabla de distribucin de frecuencias.
14.
Los pesos de n artculos se ordenaron en una tabla de distribucin de frecuencias de 7 intervalos

de igual ancho de clase, donde: mn : 50 g, mx : 120 g.
Adems,
ft : fz, fs:
fs,
a) Determine el valor
b)
fs t fa I fz :0.36,
n1-l nz
n3 -r n4
-_-
560 y U.
:64.
de n;
Cuntos de estos artculos tendrn un peso mayor o igual a 60 g
15. Halle el tarnao de la muestra y
y menor a 110
g?
reconstruya Ia siguiente tabla simtrica de distribucin de
frecuencias.
Intervalo
Frec. absoluta
10- t2
12-
Frec. relativa
Frec. relativa
acumulada
0.24
0.52
5
18-20
16.
La tabla muestra la distribucin del ingreso familiar mensual de 80 familias.

Intervalo
- 680
- 720
720 - 760
760 - 800
800 - 840
640
680
Frec. absoluta
Frec. absoluta
acurnulada
48
60
Frec. relativa
0.r25
0.075
Determine el nmero de familias que tienen un ingreso menor a 800 dlares mensuales.
17.
Dado el siguiente histograma de frecuencias relativas.

[c, /], si el total de la rnuestra es de 400?
Cuntas observaciones hay en el rango
2(
7.7. Ejercicios
Figura
i8.
1_9
1.7:
En el siguiente grfico se muestra el consumo de energa en una fbrica.
Qu porcentaje del consumo diario se utiliza desde las 19h hasta las 24h?
19
En la siguiente ojiva
se
representan los porcentajes de personas que componen un grupo de
personas) segn su edad.
100
55
45
25
10
12
Figura
17
1.9:
Determine qu porcentaje de personas tienen edades comprendidas entre 10 y 15 aos.

go
20.
Dada la ojiva correspondiente a los gastos en servicios de los hogares de una ciudad.
Captulo
20
7.
/D
Figura 1.10:
Reconstruya la tabla de distribucin de frecuencias.
1.8.
Medidas de localizacin
Cuando se dispone de un conjunto de observaciones, es de inters encontrat el valor en torno al cual

se agrupan la mayora de ellas o el centro de las mismas. Las medidas descriptivas que permiten
especificar estos valores se denominan medidas de localizacin o md,idas de tendencia central.
Existe una amplia variedad de medidas de localizacin; nos concentraremos en las ms empleadas: el
promedio, la mediana, la moda, la media geomtrica y la media armnica.
1.8.1. La media muestral o promedio

Definicin (de promedio o media aritmtica) El promedio, notado como 7, de un conjunto
de n mediciones 21, r2t...,,rn es igual a la suma de sus valores dividido entre n; es decir,
n
&-
Drn
i=l
rt*rz*.'.*rn
Si las observaciones estn agrupadas en una tabla de frecuencias de datos individuales como la
siguiente:
Observacin
Flec. absoluta
rI
fLy
I2
n2
rk
nk
donde n es la frecuencia absoluta de la observacin ,ri, el promedio se calcula por

k
Dnn'n
:t
I: ---=-,
n
&
COn
n:
sa
z_rn.
d:l
7,8. Medidas de localizacin
2L
Si los datos se presentan en una tabla de frecuencias, agrupados por clases:
se calcula el
Clase
LIC
LSC
Punto medio
Frec. absoluta
l1
5t
rl
Tr1
I2
S2
r2
TL2
t"
9p
;r
rLk
punto medio cle cacla clase rromo iri
:; l I
s' ' '
Q,:1,2,, .. , k) y el promedio es
rr,
i1
con 7:l
n.
i:7
Ventajas e inconvenientes del empleo del promedio:
ual
ten
;EI
1.
2.
3.
4.
5.
Se expresa en Ias mismas unidades que
la variable.
En su clculo intervienen todos los valores de la distribucin.

Es el centro de gravedad de toda la distribucin, representando a todos Ios valores observados.
Es nico.
Su principal inconveniente es que se ve afectado por la presencia de valores atpicos.
Ejemplos
1.
Calcular el sueldo promedio de diez personas que ganan (en dIares):
170 r72 168 165 173
Soluci,n: Se dispone de n
t78 180 165 767
172.
10 observaciones sin agrupar, entonces
11*rzl..'*rn
&-
n,
170
:
ro la
2.
+168 +
172
165
+ 173 + 178 +
180
165
767
r72
10
I7L.
Calcular la estatura promedio de 46 seoras, cuyas medidas se dan a continuacin.
Estatura
Flecuencia
1.45
1.48
4
1.50
1 It
t,du
1,55
72
1 ta
L,(, f
1.60
i.63
1.65
1
t)
Solucin: Como las mediciones estn agrupados en una tabla de datos individuales, aplicamos
Ia frmula que considera la frecuencia de cada una de ellas.
Tngase presente que el nmero de clases s k
y el tamao de la muestra
r:i:l
n'r
n,
2x
I.45*4 x 1.48+... +3 x 1.63 * 1 x 1.65

46
r.545.
Los 46 seoras examinadas tienen una estatura promedio de 1.545 metros.
es
n:
46.
Captulo
22
3.
7,
AnIisis Exploratoro de Datos
En una cooperativa de ahorro y crdito se realiz Ia tabla de frecuencias

ahorros de sus socios (en dIares), segn se presenta en la tabla,
Desde
Hasta
Fbecuencia
0
100
100
200
72
200
30
300
400
400
77
500
186
500
600
224
600
700
209
700
800
r22
800
900
1000
53
900
de Ios montos de los
28
46
19
Calcular el promedio de los ahorros de los socios de la cooperativa.
Soluci'n: Los datos estn agrupados en 10 clases. En primer lugar encontraremos el punto
medio de cada clase y los pondremos en la tabla:
Desde
Hasta
0
100
100
Punto medio
(z)
Flecuencia
50
72
200
150
28
200
30
250
46
300
400
400
500
350
450
186
500
600
550
600
700
650
224
209
700
800
760
722
800
900
1000
850
53
19
900
(n)
7r
950
Ahora, empleamos Ia frmula que considera la frecuencia de cada una.

Tenemos que k
10
10
y D n:970.
i:1
Por tanto,
10
D'*n
t--l
TL
12
x 50*28 x 150+.,. +53 x 950*
19
950
970
555.155.
El ahorro promedio de los cooperados
es de b5b.16 dlares.
1.8.2. La mediana
La mediana fue por primera vez utilizada, como una medida de localizacin, por A. A. Cournot en
1843 y redescubierta por F. Galton en L882, ao desde el cual su empleo se ha generalizado.
Definicin (de mediana) La mediana de un conjunto de datos xr, z2: .. ., rn es el valor que se
encuentra en el punto medio, cuando se ordenan los valores de menor a mayor.
1.8. Medidas de localizacin

Se
la nota como Q2 o Med y tiene la propiedad de que a cada lado del valor se encuentra el
23
50 % de
las observaciones.
Si disponemos de un conjunto de datos individuales, para el cIculo de Ia mediana se procede de
Ia siguiente manera:
1.
2.
Se ordenan las
n observaciones rt,12,.
..,rn
de manera creciente.
Si el nmero de observaciones es impar, entonces n:2rnl1, La mediana es la observacin

que se encuentra en eI lugar m * I. As, si disponemos de r : 29 observaciones ordenadas
de manera creciente, m : 14 es decir, Ia mediana es la observacin que se encuentra en el
lugar14*1:15.
3.
Si el nmero de observaciones es par, entonces n:2m. La mediana es igual a la suma de

las observaciones que se encuentran en los lugares m y rn * 1, dividido para dos. As, si el
nmero de observaciones es de n : 30, entonces rn: 15; Ia mediana es el promedio de Ias
observaciones que se encuentran en los lugares 15 y 16.
Si los datos estn resumidos en una tabla de distribucin de frecuencias de datos individuales.
1.
2.
Ordene las observaciones de manera creciente, con sus respectivas frecuencias acumuladas.
Calcule
I2"v red.ondee
al entero ms cercano. Determine en Ia columna de Ia frecuencia
acumulada a qu dato pertenece, comparando el valor obtenido con el valor de la frecuencia

acumulada que es igual o inmediatamente superior; ste valor es la mediana.
Si los datos estn resumidos en una tabla de distribucin de frecuencias por clases, la mediana
se determina
1.
por interpolacin,
as:
Establezca en qu intervalo est el valor mediano. Para sto, se determina la primera

n
clase cuya frecuencia acumulad.a se
a mayor o igual a
Dicho intervalo se denomina clase
5.
med'iana.
2.
La mediana se calcula con la frmula

n,
Med,: L_t-r
donde:
; - nl-r
=-A,
lmite inferior de la clase mediana.

es la frecuencia acumulada del intervalo inmediatamente anterior al intervalo de la
,L-1 es el
At-r
mediana.
la frecuencia absoluta de la clase mediana.

A es Ia longitud de la clase de Ia mediana.
La interpretacin grfica del clculo de la mediana se encuentra en la Figura 1.11.
n es
la mediana de un conjunto de datos no necesariamente pertenece a ste. La propiedad

fundamental de la mediana es dividir al conjunto de observaciones en la mitad.
Ntese que
Ventajas e inconvenientes del empleo de Ia mediana:

1.
Es la medida mis representativa en el caso de variables que solo admitan la escala ordinal.
2.
Es fcil de calcular.
.).
En Ia mediana solo influyen los valores centrales y es insensible a la presencia de valores atpicos.
4.
En su determinacin no intervienen todos los valores de Ia variable.
Captulo
24
7.
L MC
lal
Figura 1.11: Interpretacin geomtrica del clculo de la mediana.
Ejemplos
1.
Determinar la mediana de los siguientes datos:
5.5 6.9 7.0 3.0 4.8 4.t 3.2 4.3 5 5 6.5

Soluci,n: Se tienen n : IL observaciones, por Io que Tn
lugar 5*1. Ordenemos los datos
5, entonces Ia mediana est en el
3.0 3.2 4.7 4.3 4.3 4.8 5.5 5.5 6.5 6.9
La mediana es la observacin que se encuentra en el sexto lugart
2. (Continuacin.)
4.3.
7.0.
Qz:4.8.
Calcular Ia mediana de los sueldos de diez personas que ganan (en dlares):
t70 r72 168 165 L73 178 180 165 167 L72.
Solucin:
Se tiene
n:
10 observaciones, que ordenadas dan

1,
165 165 767 168 r70 772 772 773 178
180.
Por lo tanto, la mediana es el promedio entre las observaciones quinta y sexta:
^ 770+172
er:
i:171.
3. (Continuacin.) Calcular la mediana de la estatura
Estatura
(r)
Fbecuencia
absoluta
(n)
*
ET
la
de 46 seoras, cuyas medidas son:
FYecuencia
acurnulada (lr)
7.45
1.48
1.50
11
1.53
19
1.55
T2
31
r.57
nl
38
1.60
42
1.63
45
1.65
46
r)
I
fi
21:
Soluci,n: Las mediciones estn agrupados en una tabla de datos individuales y el tama0,d,9,1,1i
muestra es n: 46.
, . .iJ,riri,!
Calculamos 2 : ZZ y vemos en Ia columna de Ia frecuencia acumulada que hay los valoles 19 y
2
31, que cumplen que 19 < 23 < 31.
i"r;i'r;'irt:;'/
As, Ia mediana es el valor cuya frecuencia acumulada es 31; es d,ecir, Q2: 1.55-.i "
4.
Para la liquidacin del impuesto a Ia renta, en una pequea empresa, se calcularon lcs'ingbesoS
anuales (en dlares) de todos los empleados. La tabla de distribucin de frecuencias es la
,i'_lsiguiente:
Nmero de
Fbecuencia
Ingreso anual
,,,r.1 t,
personas (n)
acumulada (Nr)
- 3000
- 4200
4200 - 5400
5400 - 7250
7250 - 9000
2400
3000
9000
3
23
20
35
25
15
12000
,,r,; r ix
58
83
98
100
Solucin: Los datos estn dados en una tabla de frecuencias por clases con r:
llri.il
100.
Entonces, ?2:50; por tanto, la mediana se encuentra en el intervalo (a200;500)';'de!t'nnera

que A: 5400 - 4200: 1200.
i-nel
Ahora, tenemos que
* - *n-,
Med: L;I*TO
: 4200 + tO:"rrg
!{-es):
:5L25.7.
'i
rr,','i;tr
:'.i
r1i','1,\q;?.
35
t;i
La mediana del ingreso anual de los empleados de la empresa

oist25'.1lil*J]
'" -1--.\' lrii:Lli-'rr
ir1;({
"i'j ..'ilrrrrrri
l:
'rli;rl.lirll;l
1.8.3. La rnoda
r"i
Definicin (de moda) L" moda de un conjunto de ddob'es aquel valor que tiene la mayor
frecuencia absoluta.
Se la nota como Mo. Hay ocasiones en las cuales los datos pueden tener dos o ms modas, o no puede
existir, cuando todos los datos tienen igual frecuencia. Para su determinacin es til construir una
tabla de frecuencias de los datos.
Si los datos estn resumidos en una tabla de distribucin de frecuencias por clases, la m'6dr
"e
determina mediante la frmula:
ii
,,'t:) i, ri ) lfl;'{
Mo:L* dt,O' trz, O

t
I = :,(' i,
li) il);jii-),1fli
;i,
ii lfrli/.
donde:
tr-1 es el lmite inferior de la clase modal.
y la frecuencia de la clase anterior.

d,2 es la diferencia entre la frecuencia de la clase modal y la frecuencia de Ia clase siguiente.
d1 es la diferencia entre la frecuencia de la clase modal
A es la longitud de la clase de la mediana.
r ;iri:,rt ;,I
7.
Captulo
Aunque la icler de <<valol rn1s fiecuente>> es mny trrrtigurr, no fue ernpleacla en estacistica, dc rnlnela
forrnal, hasta cre Ia polrlirliz K. Peu'son en 1894.
Ventajas e inconvenientes del empleo de la moda:
1.
Es fcil de calcular e interpletar.
2.
Es la nica medida de Iocalizacin que ptiede obtenerse en Ias variables de tipo cualitativo.
3.
En su determinacin no intervienen todos los valoles de la distribucin.
Ejemplos
1.
Supngase que las notas de un examen de estadstica fueron las siguientes:
9.4 8.1 9.0 5.6 7.0 9.0 6.5 9.0 3.8
7.0.
Soluc'in: La moda de este conjunto es Mo:9.0, que es el valor que ms veces se repite.
2.
Calcular la moda de los siguientes datos:
Observacin
Fbecuencia
Solucin: La mayor frecuencia
3.
2.7
4.5
6.0
8.7
9.2
.)
es 6, correspondiente al
valor 4, por lo tanto Mo:4.
Para la liquidacin del impuesto a la renta, en una pequea empresa, se calcularon los ingresos
anuales (en dlares) de todos los empleados. La tabla de distribucin de frecuencias es la
siguiente:
Nmero de
Ingreso anual
2400
3000
4200
- 3000
- 4200
- 5400
5400
7250
9000
personas
(n)
20
7250
35
25
9000
15
12 000
Solucin: La clase modal es el tercer intervalo, ya que tiene la mayor frecuencia (hs : 35).
: 50; por tanto, la mediana estar el el intervalo

dr :35 -20:15, d:35 - 25:10 y A:5400 - 4200:7200.
Entonces,,2I
(4200; 5400), de manera que
Ahora, tenemos que
A[o : L.--t* ,O'

,O
d't -l d'z
4200+,,,15,.1200
15+10
4920.
I
i,
La moda del ingreso anual de los empleados de la empresa es 4920 dlares.
:-
7.8. Medidas de Iocalizacit't

1.8.4.
27
La media georntrica
Definicin (de media geomtrica) La media geornt,rica, notaclzr corno .{lG,

n, meclicions r1, 12:.. ., nr es igrral a Ia taz r-sirna de su ltroclucto; es decir,
clc urr conjunto dc
AIG: Vqxrrx-xrk.
Si las obselvaciones estn agrupadas en una tabla de fi'ecuencias de datos individuales,
x...xr'tlt.
MG: {r:7,
"";,
Si las observaciones estn agrupadas en una tabla de frecuencias por clases, la expresin es la
misma, pero utilizando el punto medio de Ia clase z.
El empleo ms frecuente de la media geomtrica es el de promediar variables tales como porcentajes,
:asas, nmeros ndices; es decir, en los casos en los que se supone que la variable presenta variaciones
acumulativas.
Ventajas e inconvenientes del ernpleo de la media geomtrica:
1.
2.
3.
1.
En su clculo intervienen todos los valores de Ia distribucin.

Los valores extremos tienen menor influencia que en la media aritmtica.
Es rnica.
Su clculo es ms complicado que el de la media aritmtica y solo se la puede calcular cuando

todos los valores son positivos.
50s
;la
Ejemplo. Calcular la media geomtrica de la estatura
de cinco personas que miden (en metros):
t.70 r.72 1.68 1.65 r.73.

Solucin:
n:5 observaciones; por tanto,

MG : (rx12x-xrn
Se dispone de
otT
11.70 x I.72 x 1.68 x 1.65 x
I.73:
1.696.
La media geomtrica de las citadas estaturas es 1.696 m.
1.8.5. La rnedia armnica

que
Definicin (de media armnica) La media armnica, notada como NI H, de un conjunto de n

mediciones rrt r2t . . . , rt. es el recproco de la media aritmtica de los recprocos de esos n valores;
es decir,
Su empleo no es aconsejable en distribuciones de variables con valores pequeos. Se suele
utilizar para
promediar variables tales como productividades, velocidades, tiempos, rendimientos, cambios, etc.
Captulo
28
7.
Ventajas e inconvenientes del empleo de la media armnica:
1.
2.
3.
En su clculo intervienen todos los valores de Ia distribucin.

Su clculo no tiene sentido cuando algn valor de la variable toma valor cero.
Es nica.
Ejemplo. Calcular la media armnica
de la estatura de cinco personas que miden (en metros):
1.70 t.72 1.68 1.65 r.73.

Solucin:
Se dispone de
n:5
observaciones; por tanto,
:
11111
L.70 I.72 1.68 1.65 r.73
1.696.
-_r-r-_r-_L-
La media armnica de las citadas estaturas es 1.696 m.
1.8.6. Percentiles, cuartiles y quintiles

Antes de finalizar esta seccin, es conveniente referirnos a varios trminos que son de uso comn
en la prrctica estadstica: los cuartiles, Ios quintiles y los percentiles. Estas medidas estadsticas
corresponden a lo que se denomina medidas de posicin no central.
A un conjunto de datos ordenado se lo puede dividir en un nmero fijo de partes iguales; cuando
divide en cien partes se tienen los percentiles.
se lo
Definicin (de percentiles) Los percentiles son cada uno de los 99 valores que dividen a la
distribucin de los datos en 100 partes iguales.
los percentiles se les nota como P. Con ellos se puede encontrar regiones donde se acumulan los
datos; as, el 30 % de los datos estn por debajo del trigsimo percentil.
Para su clculo se procede de Ia siguiente manera:
Si los datos no estrn agrupados o estn en una tabla de datos individuales, se efecta la siguiente
descomposicin:
nk
100
: j *r,
donde:
es la parte enter u
es la parte fraccionaria
a" !.
100
a. *.
100
Entonces, se tiene que
"+-,
rj+L,
si
r:
o;
sir>0.
7.8. Meddas de localizacin

Si los rlrtos i:sttirr
29
rrJruprclos crr c:lascs, sc c:rlctila rucclirnt<r
,tk, _
l{r.
"
I'A,:LA-ta 1oo
',1,
,
7Lk'
rlor
rcler:
,L 1 es cl lrrrite inferior del intervalo (cuva fi'ecucrrcia rcurnulada es la primera mayor o igr.ral
tt,A:
a _).
100'
l-l
n
cs la fi'ecuencia acumulada hasta .L-1.
es la frecuencia absohrta del intervalo h.
A es la longitud del intervalo h.

Ejemplos
1.
Calcular los percentiles de orden 20 y 33 de la estatura de diez personas que miden (en cm):
165 165 167 168 170 L72 r72 r73 178

Solu,c'in: Tenemos eue
Par-a P2g, k
n:
180.
10.
:20
nk
100
10x20
100
: j *r
2+0
Entottces,r':0y j:2;
P,
Pzo
Para P33, li; : 33

10
x33
100
los
Entonces,
r:0.3
:3+0.3.
j:3.
P : rj+t
PS : r:168.
ente
2. (Continuacin.)
Calcular el percentil de orden 86 de los ingresos anuales de los empleados de
Lrna enlpresa.
Ingreso anual
2400
3000
4200
5400
7250
9000
3000
4200
5400
7250
9000
Soht,cin: Teuemos qlte
12000
100.
Nmero de
personas
(n)
FYecuencia
acumulada (/r)
,)
20
23
35
58
25
83
15
9B
100
Captulo
30
1.
:86 y n,k: 100 x 86 : 86.

100
100
EI intcrrrrio h cloncle se cricu<rutrrr P5; cs (7250, 9000) y Lt-t:7250.
Tarnlritt, sc tierre qr,tc ly',-1 :83, r*.:15 y A:9000 -72;.0:1750
Parzr,l)66. k
Con estos datos, obtenemos:
'k
. - 100 L-I
nk
,I)A,
D-
72to +
tLUv
|
rSri
7600.
uu
n,.
- 83 trrn
15
--'l
Dos casos particulares, y muy utilizados, resultan cuando al conjunto de datos se Io clivide en cuatlo
o cinco partes iguales, que corresponden a los cuartiles y a los quintiles, respectivamente.
Definicin (de cuartiles)
Son valores que dividen a la distribucin de los datos en 4 partes, cada
una de las cuales engloba eI25% de los mismos.

Los cuartiles son 3:
.
.
El cuartil inferior (Qr), qre deja a su izquierda el 25% de los ctatos v se curnple eue Qr
P2.
El cuartil medio (Qz), qre deja a sr.r izquierda el 50 % de Ios datos, coincide con la mediana y
cttmple que Q2
se
Pso.
El cuartil superior (Q3), que deja a su izquierda el 75 % de los datos y se cumple eue Qe -
Pz.
As, para el clculo de los cuartiles solo se deber tener en cuenta que ellos son los percentiles de orden
25, 50 y 75, respectivamente (Figura 1.12).
500
mln
Qt
500
Qt
max
Figura 1.12: Disposicin de los cuartiles en un conjunto de datos.
Definicin (de quintiles) Los quintiles son valores
que dividen a la distribucin de Ios datos en

cinco grupos, cada uno de los cuales contiene el 20% de las observaciones.
Los quintiies son 4:
.
r
El primer quintil (qr), q.t" deja a su izquierda el 20% de los datos y se cumple que qr El segundo quintil (qz), qrr" deja a su izquierda el 40% de los datos y se cumple eue
El tercer quintil (qs), qn" deja a su izquierda el 60% de los datos y se cumple que
El cuarto quintil (g), qr" deja a su izquierda
9z
P2o.
P4o.
- Poo.
el 80% de los datos y se cumple que q4 - P80.
qB
31
Ejernplos
1.
Dctcrrniuar los cuartilcs infcliol y surcliol cle las estaturas de 46 seoras,
(Continuacin.)
cuyas ntedidrs son:
Estatura
(r)
absoluta
(n)
r.45
1.48
1.50
11
1.53
19
1.55
72
31
L.57
1.60
1.63
3B
42
1.65
Sohtcin: Tenemos que n
,,1
.)
P25,
Pz.
46
por tanto,
k:25
nk
i00
46x25
)'se
100
r:
lr
11
p, : r j+t
PZs : rn:
rrden
Para el cuartil superior, Q
Pzs, k
:75
46x75
35
100
I.53.
0.5.
0.5 y
P,
Pzs
2
0.5.
tlr
100
r:
nk
Es decir,
0.5 y
Pn.
46.
Para el cuartil inferior, Q1
De manera que,
Frecuencia
acumulada (i,)
Fbecuencia
* l-rt
rsa : 1.57.
(Continuacin.) Determinar Ios cuartiles inferior y superior de los ingresos anuales de los
empleados de una empresa.
Ingreso anual
2400
3000
4200
5400
7250
9000
3000
D'lu.
P+0.
'60.
D-^
EU'
4200
5400
7250 9000 12000
Solu,cin: Tenemos que n
100.
Nmero de
personas
(r)
FYecuencia
acumulada (Nr)
t)
20
23
DT
58
83
Jd
25
15
9B
100
Captulo
32
. Cuartil inferior:
El irrtelr'rlo
Qt
7.
Pz;,
k::25
Y:
100
109ri.25
N- t : 23,nt
100
Q1 es @200;5a00) y
35 y A :54U0
l doncle se enc:uentra
Tambirr, se tiene que
J,
Z.
Lt-t:4200.
- 4200 :
1200.
Entonces, lesrrlta que:
t'/t
P, :
Pzs
Cuartil superior: Qs:
Pzs, k
- Ar,.-,
Lt-tI loonk "'
t<_t?
4200
4268.6.
:75
+'",;;'"
Ji)
t #:
1200
tO?tt
: tt.
Lxt:540A.
Tambin, se tiene que N-1 : 58, n :25 y A :7250 - 5400 : 1850.
El intervalo h donde
se encuentra P75 es (5a00; 7250)
Con estos datos, obtenemos:
nb
e-t,
P : Ln-t-t r nk
Pzs
b4oo+
75;58raso
: 6658.
1.9.
25
Medidas de dispersin
Luego de determinar Ia localizacin de las observaciones, es conveniente medir su grado de clispcrsin

alrededor del centro. Las medidas que permiten especificar esta caracterstica se denomnan nedidas
de dispersin.
Estas medidas deben tener la propiedad de que si los datos estn ampliamente extendidos, la medida
ser alta; y cuando los datos se encuentren muy agrupados, ser baja.
Existen varias medidas de dispersin, nosotros vamos a analizar la desviacin estndar, el rango y el
rango intercuartil.
1.9.1. La desviacin estndar

llna vez que
se ha calculado el promedio de las mediciones, un indicador de su variabilidad es la

desviacin de cada medicin particular corr respecto al promedio, r- r. Pero sta da r.rna informacin
vlida para cada medicin y no para toda la muestra. Para tal efecto se emplea la desviacin estndar,
medida de dispersin fue introducida por K. Pearson en 1894.
Definicin (de desviacin estndar o desviacin tpica) La desviacin estndar, notada como
s, de nn corljunto de n mediciones 11, 12, ... 2,, es la raz cuadrada de la suma de los cuadrados
de Ias desviaciones de las mediciones, respecto al promedio z, di'l'idida entre n
n-I
D,@,
i:l
1; es clecir,
7.9. Medidas de dispersin
33
\tese que la desviacin estndal es siempre positiva y sus nnicladcs de medicla son las rnisnrrrs
clrLt:
aquellas que corresponden a los datos originales.

Para su clculo tambiu se cnrplea la frnrula equivalente
- n \r)'
n-I
De la misma manera que para Ia media aritmtica se consideran los siguientes casos:
'
Si las observaciones estn agrupadas en una tabla de frecuencias de datos individuales:
Observacin
FYec. absoluta
Il
TL1
r2
n2
x) te
;o
la desviacin estndar se calcula por

k
o s:
'
in
- n(T)2
n-7
DnnrT
i:I
con n:,
ni.
i:r
Si los datos se presentan en una tabla de frecuencias, agrupados por clases:
as
Clase
LIC
LSC
Punto medio
I1
I2
Flec. absoluta
ly
Sl
ida
l2
S2
rel
l"
Sk
rk
nk
TL1
n2
s se calcula por
k
la
-itn(r-r)2
i:7
in
o 8:
Lnr - nlI)'
i:l
n-I
O
/-\
con n: \-nr.
/-
;-l
ilar,
Ventajas e inconvenientes del empleo de la desviacin estndar:
l.
Se expresa en Ias mismas unidades que los datos originales.
2.
En su clculo intervienen todos los valores de la distribucin y por ello puede ser complicado.
3.
Es nica.
4.
Se ve
muy afectada por la presencia de valores atpicos.
7.
Captulo
34
Ejemplos
1.
(Continuacin.)
Calcular la clesviacin estrrdar cle los srreldos cle diez l)crsonrrs que ganan
(en dlares):
r70 t72 168 165 173 178
180
Solu,cin: Previamente se haba calculado el promedio
165 167
7: L7I.
t72.
Con sto, resulta que:
*i@n-,'
(170
t7L)2 + (I72
+...+
I7r)2
(167
10-1
tTL)2
O72
LTr)2
1.
Esos sueldos tienen una desviacin estndar de 5.1 dlares.

2.
(Continuacin.) Calcular la desviacin estndar de Ia estatura de 46 seoras, cuyas medidas

son:
Estatura
t.45
1.48
1.50
1.53
1.55
L.57
1.60
1.63
1.65
Frecuencia
t2
:46, k - 9 y r:1.545.
el valor a. f nor'n,
Solu,c'in: Anteriormente se determin que

Para realizar el clculo, obtengamos
71.
i:t
+ 3(1'63)2 + 1(1.65)2 :
D"nr? :2(t.+s)2 + 4(t.458)'+'"
109.9615
i:1
Entonces, se tiene que
Dn *?-n@)2 ffi
o:,
:.@:0.04627.
,
n-l
n-r
D-
o-t
La estatura de las seoras analizadas tiene una desviacin estndar de 4.6 cm.
3. (Continuacin.)
Calcular la desviacin tpica de los montos de ahorros de los socios de una

cooperativa de ahorro y crdito:
Hasta
Punto medio (r)
FYecuencia (ni)
100
100
200
50
150
28
Desde
Solucin: Antes
12
200
30
250
46
300
400
400
77
500
350
450
186
500
600
550
224
600
700
650
209
700
800
750
r22
800
900
900
1000
850
950
53
19
se determin que
n : 970, k
10 y V
-- 555.155.
7.9. Medidas de dispersin
35
Calculemos lzr siguiente sumatona:

9
I,,r
'i-7
r,l :
12(rtQ2
+ 28(150)2 +'. . +
De manera que la desviacirr tpica
b3(850)2
19(950)2
330025000
es
D ro"? - "(")2
,i.:1
n-7
:V/33002ffiro-i
:riY'
tlonjuntamente con la desviacin estndar se suele definir la uarianza muestral de un conjunto de

ratos, notada s2, como Ia suma de los cuadrados de las desviaciones respecto a su promedio, dividido
:or el uno menos que el nmero de observaciones en el conjunto de datos y se calcula mediante
"ln:
las
"
{'o
;\f
,;-1
- 7)2
EI rango y el rango intercuartil
r,9.2.
Definicin (de rango o recorrido) El rango de n
mediciones
es
igual a la diferencia entre los
'.'alores mayor y menor de las mismas:
Rango
T..'x
Ei rango se puede utilizar para hallar una aproximacin de la desviacin estndar mediante las si--rrientes relaciones
R.anso
= ---)
1/n
R,anso
"=--,
para n 176,
para 16 q
para100<n(400,
para n > 400.
100,
Ventajas e inconvenientes del empleo del rango:
1.
En su clculo solo intervienen los dos valores extremos de Ia distribucin y por ello se ve muy
afectado por Ia presencia de valores atpicos.
2.
trs fcil de calcular.
Definicin (de rango intercuartil) EI rango intercuartil, notado por RIQ, de un conjunto
latos
es
de
igual a Ia diferencia entre ios cuartiles superior e inferior; es decir,
RIQ:
Las definiciones de los cuartiles superior e inferior
en 1882.
Qs
Qt.
y del rango intercuartil fueron dadas por F. Galton
Captulo
36
7.
Ventajas e inconvenientes del empleo del rango intercuartil:
1.
Es fh<:il cle
2.
Se vc Poco afectrcio
3.
En su deterrninacin no intclvierre
calcul.rr'.
por la Plerselcia dc
lr
atpicos.
r,r.lores
totiliclad cle los clatos.
Ejemplo. (Continuacin.) Calcular' la desviacin
estrrdrl de lr cstrturr clc 46 seoras, cllvas
meclidas sc reslrmen en la siguierrtc ttblr:
Estatura
r.45
r.48
r.50
1.53
1.55
1.57
1.60
r.o.)
1.65
Fbecuencia
Ir
12
Solucin: Antes
se
dctermin que Q1 :1.53 Y Qs:I.57. Adems, zm':7.45y
r,'*:1.65.
Entonces,
Rango
RIQ
Tmx
Qs
fnrn
- Qt :
1.65
1.57
- I.45 :
1'53
0.20.
0.04.
Adems, podemos calcular una aproximacin de la desviacin estndar de los datos:
sFr
Rango
0.20
0.05.
Como se ver el valor aploximado cs bastante cercano al exacto, calcuiado con la frmula respectiva.
1.9.3. El coeficiente de variacin

Definicin (de coeficiente de variacin) El
coeficiente de variacin, notado y>ot CV, es ig-ual

a la desviacin estndar- divididr por la medir, rrritmtica; es riecir,
s
CT':1
Esta rnediclr se utilizr l)lra conlpr'rr las rnccliciones de

unidades o por distintos individuos.
Si u.rr conjurrto de clrtos es honrog(rneo, CV
<
1; si
Cf/ >
tunr
misrna magnitrici rclizrrir cn distintas
1.5. los dzrtos poclran ser hctclogncos.
Ventajas e inconvenientes dei empleo clel coeficiente de variacin:
1.
Es urrr medida rdimensioual.
2.
En sn clculo interviencn toclas las obscrvaciones. pr-rclicnclo ser nluv iufluido pol valoles atpicos.
3.
Puede ser difcil de interpretar.
4.
Picrde su significtrdo si el prorredio es iguai a cero.
7.7A. Medidas de fornta

Ejernplo. (Continuacirr.)
-irr1rr (crL ckilzrrcs)
Crlcrrlrr
r:l
c:oerficrierrtc
Dta
JI
clc r'rriacirr clcrl srrclclo clc cliez pcrsorrrs clllc
170 rT2 168 165 r73 r78 180 165 167 r72.
:
:,1
uc,iir: Pleviarrx:rrtc
s<t
Itrba cirlculaclo clur:
r:
5.1. Con sto, r'esulta
que:
5'1 :0.02982.
CV:! T --omo
177 1' ,s
777
el valor de coeficiente es muy ba.jo, los datos son homogneos.
1.10. Medidas de forma

-{asta ahora, heruos arralizado la localizacin y la dispersin cle una distribucin, pero necesitamos
. r'locer ms sobre el comportamiento de los datos. En esta seccin, analizaremos las medidas de
-,)
- )inla'.
- as medidas de forma de ttna
distlibucin
se clasifican en dos
grllpos: medidas dc asinietr'a y medidas
cttrtosis.
--
1.10.1. Asirnetrra
midc cl grado de asimetr'a de la distribucirr r,le sus datos
sti meclia. Es aclirncnsional v se definc corno srg=Lre:
coet'czente d,e a,s'intetra, dc nrra variable
tolno
\-1.r, _ ,):t ln,

'
/_-'
As:
,i.:
'
,s3
--,--.
crtl,o,s cle nnL variable cstrr coltstituidas por los r.alores alejaclos de la meda (r,a.1oles cxtrcmos).
--:,a l'rriable es l,sini:tricr si srr
col ;r nn 1rclo cs rns larga que sr1 colr al otro y sinrtricr si ambrs
solr
igual
cle
largas.
-es
si As > 0. la clistribui:in seri asiurtiicr a

cola a la izquierrl:r.
. si As - 0la distlilncicin
.
lr
1a
ser' sirntticr. AnLbas colas son igual dc luugirs.
si As < 0 la clistribrrcirt seri rsirntlica a ltr izcluicrcla. La cola a lur izqnierdl es ms lrrrgir que
la cola a Ir clelechr.
rEn la definicin cle las trrecliclrs rte tirma no hal,'unidac.l

r
clcrcclir. La cola a la clerechr es ms lirrga que
cclacl
cle
criterios cntre los especi:rlista,s, por lo
clrLc
hay una amlrlia
Captulo
38
1.
L,lO.2. Apuntamiento o curtosis

EI coeficiente de apuntamiento o curtosis de una variable sirve para medir el grado de concentracin
de los valores que toma en torno a su media. Se elige como referencia una variable con distribucin
normal, de tal modo que para ella el coeficiente de apuntamiento es cero.
Ap:
ir", - *)n l,
i:t
-J.
e4
Segn su apuntamiento, una variable puede ser:
Leptocrtica, si Ap ) 0; es decir, es ms apuntada que Ia normal. Los valores que toma la

variable estn muy concentrados en torno a su media y hay pocos valores extremos.
Mesocrtica, si
Ap:0;
es decir, es
tan apuntada como la normal.
Platicrtica, si Ap ( 0; es decir, es menos apuntada que la normal. Hay muchos valores extremos,
Ias colas de la variable son muy pesadas.
Figura 1.13: Curtosis de curvas simtricas.
Ejemplo. (Continuacin.) Calcular los coeficientes de simetra y apuntamiento de los sueldos de

diez personas que ganan (en dlares):
t70 172 168 165 r73 178 180 165 t67

Solucin: Previamente se haba calculado que 7
i@n-e)'
i:7
(170
171)3
: l7l y s :
+ 072 -171)3 +
172.
5.1. Adems,
(167
i71)3 + O72
- t7D3
10
55.8.
i{,n-n)n
i:l
n
- LTDA + $72 - I7I)4 +. . . + (167 - LTD4 + G72 10

1191.
(170
I7D4
7.77. Otras representaciones grfrcas
39
- ntOnCeS,
\-.
\ r; 1J"
T).
In
As:
)11
T\'' lr,
55.8
'i-I
(5.1)3
so
0.42r.
Ap:
ir", - ,)n l,
i:t
1191
t
-J-
s4
(5.1)n
-.)
-t.239.
Ia
-,cs datos son levemente asimtricos, con asimetra hacia la derecha; tambin, son platicrticos,
;,,rsible presencia de valores atpicos.
x)
1.11. Otras representaciones grificas

-
os grficos analizados anteriormente no requieren realizar clculos de medidas estadsticas. Los

==ficos que a continuacin se presentan, s los emplean; por tanto, son ms poderosos al realizar un
'-nlisis.
1.11.1. Diagrama de balanza

FI di,agrama de balanz fue introducido en el ao 2000, como una herramienta que muestra, en un
lismo grfico, la forma de los datos, su valor central y su variabilidad al representar el promedio, el
:-nimo, el mximo y Ia desviacin estndar de los datos.
?ara su construccin se procede de la siguiente manera:
de
1.
Se calcula el promedio, la desviacin estndar, el mnimo
y el mrximo del conjunto de datos que
se analiza.
Sobre una recta se ubican los valores del promedio, el mnimo y el mximo. Los segmentos que
unen el promedio con el mnimo y con el mximo se denominan brazos de Ia balanza.
Sobre la misma recta se ubican dos puntos -uno a la izquierda y otro a Ia derecha de la media-,
a una distancia igual a la desviacin estndar.
Debajo del valor del promedio se dibuja un tringulo.
EI diagrama queda as:
Figura 1.14:
.x+.s
Captulo
40
El rliagrarrir
clc.
7.
brrlrnzir st: iritc:r'pletr clc 1a sigrricrrtc luirrrcr'r:
rlci grlico.
Si los cltos solL sinrrtlic:os, r:l valor del plonreclio se sitr rrr r:l
en torno ri ccntlcl. los lr-Lzos rlr: l,r balrnz ser'ilr cortos; pr"u cl
contrzlricl, si ir"rs tlat,os estiirr dispclsos eu tor-rr<l r.l coutlor lt-,s lrr'rzos clc lr balrnza s<)r''rir liilgos.
,)
Si nno dc los rlos blrzos clc 1r brlarrz es muchr rlrs largo crc r:l otlo, nos inclica (llre los
sorl asirr)tricos y clue hay posible prcsencia cle r'rloles atpicos en ls obselvciones.
Si los
<:c:rrtLo
drtcs estilr agrrrptrdos
(l1tos
Puede ser irtil combinrr' (solrre el mismo gr'fico) con un cliagrzrma clc prrni;os pzrra visualizrl Ia, Irillr(:lr'&
en que se distlibuycn ias observaciones.
Ejemplo. Realizal el diagrama
de balanza de los siguientes datos:
5 5 5 5 1010202027
39 55 55 60 60 60 68 75 90
35
90
Soluci,n,: Estos datos tieneu las siguientes carac;ter'sticas:
rnrr:5, rnx:90, r:39.7, s:29.3

Entonces,
:L
-S
T *s
El ciizrglirlrr
29.3:10.4.
39.7+29,3:69.0.
39.7
<lc balarrzr ie nurstlt it crorrtirn.rrcirjn:
st0 28 3 4C 5S 60 1fi 80
gCI
Figura 1 .15;
Scgirrt sc obscrvit crr i'i gilico, el prornedio no se encuentra crr cl centro del ralgo. entonces sc dr:drrc<:
quc los cltrtcs sotr asirtrtricros. Arlcrris, lcs br'rzrs cie ir blrnza rro ticrierr ig'ral longitnri, lo <1rri.r ri<rrtotr
la posrble plcserrcia cle vakrrcs atpicos elr cl ex1 r'errro clcrecho.
1.11"2. Diagrarna de ca.ja

El rli,o,qt'ant,a" de c:o,.jo, fr-re irrtroduciclo r:n 1977, pol JoLrn \\I. Tuliey conLo lurl herranrierrtzr quc rrurcslr'tr,
er Lrn misuro gr:ific:o, lr foltna de los clatos, sn r'r,lol ccntlal y srr rrariabiliclrcI irl rcprr:sentar ir rne<lirrra.
los crrrtilcs) el r'1rlgo intercualtil y el rango c1e las observacicxrcs.
Para su constluccin se procede de la sigr.riente rnInera:
l.
Soble lrn lnel holizontal se locrlizrn l mcdiana. Ios cuartiles inferior y supr:rior 'los clatos
nrnilro I'mixirno.
7.77. Otras representaciones grfrcas

,l
Se constrrtye rtna ca..ja angosta qlre une a
4L
Qt y Qz; a continurcin,
se clivicle estar caja cn
clos
mecliatrte una lnea qne pase por Qz.

t
.J.
:n
Finalrnente, se ttazan las uallas, que son dos rectas, una desde cada extremo de la ca.ja, hacia el
valor rnnimo y hacia el valor mximo de los datos.
la Figura 1.16 se mnestra un diagrama de caja.
trt
Qt
min
Qz
max
Qr
Figura 1.16: Diagrama de caja.
;--n diagrama de caja es especialmente

-"-:lores atpicos
til para examinar la simetra de los datos, la presencia

y para comparar dos conjuntos de muchos datos.
de
Ejemplos
1. (Continuacin.) Trazar el diagrama de caja correspondiente a los datos de la estatura
de 46
seoras, cuyas medidas son:
Estatura
r.45
1.48
1.50
1.53
1.55
L.57
1.60
1.63
1.65
Flecuencia
12
Solucin: Antes
se determin que
Qr
1.53, Qz
L.55, Qs
t.57, rrnn: I.45 y z16*
1.65.
El diagrama de caja es el siguiente:

.
-lttc:cr
lr rti
: .tliI)
t.4s
1.55
r.60
1.65
Figura 1.17:
.l(lIJIr
Como se observa, los datos son bastante simtricos, con una fuerte concentracin en torno al
centro y -puesto que las vallas son largas- con la posible presencia de valores atpicos (el mnimo
y el mximo).
clirlos
Se recogieron los datos de los ingresos mensuales de 200 hombres
250 mujeres, que realizan
Captulo
42
7.
tlab:r.jos rro c:llificaclos, olrtcniudosc ltr sigtticttto tabl:
Ingreso
flombres
Mujeres
180
190
55
200
20
75
270
')ri)
.f
25
220
AN
40
230
75
20
45
10
240
Comparar los ingresos de los dos grupos mediante sus diagramas de caja.
Solucin:
Se tiene
la siguiente tabla que resume las medidas descriptivas reqtteridas:
Flombres
Mujeres
max
220
Qs
230
200
220
230
mIn
Qt
Qz
i90
270
180
190
240
Con todos estos elementos, los diagramas de caja son

240
230
o
ut
22O
fl
s zro
tr
200
190
'180
Sexo
Figura 1.18:
En el diagrama correspondiente a las mujeres, observamos que la mediana no se encuentra en Ia
mitad de la caja, denotando una asimetra, con fuerte concentracin hacia valores bajos. Como
Ias vallas son cortas, podemos inferir que no hay presencia de valores atpicos.
En el diagrama que corresponde a los hombres, se observa que Ia mediana est en Ia mitad de la
caja, indicando que Ios datos son simtricos. Como la valla inferior es ms larga qr-re la superior,
rros indica que rlrl valor de 190 es atpico para los hombres.
De acuerdo a las posiciones de los diagramas, se observa que) en general, las mujeres tienen
ingresos menores. Tarnbin, se aprecia que los ingresos de los hombres estn ms concentrados
alrededor de la rnediana qne los de las mujeles, denotando que aquellos son ms homogneos.
L.1-2. Ejercicios
i.
Una persona est rnanejando un carro en una autopista a 70 km/h y nota que el nmero de autos
a los que pasa es igual al nmero de autos que a ella le pasan. Los 70 km/h son el promedio, la
mediana o la moda de las velocidades de los autos en la carretera. Por qu?
7.72. Ejerccios
2.
Dadas
8 nrccliciones:
Deterrnine: rr) f; lr)

3
Dadas n
: I
4, 2, 6. 5, 7, 5, 4,
lr niecliarrr;
mediciones:
c)
,s;
43
6.
cl) el lango; e) la asimetra;
5, 8, 8, 4, 4, 9, 7, 5,
4.
Deterrnine: a) 7, b) la mediana; c) s; d) el rango; e) el RIQ;
1.
f) Ia cr-rrtosis.
f) la asimetra; f) curtosis.
En 1904, Cushny y Peebles publicaron en el artculo <The action of optimal isomers>> (Journal
of Physiologg), un estudio sobre el efecto de dos ismeros de Ia molcula hidrocinamida hidro
bromida en prodrtcir sueo. Se present la variacin en el nrmero de horas de sueo por noche
al usar las dos versiones de Ia droga:
Paciente Dextro Levo
+0.7
-1.6
-0.2
-L2
-0.1
+3.4
+3.7
+0.8
+0.0
+2.0
2
.)
4
5
6
7
8
10
+1.9
+0.8
+1.1
+0.1
-0.1
+4.4
+5.5
+1.6
+4.6
+3.4
un diagrama de puntos para cada uno de los dos tipos de drogas y comparrelos.
Cul de los dos ismeros es ms efectivo en producir aumento en las horas de sueo?
a) Realice
b) Realice un diagrama de
tallo y hojas con los datos.
c) Calcule el promedio, la mediana

Cul es ms efectiva? Explique.
.
tenla
y la desviacin estndar de los datos de las dos drogas.
Un inversor tiene ahorros repartidos en 3 depsitos con 2000, 5000 y 10000 dlares, respectivamente. Si el primero le rinde un 5To anual, el segundo un 4To anual y el tercero un 2To anual.
Cul es el tipo de inters que recibe?
En una empresa se registr la edad (en aos completos) de sus empleados, resultando la siguiente
tabla:
Como
31 49 36
45 61 40
51 18 29
36 40 46
56 35 48
Idela
)ertor,
trenen
39
39
34
37
44
56 29 57
47 27 36
42 38 62
49 25 2r
42 43 49
4t 40 51
37 16 37
31 28 25
39 35 37
22 25 28
trados
teos.
a) Determine el nmero de clases que
b) Construya la tabla
: autos
dio, la
7.
de frecuencias
se debe
utilizar en la distribucin de frecuencias;
y el histograma;
c)
Qu porcentaje de los empleados es menor que 50?;
d)
Qu porcentaje de los empleados es mayor que 35.5?
En una bodega de venta de licores se registr las principales. caractersticas de 25 marcas
de
Captulo
44
7.
rn'hiskys:
Nota de
calidad
7.5
I
I
I2
t2
0
0
2
Precio
de venta
Proporcin
de malta
70
60
20
20
65
74
20
25
70
25
6
7
,J
70
30
30
55
93
8
9
62
87
78
83
90
110
10
11
T2
13
t4
15
16
113
t7
96
18
19
20
82
r27
2I
90
22
23
86
100
24
25
100
95
160
a) Identifique el tipo
b)
c)
Tiempo de
aejarniento
No. de
whisky
Categora
.,
30
J,l
tt
Jd
6.5
tt
JJ
35
8.5
8.5
40
40
40
40
40
45
45
2
2
100
100
100
100
3
3
i00
100
8
5.5
T2
8.5
T2
dt
12
8.5
,
2
2
3
3
3
3
2
1
L2
12
12
10
4
2
11
q
d
T2
de dato que representa a cada una de las variables;
y hojas para el precio de venta y ei tiempo de aejamiento;

Calcule el promedio, la moda y la mediana del precio, la proporcin de malta y el tiempo
Realice un diagrama de tallo
de aejamiento;
d)
Encuentre la desviacin estndar, el RIQ V el coeficiente de variacin del precio, la proporcin de malta y el tiempo de aejamiento;
e) Calcule los coeficientes de asimetra y de apuntamiento del precio, la proporcin de malta

y el tiempo de aejamiento;
f)
8.
Realice un grfico de barras de Ia categora y de la nota de calidad.
Calcule el promedio, la mediana y la moda de las edades de 25 personas:
32 33 34 31 32 31 34 32 34 32 31 34
31 32 32 34 34 32 33 34 33 33 34 31
9.
Dados los datos
sus frecuencias:
Halle: a) e; b) Mo; c) s; d) el rango.
10. Dados
los datos v sus frecuencias:
Halle: a) Qz; b) 7; c) s; d) RIQ.
31
7.72. Ejercicios
il.
45
Sc rcirlizti rttta irrr'<rstigacirn sobtc cl prccic'r rlc zapzrlos <lcportivos. clcr sirnilarets
crr rlivrtlsos tllutr:ctttts clc lr trirrrlrcl, ob1<:ni:rrr[os<t los sigrricnt<:s cLttos (cl<ilarcs):
50
49
49
+t
46
a)
4:l 39
43 39
43 39
41 39
47 38
43
44
44
45
46
40
40
,)r),J
38
33 26 36
33 27 36
38
4U
40
40
.)r) I
oi
,l
38
37
.).)
,),)
,)a
,l
') E
,)r)
32 28 35
37
<:rrrctetrsticrs
.)o
r)i
30
30
J)^
.)t,
28
Determine la dislribucin de frecuencias inclivicluales de los datos;
b) Elabore la distribucin de frecueucirs con datos agnrpaclos l)or clases;

c)
-2.
A partir de la distribucin obtenida, trace el histograma.
A continuacin se dan los resultados de la estatrrra de 100 estudiantes:
Esratura (en cm)

No. de eslrrdiantes
| 155 160
165
I 10 14
170 \75
26
180
185
28128
Halle:
a) Ia estatura promedio
b) la media armnica
c) Ia mediana
y Ia desviacin estndar;
y la media geomtrica;
y eI RIQ.
A partir de la siguiente distribucirr de liecuencias,

o;
lpo
Encuentre:
ror-
a)
rlta
y superior y la mediana;
los cuartiles inferior
b) Ia media armnica;
c) la media geomtrica.
-=.
La siguiente tabla muestra la temperatura nocturna (en "C) clr.rrantc 200 das:
Intervalo
qA
4--
6-B
8-10
l0
a)
12
Flecuencia
Intervalo
21
12-14
16
15
26
OD
74 16
16 18
18 20
20 22
Frecrrencia
I4
20
22
1E
:,-)
Deterrrile: cl plomedio, Ia mecliana y los cuartiles inferior y superior;
b) Constmya el cliagrama de ca.ja de los datos.
Los siguientes datos se obtuvieron de una encuesta sobre las condiciones de vida, en el rea nrral
dc los cantones dc Zapotillo y N{zrcar y corresponden al nrrnero de hornbres y de rnujeres que
Captulo
7.
intcgran las frmilias encuestadas.
Hombres
Hornbres
\4ujeres
X4ujercs
Hombres
X4ujercs
Homblr:s \tlujercs
2
c
.)
t)
.)
.)
4
b
.)
2
t
d
4
4
a)
Realice un diagrama de puntos de los datos, clasificados por sexo;
b)
Realice la tabla de frecuencias y el histograma de los datos, segn el sexo de los encuestados;
c) Construya el diagrama
d) Interprete y compare
de caja de los datos;
los resultados obtenidos en a), b) y c);
e) Determine el nmero total de miembros en cada familia. Con estos nuevos datos trace eI
diagrama de puntos, el diagrama de tallo y hojas, la tabla de frecuencias, el histograma y
el diagrama de caja. Interprete lo obtenido.
16.
Las siguientes temperaturas fueron tomadas al medio da en Quito (en
22, 24, 2r, 24, 20, 22,

a) Calcule el promedio y la desviacin estndar
'C) durante
una semana:
19.
de dichas temperaturas;
b) Para transformar los grados Celsius (c) en grados Fahrenheit (/) ." usa la ecuacin / :
1.Bc * 32. Determine el promedio y Ia desviacin estndar de las temperaturas en grados
Fahrenheit;
c) Encuentre alguna relacin entre
los promedios y las varianzas calculados en a) V b).
17. En una investigacin
sobre la razn por Ia que frecuentemente haban colas muy largas en las
cajas de un banco, se obtuvo informacin del tiempo (en minutos) requerido para atender a los
clientes. Se tomaron 50 mediciones en una caja, las cuales se dan a continuacin:
6.0 5.9 4.0 3.1 1.9

4.8 4.8 5.1 6.0 4.2
5.2 2.8 4.7 1.8 5.1
3.6 4.4 2.0 2.8 4.8
3.7 4.5 3.9 2.3 5.5
a) Calcule la desviacin
estndar
5.3
4.4
5.8
3.1
5.3
2.7 5.2
5.3 7.4
2.9 5.7
1.5 5.9
5.8 2.4
2.9 5.2
4.4 4.1
3.8 5.8
3.6 4.6
5.5 3.7
y su aproximacin a partir del rango;
b) Determine (,' * s), (r I2s) y (e + 3s);

c) Determine el nmero de observaciones que se encuentran en cada uno
de los intervalos;
d) Construya el diagrama de caja de los datos y compare con los resultados de la parte
Qu observa?
b).
7.72. Ejercicios
18.
47
La siguientc tabla muestra los tiempos de duracin (en minutos) de las versiones en DVD de
pelculas dirigidas por Alfred Hitchcock:
Pelcula
Tiempo
Pelcula
119
Dial M fbr
120
Foreign
116
I Confess
The Birds
Family Plot
Frenzy
The Man Who Knew Too

North by Northwest
The Paradise Cane
Much
120
136
116
113
Window
Rope
Spellbound
To Catch a Thief
Under Capricorn
Rear
81
111
103
Il7
22
Tiempo
Murder
105
Correspondent
120
f08
X4arnie
Notorious
Psycho
Rebecca
Shadow of a Doubt
Strangers on a Train
Topaz
Vertiso
130
103
108
132
108
101
126
128
ios;
a) Construya
un diagrama de tallo y hojas de los datos;
b) Calcule la mediana de los tiempos;
los cuartiles inferior y superior. Use esta informacin para detectar algn valor
y
atpico para trazar el diagrama de caja;
c) Calcule
:e el
ray
d) Determine el promedio
y la desviacin estndar;
datos mediante un diagrama de balanza. Cules datos influyen ms en los

valores calculados?
e) Represente los
f)
Calcule los coeficientes de asimetra y de apuntamiento.
19.
Las notas de un examen de 6 alumnos son: 6, 5, 9, 19, 3 y 18. Un alumno aprueba si su nota es
mayor o igual que el promedio y que Ia mediana de las notas. Qu porcentaje de los alumnos
aprobaron el examen?
10.
Un automvil ha recorrido los 832 km que separan Loja de Esmeraldas, permutando regularmente
las 5 llantas (incluida la de emergencia) para que todas tengan igual desgaste. Cul es el
recorrido promedio de cada llanta?
+-
J-
ados
11. El kilometraje
que marca un auto, luego de 4 aos de uso, es 100 mil kilmetros. Si el dueo
lo compr nuevo y lo hace descansar 1 da, luego de usarlo 4 das seguidos, cul es el recorrido
promedio diario de los das manejados, considerando aos de 365 das?
las
a los
')2. De 400 alumnos

promedio es 160
13
Se
de un colegio, cuya estatura promedio es 165 cm, 150 son mujeres y su estatura
cm. Cul es la estatura promedio de los varones?
tiene cuatro nmeros. AI aadir el promedio de tres de ellos al nmero restante, se obtienen
y 29. Si se excluye al mayor de estos nmeros) cul es el promedio de
los nmeros 17, 2I, 23

los tres restantes?
)/
El promedio de 53 nmeros es 600. Si se eliminan 3 nmeros consecutivos, se observa que

nuevo promedio aumenta en 5To. Cul es el mayor de dichos nmeros consecutivos?
25.
Calcule la mediana de las siguientes temperaturas:
6:
e b).
Temp. ("C)
No. das
20.5
20.0
19.5
19.0
18.5
18.0
t7.5
13
el
Captulo
48
26
Calculi:
Ir mecliatrr
7.
Arlisis Exploratorio de Datos
Ir urocla <lc krs
sigrri<lrtcs clatcls
Iutclrrlo
10 - 2i)
I'r'ccucucia
20 -30
30 - 4i)
.)
'J
40
50
27.
3
12
50
60
Los sueldos en una emprcsa son las siguierrtes:

1
gelente:
10 000
secretaria:
650
3 empleados: 500 (cada uno)

2 ayudantes: 400 (cada uno)
1
conserjc:
300
Cul es la medida de localizacin ms representativa?

28
En una reunin hay 50 varones con una edad media de 20.5 aos y 25 mu.jeres, las que en
promedio ,or, ] mis jvenes qne los \arones. Halle el nrmero entero ms prximo a la edacl
'10
media de las personas de dicha leunin.
29.
Un ftrmador dice que su vicio empez con un cigarrillo en la primera sernana, 2 en la segunda,
4 en la tercera, 8 en la cuarta, y as sucesivamente; hasta fumar casi 2 ca.jetillas diarias de 20
cigarrillos cada una, en promedio.
a)
b)
,A cuntas semanas de
habcl empezado ocnrri sto?;
Cuntos cigarr-illos diarios, cn prornedio, fum hasta la primera ser)ana que lleg al nlximcr
de su consumo?
30.
Si cada uno de los 28 millones de habitantes de cierto pas come) el promedio, 12 kg de pescadcr
al ao, entre conservas enlatadas y pescado fresco, siendo este rubro 4 veces el de conserva.
Cuntas toneladas de pescado fresco se consumen? en promedio, por ao?
31.
En una muestra de 20 empresas florcolas se obtuvieron los siguientes datos sobre el nrnero de
empleados y sus ingresos anuales, en miles de dlares:
No. dc
empleaclos
10 30
30 s0
50 - 100
Ingresos anlrales
50
100
100
250
250
- 1000
0
10
Calcule:
a) el ingreso medio anual de las ernprcsrrs;

b) el nmero de empleados promedio.
32.
De los datos de rrna tabla de distribucin de frecuencias, con 5 intervalos de clase ;r ancho de
clase corntn, se observ que: Qz:24, x: : l$, 13 :24, nB : 2'n,r, n5 : )71r. .Qu porcerrtaje
del total sor nrenores de 30?
7.72. Ejercicios
49
cunto es igual la suma de cifras dc la media aritmtica de la siguiente serie de nmeros'/
cifrrs n cifrrs
34. La siguiente tabla muestra la distribucin
<rifils
r cifrrs
de sueldos de 210 trabajadores de una empresa.
Sueldo
Trabajadores
600 700
700 800
800 - 900
900 1000
100
1000
20
60
20
1100
10
a) Halle Ia moda de los sueldos;

b) Debido al aumento de Ia productividad, los sueldos sufrieron un incremento del
70%o y,
adicionalmente, un aumento de 50 dlares. Halle el nuevo sueldo promedio.
35.
En una muestra de 1000 trabaiadores, se registr sus sueldos en una tabla de frecuencias:
Sueldo
ue en
, edad
400
800
1200
400
- 800
de 20
150
300
- 1200
- 1600
200
250
2000
100
1600
rnda,
Trabajadores
a) Calcule la moda de los datos;

b) Qu porcentaje de los trabajadores tiene
sueldos comprendidos entre
el promedio y la
mediana?
irimo
36
En la siguiente ojiva se muestran los sueldos de Ios traba.jadores de un organismo estatal.
scado
lser\4.
rero de
Figura 1.19:
Halle la diferencia entre el promedio y Ia mediana.
37
En Ia seccin de pediatra de un hospital, Ios nios atendidos se clasifi.caron segn su

obteniendo la siguiente tabla:
Edad
Frec. absoluta
Frec. absoluta
acumulada
03
rcho de
centaje
3-6
6-9
9-12
Frec. relativa
Frec. relativa
acumulada
0.2
20
0.85
80
edad,
Captulo 7. Anlisis Exploratorio de Datos
50
Calcrrle el pronrr:clio, la rnecliarrr

38
v la clesvircil estnclar
la cclacl de los niuos rtcndirlos.
Err la sigr.rierite tabla se rnuestr'r ir clistlilnciu ck: frecnencias clc lrs vcntas rcrlizadls pol'
60 locales de uu ccntro comelcial popr-tlal de Ia ciudad cle Quitrt.
Punto
medio (r)
Si Ios intervalos tienen igual

Ias ventas.
39
cle
Frec. absoluta
lcs
Frec. relativa
longitud, halle el promedio, la mediana y la desviacin estndar de
En Ia siguiente tabla se muestra la distribucin de frecuencias de los pesos de 100 personas:

Peso
(t e)
Frec. absoluta
Frec. relativa
0-24
24-48
48-72
72-96
Frec. relativa
acumulada
0.18
26
0.78
Calcule la mediana del peso de estos individuos.

40
La siguiente tabla incompleta muestra Ia distribucin de frecuencias de los dcpsitos bancarios

realizados por 50 clientes, siendo el ancho de clase es constante e igual a 200.
Intervalo
Punto
medio (r)
Frec. absoluta
("0)
Frec. absoluta
acumulada (l/r)
Frec. relativa
(f)
0.22
I 100
t2
7
0.06
Luego de completar la tabla, calcule:
a)
cuntos clientes realizaron depsitos menores a 1000 dlares?;
b)
qu porcentaje de clientes realizaron depsitos entre 1200 5' 1600 dlares?;
c) el promedio, la mediana y la moda de
los depsitos.
Captulo 2
El Concepto de Probabldad
Las preguntas ms importantes de Ia uida son, para la
tnaAor parte, realmente solo problemas de probabili,dad
Pierre Simon Laplace
-r
la naturalezay en la vida cotidiana se presentan fenmenos cuyo resultado se determina antici-
-.damente mediante la aplicacin de ciertas leyes o frmulas; por ejemplo, los resultados de mediciones
:-rmtricas, los clculos financieros o ciertos procesos fsicos.
-enrbin existen fenmenos cuyo resultado no puede ser anticipado con cetteza, sino que existe una
:tbabi,Iidad de que un cierto resultado se d; por ejemplo, la ganancia que obtendr un inversionista
-=-pus de dos aos, el tiempo que sobrevivir un cnyuge a la muerte de su pareja o el nmero de
;-ros eu pasan por una esquina durante una hora determinada. Es evidente que nadie puede dar
-, resultado certero con anticipacin a los tres euentos considerados, entonces si se da una respuesta,
-:'iste una incertidumbre en el resultado.
?ara dar una explicacin matemtica a aquellos resultados que aparecen en experiencias en que est
-r'olucrado el azar, se desarroll la teora de probabilidades.
2.L. Resea histrica

-
a presencia del hueso de astrgalo de oveja, que constituye el antecedente inmediato del dado, en las
=-<cavaciones arqueolgicas ms antiguas, parece confirmar que los juegos de azar tienen una antigedad
mil aos. En Ia India, en el Rig-Veda (aproximadamente 1000 aos a.C.), se menciona un

;:ego de dados como un intento de medir la probabilidad. En Grecia, Sfocles atribuye a Palmedes
-= invencin del juego de dados, durante el sitio de Tloya. As, en casi todas las culturas antiguas
= posible encontrar referencias que nos indican que el estudio de los fenmenos aleatorios (dados,
-Jresencia de lluvia, el clima, etc.) fue muy importante.
-:
ms de 40
=n el Renacimiento se produjo un abandono progresivo de explicaciones teolgicas, lo que condujo a

';a reconsideracin de los experimentos de resultado incierto, y los matemticos italianos del siglo
\VI empezaron a interpretar los resultados de experimentos aleatorios simples. Por ejemplo, Cardano,
:n 1526, estableci, por condiciones de simetra, la equiprobabilidad de aparicin de las caras de un
jado. Por su parte, Galileo (1564 - 7642), respondiendo a un jugador que le pregunt por qu es
ns difcil obtener 9 tirando tres dados que obtener 10, razon que de las 216 combinaciones posibles
51
Captulo
52
ccluiplobables, 25 coticltrcett a 9
C o n,si, d, eraz'i, o ne.
o'p'ra,'il
q i,r
t,
oco
2. El Concepto de Probabilidad
y 27 a 10. Galileo public
estos rcsultrcios en un tlatrclo liarnaclo
d,e,t, d,o,rli.
El desarrolio clel anilisis rnatenrtico
los juegos dc azal se produjo durrnte los siglos XVI y XVII.

Algunos autores consideran como origen del clculo de probabilidades la lesolucin del prolrlema de los
puntos en la correspondencia entre Pascal y Fermat en 1654. El problema planteado a estos autores
por Chevalier de Mer, fue cnro debera repartirse el dinero cle las apuestas, depositado en la mesa,
si los jugadores se ven obligados a finalizar la partida sin que existiera un ganador. Aunque ningur<-r
de estos dos matemticos public al respecto, s lo hizo Huygens en su tratado Ratioci,n'iis 'in In,do alae
(Razonamientos relativos al juego de dados). Su escrito tiene Ia trascendencia de ser el primer liblo
de probabilidades de la historia.
c,le
Durante el siglo XVIII, el clculo de probabilidades se extendi a problemas fsicos y de seguros

martimos. El factor principal de su desarrollo fue el conjunto de problemas de astronoma y de
fsica que surgieron ligados a la constatacin emprica de la teora de Newton. Un primer problerna
fue el tratamiento de los errores de medicin: se dispona de varias medidas independientes de una
determinada magnitud fsica y se presentaba el interrogante de cmo combinarlas para obtener un
resultado ms preciso. Daniel Bernoulli (1700 - 1782) proporcion la primera solucin al problema de
calcular una cantidad desconocida a partir de un conjunto de mediciones de su valor que) por el error
experimental, presentan variabilidad.
Pierre Simn Laplace (I749 - 7827), introdujo la primera definicin explcita de probabilidad y desarroll la ley normal como modelo para describir la variabilidad de los errores de medida. En esta poca
tambin hubo importantes contribucfones de matemticos como Legendre (1752 - 1833) y Gauss (1777
- 1855) para tratar de realizar predicciones del comportamiento de ciertos fenmenos.
Durante el siglo XIX, los matemticos y astrnomos continuaron ampliando la teora, de manera que
a mediados de este siglo ya existan Ias herramientas que permitieron su consolidacin como una rama,
cientfica. A pesar de ello, la aplicacin de estos principios se restringa a Ia Fsica y la Astronoma.
Una descripcin axiomtica de la idea de probabilidad fue dada en 1933, por A. N. Kolmogorov. Ello
constituy la base de la moderna teora, tal como hoy la conocemos. Con sto, se consigui elaborar
modelos complejos y aplicar las probabilidades a muchas ciencias y campos de Ia vida.
En las ltimas dcadas, el empleo de la teora de probabilidades en las modernas ciencias naturales,
en las ciencias sociales y en ramas de aplicacin, como la ingeniera, el clculo actuarial o la economa
ha crecido enormemente y su conocimiento es una necesidad imprescindible.
Antes de iniciar el estudio de la probabilidad, revisemos los principales conceptos del anlisis combinatorio.
_I--
2.2.
Fundamentos de anlisis combinatorio
Primero, definamos eI factori,al de un nmero entero positivo
n!:nx(n-1)
como el producto
x2xl. con0!:1
Ahora, consideremos un conjunto finito compuesto por n elementos diferentes: {a1,a2,...,a,-}. Se

por k elementos (k I
El nmero de estos subconjuntos
").
depende de si los conjuntos son ordenados o no. Las colecciones ordenadas se llaman uariaciones y
las no ordenadas combinaci,ones.
desea formar una coleccin constituida
2.2. Fundantentos de anlisis contbinatorio
53
Definicin (de variacin)
Se clenorninr variaci(rrr a cr.cla nrro cle los irrrcgJ,os orclcrrrrlos clc /'
lenreutos, tornaclos cle otlo cle n r:lernentos (k ( n). cle rnanel'l cluc estos arrcrglos rlificrcrL cn algur
.-enientr.i o en el orden de colocacin.
r-
rrrrnero cle r'rrirciones de A; elementos qne pueden obtenelsc a partir: de rin coujlurto rl<r it, clcrrtcutos,
--.lotado por Vf,, es igual a
,nl
Wn:'n
(n-A:)!
Definicin (de combinacin)
Se denomina combinacin a cada uno de los subcorr.juntos de k

(A: ( n), sin tener eu cttenta el ordcn de los rnismos, de
elernentos
de
otro
de
n
.-ementos, tomados
--.anera que no pueden haber dos combinaciones con los mismos elernentos.
:-
nmero de combinaciones de k elementos que pueden obtenerse a partir de un conjunto de n

.-:mentos, denotado por Cf., es igual a
nl.
kt(n
{ Cf se le denomin
k)t'
a coef.ciente bi,nomi,al.
E.jemplo. Encontrar el nrmero de variaciones y de combinaciones de dos elementos que

-.'tener a partir del conjunto {a,b,c}.
-:'lucin:
a)
Se tiene
Se pueden
n : 3 y lr :
formar
2.
3! : 6 :
V! : .-(3-2)! ;1
(a,
'o) Se pueden formar
^2
"3 -
se pueden
b),
(b,
6 variaciones, qlle soII:
a), (a,r), (c,a), (b,c), (c,b).
3!
:
2(3 - 2)! ^-L
2.r
3 combinaciones:
{o,b}, {o,"}, {b,r}.

Definicin (de permutacin) Una permutacin de n elementos
r:
es cada una de las variaciones
los n elementos distintos.
=- nmero de permutaciones de
n elementos
es igual a
Pn:
Ejemplo. Encontrar
I 'iuc'in: Son P3
n!'
Ias permutaciones que se pueden forurar a
3!
paltir del conjunto {a,b,c}.
6 permutaciones; stas son:
(a,b,c), (a,c,b), (r,o"b), (c,b,a), (b,c,a), (b,a,c).

-dirora, consideremos dos conjuntos de rn
y n elementos, respectivamente:
A: {at,a2,.".,a,r} y B : {h,bz,...,brr}.
Captulo
54
Parejas. Con los n elementos <.lc A y los tr elerucntos

<rr: contcngan lln cleniento rle c:rdr con.jrrnto.
cle
cs posible forrnrl nt,xTt ptrlejirs (rt,,lt,)
Ejemplo. En uur fibrica cle calzrc,lo se confcccirnrn 4 Lnodcl<s de zapatos lttlla. clirmas, en 6 tztrrrarius
cliferentes. Por lo tanto, se pr-reden fabricar 4 x 6 : 24 distintos tipos de zapatos.
Gencralicemos estc concepto a arreglos mrltiplcs.
Arreglos mltiples. Consideremos los conjuntos A: {at,a2,...,a,rr} de n elementos, B :

{,b2,...,b,r}dcnelementos,yassucesivamentehastaG:{g,g2,...,g"}deselementos. Con
ellos es posible formar rnxn x...x s arreglos (a,b,...,gr) que contienen un elemento dc cada
corr.lunto.
Otra forma de ver este concepto es considerar un procedimiento A que se puede realizar de m maneras;
un procedimiento B de n maneras; y as sucesivamente, hasta un procedimiento G de s rnaneras.
La accin consistente en realizar el procedimicnto A, seguido del procedimiento B, hasta llegar al
procedimiento G; se puede efectuar de m x n x - -' x s maneras diferentes.
Ejemplo. Suponga que se clasifica a un grupo de estudiantes universitarios segn su sexo, estado
civil y la carrera que estudian. El sexo puede ser masculino o femenino; el estado civil puede ser
soltero, casado o divorciado; y, digamos que hay 7 carreras. Entonces, hay un total de 2 x3 x7 : 42
clasifi.caciones diferentes.
Anteriormente, se examin las permutaciones de elementos de un conjunto, pero sin repeticin; si ahora
queremos determinar las permutaciones con repeticin, bastar considerar en los arreglos mltiples el
mismo conjunto.
Definicin (de perrnutacin con repeticin) llna permutacin con repeticin, de k elementos
obtenidos a paltir de un conjunto de n elementos, es un arreglo de k elementos ordenados en el que
los elementos pueden repetirse arbitrariamente.
El nmero de permutaciones con repeticin es igual
P,\,
nk
Ejemplo. Con los elementos del conjunto A: {a,b,c}, cuntas permutaciones con repeticin,
de
dos elementos, se pueden formar?
Soluc'in: Se van a formar parejas considerando dos veces el conjunto A, por Io tanto se tiene
y k :2; entonces, hay un total de 32 : 9 permutaciones con repeticin; ellas son:
(a,
2.3.
a), (a,b), (a,c), (b,o), (b,b),
(b,
n:
c), (c,a), (c,b), (c,c).
Eventos y espacios muestrales
Examinemos un ejemplo: el lanzamiento de un dado una sola vez. Como resultado de la prueba se
pueden producir diferentes resultados: <<sale dos>>, <<sale cinco)>, <<l nmero que aparece es par>>, etc.
Esto nos conduce a definir \os euentos.
Definicin (de evento) Se llama evento, notado como (r, a cualquiera de los resultados posibles
de un experimento u otra situacin que involucre incertidumbre.
Los eventos se clasifican en: elementales, aquellos que constan de un solo resultado: r compuestos,
que consisten de ms de un resultado. Por ejemplo, <<sale dos>> es un evento elemental: mientras
2.4. Defrnicin axiotntica de la probabilidad
bl)
llre <<cl nrimcro qrre aparece es pal>> es un evento conpuesto, l)orque cst conformado de Los cventos
-lementales <(sale dos>>, <srle c;uatro>> y <<sale seis>.
,Jbselvernos que todo cvento relacionado con una pn,reba
se pr"rede
desclibir en trminos de evertos
.lenrenta,les.
Definicin (de espacio muestral) La coleccin
de todos los eventos elementales, notirdo por Q,
-e denomina espacio muestral:
A: {rl o es evento
elemental}.
lntonces, un evento no es ms que un subconjunto del espacio muestral O.
por Gaiileo para resolver el problema

-e por qu en el lanzamiento de tres dados "10" y "11" aparecen ms frecuentemente qr-re "9" y "72" .
?ara resolverlo list todos los casos posibles.
Sealemos que el concepto de espacio muestral fue introducido
-,
olviendo al ejemplo, si consideramos el nmero de puntos que aparecen al arrojar un dado, tenemos:
Espacio muestral: Q
{1, 2,3,4,5,6}.
A-- { el nmero que sale es par }: {2,4,6}.

-''rmo los eventos se asocian a conjuntos, es natural pensar que sus operaciones tienen algn significado
rmo eventos.
::an A y B dos eventos de O, en el siguiente cuadro se presentan 1as equivalencias entre las proposi--rnes de las teoras de probabilidades y de conjuntos y en la Figura 2.1 se encuentran los diagramas
-r Venn correspondientes.
Notacin
0
0
.4r B
-4. B
.4\B
-4':CI\A
A)B:A
,4C B
lnterpretacin en la teora
de conjuntos
Elemento o punto
Conjunto de puntos
Conjunto vaco
Unin de conjuntos
Interseccin de conjuntos
Diferencia de conjuntos
Conjunto complementario
Conjuntos disjuntos
A es subconjunto de B
:s claro que estos
s
IS
Interpretacin en la teora
de probabilidades
Evento o suceso
Espacio muestral (suceso seguro)
Evento imposible
Por lo menos uno de los eventos A o B ocurre
Ambos eventos A y B ocurren
A ocurre y B no ocurre
No ocurre A
A y B se excluyen mutuamente (incompatibles)
Si A ocurre, tambin B
conceptos se extienden a cualquier sucesin de eventos.
2.4. Definicin axiomtica de la probabilidad

Lna probabilidad provee una descripcin cuantitativa de la posibilidad de ocurrencia de un evento
;,articular y se puede pensar que es su frecuencia relativa, en una serie larga de repeticiones de una
-rrueba, en la que uno de los resultados es el evento de inters.
Formalmente, la probabilidad de un evento ,4 se define como una funcin que cumple:
Captulo
56
2. EI Concepto de Probabilidad
ii
Figura 2.1: Interpretacin de los conjuntos como eventos: a) Ocurre eI evento A. b) Ocurre A u ocurre
B (A U B). c) Ocurre A y ocurre B (An B). d) Si A ocurre, tambin B (A e B). e) Eventos
incompatibles (A ) B :0). f) No ocurre A (ocurre A").
. A1.
Para todo evento A: 0 < Pr(A) S 1.
. A2. Pr(Q) : r.
. A3. Si A y B son incompatibles:
Pr(A U B)
Pr(,a) + Pr(B).
De aqu, no es difcil demostrar que en general se cumple la relacin:
Pr(A u B)
Pr(A) + erla
- Pr(. B)
(2.1)
conocida como frmula de Ia probabilidad para Ia unin.
Ejemplos
1.
Dados los eventos A,

conjuntos los eventos:
B y C del espacio muestral f). Expresar mediante las operaciones
entre
a) Tan solo ocurre A.
b)
c)
Si ocurre A, no ocurre B.
Por lo menos dos de los eventos ocurren.
Solucin:
a)
Puede ocurrir A,
r E AA B" NC".
b)
Si no ocurre
y simultneamente no ocurre B y no ocurre C;
B entonces ocurre B";
es decir que <<si
es decir que el evento es
ocurre A, tambin ocurre -8">>, el evento
esc AcB".
c) Ocurrirn (Ay B) o (Ay C) o @ V C) o (Ay B y C), pero el ltimo evento est contenido
en los tres primeros. El resultado es: (,4n B)U(AnC) U (BnC).
2.
Demostrar que:
a) Pr(")
- 1-
Pr(A).
2.5. Clculo de probabilidades

b) Si A C B
errtorices PL(A)
:)t
< PL(ll).
Soht,cin,:
0: AA' (conAyA"disjuntos), entoncesi)or A3.. PL(O) :Pl(A) +Pr(A") vpolA2.,

Pr(O) : 1; corr lo que se obtiene: 1 : Pr'(A) + Pr(") v el lesultaclo es inrnediato.
b) Si A C B entonces B: AO(A' tl.B) siendo Ay (A ttB) incompatibles; por lo tanto, por'
A3. Pr(B) : Pr(A) + Pr(4" n B).
a)
Por ,A1.,
.A.
Pr(A n B) > 0, entonces Pr(B) > Pr(A).
continuacin damos varias definiciones de mucha utilidad:
1.
Dos eventos son igualmente probables si Pr(,4)
2.
El evento A es ms probable que B si Pr(A) > Pr(B).
3.
Pr(B).
Euento c'ierto.- Es el que siempre aparece en la realizacin de un experimento, su probabilidad

es igual a 1.
4.
Euento zmpos'ible.- Es aquel que jams puede ocurrir, su probabilidad es igual a 0.

-\l realizar el clculo de Ias probabilidades
es necesario distinguir de qu
Cisponemos; ellos pueden ser: fi.nito, infinito numerable o continuo.
tipo de espacio muestral
2.5.L. Espacios muestrales finitos

Si consideramos el evento A: {rtru)2...,o}, su probabilidad est completamente determinada si
conocemos sus valores en cada elemento Pr({r,,,1}), Pr({a.'2}), . . ., Pr({c,.',}); entonces,
Pr(A)
(2.2)
DPr({a.'}).
i:t
Un caso particularmente importante se presenta cuando todas las probabilidades Pr(c.r) son iguales.
Si convenimos en designar Card(A) el nmero k de elementos del conjunto ,4
de elementos del espacio muestral; entonces,
Pr(A) :
Casos favorables de
y Card(O) el nmero l/
Casos posibles
Card(A) k
Carcl(A) /
Es decir, la probabilidad de un evento aleatorio A es igual a Ia relrcin cntre el nrmero de everrtos
eiementales favorables (cuando A sucede) y el nirmero total de eventos elementales del espacio muesrral. Esta definicin es satisfactoria en ploblemas referentes a jr,regos de azan',loteras o experimentos
sencillos.
Captulo
58
En el ejemplo clel lanzamicrtto cle

O
dado cortsicleremos el evcnto A <<salc rtn nrimero
rrn
: 6,
Card(A) :3.
{1, 2,3,4,5,6},
Card(O)
{2,4,6},
Pr(A)
rar>>:
Card(A)
:-:-31
:ffi
62
En los siguientes ejemplos, consideraremos espacios mnestrales finitos y aplicaremos los conceptos
anlisis combinatorio al clculo de probabilidades.
de
Ejemplos
1.
En un estante hay 2 libros de historia y 3 de biologa. ,Ll azar, se toma un libro y luego se toma
un segundo libro. Encontrar la probabilidad de que un libro de biologa sea seleccionado: a) la
primera vez; b) ambas veces.
Soluci,n:
a) Por defi.licin, O : {11r, Hz,Bt,Bz,Bs}.

Sea A el evento <<escoger un libro de biologa>>;
Pr(A)
'-'
b)
es decir,
A: {Bt,Bz,Bs}.
:9'1!9
:I
Card(f^)) 5'
Que ambas veces se seleccione un libro de biologa significa:
.
.
que la primera eleccin es un libro de biologa, entonces se tiene 3 casos favorables; y

que la segunda eleccin tambin sea un libro de biologa, entonces hay 2 casos favorables.
As, el nmero de casos favorables es igual a 3 x 2 : 6.

El nmero de casos posibles, de todas las parejas sin repeticin, es 5 x 4
Entonces, la probabilidad buscada es
63
u- 20
2.
Por tanto,
:20.
10'
En la final de un concurso escolar de matemtica participan 6 alumnos, de los cuales 3 pertenecen

al colegio A. Si se premia a los dos primeros con regalos diferentes, cul es la probabilidad de
que los alumnos del colegio A obtengan los 2 premios?
Solucirt: El conjunto f) est constituido por las parejas que se pueden formar con los 6 participantes. El nmero total de parejas es Vfr
Sea el evento
B:
: fr :
tO.
<<ganan los alumnos del colegio A>>.
El nmero de casos favorables en el cual 2 de los 3 alumnos del colegio A ganan los premios es:
V3 : o. Luego,
Pr(B)
3.
:*:0.,
Entre 100 fotografas de un sobre se encuentra la foto buscada. Del sobre se extraen aI azar 70
fotos. Hallar la probabilidad de que entre ellas resulte la foto necesaria.
Solucin: Ei espacio muestral Q est formado por los conjuntos de 10 elementos que pueden
formarse a partir de 100: Card(A) : Cl8o.
2.5. CIculo de probabilidades
59
nrmero de resultados favorables que nos interesa es igual

escogerse 9 fotos de las 99 restantes; es d'ecir, Card(A) : CBg'
al total de formas como pueden
El
La probabilidad buscada
es
Pr(A)
4,
CP^
:e';:10.
1
En el Consejo Universitario cada una de las 10 facultades est representada por el decano y
el subdecano. Se nombra una comisin de 10 miembros elegidos aI azar. Determinar Ia probabilidad de que:
de
a) una determinada facultad est representada;

b) todas Ias facultades estn representadas.
Solucin:
)ma
i) la
facultad dada no est representada>>, y

en
calculemos su probabilidad. Hay 20 representantes, 18 de ellos no son de la facultad
cuestin, por Io tanto existe" C18 casos favorables'
EI nmero de comisiones diferentes de 10 miembros que se pueden formar con los 20 miem-
a) Considerando el evento complementario A':
bros es C|$,
entonces
Pr(a")
<<una
r_rlq g
: s,
:;ifr
finalmente,
Pr(A)
s'Y
-1-*:#
x0.7632.
de maneras diferentes en que pueda estar un representante de cada facultad en la

comisin es 210. La probabilidad del evento B: <<todas las facultades estn representadas>>
b) EI nmero
bles.
Pr(B)
#ry
0.00554.
arrojan dos dados. Hallar la probabilidad del evento

salen ms de dos puntos).
Se
{al menos en uno de los dos dados
Solucin: EI espacio muestral puede describirse como

reCen
cl:
rd de
rarti-
{(i,
j)li, j: L,2,...,6},
j
donde el evento elemental (i,j) corresponde a los puntos aparecidos en un dado y los puntos
aparecidos en el otro. Consecuentemente, Card(Q) : 36.
Designemos como 81 el evento consistente en que en el primer dado salen ms de dos puntos y
con B2 el evento anlogo para el segundo dado:
Bt : {U,j)l i-_ 3,4,5,6; i :1,2,-..,6},

Bz : {(i, j)l i -- L2,. . . ,6; i :3,,4, 5,6}
u10
Leden
por lo tanto, card(B1) : card(Bz) :21. Puesto

Card(B1 B) :42 :16. Ahora bien,
Pr(81)
Pr(Bz)
:'! :
36
qrue
?, y
B1l\82: {(i, i)l

Pr(81
i,i :3,4,5,6},
Bz):#:
entonces
Captulo
60
Dc la fr'rnula dc probtrbilidacl para la nrrirr se obtiene:
Pr(A) :
Pr(l]1
Bz): Pr(Br) + PL(82) - Pr(81
2248
: 5-5-9:b
Se recomienda que el
Bz)
lector resuelva este ejercicio rnediante el ernpleo del evento complernentario.
2.5.2. Espacios muestrales infinitos numerables

Sea
f)
{cur,
u)2...run,...} un espacio muestral infinito numerable; entonces, resulta
que
:1,
ie,1i,,,))
i:l
luego, si
es un evento de Q, su probabilidad se calcula por
Pr(A)
: t Pr({a.'}).
u,A
Para el clculo de las probabilidades, generalmente, se utilizan series numricas infinitas.
Ejemplo. Juan y Andrs juegan tenis con la misma habilidad.

hasta que uno de ellos gane 2 sets seguidos. Halle la
par de sets para terminar el juego.
Solucin: Sean los eventos: J:
<<gana el
Deciden jugar una secuencia de sets

probabilidad de que se necesite jugar nmero
set Juan>> y A: <<gana el set Andrs>>.
Segrn el enunciado, el espacio muestral est conformado
rL
1.
2.
3.
4.
5.
El evento B:
Empieza Juan ganando
JJ
JAA
JAJJ
JAJAA
JAJAJJ
por los siguientes eventos elementales:
Empieza Andrs ganando

AA
AJJ
AJAA
AJAJJ
AJA.IAA
*
*
jugar hasta que uno de ellos gane 2 sets consecutivos>> es la unin de los eventos
que estn sealados con una estrella (*) en el espacio muestral.
<<se
Se tiene que
Pr(JJ) +
Pr(AA) :
Pr(JAJJ)+ Pr(AJAA)
Las restantes probabilidades,on
i'
1
=.
8
l,32', l12g'etc'
Entonces, la probabilidad de B est dada por la suma
Pr(B)
:
:
[Pr(JJ) + Pr(AA)] + [Pr(JAJJ) + er(e;eA)]
1111
_
_
_
_l_
_l_
-.t-
2'8'32'128 -
_-!- -.
')2tt-l
_.1_
_l_
+...

La srrlrr cle est selie geornritrir;r es igual a ?, ,r,,r'Io clrrc Pr(B)
33
61
?.
2,5.3. Espacios rnuestrales continuos

Sttpongamos cte sc tienc rtna" figura rltrna f) v <lcntro de ella sc encucrrtr'1 otrr figura A (Figura 2.2).
Sobre Ia figura Q se hr rrrrlCrdo uu pttnto al azar'. Suponiendo <1ue la prolrabilidtrcl clc que el punto
':aiga en A es rropolcional al ilea de Ia figula y no de su forrna o posicid-rn, la prolrabiliclad de quc el
'r-ttlto caiga en la figu'a A cs:
r-ca de A
l'r'(-4)
Area de f)
-.
Figura 2.2: Interpretacin geomtrica de Ia probabilidad.
ItS
)ro
En general, si A es un evento cle un espacio mnestral continuo O, tal que su rnedicla (longitud, ',rotrr*"r.,
,iempo, etc.) existe; entonccs, su probabilidad cs
Pr(A):
\{edida cle ,4
\tledida de O'
Ejemplos
1,
Sobre un plano se trazaron circunferencias concntricas de radios 5 cm y 10 cm, respectivamente.

Halle Ia probabilidad de que un punto marcado aI azar en ia circunferencia mayor caiga tambin
en el anillo forrnado por las dos circunferencias (Figura 2.3).
Figura 2.3:
Sol:ucir: El r'ea del crculo lnayol es
,5: I02rcm2: 100ir<'rrr2.
El rea del anillo comprendido entre las dos circunferencias es igual a la diferencia entre las dos
reas:
7:
(702n
52n) cm2
75tr cnt2; entonces,
Pr(A)
T
75r cttt2
:s:loo;"-t:o'75'
Captulo
62
2.
l) :
{(:r;. !l) I () <:t; I 1; il

v sitP<ttticrttlo c.irrr: io<lrl prulto
Sr:L
2. El Concepto de Proba'bilidad
:l I ii
<l<r
(i,';grui.2"4) ci i:sirir.<:io irirrstliil ,i,:r rrrr fcririrrrcro akrirtolir

(l'itrrr,'l;r risrirr rlolrrrlrilirltlrl ilc sLl 1r".rLtLo clL r;rrerL1a.
Jr
il 4
,,4n8
117
Figura 2.4:
Detclrninar' la probabilidacl de los evcntos:
A: {(r,y)/0 I r < tl2; 0< y < t};

lr) B : {(",y)10 ( r { 1; 0 < y < lla);
.d)
c) An B;
d) A B.
Solttctr:
O: 1 x 1 : 1.
re.r cle A:!
* t: 1. eutrnces pr(.,{) - !12 :!.
22
1:
l,) rcu de B - *
j,,,,rto,,,", Pr(1J) :+ =
i
' 1:
a) rca
cle
.,) r'ea rt: A
:;
" I: j,
"r,tou.",
pr.(A n B)
cl) Por la fr'inula dc la unirr,
Pr(A u a)
2.8"
Fr(,a) + Pr(B)
111ir
2488
- Fr( n IJ)
;i!e::cir:ios
Anlisis cornbinatorio
l"
Culcuie lcis siguierri,cs (ioccitintcs bilorrrilcs Cf,: n)
2.
C.lc.le
Vf
3. Dctcrtrtirc
it) rt,:3
eri
r:1
l<,rs
sigrricrrtcs cr:jos: ,r)
Vl; lr) V!;
Ci; b) C1]; r) Ci:
,r) V3; cl) \.].
tttirnclo tle lrr:ilruiar.:i'rn('s ( lr rilr,,,,l.iiurt' lg

1r)
n :4
c)
rt:5:
4. Dci,clttiilrt cL rrirrrcro <1r: rarr:iils fllrtrarl,Ls
1 r)]r:rrrr:irr r
:(t
'l)'t t
i;r-,i los crlctrretrtos rlc los,
2.6. Ejercicios
a) Carrl(,'l)
b) CaLrt(A)
f,
,).
-.)
I
Car rl(ll)
Clar <l(13)
C:)
,t)
t-).)
- 8, CaLri(lJ) : lj;
Card(.,1) : 1ij. Clald(t: - 5.
CaLcl(,'l)
Cr-rntcls alrcglos se prrerlcu forrnu corr los eleurcntos de los cou.lrurtos cuvr cardinrliclrd sc in<lica:
: 2
Ctrrcl(B) :7;
: 4;
b) Card(A) :5;
a) Card(A)
6.
Carcl(C)
- 5.
:4;
Card(D)
5.
Cnntas palejas con rclposicrn pueden formar-se con conjuntos crtya crlclina.lidad
n:3;
a)
l.
Crrrd(C)
Card(13)
b)
rz:5;
c)rt:T;
es:
d) rr,:8.
Ftxure todas las combinaciones y valiacioncs qlre se pnerlen obtener a parl,ir de los cortjuntos:
a) A: {a,,e,'i,o,z} cn grLlpos de tres elementos;

b) B : {I,2,3,4, 5,6} en grupos de tres elementos.
8.
Para los conjuntos indicaclos forme todas las pa,r'ejas sin reposicin y parejas con reposicin:
^)
b) B: {I,2,3,4,5,6).
A: {a,e,i,o,u};
r;r cortrruc uv.r-iu!ar--- -, .--:. eiirr-'131. ql.- -.-:iir::-,i', , $:rL)iici y [1 silllg:r'ente; debe elegi' un
presidente y r-rn vicepresiderr c. De cuntas maneras se pueclerr elcgrr esr,e par dc fiutcrorrilios
si el presidente debe ser nn ;:iente?
Ul
hospital cuenta con 21 ci r.ijanos (ion ri)s,

.Cunttrs ternas sc pueclen f:rrnar?
,,'-.ies
hay que folrnar ter-uas para relizar guardias.
Un amigo le quiere regalar a tro 3 cliscos y los quiele clegir cntre los 10 que ms Ie gustan.
.Dc
cuntas marreras pucde hace'lo?

')
c,iirs, r'ccolclando quc stas

sorr difclentes, J.as malc al azar-. Halle la probabilic.lad de que se haya marcado las cifras
Al
marc:ar urr nrniero telcfnico lula persona olvid las trcs rltimas
correctts.
De entre 9 empleados se deben selecciorrar a 3 para viajar a 3 Jrlar,'s A, B y C fuera dc la

ciuclad. Cacla empleado ir a una planta. De cuntos modos se puede iracer la seleccin de los
ernpleaclos que via.jarn?
Eu cl ejcrcrcio rntelior considresc qrre los 3 enrpleirclos \an a ir

rnaneras se puede hacer la seleccicin?
l misrna
planta.
.D<:
curintas
Si cn el ejelcicio antcrior, cle los 9 ernplcaclos, 7 son homl>res. Cul es Ia probabilidacl

entrc los tr<ls cscr-lgiclos'/
de
sclecciorra: cxrcta,rnentc r.rrrtr nrr-er

_)
.Currtos nrirneros de 6 cifras pucderr haccrse con los
rr) sin rcstliccin
algrrua'/;
b)
dgitos
sin rcpctil ling;'.url
{I,2,3.4,
cifra?; c)
5, 6}:
maStolcs crc 500000?
Sicte pcrsonrs h1n soiicitado empleo para lleuar dos r.acantcs. De currtos modos se puerclen
llcrrar lts vat:rrrtcs si:
rr) la pr:irncrl i)crlsoul selcccionaclr tecibr,r

b) no hay clifer'<lrrcil cntre las racan1 cs'/
nr:tyor
salario que la s,)grul(ia?;
Captulo 2. EI Concepto de Probabilidad
64
y en el
18.
i',Cttrrtos partidos sc .jucgatt cII ull cirruptxrrrato. crrr cl qrre prrlticipan 20 cqrripos
.iuegan toclos contla to<[os. rul{) crr crsa V otlo <lc visil rlrte?
19.
Etr tttr lestattrarttr: cie cotnicla rtipicla se inclir:a al clicrrtc (lrrc sri harnbrrlgr-resa. a rns del pan 1,
la catne, puede ir cou todo lo siguiente r sin ello: salsr clc tornatc, nrostaza, rnayollesa) lechuga,
cebolla, tomate o queso. .Crt:intos tipos difercnt<,rs <1r: hirrnburguesas son posibles?
20.
La produccin de una rnqnina cronsta de 4 frses. Ilirl' 6 lneas cle montajc pala la primera fase,
3 para la segunda, 5 para l:t telcrerir, y 5 para la irltirrrr. Detelmine de cnntas forrnas distintas
se puede montar Ia mquina en este proceso de produccirr.
21. Eu un plano hay 15 puntos
quc
de los cuales rro hay tles que sean colineales. Cr-riintas rectas
determinan?
22.
Cuntos tringulos determinan los vrtices de un polgono regular de 9 lados?
23.
Una heladera tiene 16 sabores disponibles. De cuntas formas se pueden pedir 6 helados si:
a) no se elije el mismo sabor ms de una vez?;

b) se puede pedir un mismo sabor hasta 6 veces?;
c) un sabor no se puede pedir ms de 5 veces?;
d) la mitad debe ser de fresa?
Un entrenador de frtbol debe seleccionar a 11 jugadores de entre los que haba
24.
conocado
anteriormente para Ia concentracin. Si puede hacer su seleccin de 72376 maneras, .cuntos
jugadores estuvieron preserrtes en Ia concentracin? (Se supone que ningirn .jugador tiene un
puesto fijo de juego.)
25
En un Ienguaje de computacin, un identificador consta de una Ietra o de una letra seguida de

hasta siete smbolos, qrte ptteden ser letras o dgitos. (En este lenguaje son indistinguibles las
letras maysculas y minrscrrlas, hay 26 letras y 10 dgitos.) ',Cuntos identificadores diferentes
se pueden utilizar en el lenguaje de computacin?
26.
En cualquier set de un partido de tenis, el oponente X puede vencer al oponente Y de siete

maneras. (Con el marcador 6 - 6, se juega uu desernpate: tie breaker) El primer tenista que
gane tres sets obtiene la victoria. De cuntas maneras se pueden registrar los resultados si:
a) X gana en cinco
sets?;
b) para ganar el partido

27.
se necesita
jugar como mnimo
tr.es sets?
De cuntos modos se pucden poner 5 anillos diferentes en los dedos de una narlo. omitiendo el
pulgar?
Definicin de probabilidad
28
Sean Q un espacio muestral y A, B y C eventos cualesquiela) exprese las siguientes afirmaciones

conro uniones e intersecciones de A, B y C y de sus conrplementos.
ocurre; c) No ocurre ms que un e\-ento:

b) Por Io menos uno de los eventos A, B, C d) Ocurlert exactanlellte cios eveutos;
ocnrre;
e) Ocrrrren no ms de dos e\-entos.
a) Ninguno
de los eventos
A, B, C
29. Con el empleo de Ia definicin
de probabilidad, dernuestre:
2.6. Ejercicios
a) Pr(0) : o;
b) Pr(AuB) : Pr(A) +Pr(B)
aj
-Pr(Ana);
c) Pr(A u B) < Pr(A) + Pr(B);

cl) Pr(A) : Pr(-4nB) +Pr'(AnB').
30. Se arrojan dos dados, sean A el evento <<la suma de las caras es impar>>, y B el evento <<sale por
Io menos un tres>>. Describa los eventos A a B, Atl B, A l\ 8". Encuentre sus probabilidades
si se supone que los 36 eventos elementales tienel igual probabilidad.
i,
AS
31. Se consideran dos eventos A y B, tales que Pr(A) : 1 r PrlB) : 1.

2
3"
Pr(A'O B) en los siguientes
casos:
a) A y .B son incompatibles; b) A C B;
:32.
Se consideran dos eventos
Determine el valor de
Ay B, con Pr(A) :
c) Pr(A n B)
0.375,
Pr(B)
0.5 y
er(AnB) :0.125.
c) Pr(" ) B");
d) Pr(" n B) y Pr(A.
a) Pr(") y Pr(B");
b) Pr(A u B);
A y B dos eventos tales que Pr(A)
:0.9 y Pr(B) :0.8.
: :1
8
Demuestre
Calcule:
Bc).
quePr(AnB) >
'),).
Sean
0.7.
34.
Un experimento aleatorio consiste en arrojar una moneda y un dado a la vez y observar

resultado. Escriba el espacio muestral del experimento.
el
rdo
tos
,JD
utl
de
las
tes
Una empresa tiene dos tiendas distribuidoras, una en el norte y otra en el sur de la ciudad. De
Ios potenciales clientes, se sabe que el 30% solo compra en la tienda norte, el 50% solo compra
en la tienda sur, el 10 % compra indistintamente en las dos tiendas y el 10 % de los consumidores
no compra en ninguna de las dos. Sean los eventos A: <<el cliente compra en la tienda norte>> y
B: <<el cliente compra en la tienda sur>>. Calcule las probabilidades (e interprtelas):
a) Pr(A);
b) Pr(,A u B);
c) Pr(B");
ete
d) Pr(A n B);
e) Pr(A \ B);
f)
Pr(" B");
g) Pr[(A n B)"];
h) Pr(A u B').
lue
:
36.
En la interseccin de una autopista, los automviles pueden girar a Ia derecha (D) o a la izquierda
(1) Desde un puesto de observacin se registra el sentido de la maniobra de los tres primeros
vehculos.
a)
Cul es el espacio muestral del experimento?;
b)
rel
Sea A el suceso <<a lo ms uno de Ios coches gira a la derecha>>, B: <<todos los vehculos
giran en Ia misma direccin>> y C: <<exactamente uno de los coches gira a la derecha>>.
Qu relacin existe entre Ios sucesos B y C?;
c) Enuncie y halle los elementos de los sucesos B', BUC, A)8, AcaB".
Clculo de probabilidades
.)/.
Un gerente de compras desea hacer pedidos a proveedores diferentes, a los que nombra corno A,
B y C. Todos los proveedores son iguales en lo que respecta a la calidad por lo que escribe cada
letra en un papel, rnezcla los papeles y selecciona a ciegas a uno de ellos. Se har el pedido al
vendedor que salga seleccionado. Calcule las probabilidades de los eventos:
Captulo
66
38
scloc:r:iorr<i
a)
SC
l,)
s(l s<rlc<:r:ioLra
Sttpong:t quo
r.cgLttLc[,r
2. El
Concepto de Probabilidad
itl plovrtr:clor' /l;

ttl 1>r'ovccrlr.rt A c ():
c) cl proverr:clor
cll ttn soLt(:o itr lrrolrirlrilicltcl rlc galiar
rt.'tnio,'s
3^Si 1a
:.
irrolrabilirlrr1
i
r[c
Bur:r1 rl
c1
,,1 rro sc sclc<:cionr
prirner prcrrric-r.,,
nretrros rrrro clc los rlrs
la probabiliclrcl clc garrrl solo rrrro dc los rlos plenrios'/

39
f v
1a,1" girnzrr cl
3
ltlcrnios es ;-l . ;.r:irlcrrlc
Sc enr'rtt 3 oficios a 3 personas diferrentcs. Sin ernbrr'lo, una secretria distr'rcla levrir:lvc los
oficins v sc pttccle consitlelal clttc los lnalr(l rl z1r. Si turr coirrcidencria <rs el hcchri rle rlrrc rrna
persona recil-,a el oficio correcto. cak:ule la probabilidad de que haya:
a) ninguna coincidcricia;
b) exactarrrente rrna coincidencia.
40
4I
La fbrica errsarnbladora ha dcterminado que Ia demanda clel arrto Honda Civic es igual para
cada uno de los colores azul, blanco, verde y rojo. Se haceu tres pedidos sucesivos de autos de
ese rnodelo. Deterrnine la probrrbilidad rle que:
a)
se piclan uno azul, uno blanco
b)
c)
d)
se piclan dos azules;
y uno rojo;
se pida por lo menos rrno vcrde;
exactarnente cios rle los cluc se pidicron tengan el rnisnro color.
Lr-icgo dc las 1>ntel)ls tr)I a ocupar un puesto a los 6 aspir;r.rrtes se lcs clasifica de a<rrrerclo al 1>untaje
obtenido. Los rcsrtltr<los uo le llegtrn al empleador pol lo quc l contlatr a clos aspirantes al
azar'. ,Cul cs ia ltrobabili<lad tle quc haya contratado a los dos aspirantes me,jor crlificados?
,1
r)
43
Un pacltrete cle 6 focos tienc 2 rrnidacles clefectuosas. Si se cscogen 3 focos para su uso, calcrrle
la probabilidad cle qr-re ninguno tenga clef'cctos.
En ttna caja hay 20 fotografas en la cual htry 6 mal tomadas.
,Cul es
la probabilidrd
de
selecciorrar 2 fotografas clefectuosas'/

44.
Entre 100 artculos de ttn lote hay 5 <iefectuosos. Halle Ia probabilidad de que entre 10 altculos
escogidos aI azar, no sc tenga ms cle un artculo defectnoso.
45
Un distribuiclor de electrodomsticos recibe un euvo de 20 pianchas, cie las curles hay 3 defcctuosas. Para conocer si el lote est buerro pmeba 6 aparatos. trl distribuidor aceptari el lote
si cltcttetitra a lo rns ltn aparato dcfec:tnoso cntrc los prolrados. Cul cs lt pl'ollabili<lad cle
rechazar el envo'/
46.
De un ttft-rrir, quc contietre 100 boletos. se extrerr tres bolctos ganadores. ;.Crr1 cs la lrrob:rbiliclad de que gane una persona que conrlrr:
a) 4 boletos?;
lr)
solo un bolcto?
47.
Entt'e 1as 80 t:stacioncs de sen,ir:io qrrc hay ell nnA cindarl, 10 errtrcgan unr ca:i-i'la,l merrol clue
la que el cliente comprr. tlu inspect,or clc la Dircccin de Hiclrocarbrrros r-i..it:r aiertorirmente
cinco de ellas para velificar si la cantidad'n'enrlidr cs correctt. ,CLrl es la p:'',rt,airrliclad rle que
descubra al nenos una fiaudulenta?
48.
En el juego del <<cuarenta>> se reparten 5 cartas, al azar, a cada jugador. a palil'

40 cartas. ,Cul es la probabilidad de que un jugador tenga:
,Le
rrn mazo de
2.7. Independencia y condicionalidad

r)
67
urr as) rur dos, un trr:s, un cuatLo y un c:irrro, clel rnisnio pnlo'/;
l,) 4 cu'tas <lel rnismo pirlo'/;

t:)
rrua
<<rorrcla>>; cs
rlecir', 3 calt.rs rle ia rnisrna clelornillci<in (as, clos, etc.)?
i9
En nrr closet hay 6 pales cle zrpatos. Se escogcn 4 zapatos al azar. Encuentre la probabilidad
de qnc haya pol io rnenos lrn par de zapatos errtre los 4 zapatos escogidos.
50
Err los pases europeos existe una forma muy popular de lotera, llamada Lotto, que consiste en
seleccionar'6 nmeros de una cartilla que contiene 44 nrmeros (del I aI 44). El da del sorteo
se seleccionan 6 bolas al azar y sin reposicin. Una persona gana el premio principal si los
6 nmeros sorteados coinciden con los seleccionados; tambin se puede ganar prernios si 4 o 5
nrmeros sorteados coinciden. Determine la probabilidad de:
rle
OS
na
a) ganar el premio principal;

rra
51.
de
b)
ganar al menos un premio.
Una persona presiona, aI azar, 8 cifras en una calculadora. Cul es la probabilidad de los
eventos siguientes:
a)
,4.: <todas las cifras sean distintas>?;
b) B: <<el producto de las 8 cifras es un nmero par>>?;

c) C: <<las 8 cifras forman un conjunto creciente>?;
d) D: <<la suma de las cifras es igual a 3>>?
aje
i2.
probabilidad de que un punto marcado aI azar en el crculo mayor caiga tambin en el crculo
,al
menor.
.1.J.
=.)
Dentro de un cancha de baloncesto, cuyas dimensiones son 20 m por 12 m, se encuentran dos

charcos que tienen forma de crculos, de 8 y 5 m de dimetro respectivamente. Cul es la
probabilidad de que una pelota lanzada a la cancha caiga dentro de uno de los charcos?
.J+
=1
Dentro de un rectngulo de base 10 cm y altura 6 cm se encuentra un crculo que es tangente

a 3 de los lados. Si se marca un punto al azar dentro del rectngulo, calcule la probabilidad de
que el punto no se encuentre dentro del crculo.
ule
de
Llos
bcote
de
En un crculo de 20 cm de radio se encuentra un crculo menor de radio 10 cm. Halle la
Dentro del rectngulo limitado por las rectas , : -L,, :;,

A : -7, A : l, se tiene el
grfico de la funcin trigonomtrica seno. Sobre el rectngulo cae una gota de tinta. Cul es
la probabilidad de que Ia gota de tinta haya cado dentro del rea comprendida entre el eje r y
la curva A: sel:x? (Observacin: Suponga que el rea, de Ia mancha de tinta es despreciable.)
2.7.
lue
nte
lue
,de
Independencia y condicionalidad
Fn la teora de probabilidad un concepto muy til es el de independencia de eventos, que significa que
-a ocurrencia de uno de los eventos no da informacin sobre si otro evento ocurrir o no; es decir, Ios
-r-entos no influyen uno sobre otro.
Definicin (de independencia) Dos eventos A y B se llaman independientes si la probabilidad

de que ambos ocurran es igual al producto de las probabilidades de los dos eventos individuales.
Es decir,
Pr(A n B) :Pr(A) x Pr(B).
2. El
Captulo
Concepto de Prcbabilidad
Esta dcfinicin se puede extender a cualquier nrmero de eventos.
Observacin.- Si A y B son independientes, se puede dernostrar que sus respectivos complementos

son independientes; es decir, que se cumple:
B'): Pr(A) x Pr(g").

Pr(A n B) : Pr(A') x Pr(B),
Pr(A" n B') : Pr(A') x Pr(g").
Pr(An
No se debe confundir los conceptos de eventos independientes y de mutuarnente incompatibles (disjuntos).
Ejemplos
1.
: [0,1]x [0,1] y dados los eventos: A: {(r,a)10 S r 5ll2;

1I;0
<y <Il ). Probar si A y B son independientes.
r
Sea Q
< y < I}, B
: {(",A)10 <
Figura 2.5:
Soluc'in: Segn la Figura 2.5 se tiene que Pr(A)
Pr(A) x Pr(B)
Por otro lado, antes se calcul que Pr(A n
Como se cumple que Pr(A n
2.
B)
B)
i,
:+"
PrlB)
\/4 :
l.
1
entonces
11
48'
Pr(A) x Pr(B), entonces los eventos A y B son independientes.
En una mquina, para la sealizacin de emergencia se han instalado dos indicadores que funcionan independientemente. La probabilidad de que el indicador funcione durante una avera es
de 0.95 para el primero y 0.9 para el segundo. Hallar la probabilidad de que durante una avera
solo funcione un indicador.
{funciona el primer indicador} y B: {funciona el segr,rndo indicador}.
El evento f, : {funciona solo un indicador} puede expresarse como C : (-{ i B')U (A l\ B).
Calculemos cada una de ellas:
Soluctn: Sean
A:
Pr(AnB") :
Pr(A'n
B) :
Pr(A) xPr(B') :(0.95)(1 -0.9) :0095.

Pr(A') x Pr(B) : (1 - 0.95)(0.9) : 0.045.
2.7. Independencia y condicionalidad

Pcu lo trutto.
Pr(C)
Pr'(,4 a 13")
Pr(4"
13)
:0.095 +
0.045
69
0.14.
Tles bicllogos, irr<lepcnclierrtcrncutc uno clel otlo, nriclielon el c:<rrtcniclo <,1<'l suero c1t tllll tttttestra.
La proba.bilidacl cle <-re cada uno cometr Lln el'ror eu Ir lcctur:r dol apzrlato cs igutrl a 0.1, 0.15 y
0.2, r'r:srectivarrrente. Hallal la probabilidad de que cll ttna s<,rla rneclicitt pol lo meros ttno de:
Ios investigrclores coureta Lrrl erlor.
Soluc,i,n,: Ser el evento
complerrento es A"
{por lo menos uno de los investigaclolcs coniete urr crror},
: {ninguno de los investigadores
el
comete un error}.
Pr(4"), considerando que las medicioltcs son evctttos inclcpendientcs.

Sean p la probabilidad de que el i-simo investigador cometa un error (i: I,2,3),
Caiculrrernos
(dis-
Pr(A') :
Resulta que Pr(A)
/0<
- 1-
0.612
(1
(1
entonces
-pr)(t-pz)(I-pz)
- 0.1)(1 - 0.15)(1 - 0.2) :0.612.
0.388.
n concepto estrechamente relacionado con la independencia es el de condicionalidad de eventos, que

.e lo puede enunciar de la siguiente manera: <<se tiene fijo un cierto evento B, se desea conocer cul
- la probabilidad de que ocltrra un evento A, sabiendo que ocurri B>>.
r-
?or ejemplo, suponga que usted va a almorzar al mismo Iugar todos los viernes y que su almuerzo
- sirve en 15 rninutos (evento A) con probabilidad 0.9. Sin embargo, daclo que usted nota que e1
_rstaurante est excepcionalmente lleno (evento B, fijo), la probabiliciad de clue sirvan su almuerzo en
-5 minutos pnede reducirse a 0.7. sta es la probabilidad condicional de ser servdo en 15 mirr.utos,
rado qne el restartrante est excepcionalmente lleno.
Definicin (de probabilidad condicionada) Consicleremos un espacio tnttestral Q y un evento

3 e Q tal que Pr(B) 10. La probabilidad condicional de que un evento A octtrra, en el supuesto
:,-re B ha ocurlido) se representa por Pr(AlB) (que se lee <<probabilidad de A, dado B>>), se define
Pr(AlB):HF
Ejemplos
-.
En nn estudio sociolgico sobre Ia fidelidad en el matrimonio sc obtu'u,o el siguiente modelo

probabilstico, calificando al hombre y a Ia mujer como fiel (,F) o iufiel (/).
entes.
Mu.jer
e fun-
Hombre
es
avera
lra
r).
a)
n B).
b)
0.22 0.24
0.31 0.23
.Cul es Ia probabilidad condicional de qtte ttrr esposo seir fiel, clirclo qr-re sll esposa es fiel?
(luc srr csposo es infiel'/
'.Cul es Ia probabilidad de ctrr-te ttl)a esposa sea fiel, claclo
Sol'u,cin; Corrvengarnos en la siguiente notcirr de los ercrrtos:
fi.el,
,41F: N{u.ler fiel,
.f1F: Hornbre
111: Hombre iuficl,

11,/1: \4Lr.jer
infiel.
Captulo
70
a) Dcseamos calcular
PI(II I-IAI F)
: f'r(II F.
n{F)
Pr(r1F)
De 1a tabla se obi:ierrcr cllle
),
trL(i1F . AI F)
Pr(n1F)
0.22 + 0.31
:0.53.
Con sto,
Pr(111lrt{F)
b)
0.22
0.53
0.415.
Calculcmos
Pr(A,I FIH
con
Pr(MFnf{f) :0.31
n HI)
i) : Pr(MF
Pr(H/)
y
PI(III):
+ 0.23 :
0.31
0"54.
Entonces,
pr.(,41
2.
FIHI\:
'
g'31
0.54
:0.bT4.
En un taller trabajan 7 hornl)res y 3 mujcles. Se escogen al azar 3 personas. Hallar la probabilidad de que todas las pcrsonas selcccionadas sean hombres.
Solucin: Designemos los siguienfes eventos:

A: el primcr selcccionado
es hombre,
B: el scgundo seleccionado es hombr-e,

C: el tercer selecciorraclo es honiirre.
* La probabiliclad
cle que el
primelo
s<-.r
u La probabiliciad de <+re el seguriclo
hombre es Pr(A)
\/
- :10
sea hombre a ccndicin de qrre el
primelo f.,e hornbre
ES:
__\_r--l
Pr(BlA\:9:?
9 3
u La pI'rbabilidad de que el tercero sea hombre sabir:rrdo
es la probabiiidacl dc C dado A y B:
:'r(C An
tr-ir pr"obabiiidrci buscacla
?, (,{
2.8.
tlc clrrc las i,lcs i)crsonrs
I B. C):
que los dos primeros trnrbin lo son,
: !.
ll),E
escc.rgiclirs sean
PL(,,t) x P: (13lri) x Pr(Cl4
i',
holrlrres
::
B)'1(l,i:
es
I:
Frobabilidad coxmpleta y fnrutula de Bayes
La probabilidrd
f:xclltt'giss B
t,
A, que puccic ocrrriir sclo rl lllrlecel uno rl,:.'. . .1 ,,< r-trLrtuarnerLtr:

82, .. , 8,, (Figura 2.6), talcs (llre sli unirr es el espacio rri,r.:j r.- j ,'1 (lada por
clc:
Pr (A)
Lttt cvonto
I'r(131)Pr(,,t1-ts1)
Iri(82)Fr(Al1l2) + .."+
lt
\n,.r /? ' nr /
1r'.\L.tt_
1'|r
I'r,!,, i - :
(2 3)
2.8. Probabilidad cornpleta y frtnula de Eayes

donde Pr(81)
+ Pr(82) + .. . + Pr(B,,)
77
1.
La igualdad (2.3) se clenornirra la fr'rnttl,a dc la prolttt,bi,lidad com,pleta.
Figura 2.6: Particin del espacio muestral fl.

Supongamos que el evento A puede ocurrir a condicin de que aparezca uno de los eventos
..., Bn. Si A ya ocurri, la probabiiidad (condicional) del evento B es igual a
Pr(B6lA)
Bt,
Bz,
Pr(AnB)
:ffi:g;ffi
Pr(B)Pr(AlB)
i:I
Fsta ieualdad se denomina frmtil,a de Bayes.
?ara
clculo mediante la frmula de Bayes puede resultar conveniente disponer las probabilidades
diaqrama de "'rbol como el siguiente'.
e1
:t rn
A'
A
Ac
A
Pr(81)Pr(Al81)
Pr(81)Pr(A'lB1)
Pr(82)Pr(AlB2)
Pr(82)Pr(A'lB2)
Pr(8,)Pr(AlB")
Pr(8")Pr(A'lB")
rsta dispctsicirr de los datos facilita la rcaiizacin de los clculos ya que

nicamente se debe realizar
-na slrma de los resultados en las ramas de inters
Ejer.:rIos
l. En una oficina hay 6 computadorrs
de marca y 4 ciones. La probabiliclad de que al utilizar una

y 0"8 para las clones. Un empleado utiliza aI azar una computadora, hallar la probabilidad dc que se encienda correctamente.
mc1lrina, sta encienda correctameirte es 0.95 para las de marca
.4oluci,n: Definamos los eventos:

.3)
A: el empleado ul,iliza una mquina de marca,
B: el crnpleado utiliza una mquina cin,

C: la mquina enciende correctarnente.
Captulo
72
Sc ticrrc,
PL(A)
:*:,,0,
Pr(ClA):
Pr(ll)
4
:r0:,,.n.
Pr(ClB):
0.95,
0 8.
Si reprcsentrmos las probabilicladcs crr un ditrglama cle rbol se tiene:

C
PL(A) Pr(ClA)
(0 6)(0.e5)
Pr(B) Pr(ClB)
(0.4)(0.80)
Por la frmula de la probabilidad completa,
Pr(C) : Pr(A)Pr(ClA) + Pr(B) Pr(ClB)

: 0.6 x 0.95 * 0.4 x 0.8 : 0.89.
2.
Dos mquinas envasan gaseosa de manera automtica, resultando que la primera envasa el doble
qrre la segunda. La primera mquina envasa el 60% de las botellas con Ia cantidad exacta y
la segunda el84%. Una botella tomada del transportador result llena con Ia cantidad exacta.
Hallar la probabilidad de que haya sido envasada por:
b) Ia segunda mquina.
a) la primera mquina;
Sohtcin: Designenos por eventos:

A: la botella est llena con la canticlad exacta;
81: Ia botella ha sido envasacla por Ia primera
rnqr-rina;
82: la botella ha sido envasada por la segunda rnquina.
a)
Se tiene
Pr(81)
: j,2I
Pr(82)
: :.
La probabilidad condicional de que la botella contenga la cantidad exacta, si ha sido envasada por Ia primera mquina es
Pr(AlB1) :0.6.
La probabilidad de clue la botella contenga la cantidad exacta, si ha sido envasada por la
segunda mquina,
es
Pr(AlB2):
0.84.
Por tanto, la probabilidad de que la botellr tomada aI azar contenga la cantidd exacta
PL(A) :
es
Pr(81)PL(Al81) +Pr(82)Pt(AlBz)
: 21
5x0.6+j"0.84:0.68.
La probabilidad del evento <<se escogi nna botella con Ia canticlad e\acta llcna<ta por la
plimera mquina>> es igr-ral tr
2
Pr(.ts114):
Pr(Al81) _ =3 X 0.6 _
Pr(A)
0.68
Pr (81)
ri-,
rLl
i;
2.8. Probabilidad cornpleta y frmula de Bayes

1-,)
73
Ltr prcibttbilidtrd del crcnto <se escogi unr botcllr r:on la cantidad exacta llcuada poi'
Iir
segurrcla m<rirrir>> es
Pr(BzlA):
o'84
i
"
- " o.o, -
Pr'(82) Pr(AlI]2)''
'l
17.
Este resultado tarnbin se puede calcular eurpleando cl concepto dc evento cornl lerlentario.
Err trna ciudad, el 25% de los habitantes son ancianos, el 35 % adultos y ei 40 % sorr lios. Se
glipe afecta al5% cle Ios ancianos, al4To de los adultos y al2% de los rrios.
sabe que la
a) Calcular la probabilidad de que un habitante, seleccionado aleatoriamente, tenga gripe.

b) Si un habitante tiene gripe, cul es Ia probabilidad de que ste sea anciano o nio?
Solucin: Designemos los eventos:
A: el habitante es anciano. D: el habitante es adulto.
l/:
oble
tay
el habitante es nio.
G: la persona tiene gripe.
a) Si utilizamos el diagrama de rbol tenemos:

G
cta.
Pr(.4) Pr(GlA)
(0.25)(0.05)
Pr(D) Pr(clD)
(0.35)(0.04)
Pr(N) Pr(GlN)
(0.40)(0.02)
Ahora, basta sumar los resultados parciales en las ramas para obtener el resultado deseado:
Pr(G)
:
:
Pr(A)Pr(GlA) +Pr(D)Pr(clD) +Pr(r/)Pr(clr/)

0.25 x 0.05 + 0.35 x 0.04 + 0.4 x 0.02: 0.0345.
La probabilidad de que un habitante de la ciudad tenga gripe es del3.45r/o.
r Ia
b) Por la frmula de Bayes:
:
Pr(r/lc) :
Pr(,alc)
ta
es
x 0.05 t25
0.0345 345'
_ 0.40 x 0.02 80
0.0345 345
Pr(A)Pr(GlA) _
Pr(G)
Pr(.n)Pr(Gl.nr)
Pr(G)
0.25
Consecuentemente,
or
lr
Pr(,4u/lG)
Pr(AlG) +Pr(.n/lc)
r25
80
345+3*:0'594'
La lrlobabilidad de que si urt habitante tiene gripe, ste sea anciano o rriiro, es clel 59.4%.
74
4
EI 35'/r, clc los ct'clitos clttrt rtt<-ltger rtrr banc<l es parr vivicncla, eI 50%, ltara pr.ochrc:ciu y el r'esto
(r()llsittlllo. R,cstrltrrr lltot()sos r:l 20(X, tk: krs cl'rtlit,cts
l)r1 i
ltrua vivicr,la, el l5%, rlc los clrlitgs
lrillrr >r'orlrrcrcin y t>l 70c,4, r[c Ios cr'ditos I)i,t'a c:orrsurr]o.
a) Dr:tcrrnine la probabilidad
de quc uu crdito elegido al azar', sc pague a tieurpo.
1;) La plobabilidad de que urr crdito c-re ha resnltrdo en rnora) haya siclo otorgaclo para Ia
ploduccin.
Solucin: Designemos los eventos:
vivienda. P: cl crdito es para produccin.

es para consumo. A,[: e] crdito est en mora.
1/: el crdito es para
C: el crdito
a)
Tengamos presente que el evento <<el crdito se paga a tiempo> es el complemento del
evento <el crdito est en mora>; entonces, buscamos Pr(M.).
Por la frmula de la probabilidad total,
Pr(M) :
Pr(MlV) Pr(y) +Pr(MlP)Pr(P) +Pr(MlC)Pr(C)

0.2 x 0.35 + 0.15 x 0.5 * 0.7 x 0.15 :0.25.
:
De manera que Pr(M")
: t - Pr(M) - 1 -
0.25
0.75.
b) Por la frmula de Bayes,
Pr(PlM)
2.9.
1.
Pr(P)Pr(MlP)
Ejercicios
Sean
A y B dos eventos con Pr(A) # 0 V Pr(B)

Pr(A n B)
10.
Pr(B)Pr(,alr)
Demuestre que
Pr(/) Pr(BlA).
2.
DemuestrequesiAyBsoneventosindependientesysiAeBentonces,pr(B)
Se consideran los eventos
.).
Ay B tales que Pr(,4) :
a) Pr(AlB);
b) Pr(BlA);
4.
];
pr(a) :
c) Pr(A"lB);
d) Pr(B"lA);
p.(A aB):i.catcule:
e) Pr(,4'lB"):
f) Pr(8" --l').
Srrponga que un punto es elegido aleatoriamente en el cuadrado
cle que el
Sea
punto est en el tringulo
unitario. Si se conoce que el

r:].
autteslaprobabilidad
- 0,A:I,tr:0y
limitaclo por y:i,,*:IU,*.:
pttntoestenelrectngulolimitado porgl
5.
];
:lopr(A) :0.
l,
Q: {(r,a)/0 <r 1I;0<g < 1} el espacio rnuestral de un fennrerro aleatorio.
Ia probabilidad de los eventos:
a)
"
A:{(",101r <t; 0<a<Ll2};
b) B: El tringulo limitado por las rectas r:0;A:0;
g:I - t:
Calcule
2.9. Ejercicios
c)
.StO
.Son
75
indepcndicntes los cvenlos A v B?
tOS
En el crrachrdo uniclacl ser crrrsi<leran los siguientcs cventos:
rla
z:0, A: L, A:
por r :0, a :0, !,/ :
A: El tringulo lirnitado por
x:
+713.
B:
- r.
E1
tringulo limitado
a) Halle PL(B \ A), Pr(BlA) y Pr(A I B'');

b) Pruebe si A y B son independientes
Un inspector debe seleccionar a un trabajadol cle entre 4 aspirantes numerados del 1 al 4. La
seleccin Ia lleva a cabo mezclando los nmeros y tomando uno aI azar. Sean: A el evento <<se
seleciona al trabajador 1o al 2>>; B, el evento <(se selecciona al trabajador 1o al 3>>; y C, el
evento <<se selecciona el trabajador 1>. Son independientes:
Ay B?;b) Ay C?
del
")
Se lanzan dos dados, cul es la probabilidad de que en los dos dados salga el 3, si se sabe que
la suma es 6?
En una biblioteca hay B libros de literatura de ciencia fi.ccin, 3 de los cuales son de Isaac Asimov.
La bibliotecaria toma al azar 2 libros. Determine la probabilidad de que ambos libros resulten
ser de Isaac Asimov.
10
La Empresa de Correos ha determinado que el 70% de los paquetes enviados al exterior no llegan
a su destino. Dos libros se pueden enviar separadamente o en un solo paquete. Para cada una
de las dos formas de envo postal, encuentre:
a) la probabilidad de que ambos libros lleguen a su destino;

b) la probabilidad de que al menos un libro llegue a su destino.
11.
Suponga que el 5% de todos los hombres y el 0.25 % de todas las rnnjeres sufren daltonismo.
Una persona escogida al azar resulta ser daltnica. Cul es la probabilidad de que esta persona
sea un hombre? (se considera que la cantidad de hombres y mujeres es igual).
t2.
El 35% de los crditos de un banco
1t
1J
En una exhibicin de arte hay 12 pinturas de las cuales 10 son originales. Un visitante selecciona
una pintura al azar y decide comprarla despus de escuchar la opinin de un experto sobre la
autenticidad de la pintura. El experto est en lo correcto en 9 de cada 10 casos, en promedio.
es para vivienda, el 50%o para industrias y el 15 % para

consumo. Resultan morosos eI 20To de los crditos para vivienda, el 15% de los crditos para
industrias y el 70 % de los crditos para consumo. Calcule Ia probabilidad de que se pague un
crdito elegido al azar.
a) Dado
que el experto decide que la pintura es autntica, icul es la probabilidad de que l

no se equivoque?;
Le
b) Si el experto decide
que Ia pintura es una copia, entonces el visitante la devuelve y escoge

otra, cul es Ia probabilidad de que Ia segunda pintura escogida sea original?
el
dad
14.
cule
Hay una epidernia de clera (C). Consideramos como uno de los sntomas la diarrea (D), pero
este sntoma se presenta tambin en personas con intoxicacin (1) , e incluso en algunas que no
tengan nada serio (N). Las probabilidades son:
Pr(DlC): 0.99; Pr(Dl1) : 0.5;
Pr(Dl,n/)
0.004
dela poblacin tiene clera y el 0.5% intoxicacin. Si

persona
una
tiene diarrea calcule la probabilidad de que tenga clera.
Se dan los siguientes porcentajes: el 27o
76
15.
cl vitrts del SIDA eu la sangle cl el cliagnstico correcto coll urra probabiliclrcl rlcl 9ll %. Sogrin clatos mdicos) lrrio clc carla 2 000 habitantes cl<ll pas. en prornr:clio, es
poltaclol rlrtl virtts. Da<lo qrte la pnrebzr fire positivtr I)arr una persorl1) 1',clril es la proira.lriliclacl
cle que cllr, r'elnrcrrte tcnga Ia enfermedrd?
16.
Utra emplesa financiera opera en las tles regiones del pas: Costa, Sierra y Arnazona. El 50 %
de las opeLaciones se realizan en la Costa, el 40 To er Ia Sierra y el resto en la Amazona. Se
ha estimaclo, derlrido a la larga experiencia, el porcentaje de clientes qne no pagan sus deudas en
cada una cle las regioues. Para Ia Costa es del I%o, para la Sierra deI 2To y para la Amazona
del 8 %. Si la empresa tiene 1000 clientes, determine cuntos pagan sus deudas puntualmente.
17.
Una encuesta revela que el 70% de la poblacin tiene estudios secundarios, de los cuales eI 72%c
no tiene trabajo. Del 30 '70 q:ue no tiene estudios secundarios , eI 25 % no tiene traba.jo. Calcule:
Urta pru<tlril
a)
l)tlr rlctct:trt
El tanto por ciento de la poblacin que no tiene trabajo;
b) La probabilidad de que una persona elegida
al
azar tenga estudios secundarios entre las que
no tienen trabajo.
18.
De 200 aspirantes a un cargo se conoce Ia siguiente tabla respecto a experiencia en funciones

similares y la formacin acadmica necesaria
Con formacin Sin formacin
16
24
Con experienc a
Sin experienc a
32
128
Halle las probabilidades de encontrar una persona:
d) sin formacin dado que no tiene experien-
con experiencia y con folmacin;

b) con experrencra;
a)
cia.
c) con experiencia dado que tiene formacin;
19.
En una investigacin sobre el crdito bancario a trabajadores agrcolas se obtu\o el siguiente

modelo, en el que se califica al campesitto como propietario o no propietario del terreno que
cultiva y si mantiene o no mantiene deudas con los bancos.
Deudor
SI
NO
Propietario
SI NO
12
20
28
64
Calcule la probabilidad de quc:
20
a) un campesino
b) un campesino
mantenga deudas con Ia banca;
c) un carnpesino
sea propietario, dado que no es deudor;
d) un campesino
sea deudor, dado que es propietario del terreno.
sea dueo dei terreno que cultiva;
A 100 empleados se les hizo un examen para determinar su destreza mar,'.,:-ernpleados ern hombles. Scsenta de los empleados pasaron el exameli 1., _:
..
C''ralenta clc los

.lcanzaron rurl
2.9. Ejercicios
ro-
77
calificrciu rriayot que cicrto rrivcL Pledetr:r'ruilrdo cle arr'<x,'eclrarnictrtci.

hornll'ers y rnujer-cs fue Ia sigrrielrte:
CS
Lr clrsific-Lcin entre
[cl
Honrlrr.cs (11)
N{u,lcres (,4'1)
'24
36
24
Pasaron (P)
pasarou
(.Ay')
No
)%
r6
Se
ien
Sr-rponga que se selecciona
al azar un eurpleado dc los 100 que hicielon el examen.
lna
a) Calcule la probabilidad de que el empleado

b) Calcule la probabilidad de que el emplead.,
c) Son independientes P y H?;
d) Son independientes P y M?
Lte.
2%
ule:
q.ue
2I.
Laya ptrsado y sea hornbre;

sea hombre dado ctrtrc pas el examen;
Los empleados de la compaa Crrz del Sur se encuentran distribuidos en 3 divisiones: Administracin, Operacin de Planta y Ventas. La siguiente tabla indica el nrmero de empleados en
cada divisin, clasificados por sexo.
Mujeres (M)
ones
Administracin (A)
Operacin (0)
Ventas (V)
Si se elige un empleado
a)
cul
es
Hombres
20
30
60
r40
100
50
(-F1)
al azar,
la probabilidad de que sea mujer?, y de que trabaje en ventas?;

la probabilidad de que sea hombre y trabaje en la divisin de Administracn?;
la probabilidad de que trabaje en la Operacin de Planta si es mujer?;
b) cul es
c) cul es
d) ,cul es la probabilidad de que sea mujer si trabaja en Ia divisin de Ventas?;
e) Son los sucesos V y H independientes? y los sucesos Ay M?
ente
22.
) que
Dada la siguiente tabla que indica el comportamiento respecto del hbito de fumar en un grupo
de 100 estudiantes que fueron averiguados.
Hbito
Sexo
No
fuma Fuma Ex-fumador TOTA
Hombre 16
Mujer 30
TOTAL 46
10
16
26
24
4
28
50
50
100
a) Encuentre las distribuciones de las variables <<sexo>> y <hbito de fumar>>;

b) Encuentre las probabilidades de los eventos: <<la persona fuma>> y <<la persona fuma,
dado
que es mujer>>;
c)
23.
Son independientes los eventos <<ser rnujer>>
<<fumar>>? Por qu?
Del total de socios de un

b, son hornbre, u ? .on profesionales. Adems,
"lt I
soll lro rrofcsiorrtrlcs. S"
a? azal' uu ,r'ri"rntrr'3 a"l .tut-,,
"lig"
la probabilidacl de que sea hornbre y profesional;
de los
a) calcule
lt
b) calcule la probabilidad de qne sea hombre, dado que es profesional;
Lulr
las mu.jeres
*0"
J
'"'
ii-- -I. -
-.
ar
Ciptuto 2. El Concepto de Probabilidad
78
c) Deterrline si sott irrdcpendierttes

24
los evcntos <sel mujcr>>
<<no ser'profesional>>.
Ertttttfbric;a. el 707o clcloscmpleadossonlojanos. Decntrcloslo.jtrnos, cl 50%sonhombrcs,

mientras qr.re de los no lojanos, slo son hombres el 207o.
a) Qu porcentaje de empleados no lojanos son mujeres?;
b) Calcule la probabilidad de que un empleado de Ia oficina sea mujer;

c) Fernando trabaja en dicha
25. En
oficina. Cul
es
la pfobabilidad de que sea lojano?
un pas hay 4 partidos polticos que se dividen la opinin pblica. Se sabe que:
El 35% de la poblacin
adhiere al partido I.
EI SI% adhiere al partido II.
El28% adhiere al partido III.
El6%
adhiere al partido IV.
Entre los adherentes al partido I, un 36 % corresponde a personas con ingresos inferiores a dos
salarios mnimos. Entre los adherentes al partido II, esa proporcin es del 52'/o. Para el partido
III es un 42V0, y para el partido IV es 11%. Si se elige una persona al azar y resulta tener un
ingreso mayor a dos salarios mnimos, calcule la probabilidad que sea adherente al partido I.
26.
La seora Sonia se fue de viaje y encarg a su hijo, Pablo, que riegue el rosal. La probabilidad
de que Pablo olvide regar el rosal durante su ausen"iu
El rosal est en un estado inseguro:

3
", ].
si se riega tiene igual probabilidad de secarse que de no secarse) pero solamente tiene un 0.25 de
probabilidad de no secarse si no se riega. Despus del viaje Sonia encuentra el rosal seco, cul
es Ia probabilidad de que Pablo no lo haya regado?
27.
Se estima que slo un20To de los que compran acciones en Bolsa tienen conocimientos burstiles.
De ellos el 80 % obtienen beneficios. De los que compran acciones sin conocimientos burstiles.
slo un 10% obtienen beneficios. Se desea saber:
a)
El tanto por ciento de los que compran acciones en Bolsa que obtienen beneficios;
b) Si se elige al azar una persona que ha comprado acciones en Bolsa y resulta que ha obtenido
beneficios, cul es la probabilidad de que tenga conocimientos burstiles?
28. En un supermercado
el 70 % de las compras las realizan las mujeres; de las compras realizadas

por estas, el 80 % supera los 20 dlares, mientras que de las compras realizadas por hombres slo
el 30% supera esa cantidad.
a) Elegido un comprobante de compra al azar,
cul es la probabilidad de que supere los
2C
dlares?;
b)
Si se sabe que el comprobante de compra no supera las 20 dlares, cul es la probabilidac

de que Ia compra haya sido hecha por una mu.jer?
29. En una universidad
existen tres facultades: A, B y C. En A hay matriculadas 150 chicas y 5[

y 200 chicos; y en C, 150 chicas y 150 chicos.
chicos; en B, 300 chicas

a) Calcule
la probabilidad de que un estudiante, elegido al azar, sea chico;
b) Si un estudiante elegido al azar resultara ser chico, cul es su facultad ms probable?
-;t
)r-i;!:..r-rnr.-
j\--ii-r5v:--r-.'
i_--:
-:-=-rr--
l-
2.9. Ejercicos
30.
-i-
Etr.e los cinco rrstirantes a un calgo cle geleute, a <los se ios considera excelentes y a los rierns
se les consicler'r bucnos. Para una entrevista se escoge al azal a dos de los cinco. Calcule lr,
probabiiidacl de que se esco.ia:
a) a los dos excelentes;
b) por lo menos a uno de los excelentes;

c) a los dos excelentes dado que se sabe que por lo menos uno de los seleccionados es excelente.
31
A y B para ensear una destreza manual. El ndice de reprobados es

del 20 To para el mtodo A y 10 To para el mtodo B. Sin embargo, el mtodo B es ms caro por
Io que solo se le usa el 30 % del tiempo y el A el otro 70 %. A un trabajador se le adiestra con
uno de los d.os mtodos, pero no puede aprender en forma correcta. Cul es Ia probabilidad de
Se dispone de dos mtodos
que se le haya adiestrado con el mtodo A?

32
dos
ido
un
JJ
dad
uro:
5de
cul
,iles.
:iles,
:l-1
rnido
:adas
En los exmenes de ingreso a una universidad cada candidato es admitido o rechazado de acuerdo
a si l ha aprobado o reprobado la prueba. De los candidatos que realmente son capaces' el 80 %
pasa la prueba; y de Ios que no son capaces, el 25To pasan Ia prueba. Dado que el40% de los
candidatos son realmente capaces, encuentre Ia proporcin de estudiantes capaces que ingresan
a la universidad.
Segn datos de investigaciones genticas se ha establecido que: los padres de ojos claros y los
hijos de ojos claros constituyen el 5To de las personas estudiadas; los padres de ojos claros y loB
hijos de ojos oscuros el 7.9 %o; los padres de ojos oscuros y los hijos de ojos claros el 8.9 %; los
padres de ojos oscuros y los hijos de ojos oscuros eI78.2Vo. Halle la probabilidad de que:
a) el
hijo sea de ojos oscuros, si el padre
b) el
hijo sea de ojos claros, dado que el padre es de ojos claros.
es de ojos oscuros;
Como un acto de buena vecindad Dios y Satans acordaron un intercambio cultural entre el
Cielo y el Infierno. Demonios del Infierno van a vivir en el Cielo, mientras que ngeles del Cielo
van a vivir en el Infierno. Los demonios tienden a no decir la verdad ms frecuentemente que los
ngeles. Los demonios mienten el 80 % de las veces y los ngeles mienten el20% de las veces (en
estos das es difcil encontrar ngeles buenos!). Despus del intercambio, la proporcin entre los
demonios y ngeles en el Cielo es 2:3. Mi amigo Jos muri y fue al Cielo. l encuentra a una
persona en la calle y Ie pregunta donde encontrar un bao para hombres. Desafortunadamente,
Ios demonios y los ngeles no se pueden distinguir por su aspecto fsico. Deseamos determinar:
a) Cul es la probabilidad de que Ia respuesta haya sido una verdad a la pregunta de Jos?
b) Dado que la respuesta fue una mentira, cul es la probabilidad de que haya sido dada por
; slo
un demonio?
os 20
.)=
)'J
ilidad
Una compaa de tarjetas de crdito encuentra que cada mes el 50% de quienes poseen la tarjeta
cubren totalmente sus deudas.
a)
;y50
Si se seleccionan dos usuarios al azar, cul es la probabilidad de que ambos paguen totalmente su deuda ese mes?;
b) Si se selecciona un cliente al azar, cul es la probabilidad de que dicha persona pague

totalmente sus deudas en dos meses consecutivos?
c)
ef
En qu hiptesis se apoy para responder a los dos apartados anteriores? Le parece que
alguna de ellas no es razonable?;
Captulo
80
2. El
Concepto de ProbabIidad
rcgistlos cle la conipaa rnuestr'r quc el 90 % cle los clicutcs

que l)agau t<it.rllneut,e unr cLr<lrrtl nrensual tarnbin lo hacen al mes siguiente v <1uc slcr
eI 70%, clc los cluc l)o l)ag]lr totr.lrnente en llrl rnes cttl-ren totalmente srr dcrrcl al mes
siguierrte. Calculc, cn este cso. la probabilidad pedida en b).
<1) Urr cxarrrerr rnis <1etrllaclo der los
e) Con las hiptesis de d), calcule la probabilidad de que un cliente
seleccionado al azar no
pague totalmente ningr-rna cle las dos cuentas rnensuales consecutivas;
f)
36
Calcule Ia probabilidad de que slo pague una de las dos cuentas.
Basndose en varios estlrdios, una compaa ha clasificado, de acuerdo con Ia posibilidad de

crrcorrtrar petrleo, las formaciones geolgicas en 3 tipos. La compaa pletende perforar tr.n
pozo en un determinado lugar, al que le asignan las probabilidades de 0.35, 0.40 y 0.25 para
los tres tipos de formaciones, respectivamente. De acuerdo con la experiencia, se sabe que el
petrleo se encuentra en Lrn 40% de las formaciones de tipo I, en un 20% de las de tipo II y en
un 30 % de las de tipo III. Si tras perforar el pozo, la compaa descubre a su pesar que all no
haba petrleo, determinar Ia probabilidad de que ese lugar se corresponda con una formacin
del tipo II.
37.
El cardinal de un espacio muestral finito
es
rn.
Los eventos A y B son independientes y cumplen
que:
Pr(A)
+Pr(B):p
Pr(A n
:+
Halle la cardinalidad de A.
38.
Demuestre que si se tienen Bt, Bzr..., B, eventos mutuamente excluyentes, tales que su unin
es el espacio muestral, ertonces se tiene que
fi,:r e'1ana) : t.
Captulo 3
Variables Aleatorias, Esperanza y Varianza
(Jna uariable aleatoria es el alma de una obseruacin
(Jna obseruacin es el nacimiento de una uariable aleatoria
D. G. Watts, (1991)
:-
Ia realizacin del
este captulo introduciremos el concepto de l'ariable aleatoria, que nos facilitar

.-lisis de las principales caractersticas de los experimentos aleatorios y permitir definir las Ieyes de
::,,babilidad que ellos siguen, de manera muy general'
3.1. Variables aleatorias

de una
resultado de una prueba aleatoria no siempre es un nmero; por ejemplo, en el lanzamiento
de los eventos Ie podemos
-:,neda los resultados son <<cara>> y <<escudo>>. Sin embargo, a cada uno
probabilidad.
Ia
que rigen
-.rciar un nmero y sobre ellos aplicar las leyes
del nmero
l.-,nsideremos la definicin clsica de funcin real, donde la cantidad y se llama funcin
: si a tod.o valor z de la variable independiente, le corresponde un valor 3r de la variable dependiente'
j- esta idea la extendemos, se define una funcin donde la variable independiente no sea un nmero
:=l sino que, en nuestro caso, sea un espacio muestral'
Definicin (de variable aleatoria) Se llama variable aleatoria a cualquier funcin definida
':: espacio muestral f) con recorrido en un subconiunto finito o infinito de R.
decir, Ia funcin
X:Q --) R
u F-f
--,nd,e
es
X(r)
un evettto) es Ltna variable aleatoria' Figura (3'1)'

81
en
Captulo
82
3.
Variables Aleatorias, Esperanza
Varianza
Figrira 3.1:
Ya hemos estado trabajando con variables aleatolias sin leferirnos cxplcitarncnte a ellas; por ejernplo,
al arrojar un dado son posibles seis casos. Designando por o ei evento elementl consistente en saiir
puntos, tenemos:
CI
Lavariable aleatoria
{cuf ,u)2,u)Srw4rrr'5rw6}.
X(rn): i identifica al nrmero z de puntos obtenidos al lanzar cl dado, se define
as:
X(rt)
X(rz)
X(rs)
X(rs)
X(rs)
X(ra)
:
:
:
:
:
:
1, corresponde al evento elemental {aparece un punto},

2, corresponde al evento elemental {aparecen dos puntos},
3, corresponde al eveuto elemental {aparecen tres puntos},

4, corresponde al evento elemental {aparecen cuatro puutos},
5, corresponde al evento elemental {aparecen cinco puutos},
6, corresponde al evento elemental {aparecen seis puntos}.
Al
arro,jar una rnoneda tenerlos dos eventos: C: <<sale cara>> o -E: <<sale escudo>>; definimos la variable
aleatoria X, que cuenta el nmero de caras aparecidas en una serie de lanzamientos, de la siguiente
manera:
x(r) :
x(r) :
1,
0,
si
si
<<sale cara>>;
<<sale escudo>>.
La definicin de la variable aleatoria depende del fenmeno a investigar.

Para evitar una escritura engorrosa, a los cu tales que X(cr-,) : se los notar como X : t.
probabilidad
La
Pr({o I X(r) : }) se pondr como Pr(X : ). De manera anloga se escribir
la Pr({c..'/ X(u) e (o,b]}) como Pr(n < X < b). Y as para cualquier intervalo convenierrtemente
Notacin.
defiuido.
Las variables aleatorias se clasificanten d'isc'retas
co'nti,rtuas, de acuerclo a los vlores qne ellas tomen.
3.1.1. Variables aleatorias discretas

Definicin (de variable aleatoria discreta) La variable aleatoria en cLr\ro recorrido el conjrlrrto
de los pr-rntos que tieuen probabilidad estrictarnente positiva es finito o infinito nunrerable se llarna
valiable aleatoria discreta.
Si el recorrido de la variable aleatoria
es el conjunto de nmeros
Pr{X:z}>0.
{rr,rr,....x,....}, ." tiene que
3.7. Variables
\rkrtniis, ti p,, : Pr'(X
x:). cs
lir ytt'tillzrlrilirlrrl
'PI
aleatorias
<lc tlrtc
+'P)+ "'
-1-
1),,
tonrc
l "' -
83
<rl
vtlol
ru, sc ctuttplc <ue
1.
rn ottas palablas, X
os disc:r'cta si rrna unirlarl rkr urlsr clc plobabiliclrd csti <listribrricla sobre el e.ie
-=al, cc'rrLcerrtrnclose rrril rnrsr I)ositi\'1 err cacla prrut,o <le c:ielto c:on.jrrnto finito o infinito nrrrnerable y
.:- los restaltes purrtos uo l)ry
lnasr.
-,-r'iables
aleatorias discretas sorr usualmente (pelo no rrecesariamente) conteos de ciertos elementos'

- -,r ejemplo, el nirmero de hi.jos de una familia, el rniulcro de ventas realizadas por Lrn almacn, etc.
la vez qlre se ha determinado las probabilidades isociadas a cada uno de los rralores de nna variable
-:atoria discreta, es ritil ponerlas en forma dc una distribu.ci,n de probabilidad, que es una tabla con
-
:,,ios sus posibles valores y sus correspondientes probabilidades, como la siguiente:

1
Pt
PZ
P,,
: r)
Pr(X
Ejemplos
Consideremos la prueba consistente en arrojar tres monedas. Tenemos
qr.re
: {{ccc}, {cc E}, {c E E}, {E E E}}.
Si X es la variable aleatoria que cuenta el nirmero de escudos resultantes,

valores 0, 7, 2 y 3. De rnanera que
Po :
Pr(X
:0) : PL({CCC}):
Pt : Pr(X:
Pz : Pr(X :
Ps
Se tiene que su ley de
Pr(X
probabilidad
puede tomar los
8'
t
J
1)
: PL({CCE}):
2)
Pr({C EE})
3)
Pr(iE EEI)
-:.
g'
8'
1
es
Pr(X : r)
y se cumple que
1/8
318
318
r18
1331
Po*h-lPz+Pt : B + d + S + g :
Consideremos la sigrriettte plueba: se dispara corr nna pistola a un blanco situado a cierta distancia. Nos interesa analizal los eventos uJ: <<rlmero de balas empleadas por un tirador hasta
(lne se da en el lrlarrco por prirnelavez>,.
Definimos la variable aleatoria
EI
corrj
X:
<<nrnero de balas gastadas>>:
nnto de posibles valores que puede tcmar Ia variable aleatoria es { 1, 2,3,
. . .}
Este es un conjunto infinito numerable, pues no se conoce un mximo para el nmero de balas
empleadas que pudiera ser extremadamente grande para una persona con muy mala puntera-;
es decir, X es una variable aleatoria discreta definida sobre un conjunto infinito numerable.
Ms adelante se demostrar que tambin se cumple que
i p: I
i:r
col
p: Pr{X :
}.
Captulo
84
3.
Definicin (de funcin de distribucin)

-F tal que
V
e R,
Sea
Varianza
una variable aleatoria discreta, la funcin leal
F(t): Pr(X
<
se denomina funcin de distribucin de Ia variable aleatoria
X.
Propiedades
1.
La funcin
2. F() :
F es creciente,
Pr(x S t)
con
,fT.".F()
0V
,ffL,P(t)
1.
Prp
3. Pr(a< X<b):F(b) -f.(o).

4. Pr(o ( X <b): F'(b) - F(") *Pr(X:
a)'
Observacin. La probabilidad Pr(X: a) se calcula mediante Pr(X: a): F(a) - F(o_), donde
F("-) es el lmite, por la izquierda, de la funcin de distribucin en el punto a. Este concepto tiene
importancia para el clculo de las probabilidades en los puntos donde ,F tiene saltos.
Ejemplos
1.
Continuando con el ejemplo del lanzamiento de tres monedas, se tiene que

1
F(0) : Po: ,-,
F(1)
: po+pr:j*::;,
:;,
F(2) : potpttpz:*.:*:
F(3)
: po:-pt-rpz+o.::*3*3** :t
Con esto, Ia funcin de distribucin
F(t)
es
0, si <0;
Il8, si 0(<1;
Il2, si L<t<2;
718, si
1,
2(<3;
si 23.
Los grficos de las funciones de probabilidad y de distribucin se dan en la Figura 3.2:

F(t)
0.4
0.3
0.75
0.2
0.
0.1
H
H
o
Figura 3.2:
3.1. Valial-ies aleatorias
8r
Elr rrrLr lltrr<:l-,ir rkt c:tli<lr<l rk. ttrr ltLorltt, l,r sl tillrr'(lllr'{'n tLrt [o1<: tlt l') Piczas lrn'!i ].,1[tttttt.
t .1 rlcf<r<:tlrosrs. L)rr cl rkrP;uliunollt() rlc <:rrrtlol tlt' r:irlir[rrI st: lrrrrt turt nrttcsl tl tlc ]] lriczits
Clorrstlrril lr lct'rkr lr r'rriirlrlc alcrtoLir <<Lrirrrr:Lo rl<r lrir:z;ts lrlrcLr,lsr,.
La r'ilialrlr: a,lcrtolia
Sol,tLr:irin,:
crL crLcstirilr prr<rrlc
torrrar'krs r'rlolr.s 0. 1.2 \,J: rIctr:nnirolnos
srrs prol)rl )ilir [<ics.
El
llrill<:r'<.1
r[c srrbc:onjrrrrtos
cl<l
3 c]crnerrtos rilrtcrrilrlcs rlc rrrr c;ou,jrtrtto <[c 12 clrlurcrrtos cs C:fr.
que es Card(O).
r
.
X:0, cutolrccs toclrs las Piczas sou dcfcctuosas, lriv C[ lorrnirs clc <:scogctlirs.
Si ,Y : 1, crrtorrc:es 1 es lrucrrr y 2 sorr clefcctrrosrs. c\istcu Cl f.rlrn,rs cle csc:ogt:t l:rs Piclzirs
buenls v Cl de cscoger las clefectnosas) crrton(ies lrv CC; forurts clc: cornlrilrrr lrs lrttettrs
Si
y las
Si
defectuosas.
X : 2,ltay C!
conjuntos de las piezas buenrs
y C] dc dcfcctuosas)
prr'-r,
rrn total
cle
Cl|6C| formas cle combinarlas.
Si
X:
3, hay
C!
cornbinaciones de piezas bueuas.
Entclnces,
Pr(X:
Pr(X:
O)
: g: *,
: 1) : 9A9?
::.
ciz 55'
Pr(r
\:W:#,
Pr(X:t):#:#
Lo qrre se lesune etr slr clistlibucirirt cle probabilicl;rcl:
A; loll
l2l3
Para clefinir urrr variablc alertoriir no cs nccesario cxhil.il urr fcrtcirrrcrto rleat<lrio pat'ticttltrr',
es suficiente clar ulla funcin cle probabilictad o cle clistlibucicln rre cr-rrnpla las plopic<lrclcs
enunciadrs.
3.
La funciu cle distribucin de una
"'ariable
aleatorir
se clefine rnoclirute:
si l,<-3;
si -3<<0;
si 0(t<2;
si >2,
Coustruil Ia tal-la de clistribucin de probabilidacl clc )'.

Sol'ucit: De acuerdo a la definicin de la ftrnciu cle clistribucirr roclenlos \'ol cluc
aleatoria tornr los valoles -3,0 y 2.
/(-3) :
De rnttcrr <te lrr
:
(2) :
Pr:(Y: -3)
: F(-3) - F(--) :
,i(0)
Pr(Y:0) :r(0)
.f
Pr.()',
trbl-L
: 2) :
F(2)
-,, :;,
-F.(0-):;- j:j,
- F(2-) :
1 j: j
clc clistliltrci<in cle rt'olrtrl riliclacl cs
l-rlo
l2
Pr()':trlIl2 lll4lIl4
lr r-rrirblc
Captulo
86
4.
Unr variable rleatoria
3.
Varianza
est dcfinida medirnte lir siguierrte lcy de plobabilidacl
Jr
a)
l rlzl | qI
Determinar F(r).
f(r)y F(r).
Hallar: Pr(X:1), Pr(X < 1), Pr(X < 1), Pr(1 < X < 2), Pr(1 < X < 2), Pr(1 < X <2).
b) Graficar
c)
Soluci,n:
a) Evidentemente,
oSi11r12,
o Si2(r(3,
Si3{r14,
Si41r15,
o Sir)5,
f'(r) :0pararlI,ahora
F(r):
F(r) :
pr : 0.3.
pt -f pz:
0.5.
F(r):pL+p2*ps:0.6.
F(r) : h I p2* ps + p+ :
F(r) : h I p2 * ps + p+ I
0.75.
ps
I.
Es decir,
F(r):
b) Los grficos
0, sir<1;
0.3, si 1( r 12;
0.5, si2(r13;
0.6, si3<r14;
0.75, si4(r{5;
1, sir)5.
son:
Pr
F
0.
0.
0.1
0.1
Figura 3.3:
c)
Se tiene:
Pr(X: f) :
Pr(X < 1) :
Pr(x < 1) :
<X<2):
Pr(1 < X<2) :
Pr(1 < X <2) :
Pr(l
.P(1) :
F(1) F(2) F'(1)
F(1-)
0.3
- 0:
0.3,
6.3,
Pr(X : 1) :
'(1) : 0.5 -
F(2) -F(1) +Pr(X

F(2) - F(1) - Pr(X
0.3
0.3
:
:
- 0.3 :
0,
:0.2,
- 0.3 + 0.3 :
2) :0.2 - 0.2 : 0.
1)
0.
0.5,
3.7. Variables aleatonas
87
3,1.2. Variables aleatorias continuas

Definicin (de variable aleatoria continua) La variable aleatoria ouyo recorrido
inito o infinito de R se llama variable aleatoria corrtinua.
Tambin, se dice que Lrna variable aleatoria
es continua si para todo valor real
Pr(X:
es
un intervalo
se tiene que
:0.
z)
variables continuas representan mediciones; por ejemplo, la estatura de una persona,

-l tiempo que se demora un programa en buscar un registro en una base de datos, la cantidad de
:ngre que tiene un animal.
- sualmente, las
Definicin (de funcin de distribucin)

F tal que
V R,
=e
Sea
una variable aleatoria continua, Ia funcin real
F(t): Pr(X < )
denomina funcin de distribucin de la variable aleatoria X.
Fropiedades
l.
es creciente,
Pr(a< X
con
Im F() :
.
/+-oo
0y
. lm
- l-*m
F(t) :
<b):Pr(<X <b) :Pr( < X < b) :Pt(a <X
Definicin (de funcin de densidad) La funcin

-'t
es
una funcin real
)
") f (r)
b)
< b) :f'(b)
F(").
de densidad de una variable aleatoria continua
que cumple:
0 Para cualquier valor z.
/A f@)dr:r.
c) Para cualquier intervalo A: lo,b], se tiene

Pr(A)
-,
1.
que
:Pr(<X<b) :
.l.o
-amos cmo estrr relacionadas las funciones de distribucin
Teorema. Si F y
f {')
o'
y de densidad. (Ver Figura
3.4)
son las funciones de distribucin y de densidad de la variable aleatoria

:.spectivamente, ellas estn ligadas mediante las igualdades
F(r):
l"*r@ot y
(*):
F'(r).
Capt,tttra
88
3.
VaranJes Aleadorias, Espet'anza
I \-ariattza
{t}
Figura 3.4: Relicin cntr-c las firncion<:s clc clclsidaci y
c1e
clistrilruc:irr.
Tengamos presente qtte para el clculo de plobabilidrdes se emplea la siguiente equivalencia:

b
Pr(a<X<q: I I(r)dr:F(b) -F(").

En las valiables aleatorias continuas es suficiente indicar la funcin de densidad o Ia funcin de distribucin para que la variable aleatoria qr-rede completamente definida.
Ejemplos
1.
Unr variable aleatoria
est defirriclr mediante Ia funcin de distribucin

plrir
3
jt
z < -1;
parr
-1(r(;i
1t
uara .r: ) -.
'
-3
Hallrr la probabilidaci cle clue la varialle aleatoria

Solrc'in: La probabilidad de que
torne un valor en el
tome un valol en (a,b) es Pr(a <
interva
t'
1\
('' j/
X <b): F(b) - F(").
Sia:0.b:1obt"r,"rnu,
"'(0.".1)
fiurcin de densidacl de una valirble aleatoria est clada por /(z) : (\.e-s:L cn el intern,alc
0 fitera cle cste itttetvalo. Hallar' el vrlor de la constante cv para que /(z) asclefilriclr scl unA funcin <le densidld.
Lr
(0,-) v f @):
Sol.rt,ci,n: Primero verifi<lrremr)s clue
./(r) > 0.
En (-oo,0l no Lay plobleml Pucs
/(r) :
0.
3.7. Variables
aleatorias
En (0, oo) se debe tener f (") >- 0, es decir (\e-3*

se dobe tener que a ) 0.
Ahora, verifiquemo. or,"

'
/'* f (r)ctr:
.l-o."'
1, o
) 0. Pero Vr (0, rc), e t"
>
"". .lo/'- .,e-3*d.r: l.
La integral
,lo*
o" -3"d,
/.
.lo "_J*d.r: lj"

L3
-o.
:T.
3 [o-lJ
l'*
.,
a.
Consecuentemente,
: tt entonces a :
3.
Dada la funcin de densidad de la variable aleatoria continua X:
( o, sic(o;
f(*): { cosr, si0(r<rf2;
I o, sir>rf2.
r dis-
a) Hallar la funcin de distribucin F'(r).
b) Determinar: pr
(t = *. ;), e, (x ,;),"'(;
<x <
#)
Solucin:
a) Utilizando la frmula F(z)

o Si r < 0, "f(r)
:0,
.l:*JQ)
de manera
d,t:
que
rr
F(r): l_*Odt:0.
o Si 0 1r 1r12, f (x):
cosr,
ento
F(r)
: Io Oat+ |fE costdt:senr.

J-a
Jo
'(n).
ces
o Si r > 7r/2, f (r) :0.,

n/2
F(r):
l_*t+ Io"/'costd,t*
La funcin de distribucin
I_,,
0d: senr
es:
( o, sir(o;
F(r):l ';" ', si o < '<X,
I r, six>[.
erval<
(r)
b) Para calcular las probabilidades emplearemos Ia funcin de distribucin.

r Pr(a < X <b) :F(b) - F("). Si : I y U:[,
6"
as
"'(=".)
-"()
"()
:
*" () : rfr1
2 -5
'"" () -
0.36603.
1.
0; entouces,
Captulo
90
o Pr(X
n)
3.
: 1- Pr(X .
o)
: 1- F(a).
,4Si o: 1'
"("'i) :
'-'(;)
1-sen/1):
r-Jt2
\ 4/
_
e Pr(a < X < b) : F'(b) - F(o), con :
t.(;/ r s*<;)
112\
0.29289.
vb-_.
3"
17tr
t2
:'(#) -.(;)
:1-sen(;)
:
4.
Varianza
:t-+
0.13397.
La funcin de densidad de una variable aleatoria ? est dada por f (t)

fuera de este intervalo. Hallar las probabilidades:
: t-f,
"n(1,2)
y /()
c) Pr(? t 1.);
d) Pr(1.4<7<3).
a) Pr(0<?<1.8);
b) Pr(1.2<T<1.5);
Solucin: Para el clculo de las probabilidades utilizaremos la funcin de densidad.
a) Pr(0<?<1.8):
Pr(O<7<1.8)
: l" Iudt:,loftot*.1, f(t)

: lo' * .1," (, - ;) dt: t iQ' rl
"I.8
11 8
dt
oo,
ql,',"
: j lltt al' - 1.8) - o) : o.zz.
b) Pr(1.2<?<1.5):
: l'
r 1.5
Pr(1.2<?<1.5)
f{ua'
: l,',' (' -;) " : LQ'-',1,;
: ] lltr sl' - 1 b) - ((1.2)' - t.z))
c) Pr(T >
0.255.
1.5):
Pr(? > 1.5)
: 1-Pr(?<1b) -1- ([:_odt+

,,)
[," (t-;)
r,-;U'-t)
] frrr ul'- r.s) - (1'- 1)]
l,':
t-f,O.rrl:o62b
3.2. Distribuciones de funciotres de variables aleatorias

,t)
Pr(r.4<7<3):
PL(1.4
r.1
3) :
<I <
I fUl,tL: .lIt. J()rt

.l t.
),Lt
_ t)',n+o
[,'^('-;)"* 1,'o
1..
..
ilt'-2)-({r+)2-
5.
91
Hallar la funcin de densidad
/(r)
72.
de una variable aleatoria cuya funcin de distribucin
es
'17
4'
Soluctn: Utilicemos la relacin f (")
):0
: F'(").
: 0, entonces /(r) : F'(r) : 0.

Si 0 1r 1I, ,@): sen 2r, entonces f (r): F'(r):2cos2r.
+
.
.
Si
Si
r ,\,4' 16:1,
< 0, F(r)
entonces
/(r) : F'(r):0.
Es decir,
6.
(r): { zcoszr' si 0 < 'lTn,

caso contrario.
|. 0,
La vida til de un elemento electrnico est dada por la funcin de densidad
( !"-,,r,
(t):
f
\ 0,
|.
'2
si > o;
en Io dems;
donde es el tiempo (en horas). Calcular la probabilidad de que un elemento dure ms de tres
horas, dado que ya ha estado en uso mis de dos horas.
Solucin: Nos interesa Pr(? >
3lf > 2), que segn
tiene:
Pr(?>3lT>rl
Ia frmula de la probabilidad condicional
:#fi;
porque Ia interseccin de los eventos (7 > 3) y (T > 2) es el evento
Pr(? > s) _
Pr(I > 2) -
3.2. Distribuciones
l'* |
se
(" > 3).
Entonces,
-rtz
./r rt
:- "-t1," _ e-rlz:
r'
[* !"-*
.lz 2
0.606.
de funciones de variables aleatorias
Sea g una funcin real cuyo dominio contiene

-l-na nueva variable aleatoria Y mediante
el recorrido de la variable aleatoria
y:
g(X),
X,
podemos definir
92
Captulo
3.
lo que quiere decir que, si la variable aleatoria
Varianza
est definida segn
X:O ---r ACR

u r-+ X(r)
y9por
gtB ------+ R conAe

r r---' g(r)
la variable aleatoria Y se define por
------+
ul-----'
Si conocemos la ley de distribucin
Si
Y(u): s6@)).
de X, vamos a determinar la ley de distribucin Fy de Y.
es variable aleatoria discreta,
Pr(I/: A):Pr(X :
donde
A:
n),
g(r).
Si X es una variable aleatoria continua. Supongamos que g es una funcin continua y estrictamente creciente en todo el eje real; entonces, existe la funcin inversa de g que la llamaremos l.
sta tambin es continua y estrictamente creciente, por lo que
A: g@)
si, y solo
si r:
h(A).
Examinemos la definicin de Fy:
Fv(t):
Pr(Y <
Pr(e(X)
t).
Aplicando la funcin inversa a los dos miembros de la desigualdad del argumento de la ltima
expresin se obtiene
Pr(e(X)
() :Pr(X<h()) : Fx(h(t)).
Luego, se tiene la siguiente equivalencia entre las funciones de distribucin de
Fv(t):
X y de Y:
k(h()).
Si las funciones F y h son derivables, se pueden derivar ambos miembros de la igualdad anterior,
empleando la regla de Ia cadena:
Fi@
Fk(h(t)) .h'(t).
Ello nos conduce a la siguiente relacin entre las funciones de densidad:
fv(t)
f x(h(t))
. h'
(t).
Observacin. Si la funcin g no es montona en el intervalo de los posibles valores de X,

hay que dividir este intervalo en subintervalos tales que g sea montona v aplicar el resultado
anterior.
3.2. Distribuciones de funciones dc valiables
aleaorias
9:]
Ejernrlos
1.
Da<[a ll [rrrrc:it <lc <listlilrrr<:in

<lc rkrusiclir<l d<l \" : u,X * b,
r'
clc lr varitll]cr rlcrtolit
pala: a)
rr,
-\.
hallrl
l.rs ftttt<:i<.trcs rl<r
rlisl tilrrrt iritr
) 0; lr) tr, < 0.
Soht.r:i.titt:
a)
Sca
\" : aX *b, o > 0.
Tenenros:
Fv'()
: Pr(Yl) :Pr(aX+b<)
: n'(" =+):r"(?)
Aclerns,
g(t)
: at t b,
h(L)
: +,
h'1t
: !,
Tambin,
!t.(t):;r"(?)
b) Si y : aX *b, con a ( 0, resulta que g() : at*
decreciente; sin embargo, podemos hallar Ia
definicin:
b, que es continua, pero estrictamente

ftrncin de distribucin de Y rnediante su
Fy(t) : Pr(Y<) :Pr(X+b<t)
: p,(x>-)-1-p,(x.4)
a)
a)
\
\
(
: r - Fx"\ fL!)
a / +p, \ x: '-')
e' /
a-
h.
La funcin de densidad
es
ft.o): F,(: -!,r*

Corrsidere la variable aleatoria
Solu,cir: Aqu,
9(r) :
: X2. Hallar
12, funcin que no
Si < 0, el evento
Fl,() :0.
<<X2
>>
su funcin de distribrrcin.
es stt'ictamente creciete. Por clefinicin tenemos:
Fv(t): Pr(Y (
.
(")
es vaco;
Vr(Xz < t).
por tanto, Pr(X2
<
0, lo que implica que
r Si20,
: -r/t).
Si F.v es coutiuua
SC
<0;
>0.
Si lr.v <s rl<lrivable
er
rlcusiclad:
<0;
>0.
94
3.
Captulo
3.
Detelntinar la ley de distribucin de la variablc aleatoria Y
I -s
I -21 o |
Varianza
X2, si X est definidr ruerliarrte:

2
Sol'ucin: Como Ia variable aleatoria es discreta, basta aplicar la relacin Pr(Y

ri), a cada uno de Ios valores que toma Y : X2. Entonces, tenemos que
A)
: Pr(X :
v2 l(-)rl(-z)rlo, lz,
Es decir,
Y
Como el valor Y
4.
lglq
lol+
4 se repite 2 veces, unificamos sus probabilidades y la tabla queda as:
Hallar la funcin de distribucin de la variable aleatoria Y
( 0,
k():{
si
e-X, si X est definida mediante
<-1;
-1<<1;
+,sisi>1.
( t,
Solucin:
Se tienen las siguientes igualdades:
Fv(t) :
Pr(Y < ) : Pr ("-* < t)

Pr(X > -ln) - 1- Pr(X < -ln)
:
: 1-f(-ln).
Por otro lado,
si -lnt<-I;
si - 1< -ln <
si -lnt>L.
si>e;
si e-l 1t 1 e:
0,
F(-
ln)
:{
:t
-ln*1
1,
2'
0,
-ln*1
2'
1;
si < e-1.
1,
Por tanto,
1,
Fv(t)
- 1- Fx? ln) :
si>e:
+ ln
0,
sie-'1t1e:
si<e-1.
3.3. Ejercicios
3.3.
1.
95
Ejercicios
Irrclique si las siguierrtes variables aleatolias son discretas o corrtiuuas
y su rarrgo cle <lefinicin:
a) El nrrnero de bytes defectuosos en el disco duro de una computadora de 100

b) La distancia de lanzamiento de Ia jabalina por un atleta;
c) EI nirmero de goles que anota un equipo de fiitbol en Lln partido;
d) La cantidad de dinero, en dlares, ganada (o perdida) por un apostador;
e) trl tiempo de nso diario de una computadora;
f)
Gb;
El tiempo de espera del autobs en una parada;
g) El nrmero de aos que sobrevive una persona a la muerte de su cnyuge;

h) La variacin en el tiempo de sueo de una persona sometida a un tratamiento.
2
,l
4.
Indique al menos tres variables aleatorias discretas y tres variables aleatorias continuas. Especifique su rango de definicin.
Se arroja un dado y se designan por : {el nmero de los puntos aparecidos es par} y por
6 : {el nmero de los puntos aparecidos se divide por 3}. Para los dos eventos, halle Ia Iey de
distribucin y grafquelas.
Determine Ia funcin de distribucin de la variable aleatoria

se presenta en la tabla.
-2
rl4
que est definida por la ley que
rt
213 rlL2
Un escritor ha lanzado al mercado una nueva novela. La probabilidad de que Ia novela sea muy
exitosa es 0.6, de que sea medianamente exitosa es 0.3 y de que sea un fracaso es 0.1. Los beneficios esperados son: si la novela es muy exitosa, 100 mil dlares; si la novela es moderadamente
existosa, 50 mil dlares; y, si es un fracaso, 10 mil dlares. Forme la ley de distribucin de los
beneficios esperados por el escritor.
Una agencia automotriz recibe un embarque de 20 automviles nuevos; entre stos, 2 tienen defectos. La agencia debe seleccionar, aleatoriamente, 3 automviles de entre los 20 para venderlos.
Forme la ley de distribucin de la variable aleatoria <<nmero de carros defectuosos entre los
escogidos>>.
IJn apuesto prncipe visita a un rey que tiene cuatro hijas casaderas, con la intencin de integrarse
en la familia. Las probabilidades que tiene el prncipe de ser aceptado por cada una de las
princesas son 0.6, 0.8, 0.2 y 0.4. El prncipe pide la mano de cada una de ellas de forma
consecutiva y se casa con la primera que acepte. Sea X la variable aleatoria definida como
X:i si se casa con Ia i-sima hija (i - 1,.. .,4) y X:0 si todas le rechazan. Calcule la ley
de probabilidad de X y su funcin de distribucin.
8
Una chapa para puertas consta de tres piezas mecnicas. Suponga que las probabilidades de que
Ia primera, la segunda y la tercera piezas cumplan con las especificaciones son 0.95, 0.98 y 0.99,
respectivamente. Determine la distribucin de probabilidad del nmero de piezas que cumplen
las especificaciones en una chapa.
9.
Sea
una variable aleatoria discreta cuya funcin de probabilidad
a) Encuentre el valor de & para

b) CalculePr(l < X34).
que la funcin
p(r)
es
p(r) :
#,r
:1,2,3,4,5.
sea la funcin de probabilidad de
X;
C)a>tulo
l(.
3. Varitltl:s Aleatorias, Esperattza y Varianza
l,r lr:.'i,irr ,lr'rrol,irlrilirl:r<1 ./'cl<: rulr r'uiirllc
'1. lirr cl[r,
ir nlr cictlcl \'tlot' (lc
: 4,":. /(l) :'k:-
rrttlt srh'o cn lr.rs lrtttrtos
<:s
1011. .[(2)
/.:0. f
.i'
: 4r:- I.
r'.
;r) l)t,t<:rrrrire c.l valot ,lc c:

lr) (':rk'rrlo: PL(X < l). Pr(-X < 2). t'r'((l < .{ <
il.
-f
l()nrr lr)s vitl()los:
.l'(0)
l)iu
rl<rtlotir
t':r,r r''u'ialllc r,leatoli:r -Y se dicc
Pr'(x
<ur: sigrr<: lrr
: ft) :
.,*,0
3).
lcy cle B<rnfot'cl si se cttrnple qtte
(t
. i) , k: r,2,...,s.
a) \'irrifirue que es rtrra firncirr rle rt'oba,bilidad;

b) Calcrrle la probalriliclrd ctc obtcner utitnero impares;
c) Grati<rrc la funcirr de rrobabilidad.
t'2.
Urra r'rinble leatoria
)'se dcfine
I'r(Y
rt)
lr)
: A) : ;\-
i,
fijo c (a > 1) cualquiera mediante
: a*r,a*2,...
\'i.r'ifitrre que cs utut funciu de probabilidad;

l)crrrucstl'e cluc
r:) Fije ur valor

1:l
l)lra un errtero positivo
Pr()' >
tr)
!* pat'tr
>ara <'l rtrr-rnctrrr
Iirr,r r''rti,tlll<,aktrtorir clit't'cta
A;
e, (L* 1, ...i
!'gl'aficlue la fuucin de probabilidacl.
csti clefinida segittt
Pr(.f : A;):p(l -p)r',
A;
:0.
la ley
1,2,..
.y p (0, 1).
\i,r ilirrre clue es ulll funcin clc probalrilidir<t:

lr) l)r:rcrrrrine la ftrncin de distribttcitr;
r') (';rk'ttlc: Pr(X > 2), Pr(X > ). Pr(.f, < 3).
rr
11.
l)rr<ls ls funciones de derrsidad

t:st r':rr
errcuerrtre el valor de la constante c de
lien definidas.
a) /(c)
b) ./(r)
: ;," - t,' ::::.ffii,,

{
- 1- cll- rl.
,:) /(t ) =
15.
/,
{iZ;:,
:i
si 0 (
r(
2;
;: l]
Dncla la fttttciu de distlillrrt:ititr rk: r: r'tt'ia,lrlc alertori
si z(0;
si 0lr(1;
si | 3r <2;
t l:J.
:r fr.t.
si 2(1t14;
(t: -').)/3. si 4l:r. ( 5;
si ;u)5.
l.
0.
L 14.
F(.r:) =
C)al<:r
tlc lits
rt'o! r;.l,rriidul<ts:
.{:
tal manera que
ellas
3.3. Ejercicios
lr
a) Pr(l . X. S)'
b) Pr(2<X<+);
16.
Se tiene
97
Pr(O.X.)'
d) Pr(a<x<6).
c)
la funcin de distribucin de una variable aleatoria definida por
0, si r<-J2;
Il8, si -J2<r10;
215, si 0(r1I;
Il2, si t <, < J2;
314,
si t/2<r<512;
1, si r>512.
Determine la funcin de probabilidad asociada y grafquela.
77. La funcin
de densidad de una variable aleatoria
( o,
(r):
fr\/
te
est definida mediante
si
r<I;
I sr"r,3", si + .0" =+t

.iit;'
[0,
a) Halle la funcin de distribucin .F;

b) Determine: Pr(X :0.2), Pr(X < rl4),Pr(X > n13),Pr(nlL2 < X < n).
5
Una variable aleatoria
tiene distribucin continua F, siendo
FQ):
( o.
I
t
si (o:
ct, si 0< t<I;
1, si >1.
a) Determine la constante c y halle la funcin
b)
9
Calcule las probabilidades
de densidad
/;
Pr(X: Il3),Pr(X < ll3), Pr(lxl <ll4).

Z con densidad de probabilidad
( (t+b)zb, si z [0, o];
Considere una variable aleatoria continua
/('):{ o,
: ellas
a) Calcule
los valores de los parmetros a
b) Encuentre la funcin
siz(lo,al.
b sabiendo que
p, (Z
1) :
\ -2)
=
1,
8',
de distribucin de Z.
tiene por funcin de distribucin a
sir<-2;
10,
F(r):l ar+b, si -2Sr<2;
sir>2.
I t,
a) Determine los valores de a y b;
b) Encuentre la densidad /;
c) Halle: Pr(X
Pr(lxl > 1.2).
El tiempo en minutos que una persona espera un autobs es una variable aleatoria cuya funcin
de densidad viene dada por las frmulas: /() : j ouru 0 < < t, f(t) :
o.ru I < t < 4,,
(t):0
para los dems valores de . Calcule Ia probabilidad de que el tiempo de espera sea:
Captulo
98
3. Variables Aleatorias,
c)
a) rnayor qu<l nn minr.rto;

b) rnenor que clos miuutos;
22
Esperanza
Varianza
rnayor que tres mirrutos.
Los registros de ventas diarias de una empresa que comercializa computadoras muestran que
vendern 0, 1 o 2 computadoras de acuerdo a Ia siguiente tabla:
No. de ventas
Probabilidad
0t1t2
a) Determine la distribucin de probabilidad de X, el nmero de ventas;

b) Calcule la probabilidad de que al menos se realice una venta en el da.
23.
Un blanco circular de radio 1 se divide en 5 anillos,circulares por medio de 5 discos concntricos

1234
de radios: -.
-, -;,;, i t t. Un jugador lanza un dardo al blanco, si el dardo alcanza el anillo
b
(k:0.7.2.3.4), tiene k puntos y
circular comprendido entre los crculos de radios : y tl]. '\'"-v'L)L\v'
o
5
gana 5 - ,k dlares. Determine las distribuciones de probabilidad:
a) del puntaje
24.
b)
del jugador;
de Ia ganancia del jugador.
Una empresa alquila el tiempo de cmputo de un tipo especial de computadora a una universidad.
La empresa debe planear su presupuesto, por lo que ha estudiado el tiempo de empleo de Ia
computadora. El tiempo semanal de alquiler (en horas) sigue la funcin de densidad dada por:
*U'n-U'
f(t):{ 0,
[
si o( t<4;
caso contrario.
a) Determine la funcin de distribucin del tiempo de empleo
b)
de la computadora;
Calcule la probabilidad de que el tiempo de uso de la computadora, en una semana, sea

mayor que 2 horas;
c) EI presupuesto de la empresa solo cubre 3 horas de tiempo semanal

dora. Con qu frecuencia se rebasar ese lmite de presupuesto?;
d)
de uso de la computa-
Cunto tiempo de alquiler se debe presuponer por semana si esta cifra solo se puede rebasar
con una probabilidad de 0.1?
25. La cantidad de pan (en cientos de kilogramos) que vende una panadera
en un da es una variable
aleatoria con funcin de densidad
c,
si 0Sr13;'
c(6-r), si 3l r16;
caso contrario.
0,
a) Encuentre el valor de c;
b) Cul es la probabilidad que el nmero de kilos de pan que se vende en un da sea: (i) ms
de 300 kg?, (ii) entre 150 y 450 kg?;
c) Denote por A y B los eventos definidos en (i) e (ii), respectivamente. Son independientes
Av
B?
26. La cantidad
(en gramos) de fertilizante qumico que una planta puede recibir es una variable
aleatoria cuya funcin de densidad es
f srla z;
(r): { ff, 0,
[
si
r [o' 8];
caso contrario.
Ejercicios
99
a) Halle la probabilidad de que Ia planta reciba merlos de 3 gramos;

b) Si la planta n)Ltere si recibe nlis dc 6 g, ,cul es la ltlobabilida<l de qne la planta muela por
exceso de fertilizante?;
c) Si se trata de establecel
para Ia cantidrd de fertilizante utilizada, cul es Ia

cntidad mxima recomendada utilizar para qne solo se sobrepase esta cantidad el 35 % de
Lrna norrrla
las veces?
l;.
Se
extrae una bolita al azar de un bolillero que contiene 3 bolitas numeradas de 1 a 3. Llarnamos
al nmero de la bolita extrada. Una vez conocido el valor de X, extraemos una nueva bolita
alazardeotrobolilleroquecontiene4-XbolitasnumeradasdeXa3(porejernplo: siX:2,
la segunda bolita se extrae de un bolillero que contiene dos bolitas con los nmeros 2 y 3).
Llamamos Y al nmero de la bolita extrada en el segundo bolillero.
a) Calcule Pr(Y : 3lX : 1);
b) Calcule Pr(Y :3);
c) Son X yY independientes? Justifique;
d) Halle la distribucin de probabilidad de Y.
-1.
tiene densidad
f(n\:Ir'siz[o'1];
\"/-lo, sizl[0,t].
a) Si Y
b) catcule
-i.
X2, halle la funcin de distribucin de Y;

las probabilidades:
"'(+
< x2
f
Halle Ia ley de la variable T
IJna variable aleatoria
Q):
i'
l 0,
[
Halle la probabilidad Pr(X2
: (!
I
1];
[-1,1].
sirl-z,Z);
si n
<
l-2,21.
1).
est distribuida segn Ia ley

1
sigl-t,Z];
5,
caso contrario.
0,
Halle Ia funcin de densidad de la variable U

-')
si z
[-1'
tiene funcin de densidad
o1
si z e
: -52.
rf")
. t . :)
"' (
tiene funcin de densidad
(L
i.'.
<i)
Y2.
Una variable aleatoria X tiene densidad f x(") : s-t, si r

distribucin y de densidad de la variable aleatoria Z : e-x.
funciones de densidad de:
tiene funcin de distribucin
) 0.
Fy(r) -
Encuentre las funciones de
- e-o',
si
r ) 0.
Halle las
3.
Captulo
100
{Y:f7;
Varianza
b) Z :1tnt.
En las secciones precedentes vimos que una variable aleatoria queda definida por su funcin de distribucin, pero muchas veces solo se desea tener una idea del comportamiento general de las variables
aleatorias, sin dar detalles de su distribucin de probabilidad; para tal propsito, examinaremos dos
caractersticas tericas de las variabtes aleatorias: la esperanza y la varianza, que son dos parmetros
que miden la Iocalizacin y la dispersin de Ios valores que toma la variable.
3.4. La esperartza
materntica
La esperanza matemtica -o simplemente espernz&- de una variable aleatoria X, se simboliza por

E(X) y su definicin es la siguiente:
Definicin (de esperanza de una variable aleatoria discreta)
Sea
una variable aleatoria
discreta, la esperanza es un nmero real que se calcula segn:
1.
Si X toma un nmero finito de valores rr 12,

pz : Pr(X : r2), . . ., pn: Pr(X - ,n)t
E(x)
..., rn con probabilidades h:Pr(X
: rt),
: f,o*rr.
l^-1
2.
X toma un nmero
k:I,2,-..;
Si
infinito de valores rr, 12, .. . con probabilidades p
: Pr(X :
rk),
oo
E(X) : ln*"r.
/c: f
Definicin (de esperanza de una variable aleatoria continua)
continua, cuya funcin de densidad es /(r),
una variable aleatoria

la esperanza es un nmero real que se calcula segn:
E@:
l:
A la esperanza tambin
Sea
rf (r) dr.
se la denomina media poblacional

se la suele notar como p.
o ualor esperado de la variable aleatoria y
Observacin. Si /(r) toma valores distintos de cero en un intervalo
[a.,
b], Ia esperanza se calcula
como
Fj(x):
rf (r)d,r.
La esperanza posee varias propiedades, independientes del tipo de la variable aleatoria. A continuacin
vamos a enunciarlas y demostrar algunas de ellas, en el caso de una variable aleatoria continua, los
otros dos casos quedan como ejercicio para el lector.
Propiedades
1.
La esperanza de una eonstante es el valor de la constante:

E(c)
:6,
cconstante.
3.4, La esperanza rnaterttica

D enostt'o,cir:
E(c)
dis-
2.
bles
101
: I t'.[ (r) rlr : ,t Ir@ .l'(t') tl,.r :

.l _./ _m
Aditividad. La esperanza
[@
(:'
c.
de la suma de dos variables aleatorias es igual a la suma de
la^s
esperarrzas de los dos surnandos:
dos
E(x+Y) :E(X) +E(Y).
tIoS
3.
Un factor constante c se puede sacar del smbolo de la esperanza matemtica:
Demostracin:
E(cX)
4.
Sea
l'c.
.l_*crf
En particutar si g(r)
Si
cE(X).
(r) O,
f@
"
.l_*rf
(r) dx
g una funcin real, la esperanza de la variable aleatoria Y
E(Y)
5.
E(cX)
E(g(x))
(x,)
cE(X).
S(X) est definida por
: [* s@)f (r)d,r.
J_a
12 se tiene
: l:,2q,d,.
X y Y son dos variables aleatorias independientes
E(xv)
: E(x)E(r).
Observaciones:
1.
1
rria y
Por las propiedades 2. y 3., si
Y:
aX
b, entonces
E(Y):aE(x)
2.
+b.
Si la funcin de densidad es simtrica respecto a Ia recta
r:
rr, entonces
E(X) : rn. (Figura
3.5)
cula
aclon
a, los
Figura 3.5: Funcin de densidad simtrica respecto a la recta n
TrL.
diferentes. Para diferen-iarlas es lecesario introducir otra caracterstica terica que informe sobre la dispersin de su posibles
Dos variables aleatorias con la misma esperanza pueden tener distribuciones

r-alores.
Captulo
LO2
3.
Lr iclea de <lspelanza
rrreclirnte
la
no ittclica ctuo csti clistlibuicl Ia mtsr en torrro su <l<ntro; sto sc

Ia valiable alertoria X, que se nota Var(X) o o2.
de nnt variable aleatoria
se calcula por:
Var(X)
o, equivalentemente, por
tipo de variable aleatoria,
es rrn nrmero
no negrrtivo que
: E(X -E(X))',
se calcula de
la siguiente manera:
Para una variable aleatoria discreta que toma un nmero finito de valores
probabilidades p1 : Pr(X : rt), pz:Pr(X : rz), ..., pn: Pr(X : r,-)i
var(x)
:ilrr-E(x))2pn o
k:t
var(x)
:ir*r\-
rtt
r2t
.) trn con
(E(x))2.
k:L
Para una variable aleatoria discreta que toma un nmero infinito de valores
probabilidades p : Pr(X : rk), k : L,2,. ..:
Var(X)
3.
:E(x2) - (E(x))''
Var(x)
Segrn el
explrcs)
uari,an,zo, de
Definicin (de varianza) La varianzt
2.
Varianza
La varianza
3.5.
1.
: !["r - E(X))2pt o
lc=1
rr, 12, .. . con
- (E(x))'.
Para una variable aleatoria continua con funcin
var(x)
|lO
- E(x))'f (r) d.r
Observacin. Al igual que en la esperanza, si /(z) est definida en
var(x)
r) dr
- (E(x))'z
[a, b]:
l'o@- E(x)12/ @)d,r.
.la
La varianza da la idea de cun ampliamente dispersos se encuentran, en torno de la media, los valores
que toma Ia variable aleatoria:
1.
Una mayor varianza indica que Ios valores tienden a estar ms alejados de la media.
2.
Una menor varianza indica que los valores tienden a estar ms concentrados alrededor de la
media.
Defrnicin (de desviacin estndar) La desviacin estndar de una variable aleatoria X

igual a Ia raz cuadrada de la varianza:
o:\@.
es
3.5. La varianza
103
Propiedades
].
Lr variarLzr
de
unr,
cero. Es decir, para tocla constante
corrstrrrte es
Var(c)
g,
c:
c constante.
Denostracin:
var(c) :
:
.l
2.
[*
E(c)]2
f (r) dr
[*
- c]2 @) ar
l'* oqrd"r:0.
_*
Un factor constante c se puede sacar del smbolo de la varianza, elevndolo al cuadrado:
Var(cX)
c2Var(X).
Dernostracin:
var(cx)
: l*
O"
E(cx))2 f (r) d,r
17r", -
cnr.)12 f (r) d"r
/'oo
: I "'1" - e(x)l/(r) dr :
J-*
c2yar(X).
'
3. Aditividad.
La varianza de la suma de dos variables aleatorias independientes es igual a la

suma de las varianzas de los dos sumandos. Es decir, si X y Y son independientes
Var(X
D
+Y) : Var(X) + Var(Y).
emostracin: En efecto,
Var(X +
Y) : E[(X + Y) - E(X +Y\2

: E[(x - E(x))+ (r - E(y))]2
Como las variables X y

Y - E(Y), por lo tanto,
E[(x
Var(X) + Var(Y) + 2Bl(x
E(y))l
son independientes, tambin lo son las cantidades
- E(x))(y - E(y))] :
En consecuencia, Var(X +
- E(x))(y -
EIX
- E(x)l .Ely - E(r)l :
X - E(X)
s.
y) : Var(X) + Var(Y).
,lbservacin. De las propiedades 1- y
2. se verifica que
Var(oX + b) :
a2
Yar(X).
Fj,emplos
de la
-.
La variable aleatoria discreta
est definida segn Ia ley
x I -41 6
p10.2
10.3
10
0.5
Hallar la esperanza y la varianza de: a) la variable aleatoria

0.5x +2.
Solucin:
X; b) Ia variable aleatoria Y :
Captulo
LO4
3.
Varianza
a)
E(X)
: D
: -4 x0.2 +6 x 0,3 * 10 x 0.5 :
A:1 "xp*,
6.
Calculemos E(X2):
3
n62): I ,?,p*,: (-q2e.2) + (6)2(0.3) + (10)2(0.b) :64.

k:1
Entonces,
Var(X)
b)
P(X2)
- (E(x))2 :64 -
Vamos a aplicar las propiedades de la esperanza
(6)2
:2a.
y la varianza para calcularlas:
E(v) : E(0.5X +2) :0.5E(X) + E(2)

: 0.5x6*2:5.
Var(Y) : Var(O.5X + 2) : (0.5)2 Var(X)
: 0.25 x 28 -- 7.
2.
En una rifa se venden 300 boletos, a un dlar cada uno. El primer premio es 100 dlares, el
segundo premio es 50 dlares y hay otros cinco premios de 10 dlares. Cul es la ganancia
esperada de una persona que compra un boleto?
Soluci,n: Sea
la cantidad ganada por un boleto premiado; entonces,
xl
1oo
so
I ro I
sigue la siguiente ley
p | 1/Boo | 1/3oo I sTaoo I zoaTaoo
As,
E(X)
rooxfr*5ox
0.67.
#.rox.*I+ox
293
300
Como la persona paga 1 dlar por el boleto, Ia ganancia (total) esperada es E(G)
-0.33 dlares; es decir, una prdida.
3.
0.67
- 1-
Una persona quiere abrir una puerta y tiene 5 llaves, de las cuales solo una corresponde a la
cerradura. La persona va eligiendo al azar y probando abrir Ia puerta. Calcular la esperanza y
la varianza del nmero de intentos si separa las llaves que prob anteriormente.
Solu,cin: Como cadavez separa las llaves utilizadas, cada llave tiene la misma probabilidad de
X: <<nmero de llaves utilizadas>), sigue la
siguiente ley:
abrir la cerradura; por lo que la variable aleatoria
xl1 I 213 I 4l
Entonces,
515
: D*ou:;I/c:3,
515
E(x') : Dk'rr:;tk2:rr,
E(x)
l--1
t-
l': I
Var(X) :
lI -
[:1
32
:2.
3.5. La varianza
4.
105
Una variable aleatorir X toma solarnente dos valores rt- y r2t tales que 12 > r1. La probabilidad
de que X tome el valor zl es 0.6. Hallar la ley cre sigr.re X, si la esperanza rnatemtica y la
varianza son conocidas: E(X) :1.4 y Var(X) :0.24.
Sol'uci,n: Esclibamos Ia ley de
Explesemos la esperanza
X:
y Ia varianza en funcin de 11 y
E(X)
La ley de X2
12:
0.6rr + 0.412 :
1.4.
es
Entonces,
E(X') :0.6r? + g.arl

v
Var(X)
n(X2)
- [E(X)]2 :
0.6r? + g.arl
- r.42 :
0.24
De aqu, se obtiene el sistema de ecuaciones
I
\
o.aq t olq:1.4
o.o"l -t o.4r| :2.2
Resolviendo eI sistema se obtienen dos pares de soluciones:
It : l, 12:2 y
Puesto
qLLe
12
z1
rZ:0.8.
1.8,
21, hallamos Ia ley de clistribucin de X:

t.4
.6
a) Hallar Ia esperanza y Ia varianza de
(,1.
ble ale
lealtoria
t<, -1;
si -1l<r
si r,) ' .).
que tiene funcin de distribucin:
si
b)
Se deflne
F(r)
la variable aleatoria Y
3;
Hal lar
rrsJU CSIper anza y su varlalza.
Soluczn:
a) Hallamos
1a
funcin de densidad
(r):
si
-1(r(3;
caso contrario.
De manera que
(,)
e (x') :
r2r@
[_,
E(x)
l_,
rf
1)
o":
(i)
r"
Captttlo 3. Variables Aleatorias, Esperanza y Varianza
106
Pot lo turto,
v.u(-K)
: p (x') - (E(x))2 :: - r' ::

J
b)
.)
Tenerrros la varirblc lertor-ir Y :5X *2, cuyzr. funcin de densiclad no la corrocerno$. pero
podenos enrplezrr' las propiedacLes cle Ia esperanza y de Ia varianza:
E(Y) :
:5E(X)+E(2) :5 x It2:7,
Var(Y) : Var(5X + 2) :25 Var(X) :25 x * : +
E(5X +2)
.)
b.
Una valiable aleatoria

de este intervalo
est definicla por slr densidad
J'@):r+l2
f (r):0. Hllar la esperanza matemtica
"n
.)
el intervalo (0, 1), fuela
de la variable aleatolia
X3.
Soluctn:
E(v) :
rs
@)
o,
.lo'
,t (, **)
o,
,)ar:1" *1 4l
)"- ls 2 a)o
u--.40I3
'
7.
Determinar la esperanza y lti

csF() -1-e2t,t>0.
',
'
a valiable aleatoria
cr.rya fnncin de distlibrrcin
: F'(t):2"-2t, > 0; y 0, caso contrrrio.
Soluczn: La funcin de deusidad es:,/(/)

Calculemos Ia esperarrzn:
tr(x)
Irrtcgrando por partes, ponicriclo
fx
/.oo
.l_,"r.tb)nt: .lo
rL:
:1.
rl,u
2re-2''d,r.
e-2'cl,r; pol lo tanto: ilu,: dn,
2'
: -rc2 l-*1 l'n
r".,,rh
.lo
ln'2.1u "-r."rl,
,"-" l* 1 __r,.1-
l'*
z io-4c
l.
;'^'^
Entonces,
E(X):
lo*
,"-'2'rL*:r(i) - I
Necesitamos el clculo cle E(X2):
E(x')
: [:,2 q,a, :, .lo* ,2.
2"
tlr
Integrando por partes, clos veces. se llega a
2
La varialza buscada
ln ,,', "r!, = ?:!

4 2
Io
es
var(X)
E (X,)
(tr(.Y))2
1 tt/1\2
o
"
\ol
\o /
Lu
'r"-r',
S.S. La varianza
Etr ttlt slll)crlriercacro se ro,,.1,. ,,-.-
crescrir,e
ro7
-.
; ;;;;'.,". .:ff:fii:::;1ij,."":J1,*,:,i:"..T;"^,jj,f,:i,,ililTjc
arcaroria quc
.f(r):[;*'sjo<'<5o;
I o, caso contrario.
a) ;.Crrl es Ia cnt jdact
de calnc quc se esr)
l)el'a vender diariamente
llin, halle ia desviaci"
en el supermercaclo?
b)
"r*0""..oq
Si la ganancia en el producto
se expresa
-r"4vvu por
r'L ccuacln
vvL la
ecuacin
ganancia
esperada.
Tam_
).
C:
fiX2 + 10.
Calcrile Ia
Soltt,cin:
a) Calcularemos
efectra
",
de la variable aleatoria
como er indicador
de las ventas que
,ro"r.lr,lifjlllza
E(x):
['o
to
" Gil o*:
,hl#];
:
:
La desviacin estndar
s d:
b) Entonces,
E(c)
-\v'/ :
:
la 'r'enta
cre
?(x'z)
cs
enl>
-= s,rrn,inie*;';;;;
::omtricas,
mtricas:
satrr
ar
icgo.
i I 992
138.89.
vC(D :
cre
car'e.
(E(x))2:1250 _ (33.33)2
i,/138.80
\
n(2.-,
"rl*o" *'o):
11.79 kg.
.r
IEE (x2) +to
1E(1250) + I0 :24.29.
la cirrle, cr supermer-caclo
csr)era ganar 24.2g
-- uontinucin, se cla
ulr ejernltlo de valiable
alcato
- r l<.rrlo dc ia
::tc1.l1 c1
,, o,
es
Val(X)
Por'
fo,o
:3333
As' el supernrercatro
espe.ara
-- vender
'v'uL 33.33 kg diarios
Calcrrlernos E (X2):
La r.ar.iarrza
valiatrza dc cs
dc anlisis ma
leatorias geont
ruatollas
geom
-Et.f.l[]11".[.o,,.
crrares
diarios.
ro iltfinito cle valores.
artificios qrre
]::? l"empleado
rtodo
ruLoclo
emrle,rdo por
rttrlttetldes lrsicas .lu

las sci ics
of Georrre ric: Xlouets, ,,

Tle Atuerialt
Stattstician, 46, 10g-10g
Captulo
r08
P,_1
, It,
Propiedad 1. Va (0,1),
Plopieclad
2.
Ya
3.
41,-
| -
l.;:0
(0,1),
k:r
lr -
(L
a,)ak
9. Una variable aleatoria X toma valores
Varianza
a'''.
I,2,3,.
I (1 -P)A
po,:-7,
. .)
con probabilidades
L- 1.'
h:I,'2,..,;
P (0,1).
Determinar sll esperanza y su vattatza'

Soluc'in:
E(x)
(r -P)k
: io-,k:i(-#)
A:1 '
A=1
: l-r)
i,'- :- (*)
ir, -or*
\nP/7_o
\ I'p)3'
p)k
Si
p (0, 1), entonces I
p e(0, f) y aplicando la propiedad
E(x)
prr-a
el cilculo
d.e
1:
(")
(#) r-i-r:-(#)
la varianza varrios a calculal E
(X'),
usando Ia notacin
Q: l- p; pol tanto
: ( *t) *n-:(-#) ',i'ronr

Veamos a qu es igual la surnatoria:
oo
oo
oo
oo
rnr :\nar +lnuk + lrek +

Dt
lc:3
k:2
k:r
k:7
'
Por la propiedad 2, se tiene que
:
Dttono
ct
q2
(X')
q3
+... - Dnr
L-p
k:r
k:1
Consecuenternente, E
queda como
E(x,)
:-(#) (;)+:
I-p
p2
in;r
: /. r,\\
'P)
3.6. Funcin generadora de rnornentos
3.6"
109
F\rncin generadora de momentos
Los momentos de una variable aleatoria son nmelos que representan algunas calactersticas de la
jistribucin de probabilidad asociada. Bajo ciertas condiciones el conjunto de momentos determinan
ie manera nica a la ley de probabilidad.
Definicin (Mornentos)
el ntrnero
Sea
una variable aleatoria y sea
pr:E (Xk) es el k-simo momento de X.
f ntonces, tenemos que Ia media p
es el
un nmero natural. Cuando existe,
primer momento de la variable aleatoria; es decir,
F:
lJt.
-isociada a cada variable aleatoria podemos encontrar una funcin que permite calcular sus rnomentos.
fsta funcin tiene Ia propiedad de que, al igual que la funcin de distribucin, caracteriza de manera
:rica a la ley de probabilidad de la que proviene
Definicin (Funcin generadora de momentos) La funcin

ie la variable aleator"ia X es la funcin
generadora de momentos (f.g.m)
M(t):E("t"),
iefinida para valores reales de tales que la esperanza existe.
- . funcin generadora de momentos
se
utiliza tanto para variables aleatorias discretas como continuas.
alrt o
Ejemplos
Encontrar l funcin generadora de momentos de la variable aleatoria cuya funcin probabilidad

CS
x I -4 I 6 I 10
p 102 | 0.3 | 0.5
Solucin: Resulta que
I[(t) : E("t"):|pr"tr
k
0.2
e-at
0,3
e6
0.5
e1o
Hallar la funcin generadora de momentos de una variable aleatoria cuya funcin de densidad
es
rI si
r,
I
-1<r(3;
'
4
f\L;): \ -.
[ 0.
caso cont rario.
Solttcir: Tenernos que
M(t)
r-
("'')
: lt
,et'
f @) o'
l:, "t'!d,,
4
t:
^!)
-(
^-
4t
siguiente resu.ltado nos indica crno se pueden obtener los momentos de cualquier orden con el
:-:rpleo de la f.g.m.
Captulo
110
Teorema.
Sea
3.
Varianza
con furrcin generaclora de rnomentos,4f (rl), con derivadas continuas dc cualquier
orden; entonces,
j-nt,,,l
tr,,,=o
.,_
I-Ik-L qlxu):
\-'/dj",
Es decir, el k-simo momento de una variable aleatoria se calcula como la derivacla de orden k de la
f.g.-., evaluada en cero.
Observacin.
Se tiene que
E(X) : Ft y Var(X) :
Fz
F?.
Ejemplos
1.
Hallar la varianza de la variable aleatoria cuya funcin probabilidad
es
x I -4 I 6 I r0
p10.2 10.3 10.5
Soluc'in: Antes calculamos que il{()

.1
aual
t,)
o.-
dt2
AI
ft)
0.2 e-4t
_0.8e-at
3.2e-at
0.3 e6
1.8e6
10.8e6
por tanto,
0.5 e10;
belo
50e10.
Entonces,
ltt
ltz :
Por tanto, Var(X)
p2
ftnup:
#*
ro,
- u?:64 -
2. Hallar la varianza de la variable
-0.8e-a(o) + 1.8"u(o) - 5"10(0)

3,2e-_4(o)
(6)2
10.8e6(0)
b0e10(0)
:29.
aleatoria cuya funcin de densidad
(l
I@):l q,'si -1<r(3;

conrrario.
[ 0,
caso
Solucin,: Ya calculamos que
M(t):
eJL _ e-L
Por tanto,
!u,rt
(3t-1)e3*(1-t)e-r
t2
+t,
dt
#,u,
(st'
- 6t + 2) e3t -
',:r
- l:
.-)
es
6,
G4.
3,7. Ejercicios
Puesto que 1,1() no est definida para l,
111
2
0. para hallar
*r*r|,
regla de L'Hospital; entonces,
,ljz
M (0) aplicaremos la
trt :
4*g:
CN
Im
f+0
((st-1)e3+(t+t)e-) -1,
*Lurn*l
3
ttz
: #*ror: ls w(Q* - 6t + ?r"" - (t2 + zt + 2) et) :@t)
56
24
ors
Por lo tanto,
Var(X)
: pz- Lr?: 56.4

243
3.7. Ejercicios
l.
Halle la esperanza y la varianza de las variables aleatorias discretas definidas por
Yt 2 t 4 t 5 I
xl-0.7t10.24 10.61
pl 0.2 10.5 10.3
p 10.3 10.1 10.2 10.4
Se escoge aleatoriamente un nmero de conjunto $ : {-1;0; 1}. Sea

Encuentre su valor esperado, La varianza y la desviacin estndar de X.
Existe una variable aleatoria
Si
E(X)
50 y
b) E(-x);
Var(X)
120?
15. Encuentre:
cada nna con media p, y varianza o2.
a) Encuentre la esperanzay la varianza de,S: X -lY

b) Encuentre Ia espera\za y la varianza de ? : 3X;
d.e
el nmero escogido.
e) E(3x + 10);
f) Var(3x + 10).
X, Y y Z tres variables aleatorias independientes,
c) Calcule la esperanza y Ia varianza
E(X - 2) :8 y que E ((X + 1)2) :
c) Var(-X);
d) o(-2x);
a) E (x2);
Sean
que cumple qLre
es una variable aleatoria con
1-
Z;
A: \IjA,
d) Encuentre la esperanza de 52 y de A2.
X una variable aleatoria definida en el intervalo l-1;11 y sea f x(") su funcin de densidad.
Encuentre P(X) V Var(X) si:
Sea
a)
Jx\r): r;
b)
fy(r):lrl.
c)fx@):t-lzl.
d) f x@)
:t
'.
Encuentre la esperanza y desviacin estndal de las variables aleatorias definidas mediante las
leyes:
.) r(,)
r ( l;
si 1(.c14;
f 0.
si
sir>4.
:{ +,
t,
Captulo
t12
b)
c)
d)
e)
3,
(o
,
l:lr): {L2-r'
Variables Aleatoras, Esperattza
Varianza
sir!1;
t2 - si11.r.<2;
sir)2.
I t.
r,-..:l I Zr. si z e (0. l):
/(rt
o. sir((0, 1).
..\ < - *frt
f,(t:):
))' * Br - l2). si r (-5. -3):
'
I O,
(t.
--
caso contrario.
si
re
[1,2]:
f(r):1 '
I o, si zl11.2l.
(Determine primero el valor de c.)

8
Una variable aleatoria X toma los valores 4, 6 y o con probabilidades Pr(X - 4) : 0.5, Pr(X :
6) : 0.3 y Pr(X : a) : p. Si se sabe que 1a esperanza de X es igual a 6, halle los valores de p
ya.
q
10
11.
Halle la varianza de una variable aleatoria Z q:ue solo puede tomar dos valores, el uno el doble
del otro, con la misma probabilidad, si se sabe que E(Z) :0.9.
I-a variable aleatoria discreta X tiene solamente dos posibles valores: rr y fr2, adems 11 1 12.
La probabilidad de que X tome el valor 11 es igual a 0.2. Halle Ia ley de distribucin de X.
conociendo la esperanza E(X) :2.6 y la desviacin estndar o : 0.8.
Una variable aleatoria X puede tomar tres valorest r,1 : -I, 12:0 y 13:1. Si se conocen las
esperanzas matemticas E(X) :0.1y E(X') :0.8, enci-r.entre las probabilidades Pt,Pz yp, de
los I'alores rt, 12 y 13) respectivamente.
12. La variable aleatolia X tiene tnicamente tres posibles'u.alores rr:1,:x2 y x3 (rt < rz <'J4).
Las probabilidades de que X torne los valores rr y 12 son respectivamente iguales a 0.3 ,'
A.2. Determine la ley de distribucin de X, conociendo Ia esperanza E(X) :2.2 y la varianza
Var(X) :0.76.
i3. La variable
aleatoria
tiene funcin d e distribucin
parar12l
0,
arlb, para21r14;
parar>4.
1,
F(r) :
a) I{alle
e1
valor de las constantes
cr
b;
b) Determine su funcin de densidad;

c) Halle 1as probabilidades: Pr(1 < X < 3) y Pr(X ,2.5);
d) Encuentre su esperanza y sr-l varlanza.
74.
Suponga que se escoge un nrmero real X en el intervato [2; 10] con urra funcin de densidad
Ia forma f (r) : Cz, donde C es una constante.
a) Halle el valor de C;
b) Calcule Pr(D), donde 1 : 13;71;
c) Encuentre Pr(X > 5), Pr(X < 7) y Pr(X2 - 72X *
d) Encuentre la espera\za y la varianza de X.
35
> 0):
de
3.7. 4jercicios
15.
Uu cstudiante rinde ttnil plr-reba consisterrte en 2 probleuras de eleccin mrltiple. La primcra ticrrc
3 posiblcs resprtest:rs y la scgurrda 5. El estrrcliante cscoge las 2 r'espuestas al rzrr. Encuentl-e:
a)
La ley
qr,re ciescribe
cl nrmero de respuestas cortcctas
b) El nrmero esperado,
c)
6
113
E(X), de respr-restas
del estucliantc;
correctas;
La valianza. Vur (.Y).
tlna organizac:n benfica realiza una rifa para conseguir fondos. cn la que sc vendieron 10000
boletos, a 4 dlales cada uno. E1 prerrio es un antomvil de 12 000 dlares. Si un ciudadarro
compra 2 boletos, cul es la ganancia esperada del comprador de los boletos?
IJna persona participa en un concurso de la televisin. Le hacen una pregunta con 5 respuestas
(solo una es verdadera) si acierta, gana 10 000. Si falla le vuelven hacer otra pregunta con tres
posibles respuestas de las cuales solo una es verdadera. Si acierta, gana 1000 y si falla se le
vuelve hacer otra pregunta con solo dos respuestas si acierta, entonces no gana nada y si falla
pierde 500. El juego termina cuando la persona acierta c despus de fallar la tercera pregunta.
a) Indique cui es el espacio muestral;
b)
Calcule la probabilidad de que d una respuesta correcta;
c) Halle la ganancia esperada;

d) Halle la esperanza y la varianza de Ia variable aleatoria que
describe el nmero de preguntas
realizadas al concursante.
Se asegura un vehculo de 50 000 dlares por su valor total, pagando una plima de C. Si la
probabilidad de robo en un ao es de 0.02, cul es el valor de la prima que debe cobrar la
compaa de seguros, si espera ganar 200 dlares?
9
Si Roberto termina sus estudios en Junio, podr disfrutar de una beca para poder realizar un
curso de especializacin con todos los gastos pagados. Si aprueba en Septiembre, la beca slo le
cubrir el 40% de los gastos. Si no consigue aprobar, tambin realizar el curso pero abonando
50000 dlares, que es 1o que cuesta. Roberto sabe que la probabilidad de aprobar en Junio es
slo de un 10%, mientras que la de aprobar en Septiembre es de:un 4ATa.
a) Halle
la distribucin de probabilidad del costo del curso de especializacin;
b) Determine el valor esperado de dicha variable.
:0,
Una agencia que renta autos tiene disponibles 4 carros todo terreno, para alquilarlos. El precio
de alquiler de cada carro es 60 dlares diarios. En un estudio de mercado el propietario ha
determinado el siguiente modelo probabilstico sobre la demanda de estos autos:
Demanda
Probabilidad
0.05
0.10
0.20
0.25
0.20
0.15
0.05
2
c
r)
4
5
()
Adems, en el mismo estudio ha encontrado que sus gastos diarios son: 20 dlares por alquiler
del local y 15 por pago a ul empleado.
lL4
Captulo 3. Variables Alcatarias, Esperanza y Vatiai;za

a) Crlcttltt r:l tLtrrtelo csp<:r'aclo dc carlc-'s tocl,r
tellerro <re la agencia alqr-',il.rrri urr rla (;Lralquiera;
l,) CalcrLl<-r ltr girrrnirciir clirli csperad a:

,') Caicule Ia <l:sviacin cstinclal cle
'21
lii
gzrrranr;iir
Urr poltafolio r-lc invcrsi<irr sig-ue r:l .,iguicltc: (iselrr1ir lrlolrabilstic:o:
Cornpaa Ganancia Probabilidad , Cornpaa Ganancia Probabilidad

0.0r02
250
0.0346
0.0860
350
450
0.rs42
55t)
0.212:1
.I
650
0.2r23
0.1542
0.0860
0.0346
0.0156
Calcule Ia esperanza y la dcsviacin cstJrndar de la ganancia de una invcrsin en este portafolio.
22.Uncrculoderaclio1eszonificaclcen10"rculoscorclrtricosd.eradios
"' 10
10' 10"
lanza un dardo sobre el crculo, si stc cac en la zona ccmprerdida ertre los cr'culos de radios
i:0,l,...,g.SeaXlacantidaddedineroganaclo,
i^"lJellar:zad.organa10-idlalcs,
i0 10
a) Halle Ia ley de la variable aleatolia X;
b) Calcule su esperanza y su varianza.
23. EI espesor
2ao
del recubrimiento de unos cables tiene funcirr de densidud
tm.
ry,
'r'
corr 100
a) Determirre la media y la varianza del espesor del recublimiento;

b) Si el costo del recubrimiento es de 0.5 dlares por micrmetro de espesor,
medio por recubrir los cables?
24.
l1rn
<:r
<
,cul es el costo
Un supermercado tiene una dcmanda dialia variable X de la cantrdad de caile que vende, de
tal manera que X (medida en cientos de krlogramos) tiene una funcrn cie densidad
(
f@):1oq1r'. sio( r<4'
|.
0,
caso contrario.
a) Calcule eI valor esperado de Ia cantidad de carne demandada y su desviacin estrrdar;

b) Si la ganancia est dada por Y :2X - 0.5. Calcule Ia ganancia esperada y su varianza,
25.
La longitud de ciertos gusanos se distribuye segn la funcin dc densidad
z - 1)(3 - 'c)' si 1 ( ''( 3:

@
I@): I
L 0,
crso
contrarirt.
a) Calcule la esperanza y la varianza dc la longitud clc los gnsanos:

b) Si para un estudio se considerarn aqrrellos eje:nplares clue ierrrr.n una longitud entre 1.7
cmy 2.4 cm, calcule el porcentaje cle gusanos que tienen es1-a calacter'stica.
26. El tiempo de uso diario

en horas) a
de la red Internet en Lrna oficina tiene
( gr2(g - ,\
f("):{'-r-'
0,
[
p,-r1 :r,;r-cin cie
sio((s:
carco
conira:-
densidad (medida
3.7. Ejercicios
a)
r-15
y la virriarrza rlcl tieurpo <.lialio clc rlso de lr lecl Intelnel,.

lt) El tictlitct cle ttso ilc Irrtcrrrcl' crlcsta 2 cllares pol hora. CLlcule el vr,lor esperiiclo v
clesviat:iu estrrdat ck:l costr scur-nri (cn 5 clas laLorablcs) por el citilrio rrso.
Calcrrle cl vrlot eslrclaclo
lzl
La lcy cle 1tloltabiliclacl rlue rlesclibc la clistarrr'lia (cn inctros) a Ia. <-re un atletr lanza la,jabirlina
CS
[. *t ,.,, (+)
,[(t': { 20zr \10n/
I O.
si
[0, lon2];
caqo corrtr.flrio.
a) Halle la probairiliclrd de qLre rula jal;alir'a lanzidr llcgue a nna distrncia mayor quc 60 m;
b) Determinc el valor esperado dc Ia distancia a la que llr:ga la jabalina;
c) Halle Ia varianza y la desviacin estndar de la distancia cubielta por la jabalina.
:3
Dcmuestre quc la ebperanza y la valianza de Ia variable aleatoria discreta definida por
Pr(X : k) :pqk,
con
q: L -p,r.ieren
Sea
claclas
por E(X) :!
: 0,1,2,...
y Var(X) : +.
pp'
una variable aleatoria discrcta que pucde tomar valores enteros, definicla por
Pr(X: r-l
a'
I ft - a)2n',
Pata'r_-1;
?' :0.7,2,,..
para
para elgn a cn (0,1).
a) Pruebe que la funcin de probabilidad

b) Demuestre que E(X) : g
:'-.
Sean
X y Y dos variables
est bien definida.
aleatorias independientes. Si
toma los valores 3,
1y
2 con pro-
babilidacles que son los 3 trminos de una progresin aritmtica cuya diferencia es j; mientras
tanto, Y tonta los valores 2,7 y 0 con probabilidades que forman una progresin geomtrica de
I
razn.r. Calcule la esperanzade XY +2Y

:'-
Dadas las variables aleatorias independientes
rx(,)
X.
X y Y, cuyas funciones
{3:' LJ"'"ik*,"
rv(v)
de densidad son:
: { t^' ..-l]l
[ 0,
''
caso contlario.
Calcule:
a)
E(x t Y);
b) E(2x
c) Yar( X
3Y + 5);
-2Y -3).
Las variablcs aleatorias X1, X2, . . . , X,, son independientcs e igualmente distribuiclas, tales que
Pr(XPr(Xn
1)
O)
Pr(X:
: *,
z
-f) : *,
i: I,2,...,fr.
Halle la esperanza matemtica y la varianzadela variable aleatoria
Sn: Xrt Xz*... * Xr.
116
33.
Captulo
3.
Varianza
Las variablcs aleatolias X1 , X2, . .. , Xrr,Y,Yz,. . . ,Y,, son independicntes. Pongamos
Sr,: Xt t Xz + "'I
7,,
X1Y1
Xr,,,
X2Y2+ -. . + X,,Y,,.
Halle E(,5,,,), E(7',), Var(.9,,) y Var(T,,) si
E(X,)
Pr(Y
:1) :p,
: a,
Pr(Y
Var(X)
s2
-0) : q:l-It,
k:I,2,'..,n.
las variables aleatorias que tienen las siguientes Ieyes, encuentre Ia funcin generadora de
momentos v, mediante esta funcin, halle la esperanza y la v rtanza".
:14. Para
d) /(") :
Yl2l4l5
b)
p 1 0.3 1 0.1 1 0.2 10.4
c)
p 10.2 10,5 10.3
e) /(r) :
t)
I ;. si z 1-2,4):
I o. si r ( (-2,4).
( e-3'. siz)0
I o,
sir<o
si tt"tI'
f(r):f[. tsen3r'
caso contrario.
0,
35.
dos variables aleatorias independientes e idnticamente distribuidas con

Demuestre qtte Myy(t): Mx(t)llv(t) y qlue My-Y(t): Mx(t)M\'(-t)-
36.
sea
Sean
XyY
con f.g.m.
Mx(t), y sean a y b dos constantes. Demuestre
que
f.g.-. M(t)
Moy6(t):"'btwx(ot).
Captulo 4
Principales Distribuciones de Probablidad
Hay que erplorar sistemticamente el azar.
Facultad de Letras, Pars.
:r
este captulo se presentan, en detalle, algunos tipos de leyes que siguen las variables aleatorias, que
:f,arecen frecuentemente en problemas prcticos y cuyas propiedades deben ser conocidas.
-{ una variable aleatoria
que sigue una ley
L de parmetros (pr,pz) Ia notaremos como X
L(pt,pz).
{.1. Distribucin uniforme discreta

lla
variable aleatoria X, que puede tomar un nrmero finito de valores, 7,2, ..., n, cada uno de
tiene la misma probabilidad de ocurrir, se dice que sigue una ley de distribucin uniforme
:':creta. Es decir,
-,,-. cuales
Pr(X: k): -,1 k- L,2,''',n'

TL
E(X)
: n*7
VarlX)
^2 -'t
t2
: :U Vaflanza
' equiprobabilidad es la forma ms obvia de asignar probabilidades dentro de un fenmeno aleato:-,- cuyo comportarniento es desconocido. Esta ley aparece en los jr.regos de azar en los que todos
r,s jugadores tienen iguales posibilidades; adems, esta ley es la bsica en la simulacin de eventos
u,=atorios mediante comput adora.
Eemplos
-.
octaedro, considerando la variable ale-Ltoria que describe el nrimero

de puntos que aparece. Detelnlirrar su esperanza y varlarlza.
Se lanza rrn dado en folmr de
717
Captulo
118
Sol,tt,c'i,n: Sc tir:rre que
4.
?
Principales D istr ibttciones de P rob abilidad
r-F1
E(,Y)
n,2
-I
12
64-r
27
1')
Una mquina registra, en rninutos conipletos, la di.felencia de tiernpo en e1 paso cic crrrriones
por cierto lugar de la carretera. Se sabe clue ia diferencia mxima puede ser 9 rninutos. Si se
asrlme qne los arril-ros son aleatolios, calculal cl tiempo qlle se es1;erara exista errtlc dos rniJos
consecutivos, su varianza y desviacin estndar.
Soluci,n: La variable aleatoria puede tomar los valores 7,2,
tribucin uniforme, por Io tanto,
E(x)
Var(X)
..., 9, que suponemos
tiene dis-
: '+]:nrt:5min,
22
: +:
o :
3.
1; ,,trt,rt,""r,
(l
8+1
,2
Var(X) :
2.
: i),8:
)' sr: asigrtzr lir probabilitirl Pt (X
J6.6?
\/:6.62min2,
2.58 min.
Un reloj est descompuesto y suena) aleatoriamente, a la hora en punto; es decir, puede sonar
a Ia una, a las dos, . .., a las doce; dando ese mismo nmero de campanadas. Determinar la
esperanza y varianza de la varirble aleatoria que describe el nrmero de campanadas que se habr
de esperar que d el relo.j.
Solttcin: Encontremos la esperanza y la varianza, considerando
12+l
nll
22
n2 -r
L44-I
Var(X) :
72
72
E(x)
4.2. Distribucin
n:
12:
6.5 h,
11.92 h2
hipergeomtrica
Nos planteamos el siguiente problema: en una urna se tienen ly' bolas, n de las cuales son rojas y las
N -n restantes negras, de las cuales se extraen al azar r bolas; investigaremos la probabilidad de qne
el grupo eiegido contenga exactamente k bolas rojas. Aqu, k puecle ser cualquier entero entrc cclo l
TL
A T.
l,a probabilidad
es
Pr'(X
/,')
: Cf,C'f!,,
ci
Si consideramos l proporcin de irolas rojas en la composicin incial de bolas contenidas en la urna

n,
p : I y q : I- p, la frmula de Ia probabilidad puede expresalse colno
'
N"
Ck,,,Ch-"*
Pr(X: tt): ff,
A:0. 1,...,mn{Np,r},
por Io que la probabilidad p de obtener una bola roja se puede introducir como un parrnetro
define la ley.
que
4.2. Distribucin hipergeorntrica

-\ ttrta variable
.rrcr li;rItl
tl(A'.
Lir csp<rlauza
rlctotir
r').
c-rer
119
sigue una ley hipelgeorntlica cle lral,rnetlos
(Iy',n,r) se la uota
r.
cs
EIX) :'"'
i\/
-,'n.
'.' la rrarianza
vartx\:rL(l_
,u\-, i,
/ \'
/A/-r\ : rr(,
/l/-r\
" ' (,^,,
-ttt
_
_ r/
(v
1,,)
r)
Esta distribucin de probabilidad surge en el anlisis de muestras en control de la calidad de lotes

ie productos (en Ios cuales hay artculos tiles y defectuosos), en estudios censales de poblaciones
:nimales y al realizar muestreo sin reposicin.
- a siguiente
frmula de recurrencia facilita el clculo iterativo de las probabilidades de la leyl:
Po:
(,n-n)!(N-r)!
/!(/ -n-r)l
n'll-k
r-17-k
Pk : Pn-r f
: I,2,..
_n_r+k,
.,T.
Ejemplos
-.
En ttn grupo de 12 estudiantes 8 son sobresalientes. Por Iista se escogieron 9 al azar. a) Cul es
la probabilidad de que entre los estudiantes seleccionados hayan 5 sobresalientes?; b) Cuntos
estudiantes sobresalientes se espera encontrar entre los seleccionados?
SoIucin:
a)
Si consideramos la variable aleatoria

escogidos>>, se tiene:
Z:
<<Nmero de estudiantes sobresalientes entre los 9
Total de estudiantes, N :72;

Total de estudiantes sobresalientes, n:8;
Total de estudiantes escogidos, r :9;
Nmero de estudiantes sobresalientes escogidos, k
Por Io tanto, Z - 11(72,8,9) y
elqi :
Pr(Z :5) :
c?,
5.
8!
4l
5!3t4CI
12t -
14
55
9!3!
b)
Calctrlemos la esperanza de Z:
9x8
E(Z): rn
' 12
Se esperara encontrar 6 sobresalientes.
Drane, J. W., Cao, S., lVang, L. y Postelnicu,
T. (1993), "Limiting Forms of Probability \,Iass Functions via
-:- re Formulas," T he American Statist'icia'n, 47, 269-27 4.
Recur-
Captulo 4. Pncipales Distribuciones de Probabildad
L20
En trn contlol de calidacl inch.rstlirl se tonr un lote dc 10 lriezas l)lra nna irrsirelcin. ELr el lotc
Luy 8 piczas correctrs. Sr: tottiart al azat2 piezas. Formrr lil lcy clc clistlil.,rrcirin clel nrrnero clc
picz:rs corlcctas cntrc 1rs escogi<lir"s .y calcrrltrl su esl)eranz1.
Scht,c'i'r:
La variable
siguientes r,lores:
zt :
l'(nirmcro
0, L2:7, :t:3 : ).
aleatorir.
c-le
piezas correctas entre las escogiclas) tiene los
Ernplearerrios la ley hipergeomtlica con A:10 (rrrmero total cle piezas), : B (nrrncro total
de piezas correcta^s) y r :2 (tarnairo de Ia muestra); es decir, Y - ft(10,8,2), obteniendo:
Pr'()/
0)
C3C3
c?n
- 10x9 -
7x2
Pr(Y: 1) : cc 8x2
c?o
45
4,)
16
45
Bx7
Pr()':2):W
Ix2
28
45
45
Formemos la ley de distribucin buscada:
Yl o | 1 |
La esperanza
es
E(Y)
:6 116
45
-+1x-
28
+'2x-:1.6.
45
45
4.3. Distribuciones de Bernoulli y binomial

Si al realizar un experimento una vez, solo hay dos resultados posibles, se tiene una prueba de Bernoulli.
Se acosttrmbra referirse a uno de los resultados corno <<r'ito>>) qlle aparece con probabilidad p, y al
otro resultado como <<fracaso>>, que sucede con probabilidad g. Es evidente que p y q sol no negativos
y que
Pl q:
L.
Generalmente, se define la variable aleatoria que sigue una ley de Bernoulli as:
La ley de probabilidad
es
Pr(X:r):p,
La esperanza y la varianza son iguales
Pr(X:0) :t-p:q.
a:
E(X) :'p,
Vat'(X):
pq.
La ley de Belnoulli desempea un papel fundamental en el anlisis de fenmenos en los cuales solo se
tienen dos resultados mutuamente excluyentes, como es el caso de muchas preguntas en todo tipo de
encuestas o Ia cleterminacin del sexo de los recin nacidos.
4.3. Distribuciones de Bernoulli y binomial
L2L
Ejernplos
':. El mis ciolrocido es r:1 clel ltrrzaruiicnto

desequiiiblio en Ia monecla p v
.1
de una monecla hornog:tr<tir, acr
son clistintos cle
I
2r
y las probabilidades
son
: o) :
Pr(X
Si Lay
I.2
Consi<lr'cse el experimento cousistente en Lanzar un dado y la variabie aleatorir

de Jrnntos es nr.ayor que 4>>. Entorrces.
v : I t. si
^ 1 o, si
'I
X:
<<el
nrmero
t5. tj):
c..r {1,2,3,4}.
c*.,
3,
Pr(X
: t) :
1.
Segn datos censales se ha establecido que en la poblacin ecuatoriana el 52% lo constituyen

Ias mujeres y eJ. 48 % restante los hombres. Si se toma una persona al azar y se quiere conocer
su sexo, se tiene
t,
X- ! 0,
I
Pr(X
0)
:0.48,
si es mujer;
si es hombre
Pr(X
1)
:0.S2.
-pongamos que se reah.za una sucesin de n pruebas de Bernoulli e interesa conocer el nmero de
-ritos>> obtenidos, al margen del orden en que ellos se presenten. EI nirmero de xitos puede ser 0,
'- 2'
"',
n'
:- ilama binomial a la ley de distribucin
' ie xitos en una sucesin de n
de una variable aleatoria discreta
que describe el nmero

pruebas de Bernoulli independientes, en cada una de las cuales la
-:.,babilidad de xito es igual a p.

binomial fue descubierta por James Bernoulli, quien Ia dej escrita en su obra
Conjectandi,, ptblicada en 1713, despus de su muerte ocurrida en 1705.
-'t-';ley de distribucin
-'
probabilidad se calcula mediante
Pr(X
tr-
-a variable aleatoria
k)
: Ckpkq'"-k, k :0,I,...,fr.
que sigue una ley binomial de parmetros n y p se la notar como
3ir(.n,p).
:-
-\ - Bin(n,p),
X-
se tiene que
E(X) : n'P,
Var(X)
nPQ'
,iistribucin
--'-:ra
r
binomial tiene amplia aplicacin en Ia teora de mr.restreo cuando se puede contestar

pregunta rnicamente con dos opciones (por ejemplo SI-NO).
-lculo de ias probabilidades puede ser un proceso difcil porque los factoriales en los coeficientes
rpidamente. Por estas
--- -,rriales crecen muy rpido, mientras que las potencias de p y q decrecen
:-r-)nes se utiliza la siguiente frmula recursiva para su clculo2:
Po :
pk :
-)rane, J. U/. y otros (1994), op. cit
(l-p)"
n-._l-l;
pk,I--------;K
p
l--,
I-P
ff : I. Z)... jll.
Captulo
122
4.
Principales Distribuciones de Probabilidad
Ejemplos
1.
Su>ongamos que en r,rna poblacin existen igual nirmero cle holnbres y de rnqjeres y consideremos
aquellas familias que tienen 4 hi.jos.
a) Formar Ia ley de Ia variable aleatoria que describe el nrmero de hijos varones en dichas
familias.
b) Calcular la probabilidad de que en una de estas familias haya mis de un hijo

c) Cuntos hijos varones se espera que haya en una familia que tiene 4 hijos?
Soluci,n:
aleatoria
1
y el nmero total de hijos es n : 4.
)emos que p :
Sat
t
X:
varn.
Entonces, Ia variable
<<Nmero de hijos varones>>, sigue una ley binomial de parmetros
(4,|f 2); o
sea,
Bin(4,t12).
a) Determinemos la probabilidades correspondientes.

o Si en la familia no hay ningn varn, k : 0:
Pr(x:
o Si hay un varn,
o)
k: I:
Pr(x:1)
o Si hay dos varones,
varones,
/c
:2)
Si hay cuatro varones)
n-'
"1(;)'
(;)
:z
: cl (;)'(;)'-':
le:4:
Pr(X
De manera que
3:
Pr(X:3)
o
: cl (;)'(;)^-':
k:2:
Pr(X
o Si hay tres
: c3 (;)'(;)'-': *
: 4) : ct(;)' (;)*^: *
xl o I r I z ls |
rl4 tto
e Llt6
b) Debemos calcular Pr(X > 1) :
l114l3lB I
|
-f Pr(X:3) +fr(X: a;. Esta probabilidad,
Pr(X :2)
tambin se puede calcular mediante el evento complementario:
Pr(X>1) : 1-Pr(X<1) :1-[Pr(X:0) *Pr(X:1)]
/r
1\
'\to't)-tc'
lfrl
c) EI nmero
ria:
11
esperado de hijos varones se calcula mediante la esperanza de Ia variable aleato
E(X):
/'2 nP:4'1:Z'
De manera que se esperara que en una familia que tiene cuatro hijos, dos sean varones.
4.3. Distribuciones
de Bernoulli
y binornial
L23
esti cornpuesto 1>or tres elementos que traba.jan independientemente. La prolabiliclad cle frlla de crda elemento en Lrrr da es igual a 0.1. Formar la ley de distribucin del
rrmero de elementos qr-re fallan en r-ru da.
Un dispositivo
Solucirt: La variable aieatoria

valoles:
(<nirmero de elernentos que fallan>>) puede tomar los siguientes
: 0 (ningn elemento fall), 12: I (fall un solo elemento), 13 :

fr4:3 (fallaron tres elementos).
z1
2 (fallaron dos elementos),
Las probabilidades de fallo de cada uno de los elementos son iguales entre si, entonces es aplicable
la ley binomial; por lo tanto,
pt :
pz :
ps :
p+ :
X - Bin(3,0.1):
:
Pr(x :
Pr(x :
Pr(X :
Pr(X
:
1) :
2) :
3) :
0)
:
cl(o.t)t(0.9)' :
c3(o.t)'(0.9)t :
c3(0.l)t(0.9)o :
c3(o.t)o(0.9)'
1. (0.1)0. (0.9)' :0.729,
3.0.1. (0.9)2 :0.243,

3. (0.1)2 .0.9 : 0.027,
1. (0.1)3. (0.9)0 :0.001.
Bn resumen,
3.
Un examen consta de ocho preguntas de eleccin mltiple, cada una de ellas ofrece cinco alternativas, de las cuales solo una es correcta. Para aprobar ei examen es necesario contestar
correctamente al menos tres preguntas. Si un estudiante se propone responder a las preguntas
al azar.
a)
b)
Cul es la probabilidad de que conteste correctamente todas las preguntas?;

Cul es la probabilidad de que el estudiante apruebe el examen?
Solucin: La probabilidad de responder correctamente a cualquier pregunta

Sea
Z:
<<nmero de pregurrtas correctamente contestadas>>, con
a) Debemos determinar la probabilidad del evento Z

Pr(Z
:8) :
C3(0.2)t(O.g)t-t
es
p:
Ib :
o.r.
Z -Bin(8,0.2).
:8:
1 . (0.2)8 . 1
0.00000256.
Lo que nos indica que es muy difcil que adivine todas las respuestas.
b) Para aprobar se debe contestar correctamente al menos tres preguntas, por lo tanto Z >
3-
Pr(Z>3): I-P(Z<3)
: r - lPr(Z : 0) * Pr(Z : I) +Pr(Z :2))
: 1 - c3(0.2)o(o.e)t - cA(0.2)1(0.8)' - c!10.2210.s6
0.20308.
Una agencia de turismo ofrece viajes a la amazona. La utilidad mnima que le reporta uno
de estos viajes es 6 dlares por cliente. Ademiis, ofrece dos planes especiales, A y B. Por un
plan de tipo A, obtiene una ganancia adicional de B dlares y por un plan de tipo B, 13 dlares.
Adems, se sabe que el 60% de los clientes que contratan planes especiales prefieren uno de
tipo A. Si una semana, la agencia vendi 25 viajes a la amazona, 20 de los cuales no fueron
especiales, cul es la ganancia esperada?
Solucin: La agencia vendi 25 planes: 20 normales y 5 especiales.
f24
Captulo 4. Principales Distribuciones de Probabilidad
X la irariable <<nrrnero de planes de tipo A venclidosrr, X - Bin(5,0.6).

Lr utilidacl [/ cre le producen los via.jes vendiclos es:
Sea
?5 z
,,
Dado que
E(X) : np :
E(U) :
4.4. Distribuciones
x 0.6
b.t
',1,
.EX. + t3(5 - X).

Pi,, ,t
*;*
3, la utilidad espe'acla
es:
150+E(BX) +13E(5-X)
:215-5E(X)
geomtrica y binomial negativa
Consideremos una secuencia de pruebas de Bernoulli, con probabilidad de xito p, pero en lugar de
contar el nmero de xitos, nos interesa conocer el nmero de intentos hasta obtener el primer xito.
Una sucesin de pruebas de este tipo se dice que forman un erperimento geomtrico.
Una variable aleatoria discreta X que puede tomar un nmero infinito de valores I,2, . .., se dice que
sigue una ley de distribucin geomtrica de parmetro p (0 < p < 1), si la probabilidad de que X
tome el valor k es
Pr(X
A esta variable aleatoria
k)
se la nota como
: p(I - dk-t, k: I,2,. .
X-
A(p). Su esperanza y su varanza son iguales a
E(X) :
Var(X) :
L-p
p2
La distribucin geomtrica se aplica en investigaciones de mercado y en muestreo, para conocer cuntas

compras se han de realizar en una promocin para obtener un premio.
Ejernplos
1.
Si la probabilidad de que un estudiante pase una prueba de ingreso a una universidad es 0.25.
cul es la probabilidad de que el estudiante pase la prueba en el cuarto intento?
Soluc'in: En nuestro caso p : 0.25 y el nmero de intentos es k : 4, por lo que
Pr(X:4) : p(L-p)a-1
: 0.25(1 - 0.25)3 :
2.
0.105.
En una promocin una marca de papas fritas incluye, en cada una de las fr"rndas, una de las
figuras de los tres chiflados. Si un comprador cree que hay igual nmero de figuras cle cada uno
de los personajes en Ia promocin, cuntas fundas ha de esperar comprar para obtener las tres
figuras?
Solu"ci;n: En Ia primera compra) siempre obtiene una figura que no se tena, por Io tanto
E(X1)
:1.
Para la segunda compra se tiene una probabiiidad de p2:
O"
.orrr"*uir rrna figura nueva;
el nirrnero de compras que se debe realizar para obtenerla es E(-Y3;
: 1: I
l)1
as.
4.4. Distribuciones geonttrica y binotttial negativa

Un) r'cz (luo sc ticrrcrr rlos figruirs, la Prolrabilirlad <lc crLr:(rrtr'll
la figrrtzr clrc fallrr
lrlirlrolo rlc <:on)l)ras (1uo sc osl)ett lcalizrr'palir olrtc:rrcllr cs E(-Yr)
El
rrtirrrclc-, tc.rtrl rlc courl)rls qtle sc elsl)e1
E(x)
125
es p.l
I
: -\cl
,)
r)
: l:3.
,P:I
r'lrlizal cs
E(xr) +E(X2) +E(x;r)
I -r- 1.5 +3
5.5.
As,seeSI)erarea]izar.altncrios6cotriprasc1elproc1ttcto])araobte1leI'lacoIeccirrcclrtlpleta.<
-\hora, gclrcr'rlicernos la iclea de lr lev geomtrica )/ nos intcresa cl nrrnero de pnrebtrs cle Bemoulli
:recesarils hast obtencl exactanlente r' xitos.
-ua variable aleatoria cliscreta X que puede tomar nn nrmero infinito de valores r, r]_7,r'12,...,
=: dice que sigue una ley de distribucin binomial ncgativa de parmetros (r, p) (r > 1,0<p<1),si
-r probabilidad de que X tome el valor k es
Pr(X
:l
parmetro
x)
C'r--tpr'(t
- rn-t,
- BN(r,p).
E(X) :
l)r *2,...
y r es la probabilidad de obtener un xito.
es el nirmero de xitos que se desea obtener
-\ esta variable aleatoria se la nota como X
r','t"
Su esperanza
y su varianza son iguales
L
p
l-n
Var(X) : ,;
\
la ley cle distlibucin l;inornial negativtr tamJrin se le llama distr"ibttczn

.:licaciones que la ley georntlica.
Ejemplo. Una mquina. que est

--,lependiente. Se considera que el
::lenas produce el tercer defectuoso:
a)
y tierre las nrisrnas
claacla) ellvasa latrs cle collserva de una en una y de rnauela

5% de lo envasado resulta defectuoso. Si Ia mquina se detiene
Cul es el nirmero de Iatas producidas hasta qlle se detiene Ia mquina?
b) Cul es Ia
c)
d,e Pa,sco,l
probabilidad de que la mquina se detenga en la novena lata producida?
Cul es Ia probabilidad de que se detenga sin producir ninguna lata buena?
: 'l.uci'n: Definimos la variable aleatoria

--rsas>>; X
BN(3,0.05).
X:
<<nmero <le latas producidas hasta que hayan 3 clefec-
a) Calculemos la
esperrnza de
X:
E(X)
Se espcrartr
b)
Calcrrlemos
:l:,1
p 0.05
ploclucir 60 latrs htrsttr quc sr: detenga la mquirra.
Pr(X
9):
Pr'(X
O;
CN I(0.05)3(1
c) Quc ningunl lata ploducidr fuc bLrcna, significa

decir,
A;
--Or-t.
3.
Pr(X
3)
0.Os;0-'r
qr.re las
C3_1(0.05)3(1
0.00257.
3 plirueras lLts fueron defectuosas;
0.OS;:-;t
0.000125.
es
t26
Captulo
4.5.
Principales Distribuciones de P robabilidad
4.
Distribucin de Poisson
Uria r'rriable lertoria <liscret X quc puedc tonrrr rin nrrneLo infinito de valor.<ts 0, 1, 2, .,., sc dice
quc sigue una ley cle Poisson de pirrmetro ) () > 0), si la probabilidd cle qrre X tome el r,lor k es
Pr(X:
A esta variable aleatoria
k)
se Ia nota como
"-
)' sl':
k! , k:0,r,2,...
X - P(^).
Su esperanza y su varianza son, respectivamente, iguales a
E(x)
Var(X)
^,
^.
La distribucin de Poisson se aplica a sucesos que se presentan en el tiempo o en el espacio, tales como
nmero de accidentes de trfico, nmero de llamadas telefnicas a una central, nmero de goles que
marca un equipo en un partido, nmero de bacterias en una placa, entre otros.
El significado del parmetro ,\ es el promedio de aparecimiento del evento en n pruebas.

Esta ley de probabilidad es una bttena aproximacin a la binomial cuando n es relativamete grande
(n > 30) y p pequeo (p < 0.05), poniendo ),:np
Puesto que muchas aplicaciones de esta ley dependen del tiempo, es conveniente ponerla en la siguiente
forma
Pr(X
*)
^-).1r rrk
\-111|,
A;
0,I,2,...,
que se la interpreta como la probabilidad de que sucedan exactamente k eventos en un intervalo

tiempo fijo de duracin .
de
Para la ley de distribucin de Poisson tambin existe una frmula de recurrencia para el clculo
las probabilidades3, dada por
de
PO
Pt
:e
-,\
: P*-t x ^ k:
k'
L,2,.
Ejemplos
1. En la construccin
de ttn edificio el nnlero de accidentes es de tres por mes. Calcular l.

probabilidad de que en un mes: a) hayan dos accidentes; b) hayatr menos de 2 accidentes; c
hayan ms de 3 accidentes.
Solucin: si
es la variable <<nmero de accidentes en un mes>>)
a) La probabilidad solicitada
es:
e-3:12
Pr(X:2):;:0.224.
3Drane,
J. W. y otros (1994), op. cit
x -p(s).
istribucin de Poisson
t27
b) La plobabilidad PL(X < 2) es:

Pr(X <
c) Esta probabilidad
Pr(X > 3)
2)
Pr(X
e-330
0!
0) +
Pr(X
1)
e-331
1!
cs ms crnodo calcularla mediante el evento complementario:
:i
'rii,i I--;;; f :li; "J'";f_:^'].: "''"

t-(
1r
2! * o
"
"
:2) .' Pr(x :
3)l
i:o'352'
El promedio de llamadas que pasan por una central telefnica en un minuto
es igual a dos.
que
b)
menos
de 4 llamadas;
probabilidad
tres
minutos
se
hagan:
a)
4
llamadas;
de
en
Hallar la
c) al menos 4llamadas.
Solucin: En este caso es necesario utilizar la segunda forma de la ley de Poisson con
+
L
--
D.
Pr(X:
a) La probabilidad
"-z's(2.
2y
^ll"-
de que en 3 minutos se hagan 4 llamadas
Pr(X:4) :
b) La probabilidad
a)
)-
3)n
41
.-66a
24
es
:0.1339.
buscada es:
4) :
Pr(X <
Pr(X
3)
63e-6 62e-6 6re-6

:J!-21-I!-u!
: 0.1512.
Lr=
c) Los eventos <<se hicieron
menos de 4 llamadas>
complementarios; por eso, su probabilidad es:
Pr(X > 4) :
+Pr(X :2) +Pr(X
t- Pr(X
< 4)
+Pr(X
:0)
60e-6
<<se
L)
hicieron al menos 4 llamadas>> son
0.1512
0.8488.
Un libro se edita con un tiraje de 1000 ejemplares. La probabilidad de que un libro est encuadernado incorrectamente es igual a 0.01. Hallar la probabilidad de que el tiraje contenga
exactamente cinco libros defectuosos.
Solu,cin: Segn los datos del probleman:1000, p:0.01 y k:5. El nrmero z es grande yp
pequeo, por lo que utilizaremos la distribucin de Poisson. Estimamos ),: np: 1000 x 0.01 :
10.
La probabilidad buscada
es
Pr(X:5) :
"-10195
<
0.000045 . 105
0.0375.
El gerente de una fbrica planea comprar una mquina r.ueva de entre dos tipos A y B. Por
cada da de funcionarniento, el nrmero de reparaciones X que necesita Ia mquina A es una
variable aleatoria de Poisson cuya media es 0.1, siendo el tiempo de funcionamiento diario
(en horas). El nmero de reparaciones diarias Y de la mquina B es una variable aleatoria de
Poisson con media 0.12t. El costo diario de operacin de A es C(t): 10 +30X2 y para B
128
Capitttlo 4. Principales Distribtrciones de Probabilidad
corrsisl
+ 301'2. 'Cul cle las rni'rcluirra,s clr cl rnerror (:osto esPclackr, si iur clr clr: tralrtr.icr
c crL: a) 10 lror'is'/ 1r) 20 Lolas'l
as Cp()
Sol,u,t:irit,:
El costo cspr:raclo pzrlrL;t os
E(C.1())
:
:
:
E(10
+ 30X2) -
10
+ 30E (X2)
+ 30 lvar(x) + (E(-x))'?]
10 + 30 [o u + (0.1)'?]
10
13/
0.3/r.
Igualrnente,
E(cB(t))
a)
Calculemos E(C(10))
:
:
:
:
b)
/,
+ 30 [Var(Y) + (E(Y))'?]
8 + 30 lo.rzr + (0.12)21
11.6 + 0.432*.
8
:
:
13(10)+0.3(10)2:
160
11.6(10)+0.432(10)2 :159.2.
y E(C6(20)):
E(C.4(20))
E(CB(20))
3oE ()'2)
10, el menor costo tiene Ia mquina B.
Ctrlculemos E(C(20))
Si
y E(Cs(t0)):
E(CA(10))
E(CB(10))
Si
E(sr + 3oY2): 8r
20, la mquina
:
:
13(20)
+03(20)2:380
11.6(20) +0.432(20)2
A tiene una operacirr
:404.8.
rns econmic.
4.6. Ejercicios
Ley uniforme discreta
I
IJn leloj automtico registra la hora a la cual llegan los empleados de una oficinzr, err troras 1'
minutos completos. Una persona puede atrasarse irasta 59 minutos luego de la hora prefijada
para entrar, caso contrario se le corrsidera corno falta. Por cada minuto de rtlaso se le colra
trua multa de 50 centavos. Si los tiernpos de atraso se consideran aleatorios:
a) Cunto esperar una persona que se lc ciescuente por un da que se atras?;

b) Si en ia oficina hay 8 persoDas) que se atlasaron 2 r'eces al mes cada nna, .cunto
descuento global esperado
2.
ser' el
estos ernpleados de la oficina?
Pala el sen'icio de transporte entre dos ciudades hay 10 buses, cle los cuales 5 son de tiPo normai
(costo clel ptrsa.le 2 dlares) y 5 sou clc tipo r:spocial (costo clel pasa.je 3 dlales). Una pclsorra
tietre que rir.iar etrtre las dos ciudades (ida y vuelta) durante los 5 das la.borables clc Ir senranr.
y prr'r tLrutsroltalse tonta el primcr lms c-re apalece en esr mtl) sin difelencir' el tilto; .cntinto
(:)Spelzlli gastar esta lrelsona en la semrua?
li.
'
4.6. 4jercicios
t29
Eu ttna escuela prirnaria se registr el nrimero de palabras por minuto que lcan los estucliantes,
cricontr'irrclose qtle lean r-rrr rnnirno de B0 palablasi y Lrrr mximo dc 139. Ba.jo la suposicin cle <rc
la variable aleatoria clrte clcsclibe el nrrnero rlc palabrtrs lec,lls esti uuiformcmente clistribuicla.
a) Halle la probabilidad de qlle un estudiante, seleccionado al azar', 1ea l menos 100 paltrbras;
b) Determine el nrinero de palabras qlre se esperar'a lea nn estudiante selcccionaclo al azlr..
X una varia,trle aleatoria que sigue una ley uniforne

para k : I,2,... ; b) Var (X*)
Sea
sobre
{-1,0,1}.
Calcule: a) E (Xa)
Ley hipergeomtrica
tiene distribucin hipergeomtrcaH(7,4,5). Calcule:
a) Pr(X:3);
b) la esperanzartllzando la definicin y verifquela empleando la frmula de E(X);
c) la varianza de X.
En una lnea de control de calidad se revisan 10 artculos, determinndose que hay 3 que no
cumplen con las especificaciones. Si se escogen al azar dos artculos, identifique los parmetros
de la ley y halle la esperanza de la variable aleatoria
entre las dos escogidas.
X,
que describe el nmero de piezas correctas
Para llenar 4 vacantes de contador se presentan 10 personas, 7 hombres y 3 mujeres. Salen

seleccionados 3 hombres y 1 mujer. Las mujeres aclrsan a1 empleador de discriminacin sexual,
por lo que le llevan a juicio. Si el juez supone que la eleccin fue al azar, puede decirse que
existi discriminacin al hacer la eleccin?
El examen de graduacin de los abogados consta de 50 temas. La forma de examinar es la

siguiente: por sorteo se eligen 6 temas de los que hay que contestar 3 para aprobar. Si el
estudiante ha estudiado solo 30 temas:
a) Cul es la probabilidad de los 6 temas sepa contestar correctamente a 3?;

b) Cul es J.a probabilidad de aprobar el examen?
Un auditor comprueba la contabilidad de una empresa y toma como muestra 3 cuentas de una
lista de B cuentas por cobrar. Calcule la probabilidad de que el auditor encuentre por Io menos
una cuenta vencida, si hay:
a) 2 cuentas
b) 4 cuentas
c) 7 cuentas
vencidas entre las 8 seleccionadas;

vencidas;
vencidas.
Una empresa renta autos, a los que no les da el mantenimiento clebido, por lo que algunos
funcionan mal. IJn da tiene disponibles B autos para ser rentados, de los cuales 3 funcionan
mal. Ese da se rentaron 4 autos. Calcule la probabilidad de que:
a) ningn cliente haya recibido un auto que funcione mal;

b) por lo menos un cliente reciba un auto que funcione mal;
c) tres clientes reciban autos que funcionen mal.
Leyes de Bernoulli
y binomial
tiene distribucin binomial Bin(4,0.2). Calcule:
130
Captulo
4.
a) Pr(X :2);
b) PL(X > 2);
t2
13
c) Pr(X < 2);

d) E(x);
r.) Var(X).
Urra rnquinr llena las ca.jas cle palillos de fsforo. En una Jrroporcin del 10 % la rnquina no
llena las cajas por completo. Se toman al azar 25 ca.jas de fsforos, calcule Ia probabilidad de
que no haya ms de dos cajas incompletas.
IJna encuesta revela que el 20%o de la poblacin es favorable a un poltico y el lesto es desfavoseis personas al azar, se desea saber:
rable. Si se eligen
a) La probabilidad de que las seis personas sean desfavorables;

b) La probabilidad de que cuatro de las seis personas sean favorables.
t4
Una determinada raza de perros tiene cuatro cachorros en cada camada. Si la probabilidad de
que un cachorro sea macho es de 0.55, se pide calcular:
a) la probabilidad de que en una camada dos exactamente sean
hembras;
b) la probabilidad de que en una camada al menos dos sean hembras.

15.
En una investigacin sobre el <<rating>> de los programas de televisin se detect que se vea una
telenovela en el canal 6 en un 28% de los hogares. En una muestra aleatoria de diez hogares,
halle Ia probabilidad de que:
a) en cinco hogares se vea Ia telenovela del canal 6;
b) ningn hogar est sintonizando la novela.

c) al menos en dos hogares se vea la novela.
16
En una instalacin militar que dispone de 5 radares, Ia probabilidad de que un solo radar descubra
a un avin de combate es de 0.7.
a) Cul es la probabilidad de que sean exactamente 4 radares Ios que descubren al avin?;
b) Cul es la probabilidad de que por lo menos uno lo descubra?;
c) De cuntos radares ha de constar la instalacin para asegurarse en detectar aviones al
menos en un 98 % de las veces?
17
IJna aeronave dispone de 4 motores que funcionan independientemente, la probabilidad de que

falle un motor durante el vuelo es 0.01. Cul es la probabilidad de que en un vuelo dado:
a) no se observen fallas?;
b) no se observe ms de una falla?
c) Si un avin puede seguir volando si al menos 2 motores continran funcionando,
cul es la
probabilidad de que el avin se accidente?

18
Supngase que ia tasa de infeccin de una enfermedad contagiosa es del 25 %. En una oficina
hay 10 personas que se vacunaron contra la enfermedad y ninguna se contagi.
a) Determine la probabilidad de que ninguna pelsona se hubiera contagiado
a pesar de que no
se hubiera vacunado;
b) De este resultado,
19.
deduce usted que la vacuna es efectiva?
La probabilidad de que un estudiante obtenga el ttulo de arquitecto es de 0.3. Calcule Ia

probabilidad de que de un grupo de siete estudiantes matriculados en primer curso:
4.6. Ejercicios
a) los siete finalicen
1.,)
131
la calrera;
l rnenos dos rcaben Ia carlr:r'a;
ha de ccinst-ir nna pronlocin para rsegurarse de qtte al rnenos uno

culmine sll carrera) corr una probabilidact clel 99 %?
c) .De currtos rh.rmnos
En un estudio rnedioarnbiental se deterniin que la plesencia de mercurio en el agua enveneua al

207o de los peces en 24 holas. Para confirmar el resultado se colocaron 20 reces en un tanque
con agua contaminada. Calcule ia probabilidad de que en 24 horas:
a) sobrevivan exactamente 14 peces;

b) sobrevivan por Io menos 10 peces
c) sobrevivan cuando mucho 16 peces;
d)
Calcule el nrmero de peces que se espera que sobrevivan;
e) Calcule la varianza del nmero
de sobrevivientes.
Una compaa petrolera va a perforar 29 pozos, cada uno de ellos tiene una probabilidad de 0.1
de producir petrleo de manera rentable. A la compaa Ie cuesta 100 mil dlares perforar cada
pozo. Un pozo comercial extrae petrleo por un valor de 5 millones de dlares. Calcule:
a) la ganancia que espera obtener Ia compaa
por Ios 29 pozos;
b) la desviacin estndar del valor de Ia ganancia.
Una lnea area, habiendo observado que el 5% de las personas que hacen reservacin no se
presentan para el vuelo, vende 100 boletos para un avin que tiene 95 asientos. Cul es Ia
probabilidad de que, el momento del vuelo, haya un asiento disponible para cada pasajero?
tl
-)
En un examen se plantean 10 preguntas a las que debe responderse verdadero o falso. Un alumno
aprobar el examen si aI menos 7 respuestas son acertadas. Qu probabilidad de aprobar tiene
un estudiante que responde todo al azar? Y uno que sabe el 30 % de la asignatura?
Leyes georntrica y binornial negativa

Cuando se graba un comercial de televisin, la probabilidad de que un actor recite correctamente
0.3. Cul es la probabilidad que el actor recite correctamente su dilogo
en la sexta vez?
el dilogo de su toma es
'l
En un examen el profesor real\za varias preguntas a un estudiante. La probabilidad de que el

estudiante responda correctamente a cualquier pregunta es igual a 0.9. El profesor interrumpe
el examen apenas el estudiante manifi.esta el desconocimiento de la pregunta hecha. Se reqr-riere:
a) formar la Iey de distribucin de la variable aleatoria que describe el nmero de preguntas

que realiza el profesor;
b) hallar el nmero esperado
-'a. La probabilidad
de preguntas que ha de realizar el profesor.
de que un tirador haga blanco en un solo disparo es igual a
0.2. Al tirador
se
le entregan cartuchos hasta tanto no yerre el tiro.

a) Forme
la ley de distribucin que describe el nmero de cartuchos utilizados;
b) Cuntos cartuchos se espera que utilice el tirador?
En un examen, en el que se realizan preguntas sucesivas, para aprobar hay que contestar correctamente a 10 preguntas. Suponiendo que el alumno sepa el 80 % de las respuestas, cul es la
probabilidad de que apruebe en las 12 primeras preguntas?
Captulo 4- Principales Distribuciones de Probabilidad
t32
28
Urra.jr,rgacloladctenisgarracl 33%delosrartidosqucrealiza. Ella.jrrgtrrtienLrntornr:omientlas

rro sea eliminacla por peldel r.rn partido.
a) Halle la probabilidad de quc sca elirninacla en cl segr-rndo particlo;

b) Si para ganar el torneo se deben ganar 5 paltidos consecritivos, ,cul es la probabilidad de
que la.jugadola pierda en la final del tornco?;
c)
.Cuntos partidos se espela que 11egue a
jugar durante cl torneo'?
29
{Jna marca de refrescos tiene impresas, en cada una de las tapas, una de las fi.guras de los 4
jinetes del apocalipsis, y quien retina la coleccin completa ganar' un premio. Si nn comprador'
cree qlre hay igual ntnero de figulas de cada uno de los pelsona,jes en la promocin, cuntos
refrescos ha de esperal comprar para ganar el premio?
30.
Un pjaro de cierta especie come gusanos de una poblacin muy grande. Estos glrsanos pueden
comer) a su vez) de una planta venenosa) de manera que si el pjaro come un gusano envenenado,
deja de comer gusanos ese da. Suponiendo que el 33% de la poblacin de gusanos come de ia
planta venenosa) hallar el nmero medio de gusanos comidos por un pjaro en un da.
31.
Un lepidopterista solo est interesado en los ejemplares de una clase de mariposas, que constituyen el75To de todas las mariposas de la zona. Hallelaprobabilidad de que estapersonatenga
que cazar 8 mariposas de las que no le interesan antes de encontrar:
a) un ejemplar
de la clase deseada;
b) tres
ejemplares de la clase deseada.
32.
En una fbrica, el departamento de contlol de calidad, revisa los lotes de piezas que entran, de
acuerdo con el siguiente criterio: se van extrayendo piezas sucesivamente y el lote es rechazado
si se encuentra Ia primer pieza defectuosa antes de la vigsima extraccin. Si conocemos que el
2% de piezas son defectuosas, cul es la probabilidad de que un lote sea rechazado?
t.f
En una fbrica, se examinan las piezas que salen de una determinada mquina. Supongamos que
si en una hora salen mas de 5 piezas defectuosas, la mquina debe ser recalibrada. Si suponemos
qrre la probabilidad de que una pieza sea defectuosa es 0.2, y es la misma para todas las piezas
fabricadas ; encontrar:
a) la probabilidad
de que se tenga que recalibrar Ia mquina cuando se han inspeccionado
20
piezas;
b) la probabilidad de que se recalibre la mquina sin haber producido ninguna

c) El nmero esperado de piezas que se deben inspeccionar.
QA
pieza buena;
Se sabe que) aproximadamente, el 20 % de los usuarios de Windows no cierran el programa

adecuadamente" Supongamos que el Windows est instalado en una computadora pblica que
es utilizada aleatoriamente por personas que actan independientemente nnas de otras.
a)
Cul es ia probabilidad de que el terccr usuario sea el primero que cierra adecuadamente
el Windows?;
b)
Cul es el nmero medio de personas que usan Ia computadora desde el momento en qlle
se enciende hasta que alguien no cierra el programa adecuadamente?
Ley de Poisson
35.
Sea
Y una variable aleatoria
que sigue una distribucin de Poisson de meda
),:2.
Calcule:
4.6. Ejercicios
a) Pr-(Y :4):
lr) Pr'(\/ 14):
133
c) Pr()' > 4);

d) PL(l' > 4lY >
2),
prornedio cle llrnaclas clue recibe urra ccntlal telcfrrica cn Lur rninuto es cle 1.5. Halle la
plolrabilidad de que en cuatro rninntos se rec:il;rn:
16. El
c)
a) 3 llamadas:
b) rnenos de 3 llarnadas;
J)1.
rro mouos tle crratLo
no rns rle sjclr'.
Snponga quc el nir.rnelo de pilcientes que ingrcsan a Il sala de emergerrcia de trn hospital cn la
noche del viernes tiene una distribucin de Poisson con media igual a 4. Evale las probabilidades
de que:
a) durante una noche haya exactamente 2 pacientes

b) durante la noche hayan ms de 3 personas.
38
en la sala de emergencia;
En un hotel, el promedio de pedidos de servicio a la habitacin es igual a 2 cada media hora.

Halle la probabilidad de que en una hora se reciban:
a)
b)
3 pedidos;
menos de 3 pedidos;
c) no menos de 3 pedidos.
19. Una fbrica de gaseosas recibi
100 botellas vacas. La probabilidad de que al transportarlas

resulte una botella rota es 0.03. Halle la probabilidad de que Ia fbrica reciba rotas:
a)
exactamente dos
botellas; b)
ms de dos;
c) por lo menos una.
El lrromedio de automviles que entran en un trnel en una rnontaa es de un carro cada 2

minrrtos. Si un nrmero excesivo de autos entra al trnel en un perodo corto de tiempo se genera
una situacin peligrosa. Encuentre la probabilidad de que el nrmero de autos que entran al
tirnel en un perodo de 2 minutos exceda de tres.
bacterias por mm3 de agua en un estanque es una variable aleatoria
con distribucin de Poisson de parmetro ) : 0.5.
Se supone que el nrmero de
a) Cul es la probabilidad de que en 1mm3 de agua del estanque no haya ninguna bacteria?;
b) En 40 tubos de ensayo se toman muestras de agua del estanque (1mm3 de agua en cada
tubo) . ,Qu distribticin sigue la variable Y: <<nmero de tubos de ensayo, entre los 40,
qlre no contienen bacterias>>? Calcule Pr(I' > 20);
c) Si sabemos qlre en un tubo hay bacterias,
cul es la probabilidad de que haya menos de
tles?
Urra planta ernbotelladora de refrescos tiene una mquina vieja para llenar botellas. La mquina
produce una ganancia de 100 diares por da de traba.jo; sin embargo, se descompone en promedio
2 r'eces cacla 10 das. Si )' replesentr el nrrnero de descompostur-as clurante el funcionamiento
de la rnquina y es el nrmero de das que traba.j lzr mquina, la ganancia generada por Ia
mqr.rina se expresa por G : 100 -50Y2. Dctermine Ia ganancia esperada en 10 das de trabajo.
En un poblacin el
por ciento de la poblacin sufi'e de daltonismo, cul es Ia probabilidad
de quc entre 100 personas:
a) ninguna
b)
padezca de daltonismo;
2 o ms Io padezcan;
Capitulo 4. Principales Disribciorres de Probabiliclul
134
<:) , CLtiirr grarrrlc <leltt scl lttrl lrrtt<lstlr alertolia (c:orr lecrrrl,lrrzo) lr,rrir (iri,, i,r lrlrrlr;rlrili,l'1, I ,lr,
rlttc al ltren()s turI l)oISorrr tcrrgl <lll rtrrisrrro sor llrirl()r o igrral t ().1.1i'
44
]llt tttt lrosrltte rlc c;eclt'o t:l rrru<:ro rk: ir'l>olcs <;orr plirgrr pol lrcclr'cr )' tj(,rlr, rrrr;r <[istr ilrrr i,,rr
Poissorr 2(10). Los itlolcs c:ort 1.,lir1r'r. se trrtrn con insccticiclt r urL co:jt() (lo 3 rlcilrr(.: l)()r
t'lol; rrlcrns. clr: urt costcl fijo. por rlso del r:quipo y tr'lir,jl)otte. igual r 50 clrilrr<ts. I{rllr,,'l
c-lr:
vaiol cspcrrclo y la dcsi'itciu

45
estrLclrr'<.lel cost,o
hectilcirs rlc lrosrlrrr'.
Para cl control cle calidacl de discos para corrrplrtadora se errrl)le un dispositivo clcctr'rrico <rrc
cltentr cl nirmelo de bytes defectuosos. Una marca de discos de computadora tierie rrrL plouLcr lio
<1e 0.1 bytes defectlLosos pol disco. Calculc el porcenta.je clc <liscos que:
a) rro tienen defectos;

b) tienen algrn defecto;
c) Halle la probabilidad de que ninguno
46
total C de firrnigai'5
de dos discos inspeccionados, rringuno tcnga defcctos.
EI nrmero de automviles que llegan a un estacionamiento, que tiene una capacidad de 12 rLrtos.
es una variable aleatoria que sigue r-rna Iey de Poisson, con Lln promedio de 4 pol hora. Si al
inicio del da el estacionamiento est r'aco,
a)
b)
cul es la probabilidad de que se llene durante la primera hcra?;

Calcule la probabilidad de que lleguen menos de 30 vehculos en un turno de 8 hor-as.
porlo menos 4
47.
Si hay en promedio, un 1 por ciento de zurdos, cul es la probabilidad de tener

zrirclos entre 200 personas?
48.
En una investigacin de mercado se detelmin que el 2 por ciento de Ia pobiacin torna regultrrrnente Llna marca de yogurt. Se escogi una muestra de 300 personas, determine Ia prolrabiii<ltrti
de que:
a) exactamente 5 personas tomen yogurt

b) a Io ms tomen 3 personas;
c) al rnenos tomen 5 personas.
49.
de esa marca;
La tasa mensual de suicidios es de 4 por un milln de personas. En una ciudad cle 500 000
habitantes, halle probabilidad de que:
50
a)
en un mes dado, hayan menos de 5 suicidios;
b)
Ser sorprendente que durante nn ao, al menos en dos meses ocurran ms de 4 suicidios.'
En estudios demogrficos sobre matrimonios que tienen algrn tipo de planificacirr farniliar. c,i
nmero X de hijos por matrimonio es igual a 2, salvo ciertas clesviaciones debidas al azar. St'
ha comprobado que, o bien
X:2-(Y+1),
donde Y es nna variable de Bernoulli de parm etro p
(pues se cr.rmple en el 50% cie ios matlimonios), o bien
X:2*
dorrde
sig:ue
0.3, y sto ocurre con probalriiiclact 'p ::

es
Z,
una distribucirt de Poisson de parmetro ,\; v esto seguudo ocul'r'e <:ou tarnbi(ll-
con probabilidact
p::.
Halle:
a) el valor de ), sabiendo que E(X) : 2;

b) la probabilidad de clue tur matrimonio
terrga Lrno o d.rs hijos.
4.7. Distribucin unifornte
4.7. Distribucin
-,r k)\' rlc <listiilnrc;irirr
135
uniforme
tLut'"'aliablc aleatoliir (:olItllIltt

L irrtcrr''-rlo lr. bl la funcirr rle clensirlad es constaute e igual a
cle Plolralrilitiacl
cler
rl,
I b-"
f(r): 4 =-1.
esta r.rriable aleatoria se la nota como
funcin de distribucin
sirf
[o.]
X -Ula,bl.
es
F(r)
sc llrrrr rr,rtli.fornte si e.t
si z e 1".]
I o,
-i
0,
b-o"'
,-o,
siz<a;
si(r <b;
siz>b.
1,
Figura 4.1: Funciones de densidad y de distribucin de una variable aleatoria uniforme.

a esperanza
y la varianza son iguales
a:
a*
E(x)
2'
(b
Var(X)
- ")'
t2
Esta ley es ei anlogo continuo de la distribucin uniforme discreta, que asigna igual probabilidad a
-da resultado de un experimento. Tiene amplia aplicacin en problemas de simulacin estadstica
-,-en fenmenos que presentan regularidad en su aparecimiento, pero qne no es posible usar variabies
-iscretas, como cuando dependen dei tiempo. Tambin, el error originado por el redondeo de un
---imero se describe satisfactoriamente mediante una ley unifbrme en el
interv.t" [-:,:l
L 2 2l
Ejemplos
i.
a) Calcular Pr(X
b) Hallar un valor
Solu,cin:
sigue una distribucin uniforme sobre
1),
Pr(X < 1.3), Pr(lXl <
de
tal que Pr(X >
1.
3'
1.5);
[-2,3].
Captulo
136
4.
Principales Distribttciones de ProbabIidacl
Ia funcin cle clensicla<I.

Salrcrnos <rer ./(r:) : 0 si t: ( l-2,31.
a) Estirnernos
a,: -2, :3;
Se ticrren los lnriters
La funcin cle densiclacl
por
1o
11
3-(-2)
c|re,/(z)
| .) .)l
l-:, 'l '
qr-recla as:
,f
pr(X
o Pr(x <
r)
1.g)
.[,'
: I t.sir-2,31;
I 0, sir(l-2,3).
(r)
,rrd.r:0.
porque
es una variable aleatoria continua.
: l'" f (r)d.r:
dr :0.66.
L,'!,
-m
.t
o Pr(lxl < 1.5)
b)
Pr(-1.5 < X <
1.5)
: ['
rtr[(r)dt
: l'
:l : 0.6.
r'rtr^,
Pr(X > ):
Calculemos
,'3
Pr(X
/m
/'oo
'
>L)
tf"ld.*:l)ar+l
I
'
.lt
,lt s
.ls
lrl3
o*
-t
t-l
Lblr.
3- :",corr
bntonces.
2.
lo crr l
r:
3.
Dos amigos, Roberto v Fernando, deben encontrarse en una parada de bus entre las 9:00 r
10:00 h. Cada uno esperar r-rn mximo de 10 minutos. Cul es la probabilidad cie que rro se
encuentren, si Fernando llegar a las 9:30 en punto?
Soluci.n: La variable aleatoria X que describe el tiempo de llegada de Roberto puede tomar
cualqniervalorentrelas9:00y 10:00hoentre0y60minutos. DemaneraqueX -Ula,b] ysu
f'ncin de densidad es
( :, si o ( < 6o;
/(f) :{
t'0
( 0.
caso contrario.
Puesto que Fernando llegar a las 9:30 o a los 30 minutos despus de las 9 y esperar a lo ms
10 minutos, Roberto no se encontrar con Fernando si llega de g:00 a rnenos de 9:20 o si llega
despus de las 9:40.
Entonces, la probabilidad de qne no se encrrentren
Pr[(0 <
<20) o (40 < X < 60)]
es
r -,, fuo d'

: l,l''o 6sdt
- .lno oo
t
11
5+5:o'667'
3. En una empresa falmcutica Lln proceso se detiene cnando deja de funciorrar un esterilizado:
hasta que llegue su repuesto. El tiempo de entrega f est uniformernente distribuido en nrinten'alo de uno a ciuco drs. El costo C de esa falla ' la parada complende un costo fijo d.
200 dlales de Ia refaccin v uri costo valiable que arlr-nenta en ploporcin a T?, de modo que
C :200 + l2T2
4.8. Distribucin exponencial

a) Ctrlculirr la probabilidrcl de qrre el tiempo de espela
b) Calcrrlar el costc esperirclo cle r-rna falla.
sea
cle:
r37
clos <las o rrts.
Soht,ci,<i'n:
a) trl tiempo de entrega
distribnido cle trno a ciuco clas, de rnodo que
est uniforme
o":lyb:5:
si1(<5;
f(t):
caso contrario.
As,
Pr(r > ,):

b) Por las propiedades
(E("))2:
l, f (L)dt: .[r'Lor:1,r - 2):X
de la esperanza,
E(C)
E(r'):
:
200*
I2F,(f\.
Calculemos
E("2)
: Var(?)*
ry.(+)'
(5-1)2-/r+s\':I
r2-r\,
:T
As,
E(c)
: 2oo + t, (+) : 2oo + t24: r24.
EI costo esperado de una falla es de 324 dlares.
{.8.
Distribucin exponencial
una variable aleatoria continua

si su funcin de densidad es
Se dice que
,,
sigue una ley de distribucin erponencial de parrnetro
sir(0;
f(r)-l lo,
)"-^', sir)o;
-rnde
es una constante
a funcin de
positiva. Notaremos como X
- t(,\).
distribucin correspondiente es
F(r):
?'- -\r,
"
sir(0
si r ) 0
Figura 4.2: Frurciones de densidad y de distribucin de urra r'rlirble rlcrtolia expoueucitrl.
138
Captulo 4. Principales Distribuciones de Frobabildad
La esperanza y la'r'arianza son iguales a:
E(x)
: +,
Var(x)
: I.\l'
Esta ley sLlrge en problemas de gentica, duracin de aparatos electrnicos o desintegracin lacliactiva
Tambin, es Ia principal en la teora de los procesos ie Markov.
Relacin entre las distribuciones cxponencial y de Poisson

Sea
X la variable que cuenta el nmero de eventos
que ocurren en el tiempo [0,] , con media ):
entonces,
Pr(X:
k)
:+.
k_ 0,t,2,...
Sea ? eI tiempo que transcurre hasta que sucede el primer evento de Poisson. El rango de
intervalo [0, -[ y su funcin de distribucin es
F7(t)
:Pr(? < t) : t- Pr(? > t) :1 - Pr(X -
0)
es el
: I"-^t,
donde el evento Q > t) indica que el primer evento de Poisson ocurre despus de , o lo que es io
mismo, que no ocurre ningn evento en el intervalo [0,];es decir, (T > t): (X:0).
Tambin, se tiene que
fr(t): F+(t): \.-t, > 0.
Ejemplos
1.
Una variable aleatoria continua Y est distribuida segn una Iey exponencial t(3).
a) Hallar la probabilidad del resultado de la prueba: Y

b) Determinar su esperanza y su desviacin estndar.
Soluc,in: Como Y
- t(3),
/(v)
0,
est en el intervalo (0.13;0.7);
siy<0;
Je-3a, si y )
0.
a) Determinemos Pr(O.13 < Y < 0.7):

PL(0.13
0'7
<Y <U.7) :
3e-3'! ily
.13
.55
b)
Se tiene que
E(v)
"(Y)
11
)
3'
: \;(n:
D ist r ibucin exp onenc
ial
139
El tiernpo dut'ante el cual las bateras para telfono cehrlar trabajan en folma efectir,a hasta que
frllan se distribuye sr:gur un modelo expouencial, cr)n Lrn tiempo promcdio de falla cle 500 holas.
a) Calcular la probabilidad de que una bater'a funcione por rns de 600 horas;
b) Si una batera ha trabajado 350 horas, cul es la probabilidad de que trabaje
ms de 300
horas adicionaies?
Solucin: Consideremos la variable aleatoria X: <<tiempo que dura Ia batera hasta que
Como
E(X) :500:
],
".'to'ces
X
# r -E(#).
):
F(r):
a)
Calculemos
( o,
{,_
"_rlsoo,
falla>>.
Sufuncindedistribucines:
sir<o;
siu )0,
Pr(X > 600):
Pr(x>600) : 1-Pr(X<600) :l-F(600)

: I - ( t- e-6oo/500'\ : 0.301.
\/
b)
Si la batera ya trabaj 350 horas, queremos conocer la probabilidad de que trabaje ms

de 650:
Pr(X>650): 1-F(650)
: :J;-;+
Pr(X>350) 1-F'(350)
Pr(X > 350 + 3001x .---/

> 350)
1-(1
'-650/500\
1-(116:o'54e'
El nmero de clientes que llega a una ventanilla de un banco sigue una distribucin de Poisson
con media de 4 personas por minuto. Cul es Ia probabilidad de que el primer cliente llegue:
a) dentro de los 30 segundos despus de haber abierto Ia ventanilla?

b) mrs de dos minutos despus de abrir la ventanilla?
Soluc'in: Tenemos las siguientes variables aleatorias:
X:
<<nmero de clientes que llegan a
T:
<<tiempo que transcurre hasta que llega el primer cliente>>,
la ventanilla>>,
X - P(4).
T
(4), con funcin de densidad
.fr(t):4"-nt, >0.
a) La probabilidad
de que eI primer cliente llegue en los primeros 30 segundos
Pr(?<0.5)' :
es
,.0.5
|
.lo
+"-n':0.86b.
Obsrvese que tambin se cumple que
Pr(? < 0.5) :
b)
-Pr(T > 0.5) - 1 -Pr(?:
0)
: t -e-4(0'5) :0.865.
Se tiene que
Pr(? >
,): I,
4e-atdt:
o.ooo335.
I4O
Captulo
4.9. Distribucin
4.
Principales Distribuciones de P robabilidad
normal
La ley de probabilidad de una variable aleatoria continua
f
donde
X se llama nortnal si s:.:t funcin
(') : -!'-''-u)212o2 r
'
,/2tro
es un valor real cualquiera
yd
es
e (-oo,
de densiclad
oo)
positivo. A tal variable aleatoria se notar como X
.M(p,o').
La funcin de distribucin correspondiente es la integral
F(r):
t/2""
"-(t-2lzo2
t.
Figura 4.3: Funciones de densidad y de distribucin de una variable aleatoria normal.
La esperanzay la varianza son iguales a
E(X):
p,
Yar(X)
Por esto, se dice que es una ley normal de media t

estndar de X.
:62
varianza
o2.
Observemos que la funcin de densidad de una variable aleatoria

a Ia recta r: IL.
Obviamente o es la desviacil
X - Jt(p,o2) es simtrica
respect,
Esta ley tiene amplia aplicacin en fsica, economa, ingeniera y biologa, pues como una primer,
aproximacin- se asume que los fenmenos siguen una ley normal. Tambin, juega un papel mr-l-.'
importante en toda Ia teora estadstica ya que, bajo amplias suposiciones, el comportamiento de lsumas de magnitudes aleatorias es aproximadamente normal, lo que constituye el Teorema del LmirCentral.
El nombre de normal fue aplicado a esta ley de distribucin por F. Galton en 1889, no sin reparos p-l
otros cientficos, porque este nombre puede hacer pensar a las personas que las otras distribuciont:
son) en uno Ll otro sentido, anormales. En el plano anecdtico, remitmonos a lo que se dice en =libro de Mosteiler, Rourke y Thornas (1970, p. 226) respecto al nombre de esta ley: <Algunas vecr:
la distribucin normal es llamada gaussiana, especialmente en la ingeniera y la fsica. En Francia =-.
llamada laplaciana. Estos nombres son usados, probablemente, porque la distlibucin fue inventac"
por de Moivre.>>
Un caso importante de esta ley de probabilidad se tiene cuando
F:0 y o2 :1,
que se denomi-:
t4t
4.9. Distribucin norrnal

,tttnol. cstti,tdot'(^/(0. 1)), sus funcicues cle clcusidrci y distlibucicilr sorr
^t-.\
7\:'
o(,)
n-"'2.
.1. <
.,
(-co. rc)
,ryi.
[__"
t'/2
cu,
:espcctir,aruente. Obsrvese qlre) en este caso particular, la funcin de densidad se nota mediante
-a ftrncin clc clistribucin por .
cp
Si se ticnc urra variable aleatoria X - N(p,,o2), pr-redeu calcularse los valores de su funcin de dis:rilucin lncdiante el empleo de la ley normal estndar aplicando la trausfolmacin
F(r\
:o l" - P\
\o
distribucin de la ley normal estndar no se puede dar como una funcin explcita, sino
de una integral, por lo que se emplean tablas, como la que se encuentra en la
en
forma
=tlamente
Tabla 1 del Apndice, para calcular los valores de O(z).
li-a funcin de
Si
X - Jt[(p,o'),
-na, dos y
se puede dar la siguiente regla emprica que da el rea bajo Ia curva

tres veces la desviacin estndar (ver Figura 4.4).
limitada por
Figura 4.4: reas bajo la curva de la distribucin normal.
l.
El rea limitada por el intervalo lp - o, p+ ol contiene un rea igual a 0.682.
2.
El rea limitada por el intervalo
lp-2o,tj-2ol
contiene un rea igual a 0.954.
3.
El
lirnitada por el intervalo
lp-3o,p"*3ol
contiene un rea igual a 0.997.
irea
Ejemplos
l.
La esperanza cle una variable aleatoria

ley cle la variable aleatoria y calcular:
b) Pr(X > a);
a) Pr(X < 3);
normal es igual a 6 y su varianza es 16. Escribir la

c) Pr(4.5
. * .r)t
{ ) : 0.9264.
.s 02 :16, por lo que o:4;
d) Encontrar el valor de de manera que se cumpla que Pr(X

SoLu,c'in:
La espelanza es E(X)
r@)
- lL:6 y la valianza
#r""p (
g#) : #".' (-q#)
etttottccs,
L42
4. Principales Distribuciones
Capitulo
a)
Calculenros Pr'(X
< 3):
Pr(X < 3)
b)
Calculernos
de Probabilidad
Pr(X >
F(3)
:. l+)
\4
(D(-0,75) :0.2266.
4):
Pr(X>4) : 1-Pr(X <4):1-F(4)

1-o(4-6) :t-o(-o.b)
,-o.s\aJ:o6er5.
c)
Calculemos Pr(4.5
Pr(4.5 <
< X <7):
X < 7)
F(7) -F(4.5)
(.:,'*) :'{0 ") - o(-0 375)
: ;f/)#
d)
Se tiene que
Pr(x < ):
rl-j)
\4)
:0.e264.
Por otro lado, en la tabla de Ia ley normal, se encuentra que (D(1.45) :0.926q; es decir,
cumple que
Entonces,
2.
t:
1.45
* 6:
11.8.
se
t'nu'
û
El permetro craneal de los hombres, en una ciudad,
es una variable aleatoria de media 60 cm '
desviacin estndar 2 cm.
a)
b)
Qu porcentaje de los hombres tienen un permetro craneal entre 57 y 64 cm?;

Qu permetro craneal debe tener un hombre para que el 16.6 % de sus paisanos <<tengan
mis cabeza que l>>?;
c)
Y cunto para que el 35.2 To tenga menos?
Solucin: Se tiene la variable aleatoria X: <<permetro craneal de un individuo>> , X
a)
Buscamos Pr(57
N(60,22).
< X <64):
Pr(57<X<64) :
F(64) -^F(57)
:;,*-,);:fr)
:'"'
-o(-1
El9L% de la poblacin tiene un perfmetro craneal entre 57 y 64 cm.

b) Debemos hallar el valor de c de manera que Pr(X > n) - 0.166.
Pr(X
o l"
\2/
>z) : 1-Pr(X (r) - l-f'(r)

F(") : 1-0.166:0.834,
.60\ =
0.8s4.
:0.166,
5)
4.9. Distribucin normal

Por otro lado, eu la tabla de la ley
Entonces,
se observa que Q(0.97)
norm,rl estinclar
r-60 :
143
0.834.
0.97.
De donde, z:61.94cm.
c) Ahora,
hallemos
z tal que Pr(X < z) :0.352.
Pr(X <
o l"
r) : F(r) :0.352,
,60\ :
\2)
En la tabla leemos que O(-0.38)
:0.352.
Entonces,
z-60 :
Por tanto,
0.352.
-0.38.
:59.24cm.
En una fbrica de autos un ingeniero est diseando autobuses pequeos. Sabe que la esta[ura
de la poblacin est normalmente distribuida con media 1.70 m y varianza 02, con o :5cm.
Qu altura mnima debern tener los autobuses para que no ms del l% de las personas golpee
su cabeza con la parte superior del autobs?
Solucin: Sea X la variable aleatoria <<estatura de las personas>, X - N(t.70, (0.05)2). Denominemos h ala altura mnima para que la probabilidad de que una persona golpee su cabeza
con el techo del autobs sea del LTo; es decir,
Pr(X>h) :
Pr(X > h.)
0.01
1- Pr(X < h) : 1-
F(h)
- 1-. (%*p)
donde .F es la funcin de distribucin de la variable aleatoria
1-oln;=t:to)
0.05
\
/
:
oft-1'70\
-\
o.o5
)
Igualando los argumentos de la funcin

h
- r.70 :
0.05
:
X.
Ahora bien,
o.or.
r1-0.01
v'v! :o.ee.
da:
2.33.
1.70
+ (0.05)(2.33)
1.817.
Es decir, el ingeniero deber disear el autobs con una altura de 1.82 m.
En una ciudad habitan 150 mil familias, cuyo ingreso anual sigue distribucin normal con media
de 8000 dlares y desviacin estndar de 1200 dlares.
a) Cuntas familias tendrn ingresos anuales menores a 6600 dlares?;

b) El SRI dice que pagarn sus impuestos aquellas familias que se encuentren en el ltimo
quintil. A partir de qu ralor una familia debe pagar impuestos?
Solucin: Se tiene la variable
/:
<<ingreso
familiar
anual>>,
X -.A/(8000,12002).
l+J
Captulo
a) I)clrr:rlos
4.
< 6600).
hrllrl lrr prol-ral-riliclacl Pr'(1
pL(1 6600) :
F(6600)
:*(6otlg---!0t10
o(-1.17) :0.12t.
EI 12.1%
1200 )
clc las faltrilirs tictrc ingresos anuales menores a 6600 cllares. Eso quir,.r'c clccir
x 150 000 : 18150 farnilias.
que sorr 0.121
b) Si buscarnos el riltino quintil de ingreso, qniere decir aquellas farrrilias r,re tienen el 207,
dc los inglesos nrs altos; o sea) tenem s que encontral rrn valor :: de nlancla que Pr(I >
r) :0'2'
>r) : 1-Pr(/ 1r):0.2,

I r) : F(r) : 1- 0.2 : 0.8,
o l" -,99!o) : 0.8.
\ 1200 )
Pr(I
Pr(/
En la tabla de la ley normal, \emos que se velifica que iD(0.84) : 0.8. Por tanto,
8000
1200
0'84'
Al resolver esta ecr.tacin, nos da r : 9008. Consecuentemente, el 20 % de las familias tiene

un ingreso superior a 9008 dlares anuales
Se tomaron <Ios exmencs sobre 100 puntos, crr el .rrimero se obtur,'o r1 :80, ot:4 y en esegundo p2 : 65, 02 : 5. Un cstrrdiante sac 84 en el primer exalnen y 75 en el segrrnclo
Cornparativamcnte, en cul de los exrncnes obtu.r'o rnejor resultado?
Sol'u,cirt: Deterrnincrllos, ptl'a cada examen, el porcentaje cle cornrarleros (lue

nota que 1, sabiendo qr.re
: 80,
Pr(X<8a)
Pr(X < 75)
ot,
: 4, FZ:65,
F,(84)
:t(91#)
F2(75): O (7S
\b/
02
src]r'on
rnclroi
:5.
:.,t,
:0.8413,
- 0S) : .(r) :0.9772.
Conro en el primer exarnen el porcentaje de compaeros que obtuvo menor nota es 84.73%o y e:
el segundo 97.7270, tuvo, comparativamente mejor resultado en el segundo examcn.
Una empresa ernbotella t'efrescos rnediante una mquina que envasa el lquiclo, con un nredia r
desviacin estndar de 10crn3. Calcular el valor de Ia media prra que solo se lebase la cantidade 310cm3 en elSTo cle Ias lrotellas, si se supone que la canliclad de lquido ernl-otellaclo tierr.
distribucirr nonn1.
-.
Sol'ucin: Sea
de r tal que
X:
<<la
cntidad de lquido embotellado>>, corr X
Pr(X >
310)
N(F,(10)2).
Se brrsca el,r,rlc,:
:9.65.
Ahola bien,
Pr(x > 310):
',(+, -#)
:v,(z,
Y)
4.70. Ejercicios
clorrde
que
- N(O,I).
Por la tabla de la ley normal, Pr'(Z
L45
>
1.645)
0.05, debindose cumplir
310-p:1.645.
10
As,
310
10(1.645)
293.55.
ElmarcadorqueindicaIacantidadmediadelquidodebeestarposicionadoen293.5cm3.<
En el Cuadro 4.7 se encuentra un resumen de las leyes de probabilidad analizadas en este captulo.
Uniforme discreta,
Hipergeomtrica
Bernoulli
# #(t-#)
-r
N-1
Ber(p)
Bin(n,p)
Binomial
Geomtrica
Binomial
'lt(N,n,r)
np
r-p
9(p)
negativa
p2
,,,L-p
BN(r,p)
P(^)
Uniforme continua
l/(a,b)
r(r)
Exponencial
(b
L2
;
^2
N(t",o")
Normal
- o)'
Normal estndar
^/(0,1)
Cuadro 4.1: Principales leyes de distribucin de probabilidad
4.10. Ejercicios
Ley uniforme
1.
tiene distribucin uniforme sobre
a) Pr(X:0);
b) Pr(X < 0);
c) Pr(lxl < 1);
Realice el ejercicio anterior considerando que
[-3,1].
Calcule:
d) Pr(lxl > 0.5)

e) Halle un valor de tal que Pr(X
)):-.
X - U[-3,2].
Un reloj de manecillas se detuvo en un punto que no sabemos. Determine la probabilidad de

que se haya detenido en los primeros 25 minutos luego de sealar Ia hora en punto.
Captulo 4. Principales Distribuciones de Probabilidad
t46
4.
Los utobrrses de cierta lner salcrr c:on holario estricto cada cinco minutos. I{alle la plolrabilicliLrl
ckr cluc 1ul l)asa.jero c1r-rc llcga n lzr pzrraclzr tenga que esperar el rutobris nlclros cle tlcs rrtintrtos.
Al
L,.
cstrrcliu' las ofertas de contlatos cle ern'o, un fablicante de coml>utdoras ve que los cxlrtr'rtr.,clc los intelesados tienen ofertas que se distribuyen ltniformemente entre 20 nril y 25 nlil dlarcs
Calcule lil plobabiliclad de que el siguiente contrato sea:
c) Estime el costo medio de las ofertas
a) menor qre 22 mil dlares;

b) mayor qre 24 mil dlares;
6.
cr
contratos de este tipo.
Sqrngase que Ia velocidad de los autos en un sector de una carretera sigue urta ley uniforntt
entre 60 y 120 kmlh. Cul es la probabilidad de que un auto:
a) tenga una velocidad de 80 kmlh?;

b) tenga una velocidad menor que g5 km/h?;
c) tenga una velocidad menor que 70 km/h o mayor que 100 kmlh?
7.
El dimetro, z de un crculo se mide aproximadamente 5 1 r ( 6 cm. Considerando el dimetrc

como una magnitud aleatoria X distribuida uniformemente en el intervalo (5, 6). Halle:
a) la probabilidad de que el dimetro sea mayor que 5.8 cm;

b) la esperanza matemtica y la varianza del rea del crculo.
8.
Una llamada telefnica lleg a un conmutador en un tiempo, al azar, dentro de un periodo de

un minuto. El conmutador estuvo ocupado durante 15 segundos en ese minuto. Calcule la
probabilidad de que la llamada liaya llegado mientras el conmutador no estuvo ocupado.
9.
A partir de las
12:00 de la noche un centro de cmputo trabaja dos horas y para una. Une
llama al centro Lrn momento aleatorio entre las 12:00 y las 05:00 horas. Cul es Ia
probabilidad de que el centro est trabajando cuando llama la persona?
per-sona
10.
En una prctica de precisin area se deja caer una bomba a lo largo de una Inea de un kilmetrc
de longitud. El blanco se encuentra en el punto medio de la lnea. El blanco se destruir si la
bomba cae a una distancia menor que setenta y cinco metros del centro. Calcule la probabilidad
de que el blanco se destruya si la bomba cae al azar a lo largo de la lnea.
Ley exponencial
11.
Escriba las funciones de densidad y distribucin y los valores de la esperanzay la varianza para
Ias variables aleatorias que siguen una ley exponencial:
a) t(6);
b) r(3);
c) (0.5);
d) t(0.25).
12. Se prueban
dos elementos que trabajan independienternente. El tiempo de trabajo del primer

elemento tiene distribucin (0.02) y el segundo elemento t(0.05). Halle la probabilidad de que
en el tiempo de duracin t :6 horas:
a)
b)
ambos elementos fallen;
c) solo falle un elemento;
ambos elementos no fallen;
d) falle por lo menos un elemento.
13. La duracin (en minutos) de las
llamadas telefnicas de larga distancia desde Quito es una
variable aleatoria con densidad
r(t): {o;-,,,, :l ;:3f

Determine el valor de c y calcule la probabilidad de que una llamada dure:
4.70. Ejercicios
t47
rr) rnenos clc 3 rrrirmtos;
b) rrrs dc 6 rrriuutos:
c) errtre3y6nlinutos.
d) Calcule lzr esperanza de la variable aleatoria e interprete
su significado;
e) Si el ccsto clel minuto de las llarnadas telefnicas es de 40 centavos, cunto esperara un

usuario pagar por una llamada?
14.
La duracin (en aos) de la vida de los individuos de una poblacin humana se puede modelar
mediante una'r,ariable aleatoria con funcin de densidad
f (t)
a) Determine
:{
{oe-.t/ao,
0,
si > o;
si10.
la vida media de la poblacin;
b) Cul es la probabilidad de que un individuo no llegue alos 42 aos?;

c) Cul es la probabilidad de que una persona que tiene ms de 50 aos, supere los 65?
-o
Suponga que la duracin, en minutos, de una conversacin telefnica sigue una ley exponencial
de que Ia duracin de una conversacin telefnica:
eOlS). Encuentre la probabilidad
a) exceda los 5 min;

b) dureentre3y6min;
c) dure menos de 3 min;
d) dure menos de 6 min, dado que ha durado
6
Se prueban tres elementos que
ms de 3 min.
trabajan independientemente entre s. La duracin del tiempo
de trabajo sin fallo est distribuida segn una ley exponencial: para el primer elemento h(t) :
0.1e-0'1, para el segundo elemento fz(t) :9.2"-o'2t, para el tercer elemento /s() : g.3"-0'3t.
Halle la probabilidad de que en el intervalo de tiempo (0,10) horas, fallen:
a) por lo menos un elemento;
b)
no menos de dos elementos.
La escala Richter para medir la magnitud de los terremotos sigue una ley exponencial de media
2.4. Calcule la probabilidad de que un sismo sea:
a) mayor que 3 grados en
b) entre 2
la escala de Richter;
y 3 grados en la
escala de Richter;
c) El sismo producido en Ia India el 30 de septiembre de 1993 tuvo la intensidad de 6.4 grados,

cul es la probabilidad de que un sismo supere esta intensidad?
-5. El tiempo de duracin, en meses. de un tipo de resistencia elctrica

variable aleatoria
se expresa mediante una
que sigue una ley exponencial (0.5).
la probabilidad de que una de tales resistencias elctricas dure ms de 4 meses?

b) Si se prueban 10 resistencias elctricas, cul es la probabilidad de que ninguna dure ms
de 4 meses?
a) Cul es
c)
Cuntas resistencias se probaran para que con probabilidad igual a 0.9 se tenga al menos
una resistencia que dure mis de 4 meses?
4. Principales
Captulo
148
cl) Si el costo de produccin
Distribuciones de Probabilidad
cle una resistencia es
+ (30 - X)' , cul
es el costo espelaclo
de una resistencia?
19
El tiernpo 7 que se demora para completar una reparacin elctrica es una variable aleatoria
distribuida exponencialmente, con media 10 horas. El costo C de llevar a cabo este trabajo se
relaciona con el tiempo empleado mediante la frmula
C:100
+40T' +3T'2.
a) Calcule el costo esperado de la reparacin;

b) Con qu frecuencia el tiempo ser mayor que
20.
20 horas?
La duracin de los neumticos de una marca determinada siguen una ley exponencial cuyo
promedio es 30 (en miles de kilmetros). Calcule la probabilidad de que un neumtico dure:
a)
b)
ms de 30 mil km;
ms de 30 mil km, dado que ha durado 15
mil km.
Ley normal
21. Se tiene una variable aleatoria
con media 5
y varianza
16.
a) Determine su funcin de densidad.

b) Halle las probabilidades: Pr(Y < 6), Pr(Y > 4) y Pr(lYl < 3).
22.
a) Pr(Z <
23.
0);
est distribuida normalmente,
b) Pr(Z > 3);
^f(1,16).
c) Pr(lZl < 3);
Calcule:
d) Pr(lzl > 2).
cigarrillos es, para los fumadores, de 5 dlares diarios por trmino medio.
es de 0.8 dlares. Suponiendo que el gasto sigue una distribucin
proporcin
de los fumadores gastan entre 4 y 6.2 dlares diarios?
normal, qu
Se sabe que el gasto en
y que la desviacin estndar

24.
un medicamento que produce variacin en el peso de las personas que lo

toman. Pruebas de laboratorio han demostrado que al cabo de un mes la rrariacin del peso
sigue una distribucin gaussiana de media 2 kg y desviacin estndar 1.25 kg. Determine la
probabilidad de que una persona:
Se experimenta con
a) haya aumentado al menos

b) haya rebajado de peso;
25.
kg;
c) haya aumentado
menos de 3 kg.
La compaa area Helios sabe que el tiempo de retraso de sus vuelos sigue una ley normal, con
un retraso medio de 10 minutos y desviacin estndar 5 minutos. Calcule la probabilidad de
que:
a) un vuelo no tenga ietraso;

b) el prximo vuelo llegue con no ms de 12 minutos de retraso;
c) el prximo vuelo llegue con ms de 15 minutos de retraso.
26
La Cruz Roja ha determinado que tiempo necesario para que una de sus ambulancias llegue al
sitio donde hay una emergencia se distribuye segn una variable normal de media 17 minutos y
desviacin estndar 3 minutos.
t49
4.70. Ejercicios
ir)
lr)
(-i;rlr:rrlc lir
rrolral.,ilirlir,Irlc:
<Lrr:
cl tictttpo cle llcgrrcltr est cornplCncliclo cntrc 12 y 21 rnirrntos;
.1:'iLLirrrrrvirloltIr:1 tir:rrr-rri/. Iiiplol-rabi]iclrcl clcrlucIaarnbrriancizrempleerlsclc/rrtitrlrtos

r:rr llr:girr r:t rlcl ir',2 /
Los r:r'r'olcs rlc
clc pcso cle Ltna balanzl obeclccelr a una ley normal con desviacirt
y
cst inclrr' 20 nrg csl)cr irrza 0 rng. Hzrlle Ia probabiiidad cle clue cle tres niediciones iridcpendientcs,
el clrol tlc por lo rncnos una cle ellas no sea mayor) en valor absoluto, que 4 mg.
lr nrcclir:i<irr
Se aplic rrrrzr plueba clc fluiclez ver-bal a 500 alumnos de Educacin Bsica. Se supone que las
rtrrrtnaciones obtcnidas se clistlibr.ryen segrn Lrna rrornlal de media 80 y desviacin estndar 12.
a)
b)
c)
l9
Qu puntuacin separr
.A
partir de qu puntuacin
se enclrentr a el 45 % de los alumnos con mayor fluidez verbal?;
Cuntos alumrros tienen una fluidez menor que 76 puntos?
El per'metro craneal de los hombres, en medido en cm,
a)
b)
es una
variable aleatoria normal /(60, 4) .
Qu permetro craneal debe tener un hombre para que el 16.6% de sus paisanos <<tengan
ms cabeza que
rl.
cl25% de los alumnos con menos fluidez verbal?;
l>>?
Y cunto para que el25.2Vo tenga menos?
(C.I.) al cociente entre la edad mental y la edad real. Se sabe que

Ia ley de distribucin del C.I. es normal con media 0.95 y desviacin estndar 0.22. En nna
Se llama cociente intelectual
poblacin con 2600 personas se desea saber:
l1
JI
a)
.Cuntas tendrn un C.I. superior a
b)
.Crrntas tendrn
1.3'/; c) Cultas tendrn un C.I. entre 0.8 y 1.15?
un C.L inferior a0.77?;
Se va construir nn n)arco para montar una puerta. Qu altura mnima ha de tener el rrrarco
para que el 7%o de Ia poblacin tenga riesgo de chocar su cabeza al atravezarla, si la estatura de
la lroblacin estadistribuiclanormalmente, con media

i2
F:1.72m y varianzao2, con o:12cm?
La cstattrra de la poblacin masculina est normalmente distribuida con F
a)
L67 cm
yo
3 cm.
Cul es la probabilidad de que un hombre tenga una estatura:
(i) mayor que
167
cm?;
b) En una muestra aleatoria
(ii) mayor que 170
cm?;
(iii) entre
161
173 cm?
de cuatro hombres, cul es la probabilidad que:
(i) todos tengan estatura mayor que 170 cm?

(ii) dos tengan estatura menor que la media (y dos mayor que Ia nredia)?
El peso de las fundas de papas fritas producidas por una fbrica sigue una distribucin rrolmal
con media 12.8 onzas y desviacin estndar 0.6 onzas.
a)
.Qu proporcin de las fundas pesan ms de 12 onzas?;
b) .Qu proporcin de las fundas pesan entre 13 y T4onzas?;

c) Determine el peso tal que el 12.5 % de las fundas pesen ms qr-re ese peso;
d) Si el falricante dcsea rnantener la media en 12.8 onzas) pero ajusta la desviaciu
tal que solo el ITo de las fundas
desviacin estndar-?
pese rnerros
de 12 onzas,
estndar
valor
debe
ser
el
cle la
.cul
Capitulo 4. Principales Dstribuciones de Probabilidad
150
34.
OE
Ji,
<:strtr-rr't ct: lzr pobla,cin rnascrrlina y femcnina siguen leyes de distlibucin nclrrnal. La
rtascrtliut tirtnc t,1 - I.67 trl y 01 : 12crn v ]a fcnlr:nina" p2:1.55 In y 612 :10c1r. Se tice
urra 1rarcjir ert lt c:ual cl varlr rnicle 1.70tn y Ia rtru.ler 1.60rn. Cornparil,tir/amente) .cul cle los
dos es rns rlto Li:spccto a los miembros cle su sexo?
La
Los conductoles quc se fabricrn para utilizar en las computadoras deben tenel resistencias clue
varan entre 0.12 y 0.74 ohm. Las medidas de las resistcncias que produce Lrna compaa siguen
una ley de distribucin normal de media 0.13 ohm y desviacin estndar 0.005 ohm.
a) Qu porcentaje de Ia produccin de
la compaa cumple con las especificaciones?;
b) Si se usau cuatro de esos conductores en una computadora, cul es la probabilidad de qne

los cuatro cumplan con las especificaciones?
36.
Los tiempos de Ia primera avera de una mquina de cierta marca tienen distribucin gaussiana
con un promedio de 1500 horas de uso y desviacin estndar de 200 horas.
a) Qu fraccin de esas mquinas
fallarn antes de 1000 horas?;
b) Cul debe ser el tiempo de garanta que deba dar el fabricante si desea que solo se presentr
el \Vo de las averas dentro del tiempo de garanta?
37.
El promedio de las calificaciones de los estudiantes universitarios

media 5.4 y desviacin estndar igual a 0.5 puntos.
se
distribuye normalmente co-
a) Qu porcentaje de los estudiantes tiene un promedio de calificaciones superior a 6?;

b) Si los estudiantes que tienen un promedio inferior o igual a 4.9 abandonan la universidac
qu porcenta.je de alumnos desertar?;
c)
38.
al azar tres estudiantes, cul es la probabilidad de que los tres tengan r-:
promedio de calificaciones superior a 6?
Se seleccionan
En el grupo tnico A, la estatura de las personas (en cm) sigue una distribucin,Af(t6S;25): .,el grupo tnico B sigue una,A/(170;25) y en el grupo C una N(175;25). Los tres grupos tnio-
son muy numerosos.
a)
b)
Si elegimos una persona del grupo A, cul es la probabilidad de que mida ms de 160 cn
Si elegimos 10 personas al azar del grupo tnico A, independientemente unas de otras, ctes la probabilidad de que 5 de ellas midan ms de 160 cm?;
c) En una ciudad, el 50 To de Ia poblacin pertenece a la etnia A, el 20 % pertenece a la E '

el30% r'estante a la C. Si elegimos una persona al azar en esta ciudad y mide ms de ---
d)
39.
cm, cul es la probabilidad de que pertenezca al grupo tnico C?;

Si elegimos 10 pelsonas al azar del grupo B, independientemente unas de otras, icul
probabilidad de que al menos 5 midan ms de 172 cm?
a -"
Una mquina para llenar cajas de cereal tiene una desviacin estndar de 25 gramos sobrt *r
cajas. Qu medida debe indicar el marcador de llenado de las cajas p--.
que permita que ha5,a cajas de 450 gramos o ms durante elI% del tiempo? Se supone qu iiu
cantidad de cereal por caja sigue una ley normal.
peso de llenado de las
40.
La anclrura, en mm, de una poblacin de colepteros sigue una distribrcin N(p,;o2). Se esti
que el 77% de la poblacin mide menos de 12 mm y que el 84% mide ms de 7 mm. Halle
parmetros de Ia ley.
4.77. EI teoretna del Lmite Central
151
4.11. El teorema del Lmite Central

Exantiucrrtos el sigtrierttc teorcrua. clue tielc rrna importaucia fuu<lrmcntal. ya crc constitrrye el nexo
le cornuniclcin entre las teoras dc Ia probabiliclad y la cstac-lstica.
Teorema (del Lmite Central) Sean Xt, X2, .. ., X,,, n r'rriables aleatorias independientes,
,listribuidas con media t y varianzd 02, y que signen una ley de probabilidad cualquiera -no necesariamente la misma-. Se forma Ia variable suma
que tiene esperauza
E(Y)
Y:Xt]-Xz-+..-tX,,,
varianza Var(Y) : no2. Entonces,
aleatoria
-E(Y)
-np
o{n
Jv*@
riende hacia una ley de distribucin normal estndar, cuando
ii
la distribucin de la variable
n tiende al infinito.
teorema implica que si n es grande, se puede aproximar las probabilidades de Y utilizando que
pr(y r)
: pr (t
=';#)
* (T#)
.: la que Z es una variable aleatoria normal estndar.

:" Ia prctica, se asume que la aproximacin es buena si n )
=
25.
formulacin de este teorema es, en su forma ms elemental, debida a P. S. Laplace y fue demostrado
primer lugar, por Liapunov en 1901.
:--a-rlrosamente, en
Ejemplos
-.
Sean X1,
Xz,
...,
X1o, cincuenta variables aleatorias independientes que siguen
r
Pr(X
Calcule la probabilidad Pr (Xr + Xz
: r) rl8
+ .. . * Xso >
3i8
t/2
70).
Solucin: La esperanza y la varianza de las variables aleatorias son
E(X):
Entonces, si
Xt
+, Var(X,) : #
* Xz*.'. *X0,
E(v)
: 50x+:T,
Var(Y) :
31 775
bux6a:E'
la ley
irl
l'tittt it:ri,'.s fij.,l tilttt it;cs rlc l't,!.ltilitl;t'l
I'ri)
i{)
l-,1'
l-l t'osto rlitti,r rlc orcliu llll iullrltis lir,tl,) rurt'rrsto li.irr r[t: ]J0,l,rlalcs v rrn \alol \'uirl]le rlcl 30:.rlr: los ittgl'r's<ls. EI itrglt'so lier<'r ttrr,lisl Iilrrrr i,ilr unilr,r nrc t'r1r'r:5r0 l'250 dlales. a) Cirlt:rr1;r:
la rr,rltr,lrili,la,l rle (luc ('l ('()sto ([r: <lret.;rL rur :rrt()l)ris. rlruarrtr,S[ <lias. sllpele los 2500 cllares
lr) ;.C'rrrrtos rls rle ort'ta<:irirr s<:r'tr no('('s;uios r;tt;r (,lll(\ (()lr llrrir l)tol)l)ilidad cle 0.95. cl c()st,,li,,rlrct';u:ir'll sea .lo it,l Irrclr()s 2.li()
d<'larcs.'
.j,,lut:ittt: l)r.filtltu,'s l;ts sigrtir,ltlls
\':lt';rl,lcs;rlr':rlorrrs:
-\ : ltr;rt'so rli;rtir r rol r )l)('t;r( irlrr .lt:l rutol)rij: .\'
('' f'..1,r
!i;rl
i,,,lt',,)t
't
;t,'iritr,lr,l ;rrl,rlris:
C..'
.i0
/i;(). 2;01
0.:1.\.
Sr: t it'trt' rttc
l-tti,,!tt,'..
E(C:,
:,ll -- l).J :< 150 = iir.

((l .t)r ;< :'r:l:3:J.:J:J : .jlll
Vrrr(Cl;)
ii
;t) Slrr l' : I l',. r'l r'rtsl,r r[t,olrt'l:tci,ilr

r=l
trr,.tisrrrl
1500
Pr'()'>2j00) = i-
= llr)
Sctr
ilcl ittol)tis.
l.
l:,rttctrrccs,
- 31 x 75
\/300\,67
0.964S
- o (r.815)
0.0352.
U cl costo dt: ort'r';t<'irirr eu rr rls: r:rtorr('es.
ll valirlrk: rleatotia
z:ry_^/(o,t).
t/300{u,
.5r:
rL,l,r'rlllr,r rrirrr,r'eI r,;rlot rlc lr. tal (llrc [)l(.i > 2350) :0.95:
|,t({'>.]:l..-l(l)=i,,(z'ffi):'_*(,loo#'',):o.n'.
I'l'I;tttlrl.
3i(l - i l
yf.rt)tttT = -1'645'
i,
'r. rlsrrltil rlil(, ,r
.f:l
;:j. Ls rktcir'. sr: lrcfirsiti\Il 34 clrs.
4.77. El teoretna del Lrnite Central
153
til de uu componertte elcctr'uico se clistribuye exporencirlrnente con rnedia

dc 100 iror'rs. Apenas falla un cornponcrite, sc Io rcemplzrza con otro par:a contiulral'cl trtrbajo.
a) Caicular' la plobabiliclrcl c]e cre clurarrrte 210 clas sc necesiterr ms cle 36 cle esos cou]poncltes;
b) CLrntos de estos cornponeutes se necesitan para (lue duren al menos 4600 holas, con Llna
probabilidad dei 99 %?
StLportga qr.re la vicla
Soluci,n: Definamos las siguientes variables aleatorias:

X: <<Duracindeloscomponenteselectrnicos>>;
Y,r: <Tiempo
a)
total de duracin de n
X-t(llI00) yE(X) :o(X):100.
componentes>>;
Yr: i Xo.
,i:L
Se necesitan ms de 36 componentes durante 210 das, si la
vida til es menor a 5040 horas
(210 das por 24 horas). De manera que

Pr(Y36
< bo4o)
too) :
= r Itot,==tuj
\ 100y'36
:
b)
Se debe encontrar
Q'4)
0.9918.
n tal que P.(% > 4600) :0.99, luego
Pr(Y-<
4600)
Luego,
4600
r (ffi)
100n
o.ot.
-2.33
Lasolucindelaecuacirresn:64.5;esdecir,65componerrtes.<
-{proximacin de la ley binomial por la normal
l.n
caso particular del Teorema del
Lmite Central -conocido como teorema de Moivre-Laplace-, se

::esenta cuando todas las variables X son independientes, idnticamente distribuidas segn una ley
:t Bernoulli con parmetro p. Como sabemos, la variable
,:j*,
i=l
a.e una distribucin Bin(n,p), con media np y varianza npq) corr Q :

- -:cite
Central, la variable
I - p.
Por el Teorema del
Z_ Y-np
J"w
ii:re apl'oximadamente una ley normal estndar, cuando n es suficientemente grande; es decir,
pr()'<)
:pr
(ttffi)
=r (ffi)
la Figura 4.5 se muestra los valores de Ia distribucin binomial para n : 20 y p : 0.5. Para
:s:a distribucin, p:np:20x
0.5: I0y o2: np(l-p):20 x 0.5 x 0.5:5. Sobrepuestaa
; listribtrcin binomial se encueltra una distribucin normal con media F : !0 y varianza o2 : 5.
:r
l'-ramos qne la curva de la normal se aproxima mucho al histograrna de la binomial.
r54
Captulo
4. Principales Distribuciones
de Probabilidad
Figura 4.5: Aproximacin de la ley binomial por la ley normal.
En la siguiente tabla se presenta una relacin entre los parmetros n y p para que la aproximacin
normal a la ley binomial sea vlidaa.
n requerido
22t
0+
0.01
0.05
0.10
0.15
0.20
214
188
757
728
100
Otro criterio para escoger n es que el intervalo (o
\ -
dentro del intervalo (0, 1).
Ejemplo. La Superitendencia de Bancos
n requerido
0.25
0.30
0.35
0.40
0.45
0.50
pq
Z
74
51
32
16
13
13
,Pl2 T)
se encuentre completament
cree que el 32% de los crditos al sector agrcola estn e-
mora. En un estudio se tomo una muestrade2T0 crditos a la agricultura. a) Hallar la probabilidade que ms de 80 de ellos estn en mora; b) Cul es la probabilidad de que exactamente 95 cliente.
estn en mora?
Solucin: Sea X el nmero de clientes con crditos en mora; X
a) La probabilidad de que ms de 80 clientes
estn en mora
pr(X > 80) : pr(x > 81) :
Bin(270,0.32).
es
270
clro(0.32k10.68270-k,
/r:81
cuyo clculo puede ser muy complicado. Aplicando la aproximacin de la ley normal a la l.n
binomial, se tiene
p : np :270x 0.32 :
86.4, o : \MA :1mV
068 :
7.665.
Luego,
pr(x>80):
:
,,(t'
*q-#)
=r-*(tt#3-)
1-0.2033:0.7967.
aUna amplia discusin del tema se encuentra en

Samuels, M. y Lu, T.-F.C. (1992), "sample Size Requirements f
the Back-of-the-Envelope Binomial Confidence Interval," The Americon Statistician, 46, 228-23L, de Ia cual se extre!il
la tabla.
4.72. Ejercicios
b) La probabilidad
buscada es Pr(X
95)
155
C8?0(0.32)e5(0.68)270-e5
Si emplearnos el teorelna de Moivre-Laplace, resulta:
pr(X
:9b) :
:
pr(94.b <
0.8829
< 95.b) =o
- 0.8554 :0.0275.
195!:96a)
\ 7.665 )
Como se observa, la diferencia entre el valor exacto y el aproximado es mnima.
1.L2. Ejercicios
1.
En una caja se empacan 100 latas de conservas. Segn los datos de la fbrica, cada lata tiene
un peso promedio de 1 oz con desviacin estndar de 0.1 oz. Cul es la probabilidad de que
una caja pese ms de I02 oz?
Un borracho camina de forma aleatoria de la siguiente forma: cada minuto da un paso hacia
adelante o hacia atrs con igual probabilidad y con independencia de los pasos anteriores. Cada
paso es de 50 cm. Calcule la probabilidad de que en una hora avance ms de 5 metros.
.).
Los clientes de cierto banco efectan depsitos con media 157.92 dlares y desviacin estndar
30.20 dlares. Aparte de sto no se sabe nada ms acerca de Ia distribucin de estos depsitos.
Como parte de un estudio, se eligieron aI azar e independientemente 75 depsitos. Cul es la
probabilidad de que la suma de estos 75 depsitos sea 12 750 dlares o mayor?
Los vehculos que cruzan un puente tienen pesos cuya media es de 4675 kg y cuya desviacin
estndar es de 345 kg. Si hay 40 vehculos sobre el puente en un instante dado, halla.r el nmero
o tal que la probabilidad (aproximada) de que su peso total no supere a o sea del 99 %.
La empresa Rapid Express enva paquetes de distintos pesos, con una media de 1.5 kg y una
desviacin estndar de 1.0 kg. Teniendo en cuenta que los paquetes provienen de una gran
cantidad de clientes diferentes, es razonable modelizar sus pesos como variables aleatorias independientes. Calcule la probabilidad de que el peso total de 100 paquetes exceda de 170 kg.
6.
nr
El propietario de una copiadora ha determinado que el nmero diario de copias que se realizan
en su local tiene una media de 1250 con una desviacin estndar de 350. Halle Ia probabilidad
de que en un mes de trabajo (25 dfas) el total de copias:
a)
sea menor a 30 000;
b)
se encuentre entre 25000
y 32000.
Una radiloga que trabaja en el servicio de traumatologa de un hospital ha comprobado que el

tiempo, en minutos, que tarda en atender a cada paciente es una variable aleatoria con media
7 y desviacin estndar 2. Durante su jornada laboral trabaja 6 horas atendiendo pacientes
sucesivamente y sin interrupcin. Calcule, aproximadamente, la probabilidad de que durante un
dla pueda atender hasta 55 pacientes dentro del horario de su jornada laboral. Se supone que
todos los pacientes estn en la consulta con suficiente antelacin y que no hay <<tiempos vacos>>
entre dos pacientes consecutivos.
La resistencia de un hilo metlico es una variable aleatoria cuya media es 3 kg y su desviacin

estndar 1 kg. Suponiendo que la resistencia de un cable es igual a la suma de las resistencias
de los hilos que lo forman.
a) Calcule la probabilidad de que un cable de 100 hilos
sostenga 280 kg;
Captulo
156
4.
b) Cultos hilos se rrecesital pala qr-re el cable

9.
Utr jugador de baloncesto encesta urr lanzrrniento de 3 puntos con plobal,'ilidacl 0.3.
a)
Aproxime la distribucin del nirmero cle canastas corrseguidas ert 25 lanzamientos;
b) Calcule Ia
10
sosterrga 300 kg corr urr gg% cle seguriclrci/
probabilidad de encestar ms de 10 canastas.
En promedio, de las personas que ingresan a una librera solo el 25o/o realiza una compla. Si
en un da entraron 80 clientes, calcule Ia probabilidad aproximada de que se hagan al menos 28
cornpras.
11.
Se ha encontrado que el 70% de las personas que entran en un centro comercial lealizan cuando
menos una compra. Para una muestra de 50 personas,
a) cul es Ia probabilidad de que cuando menos 40 de ellas realicen una ms compras?;

b) cul es la probabilidad de que menos de 30 de entre 50 personas muestreadas realicen
cuando menos una compra?
12
En una fabrica microcircuitos se ha comprobado que el 4% de estos son defectuosos. Un cliente

compra un paquete de 500 microcircuitos procedentes de la fbrica. Determine:
a) el nmero esperado de microcircuitos no defectuososl

b) la probabilidad de que se encuentre ms de 25 microcircuitos defectuosos;
c) la probabilidad de que el nmero de microcircuitos defectuosos est entre
13.
16
30.
Se conoce, por estudios previos, que Ia proporcin de vacas que enfer-marn despus de suministrarles la vacuna contra la fiebre aftosa es del 2To. Una granja tiene 600 vacas qtre sor
vacunadas. Determine:
a) el nmero esperado de animales
que no enfermarn;
b) Ia probabilidad de que el nirmeio de reses que enferman sea) como mximo, 17;
c) la probabilidad de que el nmero de reses que no enferman seaT como mnimo, 590.
t4. Un
zologo estudia cierta especie de ratones de campo. Para ello captura ejemplares de una
poblacin grande en la que el porcentaje de dicha especie es 100p.
15.
a)
Si p :0.3, halle la probabilidad de que en 6 ejemplares capturados haya al menos 2 de lo.

que le interesan;
b)
c)
Si
Si p
0.05, calcule la probabilidad de que en 200 haya exactamente 6 de los que le interesan:
:0.4,
calcule la probabilidad de que en 200 haya entre 75
110 de Ios que le interesan
el nmero de fracasos que preceden al 45" xito en un proceso de Bernoulli con proba^9a5
bilidad de xito P : 0.36. Sea ,5a5 : Xr * ' ' '* Xu, donde X1 representa el nmero de fracaso.
que preceden al primer xito, X2 es el nmero de fracasos entre el primer y el segundo xito. r
as sucesivamente. Las X son independientes.
Sea
a) D el nombre de la distribucin de una rnica X, obtenga tambin su media y su varianzar

b) Cul es el valor esperado y la varianza de ,9a5?;
c) Aproxime la probabilidad de que Sa5 est a una distancia no superior a 20 de su uredia.
Captulo 5
Distribuciones Multidimensionales de
Probabldad
EI supuesto errneo de que la correlacin irnplica causalidad es probablemente
uno de los dos o tres errores m,s serios g conlunes del pensam'iento humano
Stephen Jay Gould
;-,
muchos casos) un fenmeno aleatorio no depende de una sola variable, sino de dos o mi; por
- =:rplo, algo tan simple como el tiempo que empleamos en trasladarnos desde la casa a la universidad
l':!e61s, entre otras cosas, de Ia velocidad media del carro y del nmero de veces que nos detengamos
: -: los semforos en luz roja. Es decir, el resultado en la prueba descrita depende de, al menos, dos
--=:l ables aleatorias.
;-
.o que sigue, trataremos con conjuntos de varias variables aleatorias que se manifiestan simultnea- --te en un fenmeno y determinaremos si ellas estn o no relacionadas. Para simplificar la exposicin,
-jzaremos eI caso bivariante ya que Ia generalizacin a ms variables es inmediata.
Variables aleatorias bidimensionales

fefinicin (de variable aleatoria bidimensional)
Sean X y Y dos variables aleatorias unidi-=:rsionales deflnidas sobre un mismo espacio muestral f,); entonces, la funcin
r_F
LD
-+
r------
RxR
(X (r) ,y
(r)),
-'--,de w es un evento elemental, es una variable aleatoria bidimensional.
\,-rtacin. ParareferirnosalosoQtalesque X(u):ayY(w):b,simplernenteloharemoscomo

l: cL,Y :b y a Ia probabiidad de este suceso corno Pr(X : a,Y :b).
-e -,rrma anlogase definen y notan las probabilidades Pr(X < a,Y
,LJ I
b) y
Pr(a <
X < c,b <Y < d).
158
Captulo
5. Distribuciones Multidimensionales
5.1.1. Variables bidirnensionales discretas

Definicin (de variable aleatoria bidirrrensional discreta) Sean X y I/
tlis<:r'etrs. La fur,cil dc 1-nobrrbilidaci conjrrrrta de X y Y est clacla por
f @,a): Pr'(x
A Ia variable aleatoria (X,Y)
: r,Y :
clos rrrlialrlcs rlcrtorirs
Y)'
se le denomina bidimensional discreta.
Sea? : {(r, eFr2l @,y) > 0}; es decir, el conjunto de puntos con probabilictad positiva, es finito
o infinito numerable y se cumple que
f (r,a)
L.
(x,v)eT
Supongamos
quezl, 12...y At,Uzr...

Pt
son los valores posibles
:Pt(X : ri,Y :
deX y Y, respectivamente, ysea
Ai)'
La probabilidad del evento (X,Y) .E es igual a la suma de todos los p para los cuales (r,y) E:
Pr(X:ri,Y:yj):
Pr[(X,Y)eE): t
(t,v)eE
Definicin (de funcin de distribucin conjunta) La funcin

variable aleatoria bidimensional (X, Y) se define por
F(*,:
Pr(X
p,j.
(r4,y)eE
de distribucin conjunta de la
I r,Y < a) : | | nti

r1r y1y
La funcin de distribucin conjunta cumple qrru
,IToo rfT."
F(r,a)
0 y q"e
,lgg rlIg
(",
u)
r.
A partir de las p,; se pueden encontrar las funciones de distribucin de X y de Y.
Definicin (de funcin de probabilidad marginal) Las funciones de probabilidad marginal

X y de Y estn dadas por las frmulas
de
fx(r)
: i"r," :r,y:uj) :DPo'

j:r
j:r
oo
fy@) : f erlX:r,y:aj) :DPn'

i:l
i:L
Las fnnciones de distribucin marginal
Fx(t):
Fx y Fv
x,4t
Drnt
j:l
Observacin. Si los espacios muestrales
son
se calculan por
Fy(t) : llnt
A<t i:I
finitos, las series deben reemplazar,je por sumas finita-s
5.7. Variables aleatorias bidimensionales

,l'on
rq,1161
"rlerrtc
cle r'rriallcs ak:torias bicliurcnsiouales se ruecle
r lr autetiot'trlclttc
159
clal uut defrrricin cle iuclependerrcitr
e<1tti-
clrclir:
Definicin (de iudependencia)

Pr'(X
Lrs vrlirbles rleatolias clis<:r'clt,rs
: r.Y :
y)
:Pt'(X : z) x Pr(Y :
X y Y son inclepenclientes si
9;.
Ejemplos
1.
Determine el valor de k para que la funcin
f @,A)
- krA, para r : !,2,3; A :1,2,3,
pueda servir como una funcin conjunta de probabilidad.
Solucin: Sustituyendo los valores de z y de y, encontramos que:
/(t, t : , f (I,2) :2t, /(1,3) :
:2t, (2,27 :4,

(3, t : 3, f (3,2) :6,
"f
f (2,t)
3P,
f (2,3) :6t,
,f (3, a) : 9.
Para que / sea una funcin de probabilidad, la suma de todos los trminos que acabamos de
calcular deben dar 1; es decir,
k
+2k+
3k
+ 2k + 4k + 6k + 3k + 6k*
Resolviendo esta ecuacin, resulta que
/c
94.
1.
: :
36
Pongamos en una tabla la funcin de probabilidad resultante:
X
Y
1
2136 4136
3136 6136
2
3
2.
r/36 2136 3136

6136
e136
Las probabilidades de la distribucin conjunta de las variables aleatorias S y T se dan por
s
T
-1
1
-1
r/8 r/t2
7124
5124 116 Llg
La interseccin de las filas y Ias columnas da la probabilidaA p : Pr(S : i,T : j) (i : -I,

0,l; j - -1, t). u) Calcular Pr(S I 0.5, ? a 0.9); b) Hallar las leyes de las variables aleatorias
svT.
Solucin:
a) De acuerdo a la frmula de la funcin

F(s, )
de distribucin conjunta de
Pr(^9
1 s,,T < t)
:lln,i
i<s j<t
^S
y ?:
5.
Capitulo
160
Distribuciones Multidirnensionales
Entonces,
F(0.b,0.3)
: I tPr(^9:i,T:
j<0,3
<0.5
: Pr(S : -l,T : 115

8-12:i4'
b)
-1) + Pr(S
:0,7 -
Por la frmula de la funcin de probabilidad marginal tenemos: f s(i)
-1)
: !
Pr(S
'i.,7
j):
por lo que
/s(-t) : Pr(.9: -7,7- -1) +Pr(S- -1,7 :l)

151
B' 24 3'
/s(o) : Pr(,s: 0,7 :-1)+Pr(S:0,?: 1)
111
12' 6 4'
/s(t) : Pr(S : l,T :-1) +Pr(,$: I,T :I)
I
7r5
: %E:
De manera anloga, se obtiene la ley de
/r(-t) : Pr(^9: -l,T:

1171
12'
?:
-1) +Pr(^9:0,7: -1) +Pr(^9:1,7: -1)
ll
8-12-24-t
:
: -1,7 :1) + Pr(S :0,7:
Pr(.9
fr!)
5 *1*1:1
: 246- 8- t'
Entonces, las variables aleatorias S
-1
1)
Pr(^9
7,7
:1)
y T siguen las leyes:
l-r
Pr(T: j) I rl2
01
rl2
5.L.2. Variables bidimensionales continuas

Definicin (de variable aleatoria bidimensional continua) Sean X y Y dos variables aleatorias continuas, a la variable aleatoria (X,Y) se le denomina bidimensional continua si para cualquier
punto (r,a) < R2 se cumple
Pr(X : T,Y :9) :0.
A la variable aleatoria (X,Y) est asociada una funcin no negativa
conjunta, que cumple con Ias siguierrtes propiedades:
1. f (",
es no negativa; es decir,
2. .J_-.l_*"
[* l'* I@,y)
' " d,y d.r :
3.
V(z,g) e R', f @,
>_
/,
denominada fu,ncin, de densida,:
0.
t.
La probabilidad del evento ,r(X,Y)
-B>>
se calcula mediante
Pr[(X, Y) e E]:
l.l
E
f @,a)
d,y d,r
5.7. Variables aleatorias
bidrnensionales
161
Definicin (de funcin de distribucin conjunta) La ftrncin de clistribucitt

.-riable aleatoria lidinrerrsioral (X. Y) sc clefine por
F(r.y):
Pr'(X
1.r.Y < s) :
,IToorIT." F(r,y):
-.
funcin de clistribncin conjr,Lnta curnple q.l"
-.
funcin de densidad conjunta puede obtenerse a
tI4
[a, b]
x lc,d),la probabilidad
del evento
(tLd's'
y que
:1.
,ULJIL F(r,u)
partir de la funcin de distribucin mediante
F(r,y)
o2
'tl J -.l \&r Y

-
-.i E
l_*rr',t)
corr.juntr de la
or oa
(X,Y) E
es
igual a
db
Pr(a<X<b,c<Y< o):
Il"f
@,y)d,rdy: J
,o,fid,rd,y
Definicin (de funcin de densidad marginal) Las funciones de densidad marginal de las
-.-ariables aleatorias X y Y estn dadas, respectivamente, por las relaciones
/'oo
fx@):l
.l
-a
v fv(a):l,l
l@,a)da
-*
f@,a)tu.
-\ partir de stas, se calculan las funciones de distribucin marginal Fy y Fy:

toooo
Fx(t):
lon
este
"[
f@,y)dyd.r
tipo de variables aleatorias tambin
Fy(t):
se puede
If@,s)d,rd,y
reformular la definicin de independencia.
Definicin (de independencia) Las variables aleatorias continuas X y Y son independientes

rara todo par de valores (",a) e R2 se cumple
si
F(r, : Fx(r) Fv(a),

r equivalentemente,
f (r,v)
f x(r) fv(v).
Ejemplos
1.
Un crculo de radio o est inscrito dentro de un cuadrado cuyo lado tiene una longitud de 2a
(vase Ia Figura 5.1). Se supone que Ia probabilidad de que un daldo arrojado hacia el cuadrado
es idntica para cualquier punto. a) Calcular la probabilidad de que el dardo impacte dentro
del crculo; b) Encontrar las leyes marginales de X y de Y.
Captulo
L62
5. Distribuciones
Multidirnensionales
Solucin:
a) La probabilidad
de impacto esta definida por la densidad
xv(r,o)
: { *"'' si (r'a) e l-o'o) x l-a'a);

[ 0, si (r,a) (,1-o,o] x l-a,a).
La probabilidad de impacto dentro del crculo *2 + y2 -- a2 se calcula como

Pr(x2 +Y2
b) Por simetra,
f @,a)d,rdy:#:;
ll
,2y2-q2
las funciones de densidad de
f x(d
2.
< o2):
X y de Y
L *'r:
l'"
_o 4az
:,
2a'
son idnticas; calculemos la de
X:
r e l-a,a).
Dada la funcin de densidad conjunta de Ia variable aleatoria bidimensional (X, Y)
(t
fxv(r, : I r\2'
I O,
si
r ) L'Y'- li
caso contrario.
Determinar: a) las funciones de densidad marginal de cada una de las variables; b) la funcin
distribucin asociada.
Solucin:
a) Las funciones
de densidad marginal son
f x(r)
fv(a)
[*t f *r(r,y)
da
: .lt[* +
:
rU' ay 4.
lr* *rlr,e)
dr
lr*
o,
i.
Adicionalmente, podemos deducir que las variables aleatorias son independientes.
b) La funcin
de distribucin
F(*,y)
es
.lr' Ir"
,*r(s,
)ds
: (#) (")
or:
Ir' Ir"
oro,
Consecuentemente, la funcin de distribucin queda como
f (t-Xt-v).
Fxv(x,y)={
ra ' sir)1,
I O,
y2L;
caso contrario.
de
5.2. Dstribucin
5.2. Distribucin
condicionada
163
condicionada
Definicin (de probabilidad condicionada) Sean a y b dos nmeros reales cualesquier a y X

y Y dos variables aleatorias de manera que Pr(Y < b) + 0. La probabilidad condicionada de que
X 1 a, dado que Y < b, se representa mediante Pr(X < alY < b), y se defi.ne mediante la igualdad
Pr(X < alY <
Pr(X < a,Y <b)

Pr(Y < b)
Para variables aleatorias discretas, Ia probabilidad condicionada de

variable y, est dada por
Pr(X
b)
:
: at
,, -P'(I:^!'Y
Pr(Y:Y
rlY
'
u)
r,
para un valor fijo de la
Para variables aleatorias continuas, la funcin de densidad condicionada de

de la variable g, se calcula por
f @la)
Como fv(a)
l*_rr",a)
d,r
,@)',)
r, para un valor
TY\A )
: l_ f (al")f x@) dr; entonces,
f (alr)f x(")
f(,(rga)
f@1
-'x
f (al")f x@) dr
que puede interpretarse como el teorema de Bayes para funciones de densidad.
Ejemplos
1. (Continuacin)
Un vector aleatorio bidimensional sigue la ley:
X
Y
1
Hallar la distribucin condicionada de
1136 2/36 3/36

2136 4136 6136
3/36 6136 s/36
cuando Y
:2"
Y
I t
Ladistribucinmarginalde)e
La distribucin condicionada de X cuando Y :2 ser:
Solucin:
Pr(X
Pr(X
Pr(X
:
:
LIY
2lY
- 36:1
1 - 6'
:2) :
:2 :
Pr(X : 2,Y :2)

Pr(Y :2)
3
4
-361
:3lY :2) : Pr(X :3,Y :2) :

Pr(Y: 2)
3'
3
6
1
-AO.
2'
fijo
Captulo
164
2. La 1ey de densidad
5. Distbuciones Multidimensionales
conjurrta de una variable aieatoria bidirnensional (X, Y)
es
, f 2, si0(r1).,0<y<r,rly<r;
r'\r \ /: I .0,
"fxr'(r,ll)
L
casoconl,r'ario.
Hallar la ley de distribucin condicional de Y
cuando :
20.
Soht,c'in: Se tiene que
:2(I
dr
_ y).
La distribucin condi
, Para0(rlr-ao;
f@lao)
5.3.
caso contrario.
Esperanza y co\arianza de una rariable aleatoria bidimensional
Al igual que en el caso de las variables aleatorias unidimensionales, en las bidimensionales es posible
calcular la esperanza y la varianza, previa la realizacin de una transformacin de variables.
Definicin (de esperanza)
Sean (X,
Y) un vector aleatorio bidimensional y g(r,y) una funcin
real
g iPt2 --J
@,a)
1.
Si (X,Y) es un vector aleatorio discreto, cuya funcin de probabilidad es /(z,g), entonces
E(g(X,
2.
'-
R
g(r,a).
Y)):
ttri
s(ri,yj) f (*,a): tD,s@,,a)p.

ri
aj
yj
Si (X,Y) es un vector aleatorio continuo, cuya funcin de densidad conjunta es /(r, A), entonces
E(g(x,Y))
Observemos que si
XyY
l:l:s@,a)
r@,a)d,vd,r
son independientes, se deduce que
als@)n( )l : E[g(x)]Eth(Y)1.
Para las variables aleatorias bidimensionales se tiene una medida estadstica nueva, ia covarianza) que
permite evaluar la relacin entre Ias variables aleatorias X y Y.
Definicin (de covarianza)
Sean
X y Y dos variables aleatorias, Ia covarianza
calcula por
Cov(x, Y)
E[(x
- E(x))(Y -
Equivalentemente, la covarianza se puede calcular como Cov(
Propiedades.
entre
XyY
E(Y))].
X,Y) : E(XY) - E(X)E(y).
(Solo se demostrar una de ellas, se recomienda al lector verificar las restantes)
se
5.3. Esperanza
1. Cor'(-X. )') - Cor-()', I).

2. Cor'(X,,{) : VaL(X).
jJ. Si rt v (2 sorr dos colrstaltcs
Si
1rs
165
Positiv:rs, cutouccs
Cor'(a1X1
1.
.y covarranza
I^:?,Yr,\')
o,t
Cov(X1,l')
a,2Cov(X2.\/),
r'rriables aleatorirs son independientes, Ia covaliarrza entre elias es igual a cero.
En cfc<;to,
:E(xY) -
Cov(x,Y)
lCov(X,}/)l < 1/Yar(X
-\ contirmacin,
Var
E(X)E(Y)
E(x)E(v)
- E(x)E(v) :
0.
(Y)
se deduce una expresin para la varianza de la suma de dos variables aleatorias
'.ralesquiera.
Var(X
+Y) : E(x+Y)' -[e(X+Y)]2

: E(X') + E(v2) + 2E(XY) - [E2(x) + E2(v) + 2E(x)E(v)]
: [E(x') - E'(x)] + [E(y2) - E'(v)l + 2[E(xv) - E(x)E(v)]
: Var(X) +Var(Y) *2Cov(X, Y).
.is. partr dos variables aleatorirs cualescluiera se tiene que
Var(X +
le
ruarrcrr sinrilar',
var'(Xl') :
y) :
Var(X) + VaL(Y)
2Cor'(X, Y).
la 'n'arianza del producto de dos varialles alertorirs
X y l'
es
pf..Var(X) + pk|X)Var(Y) t2tyt.,..Cor,(X, Y)
+2prD [," - /-x)(l'- tr.)']

-t2r.,-E
[t" - rtt) (X - ui')+ 2E i(x - ttx)2 (\' - r,t-t2] - [co"{ x,Y))2
,
--,trde
r_y: E(X) y Fv: E()').
la covarianzay Ia varianza se define el coeficiente de correlacin, que es una medida

- dependencia entre las variables aleatorias X y Y.
-',.-,n
base en
Definicin (de coeficiente de correlacin)

r: colrelacin entre X y Y se calcula por
p(x,v :
Fropiedades.
-. p(x,\') :
X y Y clos variables
el coeficiente
Cov(X, Y)
(Se lecoinienda que el lectol verifique algunzr cle cllirs)
p(\" X).
l. El r,'rlol clel cocficieute cle con'elciu

-r. Si )'
Sean
de
varr entre
st: cxprcsa lincrlnrenbe err funcin de
crltorICCS lf(X )-)l :
-1
.y 1; cs
X, pol Y :
a,X
clecir', -l < p(X,y) <

, donde
cr,
1.
b son dos constantes,
4.
5.
5. Distribuciones Multidirnensionales
Captulo
166
si lp(X,Y)l
si
X ), \'
:1,
errtottces cxiste clePeudc:ncia lirreal
entlc X y
sorr vr'iablcs rlcrtolir.s irrcleP<tnrlicntes, entou<;us
Y-.
p(X,l') :0.
Observacin. Se debc tener en cucnta cre si clos rraliables aleatolias sorr independientes, cntoncc.
son no correlacrionadas; pero la afirmacin rccrroca no es correcta; es decir', si dos variables aletoriar.
no estn <rorrelacionadas, uo son obligatoriamente inclependientes.
Ejemplos
1.
Las variables aleatorias
,S
y 7 tienen funcin de probabilidad conjunta dada por
s
T
-1
1
-1
r/8 r/12
1
7
/24
5124 116 rl8
Calcular: a) las esperanzas y las varianzas de S y de T; b) el coeficiente de correlacin.

Solucin:
a) Anteriormente habamos calculado las
l-r
leyes marginales de ^9 y de
?,
que son:
-1
Sus correspondientes esperanzas son
:
E(s2) :
E(s)
,-', () * ror (i) *
(i) * (o)' (i)
(-t)'
E(") : (-') (;) * (') (;) :
E(r\ : (-')' (;) * (')'(;)
_1 I.
-
En consecuencia,
Var(s)
E(^9')
-E'(s)
Var(") : E(T') -E'g)b)
:#-(+)' :H,
1
Calculemos, en prirner lugar, la covarianza entre S
E(S")
: ftiip(i,i)
?,J
:
:
-02
1.
y T, para ello determinemos E(^9?):
(i:-r,0,1; ,:-t,t)
(*) . (-1)(,) (;u) . (o)(-') (#)

+(0)(,) () . (1)(-1) (h)* ('x') (*)
(-1)(-1)
157t1
8 24 24'8
--I
4'
5.3. Esperanza y covarianza
1.67
Por Io tiurt,o,
Cov(S',7)
E(sr) -
E(S)E( T)
_'i_
( ;) (o) :-1
Con toCo esto.

Cov(.S,7)
p(s,ll) :
-?
-+:
t/toz
(i#) .'
2.
-0.29.
La funcin de densidad conjunta de las variables aleatorias S y T est definida por
txv\r,
/ Y), : 12, si0(r.-I,0<y<!,r*a<L;
t o, caso contrario.
Hallar la correlacin entre
X y Y.
Soluci,n: Anteriormente determinamos que
f x(")
y varianzas
Sus esperanzas
:2(I - r) y
:2(t - a).
fv(y)
son
E(x) :E(Y)
:* y
Var(X)
:vur(Y):*
Tambin,
E(xY)
Cov(X, Y)
.[ot-'
lo'
Entonces,
E(XY)
2ry
d"y
d,r
: n
1
111
- E(X)E (n : + - 3"3-
36
De manera que
P(S,T)
Cov(^9,
T)
2'
Notemos que estas dos variables no son independientes.

Determine la correlacin entre las variables aleatorias
x,y. (r,
donde lRl
<
X y Y, cuya densidad conjunta
R2D
+u2
: L2"ffie
-L"-G'2 \-'o -2RLa) / QQ- ,
es
.@<r<oo, m(g(m,
1 (a esta ley se le denomina normal biuariante).
Solucin: Calculemos Ias funciones de densidad de cada una de las variables aleatorias.
: l:
2n
1ffi"
-u2/2
l'*
J-*""-@-no)2/eG-R2D
dr.
168
Captulo
IJrr:irtrrrLo
:-. ll
,/
5.
Lt
: t' r/,r' tt: l-./,,\) tt t
't
'
Distribuciones MultidimensionaJes
,/
t - ll.2dz.
I .'tt..2t:., / .: /, ,
I Ct/-,la:-,
- )tT'
.l -^
: j:e
AniiLogarrrente, se clcteluritirqrrc./tt)
A p;rltir
<[e
sto, es ficil I'ctificar que
Encorttlerrros la
Cor'(X.
crtcotttrarLtrs:
v !7t
7
rf-'l-
,,.,.tz.
t :t
-)O<r<
'tt12, -co < r <
\.
oe.
E(X) : E(y) :0 y que Var(X) : Var(]') :1
cor'rlirttzr:
Y) : E(Xi') =
h'[-
E(X)E(Y)
l:l:rurxv (r,y) rlr
o"-o'''(l: J';I _H
1
- r-
Ry)2 I
d'y
Q(1-R2)) ar\ y.
La integral interior es igual a Ry; por lo tanto,

Cov(X,
]-Jr;
\:
Con todo esto,
p(x,Y):
5.4.
d,a:
.[*_r'"-t"/2
Cov(X, Y)
vry"rEtrcn
R.
: R :R.
1.1
Variables aleatorias multidimensionales
Los corrceptos descritos, r'liclos prrra variables aleatorirs biclirnensionales, se pneden generalizar r.
vcctorcs aleatorios de cnalcriel dimcnsirl; por lo tanto, solo vamos a exponer las definicioles d.
mrnerl r-esumida.
Definicin (de variable aleatoria multidimensional) Sobre un mismo espacio muestral l)

estn defrnidas lasl'ariables aleatorias Xt, Xz, ..., Xn, entonces, se dice q.ue Z :(Xt,Xz,...,Xn)
es un vector aleatorio o una variable aleatoria n-dimensional.
Si Xl , Xz, ..., X, son variables rleatorias discretas, el vector aleatorio Z es discreto y su funcin
r'obabilidad es
.fz(r,
"',r,'.) : Pr(Xt : t7.'.,X,, :
ci
r,,).
Si Xl. ... ,X, son r'rriablcs rlcrlolias continttas, el vector aleatorio Z es cotttittuo y la probabilida.dcl cvento u(Xr, ...,X,,) e E C R">> se calcula por
: I
l' .[z(rt,...,r,,) d.r1...dr,,.
'.1.1""'
PL[(X1,... , X,,) E]
La frurcirr ./ se derrotnirta
/crt,st]la,d, co'n,,jn,rtto,
La frrrrr:iu cle distlibrrcirr
<lc. lr r'rrirlle
de X1 , Xz,
.... X,.
aleatotia rnttltivat'iar:te
Z esti definidtr
F7(r:,.,.,0,,) :Pr(Xr ( zt.. ...X,, ( r,,).
por
5.
5. AIguna.'^ distr-i b rrciones rnultidilne-nsior?ales inrportantes
Lrs r.ilirlrlcs rlcrtolirs
X1. X2, ..., X,, se llarll"rr ilclel-lctrrclicrrtes
l''7(,:t, ,
-,
,iLt,,)
: Ff
(:t1)
169
si
" '4x,, (2,,),
'
eqtrivzrlentcntertte,
J'z@,,.. . ):t:t) : .frr(tr) . .' [x,,(L:,,.).

Sea
g urra fitncin clefinicla de R" err R, la espcrtrnza nrrtemticr cle tL(Xt,...,X,,), segrin l:r lc' [s
Z. sc calcrrla por
E((g(Xr, X2,....X,,))
:t
J:7
tn g(rt,...,r,,)fz(rt,...,r,,,);
:rlando Z es discleta, y por
E((g(Xr ,X2,..
.,X,)) :
.l
-Rn
.f
O@r,
,r)f z(rt,.. . ,r,,) dr1 "'dr,,,,
:uando Z es continua.
La covarianza entre dos componentes cualesquiera
Cov(X,, X,n)
..i.rre
ii
: e [( - E(&-))(X," - E(X"'))] : E(X,X, ) -
tambin se la suele lotar colrro
E(X'.)E(X,,),
o,.?,r.
coeficiente de correlacin entre ellas
es
P(X,,X,n):
:.-
X, y Xrn deZes
Cot,(X,,., X,,r)
Var(X,.) Var(X,")
asocia su matriz de varianza-covar-ianza (o siurplernente
:*=
)
la
de
eda como
5.5.
l.i
Algunas distribuciones multidimensionales importantes
igr,rtrl que en el caso unidinrcnsional, lrlr:sentrrlros lrs clistlibucliorres rnnlticlirnensionales cle rnayor
-'-poltancitr; ellzrs son: la multirrornirl, Itr uuifolrne y la nor-ntrl bir,rlirulc.
Captulo
L70
5.
Distribuciones Multiditnensionales
5.5.1. Distribucin multinornial

-k (Xt,...,X*)
(n; pt,...,p), (dond" 0 1pu < 1, D p : 1), si
Se dice que el vector aleatorio
de parmetros
sigue una distribucin rnultinomia-
z:l
Pr(X
para N
k-dinensioual X
: (u,...,n*),
N)
Pr(X t
donde
i:l
no
rlr. . ., Xt"
nk)
*!-r.pT''''
p'1",
: r.
A un vector aleatorio X que sigue una ley multinomial
se lo nota
X - M(n;Pt,
...
,Px).
La esperanza, varianza y covarianza son, respectivamente, iguales a:
E(X) : n(h, "' ,Pk),

Var(X') : nPi(L-Pi), i:1,...,k,
Cov(X,X) : -npps, i,+ j.
La distribucin multinomial es la generalizacin multivariante de la distribucin binomial. La distribucin marginal de cada una de las componentes X es binomial de parmetros (n,p) y cualquier
distribucin condicionada es tambin multinomial.
Esta Iey de distribucin tiene aplicacin en el anlisis estadstico de datos cualitativos.
Ejemplo. En una empresa operadora de tarjetas de crdito se registr
las causas para la renovacirr
de las tarjetas. Se estableci que 60 % es por prdida, el25'/o por vencimiento y el 15 To por deterioro
Un da se recibieron 28 solicitudes de renovacin de tarjetas. Evaluar la probabilidad de que 15 sean
por prdida, 7 por vencimiento y 6 por deterioro.
Solucin: Sean:
Xy :
X2 :
X3 :
Se desea evaluar
nmero de renovaciones por prdida,

nmero de renovaciones por vencimiento,
nmero de renovaciones por deterioro.
la probabilidad para nr
Pr(X1
:15, n2:7,r:,'s:6, (rt+rz-ln3:29'
:15,Xz:7,Xs:6)
ffi
to.u
151o.zs; 710.
rs6
0.021.
5.6.2. Distribucin uniforme

Un vector aleatorio X: (Xr, ...,Xn) tiene distribucin uniformeen
si la funcin de densidad de probabilidad "f("r,. .., r,,) es
S:
[ot,br] x. ..xlan,b,r] C Rn
5.6. Ejercicios
171.
Esta distribucin es el anlogo rnultiva,riante de la distribucirr uniforme. Las distlibuciones marginales

de las valiables aleatolias X (i:1,..,,ri) son uniformes con densidad
{1
.f*,(r) : I bo I o. ^'
si r lo'b);
si "r'I lo,,b,].
5.5.3. Distribucin norrnal bivariante

Un vector aleatorio Z
densidad conjunta es
r@,
(X, Y) tiene distribucin normal bivariante no degenerada si su funcin
;cfu."r{-^l%t
donde p es el coeficiente de correlacin entre
_2p(, - t4@ -
oto2
p)
(y - !2)21
\
---A-)J'
X y Y.
Figura 5.2: Funcin de densidad de la distribucin normal bivariante.

as leyes marginales de
X y de Y
son:
X - N(pr,o?) Vy - N(pz,oZ).
En un ejernplo de la seccin anterior se calcul que el coefi.ciente de correlacin entre
X y Y es p.
trxiste un mayor nmero de variables aleatorias multidimensionales, pero su tratamiento sale fuera del
j,rminio de esta obra.
5.6.
1.
Ejercicios
Si la funcin conjunta de probabilidad de

J
X y Y est dada por
r*u
lr,a) : -30=, para :
0,
I,2,3;
:0,I,2.
Construya una tabla que muestre los valores de la funcin conjunta de probabilidad de las dos
variables aleatorias.
2.
Las variables aleatorias ,9 y

siguiente tabla:
tienen Ia funcin de probabilidad conjunta que se resume en la
s
T
r/20
Encuentre:
rlr2 Llg rl24

114 rl4 tl40
rl8 rl2o
t72
Captulo
5. Distribttciones Multidimensionales
a) Pr(S' :1,7 :2);

lr) Pr(S:0. l<I<:J):
c) Pr(S *T <2):
3. La funcin coljunta
ci) 1'r(5 > ?);
c)
clc plobabiliclad cle
l@,y)
c(:r2
ias clistlilrucion<rs nralgirralcs cic ,9 ), <lc I
X y Y est clacla por
+ ?r2), prra t: -- -7,0,
1,3; !,/ : -r,2,3,
Encuentrc:
4.
>2-Y);
d) Pr(X
a) el valor de c;
b) Pr(X :0,Y < 2);
c) Pr(X l,Y > 2);
e)
las distribuciones marginales de
La distribucin conjunta de las variables aleatorias X1y X2
X y de l-.
es
X1
012
Xz
p12 pl4
0
1
2p
4p
p pl2
2pp
a) Halle el valor de p;
b) Halle las leyes marginales de X1 y de X2. Son independientes?;
c) Sean Y : Xt x X2, calcule la esperanza de Y.
5.
Las variables aleatorias

z
Pr(X
Z)
ente s y sns funciones de probabilidad son
X y Y son independientes
0
.l
03
0.2
0.1
0.15
0.25
Pr(Y
:.i
_V
t/z
0.25
0.67
0.08
Encuentre la funcin conjunta de probabilidad de (X,Y).
6.
Dada la distribucin de probabilidad de una variable aleatoria bivariante discreta
x
Y
4
10
-3
0.15 0.13 0.27
0.10 0.30 0.05
a) Halle
b)
7.
X y de Y;
de correlacin cntrc X
las leyes de distribucin de
Calcule el coeficiente
r,' },
Dada la distlibucin cle 1>robabilidacl clc uur variable aleatoria bidimcnsional cliscreta
X
Y
0
1
l0
0.05 0.1.2 0.08

0.09 0.30 0. r1
a) Detcrmine las le1,ss . distribrrcin cle X y
b)
30
20
Calcule el coeficiente cle corlelrciu r:ntre
40
0.04
0.21
l';
lrs r'rrirblcs alertorirs.
5.6. Ejercicios
3.
173
Sc r:ousicl<trzr 1a sigtLictrtc f\urciri de plolrabili<1acl corrjrLrrta. rlc la,s r'rlirbles rlcrtotiLs
1. , ,
./.\)'('lt:
',
Qr
\ tt.
-,1. .i
I 1.3}.
.r' {0
//
XyY
c {1.?.3}:
(.;rO r.(rull.al.iu.
a) Hallar A; pala qne ./11' sea funcin dc probabiliclacl puutual conjrutta;

b) Halle lrs funciones clc pr:obabiliclad malginal cle X v clc )';
c;) X y )' son inclepenclientes'/ Justificlue 1a resprtesta;
c1)
9.
CalculePr(1
Drcl
<X<3;2<Y <3) vPr(X+y<3).
la funcin de distribucin de ia variable aleatolia bidimensiortal contitrua
nt , f senrser\y1 si 0( r'1
rw'lJ):l
si r(0,
o,
rf2, 0<y<rf2;
y<0.
a) Halle la probabilidad de que el punto aleatorio (X,Y) caiga en el rectngulo limitado pol
las rectas
b) Deterrnine
--
0,, :;,
[,,
tt
las fr-rncioues de densidad marginal de cada una de las variables aleatorias.
,1. Dada la funcin de densidad coniunta

f (r, a)
: !
1T
"-\"
*" Y+5a2) '
_.'x)
12
<
r {N,
-oo(lJ<(n.
Encuentre las funciones de densidad de cada ttna de las conrponentes. ,Son independientcs'/
Lr 'r'ariable
aleatoria bidirnensional (X, Y) tiene funcin cle densidacl

[ ?,u')
zr) Halle la constantc
: (1 +
r;2)
b) Detcrmine si X y Y
c;
La clerrsiclad conjunta dc
:r.y F'.
(t6 + a2)'
X y Y es /(r;
U)
A3ne )(z+e) para
son independientcs.
r > 0 y ;/ > 0.
a) Halle las densidades marginales y demuestre que X y Y son independientes;

b) Haile Pr(X < a;Y 1b) para cualesquiera nrmeros positivos ct y b;
c) Halle Pr(X < o) para a > 0.
En una irrvestigacin sobre la utilizacin clel crciito institucionai pol palte cle los canrpesiuos s('
registra e1 nr'rmero de cultivos que tiene ei campesirro en slr uniclacl proclr-rctiva (variable -X) v cl
nrimero de pr'stamos que ha obtenido en los riltimos aos (variablc I). En 1a siguiente labla
se pleserrt;ru ios resultac-los cle Ja irrvestigacirt:
v
-,\
2150
3/5n
7150
5150
')
3
.l
,)
ls0
12150
e l50
41
50
3ltt)
a) Olrterrga lrs distlibucioucs nrarginales de ,Y y cle )'-;

b) Dctclrnine la cListtibLrcitin probabilsticir dc: crclitos
rIn<:ios:
:t 150
150
olrtenicl<s, r-lado que cultir'r clos plo-
Captulo 5. Distribuciones l\[ulticlinterr.sjorrr/es
174
c) Olrtcrrgir l distribrrr:i<irL plol-ralrilstica cle 1>r'och-rctos.

T4
\::l
(ln(' rlr ticrur prstirrrr<ls.
Uu soc:icikrgo irrvr:stigrr cl c:<lrrrrortirnrietrto <lcliuttrcrr<:irl <[c los irrtcr rros <lc trrr pr.rral. Lr r'rrial
X relltcscutr c-.1 ruirrrcro rle voccs rlue ha cstulo clctcrri<lo v lr r'rriabkr )'- cl uliurclro rlc rlcllc[istitrtcls llor los (rc] ha siclcl s<lrrtcucir.clr. Srrs r1rtos sc reslrrl)clr crr Ia sigrriorrte talrla:
.Y
.)
.)
15/100
e/100
41r00
1/i00
5/100
21r00
1/100
21r00
3/100
5/100
41r00
3/100
21r00
3
4
1/ 100
51700
41t00
7 1100
rlrc}
I
tJ
6
7
3/100
21r00
21r00
1/100
1/100
21r00
211.00
1/100
21t00
a) Obtenga las distr-ibuciorres rnalginales de X y cle )":

b) Determine la distribucin del nrmero de veces que h estado detenido,
si solo ha cometi,:-
un delito.
una variable aleatoria que sigue una ley ul)ifolure sobre {1,2,...,n}. Sea Y la variab-.
aleatoria definida ror Y : (X + l)2. Calcule la cor'rianza entre X y Y .
15.
Sea
16
una lariable aleatoria qne sigue una ley unifornre sobre {-1,0,
de colrelacin cntre Xtn y X'tL.
17,
En nna urriversidad se toma, a los aspirantes, pmebas de ingleso en ciencias y en humanidades. S

X y Y sou, rcspectivamente, Ias ploporciones de rcspuestas correctas que un estudiante alcaui..
en las pruebas r su funcin de densidad conjurta viee dada por'
Sea
r 4r -l6u
,,^
^.t
5
IV,A):- \
[ 0.
1}.
Calcule el coeficiel,:.
caso corrtrario.
.Qu rorcentaje cle estudiantes conseguirn:
a)
nrenos del 40% de respuestas correctas en cada una de las pluebas?;
b)
rrrs del 80% de respuestas correctas en ciencias r,. rnenos de 50% en hurnanidades?
18. La c'arrtidad en rniligramos de dos componentes con[enidos

aleat<ria hrir,ariantc. cuya fttncin de densidad viene dada
r@,:
a) Errcucrrtre el
o<v
< r;
valol cie la constante c;
lr) I{rlle Ia ley condicional

C:)
{ ;:r, ::j:":;:,;''
er] un producto es nrra valial.'-pol Ia expresin
/(zlys):
Ctlt:ule la rrobabilidad de <ue la cntidacl clcl primer componente sea menor que 0.3:
rrritigramos cuando la del segundo cs 0.8 nriligramos;
d) ;.S,ru irr,lrendientes los dos <.:omponentes'?
5.6. Ejercicios
19. Si X cs l;r pr'oilorc:i<itt rlc pcrsonas que I'csl)ontlcrr
la
rtopor< iritr
<lcl
l)0lsorras cllre resl)onclen a
rlcnsirlrrl <:orr.jrurtit <lc
X y )/
otla
L75
ulra cnclrostr lerlizacla por correo y )'' t:s

l)ol correo, y la ftLrrciirn r1<''
errr:rrestr rr:aliz<ll
esti dada por
r| -*'-!,
2ri8t
5
[ 0,
para
.lb,v): I
0(r(1;
0<yl1;
caso colrl r'trio.
Eucueutle:
a) la funcirr cle densidad marginal de X;

b) Ia probabilidad de que aI menos un 30 % de Ias personas responda a la primera
c) Ia probabilidad de que menos de un 40% de las personas responda a la primera
encuesta;
encuesta y
que ms de 50 % de las personas responda a la segunda.

20.
La vida de uso (en horas) de cierta clase de circuitos integrados es una variable aleatoria con
funcin de densidad
I
l@): {
20000
st z ) u;
G+ looF'
caso contrario.
I O,
Si tres de estos circuitos operan independientemente, encuentre:
a) la densidad conjunta de X1, Xz y Xs, que representan la duracin de cada uno de los
circuitos;
b) la probabilidad Pr(X1 < 100,X2 < 100,X3 >

2r
Sean .9
200).
y T dos variables aleatorias cuya funcin de densidad conjunta est dada por
f(",t):{ *'
t 0,
si
o(sl8; o<t<7;
caso contrario.
a) Encuentre el valor de k;
b) Obtenga las densidades marginales de ^9 y de ?;

c) Determine la funcin de distribucin F(s, ).
22.
Una funcin de densidad conjunta est dada por
I l6ryzt' si 0( r1I; 0<y<1;

' t/
f(r,a,-,,
- I 0,
caso contrario.
a) Calcule la probabilidad cle que X
=X,,
,i,
t .;y r >2s,
b) Obtenga la densidad marginal de ?;

c) Son las variables aleatorias X, Y , Z y T mutuamente
La densidad conjunta de (X, Y)
r(*,v):
l.;}]
0l11;
0<z1I;
independientes?
es
{ i:t
- r - u)'
:'-:
;ffi?,I'
a) Halle el valor de k;
b) Obtenga ls densidades marginales de X y deY;
<a<
4;
176
Captulo 5. Distribuciones Multidimensionales

c) l)cterrniue
1a covarianza
24. Sr'r
,2 .2.
r
c^Ye-\r'-+tt- )''r' ) 0;'Y > 0;
.f (r, : I
err otros casos.
L 0.
a) Halle
b)
c)
d)
25.
Sean
X y 7'.
entre
el valol de
c;
Obtenga las densidacles marginales de
X v de Y;
Calcuie las esperanzas dc

,Son independientes
)/'/
1,
X y Y dos variables aleatolias

f
X y de Y:
cuya densidad conjunta
es
. ( !6rr+yr)y,
sio( r1r; o1y< l;
(r,a):1
5
|.
0.
caso contrario.
a) Obtenga las distribuciones marginales de X y de Y;

b) Halle la covarianza entre X y Y;
c) Calcule las esperanzas de X +Y y de X2 +Y2.
26. Sea (X, Y) distribuido

si
(r,y)
uniformemente sobre el sernicrculo del diagrama. Entonces, f

est en cl semicrctilo.
a) Determine las distribuciones marginales

b) Son independientes X y Y?
27
X y de Y
Para la distribucin bivariante
.f
(r, v)
c*rly
(1+Z)4(1 +y)4',
c) .Son independientes
a)
b)
Pala
si r)Q; a>0;
en otros casos.
0,
28.
de
al de
X v Y?
X;
+ YY
si z 0, y>0; conn),2,
caso contlario.
(r,y):
5.6. Ejercicios
a) Determine la constirnte k;
29
,)
a)
30.
lr) Obtenga
Son indepcn<lientes las valiables alcatoritrs
l?,a) :3 a"",
at:-
Dada
La
L77
lr
funcin de distribucin.
y Y, si la frurcin de densidrd conjunta
( r 1y 1 l?;
b)
funcin de densidad dei vectol aleatorio
"f(r,A): (r+r
ta)4
r)
es
0; rr>0?
(X.)')
( 6r, para 01r1Y<1;-.

(r.t):
I
rf \*'Y
[ 0, caso contrario.
Encuentre las funciones de densidad marginal de
.1
l-
X y de Y.
:!6'+ysi 0 < r 1l
(X,Y) es un vector aleatorio con funcin de densidad conjunta rf (r,y)
\ )
y0<y<L(y0enotrocaso).CalculelacovarianzayeIcoeficientedecorrelacindeambas
Si
variables.
.?
r)
Dada la funcin de densidad de (X, Y):
r@,a):
a) Encuentre
b)
c)
d)
e)
')t
'),)
{3:r' :ff"h;,s
Calcule las esperanzas de
,Son
Sca (X,
1;
el valor de k;
Calcule ias funciones de densidad marginal

Calcule
Pr(X < 0.51Y :
XyY
deXydeY;
X y de Y;
0.6);
independientes?
Y) una variablc aleatoria liidirnensional con funcin dc densidad conjunta
0<g<r<1.
Calcule:
a) el valor de la constante k;
b) Ias ftrnciones de densidad rnalgiual
c) la corrarianza entre X y Y;
cl) la funcin clc clensicla<l
e) la csperanza de YIX
'2
ji.
<tc
cle
X y Y.
)''lX : 1;
2'
::.
Si (X, Y) est uniforrnemente distribuido en cl tringulo limitado por las rectas

r + lJ :2, encuentre:
a) iafuncin cie densida"d de (X,Y);

b) las funciones de densiclrd clc X y de Y;
l;.
Son independientes?;
La distribrrcin coljnnta cle las r.ariables alertolirs

en (1, 0), (-1, 0), (0, 1) v (0, -1).
t :0,
:0
c) lacovarianzaentre X yY.
X :,Y
es
uniformc en el cnadrado con vrtices
captulo E. r)istribuciones Multidimensionales
178
tr) Escrilra
l,1 frrrrcirr clc clensicltcl conjrrnta cle X y y;

lr) calcule la firrrc:i<irr clc cle'sicl,rrl nargi'al ck: x y dibtrjela;
r;) Hallc E(X) V Var(X);
<l) Czrlcule E(XY);
e) Caicrrlc la crtr'r.ianza y la corrclacin eutre X y y.
36.
El clellzrrtanlento dc sealizacin clel municipio registr el por.centaje de focos cre tiene
clpt
Ieentrlazar en los scmforos, segt I] el colol que ellos ilnminan. Se detect que
el 45 % so decolor verde,20To del color amarillo y 35% clel color rojo. En una muestra aleatorir
cle 1b focos.
,crrril es Ia probabiLiclad cle que:
a) hayan
10 r'erdes, 1
amarillo-r 4 ro.jos?;
b) havan 5 focos de cada
color?
DN
r) f .
Entre las operaciones qlre se realizan en un banco se ha registraclo que a lo largo del
tiempo se
tienen los siguientes porcentajes <le retiros, depsitos y cambios de cheques,
3l%, 40% y 25;-:
respectivamente. Un ca.jero reali:: 20 operaciones en una hora. Determine la probabilidad
de
que se hayan hecho: a) 5 retiros, 1(ldepsitos y 5 cambios de cheques;
b) 10 r.etiros y 10 depsitos
38
Segrrr el Registro Civil, la poblaciin ecuatoriana entre los 18 y

6b airos cle edacl tiene la siguicnt.
composicin:30Vo son solteros,4ltTo son casados, I5%o son clivorcitrclos y 10%
son viudos. E:una oficina labotan 18 personas, ,cur es Ia probabilidad d.e que haytrn:
a)
b)
39
6 solteros, 6 casados, 3 divor:iados

7 solteros, 8 casados, 2 divor:iados
y 3 viudos;
y 1 viuclos?
De rctterdo a la teora de la here tcia de \4enclel, si plantas con sernilla rmar.illi

lis se cl.Llz-l
con plantas de sernillt t'erde rtl8os, se obtiene los siguientes resultados
con sus r.espectir.;..
prolrabilidades:
Probrl-iiiclrcl
rarilla y iisa
rarilla y lllgosa
'de y lisa
el16
3l16
3l16
'de
1176
y rlrgosa
'Cul es Ia probabilidad de que e rtre 9 plantas as obtenidas, 4 sea cle semillr amarill lisa.
sean de semilla amarilla rugosa, 3 de semilla vercle lisa y ninguna
cle semilla vercle rugosa?
40' Las variallles aleatorias Xt, Xz y X3 siguen las siguientes leyes de probabilidad: X1
Xz - N(20, 1) y X -.A/(30,4). le definen
Zt: XtlX2- X3, Zz: XtlXzlXz, Zs: Xt_Xz- X.
I
^f(10.
Si X1 , Xz, Xs son independietrtes calcule la nlatriz cle covarianzas cle (21,22,2;).
4r'
Las variabies aleatorias
xt,
X2,
. ., Xr, yt, y2, - . ., y, son inclepenclientes. porrgamos

*
,,t:'
Halle la covar.ianza entre
$, y T, ;i
"rlr'
lt(Xk)
Pr(Y:7) :p,
42.
Sea
: ;:;. i',",
: a,
Yar(X,1
Pr(Y-0) : e:l-p,
X - N(I,1), halle la matriz ce covarianza de (X, X2,
6,2,
k
XB).
:I,2,...,T.
Captulo 6
Distribuciones de Muestreo
En c'ierto sentido, Ia estadstica y la probabilidad tratan con problernas inuersos:
si el objetiuo b,sico de la probabi,lidad es calcular las probabi,lidades
de euentos compl'icados que siguen un modelo probabilstico,
Ia estadstica trata de clarificar Ia estntctura de modelos probabilstico-estadst'icos
rnediante la obseraacin de uarios euentos complicados.
A. N. Shiryayev
La ley de distribucin normal es el modelo probabilstico ms empleado en Ia Estadstica, debido a
ia aplicacin del Teorema del Lmite Central; sin embargo, este resultado no es aplicable en todos
-os casos. En el presente captulo examinaremos las leyes de probabilidad que siguen ciertas medidas
,rtadsticas, obtenidas a partir de las muestras, que nos permitirn construir modelos inferenciales
.obre los datos.
n-as
distribuciones de muestreo, constituyen el punto de transicin desde la Probabilidad a Ia Estads-
:ica.
6.1. Resea histrica

La Estadstica actual es el resultado de la unin de dos disciplinas que evolucionaron independien-emente hasta confluir en eI siglo XIX: la primera es el clculo de las probabilidades, la segunda es
- <Estadstica>> (o ciencia del Estado, del latn status), que estudia la descripcin de datos, y tiene
:arces ms antiguas. La integracin de ambas lneas de pensamiento dio lugar a una ciencia que estudia
-'imo obtener conclusiones de la investigacin emprica mediante el uso de modelos matemticos.
de la estadstica se pueden hallar en el antiguo Egipto, cuyos faraones recopilaron,
:acia el ao 3050 antes de Cristo, datos relativos a Ia poblacin y la riqueza del pas. De acuerdo a
lerdoto, dicho registro de riqueza y poblacin se hizo con el objetivo de preparar la construccin de
I os comienzos
-rs pirmides.
L,c chinos, tambin efectuaron censos hace ms de cuarenta siglos. Los griegos realizaron censos
;eridicamente con fines tributarios, sociales y militares. La investigacin histrica revela que se
:o-alizaron 69 censos para calcular los impuestos, determinar los derechos de voto y ponderar la potencia
SUerrera.
Fero fueron los romanos quienes mejor supieron emplear los recursos de la estadlstica. Cada cinco
m realizaban un censo de la poblacin y sus funcionarios pblicos tenan la obligacin de anota
179
1ECI
Cayttulo
6.
Distribucior:es de M-esreo
defnnciolres 1- rna.1 r'iurorrios) sin olviclar los iecurr:ntos peticlictos clcl g;lnarlo
licluezils contcnic,lrs crr lrs tict rrs colctisladas.
nr<:itnicni<-s,
I' de lirs
Durante los rnil aos sigrrientcs a. la cada del impclio Rornaro sc rcilizrron rruy po.irs irn'estigaciones
estrdsticas. E1 primel intento de aplicar un razonamicrrtu propiirmentc cstadstico, en el seul,ido actua.
del tr'mino, a datos clernoglzificos es clebido r John Granrrt, err 1662, quien sc plarrte el problem:r de
estirnar Ja pol-rlacirr inglcsir de la poca.
Goclofredo Achenu'all, prof<:sor de la Universidad dc Gotinga, acu en 1760 la pzrlabra estadstica.
qtre extrajo del trmino italiano sta,t'ista (estadista) . Crea, y oon sobrada razl, que los datos de la
nlre\/a ciencia seran el aliacio ms eficaz de los gobernantes conscientes.
li
I
lp
tt
l',
I
Er
Durante el siglo XVIII y 1a mayor parte del siglo XIX, Ia Estadstica evolucion como ciencia separada
del Clculo de Probabilidades. Una contribucin importante al desarrollo de la Estadstica es debid
a A. Quetelet (1846), quien sostuvo la importancia del clculo de probabilidades para el estudio de
datos humanos. Quetelet demostr que la estatura de los reclutas de un regimiento segua una le'
probabilstica, e introdujo el concepto de <<hombre medio>>.
A finales del siglo XIX, Sir Francis Galton ide el mtoclo conocido por correlacin, que tena por
objeto medir ia influencia relativa de los factores. Sus irrvestigaciones se dirigieron a aplicar mtodos
cuantitativos en el estudio de la herencia humana. La importancia de Galton radic no solamente en
el nuevo enfoquc que introdujo en los problemas de estadstica, sino tambin en su influencia directsobre W. Weldon, K. Pearson y Edgcworth, entre otros. Adems, fund el primer departamento de
Estadstica.
Pero, talvez qu.ien rns ha influido en ei desarrollo de la Estadstica moderna es R. A. Fisher (1890 1962). Fisher se interes plimero por la eugenesia, Io que le condujo, siguiendo ios pasos de Galton, :.
la investigacin estadstica. Sus trabajos culminaron con la publicacin del libro,9listi,cal Method:
t'or Research Workers. En esta obra aparece el cuerpo mctodolgico bsico de la Estadstica actual.
A partir de 1950
se puede considclar que comienza ia poca moderna de la Estadstica. tln aspect,clifercncial respecto a ios periodos rnterioles es La aparicin cle las computadolas) que revolucionalor,
1a metodologa estadstica y abren enormes posibilidades para 1a construccin de modelos complejos
En la actualidad, ia trstadstica es una discipiina que actira como pncnte entre los modelos matemticoy los fenmenos reales. IJn modelo es una abstraccin sirrrpliflcada de una realidad ms compleja siempre existir discrepancia entre lo observado y 1o previsto por el modelo. La Estadstica proporcioniuna metodologa para evrluar y jr.rzgar estas discrepancias entre la realidad y la teora.
6.2. befiniciones bsicas

A
contiuuacin damos varias ilefi,niciones de inter's, qr-rc permitirn entendcr la terminologa c1'r..
emplearemos. Algr-rnas definiciones ya se dio con anterioliclacl, pero las repetiinos para rrna rrra-\'.
claliclad cle los couceptos
Defi.nicin (de poblacin) Una poblacin (o universo)
es una coleccin completa de pelsonas.

anirnalcs, plantas o cosas de las crrales se desea recolectar datos. Es el glr-rpo cutero al que querernos
dr:scribir o del que deseanros sacar conciusiones.
La poblacin debe tener caractersticas medibles o cntables, cle rraturaleza cuarrtitativa o cualitatir'
A la r:aracterstica nredible sc denomina uar-iabl,e estadstica t a los r-rloles ciue tomr se los llal
ol s cr-ur,ciorcs.
'de
po
-En
Por
Iup
Ger
par
Den
ns
por
Los
6.2. Definiciones
bsicas
181
Definicin (de muestra) Es un grupo de unidades seleccionadas de un grupo mayor (la

poblacin) . Por el estudio de la muestra se espera obtener conclusiones sobre Ia poblacin.
Definicin (de parmetro) Un parmetro es un valor, usualmente desconocido (y que por lo
tanto tiene que ser estimado), usado para representar cierta caracterstica de la poblacin.
Entre otros, los parmetros poblacionales son:
La media,
El total, r;
La varianza,
La desviacin estndar, o;
La proporcin,
/_;
o21
7T
o p.
Definicin (de estadstico) Un estadstico es una cantidad que se calcula a partir de una muestra
datos. Se los emplea para dar informacin sobre los valores desconocidos correspondientes a la
de
poblacin.
Por ejemplo, el promedio de Ios datos de una muestra, se usa para dar informacin sobre Ia media de
-a poblacin, de la cual se extrajo Ia muestra.
leneralmente, a los estadsticos se les asigna letras latinas (por ejemplo, m

:armetros poblacionales se les asigna letras griegas (por ejemplo, ,t,y o).
y s); en cambio, a ios
Jentro de una poblacin, un parmetro es un valor fijo que no vara; mientras que es posible extraer
-'s de una muestra de la misma poblacin y eI valor de un estadstico variar de muestra a muestra.
lr ello, un estadstico es una variable aleatoria que sigue una ley de probabilidad.
-..rs
estadsticos ms importantes y sus valores, calculados a
. La media muestal
El total muestral,
partir de una muestra de tamao
i"n
o promedio , T
i:
Nr,
: L;
donde,Ay' es ei tamao de la poblacin;
'ln
La r.arianza mucstral,
s'2
- ---:-
T.@, - )2;
1
. La desviacin estndar muestral. s :
La proporcin rnuestral, f
Lt
n,
, donde
n-I
y
'rL
D@,
i-I
- r)";
es el nmero de xitos entre
n intentos.
?)
son:
182
Capitulo
6.3. Distribuciones
6. Distribuciones
de Muestreo
de muestreo
Si decirnos que un estadstico es Lrna vrlialrlc aleatoria, entonces tendr' una Icv de lrrobabilidad
asociada.
Definicin (de distribucin de muestreo) A la ley de probabilidad que sigue un estadstico
se
Ie denomina distribucin de muestreo.
La derivacin de la distribucin de muestreo es el primer paso en la realizacin de inferencias sobre el

valor del parmetro asociado al estadstico quc se estudia.
6.3.1. Distribucin de muestreo de la media

Supongamos que se obtiene una muestra X1, X2, . . ., Xn de una poblacin que tiene media p,y varianza
o2. A partir de la muestra calculamos el promedio, X. Entonces, se cumple que:
1.
E(x)
2.
Var(X)
X-u,
3. '+
ol\/n
l-L;
o2
-
-1TL
sigue aproximadamente urla ley normal estnclar (por el Teorema clel Lrnite Central).
Es decir,
Pr(x < L) =v,

donde
es
zs +) :o ( ++\
\ -ol'/")
\"11")'
tna variable aleatoria normal estndar.
Tngase en cuenta qlre) para la mayora de aplicaciones, ya se obtiene una buena aproximacin
un tamao de muestra de n:25.
Observacin. La desviacin estndar de la media muestral

oTi
se denomina er"ror est,ndar
cor-
se le not;-
OV
\/n
Ejemplos
1.
Supongamos que se selecciona una muestr a de n
36 observaciones de una poblacin con pt - -
yo:0.9.
a) Hallar Ia probabilidad aproximada de que la media muestral sea menor que 6.9.
b) Obtener la probabilidad aproximada de que el promedio X sea mayor que 6.82.
c) Hallar la probabilidad para que X est en el intervalo (6.8;7.29).
Solucin: La distribucin de la media muestral
o2: (0.9)2es declr' 0

.
varlanza
;
36 ;
,fr:
0.9
,,/g6
u'rc'
sigue una ley normal con media
p:
7:
6.3. Distribuciones
a)
183
As,
6.9
x ,r(t
: 0.2515
Pr(X < 6.9)
b)
de ntuestreo
- 7\
0.15
Tenemos que
Pr(X > 6.82)

a-
c) La probabilidad
1- v, ( z= u?''lt)
0.15)
\: 1-O(-1.2) :l-0,1151
1-Pr(X
0.8849.
<6.82) =
de que la media muestral est entre
Pr(6.8
6.8y 7.29 es
<X <z.zs : e,
'^\(8:J
o.lb <\z\z <7'2e-7)
o,lb )
- o(-1 33) :0 e732 -
i:iffl
0 0e18
El nmero de clientes que ocupan un cajero automtico) en un lapso de 5 minutos,

aleatoria distribuida segn la siguiente ley de probabilidad:
k
PI,
r/tz
2/72
3l12
3lt2
2lt2
r/72
es una
variable
a) Halle la media y la varianza de la variable aleatoria; b) Se escogieron 46 muestras, de 5 minutos

de duracin, y se cont el nmero clientes que utilizaron el cajero. Cul es Ia probabilidad de
que el promedio de clientes est entre 2.2 y 3?
Soluc'in:
a) La media y la varianza
tt
D,,r*:ox
5
son:
i*r"3*r"i*3x i*n"l*r"i
2'
Dt'or- :o " # * 1 x l*n"
o2:
tr2
l*n " i*16 x ,?r*r, " +- (;)'
23
t2'
b)
Sea
la media de clientes que ocupan el cajero en muestras de tamao 46. Se tiene que
23
5oo2111
Entonces,
lt.z:l-t:5 y oi:i::.
. /5 1 \
por lo tanto,
X-N
\;,
^);
:
:
aQ.45)
0.922L.
o(-1.47)
Captulo
184
3.
6.
En una plania pasteurizadora se ha observado que la mquina que llena las fundas de leche.
envasa el lquido con una media p y una desviacin estndar de o:20cnr3. Si un da se llevarL
a cabo 25 mediciones de la cantidad de leche en cada funda. a) Caicular Ia probabilidad de que
el promedio medido difiera a lo mucho en 8 cm3 de la media terica que debe tener el volumen
de leche envasado; b) cuntas mediciones deben realizarse para que 7 difiera dc r, en menos de
Bcm3, con una probabilidad de 0.99?
Solucn: Como n
a)
25, se puede asumir que la distribucin de
es aprc:,i-:ladamente normal.
Entonces,
Pr(lX-/rl <B)
: Pr(-8<X-p<8)
: /88\
"'|.-rE<zsn/6)
: Pr(-2.2.2),
donde Z
: X -#
olt/n
sigue una distribucin normal estndar. La probabilidad buscada
Pr(-2 < Z <2)
o(2)
- o(-2)
0.9772
b)
Se tiene que
Pr(lX
Como
- pl l8) : P'(-s
0.0228
<X
-p
S 8)
es
0.9544.
0.99.
o:20,
,,
,-1,_
Y)
-olr/n20 ,X
\ -Y
= 20)
:pr(-0.4J
--\ --v < z < 0.4Jn):
o.ee.
Mediante la tabla de la ley normal se encuentra que
Pr(-2.57 < Z < 2.57)
9.99,
por lo que se deduce qne 0.4Jn:2.57, o sea
":(#):40e6'
Se necesitan al menos 41 mediciones para que el promedio de la nuestra est a
rnedia poblacional con probabilidad deI99%.
cm3
de
6.S.2. Distribucidn tle rmlestreo de la proporcin

Supngase que tenemos una muestra alcatoria Xy, X2,
una ley dc Beriroulli,
Ber(p).
..., Xn,
proveniente de una poblacin qne s-:
Definimos
n:irn
i-r
X:7 con probabilid^'r p y X:0 con probabilidad Q: I - p, i : I, 2, ..., n. Entonce.
cuenta el nmero de xitos en . intentos. La proporcin de <<xitos>> en la muestra es
donde
f:Y: li",
TL
7I4;-
La variable aleatoria Y tiene distribucin binomial de parmetros

o2" : npe, y se cumple que:
(n,p). Por lo eu, py:
6.3. Distribuciones de muestreo
E(i)
l.
Var(f) = I Var()')
rL'
n-E(Y)
185
p;
:?3:
n
sigrre aproximadarnente Lrna ley normal cstnclar' (por el Teorema del Lrnite Central)
l. +
\/ pq ln
Es decir.
./
\
/
\
:of
P,(Fsl) =Pr(z1l!)
'-1 )
\ - t/pql" )
\r/pql" )
dorrde
es
tna variable aleatoria normal estndar.
Ejemplos
-.
En un proceso de produccin el 20% de los productos tienen algn defecto. Se selecciona

una muestra de 100 unidades y se cuenta el nmero de artculos defectuosos. Determinar la
probabilidad de que la proporcin de defectuosos se encuentre entre el IS%a y el29%.
Solucin: Tenemos que p
Se desea evaluar
0.2
y on :0
la probabilidad Pr(0.15
Pr(0.15
2-\^=0 B
100
9 rtu.
100'
<0 < 0.29); sto
es,
<0 < 0.29) : P.(0< 0.29) -Pr(p'l
0.15)
o(!zg::2.\-rlors-oz\
\v/0.16/loo/ \v/0.16/1oo/
- O(-1.25) : 0.9878 - 0.1057
aQ.25)
0. BB2 1.
Eu lrna investigacin por muestreo interesaba saber el nivel de sintona, en los hogares, de un
partido de frtbol. Se realiz nna encllcsta en Qr-rito a 213 hogares y se encontr' qr-re el 53% de
los hogares haban visto el nencionaclo partido. Srrpongamos clue la proporcin 7r de hogares
en los que se vio cl partido fue realmente igual a 0.5. ,Cul es la probabilidad de observar una
proporcin muestral f igual o mayor qr.re la observada 0.53?
solucin: Tenemos
n:2r3 v p:0.J;
por lo tarrLo,
T - +#
0.001174.
Por 1o que,
pr(f )0.s3)
- t-pr(f<0.53)' =1-pr (=.9)

\ t/Pql"
= 1-0(0.88) -1-0.8105
: 0.1895.
'/o'oottz+ 1
Es decir, con una muestr' de 213 hogares Ia iirobabilicld de que la proporcin olselvad sea
mayol'o igual a 0.53 es del l8.95o/a.
Hzq qrre totnar Lrr.i nltcstla. alcrt,or'a para estimar Ia proporcirr de artculos defcctnosos p de lur
ploceso de prochrccin. a) Establecer el tanrao mnirnc de ia rnr-restla de modo que la proporcin
observrda difiera de la propolcin velda,clcrr' on irrerios cle 0.1, oon riua 1>robabi iclad c,le al rnenos
eI 957o; b) Realizar el inciso antelior si se conoce qr.re la ploporci<in dc artculos defectuosos es
mcnor clue c1 12 %.
Soht"ci,rin,;
Captulo
186
6. Distribuciones
zr) Deseanros cletermirtar el ta,rnao nruirno cle
de Muestreo
1a mrrestrr clc
tal
moclo quc
0.95:
P'(lp-tl <01) : P'(
0.1
Pr(lp tl < 0.1)
<p-t<01)
o' \
: P,f+ <z<
\r/pql,,-
olq$)
\/psl
r/nul,,1
<,(_otJ) -on,
y
Igualando con los valores de la distribucin normal

simetra,
\ '/ps/-
haciendo uso de su propiedad
0.I{"
,/w
n
En esta ltima expresin, el valor de n depende de p, que a su vez es desconocido. Pa:.

asegurarnos de tener un tamao de muestra confiable, se maximiza el producto pq. T;
producto es mximo cuando p: q:0.5; entonces,
n > (1e.6)2(0.5)(0.5)
e6.
La muestra tiene que ser de al menos 96 artculos.
b) Antes
habamos determinado que
Como p <0.L2, se tiene quepq
>
(I9.6)2pq.
> 0.I2 x 0.BB:0.10b6;

n > (r9.6)2(0.1056)
entonces,
40.57.
EI tamao de la muestra es de al menos 41 artculos.
6.3.3. Distribucin de muestreo de la varianza

En el Teorema del Lmite Central la convergencia de la ley de 7 est asegurada y es independie--"
de la ley que siguen las observaciones. Para otros estadsticos, se necesitan hiptesis adicionales p,:r
asegurar su convergencia hacia una ley de distribucin, este es el caso de Ia varianza muestral.
La ley de distritucin y2
Sean X1 ,
X2,
..
., Xrr., fr variables aleatorias,independientes que siguen una distribucin normal e. . .,.
dar, la variable aleatoria definida por T
: D X? tiene una distribucin X2 (jl-cuadrado)

,i-I
con n gr1-ul
de libertad (g.1.), denotada y2(n).

Su funcin de densidad
es
,(n-2) lz
f(r):
i;
2"trt
"-r
(;)
lz
, siz)Q;
sir(0.
La ley de distribucin y2 fue dada en pprl

rime r lugar, aparentemente, por Abbe (1863) y redescu,
por Helmert (1875) y K. Pearson (1900l).
6.3. Distribuciones de ntuestreo
187
2.
z@)
Figura 6.1: Funciones de densidad de la ley X2.
:sta distribucin est definida para valores mayores que cero y viene tabulada. La Tabla 3 del Apndice
--,ntiene los valores X?qrre cortan un rea a en el extremo derecho de la distribucin (Figura 6.1).
- a lectura de la tabla se realiza de la siguiente manera:
i.
Escoja el nmero n de grados de libertad (margen vertical).
'1.
Considere Ia probabilidad
3.
a en el extremo derecho de la distribucin (margen horizontal).
Proceda a localizar el valor X?@) en el cuerpo de la tabla, donde se cruzan las lneas vertical y
horizontal antes encontradas.
Ejemplo. Se desea conocer

-.ral a 0.025.
el valor de la ley X2 a 4 g.l. para el cual el rea en el extremo superior
-' .lucin: Se busca Xl.ozs(a) : ll.l4. Esto quiere decir que el rea a la derecha del valor t
-= Ia ley y2 cor. 4 g.l. es igual a 0.025: Yr (X2 > 11.14) :0.025.
XLa
ley de distribucin de
es
: II.I4
s2
:;pongamos que se obtiene una muestra Xy, X2, ..., Xn de una poblacin que sigue una ley normal
-'i ri,.t,o2). A partir de la muestra calculamos la varianza muestral, s2 :
'
cumple que:
-i
n-rl-t
(X,
-X)2; entonces,
-. E(s2):oz'
l.
)n4
Var
'*'\"Ls2),,
(n
J # -
1\.s2
n_1,
sigue una ley
2(n
- t;.
=jemplo. Un jugador profesional de dardos decide tratar de mejorar su tcnica de lanzamiento y va

. -stndial la varianza de Ias distarrcias al centro del blanco a las que cae el dardo. Para una cierta
-rrnica de lauzamiento se sabe que esas distancias tienen una distribucin normal cuya desviacin
+ ndar es 4 cm. Realiza 30 lanzamientos y calcula la varianza de Ias distancias entre el sitio de
--pacto del dardo y el centro del blanco. a) Calcular Ia probabilidad de que Ia desviacin estndar
-. los lanzamientos sea myor a 3 cm.; b) Hallar Pr(10 < s2 < 27), aploximadamente; c) Calcular Ia
:--dia y la varianza de s2.
l.lucin:
Sea
: +I,
IJ
x2Qq para n :
30.
Captulo
188
a)
Se quiere buscar
6-
Pr(s > 3); cs clecir, Pr(s2 > 9):

pr(s2 > 9)
p,
("
\o'
-rt
:
r' r 3r)
Iro)
pr.(t/ > 16.312)
En la tabla de la ley X2 para 29 g.1., se ticne que Pr(t/ > 16.05)

Por lo tanto, Pr(s2 > 9) es algo menor- que 0.975.
b)
Calculemos Pr(10
< s2 <
pr(10 < ,2
0.975
y Pr(U > 17.7f):
0.95
27),
< 2T : v, (!rc <n _ut ,' t}rr\:

o -16 /
\16
:
:
:
pr(18.13 <
u<
48.s4)
Pr(U < 48.94) - Pr(U < 18.13)

[1 - Pr(U > 48.e4)] - [1 - Pr(U > 18.13)]
Pr(U > 18.13) -Pr(U > 48.94).
De acuerdo a Ia tabla y2, para 29 g.l. se tiene:
c Pr(i/ > 17.77):0.95 y Pr(U > 18.85) :0.925.

c Pr(t/ > 45.72): 0.025 y Pr(t/ > 49.59) : 0.01.
Entonces, Pr(10 < s2
<
27)
0.95
0.01
0.94.
Observemos que, por la forma de lectura de Ia tabla, tnvimos clue realizar Lrrla transformaci:para encontrar Pr(18.13 < U < 48.94) y su valor se determina de forma aproximada.
c)
Sal-,emos que
E(s2)
:62 :1ti
y quc Var(s2)
6.4. Otras distribuciones
#:'#
tT.G6.
de muestreo
En csta seccin presentaremos distirrtas distribuciones cle muestrcoT qlre se presentan cuando tratantc,.
con transformaciones adecttadas cle los estadsticos. Estas transformaciones son rlecesarias para oJtene:
leyes clc probabilidad que permitan traba,jar adecuadamente.
6.4.1. Distribucin de muestreo de Ia media, cuando la varianza es desconocida

Se pr-rcde srtponer qrre -ciebido al Teolema del Lmite Central , siempre sc tienc la convergcncia haci .
1a lcy rrolmal; pelo sto no siempre srrcedc; cjomo) por ejemplo, crrando la varirnza poblacional e.
desconocida.
La ley de distribucin
de Student
1908, \ /. S. Gosset, esclibieldo c:on cl nornbre de Studcnt, public en la rcvista Biont,ett"i,ka

dccluccin cle la distribucin e inclrry tlrblas cle probtrbiliclrd acurnr-rlacla de la ley.
trn
s'
trl grfico de la funcin de densidad de la Ie5, / 1i"t n rrna forrna parecida al de la ley rrormal, simtric
rcspecto a 0 y se extiende a Io largo clel eje leal.
Los valores de probabiliclad clue tona vienen tabulclos. La Tabla 2 del Apnclice contienc los vrlole:
dc o qrte coltlrr nn rea igrral a o err cl extlemo clelecho clc la distribucin (FigLrrrr 6.2).
6.4. Otras distribucones de ntuestreo
Figura 6.2: Funcion de densidad de la ley
189
Los valores tabulados dependen de los grados de libertad, porque la ley de probabilidad cambia si n
;ara. Cuando n aumenta, la distribucin se aproxima a la normal estndar.
La lectura de la tabla se realiza de la siguiente manera:
1.
2.
3.
Escoja el nmero n de grados de libertad (margen vertical).

Considere Ia probabilidad
o en el extremo derecho de la distribucin (margen horizontal).
Proceda a localizar el valor to(n) en el cuerpo de la tabla, donde se cruzan las lneas vertical y
horizontal antes encontradas.
Ejemplo. Encontrar
el valor de Ia ley a 6 g.l. para el cual el rea en el extremo superior es igual a
_.t125.
jolucin:
--,Iey
es
:2.447.
Esto quiere decir que el rea a la derecha del valor

igual a 0.025: Pr (? > 2.447) : 0.025.
Se busca fo.ozs(6)
t:2.447
de
La ley de distribucin de X
Srpongamos que se obtiene una muestra X1, X2, . . .,
Xn de una poblacin que sigue una ley normal
-l'(p,,o2), donde o2 es desconocida. Entonces, se cumple que la variable aleatoria

.ra ley
de Student con (n
1) grados de libertad. Es decir,

\
/
t-
Pr(X <
):
'
Pr
(r.\
7: j
s/\/n "igu"
Z- 41
sl'/n)
Ejemplo. IJn fabricante de cigarrillos asegura que el contenido medio de nicotina, en una de sus
-arcas) es de 0.6 mg por cigarrillo. Una organizacin independiente mide el contenido de nicotina
-e 16 cigarrillos de esta marca y enclrentra que el promedio y la desviacin estndar son de 0-744 y
-.i75 mg de nicotina, respectivamente. Si se supone que la cantidad de nicotina de estos cigarrillos
= una variable aleatoria normal, qu tan probable es el resultado obtenido por la organizacin
- Cependiente?
i'.,iucin: Se tiene que p:0.6, s:0.175,

::omedio igual o superior a 0.744.
n: L6. Encontremos la probabilidad de hallar un valor
pr(x > 0.744) : y, ( r ro^'-!j, Y)

\ - 0.175 l,/to 1
Ia lectura de la tabla de la ley con 15 g.1., resulta que Pr

-'Lto proporcionado es muy poco probable.
e, (r > B.2s)
(" > 3.29) :
0.0025. De manera que el
Captulo
190
6. Distribuciones
de Muestreo
6.4.2. Distribucin de muestreo de la diferencia de dos medias, con varianzas

conocidas
de dos pol-rlaciones que tienen rriedias Ft y lrz y varianza, ol v o)r.
respcctivarnente. Sean X1 y X2 ias lreclia muestrales de dos muestras leatorias indepenclientes de
tarrrros TLr y rL2l seleccionadas lesrcctivarnelte de las poblaciones 1 y 2. trntonces, X1 - X2 cunlple
SLrl>orrgtrrnos qLlc se clispone
qr.le:
1. lLrl-,2: E(Xr - Xz):
2. o7r-r:
3.
Var(Xr
-2):
l-tt - llz,
o?-l- oZ
I
TL1
-ln2
Para n1 y n2 suficientemente grandes, Ia variable aleatoria
(Ft -x2) - (pr-
7-
sigr"re
t'z)
aproximadamente una ley normal estndar. Es decir,
Pr(xr -xz < a =e, (z
<
t-(tq-pz)
t-(tq-pz)
):.(
Para la mayora de aplicaciones, ya se obtiene una buena aproximacin si n1
>_
25 y n2
2 25.
Ejemplo. Una
marca de automviles tiene dos plantas que ensamblan el mismo modelo de autos
El rendimiento medio de estos automviles debe ser de 40 km por galn, con una desviacin estndar
de 5 km por galn. La empresa tiene la poltica de regularmente comparar los rendimientos de ios
carros ensamblados, escogiendo muestras aleatorias en las dos plantas. Se tomaron sendas muestras de
tamao 30 y se control el consumo promedio de cada una. Hallar la probabilidad de que la diferencia
entre los promedios sea menor a 2 km por galn.
Soltcin: Se tiene eue
: lL2: 40, o1 -
02
5, ny
nz
30. Por tanto,
<z< 2-(40-40
r:d------'=t
t5'
tl-L-
o(1.55)
o(-1.55)
Vro go
0.9394
- 0.0606
0.8788.
6.4.3. Distribucin de muestreo de la diferencia de dos medias, con varianzas

desconocidas
Supongamos que se dispone de dos poblaciones que siguen una ley normal: la poblacin 1 sigue una le.M (lrr, ol) y la poblacin 2 sigue una ley ,A/( 12, 03) . Sean X 1 y X2 las media muestrales de dos rnuestras
aleatorias independientes de tamaos Uy n2, seleccionadas respectivamente de las poblaciones 1y 2.
6.4. Otras disribuciones de ntuestreo

Caso
1.
Las varianzas poblacionales son igualesz ol
o'3,:
191
o2.
Lr r'r'irbkr alcat<llia
sigue una ley corr
Caso
2.
Las varianzas poblacionales son diferentes: ol
I o|.
La variable aleatoria
sigue una ley con g 9.1., donde
(*.*)'
9-
Cuando g no es un nirmero natural, se redondea al entero ms cercano.
6.4.4. Distribucin de muestreo de la diferencia de dos proporciones

Supongamos que se dispone de dos poblaciones independientes, que siguen distribuciones de Bernoulli
de parmetros p1 y p2, respectivamente. De Ia primera poblacin escogemos una muestra de tamao
n1:Xy,Xzr...rXrrrydelasegundapoblacinescogemosunamuestradetamaorl2iY1,Y2r-..rYnrConstruimos las proporciones muestrales de
<<xitos>>:
1ntlft2
Ft:Lfx,
a
fl,'t
i:l
Entonces, F,
-.-rr
t
\- -.
i:t
Fz cumple que:
p,-Or: E(i'r - fz) : pr -
y Fz:!fy,.
nt- u
1r
,^
'*-\rr
p2;
pt(J-pt).pz1-pz)
^\
va
-Pt-P2
Para n1 y n2 suficientemente grandes, la variable aleatoria
vaLtul
tt)t
r''/
TL1
n2
Captulo
L92
6.
Distbuciones de Muestreo
sigue aproximadamente una Iey normal estndar (por el
Pr(Fr
Fz
lt) =rr( , t
t-(pt-pz)
ffi
del Lmite Central). Es decir,
t-(pt-pz)
U"r-rr"
Un2
Ejemplo. Una-6rma especializada en sondeos polticos afirma que el 30 % de las mujeres y el20%
de los hombres estn a favor de la reeleccin del actual alcalde. Si se hace un sondeo aleatorio a 150
personas de cada sexo, con qu probabilidad la diferencia entre las proporciones muestrales de las
mujeres y de los hombres es, en valor absoluto, menor a 0.19?
Solucin: Tenemos eue Pa : 0.3 y
P^:0.2, rlh: rlm:
n1o
-pt-rn
Buscamos la probabilidad Pr
pt(10
-0^l
(lfn
< 0.19)
- 0.3) , 0.2(1 - 0.2):0'00247'
150
- f^l
'* ff
< 0.19):
Pr(-0.19
(0.3-0.2))
o r0.le\ \/0.00247 /
:
:
6.4.5. Distribucin
0.3(1
150. Ademrs,
o(1.81)
<Fn-A'
o(-1.81)
<
0.19)
(0.3-0.2)\
r/0.00247 )
_* l_0.le-
0'9648
- 0.0352
0.9296.
de muestreo de la razn de dos varianzas
La ley de distribucin F
Sean X1 y X2 dos variables aleatorias independientes que tienen distribucin
de Iibertad, respectivamente; entonces la variable aleatoria
,,
y2
con nL
y n2
grados
xrlnt
' - Vrln,
sigue una distribucin

(Vase la Figura 6.3)
(de Snedecor) con (n 1, n2) grados de libertad, que se Ia notar como
Figura 6.3: Funcion de densidad de la distribucin F
F(n1,n2)
6.4. Otras distribuciones de ntuestreo
193
Su funcin de densid
-??2\ n,/2
-/rt
I (-)n'i"'n,
/
rl-\ _
n2f2
,'nt/2-1(n2
.(?) ,G)
J\.1 )-
I n1r)-('nrtnz)lz,
si z > 0;
sir(0.
0,
La esperanza y la varianza son:
E(Y)
"^,sin2>2
TL2
2n|(n1+ n2 - 2)
y Ya{V1: nt(nz-2)z(n2-4)'
sn2>.4.
(nt,nz) que corresponden a sus grados de libertad del
Ntese que esta ley depende de dos parmetros
numerador y del denominador, respectivamente.

Los valores de las probabilidades vienen tabulados. En la tabla 4 del Apndice se presenta el valor
para el cual la variable aleatoria V
F(n1,n2) es igual a una probabilidad a: Pr(V
) r) :
q.
Para la lectura de los valores porcentuales del extremo inferior de la tabla de la ley -F se emplea la
siguiente relacin:
F1r-,"(u,nil p,()r,nr)
Ejemplos
1.
Determinar el valor de
2.
Hallar el valor de
) r):0.05, donde V - F(6,9). En la tabla de la ley F

correspondiente a a : 0.05, se localiza los valores de n1 - 6 y ,z: 9, para los grados de libertad.
Donde se cruzan la columna y la fila correspondientes se lee el valor z : Fo.os(6,9) : 3.37.
Pr(V < z)
tal que Pr(V
tal que Pr(V { r):0.05, donde V - F(6,9). Aqu, n1

Pr(V > r) : 0.95. Por la relacin anterior,
:6, TL2:9 y si
0.05, entonces
Fo.gs(6,9)
1L :
,. ou.g,
^:0.244.
^2
d" 1
si
La ley de distribucin
rpongamos que se dispone de dos poblaciones que siguen una ley normal: la poblacin 1 sigue una
ol) y Ia poblacin 2 sigue una ley J!'(pr,"}). Sean sl y s2rlas varianzas de dos muestras
ieatorias independientes de tamaos n).y n2t seleccionadas respectivamente de las poblaciones 1y 2.
trntonces, Ia variable aleatoria
S
-.r-,A/(21,
'n- '?1"?
'31"3
:-3-ue
una distribucin
-F'
con
fengamos presente que si
(rt - I,n2 -
o?: o3:
7) g.I.
t
02, entonces f'
: 3 - F(n, D2
!,n2
I).
Ejemplo. Una marca de automviles tiene dos plantas que ensamblan el mismo modelo de autos.
=l rendimiento de estos automviles debe tener la misma media y desviacin estndar. La empresa
--ene Ia
poltica de regularmente comparar los rendimientos de los carros ensamblados, escogiendo
t94
Captulo
6. Distrbuciones de Muestreo
rnrr<lstlas aiertorirs en las clos plarrta.s. Se tonluorr serx.ls mrrestr'lrs cLc tarriro 30 y se controlrj lr
clcsvircicin estirrclar clc:l corrsumo clc c:acla urrr. Hallar' 1zr probabilicLrd clc quc lr clesvircicin cstrrc1-rr
cle una rnucstr] ser al rnenos 1.5 r't:<;es nravor qrtc lir clt: l:r seguncla.
SoLttcin: Se tiette
c-rc:
", (;
Como F
: t: -
")
:.,( p,.r^)
F(29,29); entonces.
/.?
001<r.(
La probabilidad exacta cs Pr
(#a2.25)
> 2.25) <
o.o2b,
:0.01632t
6.5. Ejercicios
Distribucin de la media
1.
Para una prueba de aritmtica se sabe, con base en Ia experiencia, que la puntuacin media es 7[t
puntos con una desviacin estndar de 12.5. Si se aplica la prueba a 90 personas seleccionadas
al azar, aproxime las siguientes probabilidades:
a) Pr(68.5 < X <71..5);

b) Pr(66 < X <74);
2.
o
!).
c) Pr(X > 72);

d) Pr(X < 67.5).
En una ciudad, el peso de los recin nacidos se distribuye segrn una ley de media : 3100 g :
desviacin estndar o : 150 g, Halle los parmetros de la distribucin que siguen las medias de
las muestras de tamao 100.
Un actuario estableci el siguiente modelo probabilstico sobre los sueldos que reciben los trabajadores en el sector de la agroindustria:
Sueldo
200
300
400
500
600
Pr
01
0.2
0.4
0.2
0.1
Si de este sector, se toman 30 sueldos, aI azan,
a) Halle la esperanza y Ia varianza de Ia media muestral;
b)
4.
Calcule la probabilidad cle que la rncdia mnestral se ubique entre 360 y 430 dlares.
Las normas internacionales de calidad indican que los neumticos deben durar al menos 33 m:l
km. Un fabricante de neumticos seala qlre su producto tiene una dulacin promedio de 34 nrkm y desviacin estndar de 4 mil km. En un iaboratorio que controla la calidad de fabricacin s=
probaron 36 llantas de esta marca. .Cul es la probabilidad de que, en promedio, los neumticc'.
probados no cumplan con las normas internacionales?
IEste valor se obtuvo mediante el empleo de r.rn proglama conputacional.

Nosotros) por la lirnitacir-r cle las tabla-.
solo podemos acotar el valor de la probabilidad.
6.5. Ejercicios
195
5. El tierripo
qne los usurios dc nna emplcsl intcrlplovirrcial de transpolte esperan l)ar'r cpre stl
brrs salga clel telrninr1 es rrn r'ariabk: alcatolia con mcclia. rle 8.2 rnin y clesr.'iacin estnclrr cle
5.5 rnin. Sr-rporrga qnc err uri lus se ernl;arc:trorr 49 p:rstr.jeros. Halle lr probabiliclacl cle clue el
tienipo plorneclio quc ellos turrielori cllre esl)elal sel:
a) rnenor a 10 mirr.
b) entre 7 y
10 rnirr;
c) mayor a 7.5 rnirr.
La gente que freclrenta cierto bar tiene una probabilidad de 0.001 de salir y cantar con el grupo
que est actuando. En una noche de fin de semana hay 150 personas en el bar. Cr-rl es la
probarbilidad de que al rnenos una pelsol1a salga y cante con el grr-rpo? (Suponga que cadr
persona en el bar toma la decisin independienternente del resto. Halle el verdadero valor y erl
aproximado)
[1.
El tiempo de permanencia de los automviles en un gran parqueadero es una variable aleatoria de

media 176 minutos y desviacin estndar 40 minutos. Calcule, aproximadamente, la probabilidad
de que el tiempo medio de permanencia en el parqueadero de 100 automviles, elegidos al azar)
sea superior a 180 minutos.
8.
La estatura de los varones de 18 aos de Quito sigue una distribucin normal de media 162 cm
y desviacin estndar 13 cm. Se toma una muestraalazar de 85 de estos chicos encuestados y
se calcula el promedio. Cul es Ia probabilidad de que este promedio se encuentre entre 159 y
164 cm?
9.
EI centro de cmputo de su universidad dispone de un servidor para gestionar las pginas web
personales de profesores y alumnos. Supongamos que la cantidad de memoria ocupada por una
de estas pginas puede considerarse como una variable aleatoria con una media de 1.3 Mb y
una desviacin estndar de 0.3. Si el servidor va a gestionar un total de 500 pginas, calcnle,
aproximadamente, la probabilidad de que la cantidad promedio de memoria necesaria supere los
1.32 Mb.
Se efectu un anlisis sobre Ia duracin de las mquinas impresoras, de una cierta marca) que
tienen las empresas prblicas. Se eligi una rnuestra de 179 mquinas utilizadas en una empresa
10
elegida al azar. La vida media de las impresoras result ser de 3.33 airos y una desviacin
estndar de 2.05 aos. Con una probabilidad del 99.7%o, en qu intervalo de tiempo puede
considerarse que se encnentra la vida media de las impresoras de tal marca?
Con una muestra de 160 entrevistas realizadas a mujeres que trabajan, result que el gasto
promedio mensual en arreglo del cabello fue de 39 dlares y desviacin estndar de 5.2 dlares.
Con una probabilidad del 99.7To, entre qu lmites variar el gasto medio en arreglo del cabello
para las mujeres que trabajan?
Un proceso automtico llena fundas de chifles cuyo peso medio es de 450 g y una desviacin
estndar de 3 g. Pala controlar el proceso, cacla hora se pesan 36 fundas escogidas al azar'; si
el peso neto est entre 449 g y 451 g se continlra con el proceso, en caso contrario se detiene el
proceso para recalibra,r la mquina.
a)
Cul es la probabiliclad de detener el proceso cuando el peso neto medio realmente es 450
b')
b)
_.f
-'f
Cul es la probabilidad de aceptar que el peso neto promedio es 450 g, cuando realmerite
es de 448 g?
La vida til de cierta rarca de llantas

desviacin estndar 3 mil km.
sigr-re unt-r
distribucin normal
con media 38 mil km y
Captulo
196
a)
6.
Disribuciones de Muestreo
Si Ia utilidad Y (en dlares) que produce cada llanta est dada por Ia relacin
100, cul es la probabilidad de que la utilidad sea mayor que 8900 dlares?;
Y :0.2X -f
b) Determine el nmero de tales llantas que debe adquirir una empresa de transporte
para
conseguir una utilidad media de al menos 7547 dlares, con una probabilidad de 0.996.
14.
En Manab, el peso de los esDosos y de las esposas se distribuye segn las leyes
y N(64,69), respectivamente, y son independientes. Si se eligen 25 matrimonios, ^/(80,100)
al azar, de
Manab, calcule la probabilidad de que el promedio de los pesos sea a lo ms 137 kg.
Distribucin de la proporcin
15.
Se extrae una muestra aleatoria de 150 elementos de una poblacin binomial corr pt
es la probabilidad de que Ia proporcin muestral satisfaga
16.
4' cul
*=U= *t
El suceso A tiene una probabilidad de 0.4. Esto significa que esperamos que la frecuencia relativa
de A est cercana a 0.4 en una larga serie de repeticiones del experimento que se est modelando.
Cul es la probabilidad de que en 1000 experimentos, la frecuencia relativa est entre 0.38 y
0.42 (inclusive)?
17.
La FIFA est interesada en conocer si las selecciones nacionales ganan ms de la mitad de

los partidos que juegan en casa. Suponga que se escogen aleatoriamente los resultados de 80
partidos, efectuados en las ms recientes eliminatorias para el Mundial de Ftbol, y se encuentra
que 65% de ellos fueron ganados por el equipo local.
a) Es el 65% un parmetro o un estadstico? Explique;

b) Asumiendo que no hay ventaja de campo, y por lo tanto
que los equipos locales ganan el

juegos,
probabilidad
que
sus
la
los
de
determine
de
equipos
locales hubieran ganado
50 %
el 65% o ms de sus partidos en una muestra de 80 resultados;
c)
el 65%de los juegos fueron ganados por el equipo de casai

provee fuerte evidencia que Ios equipos locales ganan ms de la mitad sus partidos? ExLa informacin muestral (que
plique.
18.
Supongamos que el 80 % de todos los residentes en Guayaquil celebran la fiesta de Navidad (el 25
de diciembre.) Se planea seleccionar una muestra aleatoria de 300 guayaquileos y determinar
la proporcin de ellos que celebran la Navidad.
a)
b)
Es el 80% un parmetro o un estadstico? Qu smbolo usa para representarlo?;
De acuerdo al Teorema del Lmite Central, cmo variar la proporcin de quienes celebrarr
la Navidad, de muestra a muestra?;
c) Determine la probabilidad que menos de las tres cuartas partes de la muestra
celebre la
fiesta;
d) La probabilidad calculada en c) sera mayor, menor o igual si el tamao de la muestra

fuera de 800 personas? (Usted no necesita realizar clculos.) Explique,
19.
En un canal de transmisin de datos Ia probabilidad de que un bits se reciba con un error es

1 x 10-5. Si en una transmisin se envan 16 millones de bits, cul es la probabilidad de que
no ocurran ms de 150 errores?
20.
Segn las estadsticas de trnsito, se ha establecido que en una noche de viernes, en promedio.
1 de cada 10 conductores est ebrio. Si un fin de semana la polica realiza 400 pruebas de
alcolemia, cul es la probabilidad de que el nmero de conductores ebrios detectados:
6.5. Ejercicios
a)
b)
21.
menos de
c) al menos
%?;
L97
10
%, pero menos de 73%?
ms de 12.5Vo?;
Supongamos que el 40% de los votantes est a favor de Ia reeleccin del actual alcalde.
a)
Si se selecciona una muestra de 600 electores de la ciudad, cul es la probabilidad de que

la proporcin muestral de votos a favor del alcalde est entre eI37To y el4570?;
b)
Cul debe ser el tamairo rruestral para terrer una probabilidad det 97 % de que la proporcirr
de votos a favor del alcalde en la muestra no se diferencie de la proporcin supuesta en ms
ie
deI2%?
a_
22.
La mediana de la edad de los habitantes del Ecuador es de 26 aos. Si se seleccionan 100

residentesenEcuador aIazar, calculelaprobabilidaddequeporIomenos el 60% deellostenga
menos de 26 aos.
1.,-,
.tD
Lt)
Se ha estimado que eI 437a de los estudiantes de leyes considera que es
24.
En la segunda vuelta electoral los resultados clan que el candidato ganador obtuvo el 55 % de
los votos. Cul es la probabilidad de que en una encuesta realizada a 169 personas el resultado
muy importante que se

imparta un curso de tica en la abogaca. De una poblacin de 800 estudiantes se tom una
muestra de 80. Calcule la probabilidad de que ms de la mitad de ellos opinen de ese modo.
no muestre una mayora a favor dei candidato?

o
En una encuesta realizada con una muestra de 3000 personas adultas escogidas al azar, ha
resultado que el 35 % toma caf al menos una vez al da. Con una probabilidad del 95.5 %,
entre qu lmites variar esta proporcin para Ia poblacin completa?
26
El tiempo que esperan los peatones para crllzar una va muy transitada se distribuye en forma
exponencial con media de 1 minuto. Si en una hora llegan 95 peatones, calcule la probabilidad
de que por lo menos la tercera parte de ellos tenga que esperar ms de un minuto.
27
IJnajedrecistaexperimentadohaganado eI70% delaspartidasquehajugado. Sienelprximo

mes va a participar en un torneo en el que va a jugar 25 partidas,
<i
-.Lr--
a)
b)
c)
calcule la probabilidad aproximada de que gane por lo menos el 80 % de ellas;

calcule la probabilidad binomial exacrta de que gane por lo menos 20 partidas;
qu hiptesis son necesarias para que sean vlidas Ias respuestas a)
v b)?
Distribucin de la varianza
28
Con el empleo de Ia tabla de la ley X2 Iocalice Ios siguientes valores y represntelos, aproximaclamente:
u) rBss(e);
rr
l.-
xSgg(12);
c) xfrorr(20);
a)
xfrou(to).
29
Si X1 , X2,...,X9 son nueve variables aleatorias independientes y distribuidas segn una ley
It[(t2,32), calcule la probabilidad de que la varianza muestral sea menor o igual que 56.28.
30
Calcule Ia probabilidad de que una muestra de tamao 13 seleccionada de una poblacin normal
con varianza 4 tenga una varianza muestral:
!-
a) menor que
7.01;
b) entre 1.I9 v 2.7.
Captulo
198
31.
6.
Encuentre la probabilidad de que una muestra aleatoria de 20 observaciones, de una poblacin

normal con varianza o2 :5, tenga nna varianza nuestral s2: a) rrayor a 8.1; b) entre 2.66 y
9.52.
ta
En los ltimos 5 aos, las califlcaciones del exarrren de aptitud para el ingreso a la universidad,
siguen urra distribucin nolmal con variarrza o2 :8. Considerara usted o2 :8 como un valor
vlido de la varianza de las notas de los exmenes que se rindieron este ao, si una muestra
aleatoria de 20 calificaciones arroj un valor de s2 : 16?
J.t.
En una oficina de seieccin de aspiral.tes para optar por una beca se estudia Ia varianza de las
calificaciones para identificar fcilmente a los mejores aspirantes. Para una prueba de matemti
cas se supone que las calificaciones se distril)uyen normalmente con desviacin estndar de 10.
Hay 15 aspirantes a optar por una beca. Calcule Ia probabilidad de que la desviacin estndar
de las calificaciones de clichos aspirantes sea mayor clue 7.
q/
t)1.
En una granja pisccola se mide la varialrilidad en el peso de los peces capturados. Las normas
internacionales indican que el peso est distrilruiclo segn la ley normal con varianza o2 : 225 82
Se pesan 27 peces y se calcula su vatiarrza s2.
L,
a) Estime aproximadamente Pr(s2 >

b) HaIIe Yr(s2 > 362);
o<
JU.
150);
c) Calcule E("') y Var(s2).
El sueldo anual de los ernpleados cle urra iristitucin se supone que sigue una distribucin norrnal
con desviacin estndar de 100 dlares. Si en una inspeccin Ia oficina de irnpuestos toma una
muestra de los sueldos de 17 empleados, determine un intervalo en el que quedarlavarianza,
de los sueldos anuales, con una probabilidad de 0.9.
Otras distribuciones de muestreo

36
Con el empleo de la tabla de Ia ley localice los siguientes valores y represntelos, aproximadamente:
a)
s 1(9);
b)
1(12);
c)
o.ozs
(20)
d)
o05(16).
.)/
Si X1, Xz, ..., X9 son nueve variables aleatorias independientes y distribuidas segn una Iey
/(8, 4), calcule la probabilidad Pr (f ST < 9; 1.09 < t2 < 10.045) . (X v s2 son independientes)
38
En la ciudad capital. el precio rredio de venta de las casas nlrevas es 115mil dlares. Se toma
una rnuestra aleatoria de 10 casas nuevasr resultando una desviacin estndar de 25 rril dlares.
Cul es la probabilidad de que la media muestral de los precios de venta sea:
a) menor de 104mil
39
40
b) mayor de 110500
dlares?;
dIares?
Se tom una muestra de 16 directores de oficinas de una ciudad con el fin de estimar el tiempo
medio diario que emplean en desplazarse hasta su trabajo. Si Ia media cle los tiempos es de 87
minutos y Ia desviacin estndar de 20 minutos, calcule la probabilidad de clue la media muestral
sea menor de 100 minutos.
Con el empleo de la tabla de la ley
localice los siguientes valores y represntelos, aproximada-
mente:
a)
47.
,Fo
r(9,5);
b) ro o1(t2,t2)
c)
'P 025(20,7)r
d) b05(15,4).
Dos muestras aleatorias inclependientes de tamaos 27 y g, respectivamente, se toman de una

misma poblacin normalnente distribuida. Cul es la probabiiidad de que la varianza de la
primera muestra sea r,l menos el cudruplo de la varianza de la segunda?
6.5. Ejercicios
72
199
Dos nruestras alertotias irrclependicntcs cie tanraos 7 y 13, r'cspcc:tivarnente, se totu] dt: ula
rnisrna poblacin rronrrlrnente clistribrriclr. .Cul cs lir probabiliclid cle que la variarrz cle lr
llirnela rnrestla scl rr)r-\/or igrral zrl tliplc clc lr r'rlianza cle lrr strgrrndr mucstra?
1.f
f'J
Sean X1
14
Sean
X2(9)
X1 y X2
, X2
Halle los valores <lc r y b tales
#fr
Pr(o(Y<b):0.925 y Pr(Ylg) :0.05.
Ltna mlrestrr cscogida cle una poblacin
a) Determine la ley
b)
\2(20) ), l':
cle
distribucin de p
Calcule la probabilidad Pr(F
<
/ \,
qr.re
normal cstn<lar.
-. r
: (*f#
)
\Xr - Xz/
'
16).
Una muestra aleatolia de tarnao 16 sc seleccion a partir de una poblacin normal de media 75
y desviacin estndar B. Una segunda muestra alcatoria de tamao 9 se tom a partir de una
pobiacin normal de media 70 y desviacin estndar 12. Sean X1 y X2 dos medias mrrestrales.
Halle:
a) la probabilidad
b) Ia probabilidad
6
Xt - Xz sea mayor
que 3.5 1 Xt - X2 < 5.5.
de que
que 4;
Una firma comercializaclora afi.rma que el peso medio (en gramos) tq y pz de dos marcas de
atrr enlatado, A1 y Az, es el mismo. Para verificar la afirmrcin se escogen dos muestras
independientes de tarnaos 36 de cada marca. Si la rnedia mlrestlal de A1 es mayor que la
media muestral de y'.2, sc rechaza gue Fr : 11,2, e\ caso contrario, se accpta gue Fr : 1tr. Cl'l
es la probabilidad de aceptar eue lr : lt2, cuando realmeute p : ll2 l2? Suponga que las
poblacionales son o?:9 y o2n : 4.
Para comparar la duracin media (en rneses) Ltt y ltz de dos marcas de bateras , A y B, se
tomaron dos muestlas aleatorias independicrrtes de tamarlos 32 y 36, respectivamcnte. Si Ia
duracin promedio (mrrestral) de ,4 es mayor que la de B en ms de dos rneses, se acepta que
ltt ) l-tz; caso contrario, se acepta qlre /t : 1t,r. Calcule la probabilidad de aceptar q:ue 17 ) r"2,
cuando realmente Ft: ltz. Suponga que las varianzas de las duraciones son o2: 16 y o2B: g.
,i
EI administrador dc r-tn edificio quiere decidir la compra de lmparas fluorescentes de mrca 7

o [/. Pala ayudarle a lealizar su decisin) se escogen dos muestras de tamaos 10 y 9 lmparas,
respectivamente, rcsultando las desviaciones estndar de s1 : 200 y sz : 150. Si la diferencia
entre los promedios es rllayor que 173 horas, se acepta eue pt I pz; de 1o contrario se acepta que
l-Lt: llt. Cul es la ltrobabilidad cle aceptar cre /t f -t"2, ctando realmente pr: p2? (Asuma
que Ia vida irtil dc ambas narcas tiene distribucin normal con valianzas iguales.)
Para cornparar los salarios que pagan a sr.rs empleados dos fblicas cle cobijas, San Lucas y
Cebra, se escogen dos muestras aleatorias cle tamaos 16 y 13, respectivamente, de las dos
fblicas. Result que la^s desviaciones estindar filerori sr: I20 dlales y sc : 55 dlares. Si
la difer-encia entre las rnedias rnnestrales no es tr]yor a 65 dlares, sc acepta que ,r,1 - /-2; caso
contrario, se accpta eue /r,1 I Itz. Cul es la probabilidad de aceptar que /1 I p,z, cuando
lealrtretrte Ft : I,tz7 Suporrga que los salarios, cn ambas empresas, siguerr una distlibucin
nornral con valianzas difeleutes.
;c
Dos plogramas de televisin tienen como latings 40% y 20Vo, t'espectivamente. Se tom una
muestra de 300 hogales qne poseen televisor, durante Ia transmisin del programa A y otra
muestra de 100 hogar"es durante Ia transmisin de B. Cul es la probabilidad de que los
resultados muestren qr:e el programa A tiene un rating mayor al de B, en un 70%?
Captulo
51. Un frbricarrte
6. Distribuciones de Muestreo
cl 30% de mrrjcrcs y ei 20% de hornbres prcficren su jabn dc tocador.

a 200 pelsonr^s d<: crda sexo) .colr qrr pr<,rbabilidad ia proporciu
muestrai de mujercs rrelros la propolcirr nrrrestral de valoncs estin en el interrralo (-19 %.
Is%)?
-ifirulr que
Si se realiza lrna crrclresta
52.
Se escoge una mnestra de 600 electores crrc acaban de votar, entre la,s 9:00 h y las 15:00 h, pare,
estimar la propolcin cle votantes a favor de los canclidatos H y M. En una encuesta rerlizada l.
vspera, se estim en 30% y 35% los polccntajes cle apoyo de los dos candidrtos, respectivanielte.
.Cr"rl es la probabilidad cle clue la proporcirr rnuestral de B excecla a la proporcin rnuestral de
A en al menos I0%?
53.
La msica romntica es preferida por el 30% de mujeres y eL25 % de hombres. En una encuesta
realizada a 300 personas de cada-sexo, cul es la probabilidad de qne la proporcin muestral de
mujeres que prefieren la msica romntica, sea mayor a la de los hombres?
Crptulo 7
Estlmacin de Parnnetros
er
Todos ltentos estado lo,cie'rd,r esto,dst'ica, todo, La ui,elo,.

el sentido que cada u"no ha estado octrpado sacando concltsiones
a parti,r de obserua,ciones empr'icas, casi desde el nac'im'icrto
W. Kruskal
:n el Captuio
1 se expusieron varios mtodos qr-re permiten descrilrir un conjurrto de datos de rna-
,-era r'pida, generai y efi.caz; estos mtodos son grtficos y su intelpretacin es fcil, pero tienerr el
:-cortverrieute cte la dcscripci<in cle los datos no es rnica y no sc plcstan para realizar Jrreclicciorres.
:l
rtso clc
la ittforrnacin que se obtiene a partir dc unr muestra pa.la sacar
corrcinsiones soblc
lr
rllacin de la quc ella 1>roviene, se cleuomira itt.ferenci,a esto,d,,stica.
la inferettcia estLdstica que se clescribiln cn ste y los sigrrientes captnlos sc leficlerr

. ia r:stitnrcin de ltarrrtetros, ltr formulacil y verificaciiin c1e hipcitesis soblr: estos ptrlzintctlos 1; l
s rntoclos de
-antearrrierlto cle rnodelos aclecuaclos pzrra krs drtos.
;.1.
Estirnacin
-. teora de 1r estirnacin de parmetros fue clesarrollacla en las primeras dcadas clel siglo XX,
Ilo rurt parte de otra teora (las pruebas de hiptcsis) y sistematizaclir por J. Neyrnarr cu 1934.
-- tualmente, esta teora es la basc de cr-ralquier estudio estadstico.
-"tartclo sr toma ttna nutestra de una poblacirr, e1 olljetivo es tenel un indicio cle los valoles cle los
.-rrnetros descorrocidos de sta. Tal proceso se dc:nomirta est'imarcin y a los valoles crlculrclos
'. inladores.
Definicin (de estimador) IJu cstimador es rlua nieclida estrdsticr qrre permite conocer o
-:,a idea del valol de ttn paliimetro dcsconocido, basndose en la informacin de la mr-rcstra.
- :' ejcrnplo, si disponerrtos cle una

:. rrnedio r conro estirnador clr-. r,.
poblacirr cr-rya rneclia
.r,
es desconocida, es natulal cscogcl el
,:,,selvemos que un estirnar,lol es nna variable aleatolia; rnientras que Llua estirnacirr es nn nrrnct'o.
:--lr.ttrs veces)
los estirnadorcs dc los parzmetros poblacionales se distingr"ren clel verdadero r'rlol

:'--diante el empleo del smbolol Por ejenplo,
20r
Captulo
202
p
verclrclcro rralol clc
f : proltorcin
7.
Estimacin de Parrutetros
la propotciri ltoblaciottal.
poblzrciorral cstirrracla, ir
partir
cle una rnnestr-r.
Las siguientcs secciones lrs declicalenros r cono(icll las plopiecl:rclcs cle los cstinrrdores clc los pnr'metr,,poblacionales, a evaluar su r.aliclez \' r cxporlcr s'.is aplicaciones.
7.2.
Clases de estimadores
Cuando sc obticrre una rnuestra de nua poblacin, el objetivo es tomar una decisiti cu brse de
estadsticos calculaclos a partir de los datos rnuestlales; luego ellos se resumen en frascs como
siguientes:
I..
Ia ciudad se sintonizaba cierto prograrna de televrsrn.
1.
trn 2930 de los
2.
EI nivel dc desocupacin en el pas
t
.).
La mtrestra usando el Material A tiene, en promedio, una fortaleza a la tensin 3.2 unidade.
10 000 hogares de
es
ei
14 % de
la poblacin en edad de trabajar.
mayor que aquella empleando el \4aterial B.
Los estimadores anteriores dan una idea concisa de los resultados de la muestra, pero no inform.:
de su precisin. As, pudiera haber gran diferencia entre tales estimaciones, calculadas a partir C=
una muestra, y Io que uno podra obtener si dispusiera de una cantidad ilimitada de datos. Pr::
ejemplo, 74Vo sera una estimacin razonable (o prediccin) de la desocupacin el prxirno mes; per'(,,
',cun <<buen>> estimador es? Teniendo en cuenta Ia variacin en el mercado laboral, sabemos que e:
improbable que el prximo mes haya un nivel de desocupacin de eractamente el 74%. Sin embargc
podemos esperar que su valor sea <<cercano>> alI4To, y qu tan cercano? Podemos esperar que se:dentro del 10.1% el estimador?, o dentro del tl Vo?, o dentro del +I0%?
A partir de la discusin anterior podemos deducir
que existen dos tipos de estimadores: uno que ci:un valor numrico qlre resume lo observado en la muestra; y otro que, adems, expresa la incertidunrbre debida a Ia variabilidad en los (generalmente limitados) datos. A continuacin definimos m-.
formalmcnte estos tipos.
Definicin (de estirnador puntual)
Sea X1, Xz, ..., X,"Ltrra muestra aleatoria seleccionada de

poblacin con distribucin de parmetro 9. Se denomina estimador puntual del parmefto 0 a
cualquier estadstico que proporciona una estimacirr del verdadero valor de 0.
r.rna
Al estimador puntual
cle d se le
nota d,,.
Por ejemplo, si la media poblacional es p : 6, obtenemos ttna muestra

z : 5.85. sta es una estimacin puntual de 1.
5r
determinamos Lrn promedi,-
Tambin, mencionamos que la estimcin puede realizarse mediante Lrn r-ango de valolcs entre lo.
cuales se encontrar cl verdadero','alor con alta pr-obabilidad.
Definicin (de estimador por intervalo) Un estimador por intervalo
de un parmetro descono-
cido est dado por clos puntos, qne pretenden abarcar el valor leal del parmetro.
Por ejemplo, si la media poblacional es p : 6, obtenemos Lrna muestra y determinamos el intervalc'

: (5.4;6.2), este intervalo es una estimacin de -r,. Posteriormente, indicaremos cmo construir tales
intervalos y evaluaremos su exactitud.
7.3. Estimacin puntual

7
203
"3. Estimacin puntual
No tocio estirnrclor'reliza rrrra Lrnen estirir-cirr clel par'rnr:t,ro Un buerr estimaclor e-q rquel clue est
cerc clcl parmetlo estirnado; para lo crial clebr: cr.rmplil cieltas propiccladcs) clLle \anios a examinarls
a continuacin.
7.3.1. Propiedades de los estirnadores puntuales

Lo irnportante de urr estimaclor es qrie 1 pueda ernplealse de manera confiablc; por cjcrnplo. que no
difiera de manela aprcciable del verdadero valol dcl parmetro poblacional.
Definicin(de estimador insesgado) IJn estirnarlor I
es insesgado para
cstimar
E(6):e
De otra manera ? se llama sesgado.
La Figura 7.1 muestra un estimador insesgado y un estimador sesgado
D-L -_
:-'
i::
Figura 7.1: Estirnadores insesgado y sesgado.
\otemos que la rlistribucin muestral para el estimador sesgado est desplazada hacia la derecha
4. Este estimador
E1 sesgo
de
sesgado, probablemente, sobrestima 0.
de un estimador se mide corno

sesgo(?)
:E(A) -
Ejemplos
l
1.
La media muestral
es r,rn estimador insesgado de ;, ya que
E (X)
,n
El
estaclsti c<
\/ -X2 :
>a
'
,i-t
x?
17
no es un estimador insesgado de r, ya quc E
.'l- disponemos de dos estimadores insesgados de , interesa tener
(t/F) + u
nn criterio para elegir uno de ellos
Definicin(de estirnador eficielte) SeaL?1 y ?2 dos estimadores

que es ms efi.ciente que d1 si Var(d2) < Var(d1). (Ver Ia Figura 7.2.)
insesgados de d; ?2
se
L)ttptrtlo 7. Estitnacin de Partnetros
204
E(0:) = 0
l-igrrla 7.2: Estirnrcloles
insesga<,los corr clistirrti valiarrza: Var(d2)
< Val(91)
lDados dos estimaclores iusesgados de un misnro par'rnetro, es irrcferibl escoger_'el nrs eflciente.
vcces se prcsenfa el problema de elcgir entre dos est.irnaclorcs corr propiedades contrapr-restas: Llno
de cllrs es iusesgado y el otro es sesgado, per-o con nrcnor valianza. En estos ca,sos cs necesario dcfinir
una mcdida qrle Dos pcrmita lcaiizar tal conrl>aracin.
Definicin (de error cuadrtico medio) El error curdrtico medio debido a la estimacin
d nrediante D cs ECM(D) - P lf e -hV].
L'
Pol las propiedades de la esperanza
de
se
tiele
trCM(a)
quc
- val(D) + (.".s-oi0;)'
\/
As, paia los estirn.dores insesgaclos, ECM(?;
Varl?;.
-1r*it*rt-tcr,"rpr'"f erilrt."r....lg",=1.1,r.'t"rrgn ei rnenor ECM.I
Ejemplo. Seir X1 , X2,. .. . X5 Lllta rtmestla alcrtotir cle rrna ltoblar.in

: 02, i,: 1, ?, . . . .5. Se tienen los siguieul,cs cstinrrclores clc -r:
par.il la cr-ral E(X)
Var(X)
v
u]
ir:
14 1,
^t
0t: )(xr
'2- * 2_Y),
Lr
,r(Xr +,Y.r + xr;,
0q:-Y:
F-Y2-r-
r("t
Xtr-Xq-X).
a) Segrn el criterio de la eficiencia, cul es el rnejor?; b) Cornparar los estimaclores0zy ?3 rnecliantc

el ECM.
Sol,ttc'in,: Calcnlemos lzrs esperanzas
E(01)
Var'(?1)
VaL(02)
tar'(0)
Var(?a)
y las variarrzas de <:aclr
.r, n(6r:
Vzrr(X1)
,,,
: *r,,
)'
EqBn
,.
:62.
n(Var(.Yr)I
B(?r)
r.uro de los esl.imadores:
')
Var(X3)
(X) + 4 Var'(Xs))
;(Var
44
,2
VallX,) : --.
r-
Var1X5)
)
DO: a,
:- o'
.1
D
7.3, Estitnacitt tuttLual
205
Elcstinta'<[,r03css.sgirclo,rttictrtt1s.1,,,r?,.i.t:,/,usr.rrrirscsgrtles;
r)
estinlldor
<[e 1,
l,) Crlctrlcrtr<-s los
Entonces, el
lol'rrte ticnr ll nrcrror
(r,s
cl rrriis <rfir:i.rrtc).
sesgo(2)
te.gu(?,r)
31 :ttr.
=: ll(),) - 0 : ,lt-lt
E(0!)-g-.
r,
- t :0.
es
ECM(ar)
ECM(as)
Var(?2) +(r"r_,u102)2
o2
:=-*0
Var(?3) +(."rgu1D3)2
:-Ti
o2
3'
.t
El mejor estimador
aclenrs,04:Xcsel rrc.loI
clc los dos cstiru;r, lorcs
scsg<_ls
ECM
r'rr'irrLzt
".
l') :
/7 \2
i:o'
?2 porq,re tienct <ll nrcuor. er.roL cu;rrh-iti< :o nredio.
7.3.2. Estimacin de la media poblacional

ffiffj::ffii1,1;Tl:::T]emos
que el p|orncclio cs rLlI cstiuraclol iuscsgcto

de la media poblacionz y
Supongamos qr-le se obtiene una muestr a X1,
o2. La merlia nluestral
se clefine
La esperanza de X
La varianza de X
....
x,,
de una poblacin que tiene media
y varia.za
,\,"
pol X - :--t
'tL
es
E(X) :
De manera que
,x2.
es
--E
lt
un estimaclor
_1
?t
ttt'' : !@r')
insesgtrcl r.t <I<: t.
es
Vrrr(,{) :
-;t.'I var (')
Var
:*
:-
var(x)
: \qro,
Tt.
o-,
77
;.3.3.
Estimacin de la varianza poblacional
) _lpongamos (lnc sc oltieue rurr nlrrestl,a

-\-1. .\-2.. . . . .{,, (l() lurr
r<;,lrlerci,iu gut: bit:ue rtredia l y variatLzir
.1. El estimador.
5"*l
--,,,
206
os
Captulo 7. Estinacin de Parntetros
rlll cstirlrrclor'lrrrrrlrral
ci<r
o2. rerro lirtuc cl irLc:orrvclricrrl.c clc s<:r scsgado. pol Jo (rc sc rkrfinc
r-ru _ x)r,
- --1-f
,, - 1/-t--'
s,2
t.-1
clr.re e,s
ulr estimr<.lor irrscsgirclc, par',t rr2
Lt esJrer'lnza de .92 es
D(xu -x)'
rt-7
,i.:t
: -1=e (>.r-,"') : ,_-l-rlir(x,,) \t:1
Corno
E(Xi)
li=I
E(-') : t,' - *,sc t icne

', f "
E(s2)
fr' + o") -,
" - L=l
tL2
+ o2 y
,lI
I.).)r.)1,)
+ no2 -i-(npt
11
:
:
L r'arianza de
-t
,,
r2
(r'- #)l
' )
- o2) : n-l
(n
- l)o:
o2.
,S2 es Vzrr'(52)
2oo
(este resultaclo no se clernostr-ar' ya qLle su complejida,J

TL- a
|
sale del alcarrce dc esta obrz-r) .
7.4.
Mtodos de estimacin puntual
Para detelrniual la cstimacin cle rLn pirrmetro poblacional existen varios nitodos, los dos ms imroltantcs son el de los rnomentos y el de mxinra verosimilitud.
7.4.I. Mtodo
de los rnonr.entos
EI rntoclo de estiniacin de los tnornentos fire dcsarrollado pol K. Pealson en 1880. Es r.rn mtodo
gcller'rl t1c estiulrcirr de uuo o ms pirlzinreltos y se brsa cn lr idea de tornrr conro estimadol cle la
media a la rneclir rnuestlal. colrro estirntclol de It rtaliarrza r Ir valianza rnnestlal, y as succsivmente.
denominrdo el A-simo nn'ntento teri,co clr larrariable
nt,cnett,to nnt,e,stra,L es 1r valirble
Err genelirl, si derrotrrnos
/i;-siro
fr,: E(X'),
rrl
i^ : L,
A,
1.2.3..
X.
EI
rL
Entonces, igualamos los correspondientes momentos terico 1'muestrali

ecuacin resultante para d.
pk:
p. y resolvemos Ia
7.4. Mtodos de estitnacin puntual

El itcorrvcuicnte cl<,r cste rrrtoclo
207
es (lrre los estirrrr,:loles olrtclri<[os, rnnc:hzrs \eces sou sesgt(los.
Ejerrrplo. Disp<trrcrrros <le rrtrt lnllestr'r Xt, X2,.. ., I,,. ixovtrtriculr: clc ttttt irrtblaciu t:orr rlistlilrrr<:itr
Ul-9,l , rlorr<lc d > 0 cs clcsc:ouociclo. Hlirr'li cstirnrcirr clc .
Soluc'i'n: Teuemos
n
Pot r,,tr'olaclo.
X;,
t0')
que/:tr(X) -0y I,b:E(X') :Var'(X) +(E(X))2 :+

3
:1
n,
Si igtralarno s ltz
y p2, obtenem..
Entonces, el estimador de
es d
7.4.2. Mtodo de m:ixirna verosinilitud

El mtodo de estimacin pol mxima velosirnilitud fuc desarrollado por R. A. Fishel en 1920. La
rentaja de este mtodo es que utiliza Ia informacin sobre la Iey de distiibucin de Ia que proviene la
muestra.
X1, Xz, ..., X,, una mnestLa proveniente de una distribr-rcin con par'rnetro 0 y ley
procedimiento a seguir es el sigttiente:
Sea
1.
(r;0).
El
Determinar Ia fn:nc'in de uet-osi'milittt,d de la muestra en sLrs valores lespectivos: Esta fuucin

del parmetro d est dada por
L(0): f (Xt;0) x,f (X2;0) *...x.f (X,,d) :

2.
,f
lI'i,:t f l].;e).
Encontrar la .funcin de log-uerosi,mi,litud tomando el logaritmo de la funcin de r.erosimilitud.

L(0)
3. Hallal el valor cle d que maximiza
:log(l,(d))
Ia
:i
'i:7
ros.f
(x;0).
log-r'erosiniilitud. En este casoT es el valor'?, q.,"
de Ia ecuacirr
cs solucin
dt
d0
-:n
Observacin. Si lr distribucin de probabiiiclad contierre k lrarmetros,

ie rnxirna verosiniilitucl de crda uno ser
ar,
00t
Ir
01. 02, . . ., d., la estinracin

solucin dc las ecuaciones lespcctivas:
_at, _ t)
002
at
/l
0o*
X2, ..., Xr, Llna muestla provenierite de tirra poblacin con distribucirt
Hallar los estimadoles de p. y de o2.
Ejemplo.
Sea X1
SoLuctn: La funcin cle densidad de la ley es
(X=
f)'\
/(X; p,o2) : +"*O-'v (2o2 )
/2tro
\
N(p,o2).
Captulo
208
7. Estimacin de Parutetros
Dc ttrurcrr clrtc la fruiciciu ck: r'clr-silrrilil rr<l cs
r,(r.o2)
(1*, t,,o2))" :
r-g)
(
h"*
: )""*n(-Dry)
La funcin de log-verosimilitud
t(p,o'):
es
Iog(.1(r,
o2)): -|bgQno2) -
1'r
*f(xo-,)'
O'
i_1
Derivando I esta funcin respecto
11,
e igualando a cero da
#:-o* # lrx,de doncle p
p):0,
- x.
Por ctlo laclo.
nI
+;VDtx' - p)2 :o
-t7
i:l
1
0t,
o(ot)
'L
IL
cuya solucin es o2
l.D.
1.
2.
Drxn-X)'
l-1
S*2.
Ejercicios
<El pr-incipio subyacente etr todas las tcuicas de inferencia estadstica es que nllo Llsa estadsticos rnuestrales para aprendel algo (es decir, para inferil algo) acerca de los partirnetros poblacionales>>. Si usted entendi Io qr.re quiere decir esta afir'macin, escriba uu 1>iillafo en el que
describa una situacin en la que se pueda emplear un estadstico muestlal para irrfelir algo sobre
uu palrimetro poblacional. En su ejemplo, identifique claramente Ia rnuestrtr, Ia poblacin, el
estadstico y el patrnetro. Sea trn especfico como sea posible y no use cjelnplos clad<ls en el
Iibro.
Se tomr Lrrta
muestla cle tamairo 4 de una lroblacin de rnedia
t"
varianza
o2.
Sc lrroptnre los
siguientes estimadores de I media:
0,:
Xt -l Xz + 3X4
03: Xt'l
Xz
Xs
Xq
-f
02: Xr Xz + 2XJ
4'
Xt*Xz*X+X+-J
6n:
lndique su orden de prefelettc;ia (clel me.jor al peor)
1,
explic$re los motivos dc su <rlrsificrli,irr.
7.5. Ejercicios
3.
Dos muestras alcatorias independientes se extraen de una poblacin con media p, y varanza o2.
Los tamaos nruestraleS Sor ??,1 y rL2 : ? v tu. meclias muestrales son X1 y X2, respectivamente.
2'
Para estimar a lL se proponen tres estimadores,
\'t
a) Diga si 1os estimadores
: Xt. Tz:X', Tr: Xt !

2
son insesgados;
b) Encrrentre su varianza;
c) ,Cul de los tres estimadores
4.
Si se dispone de una muestra
Xz
es mejor?
Xt , Xz, X3 de observaciones que siguen una ley exponencial
e Q' 1 0)
Considere los siguientes estimadores
0,
*t .
: .yr, 0., : ', :2"2
a,
: IJ:3!2, :x
an
a) Cules estimadores son insesgados para d?;

b) trntre los estimadores insesgados de 0, crl estimador
5.
escogera usted
y por
qu?
Si se dispone de una muestra Xt , Xz, X3, Xs, Xs de observaciones que siguen una ley de Poisson
P(^).
Considere los siguientes estimadores:
a,
0n
Xt -f2Xz * X: *
2Xq -f Xs
:xl+xl.
a) Cules estimadores son insesgados para )?;

b) trscoja el mejor estimador insesgado de ).
A partil de una poblacin que tiene media p, y varianza o2 se tomalon tles muestras de tamao
rtr : 7, n2 : 74 y nz : 9. Sean sl, tS V t:3 las varianzas muestrales calculadas a partir de las
muestras. Compruebe que
t
tsl+usi?r+osl
30
es
un estimador insesgado de o2.
El nmero de clientes que ingresan a una librera en una hora es una variable aleatoria X que
sigue una distribucin de Poisson con media ). Se dispone de una muestra aleatoria Xt, . .., Xn
del nmero de clientes por hora.
a) Determine un estimador inscsgado dc );

b) Las ventas en Lrna hora se da por V : 4X + X2. Demuestre que E(V) : 5) + tr2;
c) Determine un estimador insesgado de E(lz) empleando toda la muestra Xt,. . . , Xr,.
Xl y X2 son dos variables aleatorias independientes

Var(X1) : Var(Xz) : 02 j determine si el estimador.
Si
es
un estimaclor insesgado para o2
tales que
E(Xr) : E(Xz) : p
Capitulo 7. Estirnacin de Parrnetros
2LO
a
estirnaclores insesgados cl<: d y (lue Var(Dr; - o1 y V.Lr(2) :

Se
formr rrn rrLlcvo estirladol cle meclirntc d3 - a?t + (1 - a)02, (0 ( a ( 1). Si ?r v 0'2 Sott
indepenclicntcs,
Suronga q,r,r
a) velifique
b)
10
0r y 0, ,uu
"i
.1.," 03 es insesgado;
Cmo seleccionar cl pal'a reclucir Var(?3) al mnimo?
Suponga qr-re X1 y X2 son dos medias muestrales caLculadas a ptrrtir de dos nurestras dc tarnao
n,r y n2, respectivamente, obtenidas dc una poblacin normal de media r, y varianza o2.
a) Se define un estimador de
b) Halle el valor de
11.
cy
p: Xs
aX
a)X,, (0 < rl
t+(1-
1). Pruebe
que es inscsgado
que minimiza Ia varianza.
Considere una sucesin de variables aleatorias Xr, Xz, ..., X", independientes e idnticamente
distribuidas que siguen Lrna ley uniforme en el intervalo l0 -7;0 +tl, donde I es un parmetro
desconocido. Denotamos por X," el promedio de estas variables.
a) Calcule E(X") y Var(X,,);

b) Construya un estimador 7,, del parmetro d qrre sea consistente e insesgaclo y calcule
su
error cuadrtico medio.
12.
Sea
X1,
..
., X,, una muestra aleatoria de una poblacin con la siguiente distribucin discreta
Pr(x: t):2#,
Pr(X
- 2): 2e'
e (0,1)
Halle el estiniadol de d por el mtodo de los momentos;
r)
b) Halle el estimador de d por mxima verosimilitrrd;

c) Dernuestle que los clos estimadolcs encontrados coinciden.
_1.
Sca X1, ..
r e
.,
X2s una mnestra aleatoria de tamao 25 una poblacin binomial de
(0, 1).
Pr(X: r):
Determine
11 veces
14. Sea
Cp'"(1
estimador de mxinia
valor2ocnrre9veces.
(,):
r2-z
el valor 0 ocurre 5 veces, el valor 1 ocurre
X,, una mr-icstra aleatolia
de
sir)0,
{"n-,'*'
(0e
caso crntrario.
a) Calculc E(X) V obtenga un esl,inrrdor de g meclirnte el rntodo cle los

b) Determine si el estirnrclor cs insesgzrdo;
c) Obtenga el estimaclor de 0 por el mtodo de nrxima verosimilit,.rd:
d)
Cui cle los dos estirladores es ms eficiente?
e) Calcule cl ECM d,eiz.
15. EI tiempo, eu ltoras,
que dura un elemento electlcinjco es Llna vtrriable aleatoria ? que tienc.

distribucin exponencial de 1:irrmetro ). Pala estimrr ) se pruebzrn 30 elemerrtos y sc enclrentLa
que 18 fallan antes de Ias 600 horas de uso.
7.6. Estintacit) pof intervtlo
217
rL) \lr'<li;tLrl,: r'l Lrri'rtr.rr-[<l <l.c rulxiLrlt vctosiurililrr<1. <rstirnar I;r lrLo1>or'{:irjn
rrtt' Irll;ur ;r]l1r' <lc l;ts 0()() lrrlr'rs
lr) tltilir
r:
r'I tt'ru]ttrlo rlt ii)
I)u r ol
rltrrrt'l lul
osl irrrr,-lor
rlr:
<l<r
t<t<los ]os clcrrrclrtos
).
10. A lr.' l;trgo rlc rttL tio, lr ltcnrl rrr rlc tigrillo
Scg-rirr
tllr
('sl
ttrIio
ttrt]iztclr-'
prrctlc tcrrcr rurr o rLos r:r'its. o lr() t<:rrct rrttrgrtrr;r.

I)
pot lllr grrrl)o tl<r zorilogos. lir plopolr:iirr rle lrcnrllrls slll (:llts os -..)
.)
c()II turii t:rrt t-'s l..)
rlicr,tr.rs (lrrc la l)l(rl)olci()rr il<t

rlorrclc cl palrinrctro ?) torll un \'llol'ctrtlr:0 v 1.
lt cl<: Irts
(:rrsoijl-1,,
Irs lLcrnlrr's c:orr clos
r)
t) IJrillc <,'l urirnr:Lo mc<iio csl)cllirclo clr: cr'as pol lrcrnlrrir r lo lalgo clc un rrio:
lr) AI lcllizar un cstrldio de 200 henrlrr's chrlantc nu o, cl ccripo cle cientfir:os
nlcliciorri(lo
cncontr' 55 hembras quc rlo hur tenido crt.rs, 106 quc h.u) telido urra cra y 39 clue han
tcnido <1os. Eshirrrc el par'rnctro p l)or el rntodo cle lrs lnomentos.
L7. EI control tle r.rna paltidzr de loclillos se rcalizr clasificardo las piezas en leqneas, rrormales y
glatrdes. Ltrs propolciones tet'icrs sc stlporel) pr : 0.05; pz : 0.90; ps : 0.05. Pero sc sospeclta
clLte h'r. aumentado la dispersin y, por tanto, las piczas siguen las ploporciones: pr : 0.05 f ;
pz : 0.90 - 3n; ps : 0.05 + 2r. Se anrlizal 5000 riezas obteninclose n1 : 7278; n2 : 2928;
?B : 794 cle cacla clase. Obtenga una estimaciu cle ntxirna verosimilitud cle .
7.6. Estimacin por intervalo

lo cue se indic elr Llna scccin ntelior': Ios intervalos estadsticos exrresru la incerirlLunlrrr: clcbicla r la variabiliclad cle los datos mrrestrrles. Aderns. l)ara c{ue ellos tengarr validez eu
?ccorclerrros
.,r rltlic:acitt Pr'cticrr, ticnett cltte crtrnJllil con alguntrs hiptesis l;risicras, como que la rnuestra se clebr:
irteuct de lrrncta alcatoria, irrdepeudientc y debe estr'iclnticrmerrt<l clistliltuida, lo qne llo siempl'c
.= logla. increnrentanclo ia rncnciorrada incertidumlre.
-is. por ejcrnplo, con base eu ula rl)uestr'r cle hogirres crr los quo se est r'icndo televisin, podemos
Itrstruir urt inten alo qlre coltenga, corl un glado cspecfico de coufirbilidad, la rnedia o la desviaciu
,-.tnclal clel tierrrpo clue ia roirlacir'r consrrltacla vc tclcvisilr
.
-rtltes cle aulliz1r los r-lifclctrtes crsos) cxnrincrnos zrlgrrntrs icletrs irrclirninrlos.
Dcfinicin (de intervalo de coufiatrza) Uu interr'rlo cle r;onfianzl cs nn rango cle valores,
llcttlrclo zr par [it de ios clatos rnuestrarles, el clral 1-rrobablcrnento incluye cl verdadero vrlor cle nn
-,
r irrret,r'o
.-, cadr
lescorrocido.
intcrr,'alo cle confiattzr se Ie
rsocit rrna
-'llratiirnctlo . A tal ptolrabilidarl

tie
i.n,.feri,tt
se lt:
1l'obtrbiliclacl
clclirnitn
Litn'ittt srtltel"ior'<l<t c:<trrfiurza:
(l - o) clc clue corrtenga el veldrrlero
t,tc,l d,e cort,fia,ttzn,
(LIC:.LSC). Esto
r\(LIC<0<LSC',):l
-',- irrtt:tr'rkr
<1ur:
s<:
y a los cxtrernos
r'esLunc cll
ri.
c:rttnllle cstrs c:ottdicioues se <ierLorlinit'i,tttet'uo,l,o d,e co'n,tiarr cle rrivcl
(1-or) xI00(/r.
- :t t<:ucr tr,'sultitclos firlrl<s. ci rrivc] clc r;orrlirnzr <lcbr: ser'rlto, lo rnis cercir.lro a ruro:
., f ornr 0.9. 0.95 o 0.99.
:-
\/alor
cltl irLtelvalcr
gc:trt-.rtrlnrerrtc
rtrcho de tLl iltten'alo clc crttfirrtzr nos da lr icier clc curnta inc;cltidumble existe, alredcdor del
,:iurctlo rlesc:onociclo. Uu inbelvalo muy rncho prrede inclicrr qtre deber'arnos recolectar ms datos
-"-tes clc dt:cil algo tlefinitivo solre el partinretro.
212
Captulo 7. Estitnacin de Parntetros
" Estimacin de ia rnedia cuando la varianza es conocida
7 "7
Supongir (llre se deser estinrar 1r nrcclia r c1e rina irolrltic:irirr crlr.a r.llirrLzr-i o2
tal efecto se dispone cie una rrLueslla clc r, rnecliciones: z1, :L2., ...1 :L:,t1.
vcl
Ulr intervaio cle conlianza para lir mcclia poblacional

o
(t-
ttt/,2
r1r
.;
clel
c-.s
c,o,rcrc:iclrr
y <rc pala
100(1 a) %, cst cla,:,lo por

(7
vn
1)
Dondc:
es el
Ia, desviacin
zo2
tamaio de la rnuestla"
estndar de la pobiacin.
eI valor z que colresponde al .",- I en el extlerno superior de tra distribucirt

2
estrrdar; es decir, 7
:
(z*2)
\ttl.,/2,
Figula
(Figura 7.3).
Intervaio de estimr.cin
Acln se aplicir el Teorerra del Lmite Central
Iln
Xrr
norrnai
es aconsejable tencr un tamro rnucstlal
n)
25.
siguiente tabla se preserrta ios intervalos de confirnza ms corrLrrrtnente usaclos:
Nivel de
cor:fiarlza
0.90
0.95
0.99
0.10 1.6.15
0"05 1.96
0.01
2.58
I.6a5
T.
'-u
/n
1.96 o I yE
oI
2.58 o I
y,
;)
4),
;I
1.645 o l1/n,
t.s6
oI
2.58 o I
l
y.
Observaciones
Si cl tamro de l rnucstrt cs suficicttcmentc gltrrrcLc (rt / 25) 'se <lescorioce 1r r'rri-Lrrza. -.

i)uecle rrtilizar el intervalo 7.1. r'eeuLplazar.Lclo {r }lol'su i:stirnrclor',s) siri piclicla cle cxrctitlLcl
2.
Prresto (llre Para urr valol de znr2:3 sc tierie un rtir.cl cle r:ou{ianza clcl 99.7%- crr las zrPlicacionc..
prcticas sc supone que nrl intelvalo <le conlianz al 99.7% conticne el r'rlol cle lir rnediir, co
I
rttltt ttO'"'''O
'
Estirnacin de la rnedia cuando Ia varianza es conocida
2L3
Ejernplos
Deterrninar un intervakt cle confianza cle nivel 95 % pala
y o2 :3.24.
:3.24, o sea o:
La corrfiabilidad es 7 - a :0.95; entonces) o :
norml Za/2: zO.OZS: 1.96.
Sol'uci,n: Sabemos
cuie
o2
De rnanera que el intervalo
Ir
rneclir
poblacional
p"
n: 36,r :
15
1.8,
0.05 y
ol2:
0.025. De la tabla de Ia distribucicirr
es
/
o=) : /
I.B
^=-=
(r^ o\
go 1.8\
- .. o .o,' 'atz
| ''""
ltt-1.96{;1b+t
'o/2
'''
''rw
lE1"
\n)
\'"
76t
J36)
(L4.4t2;15.588).
En un estudio a trabajadores informales se seleccion una muestra aleatoria de 50 individuos

en una semana dada. Para cada uno, se determin el nmero de horas semanales de trabajo
efectivo y se obtuvo un promedio de 46 horas. Si se asume que la desviacin estndar es 3.64
horas, estimar la media del nmero de horas trabajadas por todos los informales, con un nivel
de confianza del 98 %.
Solucin:
Adems,
Se tiene que
n : 50, r
46
y o :3.64.
1- c:0.98, a:0.02, (lf2:0.01 y zoot:2.33.
EI intervalo resulta:
o
o\ : ( qA
3.6+
z,2J-;T
+ z*2:71
2$:=;46+
*,"
"",.
\
r/r,,
,/
t/n )
\
/-
In
3.64\
2.33"'";
""
JrT
@6-1.2;46+t.2)
(aa.8; a7.2).
Ello significa que, con una probabilidad del gB %, la media del nmero de horas trabajadas
aquella semana se encuentra entre 44.8 y 47.2.
Segn los consumidores, las empresas pasteurizadoras de leche no entregan la cantidad exacta
de producto. Para verificar esta denuncia, se tom una muestra de 45 fundas, cuyo contenido
terico era de 1 litro de leche. Se encontr un promedio de g72cm3 y una desviacin estndar
de 51cm3. Sobre la base de un intervalo de confianza al 99.7 Vo, se puede clecir que Ia denuncia
de los consumidores tiene fundamento?
:45, r:972 y s :
Si 1 - a : 0.997, entonces zo/2 : 3.
Solucin: Tenemos que
z?.
51.
Aunque el valor de Ia varianza es desconocida, podemos emplear el intervalo de confianza,

que el tarnao de la nluestra es suficientemente alto. De manera que el intervalo es
(r -
zolz
s ;r
+ zUz
s\ :
g)
yai
(n',t _3-a, sT2 +39\

'
r/s
,/+s 1
(eae.2; ee4.8).
Como el nivel de confiabilidad es del 99.7%, podemos decir qlre con toda seguridad,),a denuncia
de los consumidores es verdadera.
2t4
Captulo
7. Estimacin de Parutetros
Deterrniuacin del tamao do la muestra
errrtlc str r,rlor vttrclaclclc>
1.r
cstiuracitirr:
17
t-Ll. Sus vrlorr:s rrrr'arr en1
planl<:iunos erl ploblcnra r1e enc:outlal erl trrnro cLe

r:stirrrr:i<in DO sc1 rnayor' <re E.
Pc-,clerrnos
1r
rc 0 y
rtLr<rstla rle
zr,
12!-.
rrrur()I r clrLe
el error
rlr-
El irrterr,rlo de confianzl para ia rneclia pol)lacionrl tierre Ii forrnr @ - n;r + E), cloncle p: lt - L
<rs el cu or err li estimcirr dc 1r rneclia pala el uivci cle confirbilirlad dado. Si el irrtcn'alo tierrr: 1r
Irrnrfa
/
{:r'\
3.
o
/.) -;Ll
Vn
o\
o
f , elt1.e1p5 f'::,r.2--7.
\/n /
\/?l
zo2
Si de esta igualdad despejamos n, obteucmos
za/2o\2
n,: |/ ------
\E/
que es el tamairo de
Lr
7-c..
muestra, necesario para tener un error de estimacin -E a nn nivel de confianza
Ejernplo.
Se desea conocer la distancia media que cor-ren scmanalmente un grlipo de atletas de fonclo.
Por estrrclios anterioles se conoce qr.re la desviacin estndal de esas distancias es cle 3 knr. ;A cunto
atletas habr quc muestrear si la estimacin debe quedar a rnenos de 0.5 km de la media verdadela.
con rur rrivel cle confi.anza deI g5a/a?
Sohtczn: El irrtervalo de confianza es cle Ia forrna (Z
0.S;r + 0.5), entonces E
0.5
y za/2:
1.96
Aplicanclo 1ir fr'nruJ.a,
(1'90 x 3) :,ru.r.
,r: ('n/'o'?\E/
\ 0.5 )
Consecrteutemente, se debe tene un tamao de muestra mnirno de 139 atletas. Si la mnestra c.
demasiado alta, se deber aumentar el error admisible E o disminuir el nivel de confianza 1 - cv.
Se sr-rgiele que el
Iectol a,juste los parrnetlos, para tenel nna rnnestra aproxirnada
cle 50 rtletas,
llrteIi)rete.
7.8.
1.
Ejercicios
Deternine los intervalos de corrfinza al 95 To para t:I media pciblacional desconocid

l
n:45, r:5,
b) n, : 100, r:37,
tt)
2.
:
.,2
D
6.8;
-L<)
c)
q<.
d)
:
o2 :
o2
4.2:
14.
Dctermiue la iongitud del iutervalo dc confiarrza pala la rrreclia poblaciorral si:
1- cv:0.96, n:25, o:0.86;

b) 1 - a:0.99, n:152, o : L2B;
c) 1- o:0.955, n:7I, () _ t
'n: I20, o'2 : 49.
cl) o : 0.03,
rr)
3.
l : 13(). 7 - 1d.5.
n : 169, 7: -22,
si
Obtenga un intervalo de confi.anza de 100(1
a)Tc para la media poblacional
si
tr-
y lo.
7.8. Ejercicios
a)
b)
:
cr :
cv
0.01.
7L:
0.05,
TL:
26, i:120, o:4;

65, r :222, o2 :57;
c) rr : 0.1, r : 90,
rl) cr:0,04, n:55,
2t5
t : 66, s2 :2.5;
:r= 37. o2 : lE.
Dctcrminc rtri intervtlo en el que se pueda dccir que se encuentla el valor de la rncdia con casi
toda seguridad si
n:36. 7:100, o:4.2;

b) n: 44, 7 -- 53, o2 :7I;
7:86. s2 :22.5'.
cI) n:\2I,
T:-37, o2:84.I.
c) rr, - 81.
a)
5.
La cantidad mnirna requerida par que un arrestsico surta efecto en una intcrvencin qr.rirrgica
fue, por trmino medio, de 50 mg, con Lrna desviacin estndar de 10.2 ntg, en una muestra de
60 pacientes. Obtenga un intervalo de confianza para la media, aI g7 Vo, suponiendo que la
muestra se extrajo mediante rnriestreo aleatorio simple sobre una poblacin normal. Interprete
el resultado.
6.
En cierto barrio se seleccion, al azar, una muestra de 100 personas cuyo promedio de ingresos
mensuales es z:460 dlares y una desviacin estndar de o : 200 dlares.
a)
Si se toma un nivel de conflanza del 97To, Lcul es el intervalo de confianza para la media
de los ingresos rnensuales de toda la poblacin?;
b) Si se toma un nivel de confianza del
g9 %o,
cuI es
el tamao muestral necesario para

estimar la media de ingresos mensuales con un error menor a 30 dlares?
Se tom tlna muestra aleatoria de BB individuos a Ios que se midi el nivel de glucosa en la
sangre, obteniendo una media rnuestral de 110mg/cm3. Se sabe que Ia desviacin estndar de
la poblacin es 20 mg/ cm3.
a) Obtenga un intervalo de confianza para el nivel de glucosa en sangre cie Ia poblacin,
al
90% de confianza;
b)
8
Qu error mximo se comete con la estimacin anterior?
La media de edad de los alumnos qne se presentan a las pruebas de acceso a la universidad es
de 18.1 aos y la desviacin estndar 0.6 aos. De los alumnos se elige, aI azar, una muestra de
720"
a) Cul
17.95
b)
es lir probabilidad de que

18.25 airos?;
la media de edad de la muestra est comprendida entre
Qu tamao debe tener rrna muestra de dicha poblacin para que su media est comprendida entre 77.9 y 18.3 ahos, con uua conflanza del99.5%'l
9.
Una fbrica produce varillas de hierro con Lra desriacin estndar de 25 cm. La empresa recibe
tin pedido de rrarillas que inclica que la longitud promcdio debe tener Lrna des\/iacin mxima de
10 cm de la longitud requerida. Cuntas varillas se tendrn que prodncir para cumplir con la,
especificacin, con crsi toda seguridad?
10
Se realizaron 169 mcdiciorres del voltaje de ia recl de alurnbrado prblico y se registr un promedio
de 108 voltios y desviacin estnclar de 5 voitios.
a)
Cules son los lrnites de confianza, a un nivei del 987o, para el voltaje medio de red dc
alumbrado pblico?;
b) A qu nivel de confianza
voltios?
puede decirse que la estimacin de la media incluye el valor 109
Captulo 7. Estimacin de Parntetros
2L6
11.
En una regin geogrfica, la estatura de los individuos varores (en cm) sigue
a) Halle el intervalo
de confianza al nivel 92To para estimar

de tamao 36, cuya estatura promedio es 167.2 crn;
.r,,
r-rna
(U;7.52).
partir de una mnestra aleatoria
b) Para la rnisma poblacin, determire el tamao mnimo de la muestra para estimar

un error inferior a !2 cm con un nivel de confianza de| g4%.
r2
LL
con
A partir de la informacin suministrada por una muestra aleatoria de 90 locales comerciales de la

citrdad se determin el intervalo de confianza aI96%: I :(42,58), para el gasto medio mensual
por familia (en dlares) en electricidad. Determine (justificando las respuestas):
a) La estimacin puntual que daramos para el gasto mensual por familia en electricidad
en
esa ciudad;
b)
Qu nmero de familias tendramos que seleccionar aI azar como mnimo para garantizaros) con una confianza del 96 To, wa estimacin de dicho gasto medio con un error
mximo no superior a 3 dlares?
13.
La vida activa (en das) de cierto frmaco sigue una distribucin A/ (tZOO;402). Se desea enviar
un lote de medicamentos de modo que Ia vida media del lote no sea inferior a 1190 das, con
probabilidad 0.95. Halle el tamao mnimo del lote.
l4
Se desea conocer el nivel de consumo medio con una determinada
tarjeta de crdito con un error

mximo de 15 dlares y un nivel de confranza de 0.97. Cul debe ser el tamao mnimo de la
muestra que se debe tomar, si se ha estimado una desviacin estndar de 45 dlares?
15
Se sabe que el contenido de fructosa de una variedad de manzana sigue una distribucin normal
cuya varianza es conocida teniendo un valor de 0.25. Se desea estimar el valor de la media
poblacional mediante el valor de la media de una muestra, admitiendo un error mximo de 0.18.
con Llna confianza del 95.5 %. Cul es el tamao de la muestra?
16
Suponga que se midi la longitud del pie dereciro a 41 estudiantes de su universidad. EI promedio
de todas las mediciones fue de28.4 cm y la desviacin estndar fue 5.1 cm.
a) Encuentre un intervalo
de confianza al96% para la longitud media del pie derecho de todos
los estudiantes de su universidad;
b)
Esperara usted que alrededor del 96% de todos los estudiantes tengan longitudes de pies
en este intervalo? Explique;
c) Si usted hubiera encontrado un intervalo de confranza al 907o, cmo habra diferido
del
intervalo antes obtenido?;
d)
Si Ia muestra hubiera constado de 141 estudiantes (los restantes datos se mantienen iguales),
cmo habra variado el intervalo de confianza?;
e)
Si Ia desviacin estndar hubiera sido de 3.7 cm (sin variar los dems datos), cmo
hubiera visto afectado el intervaio de confi.anza?;
f) Si la media mLrestral hubiera resultado ser de 25.4 cm (sin variar los dems datos),
habra sucedido con el intervalo de confianza?
7.9.
se
qu
Estimacin de la media cuando la varianza es desconocida
Srrpngase qLrc se desea estimar la media p para r.rna poblacin cuya varianza o2 es desconocida
se dispone de una muestra de n mediciones que siguen una ley normal: rt t2 ..., rr..
y que
7.9. Estirnacin de Ia tnedia cuando Ia varianza es desconocida

Un irrtetvalo cle confianza para la media poblacional
(z
r, a
un nivel del 100(1
- a)Ta,
217
est. daclo
por
- t.r1n - r)ft, r-t to12(n- t,#)
Donde:
s es la desviacin estndar muestlal.
tr,/z(n
1) es el valor, de Ia distribucin de Student a (rz
el rea en el extremo superior es igual a
ct
1) grados de libertad, para
e1
cual
Ejemplos
1. La cotizacin diaria de una moneda frente al dlar
sigue una distribucin normal de media y

varianza desconocidas. Se eligieron 9 das aI azar, Ia cotizacin fue:
65.3 66.2 65.8 66.0 66.1 64.5 65.2

a) Determine tln intervalo
b)
67
.r
64.2.
de confianza, al g9 7o, para la cotizacin media de la citada moneda'
Con qu confiabilidad se estima la media en un intervalo cuya longitud es 1.116?
Solu"c'n: De acuerdo a los datos, n

Aclems,
1- a:0.99;
a) trl intelvalo
(z -
de modo que
: 9,T :
65.6y s :
*z :0.005
0.9.
ooos(B)
:3.355.
es
t''1' - 16:T-t
to/z(n
- I )+)
'r/"/
( ur.u -3 bbT:
/9
65 6 + 3
3biry)
,/9/
(64.59;66.61).
b)
Si la longitud del intervalo es 1.116, entonces el en.or.mximo es -E
E : t,"2(n - f)*; entonces, sustituyend.o

\/n
0.558
De donde,
t^pg): *#44
1.116
0.558 y como
valores:
: t,n6)9.
\/9
1.86.
Si examinamos en la tabla de la ley a 8 g.1., verros clue /sos(8) :1.36. De maner.a qnc
a
; : (-).05; por lo tanto, ci:0.1 y I - d:0.9. El nivel de confianza es del 90%.
El tiempo qlle un aparato de televisin perrnanece encendido sigue una ley nolmal. Por meclio
de rtn audmetro se registr este dato en 10 hogares dulante Llna senrana y se calcul el promedio
dialio (en rninutos). Los resultados son los siguientes:
248
r77
a) Deterrnilrar un intet'valo
.
110
200
135
i85
224
155
180
166.
de confialza para el tiempo promedio diario que los hogares rlilarr

televisin, a un nivel del g5 %;
Captulo
218
(lll(,'ol t,:ILol clu la
csl
irLlacitil
7. Estitnacin de Parnreros
lr)clror'L 2[) rrirr
s(rr
,9ol,ttt:irit:
tr) El lrlr>ine<lio v 1r rlcsvirc:in crslilrclrl son igrrakrs ti - I77.(i v s - 39.92. r'r:spr:irtiviurrorrtci

y si I - ci: : 0.95. /o.o:(9) :2.262.
lll
irrterr.alo r cclueri<[o (lllcda cc)nro
(trr.a_
)()2'-143:)77
/10
- . "u2t)[)
,/10 /
:,,4e.0Li;206.14).
b) Aqu
no se puede aplicar dircctrmente la fr'mr-rla del clculo del tamao muestral, ya clu
Ios vrlores de la lev / raran scgrin el nirmcrr cle grados cl< libertad) pcro el plincipio cs enusnlo.
Se -B
: tot(n - l+ y como
\/lt
ste debe sel nrcrtol que 20, se tiene to/z(n
Entonces.
t'o2@
to2(n
- I)
<
- yJ
Vn
ztt
1)
Folmemos una tal:>lr en la que se tenga los dos miernblos de la desigualdad. El tamr
mriirno cle la rnuestra es el corlespondiente al nenol valor cle ? para el cr.ral se cunple I
desigrraldrrd.
n 0.51n
10 1.581
16 2.000
17 2.061
18 2.r2L
n
Se observa qne rala el valor de
trnao rnninro <le la mnestla
es
1,,12(n
L)
2.262
2.\37
2.r20
2.1 10
18 se empieza a cr.rrnplir la desigr-raldad; es decrr'.

1B liogares.
7.LO. Ejercicios
I. Encuentle ul
intervrlcr ctc confianza cle
a) n : 12. i:
lr) rr : 26,
,)
3.1bj,
46.
S'
.)
,5'-
nivel (1
:0.21, a:0.05;
: 4.8.
i1
cr)
pala la rncclia si
r:1S, T:2.5,
11) rt : 9,
-I:32,
c)
: 31.5, cr : 0.Lr
s : 58. cr : 0.05
s2
estucliar cl girsto scrnanrl rlc fotocopiirs, crr cllarcs, clc L.ls eslucli:urtcs ulrivelsitli
eligiti una rnnestr'i <lc 9 cstur,litlrrtcs, elegidos l rzrr'. r'csrLlt,r.rrclo los gastos:
Se d<,.scr
Se
2.0'2.5
0.7 1.I 2.1 :j.0 0.8
0.7.
la r,tliable rrleatolir oll.jeto clc cstuclio siguc rurir clistlibrrcir). rrorlral <tc nrc.,.
Detolrnine el interr'k clc confi.urza clcl 95 % par',r lr rneclia clel grusto semauirl
Se srrpouc que
dcsc;onocicLr,.
1.9
fotocopiirs pol estuclizrnte.
7.70. Ejercicios
2l-9
Err los crrllcrrtrrriorLtos rlc lrn rrar[Lclor sc rrrirk: cl tierLrlr<t <re crrrplr:a elr |ecoller los 10() lrrctr os
lilrl<ts tIirr'rrrtc sttis <lLs r:onst)<]1rfl\.()s. S<r ltarr olrtcrriclo los siglrirtrrt,'s ticrrrl>os pr orrcclio rlc caclr
Luro clc los clrs rlt: lt sclr;ilrr c)lr (fllo rrrrll<)rrri:
Tiernpo I 51.2
Si
ttivcl
51.6
50.4
50.8
50.5
los 1;icrrrpos sr: clistrilrrLyclr liol'rn1lrnrlrrte. etr<rncntre rur interlvalo
scr <:rtnsi<icLir clrrt'
corrfi)nzI. <lc
49.8
91.-)
%,. 1>irlrr
cle
el ti<:nrpo pt'onrr:clio irlvcltickr:
l,) ,Puccle csl)cr'r'sc cre cl la<lrclol leba.jc srr ticrnpo dc 50 s<-.gunclos? ,Por qrr?
4
Lrs
tensiotrr:s dc totur'r (cu
Iip)
clc 5 cables cle acelo fuctolt
660 460 540 580
550.
Suponicndo normalidad para las tcnsioncs, estinre la tcnsin mcdia de lotura rnediante lrn intelvaio c1e confianza al nivel 99 %.
5.
Se desea estimar ei tiernpo medio de e.jccr-rcin de un programa. Para ello sc ejecut dicho
programa B veces utilizando conjuntos clc datos elegidos aleatoriamentc, obtenindose que Ia
media mlrcstral y la desviacin estndar- rnriestr-al son, r'espectivamente, 230 ms y 14 ms. Obtcnga
un intervalo de confianza aI90% para la rncdia. (Suponga normalidad.)
En una entidad de crdito para la rnicroempresa se desea conocer la dcuda media de los clientes
que tienen prstarnos. Los siguientes datos corresponden a la dcuda, en dlares, de 16 clientes
que se seleccionaron de manera aleatoria.
306 508 299 537 404 2r0 347 529

514 255 343 476 536 521 659 438
Si el rnonto de cacla pr'stirrno es nna r.'aliabie aleatoria normal. obtenga los intervalos de confianza
dcl 90 %o, g5% y 997o, para la deuda medir.
I
Al fumigal los rrodr-rctos
agr'colas existe cl riesgo de qr-re se coloque demasiada canticlrcl dc

irgroqunricosi cou cl consignieute riesgo pala el consurniclor. De nl lote se extra.jo una muestra
de 10 tomates y se midi la concentracin (cn g/ kg de producto) cle fosfatos qr-re ellos contenan,
resultanclo:
24.9 23.5 26.7 28.2 26.4 23.8 25.r 25.3 27.7 26.6.
a) Determine Lrn intelvalo de confiarrzr del 95 To pata la concentlacin;
b) Si la concentlacin mxiurr permiticla es cle 24 LLgl kg, puede esperarse que el lote
sea
aceptaclo pirla cl corlslrmo hr,rrrrano'/

8.
Elr una filrrica
cle corrselras se micie ias irrrPulczas cn rrn lotc ck:stinado a la exPortaci<in. En

ur1l nlnestrr do 12 frscos de mernielaclr sc obtr-rvo los siguientes polcelta.jes de inrpr-uezrrs:
2.:3 1.9 2.7 2.8 2.3 3.6 1.4 1.8

a)
Asurnier.rclo
confjurzr
b)
9. El
c1r.Le
tI
2.\ 3.2 2.0 1 L
las medicioncs estn normalrneDte clistliluidas. ertcuerrtle el interr,rlo de
95%,:
Si cl polceuttr.je rrrixinro c1e inrpulczirs peruriticlo

tari cl lote par a scl (lxpoltrclo/
pzt,r'zi
r,ic'rnpo cLe virlr cn c;rrtivelio de B cspecmenc.s cle urr

uu des\il(:in estir.cll cle 7 holas.
la r:xpor-tacirr es c.le 1.5%, .sc,rccp-
tipo
clc insec;to fue cle 228 hot'zrs, con
220
zr) Estimc ol tiernpo cle viclr promedio l)ara un nivel clel g9 %;

lr) Resporr<ltr Ia pregunia srrponiendo <re ls muestr'rs frreron de 72
10
100 especnicncs.
IJrra mqr-rirra ploduce artr:ulos cuya dirnensin se corrtrclla rnediante Ia torna de unrr rruestr.1
aieatorir. Un cla se obtuvieron las sigrrientcs rnediciou<:s:
:3.7 3.4 3.5 3.5 3.4 3.7 3.9 3.7 3.5 3.7
3.8.
a) Halle el intervalo de corrfianza para ia niedia a un nivcl de confiabilidad de nivel 90 %;

b) Si la meclia terica del proceso es de 3.5 y sin cambiar los otros drtos. Cul es el tamarlo
mnimo de la muestra, para que a un nivel del g0 %, se pueda asegurar que Ia mquina
produce artculos con dimensin igual a la media terica?
11
Los siguientes son los tiempos, rnedidos en das laborables, que demoraron 16 trmites de jubilacin en cl IESS, elegidos al azar:
Das
159 280 362 222

t70 485 250 379
264
779
224 101 2t2

168 260 149
a) Bajo Ia suposicin
de que los tiempos se distribuyen nolmalmente, detelmine urr intervalo

de confianza ai 9970 para el tiempo medio de nn trmite de jubilacin;
b) El director del Instituto ha indicado

razonable suponer que
12
e1
que ios trmites no se demoran ms de 180 das. Es

tiempo meclio verdadero es mayol que lo indicado por cl director'/
La siguiente lista contiene la longitud (rrrmero de letras en las pala)rras) para rrna muestra
26 palabras del libro Rayuela cle Julio Cortzr
clc
102 3 7 2E 4821752
54 '12294252347
a) Calcule el promedio y la clesviacin cstndar cle lr longitud de las palabras;
b) Constmya un interr'lo cle confianza al 99 % para Ia longitud rnedia de las palabras el
Rayueltr;
c)
Si el tamairo muestral fuera mayor' (v el prorneclio

mismos), ,cmo cambir,rr el intervrlo cle confianza?;
y Ia desviacin
d) Si el prornedio fuera mayor (rnantenindose el tamro muestral
e)
estndar fueran los
y la desviacin estndar).
cmo cambiar'a el intervalo de confianza?;

Un intcrvrlo de confianz al g5 % cs (3.655; 6.037). Qu proporcin de las 26 palabras de la
muestra estn dentro clcl intelvalo? ,Su lesPuesta scr siempre ccrclnl aI 95%il Explique.
T.IL Estimacin de Ia varianza (distribucin normal)

Suptrgase que se rlesea estimrr la vr'ianza polrla.ciontrl ;' r|rc
de n ntccliciones crc siguen unzr ley rtolnral: :1, lL2) ..., r.n.
Un intctvalo de confianz
par:r ir
1-rzrrir
el efecto sr: clispone de
urrr ri-ruestra
valianza polrlirciorrirl 02, ,r ,1lr rrivcl del 100(1 - cl) %, cstri dado
por
(rr
- I ).'2
(rr
- 1)s2 \
\,(,,-Df"d-D)
7.77. Estimacin de Ia varianza (distribucin norrnal)

T
s2 es la varianza muestlal.
f)r(n-
1) es el valor, de la clistribucin 2 a
el extremo srrperior cs ig'ral

,'2 u
\?
\j,o/z^,"(n -
(n-
22t
1) graclos de libertacl? para el cuai el r'ea en
(, -
1) es el valor, de la clistribucin X2 a
en el cxrlemo inlerior os igual a
1) grados cle libertacl) para el cual el rea
].
X,-o,,
z,_o,,
Latz
Figtrra 7.4:Localizacin de los valores de la ley
X.2
en el intervalo de confi.anzaparao2
Ejemplos
1.
Hallar un intervalo de confianza para la varianza poblacional, al

tamao n : 10, si s2 : 196.
Sol,ucin:
Xfr
si 1-cv:0.9,
n, correspondientes a n
entonces
- 1.:
a:0.1,
9 g.1. son
90 Yo,
]:o.osy 1- |-o.os.
t) :
\?-,,z(n - r) :
x?.z@'-
:
x|.gs(9) :
xB os(9)
para una muestra de

Los valoles d" x8o y
16.919,
3.325'
El intervalo de confianza es
( (n_ t)s2
(n_ r)s2 \
\q," - tl';-ql" 1) )
:
:
/9x196 9x196\
\ reoro' n% )
Q0a.26; b30.b3).
2. IJn hombre
de negocios est interesado en invertir en un instrumento que piensa le puede dar

altos rendimientos. lrlo obstante, sabe que, en general, a mayor rendimiento se tiene mayor riesgo.
Al considerar instrumentos sirnilares se observaron los siguientes rendimientos porcentuales, que
suponemos siguen una ley normal:
8.7 15.5 21.0 18.9 17.3 22.r
18.6.
El inversionista considera que si se tiene un riesgo mayor-a 10 (desviacin estndar'), no 1e

conviene invertir. Construir el intervalo de confianza del 95 t/a y decir si este hombre har Ia
inversin o no.
Soluci,n: A partir de los datos, se obtiene que s2 :19.67,
n:7 y 7 - a:
En la tabla de la ley X2 a 6 g.1. se lee:
- r) :
x?-.z(n - t) :
x?.z@
x3 oz(6)
:74.45,
x|3zs$) :1.24.
0.95.
222
El
iLttclr'r.lo <-lc corLfianzt cs:
(t,t
tliJ.
(r-1)s2 \
19.67\
/rlJ.6;6.,
:
('
LrL; ' n4 )
[C,,, - t, -,-,, -r )/
ls
rlecir. o2 e (8.17; 95.18); por lo que o
(8.17;95.18).
e (Vo.1Z, vOSlS) : (2.86;9.76).
Corrro el lrnite srrrcrior clcl intervrlo de confianza es rnenol

inr<l tir.
7.t2.
1.
2.
Ejercicicrs
Halle un intervalo cle confi.anza al 90 To si
a)
a 10, posiblernentc si le corrvicne
n,: 4;
b)
n,
s'2
: 8;
:225
para los siguientes tamaos de muestra:
c)
n: 13;
cI)
n:20.
La valianza de la presiri sangunea es impor-tante
porqr-re ella permite conocet la resruesta

ante el esfuerzo. Se llevaron a cabo 12 rnediciones de la presin de urr iudir.icluo, clue
dieron los siguientes resultrdos:
car'<lirca
116 105
t2r 119 110 105 108 t02 107 t02 104 116.
Detclminc los intcrvalos clc confi.abilidad dcl 90 "/c y cleI95%: para o2.
3. En los rnrrrualcs de fbricr cle un lpar'rto pala cleterrninar- el rrivel de alcohol cn la strugle.
sc irrdica que las niediciones tienen una clcsviacirr estndal de 5 ulidacles. Pala p-t-obar estL
afilruacin, cn la oficina de normas se reaiizarol mediciones clcl contenido de alcoiroi en Ia szrnrc
cle 10 r'oluntarios, con los siguientes resultrdos:
83 75 92 79 60 85 92 77 76.
Basndosc crt LlD ilrtervalo cle confirrrza dc
95
%, cleterminc si Ia afirrnacin <lel fabricarrte
Sc rnliz Llr)t nlalca c1e rnirrgarinr rlietticr pzrlir dcterminar el nivei cle acic,los gl'l,sos ltolisatr-rraclos (en lrorcenta.jc). Un,r ntuestr't de scis paquel;cs ltrovcy ltr siguientc informa<rirln.
16.E 17.). t7.4 16.9 1t'.5
17.1.
Asrrutiendo <lrre los rlirtos sigrren uu'r lev rrrr'nral. hrlle:
a) el intcrr'rlo clc confianza para cl contenido medio de glasa. con rln nirrcl del g9 %;
b) r:l irrtelr'rlo clc <;onfianzr par'r Ir vaLirrrza del conteniclo dc g1 lsa, corr Lrn nivr:l del
5. En nrra mncstra
LL
cs cortecta.
4.
95%.
alcrtoria cle 15 cuentas bancarias que realizaron depsitos la rltirna serrralta sc

que
encontr
la desviacin estndar era de 73.6 dlares. Se supone que los depsitos siguen una
ley normal. Estime Ia varianza y la desviacin estndar de los depsitos mediante un intervalo
de confianza al g5To.
7.72. Ejercicios
Ir
223
Urr httrribre clc nr:gor:ios est, intercsrdo crr ilrutil err bcnos cle un pirs lrrtinorrrnclicauo, qrrc
lticttszr lc rueclcu <lu altos t'euclinientos. No obstiurte, s1be ouo. en gcuerzrl, a nryor rcnclirnicnto
se tietrcr IIl1yot lictsgo. AI cotrsiclctal ptrpcles similarr:s sc obsel'r'alorr los sigrricrit,cs lcndirnicntos
( ')/,t):
9.7 21,5 17.0 16.9 13.4 20.7 24.6
15.8.
El invelsionista corrsiclela que si sc tierre un licsgo ruayol a 10 (desrriacin estrrdar'), no le

comierre invertir. Coustnryir el intclvrlo clc corifianza dei 95 % v cliga si esta persona har' la
inversin o no, .justificariclo su respuesta.
7.
El conteniclo cn nicotini de los cigarlillos de unl nralc) dcterrnirrada sigue uua distriliucirr
N (U;"2). Sc torn urta mucstr:a cle 5 cigarrillos, obtenindose en cstr muestra un ccntenir-lo
medio de 27.2 rng y varianza rmestral 4.2025. Obtenga:
a) el intcrvalo
b)
8.
de confirnza para
con Lln nivel del 90 %;

el intervalo de confiarrza para o2, con un nivel del g5%.
/,)
ptobar ttn nnevo mtodo de embalaje de rnercaderas, para Io cual se registra el tiempo
(en segtindos) quc un misrno tlaba.jador emplea err realizar la tarea:
Se desea
Procedimiento
tradicional
Procedimiento
alternativo
31
36
32
36
34
27
30
26
40
4,f
4I
AA
28
30
33
,t
Jt)
Si el tiempo empleado es similal en los dos casos, entonces se decidir emplear aquel mtodo
qtre presente la menol r'rliacin. Mediante un intervalo de confianza a). 9570, ,cu.l de los dos
mtoclos escogcra, el traclicional o el alternativo?
9.
Se micie el tiempo (en segundos) de duracin de un proceso qumico realizado 20 veces en

condiciones sirnilarcs, obtenindose Ios siguientes resultados:
93 90 97 90 93 91 96 94 91
93 95 91 89 92 87 88 90 86
88
91
Strponiendo que la dnlacin sigue una distribucin noLmal, hallar los intervalos de confianza aI
90 % para la rneciir y Ia r.arianza.
Etr el enibrlajc dc fi'rtta pala ltr cxporttrcin es importante conocer Ia variabilidaci del caliJre
la fruta (que es el clirnetro mxirno de Ia fmta). Una fruta con Lrn calibre bajo se cotiza
a l:a.jo prercio y una con calible alto da ploblemas en el embalaje. Las siguientes mediciones
corlesponderr rl calibr-c plorncclio (en cm) de los rnclones contenidos en 113 ca,jas:
cle
20.8 19.3 19.5 22.4 27.3 19.6
2r.2 2r.4 19.0 19.8 22.2

a) Determine
20.5
20.6
los intervalos de confianza, al g0To, para la media
y la varianza del calibre;
Captulo
224
b)
7.
Estirnacin de Parrnetros
Si el calibre promedio es nlenor que 20 crn o mayor que 21.5 cm, o si Iavatianza es mayor o
igual a 3, se recomienda el cambio de Ia variedad de meln. Cree tisted que ser necesario
hacer tal cambio? Por qu'/
Una ernpresa de venta de cosmticos est interesada en introducir una nueva lnea de artculos.
para ello se examina Ia ganancia (en dlares) que le dejaran cada uno de los productos:
l1
23 38 15 7 t2 10 10 11 18 13 9
10
a) Calcule un intervalo de confi.ar'zapara la ganancia media, a un nivel deIgS%;

b) Calcule un intervalo de confiatzapara la varianza de la ganancia, a un nivel del 90%;
c) La empresa introducir la nueva lnea de productos si la ganancia media es mayor que 20.5 o
si la varianza es menor que 40. En base a los intervalos antes encontrados, se introducirn
al mercado los nuevos productos? Explique por qu.
7.L3. Estimacin de la proporcin (distribucin binomial)

Histricamente, este intervalo de confianza es, con seguridad, el primero propuesto para un parmetro:
en los escritos de Laplace (Thorie Analytique de Probabzlzts, 1872, pp. 283) ya se lo encuentra
analizado.
Strponga que se dispone de una muestra rt 12, ..., rrr., de n observaciones que siguen una ley de
Bernoulli, cuyo parmetro p (la proporcirr poblacional) deseamos estimar.
Un intervalo de confianza aproximado para la proporcin7t, a un nivel de 100(1

por
a)% viene dado
Donde:
,n
. p:- 9 , siendo y : D r el nrmero de xitos en las n pruebas.

i.:1
TL
'
za/2 el valor z que corresponde a,l rea 9 en el extremo superior de la distribucin normal
2
estndar.
Determinacin del tarnao de la muestra

Si notamos como.E
:ll0-
dado; entonces, ,E :
Za12
pl al erlol en Ia cstimacin de Ia proporcin, para el nivel de confiabilidad
0G-0)
EI tamao de la muestra necesaria para tener Lrn error -8, a un nivel de confianza (1 - a)
n: Qo/)'0Q
E2
es
A)
Observacin. Si no se conoce de antemano una estirnacin de p como sucede cuando se realiza una
investigacin por primeravez , se toma fr:0.5, porque este valol permite obtener el tamao mximo
de rnuestra.
7.73. Estimacin de Ia proporcin (distribucin binomial)
225
Ejemplos
1.
Cott cl ob.jcto rle estirrra,t'la Jrroporcin clc televiderrtes qr-re han visto el anuncio de un proclucto,
se enl,rcvist 400 tek:spectacloles y result,ri que 344 de ellos lo habarr visto.
a) Ertcuentrc un intcrvalo de c:onfianza clc g7'% para la proporcin de todos
b)
los espectadores
que harr visto la ltublicidacl r.[el producto;
Obtenga el tanrao cle rrnrestra indispensable para que cl intervalo del inciso a) terr.ga una
Iongitud mxima cle 67a corr la misrna confianza.
lJ:344, n:400, 1- a:0.91 y zoo45:1.695.

La rroporcin de espectadores en la mlrestra es t' !lt :t"11:0.86.
400
a) El intervalo de confi.anza es
Solu,cin,: Por el enrtnciado se tiene:
/
\n
z"rz
(0.86)(0.14)
(o
400
'u
;0.86
b) Si la longitr rd del intervalo es 6 %, quiere

El ta mari.o le la rrmestra
<
'F2
Habr'
qr-rer
(0.8306; 0.8894).
esdecir,E:0.03.
es
("n/.)'2
fr(t
- i)
(r.695)2(0.86)(0.r4)
(obz-
.){, ?(
_ roa'rJU'
-
consuJ.tr a 385 tcle','id<tutes.
2. En unr encuesta piloto, plevitr
1>ara la lcalizrcin cle la encnesta clcfinitiva) se encontr que el

lir poblacin (ircle que el plirrcipal problerna clel pas cs la colrupcin. La ficha tcnica
de la cncuesta definitiva indica cre ci sonclco tendr un 97 % de confirlrilidad y el error estimado
clel 4(%. A cuntos cirrcladanos se debel cousultar si:
630, de
a) se usa el valor estinrrdo de p mediante Ia encnesta piloto;

b) no se enrplea una estimacin previa de p.
Srhtcin:
a)
Segrn los datos: 1
- a:
0.97,
E:
0.04 y
0: 0.63.
Entonces,
r: @#f:@*ffi@
(2.i7)2(0 63) (0.37)
0.0016
b)
686.
La eucnesta deber ser realizda a Lrrr mnirno de 686 personas.

Como no se tiene iriforrnaci<irt previa soble p, se toma 0: 0.5 y el clculo del tarnao queda:
r: @#r:e%l&i#e
:
7:35.77
Sin urr conocirnieuto previo de Ia proporcin, se deber muestrear al menos a 736 pelsonas.
::i el Curdto 7.7 se encnentra un resLrilren de los intervalos

-- este captulo.
de confianza de una muestra analizados
Captulo
226
7.
Estimacin de Parntetros
Hiptesis
Distribucirr
general
Distribucin
normal
o conocido
o desconocido
Distribucin
Parmetro
media
t L -/2--=
r,
Distribucin
r t
media r
proporcron p
binomiai
\/n
vatiat,.- o2
normal
Intervalo
s
Lo
2.1n-y
'\/rL
-
(n-l).s2
(n 1)t2
,2
\n /'2:(n-1) \ | o2,1n t)
1
-.2
f!
rulz
F0-)
Cuadro 7.1: Intervalos de confianza comunmente empleados

7
"L4"
1.
Ejencicios
Determine Ios intervalos de confianza para la proporcin, de una muestra de tamao 200 en la
cual se han obtenido 150 xitos, segn los siguientes niveles:
a) a:5To;
2.
b)
a:12To;
c) a:7To;
d) a:20To.
En esta pregunta no realice clculos, responda mediante una frase que explique su razonamiento
a)
Tres investigadores, Luis, Juan y Edgar, seleccionaron independientemente muestras de una

misma poblacin. Los tamaos de las muestras fueron de 4000 para Luis, 1000 para Juan
y 250 pu.u dgat. Cada uno construy un intervalo de confianza para p a paltir cle sus
datos. Los errores E para los tres intervalos son 0.015, 0.031 y 0.062. Asigne cada uno de
los errores a los investigadores;
b)
Dos investigadoras, Diana y Oliva, seleccionaron dos muestras de tamao 1000 a partir de
diferentes poblaciones y constmyeron los intelvalos de confianza al 95 7o para p. El errol
para el intervalo de Diana fue de 0.030 y el error para el de Oliva fue de 0.025. Dado que las
proporciones muestrales fueron def : 0 2 y F:0.4, asigne a cada una de las investigadoras
su proporcin;
c) Un investigador seleccion aleatoriamente 100 sujetos de una poblacin, observ 50 xitos

y calcul tres intervalos de confianza. Los niveles de confiabilidad son 907a, 95% V 99%.
y los intervalos son A: (0.402; 0.598), B: (0.371; 0.629) y C: (0.418; 0.582). Asigne a cada
intervalo su nivel de confianza;
d) Dos
investigadores) un hombre y una mujer, trabajan .juntos para estudiar una muestra
aleatoria de individuos de una poblacin. Ellos encuentran que la proporcin muestral e,.
de p: 9.6. Cuando ellos construyen el intervalo de confiarrza basado en Ia proporcin, el
varn obtiene (0.532; 0"668), mientras que Ia mujel obtiene (0.552; 0.688). Indique quin
se equivoc.
J.
llna muestra realizada a los clientes de un supermercado dio que
120 de 300 clientes usan
regularmente tarjeta de crdito o cheques para sus compras. Encuentre un intervalo de confi.anza
aI 98% para el porcentaje de personas qlre usan efectivo en sus cornpras.
4
Un partido poltico que concurre a las elecciones mr-rnicipales en la ciudad quiere encargar una
encuesta para estimar su porcentaje de votacin mediante un intervalo de la forma P +1.5%.
cuyo nivel de confianza sea 95 %. Qu tamao muestral debe utilizarse en la encuesta para
alcanzar aproximadamente este objetivo, sabiendo que en una muestra piloto el porcentaje de
votacin estimado fue del 75%?
7.74. Ejercicios
227
5. La efectividad cle tut trtcclictnrcrrto oorrlla cl dolor dc cabez se examirra deterrninando si ste
elirnin o tro r:l sntonra. St: arlrrriuistr'<i <r1 mcclicrurerito a 225 pacientes voluntarios, de los ctLaies
en 170 crns el efr:cto rlr-'scrclo. El rrrcclicLrento se trr:epta l)ara, su u,<jo general si ticnc uur
efectividad en al menos cl 80 % clc los crsori.
6.
a)
Basndose en Ltn intervalo de confianza

mento'/;
b)
Sin variar la propolcin estimacla, .qr-r tan grande deber ser Llna muestra si se clesea tener
una confianza del 96(% de que el error mximo de estimacin es 0.05?
c-lel 98
%, .puede recomendarse el uso dei meclica-
rtn estudio sobre los nios que padecen clolor de pecho, realizado por Selbst, Ruddy y
Clark (Cli,nical Ped'iatrics,1990), se encontl que de 137 nios que tenan dolor de pecho, 100
daban radiografas de trax normales.
Segrrr
a) Obtenga un intervalo de confianza del 957a pata la proporcin p de nios con dolor de
pecho que dieron radiografas normales;
b) Halle el mnimo tamao muestral para que el error cometido en la estimacin de p
sea
inferior a 0.07, al nivel de g5%.
7.
En una poblacin, nadie es indiferente respecto a la iniciativa propuesta por el alcalde de construir
un nuevo parque en el norte de la ciudad. Cada habitante adulto o bien est a favor, o bien en
contra de la iniciativa. Se desea conocer el porcentaj" (P) de las personas que estn en contra.
Entre 250 habitantes adultos elegidos al azar,75 afi.rmaron que estaban en contra (v los 175
restantes a favor).
a) Halle el intervalo de confi.anza al 93 7o para P;

b) Cul es el nmero mnimo de encuestados necesario para que el error cometido en Ia
estimacin sea) como mucho, de 0.05?
S. En una lnea
de control de calidad en un da se examinan 250 piezas de un lote, de las cuales 25

tienen algn tipo de defecto.
a) Construya un intervalo
de confi.anza aI g37o para la proporcin de piezas buenas y de piezas
defectuosas;
b) I-ln lote se acepta si Ia proporcin de piezas
defectuosas es menor
o igual al
5a/a. Ser
aceptado el lote en cuestin?;
c)
Qu tamao deber tener una rnuestra si se desea tener una confianza del g7% de que Ia
estimacin estar dentro del1% del porcentaje real?
9.
Para la introduccin al mercado de una nue\a variedad de semilla de naz la empresa productora
estima que deben germinar al menos eI 73u/o de1 total de semillas sembradas. En una prueba de
laboratorio se sembraron 745 semillas, de 1as cuales germinaron 518. Con base en un intervalo
de confianza de nivel igual a1 97T0, [,poclr la empresa introducir al melcado la nueva variedad?
-0.
Err un sondeo sobre la preferencia deportiva de la poblacin masculina ecuatoriana, realizada a

1000 personas, se determin que eI 72% de 1os encuestados gustaba ver regularmente partidos
de ftbol por televisin. Con una seguridad del g5 a/o, se puede decir que los resultados son
iguales, con Lrn margen de ms o menos 3 puntos porcentuales, a los que se habran obtenido si
se hubiera consultado la opinin de la poblacin masculina completa?
:1. Una noticia de prensa dice que, de 1200 persorras encnestadas
sobre la conveniencia de hacer

reformas a la ley de trnsito, 756 se muestru a favor y 444en contra, y concluye afirmando que
eI 63% de la poblacin se mltestra a favor, con un rnargen de error de t3 %. Cul es el nivel
de confianza de esta afirrnacin?
Captulo
228
72.
7.
Estirnacin de Parmetros
En ttna errtlevista realizrc.la a 130 rnujercs casadas, 113 de ellas indicaron qlle haban sido r.ctirnas
clc zrlgrin tilto de agresi<in ltor parte de su cnyuge.
a)
Asumieudo qtle estas nnrjeles form:ur una nnrestra aleatoria, calcule r,rn intelvalo r-le confi.anza de nivel 95% para la proporcin de las mujeres casadas que han sicio agrediclas;
r) Si se hubiera consultado a 520 mujercs, .cree usted qrre el intervalo hubiera sido rnis ancho,
ms estrecho o de igual ancho? Explique y no realice clculos;
c) El intervalo hubiera sido ms ancho) ms estrecho o de igual ancho si 73 de las 130 mujeres
hubieran respondido afir'mativamente? Explique;

d) Realice una interprctacin del intervaio.
13.
la proporcin de estudiantes universitarios a favor de sustituir el actual himno

nacional por otra cancin.
Se desea estimar
a) Para estimar esta proporcin con una precisin de 0.10 a un nivel de confianza
del 92Vo,
cuntos
estudiantes
preguntar?
se
necesitar
(Para
determinar
el tamao de mnestra
a
necesario, fije su propia proporcirr rnuestral, identificndola claramente.)
Para responder las siguientes preguntas, usted no necesita realizar clculos. Explique sus
respuestas.
b)
Si se deseara estimar la proporcin con nna precisin del 0.05, a un nivel del
To,
es
95 To,
,es
92
necesario muestrear a ms o menos estudiantes que en a)?;

c)
Si se cleseala estirnar Ia proporcin con una precisin del 0.02, a

necesalio muestrcar r mis o trtenos cstudiantes que en a)?
un nivel del
7.15. Intervalos de coyrfranza para dos muestras

Los intervalos de confianza qr.re se presentan a continuacin involucran a clos rnuestlas y, en gcneral,
son utilizados para compalar errtre Ios valores que tierien los parmetros de dos poblaciones o para
determinar si las muestras provienen de la misma poblacin.
7.L.L, Interl'alo de confiarrzapara la diferencia
entre dos medias
nr y rL2 seleccionadas cle dos

poblaciones con medias h y ttz. Nnestro inters es encontrar un intervalo de confianza para la
diferencia de las medias y para ello considerarenlos 3 casos:
Suporrga clue disponemos cle dos mnestras independientes dc tamaos
Caso 1. Las varianzas poblacionales son conocidas

Supondlernos que las varianzas de las poblaciorres 1
son conocidas:
"?
"3.
Unintelvalodeconfianzapat'. ladiferenciadernediaspoblacionalcs11 -1,12,aunniveldel 100(1rv)%, cst dado por
(,t, - r) - .,,/2ffi,r,(;, - zz) r za/2rF-)
7.75. Intervalos de confianza para dos rnuestras

Caso
2.
Las varianzas poblacionales son iguales;
o'l: oZ: o2
Un intervalo de conhan za par a la diferencia de medias poblacionales r,

a)To, est dado por
| (zr
rz)
- t../z(nt -t nz - 2)
@t - rz) +
lE=-;
229
/z(nt
F2, d un nivel del 100(1-
t nz - r
rE=-)
^r_(ra-t)"?+(n2-r)sl
U+n2-2
Caso
3.
Las varianzas poblacionales son diferentes: ol
I ol
Un intervalo de confianza para la diferencia de medias poblacionales p1

a)To, est dado por
(,t' - ,) -t.tz(s)rm *;
Donde g
@t -rz)
p2, a un nivel del 100(1
+t,/z(s)r{-.t)
+ slln2)2
("?1",)' , G3/"r)'
u-L - nr-r
('?1",
Ejemplos
1.
Se pretende comparar
la duracin de dos marcas de pilas alcalinas. Para ello se escogieron dos

una. Los datos se presentan a continuacin.
muestras de cinco piias cada
Marca A
Marca B
100
96
92
96
92
76
80
75
84
82
Si suponemos que las varianzas poblacionales son o2A: II y q2B :15, determine, basndose en
un intervalo de confianza de nivel g5 %, si las dos marcas de pilas tienen igual duracin.
Soluctn: Se tiene que
nl :5,
TL2:
5,
r1
rZ
:95.2; o?: l!,

:79.4; 03: 15.
Entonces,
(,r,-,
- \,,,
"'2)
zat2U
la* o" \r,'- - rz) - ,"/r\,1@:

;
;' _ ):
:
(11.33; 20.27).
Si las dos medias fueran estadsticamente iguales, su diferencia sera igual a cero. Como cero no
se encuentra en el intervalo de confianza, podemos afirmal que las dos marcas no tienen igual
durabilidad.
230
2.
Lhr irgr:nir:r'o desea cletelrninrl si los automrj.lles a,nrcricrrros ), los japorreses tienen igual consrrmcr
rl<corirrstible. Par'relloescogoliirtrnrrest,rrcle10cr.r'rosarnclicarros), 12,jaPcrresesrlesinrilrlr.:s

crr',rctersticas y rnidi cl ccrisurrro por 100 hrn cle recolrickr, con los siguicirtcs r-csultrclos:
4rnenicanos
Japoneses
60
48
74
58
51
5iJ
85
7{j
{i2
i"r"7
a)o
JL
7.6
()/
6.7
100 9s
t-/
7.2
r')
(;.'.j
5.!l
Estinrar, mediante un intelvalo de confianza a,l 95'%,).a cliferencia eirtle las clos rnedias de consllrllo. ,Se puede decir el conslrilro de cornbustible no depende del oligen clel ruto?
SoLuciu. Supondremos que las poblaciores son norrnales con varianzas desconocidas, supuestas
iguales. Adems, se tienen los siguientes resultados:
:
n2:
nt
El estimador de la vananza
(n1
5:
(,', (,t.uu
rz)
rI :
7.86;
s?:2'2t6
12,
rZ :6.C4;
s3:0.879
es
-1)sl +(n2-I)s2;
n1
Entonces, el intervalo
10,
+n2-2
(10
- r)2.216 + (t2 - 1)0.87e :

10+12-2
1.481.
es
tn/z(nt + nz -
- 6.04) - ts s25(20)
2)
1.481
1.481
*
,o i,
(7.86
- 6.04) + o.ozs(20)
Como el valor cero no se encuentra en el intervalo de la diferencia de medias, deducimos que Ia

media de los consumos no es igual. Entonces, el consumo de combustible si depende del pas de
origen del carro.
7.L5.2. Interralo de confianza para larazn entr dos varianzas

Suponga que disponemos de dos muestras independientes de tamaos TLt y n2. seleccionadas de dos
poblaciones que siguen leyes normales con varianzas o? y o3, respectivarnente. Deseamos construir
un intervalo de confia\zapata la razn de las dos varianzas.
Un intervalo de confianza para la razn de las varianzas poblacionales
o?
i,oi
aun nivel del 100(1-c)%,
est dado por
(#r',-",û - r,nz - r); #'-,r(n, - L,n2 _,))
7.75. Intervalos de confi.anza para dos muestras
4,,,
231r
4-otz
Figura 7.5:Localizacin de los valores de la ley F en el intervalo de confianza para larazn entre dos
rrarianzas.
Ejemplo. LIn inversionista
quiere comparar, en trminos de las varianzas, los rendimientos de las

acciones de dos compaas del sector servicios. Calcul los rendimientos mensuales del ltimo semestre
de las dos compaas, como se muestra a continuacin.
Compaa A
Compaa B
1.8
2.6
0.3
3.8
2.4
-l
0.1
4.7
1.5
1.9
3.2
D7
d. tJ
Con el empleo de un intervalo de confi.anza de nivel 95To para las varianzas, determine si los rendimientos tienen igual variabilidad.
Solucin: Tenemos que
U:6,
s?
172: $,
sZ:0.278.
0'859,
EI intervalo queda:
/^2
(?rFr-*p(n
\si
\
"?
t,n2- 1) ) :
- r,nz - r); 3F-tr@,
si
/
(3#"-'
ozs(5,
5);
.iz8q!ryFo
oru(5,
5)) :
(0'433; 22'082)'
Si las varianzas son iguales, su cociente es igual a uno. En este caso, el valor 1 se encuentra dentro
iel intervalo; por tanto, las varianzas de los rendimientos de las dos compaas son iguales.
7.15.3. Intervalo de confianza para la diferencia entre dos proporciones

Sean f1 y f2 Ias proporciones de xitos de dos muestras aleatorias independientes, de tamaos rLr y n2,
:rovenientes de dos poblaciones de Bernoulli, Ber(p1) y Ber(p2), respectivamente. Ahora, deseamos
-timar, mediante un intervalo, la diferencia de esas proporciones poblacionales.
:--n intervalo de confi,anza aproximadc-r para

l-r:
-00(1
a)To viene dado por
l,,rnde 0r
y lz
la diferencia de proporciones pr
p21
a \rr
: I _ fz.
Ejemplo. Un fabricante
cree que su marca de yogurt es ms preferida en la Sierra que en la Costa.

?ara probar su sospecha escogo dos muestras aleatorias de 500 consumidores en la Costa y 300 en
Captulo 7. Estirnacin de Parrnetros
232
la Sierra. Las muestras revelaron que 210 consurnidores en la Sierra y 320 en la Costa consumen su
producto. De acuerdo a un intervalo de confianza al 98T0, se puede inferir que el fabricante tiene
razn?
Solucin:
Se tiene que
Costa:
n1
:500, pt :
Sierra: nz:300, Fz:

Por tanto, el intervalo
(,o.un
320
500
:0.64,
2t0
300
0.7.
es
0.64
_ or)-2rJ
0.36
0.7 x 0.3
ComoceroestdentrodeIintervalo'noSepuedeafirmarquelasospechadelfabricanteseacierta.<
En el Cuadrc 7.2 se encuentra un resumen de los intervalos de confianza de dos muestras analizados
en este captulo.
Parmetro
Distribucin
general
Intervalo
(rt -
o7 y o2 conocidas
Distribucin
or y o2 desconocidas
normal
supuestas iguales
Distribucin
ot y 02 desconocidas
normal
(t t
Ft-
distintas
Pz
Distribucin
rz)
2,,
o3
n2
sZ
- iz) tt o/2,(ntrn2-2)l *
(t-r)It,,/2,nrl!
'"
^\,
- P2l L'a/2\l'
binomial
oi
r\
/2
I'O
nt
lPtQt
V TL
'lL2
.9
r2
t2
PzQz
n2
Cuadro 7.2: Intervalos de confi.anza sobre dos muestras comunmente empleados
A lo largo de este captulo
la idea de que los intervalos estaclsticos reflejan la incer-tidumbre debida a la variabilidad de los datos, pero en la mayora de casos prcticos, a ms de
que las hiptesis bsicas sobre la muestra (como aleatoriedad, independcncia y normalidad) son viose ha enfatizado
1adas, influyen otros factoles cuya magrritud es incuantifi.cable,
personas
y los equipos, el medio ambiente,
por ejemplo, el comportamiento de las
etc.
Entonces, en la correcta interpretacin de los intervalos estadsticos habr qlle tomar en cuenta que
ellos no leflejan la incertidumbre total presente en las rnediciones y solo proveer wa cota'inferior de
la verdadera incertidumbre; por lo tanto, son una cruda aproximacin a Ia realidad.
t
7.76. Ejercicios
233
7.16. Ejercicios
1.
El gercrrte de una empresa quc tiene dos locales de ferretera cree cre las venlas en el local del
norte son mayores que en el Iocal del sur. Para verificarlo, tom una muestra de 200 facturrs
en el local del sur v 250 facturas del local del norte, resultando un promedio de 13 y 15 cilares
y desviaciones estndar de 3 y 4 dlares, r'espectivamente. Mediante un intervalo de confianza
de rrivel 95To,
,se
puede concluir que
e1
gerente tiene razn?
Una organizacin de defensa de los derechos civiles afirma que en la industria de Ia construccin
el salario r4edio semanal de los hombres supera en 13 dlares al de las mu.jeres. Una muestra
aleatoria de 20 hombres y otra de 25 mujeres revel promedios de 110 y 100 dlares, respectivamente. Si Ias dos poblaciones de salarios son normales con varianzas de 100 y 64, mediante
un intervalo de confiarrza para la diferencia de medias, de nivel 98 %, se puede decir que la
afi.rmacin es cierta?
Se cree que el precio de arriendo de las casas es mayor en Cuenca que en Ambato. Estudios
anteriores revelan que las dos poblaciones de arriendos tienen distribucin normal con varianza
homognea. Dos muestras aleatorias de tamao 16 revelaron lo siguiente: z1 : 138, sr : 6 y
Tz:135, s2:4. Con el empleo de un intervalo de confianza al 957o, se puede concluir que Ia
suposicin es correcta?
Un inversionista hizo un estudio para determinar en qu ciudad, Manta o Loja, podra abrir un
supermercado. En una muestr a de 2I hogares de la ciudad de Manta hall un ingreso promedio
de 500 dlares y una desviaciri estndar de 120 dlares. En otra muestra de 16 hogares de Ia
ciudad de Loja hall un ingreso promedio de 480 dlares y desviacin estndar de 60 dlares.
Suponiendo poblaciones normales con varianzas diferentes y con el empleo de un intervalo clc
nivel 957o, en cul de Ias ciudades le conviene abrir el supermercado?
El dueo de dos restaurantes que
verrde pollo a
la brasa quiere dcterminar si sus dos locales
venden Ia misma cantidad de pollos diarios. Dos muestras de las ventas de 12 das dieron los
siguientes nmeros de pollos vendidos:
Local A
Local B
12
17
I4
1B
10
20
72
L4
13
11
12
15
21
l5
l4
72
1ti
74
13
14
22
15
Adems, Ias muestras revelaron que las dos poblaciones de muestras son normales con valianzas
Se puede inferir que en los dos locales las ventas diarias de pollos son Ias misrnas?
diferentes.
Una manera de comparar el riesgo de dos inversiones es a travs de sus varianzas. Para una
itrversin en Ia industria electrnica se tom una muestra de 10 datos y result una desvicin
estndar de 52. Para una inversin en la industria siderrgica se tom una muestra de 15 datos
y result ttna desviacin estndar de 31. Si se asume que cada una de las invcrsiones sigucn
leyes normales, cul es su conclusin si utiliza un intervalo de confianza al 90% para la razn
de varianzas?
IJn investigador sospecha que los hombres y las mujeres difieren significativamente en ticmpcr
diario de utilizacin del telfono. Entrevista a 25 sujetos de cada sexo obteniendo ios siguientes
resrrlt ados:
Mujeres:
Ffornbres:
:38; or:6,
: 31; 02:5.
Utilice un nivel de confianza del g5 7o para:
a) construir un intervalo para larazn entre
las varianzas. Se puede decir que son
234
Captulo 7. Dstimacin de Parmtetros
lr) cortstruil utt irttetvalcl
pi-Lla
la difi:r'cncia cle nrcclirs rclccrrrclo.
El ctrtrclaclol clc rtu cqrLipo cle fiitbol quietc (jor]'lprar li r:fcctir,'iclrri cle srrs.jrrgaciolcs al c<tlrlar'
trn tiro pena1. En los cntrenarnicntos, Ios jr-rgaclores n:rcrionalcs, clc 120 tilos intcnta<ftrs, accrta,r'on
91, tnientras que krs extlaqjelos rle 90 tiros lea,lizados, accltaiolt 78. N,Icdiant.: rrn iutelvakr de
corrfiauza de nivel 90 %, se puede infcrir que rro hay diferencia cntle los jrrga<lores ritrciorrirlcs 1'
extran jeros a,l colrar un tiro penal'?
En lur estudio epidemiolgico, se tonr una rnuestra alcatoria de 300 hombres y 27 de ellos
padecicron o padecen Llna determinada variedrd de gripe. Tambin, se torn una rnlrestr:a de
400 rnujeres y a 32 les oculra lo misrno. A la vista dc cstos datos, se pucde consideral que estc
tipo de gripe afecta a hornbres y mujeles por igual? (Usc 1 - cl : 0.96)
10.
Se quiere comprobal la efectividad de una vacuna contra una enfermedad y para ello, tras
contagiar a 200 animales, se Ia suministra a 100 y se compara con otros 100, a los cuales no se les
suministr. De entre los vacunados, mueren 8 a causa de la enfermedad y de los no vacurrados
20. A un nivel de confiabilidad del 93%o, podemos decir que la vacuna es eficaz pala reducir la
tasa de mortalidad?
C*pstulo
Pruebas de Hiptesis
Dudar sobre todo o creer en todo: estas son dos
estrategias'iqual,m,ente conue'ni,entes. Con ambas nos
eui,tamos la neces'idad de refl.erionar
flenry Poncair
En el captulo anterior se vio que se puede realizar inferencias acerca de un parmetro poblacional
estimando su valor, ya sea de manera puntual o como un intervalo de confianza. Pero en muchas
ocasiones no interesa conocer o tener una idea dcl valor del parmetro, sino comprobar (o rechazar)
una afirrnacin sobre el valor que tiene el parmetro, sin mportar la longitud o la localizacin del
intervalo.
Suporrgamos que un investigador desea probar que actualmente, el ingreso mensual de los ecuatorianos
es mayor que el ingreso que tenan 5 aos atrs. Par-a verificarlo, recolecta los datos mediante una
muestra tomada al azar. El investigador podra desear cornprobar la hiptesis de que el aumento del
ingreso es rnayor que un cierto valor prefijado. Un intervalo de confianza de la variacin media del
ingreso proporcionar menor informacin que una prueba de hiptesis sobre la variacin del ingreso.
Las hiptesis son, en general, afirmaciones sobre los parmetros poblacionales, como 1a media y la
tarianza; as, se pudiera desear probar que el ingreso medio actual no es diferente de aquel que los
ecuatorianos tenan hace 5 aos. Una hiptesis tambin puede ser una afirmacin sobre la distribucin
de una caracterstica de inters; por ejemplo, que el ingreso mensual sigue una distribucin normal.
La teora de las pruebas de hiptesis sobre parmetros poblaciont.:.les fue desarrollada en los primeros
aos del siglo XX y sistematizada por R. A. Fisher, E. S. Pearson y J. Ncyman. stos ltimos la
formalizaron e introdujeron el vocabulario actua,lmentc en uso) en una publicacin realizada en 1933.
-\qu se expondrn los casos de mayor uso e importancia.
8.1.
Elementos de una prueba de hiptesis
Para probar una hiptesis estadstica es necesario tcner en cuenta cicrtos elementos que conducirn
a aceptar o rechazar la hiptesis planteada, de manera correcta. Ello 1o ilustraremos con el e.jemplo
anterior.
El investigador cree qLle) en condiciones normales, el aumento dcl ingreso medio d debe ser menor que
un nivel prefijado do :60 dlares. y decide probar esta afirmacin; pero en el curso de Ja investigacin
235
Captulo
236
8.
Pruebas de Hiptesis
conclllir que Ia variacin del ingreso es mayor que 60 dlares. Para tornal cnalquier drcisin
es necesario que el investigador compare cori Lrn valor que le informe de la validez o irn'alidez de su
se podra
liiptesis.
En la terminologa de las pruebas de hiptesis, aquelLa que especifica un valor particuJ.ar del par'metlo
que se estudia se llama hzpteszs nula, que se representa por 11g. trsta hiptesis, usualmente, corresponde al procedimiento de operacin normal de un sistema de especificaciones corrocidas. En el
ejemplo, d < 60 es la hiptesis nula, pues representa Io que debera suceder cuando ha habido un
incremento del ingreso, en condiciones normales; o sea) Hg: 0 < 60.
La hiptesis que especifica aquellos valores de1 parmetro que representan un cambio importante del
procedimiento normal o de las especificaciones conocidas, se llama hiptesis alternatiua y se representa por 111 . En el ejemplo los valores mayores que 60 indicaran un comportamiento anmalo o
extraordinario; as, la hiptesis aiternativa es -111: e > 60.
La cantidad, calculada a partir de la muestra, que permite decidir si la hiptesis nula ser o
no
ser rechazada se denomina estadst'ico de p'rueba. La distribucin de probabilidad del mencionado

estadstico debe ser conocida para poder realizar Ia prueba.
EI conjunto de valores del estadstico de prueba que conduce al rechazo de la hiptesis nula, en favor de
la hiptesis alternativa, se llama regi,n de reclazo o regin crtica de la prueba. La dec,istn consiste
en rechazar la hiptesis nula en favor de la alternativa si el valor del estadstico de prueba cae en la
regin de rechazo; caso contrario no se descarta fIs.
En las pruebas de hiptesis, el resultado se da en trminos de la hiptesis nula. Nosotros o <<rechazamos
Ilo en favor de Ir>> o <(no rechazamos f/s>>; nuncaconcluimos <<rechazamos [t>> o <<aceptamos fI1 >>.
Luego, y en base del anlisis del valor del estadstico de prueba, se podra sacar otras conclusiones
sobre fI1, pero sto depender de cada caso particular.
A continuacin
1.
se resumen los elementos de una prueba de hiptesis:
Hiptesis nula,
.FI6.
Hiptesis alternativa, I11

Estadstico de prueba.
4
Regin de rechazo.
5.
Decisin.
Errores de tipo I y de tipo II
Al tomar una decisin sc puede cometel dos tipos de errores: rechazar Ia hiptesis nula cuanclo
verdadela, lo que se llama error de tipo I; o bien, no rechazar la hiptesis nula cuando en realidad
falsa, lo que se denomina error de tipo II. Ello se resllme en el siguiente cuadro:
Hiptesis Nula
Verdadera
Decisin
Rechazar 1
No rechazar 116
Falsa
I
Decisiu col-recta
Decisin correcta Error tipo II
Error tipo
Entonces, tenemos Ias siguiente defini:iones:
es
es
8.7- Elernentos de una prueba de hiptesis

1. La probabilidad
de cometer Lln error de tipo
se denota
po a y
se
237
fija al
escoger
la regin
de
rechlzo. Este valor se denomina niueL de s'iqnzficacin de la prueba estaclstica:
Pr(error de tipo I)
2.
nivel de significacin
a.
El niuel de signifi.ca,ci,n obseruado o p-valor', es el mnimo valor del nivel cle significacin para
el cual los datos observados irrdican que Ia hiptesis nula debe ser rechazada.
Este valor se utiliza cuando se trabaja con paquctes computacionales para detelrninar si
rechaza Hs. La regla es la siguiente:
Si el valor de p
3.
( a, entonces se rechaza
se
116. Caso contrario, no se rechaza (se acepta).
La probabilidad de cometer un error de tipo
II
se denota por B
alternativa que se escoja:
Pr(error de tipo II)
depende de
la
hiptesis
B.
1. La potenc'io de una prueba
es la probabilidad de tomar la decisin acertada, de rechazar

cuando sta es falsa, y es igual a 7 - P.
Il
Figura 8.1: Probabilidad de cada tipo de error al realizar una prueba.

probabilidades a y B tienen las siguientes propiedades:
Para un tamao de muestra frjo, al aumentar la regin de rechazo (y por lo tanto a), B disminuye.
Al atrmentar el tamao muestral n, las probabilidades a y 13 dccrecen a la vez.

--- error de tipo I es considerado ms serio, por lo tanto
ms importante dc evitar, que un error
v
lipo
II. Consecuentcmente, el proccdimiento de probar una hiptesis se ajusta de manera que se
-.
: -antice una <<baja>> probabilidad de rechazar erroneamente la hiptesis nula.
l:.:ttentemente, se determina el nivel cv de manera arbitlaria, pero si no se lo especifica, habr que

- :ular el p-valor del cotrtraste. Esto permite rechazar 116 para valores pequeos de a. Nosotros
- r:raremos, de preferencia, valores para o de 0.1, 0.05 o 0.01.
s de pruebas de hiptesis
pruebas de hiptesis se clasifican en unilatelales
y bilaterales.
Captulo
238
8.
Pruebas de Hiptesis
Definicin (de prueba estadstica unilateral) Una prueba estadstica urrilateral
es aquella en
Ia que la regin de rechazo se localiza solamerrte en un extrerno cle la distribucin de probabilidad
del estadstico de prueba.
Para detectar si 0 I 0o la regin de rechazo se sitra err el extrerno superior de la distribucin del
estimador d (Figura 8_.2). Para detectar si d ) d6 la regin de rechazo se sita en el extremo inferior
de la distribucin de d.
eo
0o+C
Acentar Hn I Rechazar
Hn
Figura 8.2: Distribucin de ? cuando se cumple Hs: 0 { 0s.
Definicin (de prueba estadstica bilateral) Una prueba estadstica bilateral
es aquella que
sita la regin de rechazo en ambos extremos de la distribucin de probabilidad del estadstico de
prueba.
Las pruebas bilaterales se utilizan para detectar 0 < d6 o bien 0 > 0ol es decir,
aRechazar
Horla
Aceptar
Ho
,laRechazar
Figura 8.3: Distribucin de ? cuando se cumple Hs:0
8.2.
0l0o
(Figura 8.3).
Ho,
gs.
Pruebas de hiptesis sobre la media, cuando la varianzaes conocida
Uno de los casos ms comunes en la realizacin de pruebas de hiptesis es hacerla sobre el valor de
la media poblacional, cuando se dispone de una muestra de dicha poblacin. El parmetro 0 que se
desea probar es LL y el estimador d es la media muestral 7.
continuacin se exponen -de manera sucinta-, las pruebas estadsticas, bilateral
unilaterales,
cuando deseamos probar que el valor de la media poblacional l es igual a un valor prefijado
Prueba bilateral para la media.
1.
Hiptesis Nula. Ho:
p:
po.
-r,s.
8.2. Pruebas de hiptesis sobre Ia ntedia, cuando la varianza es conocida
2.
Hi,ptt:si,s
Al,terrtotduu
Hl
3.
Estadsti,co de P'rureba.
4.
Re.gin de Rechazo. zobs I
Ejemplo. IJna empresa
-L
Zobs
ro.
- lro
IJ
"
x:
-zol2 o Zor, )
z,r2.
farrnacutic ha estatlecido qlre un compriniido dcbc tcncr Ltn peso
nredio igual a lo:0.5g y una desviacin estndar de o:0.11g. Se tom una muestradeT44
comprimidos de un lote de frmacos, cuyo peso promedio fue de Z:0.53g.
a) Para un nivel de significacin de 0.01, ,el peso de los comprimidos en e1 lote
se diferencia
del admisible por Ia empresa'/;
b) Determinar el p-valor
de la prueba.
Solucdn:
a)
La prueba de hiptesis es bilateral:
Nula. Ho: F:
1.
Hiptesi,s
2"
Hiptesis Alternat'ua.
3.
Estad,sti,co d,e Prueba. zobs :
4.
5.
0.5 g.
HI
tt l_0.5
e.
?:+ o I \/n
0'53
- 0'5 :3.273.
0.11 I \/ 144
Ia regin de rechazo es zobs < -2.57 o zo6") 2.57.
Deci,s'in. Como el valor zobs cae en la regin de rechazo, se descarta la hiptesis de que
/ : 0.5. La probabilidad de rechazar -16, suponiendo que sea cierta es solo 0.01; por lo
tanto, en al menos el 99 % de las veces la decisin es la correcta.
Regi,n de Rech,azu Para
a:0.01,
b) Determinemos el nivel de significacin mnimo de la prueba.

Como Zobs:3.273, el valor de probabilidad correspondiente es (D(3.273) :0.9995. Por ser
una prueba bilateral, se cumple que 0.9995** : t, por Io tanto, a:2(l-0.9995) : 0.001;
2 ','
que significa que llegaremos a una conclusin errnea en menos de I de cada 1000 veces, lo
que verifica la conclusin anterior.
b) Prueba unilateral para la media.
1.
2.
3.
Hiptesis Nula. Ho:
4.
Regi,n de Rechazo. Zobs
F: lto.
Hiptesis Alternat'ua. HI F] l-ro (o bien Ht
r - tlo
Estad,stico d.e Prueba. zobs :
"l\,' zo6"
> zo (obien
F < po).
{ -zat cuando HI
< ttd.
Ejemplo.
Si en el ejemplo anterior, el peso mximo admisible para que el medicamento no sea

txico es igual'd LLo:0.52g.
a)
Se desea saber si los comprimidos del lote son aptos para el consumo humano, a
un nivel
de significacin del 5 %;
b) Determinar el nivel de significacin
de la prueba.
Solucin:
a) Los datos son los mismos que
antes se usaron, solo debindose cambiar las hiptesis.
24O
Captulo
8.
Pruebas de Hiptesis
1.
2.
3.
Hiptesis Nula. Ho: F :0.52 g.

Htptesis Alternatiua. HI F > 0.52 g.
4.
5.
Regin
zors:' , F - 0'53-0'52:1.0909.
o.lJt44
" I rt
:
de Rechazo. Para cl 0.05 la regin de rechazo es zob.s > 1.65.
Estadstico
d,e
Prueba.
Dec'isi,n. Como el valor zobs Lo cae en la regin crtica, no existe razn para descartar
la hiptesis nula, de manera que se podra asegurar que el medicamento es apto para el
consumo humano.
b) El nivel de significacin de la prueba es 1- 0(1.0909) - 1-
0.8621
p :0.1379 > 0.05, no se rechaza Hs.
0.1379. Como
es suficientemente grande (n > 25) y se desconoce la

vatianza, es posible utilizar estas pruebas, reemplazando o por su estimador s, sin prdida de exactitud.
Observacin. Si el tamao de la muestra
Clculo de Ia potencia de la prueba

II
se nota como B
donde suponemos verdadera la hiptesis
Hl F:
se define por
: ptl""eptar flslr, ),
l-rt.
Errtonces, por el Teorema del Lmite Central, la variable
Ejemplo. En el ejemplo anterior, calcular Ia potencia
7 : !-4
ol\/n
sigue una Iey normal estndar.
de Ia prueba si el verdadero valor de la media
es 0.54 mg.
Solucin: Veamos qu signiflca <<aceptar
-16>>
en trminos de los valores que puede tomar el promedio,
r.
Aceptamos Hs
si+
o
<
\/n -
1.6b; es decir,
,01.?,, < 1.65, o seaz < 0.53b13.

=u-0.rll\/144
Por tanto, la probabilidad B la podemos poner de la siguiente manera:
Pr(aceptar
Holp) :
Pr(z < 0.535131p1 : 0.b4)

("- p, - 0.53513-0.54\
"\"lr/i'
La correspondiente potencia de la prueba es Pot
8.3.
o.lrl\n44 )
Pr(Z < -0.53127) :0.2976.
- 1-
13
:0.7024.
Pruebas de hiptesis sobre la media, cuarido la varianza es desconocida
Cuando la varianza es desconocida, no es posible aplicar el Teorema del Lmite Central; en este caso,
para que sea posible aplicar esta prueba es necesario que la muestra provenga de una poblacin que
sigue una ley normal, de manera que el estadstico de prr"reba sigue una ley de distribucin . Entonces
la prueba estadstica es la siguiente:
8.3. Pruebas de hiptesis sobre la rnedia, cuando Ia varianza es desconocida 24L

a) Prueba bilateral para la media.
1.
2.
Nula. Ho: Lt: l-to.

Hiptess Alternatiua. Hr p I
Hipteszs
p,o.
rd,e Prueba. trrbs :
3.
Estadstrco
4.
Regi,n de Rechazo. tob"
Po
'l'F,
{ -to/z(n -
1) o tob"
t^2(n
I).
Ejemplo.
Segn un estudio del Ministerio de Educacin, el costo medio de la lista de tiles

de los escolares de educacin bsica es 87 dlares. Para verifi.carlo, un investigador tom una
muestra con los siguientes resultados:
Cesto
(ri)
| 68
7b 93 101
r23
Para un nivel de significacin de 0.05, verificar la hiptesis de que la mquina cumple con la
especificacin.
Solucin: Previamente hallamos
eL promedio y la desviacin estndar:

(los clculos se dejan como ejercicio para el lector).
:97.7 y s :
18.728
Con sto planteamos el contraste:
1.
2.
3.
: $1.
Haptesis Alte,rnatiua. H; p,l87.
Estad,stico de Prueba. tobs: !;+
4.
0.05 y por el nmero de grados ile

:
1)
: 2.093. La regin de rechazo es
19
se
encuentra
el
valor
de
s.625(19)
tobs 1-2.093 o to6" ) 2.093.
Hiptesis Nula. Hs: p
Regi'n de Rechazo.
libertad ("
5.
- 87 t|tn@Para el nivel de significacin a :
slfr, --
97'7
o
<,=<
L'')'
Dectsin. Como el valor o6" s encuentra en Ia regin crtica, ya que 2.555 > 2.093, se
rechaza la hiptesis nula; es decir, el precio medio de las listas de tiles es distinto al que
afirma el Ministerio.
b) Prueba unilateral de la media.
1.
2.
3.
Estadstico
4-
Regi'n de Rechazo.
Hiptesis NuIa. Ho: Lt.: l.to.

Hiptesi,s Alterno,tiua. Ht F > po (o bien I11: F
d,e
Prueba.
tobs
< tli.
: " , 4.
"1rfr"
tob,) t.(n.- 1) (o bien tob, 1-to(n - 1), cuando H t <
tto).
Ejernplo.
Segn las previsiones del gobierno, la inflacin para este ao ser de 3.g %. Un
economista, desconfiado de Ia cifra, realiz una investigacin por su cuenta y registr la variacin
de los precios en los 22 artculos que a su juicio tienen la mayor incidencia en Ia economa popular.
Obtu'r'o una variacin de 4.5 7o y una desviacin estndar de 1.3 %. Pruebe si la cifra de inflacirr
del investigadol ser mayor que la del gobierno.
Solucin:
1.
2.
Se tienen los siguientes datos del
p: 3.9.
Alternat,iua. HI H > 3.9.
Hiptesis N'ula. Ho:

Hipteszs
problemai rL:22,
r:4.5
y s: 1.3. La prueba es:
242
apu,Ia
E,lnLlis!i'o d, pr,,"5,,.
8.
-Fruefas de -fipCesis
O' ''t::
1,,t,. +
t.:j/ \/2')
'lJ't
2.lLii.
Si tornarllos Lv : [J 01 y l,o or(21) - 2.518, la legin cr'tica es

2.518; pcto si sc tonta r-v:0.1-J5 y ls5(21) - I"721,1:r reg,in ur'tir-' es ..,,, > 1.72]1.
flegt,ri,
tle
trlec:la,zo.
1.,,,,,, )>
Dec:i,si,n, Prla cr - 0.01 no se rechaza H; cs dccir, no existe evidencia quc indiqu,,rl{'ia

ciflr clacla, pol cl gobierno est subestirrrada. Srn embargo, si sc torna r-v - 0.05, resulta que
Lob., ) ... se rechaza Ho; es decir, 1a infla',n cs inayor que la estimada por el gobici"no.
ltpaltirdelosclosrcsultadossedednce qr-ielaaceptacin orec:hazode-r,:3.9noesconchryente.

puesto qlle con o : 0.05 se rechaza y con ! : 0.01 se acepta. En este caso se debera arrmentar
el nmero de observaciones.
8.4"
Pruebas de hiptesis sobre la varia.nza
Para realizar una prueba de hiptesis sobre la varianza, supondremos que las observaciones provienen
de una distribucin normal) para que el estadsti
grados de
libertad. Bajo
* @#
siga una distribucin
y2
con
(n - t)
este supuesto, las pruebas de hiptesis son las siguientes.
a) Prueba bilateral para la varianza.
: of;.
H o2 I o2r.
(n
1.
2.
Hiptesis NuIa. Hs: o2
3.
Estad,stico
4.
Regi,n de Rechazo. X?"u" > X?.p(n
Hzptesr,s
Alternat'iua.
d,e
Prueba. X3,,":
-])s2
1) o
XZt
"
< Xl .,r(n
- t.
h) Prueba unilateral para la varianza.

Nula. Hs: o2 : of,.
Alternatiua. H o2 >
1.
2.
Hiptesi,s
3.
Estad,sti,co d,e Prueba.
4.
Hiptesr,s
XZu":
Regin de Rechazo. XZu">
"3
(n
@ bien 111:
- !)s2
o' <
oZ).
o2o
x?,(n- 1) (o bienyf;o"<x?_,(n- 1), cuando Ho2 <"2i.
Ejemplo. Un fabricante de cables de cobre afirm que su producto tena una resistencia a la ruptura
relativamente estable y que se ubicara en un rango de 40 kilogramos-fuerza (kgf) . IJna muestra de
16 mediciones arroj una varianza igual a s2
a) Hay evidencia suficiente
b) Encontrar el
p-valor
195.
para rechazar Ia afirmacin del fabricante?;
de la prueba.
Soluci,n: Como el fabricante da el rango de variacin de la resistencia, podemos estimar la desviacin

estndar mediante la relacin aproximada
asumir que o : 10 kgf.
" - ry99
(dada en el Captulo 1), por lo qne se puede
8.5. Pruebas
de hiptesis sobre Ia proporcin
243
a) Lrr prlreba t:s:
1.
2.
Hiqtlr:s'is Nrr,lo. H'. 62
3.
Estadst'ic:o tle Prtrcbo,. X?,.,
4.
R.egir'r de Reclazct. Prra
102
:10C).
Ht'. o2 > 100.
H'i1ttt:srs Altentat,i,ua.
(n,
- t)s'2
(16
1) x 195
:29.25
100
nn rrivel cle significacin
o:0.05 y 15 g.1., fSoo(15) :25.00.
La
regin crtica es Xlo" > 25.
5.
Decisin. Como 29.25 > 25, se conch.r.yc qrre la hiptesis es falsa y qtle la variacin
de la,s
mediciones excede ias especificacioues del fablicante.
b) Para encontrar el nivel de significacin aproximado
de la prueba examinamos) en ia tabla de la

distribucin X2,elrenglncorrespondientea15g.l. Sevequeelvalor d.XZt":29.25 esmayor
eue XZ.ozs :27.49 y menor eue X3.or:30.58. As, el nivel de significacin observado es menor
que 0.025, Io que quiere decir que se rechazar la hiptesis nula para cualquier cr mayor o igual
al2.5%.
El valor exacto, obtenido mediante un programa informtico) es 7.45%.
8.5.
Pruebas de hiptesis sobre la proporcin

n observaciones
provenientes de una poblacin con distribucin de

Bernoulli y deseamos probar que el parmetro p es igual a un valor prefijado ps. Recordemos, tambin,
:1ue si entre las n observaciones hay y xitos, Ia proporcin se estim a por f; : !.
n
Supongamos que se dispone de
Para la realizacin de estas pruebas, utilizaremos la aproximacin de la ley binomial mediante la ley
:rormal.
a) Prueba bilateral para la proporcin.

Nula. Hoi p : po.
Alternatiua. Ht p I
1.
Hi,ptests
2.
Hiptesi,s
J.
Estad,stico
d.e
Pr-ueba.
po.
p-po
-po - --Ft
--F o0
lPoqo
zobs
OonCte
tl-
4.
Regi,n de Rechazo. zobs I
p- -a
n
un
-2.2 o 2o6"
/ zt/2'
b) Prueba unilateral para la proporcin.
p:
1.
Hiptesis NuIa. Ho:
2.
Hiptesis Alternatiua.
3.
Estadstico de Pru,eba.
4.
po.
Hr p > p0 (o bien I11: p < po).

Zobs
Regin de Rechazo. zobs )
f-po
po qo
n
zo (o bien zor, I - Zat cuando
Ht p < po).
:jemplo. Una empresa realiz una investigacin de mercado para determinar el nivel de consumo de
- refi'esco, para lo que consult a200 consumidores, de los cuales 28 expresaron sll preferencia por
.-:roducto. El fabricante, de acuerdo a sus ventas, cree que tiene el 10% del
mercado de refrescos.
244
Captulo 8. Pruebas de Hiptesis
a)
Son los resultados de Ia investigacin consistentes con los datos del fabricante?;
b)
Determinar el nivel de significacin del contraste.

Se tiene Po
Soluczn:
a) La
0.1 Y el estimador de Ia proporclon es p
28
200
:0.14.
prueba queda as:
1.
Hi.ptesis
2.
Hi,ptesis
.J.
4.
5.
b)
Nula. H0: p: Q.1.

Alternatiua. Hr.p +
Estad,stico d,e
0.1.
Prueb
a' Zobs:P - Po
lposo:
tl n
Regin de Rechazo. AI escoget
0.14
0.1
0.1 x 0.9
:1.886.
(r:0.05, 26.s25:1.96, la regin es zobs > 1.96.
Dec'isin. Como zobs Lo cae en la regin de rechazo, no se puede descartar Ilg; entonces,
no hay evidencia de que la proporcin de consumidores sea distinta del 10 %.
Como zobs :1.886, el valor de probabilidad correspondiente es A(1.886) : 0.9706. Por ser una
prueba bilateral, se cumple que 0.9706 +;:1;
por lo tanto, a:0.0588.
Clculo de la potencia de la prueba

,6
II
se nota como B
donde suponemos verdadera la hiptesis Ht:
y se define por
prlu"eptar I1slp1),
p: pt.
Entonces, Iavariabl.e
Z:
srgue
una ley normal estndar.
Ejemplo. En el ejemplo anterior, calcular la potencia de Ia prueba si el verdadero

proporcin es 0.12.
valor de la
'
Solucin: Veams qu significa
<<aceptar f/s>> en funcin de p.
<
1.96, o sea 0.05842 <
A<
0.14159.
Por tanto, la probabilidad B la podemos poner de la siguiente manera:

Pr(aceptar fo
br) :
Pr(0.05842 < 0 < 0.I47591p1: 0.12)
0(0.93958)
La correspondiente potencia de la prueba es Pot
O(-2.6799)
- 1-
0.8226.
0 :0.1774. <
En el Cuadro 8.1 se presenta un resurnen de las pruebas de hiptesis col muestra nica.
8.6. Ejercicios
Hiptesis
nula (I{)
3,i,"Ti3:.fi;TH' i
=
grarrcle)
(rrruestra
Distribucin
riorrnal
va'iarrza
clescolocida
Lt,2
i;i
tt,o
: l1,o
lt1. po
y,) l.ro
Hiptesis
alternativa
(,F11 )
t!
,
-ro/\/n
I H,
Fllro
lt 1 fto
,'- i - l"o
slJn(n - 1) g.l.
lt { I,t,o
F
p:
binornial
(rnuestra grande)
P<Po
P>Po
P>
P 1Po
Po
Estadstic<-r
cle prueba
r,lli
Distribucin
po
245
Plpo
Regin de
rechazcr
t4,"'),,,'
4 -zo
lt > t^/,
z
tltu
t { -to
l-l
z-
r
ll 2 zo/2
L\-40
Cuadro 8.1: Pruebas de hiptesis con una sola muestra.
8.6.
Ejercicios
Pruebas sobre la media poblacional (varianza conocida)

Se sospecha que los varones de las nuevas generaciones tienen, en promedio) mayor estatura que
las antiguas. En un estudio realizado hace clos dcadas se determin que la poblacin adulta
masculina tcna una cstatura media de 167 cm, con desviacin estndar de 10 cm.
a)
Si se <lesea verificar Ia suposicin anterior, formule, en smbolos y en palabras) la-s hiptesis

nula v alternal iva;
b) Recientemente se tom una rnuestra de 35 reclutas del servicio militar y se observ una
estatula promedio de 171 cm. Qr.r conclusin se puede sacar con a : 0.01?
Un fabricarrte de fertilizantes afirma que el uso de su producto dar por resultado una cosecha
de por lo rnenos 3.5 toneladas de trigo por hectrea, como media, con una desviacin estndar
de 0.5 toneladas. La aplicacin del fertilizante a un lea de 37 hectreas dio una cosecha de
3.35 toneladas por hectrea.
a) Al nivel de significacin del 5Vo, ,serecltaza la afirmacin del fabricante?;

b) Se rcchaza la afirmacin al nivel del TVo?
Una balanza sc encltcntra descalibracla y no siempre registra el peso rxacto. Cuando se pesan
454 g la desviacin estndar es de 10 g. Para averiguar si es necesario recalibrar 1a balanza se
realiz una scrie de 50 pesajes de cantidades iguales de <<una libra>>, resultanclo un peso promedio
de 451 g.
a) A
b)
urr nivel del 10 %, es necesario lecalibrar la balanza?.
Calcule el nivel de significacin cle la prticba.
Una emplesa qlle elabora plarrchas plsl,icas puso en prctica un nlrevo rntodo de fabricacin
tal que el costo medio por rnetro cuadrado sc distribuye rrormalmente con va,rianza poblaciorral
4. Se obtuvo una muestra aleatoria simple de tamao 100, resultando un costo promedio de 2.4
dlares. Verifique la hiptesis de que el costo medio es dc 3 dlares, con rrn nivel de significacin
del4.5%.
Captulo 8. Prttebas de Hiptests
246
5.
Pol cstudios
(i
LLr lrbor'rtorio frlrrrrcuti<:o asegura qllc rrn nrcdicrriertto crc fal rricr ti<rrre nrr <rolrtenirlo rrreclio
dc 10 000 unidadcs cln ca(la dosis. Para corrl"rol.rrr si c1 lrl-ior'itolio cs de fial se torn<i uua
mur:stla cle 40 dosis, obterricnclo una rucclia <le 9940 uuirirrles ) ulla desvircin ostinclar clc 120
rrrt<:Liorcs, scr srrbc crer lir" rrcrlir dr: I eclrd rle los tlclirrcrrcrrt<:s crr cl pzrs cs rlc 23
aos: sirr cnrl.,argo. crr un estrrclio rer:icnt<r (ioll Llnt unrcstLr rlc: 80 clr:tcrriclos. sc obtrrvo r-rrr 1>rorrrc<1io
clc 21.5 arlos y urrt <lesviar:irirr estirlrlrr' <lc i-J. Crl rrn nivcl rle sigrriic:ir<:irirr cl<:1 '2 %, r:r.,ur1.,nLelrc
ia, hipritcsis clc quo lr rneclir cie ecla,cl cle los clelirrcrrcntes sc hr lc<hrciclo sigrrific:rtivirrle:lr(,c.
unida<les.
a)
.Poclcrnos aceptal la iuclicacin clel Irboratori<.r cou ulr rrivcl cle significacitit r.IeI
b)
Calculc ei nivel de significacin de la prueba.
I%il:
En un restaurante se haia tenido una media de 160 consumiclores diarios y nlla dcsviacirt
estrrclar clc 17.5. Se aumerrrt los precios cle la cornida y el propietalio not que 1os 30 riltimos
das haba un prornedio de 151 clientes diarios. trI propietario pnede pensar que efectivament<:
ha descendido el nmero de clientes o que la variacin es debida aI azatrl
IJna emprcsa exportadora de camarn el ao pasado embarc una media de 10500 c:rjas por'
sernana) corr una desviacin estndar de 1500. Eu los primeros seis rneses (26 sernanas) dc estc
ao export un plornedio cle 11200 cajas cada semana.
a) Puecle asegurarse que ha habido un cambio en la demanda de camarn?;

b) Halle el nivel de significacin de la pmeba
En una fbrica, la produccin por hora dc botones de tagua sigue nrra distribrrcirl nornlll
con desviacin estndar de 16. Se extrae de dicha poblacin Lrna mnestra de tmairo 81, para
contrastar la hiptesis de clue la produccin medir por hora del citado producto es 100, a1 nivel
de significacin del 5 %. Si la hip<itesis alternativr es 105, calcule la prolrabilidacl de ccrrneter urr
error de tipo II.
10
Una sociloga afirma que cl tiempo que los nios cle tres r cinco riros dedican a ver la televisirr
cada semana se distribuye normalmente con media 22 horas y desviacin estndar 6 horas. Frentc
a este estr-rclio, una ernpresa de investigacin de mercados cree que la media es mayor y pala
probar su hiptesis tom una mucstra de 64 observaciones procedentes de la misrna poblacirr.
obtcniendo como resultaclo una meclia dc 25. Si se utiliza un nivel de significacirr del 5 %:
a) Verifique si la afirmacin del investigador es realmente cierta;

b) Determine la potencia de ese contraste, si 1a verdadera media poblacional fuera
11.
24.
Urr rnicroernpresario est considerando la posibilidad de administrar cl bar clc uu colcgio. trl
adrrrinistradol actual del brr afilma quc r:l inglescr diario sigue una distrilrucin nolrnal rle rnedia
87.5 dlares y una desviacirr estndrr di: 7.5 dlares. Para comprobar si decr la verclld) torn(i
Lurr rnlrestra de treinta das y :sta revel<i r-ru ingreso dialio promedio dt: 82.5 dlrres. Utilizarrck
o:
0.1,
a)
,hay evidencir de quc cl iirgreso diario promcdio sel nenor clcl que rfir'ma el clueo actrral'/;
b)
Calcule la potcncia clcl contraste si
lr
verdaclera rncdia fucra pr,:85.
Pruebas sobre la media poblacional (varianza desconocida)
12. Una muestla de n :
11 observaciones de una poblacin distribuida rlolmalmente dio corno

resultado un promedo T : 19.5 y una desviacin estndar s : 2.4. ,Proporcionan los datos
suficiente evidencia para probar que > 18?
t
t
fi
8.6. Ejerci.cios
i.
a) Enuncie las hiptcsis nula
v altelnativr
clc lr pmcl)r;
b) C)lrtcuga la legin clc reclLazo ltrrra la prtrr:lrir si

c) Llcvc
247
a:0.05;
cabo la 1;rneba e interpr:tela.
Se dcsca saber si la cdad promedio a la cual sc clesposan las rlujeres en la ciudacl cle Cuenca es
diferente cle los 26 aos de edad. Sc torn rrna muestraclc24 registros dc rnrtrimoriio, resultandcr
las sigr-ricntcs edades de las novias:
18 28 46 21 29 23 47 43 23 32 20
26 40 19 35 20 18 16 65 22 19 24
56
32
La edad promedio de estas edades es 29.83 aos y ia desviacin estndar es 12.86.
14.
a)
Son ios 29.83
b)
c)
d)
Plantee las hiptesis nula y aiternativa para verificar el argumento arriba indicado;
12.86 parmetros o estadsticos?;
Calcule el estadstico de prueba y la regin de rechazo para esta prueba de hiptesis;

Explique su conclusin sobre si la edad promedio de Ias desposadas en la ciudad de Cuenca
difiere de los 26 aos.
Una compaa de televisin por cable anuncia que el periodo medio de espera desde la solicitud
hasta la conexin a la red de sus nuevos clientes es de ocho das. Una asociacin de consumidores
desea verificar dicha hiptesis, para lo cual tom urra rnuestra del periodo de espera (en das) de
15 clientes con los siguientes resultados:
11
r0138
10
721281011
l07B
Verifique si el periodo medio de espera es igual o diferente a ocho das. (Use a
\5.
0.05.)
La resistencia, en kgf crn2, de Ia fibra de carbono se distribuye normalmente. Se tom una

mnestra de 10 elementos fabricados con este material, obteniendo:
203 229 275 220 223 233 233 208 228
209
Contraste la hiptesis de que la muestra proviene de una poblacin de media 275 kgf cm2.
6
Segrn los datos de una universidad, sus estudiantes obtienan en el examen de evaluacin clel
ingls como segunda lengua una media de 50 puntos. Un profesor de ingls quiso comprobirr
si sus alumnos tenan un promeclio rns alto, para ello seleccion una muestra aleatoria de 20
alumnos y les envi a examinarse. Los resultados dieron una nota promedio de 54 y desviacin
estndar dc 7 puntos. A qu conclusin llegar el profesor, con un nivel de significacin del
f,(Yn
/a:
En una ciudad se quiele hacer un cstr-rdio rpido para'r,'alorar el consunlo de agua en los domicilios
palticulares dulantc los meses de mayor seqntr. Para ello sc seleccionalon, al azar, 15 domicilios y
se midieron slrs consumos (r) en metros crbicos durante el mes de agosto. Los resultados fueron
Dr :280.5, Dr? :5308.35. En vista cle estos clatos, hay suficiente evidencia estadstica, al
nivel 0.05, r favor cle la hiptesis de que el conslrmo medio de los particulares durante el mes de
agosto es llayor clue 18m3 (q,-,e es el consnmc considerado como <sostenible>>)?
El consumo de gasolina (en litros por 100 km) de los automviles de 3 puertas sigue una distribucin normal con rnedia 8. Se introdujo una modificacin en el motor con objeto de disminuir el
Captulo B. Pruebas de Hiptesis
248
corrslrnlo y se probaron 10 rutos corr el motclr modificaclo, obtcrrirrclose los siguierrtes esta,rlsticos
por' 100 krrr:
10
10
,.-r
T,r;i -
",:77'5,
i.-
(i01.33
la modificacin urrntienr: 1a nor-nalidirrl, ,hay suficiente evidr:lrcia csticlsticr

(al nivel clc significacin 0.05) ptrra porlel afirmll cre la rnodifir:rcirin ha reduciclo el colrsllrno
Srrponiendo qr-re
meclio?
19
El ticrripo
al disco drrro cn un c;icrto mocielo dc computarloras es una variable rleatorir

con rnedia 15 milisegundos. Se propuso una modificacin tcnica con objeto de dismirruir cste
ticrnpo de acceso. Se prueba el nuevo sistema crr 10 cornputarloras obtenindose una medir
muestral de 14 ms y una desviacin estndar de 2.286.
a)
<le acceso
Hay suficiente evidencia estadstica, al nivel 0.05, a favor de ia hiptesis de que el rruevo
modelo disminuye el tiempo dc acceso'/;
b) Calcule el p-valor.
c) Indique un par de valores
de 7 y de s que hubiesen llevado a un

decisin se dcbera tomar eri este caso respecto al nucvo rnoclelo?
20
p-valor de 0.005.
Qu
Una muestra de 25 traba.jadores informales, que sc dedican a vender golosinas en los buses.
ganan un promedio de 17.5 dlarcs diarios con una desviar:in estndar de 2.5 dlares.
a) Estime la ganancia pr:ornedio diaria

intervalo
b)
r-le es1,c
tipo
cle trabtrj:rdores informales, usa,ndo nn
de confianza aI g57a;
trs Ia ganarrcia promedio de 17.5 cl<ilares significativmente inferior a los 18.5 dlares qrrc
ganan los vencledores qne tienen un prresto fijo en los cines? (Utilice nn nivel del 5%.)
Pruebas sobre la varianza poblacional

2r.
Unr muestra
de r : 25 observaciones cle una Poblacin distriluida rrormalmente clio corno
rcsrrltaCo una variatrza lullestrIl
indirrre q',r o2
> i5?
dc.s2:23.4. Proporcionan los clatos
srrficiente eviclencia que
22
Urr muestra aleatoria de 14 est,ucliantes de enfcrrnera participan en Lrna plLreba ptrra meclir
su destreza mannal. una vez obtenidas las purrtutrciones, la varianza de lr muestr es cle 7221.
Contrastc con cv : 0.05 que la varianza poblacionirl es de 2500"
t'l
I a lrrecisin del tr"bajo dc una niquntr urtom.tica se nlide por: la r..aLirnza clc-. la cliuiensirr
coutrolaclr clc los productos, que llo debr: ser rrli\yor,,c ofr :0.18. Se torrr<i nna rLruestr;r
ak:lLtclia
cl<r
rrtculos quc hrr daCo la,s sigriicnte-s rledici<tri<ts:
Verilique si la nrqrrinir gartrrrtiza lir prer:isin neer:salia p;rlzr el uivel cle significirr:irin ck: (-).05.
24.
estndar-de un proceso ir.ciustLirl (irrc plo(hlce valillas, <:l concliciones nolrnirles,

es clc 3 crn. Se dispone de una nnestra ck: tarnairo 15, con los sigr-rientes valores:
Lr c{esvia,cicin
12; I i7 115 130 l1;
112
11it
Su1-ronierclo clue las longitudcs sigr-rcrr tlltl
furrciona correct alnente.
0')
:, I
lc_1, r,
121
illr)r'rl
177
116
122
r20 126 115.
. contrastc Ia hiptcsis dc cre
erl
ploccso
8.6. Ejercicios
25.
249
Una mquina de crnpaquetado automtico deposita en cada paquete una ciclta cantidad de papas
fritas. Se scleccionan 20 paquetes, se pesa su contcnido y se obtienen los sigr.rientes resultados:
49
50
49
t10
50
50
49
50
50
50
49
50
50
51
52
48
50
51
51
51
A partir de esta informacin y suponiendo que la variable
a) Verifique si la media de esa variable
b) Verifique si la varianza
es
se
distribuye normalrnente:
es 51, con un nivel de significacin del 1%;
la unidad, con un nivel de significacin clel
5 %.
Prueba sobre la proporcin poblacional
26.
Una muestra de n : 1000 observaciones de una poblacin binomial produjo A :280 xitos. Si
la hiptesis de la investigacin es que la proporcin es menor que 0.3.
a) Es una prueba bilateral o unilateral? Por qu?;

b) Fbrmule las hiptesis nula y alternativa de la prueba;
c) Realice la prueba e interprtela. Utilice a : 0.05.
27.
Una marca de aceite comestible cubre actualmente el 20 % de los rotencialcs clientes. Para
incrementar las ventas se estructura una campaa pubiicitaria intensiva. AI final de la misma se
realizar una investigacin a 400 consumidores potenciales para determinar si tra tenido xito.
a) Enuncie Ho y Ht
en trminos de p, Ia probabilidacl qrre el consumidor prefiera la marca
cle
aceite;
b) La empresa concluir que la campaa tuvo xito si al menos 94 de los 400 entrevistados
prcfieren su prochrcto. Encuentre a;
c)
Realice la plueba e interprtela.
r8
En una encuesta a 300 taxistas, 132 contestaron que utilizan el cinturn de segulidad. {Jtilizanclo
un nivel de significacin del 5 %, podemos concluir que la mitacl de los conductores utilizan el
cinturn?
')9
De acuerdo con sns registros, una clnica ha establecido que la probabilidad de curacin completa
de un enfermo que ha tomado el medicamento A es 0.8. La clnica experiment con un nuevo
medicamento B en 700 pacientes, de los cuales 575 se cllraroll totalmente. Se puede considelar
que el nuevo medicanrento es ms eficaz que el tradicional, al nivel dc significacin de 5To?
Una agencia dedicada a1 cobro de cheques encontr <re el 5 % de toclos los cheques remitidos
a la agencia eran cle cuentas sin fondos. Despus de implantar nn sistema de verificacin, pa,r'a
disminuir sr"rs prdidas, se hallalon solarnente 50 cheques sin fonclos erl Lrna mncstra aleatoria cle
1124 cheques. Existe suficientc evidencir, estadstica para concluil quc el sistema de verificacin
ha reducido la proporcin de cheques sin fondos?
Un proveedor ascgura que los artculos que 1 snnrinistra sorr defectu.osos en un 1% cle los casos.
Se realiz r-rna pmeba r 200 de sus artcnlos y resr-rltaron 3 r-lefectllosos.
a) A un nivel cle significacin del 1 '%, ;t:s falsa o cierta la afir'macin del ploveedor?;
b) Halle el nivel de significacin observado de la plueba.
En una encuesta en Quito se entrevist a 850 adlrltos. A la pregunta de que si ellos estaban a
favor del endurecimiento de las penas por ciertos delitos, eI 52% respondi afi.rmativamente.
Captulo
250
r)
.Sc Pucclc ccttr:lttil ctct

l) ollrs
lir
8.
Pruebas de Hiptesis
rtit\rorr clet
los rdultos estn
favol del
enchrrc<tirrLierrto rle
lrs
?i
l,) l}lcrrcrrl.r'i: cl nivr:l clc sigrrific:acin cle la
y>nrcbzr.
33. Utt ecortornista
clcl Battco Cerrtral est intcreslclo err conrl)ar'rr cl uilice cle arrsentisrno labolal
(.)rrito
crr
con el dcl rcsto del pas, doncle se sitria <n eI 77(%. Corr estc plopsito se:ieccionci, al
azar') urra rnuestra cle 200 tlaba.jaclores de dicha, ciuclad, la cual proporcion rur porcenta.je de
ausentisnro del \6(Vo.
la conclusi,n de que el arrsentisrno es rnayor en Qr-rito qlle cn el lesto

pas, al nivel de significacin a : 0.025?;
a) Se pr-rede sacar
b) Calcule [3,
"i
p:
de1
0.17;
34. Una agencia de publicidad trat de convencel a un industrial para que hiciera
propaganda
televisada de uno de sus productos, asegurndole que el programa en el que se incluira su
aruncio era visto por el 2A% de las familias. trl industrial quiso hacer un experimento por su
cuenta. Llam por telfono, durante Ia hora del programa, a 220 familias y hall que en 33 de
ellas se vea el programa.
a) La diferencia entre la proporcin de la agencia y la obtenida por el industrial es significativa? Es decir, se debe nicamente al azar o es sustancial? Use a:7'7a;
b) Calcule la potencia del contraste, si p
35.
0.15.
En un programa periodstico de opinin se pidi que los televidentes Ilamaran al canal y respondan a la pregunta << ,cree usted que es necesario que se hagan reformas en el sistema educativo
del pas?>> De 812 llamadas recibidas, 790 se expresaron afi.rmativamente.
informacin para realizar Lura prueba de que ms del 95% de los ecnatorianos
adultos cree que se deben hacer reformas en el sistema educativo;
a) Use esta
b) trs el resultado de la prueba estadsticamente significativa al nivel 0.01?;

c)
Liste las hiptesis requeridas para que Ios resultados de Ia prueba sean vlidos en esta
situacin. En este caso, ,se satisfacen tales hiptesis?
Al igual que en el caso de observaciones realizadas sc\bre una misma poblacin, cuanclo
se dispone
de varias muestras provenientes de poblaciones distintas, se podra desear conocer si ellas compalten
irlgurra caracterstica o si son totalmente diferentes. En Io que siguc nos ocuparemos de las pmebas
de hiptesis que involucran dos mllestras.
8.7.
Pruebas de hiptesis para Ia diferencia entre dos medias
Igual a lo que se hizo en la seccin cledicada a las pruebas de hiptesis sobre la rnediir, se deben
considerar los casos en qne es posible aplicar el Teorema del Lmite Central y aquellos erl que no es
posible. Adicionalmente, se deber terrer en cuenta un tercer caso, cuando las muestr-irs provienen de
una misma unidad muestral, mediante mediciones repetidas.
8.7. Pruebas para Ia diferencia entre dos rnedias
8.7.1.
25t
Caso 1: Varianzas supuestas conocidas
Sr-rporrgarnos !1[te sc) clispone r[c clos poblaciorres, rlrri: liLs rrr)rnl-,r'rlcn]os conlo I -y 2, y se clescr 1rrt.r]rzrl si
la difcreucia entre lrs clos rnccUas polrl:rcionales es igual l nrra crnticlad 1); cs clecir, H1: 1 - lLt - Do,
o se clesei lrlobal el caso lrirlticular cLe ltr igualclic.l dc talcs rnedirs, o scA) H'. t1 - ,t,.r.
De la pobltrcin 1 se extrae irnt rnrtestta de tarnao rL y de la pobl:rcit 2 sc extrrc unl mlrestlr (le
tarlao n2. Si lrs colrcsporrdientes r,'arianzas poblaciontrles son corrociclas. las 1>nrebas de hiptcsis
son las signientes:
a) Prueba bilateral para la diferencia de dos rnedias.

Nula. Ho: (g - p,z) _n
- uu.
Hiptesis Alte'rnatiua. Ht (pt -P)lDo.
1.
2.
Htptests
3.
Estadstico de Prueb&. Zobs:
(t1I
:r2)
loi
,i/-t-
4.
Ds
't
''
o.1
n''
n2
Regin de Rechazo. zobs 1 -zryl2 o zobs > za/2.
b) Prueba unilateral para la diferencia de dos rnedias.
1.
2.
(h - F) : Do.
Alte'rnat'iua. Ht (pt - t ) > Do (o
Hipte.sis Nula. Ho:

Hptesis
bien I11: (pr
- p) <
Do).
p,"",.t,^ z.ts: (rt -z) - Do

2
F"r-,r"!in ,lo
de P'rueba.
3. Estadstico
l,
loi o;"
4.
U^--q
Regin de Rechazo. zobs> zo (oltierr
zo,"
-zat
cuarrdo
(t1
pz)
<
Do).
Ejernplo. Una inversionista tiene dos hoteles en la ciudad, uno en el norte y otro en el sur. El
sospecha que el conslrmo medio en el restaurante del norte es menor que en el del sur. Del primer'
-ocal se obtuvo una muestra de 30 facturas, r'esultando un consumo medio de 59 dlares. Del segunclo
-ocal se tom una muestra de 50 facturas, con Lln consunlo medio de 63 dlares. Las varianzas de los
: onsumos en los clos locales son conocidas e iguales a 60 y 80, respectivamente.
a) Para
un nivel de signiflcacin de 0.05, r'erifque si es cierta la sospech.a del duer-ro cle los hoteles;
b) Determine la signifrcacin de la pmeba.
Soluctn: Por el enunciado del problema:
: 59, o2I:60, nt : 30.

Local sur: 72 :63, o'i: 80, nz : 50.
Local norte: Tt
a) Es urra prueba unilatclal con D6
1.
2.
Hiqitesis
Nula. Hs;
14:
Q;
11,2.
Hiptesis Al,tt'tt;,o,ti,ua. H7: [t1 1 [t2.
Captulo
252
8.
Pruebas de HiPtesis
63)
nivel clc significacirt o
0.05, 1a regirlrr cle rechazo es z,',"
"?
-j+i
'tLI
Rechq,zo. Para el
- Do
(59
(r1 -22)
E,stad'st'ico de, Prueba.
-2.I1-.
"3
n2
4.
Ile.qi,n
5.
-7.645.
cl loca1 del nortc
Dccisi,,n. Corno zobsl (:aceu la rcgin cle rechazo; se concluye qlle cn
de
{
e1
conslrmo es menor.
b) Puesto qtLe zobs: -2.17,
entonces
o(-2.11) :0.0174;
es decir', el
p-valor
<:s
7'74o/c''
las
de las muestras es suficientemente grande (n > 25) y se desconocen
estimadot"s, sl y
varianzas, se puede utilizar estas pruebas, sustituyendo o! y o?rpot sus
"!'
observacin. si el tamao
8.7.2.Caso2:Varianzasd'esconocidas'Supuestasiguales
entre stls correspondientes mcdias
Se dispone de dos poblaciones y se desea probar si la diferencia
poblacionales es igual a D0; es decir' 'FIs: ut- Fz- Ds'
poblacionales son desconocidas'
Disponemos de dos muestras de tamaos nt y n2. Si las varianzas
pero supuestas iguaies; entonces, calcuiamos ei estimad.or ponclerado de o2 mediante
, (nr- r)r? - - ls|: it'

s-:qn2
n,.-2
cloncle
'i-,"1'-2'
7t
"
ntln'-2
t? V tZ son las varianzrs rnuestrales de las rnuestras 1 y
2.
Corr toclo esto, las pmebas dc hiptesis son las siguientes:
a) Prueba bilateral para la diferencia de dos rnedias'
1.
2.
Itiptesis Nula. Hot (ttt- Fz) : Da'

Hiptesis Alternati,ua. Ht (pt - tq)
3.
Estadstico de Pr"u,r:btt" tobs :
4.
lieqin, tJe Rechazo.
Lnb"
I Do'
(i.'-rt\-D
",1
^* - 2) ol'r,r) tu2(n1+rLz-2)'
{ -tolz(n. +.n2-
b) Prueba unilateral para la diferencia de dos r1ledias.
1. Hpteszs Nrila. H1: (P1- Fz) : Do'

2" Hiptests Alterrto'tzua- Htt (Pt - t't) > Do (o bicrr f/1: (pt - tt) a Do)'
(i. -Tt\ - Do
3. Estad'sti'co de Pr"ueba' tobs :
^lr-
"V
4.
Regi,n d.e Rechazo.

Hr (h - P) < Do)'
tt
tob, ) t,,(rr1 +
n2
n'2
- 2) (o bicn tot," { -to(U I
nz
2), cuando
8.7. Pruebas para Ia diferencia entre dos medias
253
Observacin. EI supuesto que realizamos de igualdad entre las varianzas
poblaciones--, debe ser

comprobado meclirnte la prueba cle hiptesis cor'r'espondiente, qr.re Ia explica cn la Seccin 8.8.
Ejemplo. Un irrversionista no sabe si invertir en bonos ernitidos por un pas A o por un pas B.
Para realizar Lrna decisin, seleccion dos muestras correspondientes a los rendimientos de los bonos
emitidos por los dos pases, obteniendo los siguientes resultados:
Pas A
Rendimiento (%)
t2.5 r2.B 13.0 13.5
12.3
Frecuencia
Pas B
Rendimiento
(7o)
Flecuencia
12.2 72.3 13.0
rn;
A un nivel de significacin del 0.01, verificar si el rendimiento de los bonos de los dos pases es el
mismo. (Asumir que los rendimientos siguen una distribucin normal y tienen igual varianza.)
Solucin:
Se tiene que
.1,
a-
12.80,
12.35,
s7:0.71, n" :
s?
0.07, nv :
(n,-l)s2,*(na-t)t?
EI estimador de la varianza es s2 :
70,
16.
9 x 0.11+ 15 x 0.07
L0+16-2
l2
nt*nu-2
EI contraste es bilateral:
1.
Hzptests Nttla. Ho:
2.
3.
Estadstico de Prueba. tob"
F":
Fa.
Ht p,l
lla.
@-v)
12.80
12.35
3.87.
0.2887
4.
Regin de Rechazo. Como to oos(24)
5.
Decis'in. Como to6" ce en la regin de rechazo) se puede asegurar que los bonos de los dos
pases tienen rendimientos diferentes.
2.797 ,
la regin crtica es o" > 2.797 o to6"
-2.797
Queda como ejercicio para el lector determinar en cules bonos se recomienda invertir.
8.7.3.
Caso 3: Varianzas desconocidas, supuestas distintas
y se desea probar si la diferencia entre sus corresponlientcs medias pobltr,cionales es igr,ral a r0; es decir, 11: h - lrz - Ds. Para ello. admitiremos que
.as poblaciones sorl normales, cuyas varianzas poblacionales sorr desconocidas y distintas.
Sr-rpongamos que se dispone de dos poblaciones
a) Prueba bilateral para la diferencia de dos medias.
1.
Hiptesis Nula. Ho, (tq
Fz)
Do.
Captulo
254
2.
H ip te si s A It ernat'iu a.
3.
Estadstico de Prueba.
4.
Regin de
se calcula pot g
, ,)
/","i\
'
,2
oto,,
) t.lz(g), donde cl nirmero de grados de libcrtad
n.r)
\tt
Pruebas de Hiptesis
1-trtzG)
tob,
RecLo,zo.
8.
Cuando g no es un nmero natural, se redondea al entero ms cercano.
b) Frueba unilateral para la diferencia de dos rnedias.

1.
2.
3.
: Do.
(h- t-r) > lo (o bien f11: (tt, - td a Do)"
12) - D0
Estad,stico d,e Pr.ueba. tobs : @r NuIa. Ho: (pt H'i,ptesi,s Alternatiua. Ht
Hiptesi,s
pz)
l'? ,
4.
Ejemplo.
t"(il
Regin de Rechazo. tob.,)
s]
Y^--
@ bien o6"
< -1.(g),
cuando
Hr (pt- t") < Da).
fro extremo sobre la realizacin de operacioncs manuales.

Fara ello se eligieron al azar 20 voluntarios, clivididos en dos grupos de 10. Al primer grupo se le
expuso a una temperatura de 4oC, rnientras que al otro se le mantuvo a temperatura ambiente. Se
contabiliz el nmero de veces que los voluntarios podan abrir y cerrar Ia mano en un lapso de 15
Se desea conocer el efecto del
segundos, con los siguientes resultados:
No expuestos al fro
Expuestos al f,ro
54
32
tr1
40
29
3B
45
33
48
46
45
(o
49
50
34
tt
r)rJ
36
29
o.)
Lt)
Probar Ia hiptesis que el estar expuesto al fro reduce la capacidad de abrir y cerrar la mano en ms
de 12 veces.
Do: \2 y
rr : 48.0, s? : 16.89, n,t:70,
rz :32.4, s3: 19.16, nz:10.
Soluc'in: Este es un contraste unilateral donde
1.
2.
Hiptests Alternat'iua. Ht: ttt
3.
Estadstico dc Prueba. tobs :
(rt
I{i,ptesis NuLa. H0: [t1
Fz
12.
Fz>
12.
- "z) -
Ds
(48
32.4)
12
16.89 19.16
10 '
4.
1.8961.
10
-I_
es
Reqin de Rechazo. El nmero de grados de libertad
/ L6.Bg
9:
19.16
(ro**)
17,9 v 18.
8.7.
Etrtonces, 0.0b(18)
5.
Pruebas para Ia diferencia entre dos rnedias
:1.734 y la regin crtica
es r"
255
> I.734.
Dec'isi'n. Como Lo6" C'd.e en ia regin de rechzo del contraste se ruede admitir que el fro reduce
la capacidad dc realizar operaciones manuales.
8.7.4.
Caso 4: IJna varianrza conocida
y otra varianza desconocida

y
la diferencia entre sus medias

poblacionales es igual a Ds; es decir, f16: L\ - p,z - Ds. Admitiremos que las pobiaciones son
normales y, sin prdida de generalidad, supondremos que la varianza ol es conocida y que la varianza
Supongamos que se dispone de dos poblaciones
o!
se desea probar si
es desconocida.
a) Prueba bilateral para la diferencia de dos medias.
- t z) : Do.
H'iptesis Alternat'iua. Hr (fq - LL) I Do.
(lt - - no
3. Estad,sti,co d,e Prueba. tob, :
1.
2.
Hipteszs
Nula. Ho: (h
l"? , sl
4.
U^--
Regin de Rechazo. tob"
1-t^tzj) oto6") t,/z(g),
donde el nmero de grados de libertad
nz-l
Cuando g no es un nmero natural, se redondea al entero ms cercano.
b) Prueba unilateral para la diferencia de dos rnedias.
- Fz) : Do.
Hi,ptesis Alternat'iaa. Ht (h- p) > Do (o bien f11: (t"r3. Estad,sti,co d,e Prueba. Lot s :
1.
2.
4.
8.7.5.
Hi.ptesis
Nula. Ho, (l"t
Regin de Rech,azo. tob"
l;*;
,(g) (o bien
o,"
ttz)
a Do).
< -t"(g),cuando Hr (h - p) <
Do).
Caso 5: Diferencia por parejas
Las pruebas para las diferericias de las medias, realizadas anteriormente, se aplican cuando las dos
muestras son independientes, pero existen casos en los que Ia informacin recogida no es independiente
(como cuando se Ia toma de un mismo individuo de manera repetida)
.
Sea (r1,y1), (rz,Az),..., (rn,an) una muestra aleatoria de pares de observaciones; donde (r,y)
representa dos mediciones tomadas de la misma unidad muestral, antes y despus de un tratamiento
o fenmeno que Ia afect. Se desea conocer si Ia poblacin cambi de manera apreciable despus
del fenmeno indicado; para ello se emplea la prueba de diferencias por parejas de la manera que a
continuacin se describe.
Captulo
256
8.
Pruebas de Hiptesis
muestra aleatoria de las diferencias dt, d2, .. ., dn, donde d: r-Ai (i :1,2,. .. ,n),
que las supondremos siguen una ley normal de media p,,1 y varianza o2(1. Para estos parmetros
poblacionales se calculan sus estimadores:
Se construye una
lft1lL
,I: ! r, y
s7.:
i.:1
- )r.
-- . r(n
i.:1
Prueba bilateral para la diferencia por parejas.

NuIa. Ho: Fa - Ds.
1.
Hiptesis
2.
3.
Estad.stico
4.
Regin de Rechazo. tob"
d,e
HI F* Do.
Pru,eba. Lob, :
!-,D:
sd/
\/n
I -to/z(n -
1) o tob"
t-2(n
L).
Observacin. Tambin, se pueden realizar los contrastes unilaterales considerando las hiptesis alternativas F 1 Do o F ) Dg; para cada caso se escoger, de Ia manera antes indicada, la correspondiente
regin de rechazo. Se recomienda que el lector formule tales pruebas.
Ejemplo. En una investigacin clnica
se realizaron mediciones de la frecuencia cardiaca a 9 individespus de que ellos se hubieran sometido a un programa de entrenamiento fsico. Los
duos antes y
resultados son los siguientes:
Antes
(r)
Despus
(g)
81
85
82
82
90
83
It)
93
92
76
77
87
79
90
89
t6
75
89
Para un nivel de significacin de 0.05, establecer si el acondicionamiento fsico vari de manera significativa la frecuencia cardiaca, suponiendo una distribucin normal de las diferencias.
Solucin: El promedio y Ia desviacin estndar de las diferencias son:
A:2: :3.22,
r_l
Ademis, Do
sa,:8.2r.
0 y la prueba bilateral queda como sigue:
Hiptesis Nula. Hs: p,:
2.
Hiptesi,s
Estad.sttco de PnL,eba.
4.
Regin
5.
Deci,sin. Como to6" r1o est en la regin crtica, no se rechaza Hg; es decir, no hay por qu
considerar que hubo una variacin apreciable en la frecuencia cardiaca.
Alternatiua.
Q.
p,10.
: ^!=',2 :1.177.
-4-=
sdl{n 8.2I1\/9
=
=
d,e Rechazo. Como o.ozs(B) : 2.306, entonces Ia regin es o," > 2.306 o tor" 1-2.306.
tobs:
8.8.
8.8.
Pruebas de hiptesis para la razn entre dos varianzas
257
Pruebas de hiptesis para Ia razn entre dos varianzas
Supongamos cllre se desea probar la igualclad de las varianzas dc dos poblaciones normalmente distlibuidas, de las que se han extrado dos muestras independientes; es decir, se desea probar Hg: ol : 6/.
Las pruebas de hiptesis son las siguientes:
a) Prueba bilateral para la razn entre dos varianzas.
1.
2.
3.
Hiptesi,s NuIo,. Hs:
4.
Regin de Recltazo. Fob"
ol:
Hlptesi,s Alternatiua.
6f.
H ol I of.
o2
Estadstico de Prueba. Fobs:
l,si
donde sf es Ia mayor varianza muestral.
Fo2(n1- I,n2
L).
b) Prueba unilateral para la razn entre dos varianzas.
1.
2.
Hiptesis Nula. Hs: ol: 61.

Hiptesis Alternatiua. H ol >
o?r.
a?
3.
4.
Regi,n de Rechazo. Fobs
Fobs
: ],
si
donde sf es la mayor varianza muestral.
) Fu(rt - l,n2 - I)
Ejemplo (Continuacin). IJn inversionista no sabe si invertir en bonos emitidos por un pas A o
por un pas B. Para realizar una decisin, seleccion dos mLrestras, correspondientes a los rendimientos
de los bonos emitidos por ios dos pases, obtenierrdo nnas varianzas rnuestrales iguales a
y s:0.07.
sl:9.11
A un nivel de significacirr del 0.05, verificar si las varianzas poblacionales cle los
lendimientos de los bonos de los dos pases son iguales.
Solucin: La prueba es bilaterai:
1.
2.
Hiptesis Altentatzua.
3.
Estad,stico
4.
Regi,n de Reclazc. Segn el nivel de
Hi,ptesis
5.
Nula. Hs:
d,e
o'2,
Prueba.
nz- 1:16 - 1-
62.
H ol I ol.
Fobs:g :
S
: I.57I.
significacil 0.05, y los grados dc libertad TLy-I : 10- 1 :

15, cl punto crtico es F625(9, 15) :3.12 y define Ia regin For")3.I2.
Deciszn. Prtesto que 1.571 < 3.12, no se debe rcchazar la hiptesis de la igualdad cle las
variarrzas. Entonces, fite correcto rsumir que las varianzas elan igrrales, cuando realizamos la
prueba sobre la igualdad de las me<lias.
3.9. . Pruebas de hiptesis para la diferencia entre dos proporciones

:--ipongamos qnc se han scleccionado dos muestras, de rnanera aleatolia e irrdependiente, de dos pobla.-rnes binorniales, cr.tyos tantarios, llr y'r2 sorr sufi.cierrtemente altos palir que las distribuciones rnucs-:ales de Ft y fz sealt aproxirnadanrente norrnales. Se desea probal si Ir difclencia de las proporciones
:'nestrales es igual a un valor D6. Se deben tomar en cuenta dos casos: cr-rndo Do : 0 (igualdad de
-is proporciones) y cuando Do 10.
258
Captulo
8.9.1. Prueba para pr -
pz cuando Do
8.
Pruebas de lliptesis
Etr pt'irner l.ga'se estirnan las proporciones p1 y p2,'a,partir

de ras rn.estras, por p1 v f2, re:spectir,,amente, luego sc calcula el estimad,or ponde,ado de ta proporctn
p por
:: --nt/t
l):
-f nzfz
n1tn2
Prueba bilateral para la diferencia entre dos proporciones.
1.
Hiptesis NuIa. Hot (pt
2.
3.
Estadstico de Pr-ueba.
- pz) :0, es clecir Ho, pt: p2: p.

Ht (pt - p 10.
zo6"
pL-p2
.;)
io(!
\nr
4.
Reqin de Rechazo.
Zobs
-zo/z o 2o6" }
zo2.
Observacin' Tarnbin, se pueden realizar las pruebas unilaterales para probar

que 'Fl1: pr <p2, camlliando las regiones de rechazo segn
cacla caso partic.,lar.
que 11r:
pt ) pz o
Ejemplo' El
dueo de un supermercaclo cree que el porcentaje de cheques

pr.otestados, con que
los clientes han pagado stts cueutas, ha aumentad.o con respecto
ar ao anterior. En una rn'estra
corlesporrdiente al primer trimestre del ao pasado, encontr
b cheques protestados de B0 cheques
admitidos; con otra muestra cle 68 cheques, correspondientes
al primer trimestre del presente ao, el
ntmero dc cheques prote'stados fue de 6. Con estos c-latos,
hay evidencia suficiente que indique urr
rnclemento en el porcenta.je de cheques protestados?
SoLuci'r: Sean p1 y p2 las proporciones de cheqlres protestados
en el pr.imer
y del presente. Estimemos las proporciones muestrales:

5
Pt:go :
Fz:
0.0625,
5+6
0: 80+68
6
6B
trimestre del ao anter.ior
0.0882,
:0.0743.
Ya que se desea determinar si existe un aumento en Ia proporcin,

la hiptesis alternativa es
) 0, y la prueba es la siguiente:
pr
l.
Hiptesis Nula. Hs:'p1
2.
Hiptesr,s Al,tern,at,iua.
- pr.
Ht p1 1p2.
3.
Estadstico de Pr-ueba.
Zobs
Pt-Pz
0.0625
a(! +1)
0 '\rrt
71..> J
(00743)(0
0.0882
s25T\(!*a\
'\80 C'8)
p2
-0.594.
4.
Regi,n de Recltazo. Tomemos
5'
Decisin' Como -0'594 >

-1.645' no se puede rechazar la hiptesis nula; o sea) no hay evidencia
que indique un aumento en el t'mero cle cheques protestacios,
con respecto al ao
0.0b; erltonces, ia regin es zobs < _1.64b.
anterior..
U
8.9. Pruebas para la diferencia entre dos proporciones
8.9.2. Prueba para pr - pz cuando
Do
259
l0
En el caso en qlle se desec probar que las dos ploporciorres sorr distintas y qlre su cliferencia es igual
un valor dado, D6, se tiene la siguiente prueba:
Prueba bilateral para la diferencia entre dos proporciones.
- pz) : Do.
Ht (pt - pz) I
1.
Hiptesrs
Nula. Hot (pt
Hi,ptesis
Alternatiua.
3.
Estadsti,co de Prueba.
4.
Regi,n de Rechazo. Zobs
Do.
: (Fr-Fz)-Do
zobs
1 -zolz o zobs > zol2.
Observacin. Tambin, se pueden realizar las pruebas unilaterales para probar que I11 : (pt-pz) > Do
f11 : (pt - pz) < Do, cambiando las regiones de rechazo segn cada caso particular.
o qtre
Ejemplo. En el deporte
del balonmano) en un partido est permitido sustituir al portero solo

para que detenega los tiros penalties. El entrenador de un equipo, al definir su estrategia para un
partido, examina las estadsticas individuales de los porteros titular y suplente. En una muestra de
los registros cle los entrenamientos del ltimo mes, el titular ha detenido 128 de 510 penalties y el
suplente ha detenido 183 cle 480 tiros. El cntrenador decidir sustituir al portero titular, el momento
de parar un penalti, si el suplente ha detenido al menos un 10 Va :ms de tiros que el titular. A un
nivel de significacin del 5 7o, qr decisin tomar el entrenador?
Solu,cin: Calculemos las proporciones correspondientes a cada uno de los porteros:
'Pl
Se realizar
128
=-:=:0.21,
510
la prueba unilateral con D6
Hiptesis Nula. Ho, pz
pr
Hiptesis Alternat'iua. Ht: pz
T)t:-
183
480
:0.381.
0.1.
0.1.
pr >
0.1.
(fz-fr)-D,,
(0.381
-0.251) -0.1
:1.023.
0.749 0.381 x 0.619
3.
Estadstico de Pruteba.
1.
Regi,n de Recha,zo.
5.
Decisir. Conio zobs:1.023, no cae en 1a legin de lechazo, no hay razn para pensa. que la
diferencia es mayor qr-re 0.1; entonces, e1 cntrcnador no debela decidirse a sustituir al portero
Zctbs
0.25I x
AI nivel de significacin 0 05, la regin de rechazo
es zobs
>
1.645.
titular.
in el Cuadro 8.2 se presenta
Lrn resumen de las pruebas de
hiptesis con dos muestras.
Captttlo
260
Hip<itcsis
nrLla (/Î)
Polrlar:in
ccl
r'Lr itr zas igLrales
lrr thz:
t,r- t,,, l
Normal
lrt
C cer'l.l
l1t
8.
anzas desconocidas
srrpuestas iguales
Do
Dct
ltz ) Dt
[L'
Normal
observaciones
empareiadas
Noma1
r'r- Prf
Do
Irt Fz {
Do
t, -
t,2
ut-t-LtlDo
t1,,,-Fz)Do
2
2
2
2
clc pnielra
cle
rec:h ir.zo
.- -/2
t,.,-t,rfDct
t., - r,r) Do
lrt tt, I Do
11't
o I :o
o 21 1o
o 1 )o
Rcgin
Estaclstic<r
(,lr/r )
Ft
Fz: Do
-Fz{Do
LIt - Fz) Do
Fn: F,o,,
llo I Ho,,
ILn ) Fo,,
Norrnal
varianzas desconocidas
supuestas clistintas
iptr:s is
FI
altcnratir.a
: Do
trtt -ttIDo
llt - F') Do
vrri
Pruebas de Hiptesis
z<
(t:r -rz) -
Do
"ffi!n"
n7+fr2 2 sl
\it-rz)-Do
2,,
Itl > t.i't
t)
t<
t.,,
Itl > t,,z
tlto
r.r-t"{D6
H
)
lto {
l-Lo
trtn,,
D-u^
11n,,
sdlJn
"?
<
ur:nr-I,u2-n2-I
"',
^^/ r 1
pql-+\nr n2
uit I niz
u*nz
Binomial
P7:P2
PtlPz
PtlPz
pt I p'z
Pr>P2
Pt 1Pz
Binomial
(Do + o)
Pt-Pz:Do
Pr PzlDo
Pr-Pz:- Ds
Pt-PzlDo
Pt-Pz>.
F:5st
Do
Pt-Pz{Do
t.t"
t>tt<-t^
n-1g1,
11o,,
olo
2,
01)02
Itl >
F,/z
F>T-.
F I Ft-o
t,\- 2 o/2
l
Z}Za
2 .^/2
Prqr
'P2q2
Cuadro 8.2: Pmelras cle hiptesis con dos muestras
8.10. Ejercicios
Pruebas sobre la diferencia de dos medias (varianzas conocidas)
1.
Dos mquinas envasan cereal en ca.ias. De la prirnera rnquina se obtu\o una muestra dc 30
cajas) resrlltando un peso promedio de 130 g y de la segunda mquina se tom Lrna muestla
de 50 cajas) con un peso promedio cle 125 g. Las varianzrs de los pcsos envasados por las dos
rlqlrinas son conoci(las e igr-raIes a 60 y 80, respectivamentc. Para un nivel clc significacirr rle
0.C5, velifiqlle si laij clos mquinas er]\asan iguales canticlirlcs de ccreal.
En
del Minist,erio de SrhLcl se rnicli el conterriclo clc nicotirra c-le clcs rnarcrs
corr 50 cigarrilkrs de la priruer' nralcr se elrr:ontrci que tielre
un corrtenido promeclio de 2.47 nlg corr clesviacin estrrclar de 0.12 rng; mierf,ras quc p1ra 40
cigarrillos de lzr segurrda mrrca el crorrterriclo 1)rorncdio fuc <le 2.39 mg colr clesvii.rcin estinclar rle
0.14 mg. Prr.rcbe la hiptesis rlula //,1 - I,L2 - 0.12 contr1 la tltettatiya /r - l, 10.12, tisarlo
de
cv
unr iuv<:s1,igacirr
cigallillo. Err un experinlento
0.05.
En unt ciuclarl operan 2 elrpresas dc
telerfonr
cclular: Flirius
y Qualli. Por los registros
ltrs
c[]plesrs sal)cn que cl gasto inenslr11 de slrs borrrdos ticrren clcsrriaciorrcs cstilrclar'<lc 6.5 y 5
cllares, iespectivamerlte. Parrr conrpalal ol gasto nreclio dc los c:lientes cle las <los enrplesas, se
tom una rnuestra) aI azar, de 34 clierrtes dc Sirius y otra ullrestrr de 41 clientes de Quark. Los
corresl)ondientes conslrmos mensuales fueron 35 v 38.5 dlares.
26r
8.70. Ejercicios
a) Proporcionan
estos datos evidencia estadstica, al nivel 0.04, a favor de la hiptesis de que

el gasto de los clientes de Sirir-rs es menor que es gasto dc los clicntes de Quark?;
b) Halle
4
el
p-valor
de la prueba.
Los ingresos del primer ernpleo de los ingenieros informticos, egresados de cualquier universidad,
siguen una distribucil normal con desviacin estndar de 3800 dlares. Se tom una muestra
aleatoria de 15 ingenieros procedentes de la Universidad Nacional, resu.ltando que en su plimer

empleo los ingresos medios anuales fueron de 12000 dlares. Otra muestra independiente de
12 ingenieros de Ia Universidad Tcnica dio como resultado unos ingresos medios en el primcr
empleo de 13 200 dlares. Se pide, con un nivel de significacin dei 2'/o, probar Ia hiptesis dc
que las medias son iguales frente a la alternativa de que la media de la Universidad Nacional es
menor que Ia de la Universidad Tcnica.
5.
Una cooperativa agrcola produce cierto atroz con fertilizante natural y con abono qumico. En
las parcelas donde se emplea fertilizante natural se obtienen plantas cuya altura tiene varianza
de 47 cm2. En los terrenos donde se usa abono qumico la altura de las plantas tiene un varianza
igual a 39cm2. Para comprobar las medias se toma aleatoriamente una muestra de 65 plantas,
31 correspondientes al primer tipo de tierras y 34 al segundo; obtenindose en las muestras 92
cm y 86 cm de alturas medias, respectivamente. Para un nivel de significacin del 6 %, contraste
Ia hiptesis de que los fertilizantes son igualmente eficaces, frente a Ia hiptesis alternativa de
que es ms eficaz el natural.
Se quiere comparar el rendimiento acadmico en matemtica de los alumnos de ltimo ao de
dos colegios; A y B. Elegidas dos muestras aleatorias de cada una de estos colegios (30 alumnos
de A y 36 de B), se obtuvieron los siguientes resultados en cuanto a la calificacin obtenida en
dicha asignatura:
Colegio A
Colegio B
Prornedio
Varianza
138
t4.3
1.1
16
Basndose en estos resultados, verifique la hiptesis de igualdad de rendimientos acadmicos de
ambos colegios, con un nivel de significacin del 3 %.
En un proceso qumico para producir oxgeno (O2) se emplea un catalizador. Durante treinta
das se midi Ia cantidad promedio de oxgeno producido luego de haber colocado el catalizador
y cuatro horas despus, resultando que, en el primer caso se producan 1000 litros de 02 en una
hora, con una desviacin estndar de 90 litros y en el segundo caso se producan 880 litros de Oz
con una desviacin estndar de 140 litros. Existe evidencia que indique que el catalizador se
degrada, produciendo una merma de al menos 100 litros de 02, cuando han transcurrido cuatro
horas?
Se efectu un anlisis sobre la duracin de las mquinas computadoras que se utilizan en las
empresas prblicas. Se eligieron dos muestras de computadoras, de marca y de clones, cada una
constituida por 80 mquinas. Para las de marca, result una vida promedio de 4.8 aos y una
desviacin estndar de 1.7 aos. Para las clones, dio una vida promedio de 3.3 aos y desviacin
estndar de 1.2 airos. Puede considerarse que la vida media de las computadoras de marca es
superior en al menos un ao a las que son clones?
La FIFA realiz un cambio en la forma de puntuacin en los partidos de ftbol ganados: se otorg
tres puntos al equipo ganador, en lugar de los dos puntos usuales. Para examinar la efectividad
de la nueva norma) se examin los resultados de los partidos jugados en 1995 y 1996 (ao en
el que entr en vigencia la nueva norma) . En 45 partidos examinados, jugados el ao 1995, se
encontr un promedio de 2.87 goles por partido y una desviacin estndar de 0.21; en los 38
partidos examinados de 1996, se hall que se haban ploducido un promedio de 3.05 goles con
Captula E. .Fruebas de {iptesis

dcsviacirjn estridal cle 0.18. Fuede decirse
c-re irr rrlreva
rrolrrra pelrniti<i unlr:n1,ar t:l prornoclic-r
cl: goles por partido'/

10
Una persona desea comprar un automr'il nr-revo y toma conro factor de decisin el consumo meclio
de cornbustible que tienen dos nlodelos de calactersticas similarcs, uno fabricraclo en Europa v
otro en Corea. Consulta una rerrista especiahzada y encuentra qr.rc e1 auto eulopeo tiene nn
recorrido prornedio de 28.3 krn por gain de cornbustible. con nna desriacin estndar de 6.2
km; para el auto coreano encucntra qr-re el rccorrido es dc 26.7 krn por ga1ll una desviacicirr
"v
estndar de 5.1 km; adems, la revista indica que los datos estadsticos fuerorr tomados a partir
de las mediciones realizadas en 50 autos de cada oligen. Cutr de los dos aritos cieber'i cornl-iral?
o deber tornar en consideracin otras calactersticas, distintas clel renclirniento del combustible.
para tomar su decisin'/
Fruebas sobre la diferencia de dos rnedias (varianzas desconocidas)

11.
Se realizaron pruebas para conocer la cantidad de plomo en la sangre de personas expucstas a

la contaminacin en ia ciudad. Se tomaron muestras aleatorias de 24 nios y 18 adultos que
dieron los siguientes resultados (en ppm):
Adultos
rt :
sr :
Nios
rz:0.028,
0.043,
0.018,
sz
0.007.
Asumiendo que las varianzas poblacionales son iguales, pruebe la hiptesis de que no hay diferencia entre el contenido medio de plomo en la sangre de los nios y de Ios adultos, contra ia
hiptesis de que los adultos tienen mayor cantidad que los nios.
12. En un estudio
sobre un nuevo programa piloto para el aprendizaje a distancia mediante computadora, se eligieron al azar,21 estudiantes de una clase para seguir el nuevo prograna (grupo
piloto) mientras que los 23 restantes seguan el mtodo tradicional (grupo control). Finalizado
el curso, se realiz un examen obtenindose los siguientes resultados:
Grupo
Nota promedio
Desv. estndar
piloto
Grupo control
51.48
47.52
14.15
11.01
Suponiendo igualdad de varianzas, contraste si hay evidencia (a nivel del 5 %) de que el nuevo
mtodo piloto da mejores resultados que el mtodo tradicional.
13. En el Departamento de Gentica
de una universidad se realiz un estudio donde se cont el

nmero de surcos en las huellas dactilares de dos grupos de voluntarios: uno de aborgenes
amaznicos y otro de estudiantes mestizos de Ia universidad. Los promedios y la desviacin
estndar del total de surcos contados se dan a continuacin:
: 17, r :
:
mestizos: ny L7, A :
aborgenes:
TL"
125.9, s2, :
754.3, sl :
(SO.ZO)2,
QS.OI)2
Pruebe la hiptesis de que no existe diferencia entre el total de surcos) contra una triptesis
adecuada a los datos, asumiendo igualdad en las varianzas.
74.
A y B para la eliminacin de los hongos en la piel. En pruebas de

laboratorio se tomaron muestras de Ia cantidad de medicamento requerido para la eliminacin
de un mismo tipo de hongo, obteniendo los siguientes resultados:
Se probaron 2 medicamentos
Medicamento
Tamao
Promedio (g)
Desv. estndar (g)
Medicamento B
13
15
4.5
3.1
1.8
I.7
8.70. Ejercicios
263
tr) Pruebe Ia hiptesis de que los dos medicarnentos tienen igual efecto, contla la hiptesis
que el mec.licamento B es rns efectivo. Qu conclusin saca?;
b) Encuentre el nivel de significacin arroximado de la prueba.
15
de
Dos empresas competidoras (S y T) que venden implementos deportivos han puesto en marcha)
casi simultrreamente, pginas de internet para la venta electrnica. Se eligieron, al azar) ocho
clientes que visitaron la pgina S y, de manera independiente, otros ocho que visitaron la T y sc
midi el tiempo (en minutos) de la duracin de ia visita de cada cliente. Los resnitados fueron
los siguientes:
.)
Pg naS oa c).tr tJ 42 3.2 44 21 16 d"t)
Pe
naT
1t
IJ
z-,1
44
2B
ri.5
/t
3.6
Proporcionan estos datos suficiente evidencia (al nivel 0.05) para afirmar que los tiempos medios
de duracin de las visitas en ambas pginas son diferentes?
16.
Para los tres primeros meses del ao, 15 vendedores de la Costa tuvieron ventas semanales
promedio de 300 dlares con una desviacin estndar de 50 dlares; en tanto, 10 vendedores de
ia Sierra tuvieron ventas semanales promedio de 260 dlares, con una desviacin estndar de 16
dlares. Si consideramos que las desviaciones estndar de las ventas son diferentes, determine
si los vendedores de la Costa tienen mayores ventas semanales.
t7.
compararon los tiempos (en segundos) que realizan atletas escolares, masculinos y femeninos,
al recorrer una distancia de 500 metros. Para el efecto, se registraron las marcas de 9 nios y 7
nias, obteniendo lo siguiente:
Se
Nios
Nias
187
223
248
366
235
223
r92
259
775
206
326
274
369
301
t94
247
Determine si la diferencia en el tiempo medio entre hombres y mujeres es mayor que un minuto.
Use rr : I0'7a.
18.
dixido de carbono es mayor en la capa de aire ms

prxima a la superficie. Para contrastar esta hiptesis se analiz el aire en 20 puntos elegidos
aleatoriamente a un metro de altura del suelo, resultando una media muestral de 580 p.p.m.v.
(partes por milln en volumen) y una desviacin estndar de 60. Tambin, se realizaron 16
mediciones de la concentracin, a una altura de 18 metros, resultando una concentracin de 365
p.p.m.v. y una desviacin estndar de 110. Suponiendo norrnalidad para las mediciones y que
Ias varianzas son diferentes, proporcionan estos datos sufi,ciente evidencia, al nivel 0.01, a favor
de la hiptesis de que la concentracin es mayor cerca del suelo?
Se sospecha que Ia concentracin media de
Pruebas sobre Ia diferencia por parejas

19
Se hizo un estudio para comparar los tiempos de acceso, en diferentes momentos del da, a
internet desde computadoras domsticas con mdem. Para ello, se cargaron 8 pginas web por
la tarde en el periodo de 14 a 15 h. y, con Ia misma mquina, Ias mismas 8 pginas por Ia noche
en el periodo de 22 a 23 h. Los respectivos tiempos de acceso en minutos fueron:
De14a15h
De22a23h
Se puede
20.
2.3
1.5
1.0
2.7
T4
1.9
0.8
1.1
2.9
r.4
t.2
3.4
1.3
2.5
1.6
1.8
concluir, al nivel 0.01, que el acceso es ms lento en el horario nocturno?
Para poner a prueba un nuevo mtodo de estudio, se seleccion a 10 sujetos que fueron sometidos
a una prueba antes y despus de entrenarse con el nuevo mtodo. Las calificaciones fueron:
Antes
19
T4
23
25
18
24
17
19
20
11
Despus
20
15
26
24
t7
26
18
22
26
11
Captulo
264
8.
Pruebas de Hiptesis
A un nivel clc significacin dei 5'%, ,se prrecle decir
2L
<re el nrtevo mtodo es efcctivo'?
Urr glnpo dc invcstigaclores afirma haber dcscrrbiclto un ti1.ro clc alirncnt,acin pzua las gallinas,
ba.jo la cual stas prodricen hnervos que rlo aumcnl,rrr cl c;olcsterol en Li,s personas que los q)nslrrten. Parzr cornprobal dicha teora, sc seleccionaron al azar 36 personas a las <,rte se les rnicli
su nivel de colesterol habitual (z ) . Desprrs sometcr' r estas rnismas pcrsolas a ulla dieta r base
de los huevos en estudio, se micli cn ellas cle nu.cvo dicho nivcl (y). Los resultaclos fiterort:
l Ji
-., :
I =2a3. s -200, ;t1\ 4) . (d,-d)r.-
ls6
Suponiendo normalidad en la variable, contraste la hiptesis de que los huevos modifican el

colesterol, a un nivel de significacin del 1%
22.
la carga elctrica en Ltn circuito. En

un laboratorio se midieron B circuitos, mediante los dos mtodos, obteniendo los siguientes
Se quiere comparar dos mtodos rpidos para estimar
resr-rltados:
Circuito
Mtodo A
Mtodo B
10.7
t7.2
TI.4
i5.3
14.9
13.9
15.0
15.6
L5.7
15.0
l-r. 1
t4.3
15.4
r5.4
16.0
11.1
Contraste si los dos mtodos proporcionan, en media, las mismas estimaciones.

En el artculo <p-trndorphin: A Factor in'Fun Ruu'Collapse>> (British Medical Journal (1987),
294, 1002), se reportan las siguicutes mediciones de Ia concentracin en la sangre <le p-enclorfina,
err picornoles por litro, realizadas a 11 corredores antes y clcspus de haber participado en una
media maratn:
OD
Corredor
Antes de
la carrera
Despus de
la carrera
r)
J
,4D
+rJ
46
29.6
25.r
10
11
tro
L
n6
72
B4
90
r0.4
14.0
17.8
15.5
29.6
24.1
37.8
20.2
2r.9
14.2
34.6
46.2
r_)
Si se sospccha que luego de realizar un esfuerzo prolongaclo, la concentr.acin de la horrlona se

eleva en 25 picomoles. Veriflque) a Lrn nivel de significacin del 5 %, si se curnpie ia hiptcsis.
Pruebas sobre la razn de dos varianzas
24.
Sc selecciorLar"on dos muestras rleitoi'ias 1r-ovenieritcs cle poblaciones normales:
Poblacin Tamao de la mucstra Varianza muestral

X
16
56.7
Y
20
30.5
- a) Ha, suficiente evic,lcncia l)r.ra pertri)r q,re al. :

lr) Encucntre el rtivcl dc siguificacin dc la plr,rebtr,
25.
o?.?,
-r
q nirrcl cle significacirr
cle 0 05;
c inter'lrrete el lcsultaclo.
Unr fbrica cle refrcsctos tiene clos mquirrirs enrbotcllrclorrs qrre eDvasan el lqr-rid<; err las botcllas.
Los expencledores hrtt irrfor-nirdo rl fabticrrrte quc lrr.s botellrs ltrcsentirl clemasirclr yali-Lltiliclad
eu la cantidacl de lquido que cortlienert. llala exanrinar la que.ja se nidiri la var.irza clel vrlmeir
clc 1quido crnbotellado ltol cacla ttna de las maic.rirras, resrrltanclo qrre con rrnr rqcstra c1e 18
botellas cle la mquirta 1, se obtrtvo una varianza clc 700 y ciou una mucstla de 15 botellas clc lr
rrtquirra 2, se obtuvo ttna valinza de 210. L1 vuial)ilidad err los volirmenes crrvasaclos
ser atribuida a una o a las dos r,rquinas? Utilice a : 0.05.
'r-rcclc
8.70. Ejercicios
26.
265
Dos estaciones rneteorolgicas predicen Ia temperatura a medio da en la ciudad con seis horas de
anticipacin. Se tornaron dos muestras independientes de los datos de cacla estacin, resultando:
Estacin
Estacin
1 n1 : $, rt :21.2,
2 n2:19, Tz:19.2,
sl : 1.68,
sl :0.81.
a) Verifique si las varianzas de las temperaturas pronosticadas son
distintas. (Tome
c:0.1);
b) Empleando el resultado anterior, pruebe si las dos estaciones pronostican iguales temperaturas, a un nivel de significacin de 0.1.
27. Se van a probar
dos medicamentos A y B contra una enfermedad. Para sto se trataron 21

ratones enfermos con A y otros 21 con B. EI nmero medio de horas que sobreviven con A es
1200 y el nmero medio con B es L225. Suponiendo normalidad en ambos casos:
a)
Se puede aceptar igualdad de varianzas si se sabe que D@o
3500?
b)
(Tomeo:0.05);
- ,)" :9800
y D(An - y)'
Es ms efectivo el medicamento B? Plantee el contraste adecuado para estudiar esto con

un nivel de significacin del 5 %.
18. Una compaa
petrolera est considerando Ia posibilidad de introducir un aditivo en su gasolina,

esperando incrementar el kilometraje medio por litro. Los ingenieros del gupo de investigacin
probaron 10 autos con la gasolina habitual y otros 10 autos con la gasolina con el aditivo. trl
resumen de los resultados es:
Kilometraje sin aditivo:

Kilornetraje con aditivo:
a) Es razonable suponer que las varianzas son
tr: 14.2, s" :3.24,
a: 15.4, ss :
iguales? Use a
5.56.
0.1;
b) La introduccin del aditivo incrementa el kilometraje medio por litro?
Pruebas sobre la diferencia de dos proporciones

En una investigacin en Guayaqull,264 de 1140 mujeres y 274 de 1200 hombres respondieron
que ellos no ingieren alcohol. Realice la prueba de hiptesis apropiada para asegurar si los datos
muestrales proveen evidencia para afirmar que las mujeres guayaquileas se abstienen de tomar
alcohol en una proporcin mayor que los hombres guayaquileos. En Ia resolucin:
a) Especifique las hiptesis nula
y alternativa, a la vez
err smbolos
y en palabras;
b) Calcule el estadstico de prueba;

c) Compare con el valor de 1a tabla
ll.
y saque su conclusin.
IJn economista del Instituto Nacional de Censos desea conocer si las tasas de desocupacin
urbanas son iguales en las dos principales ciudades del pas. Con base en sendas muestras de
500 personas en cada ttna de las ciudades, el economista encontr 46 personas desocupadas en
una ciudad y 35 en la otra. A un nivel de significacin del 3 %, puede snponerse que las tasas
de desempleo en las dos ciudades son diferentes?
,1.
De una muestra de 300 televidentes escogidos al azar, que tenan sus televisores encendidos en la
hora del noticiero, 50 indicaron que tenan sintonizado el canal 4y 70 que sintonizatotr el canal
8.
a)
Puede afirmarse que los dos canales tienen igual nivel de sintona a Ia hora del noticiero?
(Utilice un
a:2To);
Captulo
266
b) Halle el nivcl de significacin

.Jo
.).)
8.
Pruebas de Hiptesis
de la prueba.
Dos ernpresas encrrestadoras realizan investigaciones para determinar el porcenta.je dc pcrsonas

que votarn a favor de una pregunta en Lrn plebiscito. La primera cnrplesa etrtrevist a 1000
pelsonas de las cuales 367 contestaron afirrnativamente. La segunda empresa entrevist a 300
personas y obtuvo 121 r'espuestas afirmativas.
a)
Puede considerarse que las dos empresas entregan resultados similares respecto del nrmero
de electores que votarn SI a la pregunta. Utilice a : 0.05;
b)
Encuentre el nivel de significacin de Ia prueba.
al azar,500 usuarios de correo electrnico que trabajan en empresas pblicas result que 32 de ellos haban recibido virus informticos a travs del correo en eI ltimo ao.
Se seleccion,
otro muestreo independiente eligiendo, al azar, 300 usuarios que trabajan en empresas
privadas, resultando que 9 de ellos haban tenido este mismo problema.
Se realiz
a)
Proporcionan estos datos sufi.ciente evidencia estadstica, al nivel 0.04, a favor de la hiptesis de que la incidencia de los virus es mayor en las empresas pblicas?;
b) El p-valor del contraste,

34.
es
mayor o menor que 0.01?
Un estudio indicaba que las hijas de madres fumadoras durante el embarazo tienen mayor probabilidad de ser ellas mismas fumadoras. El estudio se Ilev a cabo con nias, preguntndo si ellas
haban fumado el ltimo ao y a la vez se consult a las madres si ellas haba fumado cuando
estaban embarazadas. Solo el 4% de las hijas, de 200 madres que no fumaron cuando estaban
embarazadas, haban fumado el ltimo ao, comparado con el26% de las hijas, de 500 madres
que haban fumado, tambin lo haban hecho. En la investigacin se propone que el hecho que
una madre haya fumado en estado de embarazo, aumenta Ia proporcin de hijas fumadoras en
20To.
a)
Qu hiptesis necesita usted para determinar si Ia diferencia indicada es estadsticamente
significativa?;
b)
Realice una prueba de hiptesis para establecer si la propuesta de la investigacin sobre el

incremento en Ia proporcin es plausible;
c)
Establece el estudio que si una madre embarazada fuma, hay una mayor tendencia a fumar
por parte de las hijas? Explique.

35.
Se desea comparar Ia proporcin de viviendas con servicio de alcantarillado en las reas urbana
Se hizo un muestreo en las dos reas con los siguientes resultados:
y rural de Pastaza.
Zona rural: De 500 viviendas elegidas al azar,230 disponan de alcantarillado.

Zona urbana: De 1000 viviendas elegidas al azar,680 disponan de alcantarillado.
Hay suficiente evidencia para concluir, con un nivel de significacin del 3 %, que en Pastaza,
la proporcin de viviendas con alcantarillado en la zona urbana excede en ms del 15 %o a la
proporcin de viviendas con alcantarillado en la zona rural?
36.
Para estudiar el efecto de una nueva terapia sobre el cncer de seno se tomaron dos muestras,
una de 300 pacientes que no recibieron Ia terapia y otra de 200 que si lo hicieron. De Ias que
no recibieron, L7L pacientes murieron y de las que si recibieron, 66 murieron. Un tratamiento
se considera efectivo si rebaja en ms del 18 % el porcentaje de los pacientes fallecidos. A un
nivel de significacin de 0.05, es efectivo el nuevo tratamiento?
Captulo
Pruebas de Hiptesis No Paramtricas

KISS Keep It Simple,
but Scientific
Emanuel Parzen
En las pruebas de hiptesis que utilizan Ias distribuciones normal, t o F, se supone que la ley de
probabilidad de la poblacin de la cual se extrae la muestra tiene determinada forma y que sus
parmetros verifican ciertas condiciones de manera que el estadstico muestral correspondiente tiene
una distribucin de probabilidad conocida, por lo que se llaman pruebas paramtricas. Por ejemplo,
para la aplicacin de Ia prueba , se debe suponer que Ia poblacin es normal. Adems, para la
aplicacin de las pruebas paramtricas se requiere que el nivel de las mediciones sea al menos de escala
de intervalos.
Sin embargo, existen muchas aplicaciones en las ciencias y Ia ingeniera donde no es posible conocer las
distribuciones de las poblaciones de las que se extraen las muestras o los datos se reportan como valores
en escala ordinal. En estos casos, se utilizan mtodos alternativos equivalentes a los paramtricos,
denominados mtodos no paramtricos o de distribucin li,bre.
Con frecuencia se utilizan las pruebas no paramtricas cuando se tratan de inferencias con muestras
pequeas y distribucin desconocida de la poblacin, ya que en estos casos no se puede utilizar el
Teorema del Lmite Central. La aplicacin de los mtodos no paramtricos no requiere conocimientos
matemticos avanzados, debido a que la tarea matemtica consiste en ordenar por rangos Ios datos
observados.
7)
Si se verifican Ias condiciones exigidas para el uso de una prueba par-amtrica, entonces, es siempre
preferible utilizar sta y no su equivalente no paramtrico. EIlo se debe a que si se utiliza el misrno
nivel de significacin en ambas pruebas, Ia potencia de una prr.reba no paramtrica es siempre menor
a la de su equivalente pararntrico. Por otro lado, con los mtodos no paramtricos se pierde gran
cantidad de informacin al no operar explcitamente con los valores sino con sus rangos.
Ventajas y desventajas de los mtodos no paramtricos

Las pruebas no palamtricas tienen varias ventajas sobre las pruebas paramtricas:
1.
2.
Por lo general, son
de usar y entender.
la necesidad de suposiciones restrictivas de las pruebas paramtricas.

267
Captulo
268
3.
4.
Se
9.
Pruebas de Hiptesis lVo Paramtricas
pueden usar con muestras pequeas.
Sc plreden
usar con datos cualitativos.
Tambin, las pruebas no paramtlicas tienen desventajas:

1.
No son tan eficientes como las paramtricas.
3.
Llevan a una mayor probabilidad de no rechazal una hiptesis nula falsa (error de tipo II).
veces, ignoran, desperdician o pierden informacin.
Las pruebas no paramtricas se dividen en dos grupos: sobre una sola muestra y sobre varias muestras.
Tambin, hay un grupo de pruebas que se basarr en la ley de distribucin ji cuadrado.
En este captulo examinaremos un conjunto bsico de pruebas no paramtricas, que permiten contrastar hiptesis sobre la independencia de variables, el ajuste a una ley de distribucin dada, la
aleatoriedad de las observaciones, entre otras. En la prirnera parte examinaremos aquellas pruebas
que emplean la ley ji-cuadrado, mientras que la segunda parte dedicaremos a otro tipo de pruebas.
9.1.
Pruebas X2 de bondad de ajuste a una ley
En esta seccin analizaremos procedimientos cuyo objetivo es determinar si un conjunto de observaciones sigue cierto esquema probabilstico. Estos constrastes comparan las frecuencias observadas con
las fi'ecuencias tericas de1 modelo probabilstico corr que se cotcja a trar,s de un estadstico cle prueba
qrre sigrre rrna ley 12.
9.1.1. Prueta sobre los parmetros en un experirnento rnultinornial

Srrpongzrmos que en urra investigacin se establecen ciertas categoras en las cuales se dividc la
poblacin; por ejernplo, el nivel socioeconmico, el nivel dc instruccin, etc. Cacla observacin puede
perterrecer solo a una de las k categoras prefijaclas.
Si eu Ia investigacin se realizarr n observaciones: zl1 de cllas estin en la primcra, n2 estn en 1a segunda,
..., n'k estn en la k-:sima cateplora; y se cumple que zt |-n2-1 ..-lnn. Una inrestigacin que
prescnttr esta carrcterstica se dcnornina erperinten,to mttltinom,ial, cuyas particularidades son:
t.
EI experimento consta de n cnsayos idrrticos e indepenclientes unos dc ctros.
E1 resrrltado clc cada ensayo se locaiiza en lrna
')
().
La probabilidrcl de que tin

cirnrple eue p1 -l pz + ---*
ensry'o se
pn:
y solo una de las catcgoras.
localicc en la i-sirna categora es p, (i
1,2,
,k);yse
L.
Esto sc rcsLlnte etr Lut] talila como la siguiente:
Categora
Frecuencia
trrobabilidad
C1 Cz
C*,
Total
'rL1
112
TLl
'n
P2
'pk
Pt
Itrteresa. conocer si el nmero cle cbservaciones clue se ubican en cada categor'a se ajusta a un esqllerna cle probabilidnd <lado; es clccir', si las probabilidadcs dc rertenencia a cada gr,r-rpo tiencn valores
especficos: pr : pro p2: p20, . . ., pk : pk. Entonces la pruebzr queda as:
9.7. Pruebas
de bondad de ajuste a una ley
X'2
: Plot P2:
'Pk:
1.
Hi,yttes'is
2.
Htpteszs Alte'r'no,t'rua,.
3.
Estad'st'ico de Prtt,ebo^
4.
Regi,rr de Reclazo. Se rechaza 11 cuando X?"1,, > XZ@
l{ula.
Ho'.
1,t1
I11
P2o, . . . ,
269
Pko.
: Al rnenos uncl cle los r, es <listirrto
c.Ic.,
p,g,'i
- I,2,...,k.
(rr-ttp)2
,
'\r/r'\ 7-t nPo
- l).
Ejemplo. En un periodo de un ao, se registraron 100 nacimientos de gemelos en la Maternidad

lsidro Ayora de Quito. La distribucin de los recin nacidos, de acuerdo al sexo, es la siguiente:
2
Se supone que los datos esLn
Pt
: P2:
4Y Pt: I2
Soluczn: Se tiene nt
varones
distribuidos segn una ley trinomial de parmetros (100;p1,Pz,Ps)
Probar Ia hiptesis a un nivel de significacin del 5 %.
29, n2
1.
Hrptesis
2.
3.
Hi,ptesis Alte'r'natiua. f11 :
Nula. Ho: pI
Estadstic:o
2 mu.jeres 1 varn, 1 mujer
38, ns
33
Pz:
n,
Pz: ,'
n,
Al
yn
100, con esos valores Ia prueba
es
menos uno de los p es distinto del enunciado
d,e Prueba.
(rn
* ,oo)'
11
1
-4 x l(X)
("-i
r2
x 1oo)
I
-4 x 100
:5.99 y la regin crtica
("-]"'oo)'
lxtoo
2
es XZt" > 5.99.
4.
Regin de Rechazo. Tenemos que XSos(2)
5.
Deciszn. Como 13.18 > 5.99, se rechaza 116, o sea, los nacimientos de los gemelos no siguen Ia
Ley indicada.
Se recomierrda que el
lector cambie las probabilidades de pertenencia a cada grupo) de manera que se
acepte la hiptesis nula.
9.L.2. Prueba de bondad de ajuste a una ley dada

Este caso es una generalizacin del anterior. Ahora, supondremos que no podemos asignar de antemano
1as probabilidades de pertenencia a cada grnpo, silo que se las debe calcular a partir de una ley de
distribucin terica (uniforme, normal, Poisson, etc.), cuyos parmetros son conocidos o deben ser
estimados a partir de las observaciones de la muestra.
Disponemos de un conjunto de n observaciones, que se supone siguen una ley de probabilidad dada y
que estn agrupadas en k clases o categoras.
Por otro lado, sea X una variable aleatora que sigue Ia indicada ley probabilidad, que toma valores
.r:r) tr2). . .; entonces. Pr(Y : r.) : p.
Captulo
270
Por e-.jemplo,
9.
Pruebas de Hiptesis lVo Paramtricas
podr'a seguir una lcy de Poissou,
Pr(X:r):P ="-tr)'"
,l
donde el par'metro
puede estar previamente especificado o debe ser estimado.
A partir de las probabilidades tericas
se
calculan las frecuencias esperadas de cada clase como ei
np,i.
Cuando alguna clase tiene una frecuencia observada menor que 5 se Ia puede unir con alguna clase
adyacente y sumar las probabilidades correspondientes. Luego de agrupar las observaciones que lo
ameriten, se dispondr de una tabla de frecuencias con k clases, como Ia siguiente:
Grupo
clase
FYecuencia
FYecuencia
Observacin
observada (n)
esperada
1
r2
nl
et:
e2:
npr
n2
;r
;*
ek:
nplr
Total
nP2
El estadstico de prueba, para comprobar si los datos siguen una ley especfica,
k
xZu":
es
.o
,"0
(e
L=I
"n",,"
que sigue aproximadamente una distribucin y2 con [(k - I)-(nmero de parmetros esti,mados)]
grados de libertad. As, si se supone una ley de Poisson, de parmetro ,\ conocido, entonces Xlr" sigue
unaley X2(k-1);perosiseestimaelparmetro),elestadsticoXl6"sigueunadistribuciOny2(k-2).
La prueba de hiptesis queda como sigue:
NuIa. fls: Los datos siguen una \ey L(p) dada.
1.
Hi,ptesi,s
2.
Hiptesi,s Alternatiua. I11: Los datos no siguen la ley
.).
Estad,stico
donde
4.
&:
d,e
Prueba. XZn.
: !
i:t
('
ei
")2
4(p) dada.
es el nmero de clases que se forman luego de agrupar los datos.
Regi,n de Rechazo, Se rechaza
Hs si XZt" >
X?"@
estimados a partir de la muestra.
- 1- l), donde I :
nmero de parmetros
Ejemplos
1.
En una agencia bancaria hay cinco cajas para atender a los clientes. Un da, el encargado de la
agencia contabiliz el nmero de clientes que escoga cada una de las cajas, obteniendo:
Caja
FYecuencia
Total
34
54
39
48
45
220
De acuerdo a estos resultados, se puede concluir que ha'preferencia por alguna de las cajas?
9.7.
Pruebas X2 de bondad de ajuste
una ley
27L
Sohtc'in,: La hiptesis nnla es sriponel que no hay l'eferrencia por una caja palticular o, lo que
es 1o rnismo, que los datos siglren Lrna ley uniforrne con
p.:Pr(Y: i) :;,
i__
r,...,5.
Entonces, las frecueucias esperadas son:
ei
npi :220
, !: nn, i: I,. . . ,5.
Notemos que aqu no es necesario estimar parmetro algrrno; de manera qr.re la prueba
1.
Hi,ptesis NuIa. 116: Los datos siguen una ley uniforme.
2. Hiptesi,s
t).
es:
Alternat'ua. Ht: Los clatos no siguen una Iey uniforme.
xza"
:
:
f@t-"t)2
ei
i.:r
(34-4q2 _64-4q2 _Q9-44)2 _gB-4q2
-(+S-+q2
44=44.44=44-44
4. Regi,n rl,e Rechazo. Como X3.os(5 - 1) : 9.49,\a
regin es XZt"> 9.49.

5. Deci.szn Aqu, XZa"no est en la regin de rechazo; de manera que se puede decir que no
hay preferencia por ninguna caja.
En una ensambladora de carros se registr el nmero de defectos por unidad en una muestra de
100 unidades que se inspeccionaron durante una semana dada, dando la siguiente distribucin
de frecuencias:
Nmero de defectos
Nmero de carros
.)
63
20
Contrastar Ia hiptesis de que los datos se ajustan a una distribucin de Poisson.

Soluci,n: El estimador del parmetro .\ de la ley de Poisson es el promedio:
.A-.t/
\ _=_
0 x 63 t-
1x 20f 2 x 8*3 x 5 -14x4
_tt(n
-u.ur.
100
Calculemos las probabilidades de peltenencia a cada grupoT segn la ley 2(0.67):
Po :
Pr(X:Q) :
_0.67(0.67)o
Pt, :
Pr(X:
-0.67(0.67)1
Pz :
Pr(X
P3 :
Pr(X:3) :
e-o
P+ -
Pr'(X:4) :
e-0.67
1)
:2) :
0!
1!
e_o
67
(0.6n2
0.512,
0.343,
:0.115,
2t'
6T
(0.67)3
ol
JI
(0.6n4
4
:0.026,
0.004.
Las frecuencias esperadas son

eo
100
0.512
-- 51.2,
ez:100x0.115-11.5,
et : 100 x 0.004 :0.4.
et: 100 x 0.343 :34.3,

e3: 100x0.026-2.6,
Captulo 9. Pruebas de Hiptesis lVo Paratntricas
272
cl cstrclstico r.l.e pruebir:
Crk:rllcrrros
4,
s- @-e)2
.,
-z
\ rt.s
/_
,i_'_.o ei
(63-51.2)2
5r2
La prueba estadstica
(t0-34.3)2 + (8+
-
11.5)2
lli
34i
0.4)2 _
_6-2.q2
+g- ,J4
!1 7'
-+"L'
2.6 -
es:
1. Hiptesis NuIa. 11: Los datos siguen una ley de Poisson P(0.67).
2. Hi,ptesis Alternatzua. 11r: Los datos no siguen una ley de Poisson P(0.67).
3. Estadsti,co de Prueba. X?ot":4I.72.
4. Regi,n de Rechazo. Como x3.os(5 - 1- 1) :7.81 y la regin es XZu" > 7.81.
5. Deci,si,n Se cumple que 4I.72 > 7.81; entonces, se rechaza Ia hiptesis nula. El nmero
de defectos no siguen la ley de Poisson P(0.67).
Se midi la duracin de trabajo de 200 elementos electrnicos, segn se resume en Ia tabla. La
primera columna muestra los intervalos de tiernpo (en horas) y
la segunda est la cantidad
"tr
de elementos que han trabajado el tiempo entre Ios Imites del correspondiente intervalo.
Tiempo de
duracin (hr)
FYecuencia
0-5
133
45
(rn)
5-10
10
15
Tiernpo de
duracin (hr)
15-20
FYecuencia
20-25
25-30
15
(rt)
4
1
Para el nivel cle sigrrificacin 0.01, 'i'erificar la hiptesis de que el tiempo rnedio de trabajo de Ios
elementos est distlibuido segn una Iey exponencial.
Solu,czn: El parmetro .\, que sigue la ley exponencial, se estima po,
: ! :
T
O.r.
Calculemos las probabilidades de que la variable aleatoria tome valores en cada inten'alo:
pr
Pr(O
< X < 5) :.-o2xo
e-o2x5
p5
0.6321.
Anlogamente, se obtienen
pz
0.2326, pJ :0.0855, p :
0.0315
:0.0116,
po
0.0043.
Con sto, se encuentran Ias frecuencias esperadas, ei: npii
et
: I26.42t e2 :
46.52, es : 17.I0,
e+
: 6.30,
es
: 2.32, eo :
0.86.
Como las tres rltimas frecuencias son pequeiras, se las puede agrlrpar en una sola clase, obtenindose k : 4 clases. De esta manera, se dispone de Ia siguiente tabla que muestra el grupo, la
frecuencia observada y la frecuencia terica.
z
2
D
Total
Por lo tanto, la prueba
es:
133
45
15
7
200
t26.42
46.52
17.10
9.48
9.7. Pruebas X2 de bondad de a.juste a una ley
273
fI'iptcs'is Nrtla. 11: Las obserr,ciorres sigucrr rrrrrr lcy <rxporrcuciul t(0.2).
Htptes'is Altr:tra,ti,tstt,. H1: Los clrtos u<l sigucrr rrrrir Icy r:xponencial ,(0.2).
Estct,dst'i,co de Prtebu.
rl
rlr.,
(rt,
.-:
-,:,
c,)'2
(133
126.4D2
(45
126.42
46.5\2
46.s2
(15
17.10)2
17.70
1.299.
se estim \, I :1 y se debcr examinar la Iey 12

con (4 - 1- I):2 grtrdos de libertad) cuyo valol es Xl.otQ):9.2I, se define la regin de
rechazo XZt" > 9.27.
4. Regin de Rechazo. Como previamente
5. Decisin Puesto que 1.299 <
9.21,,
no hay razn para rechazar la hiptesis de una ley
exponencial (0.2) para los datos.
4.
Se
midi la estatura de un grupo de nios de 12 aos de edad, con los resultados:
Estatura
Nmero de nios
140
745
l8
135
740
145
150
oo
- 150
-
t)!
155
61
155
160
22
160
165
Velificar si los datos de esta mnestr provienen de una distrilrucin nornral.

Soh',ci,n: Err primer lugar se cleben estimar Ios parrnc'tlos de Ia ley nolmai:
fr: r:
150.625,
? :31.425.
probabilidades de pertenencia a cada intervalo, segrin una ley
pt
: 0.026,
p2
: 0.129, ps : 0.298,
son:
^/(150.625;31.425)
0.327, ps : 0.170, pe : 0.042.
ilL
Ias frecuencias esperadas son:
et
: 4.I8,
ez
: 18.55,
et
: 42.88, e+ : 47.06,
es
: 24.77,
ea
6.48.
Entonces, la pmeba es:
l.
NuIo. ,F16: Las observaciones sigueu r-ura ley normai

^/(150.625;31.a25).
2. Hiptesis Altentatiua. 11: Los datos no siguen una ley normal^/(150.625;31.425).
3. Estadstico de Pr"ueba. X|,r":8.349.
4. Regin de Rechazo. Como se estimaron dos parrnetlos, entonces I : 2, el estadstico de
prueba se debe comparar con Xfr.or(6 - 1- 2):7.81. La regin crtica es X?ou, > 7.81.
5. Deci,sin Corno 8.349 > 7.81, se rechrza I1o; por tanto, las estaturas de los nios de la
H'i'ptes'is
muestra no siguen la ley normal enunciada.
-\ cotrtintiacitt se rresenta ttn resurnen de los estirnrdoles

rlentc enipleaclas.
cle los prrr'rnetros de las Ieyes ms comLlrl-
274
Captulo
9.
Pruebas de Hiptesis
-lVo
Paratntricas
Estimador
Ley
Binomial Bin(n,p)
p- -u
TL
p- -rT
Hipergeomtrica 11(N, p, r)
Poisson
2())
A:T
&
a:r-VJs/;
Uniforme U(a,b)
i:r+/3s
1
t())
Exponencial
D:_
Geomtrica Q(p)
A_-
F:r
Normal J{(p,o2)
^t,
o-:s'
9.2.
Pruebas sobre tablas de contingencia
Cuando tenemos la informacin de 2 variables de tipo cualitativo, se la resume en Lrna tabla de cont'ingencia, que es una tabla de frecuencias de doble entrada, donde en las filas se ponen las modalidades
de una variable, y en las columnas las modalidades de la otra; en las celdas resultantes del cruce de
las filas y las columnas se coloca el nmero de elementos que presentan ambas modalidades.
Si se tiene informacin de.l elementos acerca de las variables
c modalidades respectivamente, Ia tabla de contingencia r x c
Ay B, de tal forma que prescntarl r y

(r filas y c columnas)
At
??"TI
Variable B
B,
B.
nli
n C
A,
nil
Ttrzt
Li.c
TLx
A,
frr'l
TL'r
TLra
TLr
Total
n.7
n1
nc
Variable
B1
-4
es de
la forrna:
lbtal
nL
donde,
rL.
: D"o,
j:r
(total de Ia frecuencia de la fila'i),
n : D"n,
i:r
(total de la frecuencia
d.e
la columna 7).
Por ejemplo, los jefes de familia que viven en una ciudad pueden clasificarse en dueos o arrendatarios
de la casa donde residen y segn su nivel de instruccin en primario, secundario y superior; es decir,
se los podra clasificar en una tabla de contingencia 2 x 3.
9.2.L. Prueba de independencia

Considrese las probabilidades p,., de encontralse en Ia fila
p;r Ia probabilidad de encontrarse en Ia celda (i, j).
i; p., de encontrarse en Ia collrmna
j;
9.2. Pruebas sobre tablas de contingencia

Debe ctrrrtplirse que
iO, :f
i:r
i p.j : l,y
j:r
f:
f :
275
pueden ser estimada,s por

ni.
7r. . . ,T,
N'
n.i
J
y''
lr''' ,c'
r
;-
Bajo la hiptesis de independencia entre filas y columnas, se tiene que la frecuencia esperada en la
celda ubicada en la i-sima fila y j-sima columna es
ej: NF.0t:U#
El estadstico que permite probar la hiptesis de independencia es
xZa":iiry,
i:l
"Ll
j:L
que sigue aproximadamente una distribtcin y2 con [(r
1)("
1)] grados de libertad.
Entonces, la prueba para la independencia es la siguiente:
1.
2.
Hiptesis Nula.
Hiptesi.s
Hoipij:pi.p.j
(la variable A es independiente de la variable B).
Alternatiua. Ht: pt * p.p., para al menos una celda de la tabla (la variatlles A y B
no son independientes).
@
e')2
Estad,sti,co d,e Prueba.
4.
Regi,n de Rechazo. La hiptesis de independencia se rechaza si X?"t"> X?"1(,
XZu,:
i
i:t j:r
eii
Ejernplo. En una investigacin se desea revelar si existe relacin entre el consumo
- t)(c-
de combustible y
el origen de los carros que circulan por la ciudad.
Origen
EE.UU. Europa
Consumo
Bajo
Alto
76
160
236
Total
56
t4
70
Japn
Total
70
202
183
79
385
Al rrivel 5%0, verfrcar si las dos variables estn asociadas.

Solucin: Calculemos las frecuencias esperadas) eiji
nt.n.r
N
nt.n.s
etg :
N
en
n2.n.2
202
x 236
385
202
79
385
183
385
70
nL.n.2
!23.82,
:4I.45,
e2l:
:33.27,
(,.r.!
n2.n.l
-----;=/v
n2.n.3
A,/
202
70
:36.72,
385
183
236
385
183 x 79
385
:
:
t)].
112.18,
37.55.
Captulo
276
Clou cllrs forrrrclros lr
t,rblr
9.
Pruebas de Hiptesis lVo Pararntricas
clc frecuerrcirrs csperaclas:
Origen
Constlmo
EE.UU. Europa
Japn
Bajo
723.82 36.72
112.18 33.27
4\.45
Alto
37.55
Entonces, la plueba queda como
1.
H,i;ptesis
2.
Hi,ptesis Alternat'iua. .F1r: EI origen del carro
3.
N,ula. /16: El origen del crlro y el consurno de combustible sou iudependientcs.
(76
xZt
Regi'n de Rech,azo.
tiene que
5.
x|,sQ):
t23.s\2
r23.82
(160 - 112.18)2
"
:
4.
y el consumo de combustible estn relacionados.
112.18
101.51.
El nrmerode grados delibertades u: (2- 1)(3- 1)

5.99. La regin de rechazo es XZu, > 5.99.
Deci,si,rin. Como 101.51 > 5.99, se rechazr ltr hiptesis

el consurno de combttstible y eI origen de los carros.
Tablas de contingencia de 2 x
:2 ysi a:0'05,
se
nula. Coucluinros qtte ltal'relaciIt entre
Para el caso especial de la tabla de contingencia de 2 x 2, se ha desarrollado una frmula de clculo

X'.|u" que no requiere l-r determinacin de las frecuencias esperadas. Supongamos que se dispone
cle ula tabla de contingencia de dos variables, cada una de las cuales solo pueden tomar dos valores,
como la siguiente:
d"
Variable
Variable A
A1
A2
Total
El estadstico de prueba
81 132 Total
a*b
ab
cd
ctd
aic b+d n,
se calcula como
xZt*
clue sigue una
ll
t{ad -
bc)2
= (a b)(c d)(a c)(b d)'

+
+
+
+
ley X2 a 7 glado de libertad.
El resto de Ia prueba de hiptesis queda igual a lo enunciado anteriormente.
Ejemplo. El siguiente cuadlo

clasificaclos por sexo.
muestra la reaccin de los espectadores ante un comercial de televisin
-v
9.2. Pt'uelas sobl'e tablas

R.crccin
,Depencle
cle cotttittg,etrcia.
Sexo
HorrrlrLr-'s \Irrjcles
277
Tolal
Dcsfavorable
1t)
Favolablc
Total
10
13
72
o:
15
,]
la aceplacitin clcl corrcrcial clcl sexo rlcl tclcvirlcnt,c'?
Sol,ttcin: La prueba de ILiptcsis clrrccla clc la siguicrrlc rrrrrela:

1
Iiptesis AluLa. fI6: La lcrcciri rntc el corr,:rrtrirl
')
Hi,ptcs'is
J.
Esto,dsl"ico tle Pt"ucl,ta,. .lt,,
tlltent,otiuo.
111
: l,a rccr:icirr rltr cl
inclcpcrrclicntc clel sero.
c:orrrcr'<:irl
y cl ,5cxo
n(o,rl,-1.'r:')2,
_
,,
- (rr+)(c:1
r|,)(atr:)(1.,*d)
Rngzn de Reclo.zo. Si escogcrrlos
\;i,, >
crs
rr:0.05,
cstitr rclacionacios.
y 3)2
:3.2i].
15 x 10 x 13 x 12
25(10
7-5
lo,(l) :3.34. La legin
\'crrros,1,,e
cle lecliazo cs
3.84.
5. Decis'itl Como 3.23 < 3.81, no sc lechrza
la hiptcsis lula. Se concluye clue hay inclepenclencia

entre el sexo del espectacLol y la accptacirr clel comcrcirl.
Sc srLgiele cre cl
leciot
rerlicc
cl c.jeLcicio niecliante el
r:ilc:rLlo cle
las ficcLrcricias cspeladas
9.2.2. Prueba de homogeneidad

Sr-'clice qLrc lura ntttestLr es lt,ortt.o.tt3,rr:r si lr)rlrs srrs t)bsrrlr'rc:iorrr:s lr.rrr sirlo gcrrelrrclrrs pol cl rnisnrr.r
rtrodrtlo cle ciisl,ribucin dc lrlobr'rl.riliclzrtl o pcltorrtrc(rrrr r, rrLrr rrrisrrrrr poltlzrcitin. La metodologa cle lrs
pLttclt:rs <le iticlependelrcia tarnbirr n.reclc aplicalsc lralii trr.cLigrLu si exisl,c honrogeneidrd eutrc clos o
rr
ris unrcsh as inclepenclicntes.
i\s. la prueba
i.
estaclsticr cs ltr sigrrieutc:
Hi,ptesi,s
Nrtla. Is:
Lts tltLLcstlzts ptttvir-'rrcrL
rlc rrrra rLrisrr:r toltlurcirr (lers
llLlest,tirs sttrr lro-
nrognears).
')
: Las nttlcstras no ptovicncrr
H t'ptes i,s
Alternatiua.
son hetelogneas),
11
Estn,dst'ico dc PrtteLto,
\I\, r/,.r -.r- r1- 1itt
R,
(tt'j
('j
clcl rurr nrisrua ltoblarcin (lars rnucstlz-rs
' ',t)
qin ,le Rcc'l,azo. l.t hipcitesis cie inclepcrrrlcnc:i,r sc
lcc:hrrzr
.i
13,,.,
trjemplo. En uua Facultacl
> X3l(?'-
t)(c- i)].
sc clasific i las rrolas obfr:niclis L)or sus alumnos, luego cle lenclil cl
Fsica. conro )ra.jas. rlcclirs v allrs. 'fanbin. sc rcgislr' cl plofcsol clue clictirba la
rlater-ia. obtenienclo:
luisllo exalren
cle
Cililicrcic'rrr
Plofcsoi
lia.a i\lc<liir,,\ll
lLbral
tl
1,2
23
.12
1)
r7
r!
.16
,)
,l 0
ll
,!8
lirl
rl
Captulo
278
Se puede decir que
9.
Pruebas de Hiptesis No Paranttricas
la diferencia en las notas es debida al profesor?
Sohrcin: La tabla de frecuencias esperaclas
es:
Calificacin
Profesor
Baja \'Iedia
A
t)
l)
La plueba estadstica
.7 19.1
19.3 20.9
t7
AIta
5.3
5.8
es:
1.
Hiptests Nula. 11: Las difer-elcias eu las notrs no son debidas rrl plofesor de la materia.
2.
II'iptesis Alternatiuu,.
.)
Estadsrico
4.
Regin
5.
Deci.si,n. Como 6.12 > 5.99. sc rcchazrr 110: es rlecir, ei profesor de la materia si influye en las
notas obtenidas en su materir.
9.3.
d.e
prueba.
d,e Recho,zo. Se
,F11
Lrs cliferencias
r?.-:
\ o
(12_ rT'7)2
fi .7
tiene.1.,e xfror(2)
crr las notas se debelr al profesor.
(23
-._
:5
--I9'l)2 *...-r- (a -5'B)' :6.12.
lg,I
99 v la regin es,\3"
b.B
> 5.99.
Ejercicios
Pruebas de bondad de ajuste a una ley
1.
En un cluce de carretelas los aulos pueden gir-al a 1a izquierclrr, l Ia derecha o seguir de frentc.
Se supone que la rnitad de los autos scgr-rir'irr de fi-ente, la nna cutrta parte ir a Ia izquielda 1Ia cuarta parte restante a la clclecha. Sc rerliz urr colteo cle los autos segn la direccin quc
ellos siguen:
De
Frecuencia
fi'ente A la izqr-rierda A la derecha

29
149
Pruebe Ia hiptesis indicada a un nir.cl clc significircirr de 0.1.

Cuando el naturalista francs del siglo XVIII Georgcs Louis llrLflbn realiz 4040 lanzamientos
cle una rnoneda observ 2048 calas. Cclncuerrlarrr estos datos coL la hiptesis de que la rlonedr
cs simtrica?
Una zona de \4indo es cl hbitat natur'rl <le tles cspccics dc colibres. Se cree (hiptesis nula)
qlle ulla quinta parte de los colibr'es pcltcrrecc tr la prirrrera cspccie, dos quintas partes a l;r
segunda especie y otlas dos quintas part<rs r la tercera. En una nnestr"a aleatolia de 34 colibr'cs
de la zona, se observalol 12 cle Ia priirrcr-er especle. 15 clc la scgrLnda" y 7 de la telcera. IIav
suficiente evidencia estadstica (al nrvcl 0.05) pala acepterr Ia hiptesis propuesta?
4
Segirn los datos de un estudio c-rhaustivo rle rrrercado qlle se lc;iliz en la ciudad, las ventas clc
irnpresoras para comptltadoras lrersonalcs der uso clomstico sc ciividen entre cuatro marcas (4,
B, C y D) cuyos porcenta,jes dcl total de las vcntas son 18 c/o,22Vu.35% y 25To, respectivamentc.
Un ario despus, se quiere analizal de urrcro lr situacin pcro sc cree qrle no se debe repetir ur
estudio de mercado a gran escalr. Se clccicte obserr.ar Ia narcr adquil-ida por 200 compradores
cle inrpresoras elegidos al azar. obtcnienclo cpre c1e cllos 28 habalr clegido la marca 4,48 LaR,77
Itr C y 47 LaD. Hay suficientc cvidencir. ..1 rrivcl 0.05, para tl[iL'r,-rzrr clue el reparto del mercacio
yr no es el mismo quc el arlo rnl-eriol'/
9.3. Ejercicios
5.
Dos empresas S y T especializadas en lealizar sondeos polticos condujeron dos investigaciones

sobre la intencin de voto a un partido poltico. Tambin. se disponen de Ios resultados de 1a
eleccin lievada a cabo das despus
Partido Emplcsa S
Ernprcsa
Elcccrn
416
1EE
B
C
62
193
83
32.9
5.1
15.9
76
36
12.4
10.6
::
139
\,{
95
151
76
77
?o
14.0
1.)n
I1,J-
508
100.0
Total
6.
279
9.1
a)
Compare los resultados de la eleccin con cada Llna de las investigaciones de las empresas;
b)
Se puede determinar cul de las ernpresas
dio el resultado ms certero? Explique.
Cuando Gregor N4endel realiz sus experinrcrrtos clc cnlzarniento de guisantes, obserr, las frecuencias de varias semillas producidas por hbriclos dc guisantes amarillos Lisos y guisantes verdes
mgosos. Estos datos y sr-rs respectivas probabilida,cles, segirn las predicciones de la teora de la
herencia de Nlendel, se dan en la siguientc tab1a.
Sernillas
Frecuencia Probabilidad
Amarilla v lisa
Amarilla y rugosa
Verde y lisa
Verde y lugosa
Total
r,
.) 1 a
r),Lr)
101
108
3116
3116
31
1l16
116
555
Para un nivel de significacin del 1%, erarline si las frecuencias rle los datos son consistentes
con las probabilidades tericas.
7.
En el desarrollo decimal de z- entle los 10 03E primeros dgitos aparecen 968 ceros, 1062 unos,
1021 dos, 974 tres, 1014 cuatros, 1046 cincos. 1021 seis, 970 sietes. 948 ochos y 1014 nueves.
a)
Se puede considerar clue los dgitos apa,recen nniformementc distribuidos, a
significacin a :
un nivel
de
0.05?;
b) A qu nivel de significacin rechazarii ln hiptesis'/

8.
Entre 2000 familias que tienen 2 hijos. 522 frnulias lienen dos r.alones, 471 dos mujeres y 1007
de los dos sexos. A un nivel de significacirr de 0.05. ,se puecle consiclerar que el nrmero de hijos
\rarones en las familias es rlna variable alcatoria binomial?
9.
En nn estudio a 107 familias qr-re tienen 5 hi.jos. sc coutaliliz el nrmcro de hijas que tienen tales
fanilias, con el siguiente resultado:
Nmero de
hijas
Frecuencia
t)
.)
17
28
to
L
19
Puede afi.rmarse que) para las fanilias estucliaclas. el rrrrler-o cle hijas sigue una ley binonial?
(Use a : 0.05.)
Captu.Io
280
10.
9.
Pluebrs de Hiptesis
No Pararntricas
Para estudiar la delilcueucir ol] Llrr1 r:irrrlacl se rrrotr'on lr-s clcuulcias lol lobo rle automr.iles
recibidas en los riltinros 575 r1as. obttnirrrrlose krs siguicritcs losrrltaclos:
No. denuncias
Frecuencia
23t)
210
90
JiJ
Contraste la liii.rtcsis clc crc los cltos plocorlcrr cic rrna <listribuciu rle Poisson con
(a : 0.05)
i1
Se
registr la cantiriacl cle goles colsegrrirli.rs uu
1,19 p;rr'1 iclos <lisprrbados
por
r-rn
) :
1.
ecluip o profesiottzrl
de fiitbol
No. cler golc.s

en Lur priti(lo
01234
50 64 23 84
Frectterttc,it
Verifique la hiptesis dc que ol uiruero rlcr golcs Pt.,r llarticlcl csti distribuido segrr una ley dc
Poisson. para el nivcl clc sig-nificircin 0.l)5.
12
En el transcurso de
telefnica ftre:
dos
holits, cl nrirlcto dc llaulrrlas pol rrrinuto, solicitadas r una cetittal
No. llarnadas/min
Frecuencia
,Se
13.
puede aceptar que
e1 nrnrelo clc llrrrrrrlrs
tl
t)
JJ
I7
10
')
.)
,)-)
18
,)
pol rrrirnrto signc una distlibucin
clc Poisson'J
En cierta regin sc registr la temperirtur'r ck:l rilc chrrantc 300 clas. Lrs medicioncs se rcsruneu
cn Ia siguiente tabla (en la plinrcla cohurLnr se inrlic:l el intclvalo de tr,.nperatnrr en grados 1'
en la segunda el nrmero de clis cuvr fclrrL)clratLrLa rrrecli,r collcsponclc l cse intervalo). Ver-ifi<.re
clue la tenperatura rrreclir esti clistribuiclr rLrrifolnonrcnte r un livel cle significzrcin dc 0.05.
Rango
cle
iurgo
clc
tetlpelatnlil
Fr'c<;rrerrcia
lerrrpcltt t nrit
Flecrrenc;ia
(-t0) a (-5)
10a15
40
(5) a0
40
15 a 2i)
0a5
30
46
48
5a10
,15
20a25
25a30
26
14. Un estudio
realizado iuclica cre el ticnrpo clc cspera cri lr crola rlc la, ca,ja de un banco se pucclc
rnodelizar con Ltlla distribucin cxporrcrrcirl clc rreclia 3 rninr,rtos. Para cornprobar si este noclclo
sigue siendo r'liclo, sc tom la sigrricrrtcr ntrrcstLa:
3 2 6 ,,t 1 3 2 1 1. 4.
\erifiquc si los drtos Jloccclcn clcl rrroclckr ospecrifir::rrlo cn cl cstrrclio (cr:0.05).
15. Se probaron
450 focos, t-egistlrindose
Tiernpo
e1
ticrtrpo crc <lulitlon enccncliclos hasta que ftrilaron:
Nrirnclo
clc firr:os
0a40u
131
400 a 800
800 a 1200
95
1200 a 160i)
76
5(i
Niunelo
Ticrnpo
clc focos
L6(X) a 20t10
2000 a 24U0
i)
2'100 a 2E00
)1
Pala un nivel de significacin de 0.01. r-clifc1ue la hiptesis

focos est distlibuicla segrn rrrrrr ic). exlrrIttcucirl.
clc clue
3ij
el ticrlpo de dulacin clc los
9.3" Ejercicios
287
16. En la Facultad de Ciencias se quiere averiguar
los conociurientos sobre Fsica que tienen los

alurnnos matriculados por primera \ez en dicha Facultad, para lo cual se realiz el primer da
de clase una prueba genera,l. Los resultados correspondientes a rlna nnestra de 211 alumnos se
recogerl en la siguiente tabla:
Puntuaciones
50.5
55.5
Frecuencia
55.5
60.5
77
b(J.b bli.l)
45
65.5
70.5
75.5 80.5
70.5
67
75.5
dL)
80.5
15
85.5
10
It
Determine la normalidad de la variable qlre representa la puntuacin obtenida. (Use o
0.05)
Pruebas sobre tablas de contingencia
sobre el hbito de fumar por lur grupo de estudiantes universitarios se

obtuvo Ia siguiente tabla, en la cuaL se relaciona el sexo del entrevistado y si l o elia es un
funador.
Fuma?
Sexo
SI NO
Masculino
Femenino
26
10
11
15
Pruebe si existe asociacin entre el hbito de fumar y el sexo del investigado.
18.
En un estudio mdico a 300 pacicntes que fueron opcradas por cncer de ovario, se clasificaron
en quienes han sobrevivido 10 aos despus tl.: la operacin y quienes no lo hicir:i.rn, y el estado
del tumor al momento de la operacin.
Estado del
cncer
Terlprano
Avarrzaclo
Sobrevivi?
No
32
r18
Si
r27
23
La sobrevivencia de Ia paciente es independientc del estado del tumor el momento de Ia operacin?
l9
A firr de probar el supuesto de que una persona desernpleada rcpresenta un alto riesgo crediticio,
en nn banco se realiz un estudio de 100 c:nentas escogidas aleatoriamente con los siguientes
resultados:
Situacin actual
del prstamo
En mora
No en mora
a)
Calcule el vaLor
b) Calcule el valor
Situacin laboral
del cliente
Ernpleado Desempleado
16
55
d. XZa" para estos datos, usando

d"
10
19
Ia frnula usual;
XZt" para esta tabla mediante la fnnula alternativa;
c) Cul es el resultado de esta prueba al uivel de significacin de 5 por ciento?
Captulo
282
20.
9.
Pruebas de Hiptesis lo Pararntricas
Se realiz un anlisis de sangre de un grupo de 1000 habitantes (elegidos al azar) cie una ciudad
con la siguiente distribucin, segn el grupo sanguneo y el factor Rh:
Rh+
Rh
t7-
A
3r7
AB
81
39
82
29
10
96
Segn estos datos. puede aceptarse la liiptesis de inclependencia, del factor Rh de1 grupo sanguneo? (Use cr : 0.05)
2I
un estudio sobre la utilizaciu de ciertas fuentes de financiamiento externas para 1as

pequeas y medianas empresas (PYN'ItrS), Fara e1lo, se seleccion aleatoriamente 500 PYMES a
nivel nacional. Las empresas se clasifi.caron segr1n su tarlao en tres categoras (micros, pequeas
y medianas) I' segn hayan utilizado o rLo a).gr.rna fi.relte de financiacin. Los datos obtenidos
Se ejecut
fueron:
Con financiamiento
Sin financiamiento
115
20
20
15
Nlicros
Pequeas
Medianas
a)
b)
Existe alguna relacin entre el tamao de la empresa y el hecho de recurrir o no a fuentes

de financiacin? Utilice un nivel de significacin del 10%;
,Puede aceptarse. a un nivel. de significacin del 5 %, clue ttn20To de las empresas <<micros>>
utilizan fuentes de financiacin frente a que

22
J.a
proporcin sea mayor?
detenlinal 1as posibles relaciones entre el nivel educativo

(superior, medio o primario) de las persolras y el consumo (bajo, medio o alto) de productos
Se realiz un sondeo en ia ciudad para
electrnicos. Los resultados, para 400 personas seleccionadas al azar, ftteron:
Nivel
Educativo
Consurno
Bajo \'Iedio Alto
Superior
t)1
.)-L
47
4.4
++
\4edio
Primario
2B
79
125
16
17
19
Contraste Ia inclependencia entre el nivcl educatir.o v el consumo de productos electrnicos.
sociolgica a un grupo de pcrsonas casadas, se desea saber si el nivel socioeconmico de los encuestados incide sobre el xito o fracaso de su matrimonio. Los resultados
se dan en la siguiente tabla:
NSE
I
FYacas?
,Se
II
III
IV
Si
28
62
79
181
724
No
t27
230
443
850
582
puede concluir que la diferencia en el ndice de fracaso se debe al nivel socioeconmico de
los matrinonios?'
24. trl
Consejo Directivo cle una universidad cluer'a determinar la opinin de cl.iversos grupos en
relacin con el calendario docente propuesto. LIna muestra aleatoria selecciolada entre 100
estudiantes, 50 empleados y 50 profesores dio 1os siguientcs resultados:
Favorakle
Desfavorable
Estudiantes
Ernpleados
Profesores
63
27
30
JI
z,\
tn
9.4.
Pruebas sobre rna soJa
ntuestra
283
Si se desea saber si hay prucbas dc una difcrr:ucia, rrrr la rctitucl hacia el calendario entre los
diversos grrpos:
es Ia prueba adecuada para la realizacin de este contraste, y especifique las
hiptesis a contrastar
a) Indique cul
b)
25.
Realice el contraste corrcspondiente, con un
livcl
de significacin del
%.
Un estudio sobre tabaquismo cn tres ciuciadcs, rnediante tres muestras aleatorias de tamao 100,
proporcion los siguientes resultados:
Ciudad
Fumadores
13
No furnadores
87
Se pueden considerar homogneas las
Ciudad
n
7'
t),)
Ciudad
18
82
tres poblaciones respecto a sus hbitos fumadores, al nivel
0.05?
Esta parte del captulo la dedicaremos al anlisis de la,s prucbas no paramtricas que involucran una o
dos muestras y cuyo objetivo es probar si los parmetros de los que provienen las muestras adquieren
ciertos valores particulares. EI lector notar la sinilitud con las pruebas desarrolladas en el captulo
anterior.
9.4.
Pruebas sobre una sola muestra
En las pruebas no paramtricas sobre Lrna nuestLa se distinguel dos clases: aquellas que contrastan
el valor de una rnedida estadstica (de localizacin, de clisper-sin, etc.) y las que contrastan una
caracterstica general de los datos (ajuste a una lcy, aleatoriedacl, etc.).
Existe una amplia variedad de estas prnebas, nosotlos solo exarninarenos los contrastes ms comlrnmente utilizados y que generalmente se presentan en los plograrlas estadsticos.
9.4.1. Prueba de los signos

El contraste de los signos es la prueba no pararlltrica ms antigua y en ella se basan muchas otras.
Se utiliza para contrastar hiptesis sobre ei pariirnetro de localizacin y en el anlisis de comparacin
de datos pareados. Consideremos Lrrra mnestra aleatoria dc tamao n tal que sus observaciones estn
o puedan estar clasifi.cadas en dos categoras: 0 v 1, * y -, etc.
Podemos establecer hiptesis acerca de la mediana: sabemos cluc la mediana deja por encima de s el
nrisrno nrmero de valores que por derbajo. Considcrando c.re r- A'Ied > 0, darn signos positivos
(+) y - Med { 0 signos negativos (-), en la poblacirr original tendremos tantos (+) como (-). S"
tratar"ode ver hasta que punto el nrrlero de sigrios (+) esta dentro de Io que cabe esperar que ocurra
por azar si el valor propuesto cono mediana es verdaclerol
.
Teniendo en cuenta que se trabaja con dos clases de valores, Ios que estn por encima y los que estn
por debajo de la mediana, los estadsticos de contraste sigucn ura distribucin binomial Bin(n,0.5),
si se supone independencia y constancia c.e la plobabilidad el el lnuestreo, ya que la probabilidad de
qne Lur valor se encuentre por encirna (o por deba.jo) rle la urediarra es p : 0.5.
ILo
misr-no se puede decil lespecto a los cualtiles, qrrintrles o clecilcs
Captulo
284
9.
Pruebas cle Hiptesis lVo Pararntricas
Si X es la variable aleatoria que cuenta el nrmelo de ocur-rencias del signo menos frecuente; entonces.
su probabilidad se calcula por
Pr(X
k)
Cf,pk(I
-p)"-k,
:;,
:0,I,...,h.
Como nos interesa la ocurrencia de valores tan extrernos o ms extremos que el observado, la probabilidad deseada es Pr(X < k).
Observaciones
1.
Si al determinar los signos de las diferencias, obtenemos un valor cero, a ste no se lo considerar
momento de contabilizar el nmero de signos.
el
2.
Si n
<
30, se utiliza la ley binomial; en carnbio, si
la ley norm al Z
x-n
: --J \/n
30, se utiliza la aproximacin mediante
,A/(0, 1).
3.
Si se desea realizar un contraste para un percentil de orden 100qVo, distinto de la mediana,

carnbiar el valor d" p
A continuacin
-]
se
Ou el valor q correspondiente.
se exponen las pruebas bilateral
y unilateral sobre la mediana.
a) Prueba bilateral para la mediana.
1.
2.
Hiptesis NuIa. Ho:
3.
Estadstico de Praeba.
4.
Cri,teri,o
Qz: po.
Hiptesis Alternatiua. Ht Qz I
po.
k
d,e
pobs
: Pr(X < k) : Dc;o'G-p)n-'dondek<

,'
r:0
TL
Rechazo. 2po6, 1 a.
Ejemplo. En una prueba de aptitud tomada a
12 aspirantes a un puesto en Lrna empresa
se
obtuvieron los siguientes puntajes:
6.6 6.8 4,4 7.3 8.5 4.5 6.7 6.0 3.4 9.1 5.3
4.8.
Determine si la mediana de las notas es 5.
Soluc'in: Tenemos que
p0
5; entonces, si restanos a cada dato el valor de prueba, tenemos
1.6 1.8 - 0.6 2.3 3.5 - 0.5 r.7 1.0 - 1.6 4.7 0.3 _ 0.2.
Lasecuenciadesignos queseobtiene es + + - + +- + +
es ( ), que aparece 4 veces; de manera que la prueba es
1.
2.
Hi.ptesis
3.
Estadstico de Prueba. po6,
Hi,ptesis
-+ + -.
Elsignomenos frecuente
Nula. Hs: Q2:5.

Alternat'iua. H Q215.
Pr(X
<4):*"r,(;)'(;)"-'
0.194.
9.4. Pruebas sobre una sola muestra
4.
5.
285
Crzterto de Rechazo. 2pob" < 0.05.
Decisin. Como 2 x 0.194: 0.388 > 0.05, no se rechaza la hiptesis nula; por Io que
puede asumir que la mediana de las calificaciones es igual a 5.
se
b) Prueba unilateral para Ia mediana.
1.
2.
Hi,ptesis
l{u,la. Ho: Qz:
Hi,ptesi.s
Alternatiua.
Ht
tto.
Qz
,lo
o bien fl1: Qz
k
3.
Estad,sti,co d,e
Prueba.
pobs
: Pr(X < k) : t
t:0
4.
Cri,teri,o de Rechazo.
pobs
lto.
n
C!,,p'(I - p)'"-' donde k < =,2
a.
Ejernplo. En un campeonato de ftbol, en que participan muchos equipos se escogi
una
muestra de 11 equipos. EI nmero de puntos que acumularon estos equipos es el siguiente:
248912147721222426.
AI nivel de significacin del 10 %, probar que Ia mediana de los puntos acumulados por
los
equipos en el campeonato es menor a 22.
Soluczn: Tenemos eue o : 22; entonces hay B signos negativos, 2 positivos y un cero. Por
tanto, n: l0 y k :2; de manera que la prueba queda as:
1.
2.
Nula. Hs: Q2:22.

Hiptesis Alternatiua. H Q2 <
Hi,ptesi,s
22.
2
3. Estad,sttco d,e Prueba. pobs: Pr(X < 2) : tClop'(l -o10-r :0.0547.

r':0
4.
5.
Criterio de Rechazo.
pobs
<
0,1.
Deci,sin. Como 0,0547 < 0.1, se rechaza -FIs. La mediana es menor a 22.
9.4.2. Prueba de los rangos con
signos de Wilcoxon
Esta prueba, tambin conocida como contraste T de Wi,lcoron, se utiliza para comprobar que la
mediana es igual a un valor dado y para su aplicacin es necesario que los datos vengan dados en
escala ordinal o de intervalo. EI procedimielto es el siguiente:
Se determinan las diferencias entre cada uno de los valores observados y el valor hipottico de
la medianai d": r - po.
Si alguna de las diferencias es igual a cero, se elimina la observacin correspondiente. De esta

lrranera se reduce el tamao efectivo de la muestra a ?J el nrmero de diferencias no nulas.
Se ordenan los valores absolutos de las diferencias, de menor a mayor, asignando el rango 1 a la
rnenor diferencia absoluta, 2 a la siguiente diferencia rnenor, y as sucesivamente. Cuando las
diferencias son iguales, se asigna el rango promedio a los valores que son iguales.
Se obtienen,
(7+).
por separado, la suma de los rangos para las diferencias negativas
(T-) y positivas
Captulo
286
5.
Si
20 se
9.
Pruebas de Hiptesis lVo Pararntricas
utiliza la tabla de puntos porcentuales de la prueba de Wilcoxon (Tabla 6); si n > 20
se aprovecha q:ue
Z:
- .A/(0, 1).
n(n -r 1)(2n +
Entonces, el contraste queda as:
a) Prueba bilateral para la rnediana.
1.
2.
3.
4.
Hiptesis Nula. Hs:
Q2: ur.
Ht Qz I po.
de Prueba. Tobs : mn{T-,7+}.
I{iptesis Alternat,iua.
Estadstico
Regin
d,e
Rechazo. Tob" < T"/z(n).
Ejemplo. En una prueba de aptitud tomada a 12 aspirantes a un puesto en una empresa

obtuvieron los siguientes puntajes:
6.6 6.8 4.4 7.3 E.5 4.5 6.7 6.0 3.4 9.1 5.3
Determine si la mediana de las notas es 5, para
Solucin: Para
,r
d: :x -
6.6
4.4
Ho
Rango
-0.6
+2.3
10
6.b
DI
-f o.
L,
11
4.5
6.7
6.0
3.4
-0.5
+r.7
+1.0
9.1
ID
U.J
+4.r
1,2
+0.3
4.8
-0.2
Rango -
6.5
n,
f .L)
Total
65
1.6
63.5
I4,5
es
IIzptesis Nula. Hs:
Q2:5.
Hipteszs Alternatzua. H1:
Q215.
Estad,stico de Prueba. Tobs: mn{14.5,63.5}
14.5.
Regi'n d'e Rechazo. En Ia tabla de los puntos porcentuales de este contraste se observa que
: l!.
La regin de rechazo es [" < 14.

Dect'si'n. Se cumple que 14 14.5; por lo tanto, no se rechaza
calificaciones es igual a 5.
Ts.s25(I2)
5.
a:5To.
+1.6
+1.8
6.8
1.
2.
3.
4'
4.8.
5, la asignacin de rangos se resurne en la siguiente tabla:
Valores
La prueba
se
b) Prueba unilateral para la mediana.
Ho. La mediana
de las
9.4. Pruebas sobre rura sola ntttestra
1.
2.
3.
4.
Qz: l-ro.
Hiptesis Alternatiua. H Qz ) plo o bien -[11 : Q2 I
Estadstico de Pruebo,. Tob" : mfu{T-, T+ }.
287
Hrptests Nula. Ho:
ls.
<7"(n).
Regin de Rechazo. Tobs
Ejemplo. En un campeonato
de firtbol los 11 ecluipos participantes acurnularon el siguiente
nirmero de puntos:
2, 4, 8, g, 12, 14, 77, 2r, 22, 24,

Al nivel de significacin del
10
26.
%, probar qne la nediana de los pu.ntos acumulados es menor a
22.
Sohtci,n: Pongamos
Fo:22 y calculenos
Valores
los valores de
d:iu-l-Lo
-20
-18
-14
-13
-10
-B
Rango -
2t
-5
-1
22
24
26
4
B
I
72
74
77
Con esto elementos, la prueba

Hiptesis Nu,la. Hs:
y de 7+:
Rango
10
q
B
7
6
5
2
J
Total
1.
2.
3.
4.
5.
T-
50
es:
Q2:
22.
Alternatiua. H7: Q2 <22.

Estadstzco de Prueba. Tobs: mn{50,5}
Hi,ptesi,s
S.
:15,
la regin es [," ( 15.

Deczs'n. Se rechaza 1g y deducirlos qr-re la uedia'a es menor a
Regin de Rechazo. Aqu, 7or(10)
22.
9.4.3. Prueba de Kolmogorov-Smirnov de ajuste a una ley de probabilidad

El rntodo de Kolmogorov-Suriruov
qr-re
es un proceclinriento utilizado para comprobar la hiptesis nula de

la nruestra procede de una poblacin que est distribuida segrn una ley de probabilidad especfica.
trl estadstico de prueba,
que se denota por Dorr, se define por
Dob": nx lF6(z)
S,,(")l
donde Fo@) y,S,.(r) son las probabilidades acumuladas esperadas y observadas, respectivarnente.
La prueba estadstica es la siguiente:
l.
Htptesr,s
NuIa.
116:
La poblacin
sigr.re
tura 4(p) dada.
Capitulo
288
2.
Hiptesis Alterno,tiutt.
3.
4.
Estadsti,co
d,e
HLa
Pruebas cle Hiptesis -AIo Paranttricas

poblacin rio siguc urra Ie!'4(p) clada.
Prrteba, Dub": uix lF(:r)
Regin de R,ech,azo. Dob,
Los valores de
9.
Dr(n)
,5,,(r)1.
> D"(n).
se encuentran tabnlados pua cliver-sos valor-es cle
ay
n.
(Tabla 7)
Ejemplos
1.
Tras jugar a los dados, nn apostador conrcnzci a sospechar qlle el casino haca trampa. Decidi.
por tanto, anotar las tiradas del dado corl cre.jugaba,, obteniendo la siguiente tabla:
Nmero
Frecuencia
.)
16
10
l6
11
32
15
puede afirmar que el dado es incorrecto'/
,Se
Solucin: Formemos la tabla de fiecuencias lelati'r.as acumulaclas, adjuntando las colunnas de

Ia probabilidad terica v de la difelencia:
rx
FYecuencia
absoluta (n)
Fl-ec. relativa
acurnulada (,9,,("i))
016
026
FYecuencia
relativa
(./;)
l6
16
0.
10
010
016
l6
1i
011
053
32
0.32
0.85
15
015
100
L)
0.42
Fo(ri)
lFo("r) -,9,.(zr)
0.1667
0.3333
0.5000
0.6667
0.8333
1.000
0.0067
0.0733
0.0800
0.1367
0.0167
0
La prueba de ajuste clueda de Ia siguiente nanera:
I.
Hiptesis NuIa. -I1: Los datos siguerr Llna Iey uniforme discleta coD p: If 6.
2. Hiptesi,s Alternat'iua. 111 : Los datos no sigucn una lcy nniforrne discreta con pt: !f g.
3. Estadstico de Prtteba. Ds : mx lF6(r) - S,,(r)l : 0.1362.
4. Regin de Rechazo. En Ia tabla del contrastc K-S encontramos que D6.65(100) :0.136.
define la regin de rechazo Dor,,,
5. Dectsit. Como Dob,) D,r(n),

)
Se
0.136.
se rcchaza 11
v concluimos clue el dado est
cargado.
En uua ellrpresa) el salario rnerisnal cle los t,raba.ja<lotcs se distribuye segn Ia siguiente tabla:
Desde
flasta
No. ernpleados
150
190
Comprobar si se puedc asegurar

valiable /(306,58).
190
230
l6
230
270
270
47
310
55
310
3510
3B
350
390
19
390
430
L4
430
470
c-re
el
srlr,r'ic,r
ureusul.l err clicha clnpresa puede considerarse LulI,
9,4, Pruebas sobr"e ura soJa rnuestra
289
Sohtcin: Completemos la tabl-L de frccucncirs relrtir'rs acurnuladas, calculando ias dos distribuciones (la muestral v Ia terica) , tcnicnclo en crreuta que para calcular F6(r) deberelros
utilizar la tabla de la lev nornal.
5,, (., )
(ri)
91
0.0205
0.1096
0.3219
0.6233
0.0241
0.1089
0.2976
0.5636
0.0036
0.0007
0.0243
0.0597
30
121
0.E288
0.8001
0.0287
390
I4
390
430
144
0.9247
0.9863
0.9348
0.9826
0.0101
430
470
14ti
1.00t)
0.9935
Desde
FIasta
No. empleados
150
190
r90
230
13
230
270
Jl-
270
310
44
350
310
350
,l
Iri
,J1
De manera que la prtteba
47
')
IJU
lFo(r)
es:
Hiptesis Nula. I{: Los sueldos sigucu rlua 1ey /(306,58).
2.
Hiptesis Alternatiua. f11: Los sttelclos uo siguen ttna ley /(306,58).
J.
Estadstico de Prueba. Dob": mx f 6(r)
4.
Regin
5. Dec,is,in.
,5,,(r)l
0.0592.
Rechazo. En la tabla encorrtrarnos clue D5(1
la regin es
Do6,u
S(")l
0.0037
0.0065
1.
d,e
> 0.1126.
46): +:0.1126;
,/ua
etltonces,
No se rechaza 11; consectrelte[rente. los sa]arios siguen 1a ley,A/(306,58).
9"4.4. Prueba de la aleatoriedad de la muestra

En mrchos estudios experimentales es necesalio corroccl si la.s mnestras obtenidas son aleatorias o.
por el contrario, si ellas mantienen algirn tipo de collelacin o si han sido alteradas. La prueba que
nos permite realizar esta identificacin tambin se colloce corno cotsf raste de rachas. Por extensiu.
ester prr-reba es indicada para probal la indepcndencia entre obserrraciones.
Definicin (de racha). Una racha es nna
sucesin
c1e vrloles
por cncima o por deba.jo de ia
mediana.
La longitud de una racha es el nmero de observaciones consecutivas que tienen esta propiedad.
Fol ejemplo, si las
observaciones son
6.6 6.8 4.4 7.3 E.5 4.5 6"7 6.0 3.4 9.1 5.3
4.8.
ia rnediana es Q2 :6.3, luego de representar por ( ) Ios valolcs infcriorcs a la rnediana y por (+) a los
Existen 8 rachas de longitudes
snperiores, obtenemos la secuencia: +, +. -, *, *, , +. , , *, .
2,7,2, r, r,2,
1,,2.
una sucesicin or-dcrracll <-le observaciones; nr v n eI nmero de obserr.aciones que estn por debajo v por encima cle lr nrecliana cle los datos, r'espectivamente. Con estos
elernentos e1 contraste queda de la siguiente irtattcta:
Scetn rn6" el nrmero de rachas en
l.
Hiptes'is
Nula. //: Las observaciones aprtcccrl do tnartt:ra aleatolia.
2.
H,iptesi.s
Alternatiua.
111
: Las obselrracioucs no al)are(ie)n cle rnartera aleatoria.
9.
Captulo
290
3.
1.
Estaclst'ico d,e Prttebo,.

Reqir tle Rech,o,zo.
Pruebas de Hiptesis lo Paranttricas
't'ob,s.
't'ol.s
1,,
(rrr,
rr) {) ?',,," )
r,,, (lrr. tr ).
Los'r,rlorcs cle compa,racin para, esta pmeba se errcrrentr'ur tatrrlados (Tablzr 5).
Ejemplo. En nna prueba
de aptitr-rd tomacla a 12 aspirautes a un puesto en una elnpresa sc oblnvielor
Ios siguientes punta.jes:
6.6 6.8 4.4 7.3 8.5 4.5 6.7 6.0 3.4 9.1 5.3
Determine si los datos aparecen de manera aleatoria, para
cy
4.8.
5To.
Solucin: La mediana de estos datos es 6.3. Si a cada nno de los datos Ie restamos la mediana, queclr
Ia siguiente secuencia de signos: f , *, , +, +, -. +, , , *, )
.
Entonces, el nmero de rachas es robs : B y rL
: n:
6.
1.
Hiptesis NuIa.
2.
Hr,ptesis
3.
4.
Regin de Recho,zo. En la tabla, verfros los valores crticos con
5.
Dectsin. Como robs :8 cae en la regin de aceptacin, podemos afirmar que los valores lpare(ieraleatoriamente.
,116:
Las observaciones aparecen de rnanera aleatoria.
Alternatiua.
111
: Las obselr'rciones
ro,s
ro
aparecen de rranera aleatoria.
8.
9.4,5. Prueba para identificar
cy
:\Tt
ro,"
10.
valores atpicos
Esta prueba permite identificar la presencia de r'rkrres extr-emos cn Lll conjunto de drtos. Par''
la deteccin de valores atpicos, en gelelal, se manejarr cliterios empr'icos; por ejempio, cllre Lu1r,
observacin est alejada una distancia dc nrs de 3 desviacioles estndar de ia media) pero esto:
criterios no tienen fundamento tcnico y descuidan la influcrcia del tamao de la muestra.
Este contraste detecta un valor atpico a la vcz y cada nno clebe letirarse de la rnuestra iterativrrnentchasta que no se dctecten ms valores atpicos. La prr.reba fue desarrollada por Gnrbbs2 y se basa en
ia suposicir qrle los datos sigrten de una lcy normai o qlre prreden ser aproximados razorrablcrncntc
pol
sta;i.
La prueba de hiptcsis es la siguiente:
1.
Hptesis Nula. 19: No hay valores zrtpicos en el conjr.rnto de clatos.
2.
Hiptesis Alterno,tiua. ,1t: Hay al menos un valor-a,tpico en el conjurto de datos.
3.
Est,odsti,co de
1.
Reqin de Recha,zo.
Pruela.
gobs
gobs
rnx{lz
- rl}
> G..(t).
Crrrlrbs, F E (1969), "Ploceclules for Deterctirrg Orrtlyirrg Obscrvatiorrs in Samples," Ter:h.rotnetrics, 11, 1-2i
'-{,.rnc.re ste es uu contraste pulamtlico, se lo inclu,'e en estc captulo polque no se lerliza soblc cl valor cle
narnLetr-o sino sobre una car-acter'stica gencral cle los clatos
ul
9.5. Pruebas sobre dos muestras
291
La tabla de puntos porcentuales para la prueba dc Grubbs se encuentra en el Apndice (Tabla 8).
Ejemplo. En una prueba
de aptitud tomada a 12 aspirantes a un puesto en Lrna empresa se obtuvieron
los sigrrientes puntajes:
6.6 6.8 4.4 7.3 8.5 4.5 6.7 6.0 3.4 9.1 5.3
Determine si existe algn dato atpico. Use a
4.8.
:504.
Solztc'in: El promedio y Ia desviacin estndar son

alejado del promedio es 9.1.
r:
6,717
.s
1.716
y el dato que est ms
Con estos elementos, Ia prueba queda as:
Nula.
No hay valores atpicos en el conjunto de datos.
1.
Hiptesi,s
2.
H'tptests Alternatzua. I11 : Hay al menos urr valor atpico en el conjunto de datos.
Estadstico de Prueba. gobs:
-EIs:
mx{lz
4.
7}
19.1
l-
- ''
- 6.1171
1.776
1.74.
Regi,ndeRechazo. EnlatabladelapuntosporcentualesseleequeG6.65(12):2.tylaregin
S gobs > 2.4I.
de rechazo
5.
Decis'in. Como 7.74
<
2.29, entonces r
9.1 no es un valor atpico; es decir, la muestra no
contiene valores atpicos.
9.5.
Pruebas sobre dos muestras
Las pruebas no paramtricas sobre dos muestras que examilaremos son anlogas a las paramtricas
para comparar dos medias; es decir, para datos emparejados y para muestras independientes. Tambin
se presentar una versin no paramtrica del coefi.ciente de correlacin.
9.5.1. Prueba de los signos para datos emparejados

Esta prueba se aplica cuando se tienen dos muestras relacionadas y se quiere probar la hiptesis de
que las dos poblaciones tienen medianas iguales, pero no se quieren realizar suposiciones acerca de Ia
normalidad de los datos. Los datos deben presentarse en al rnenos escala ordinal.
Sea (r1,y1), (rz,Az), ..., (rrr,gr,,) una muestra aleatoria de pares de observaciones; donde (r,A)
representa dos mediciones tomadas de la misma ulidad nuestral. antes y despus de un tratamiento o
fennrenoquelaafect. Seconstruyeunamllestradelasdiferenciasdl , c12,..., dr,,,donde d:r-A
(z : 1, 2,. . . ,n) y se aplica la prueba del signo para Lrna muestra; es decir, contamos el nmero de
observaciones negativas y positivas y determinanos cul es el signo que menos aparece y cuntas
veces Io hace (k). Adems, llamaremos Q, ala mediana de la poblacin X y Qy a la rnediana de la
poblacin Y. Con sto, las pruebas son las siguicntes:
a) Prueba bilateral para la diferencia de rnedianas.
1.
2.
H'rpteszs
Nula. Ho, Q":
Hi,ptesis Alternatiuo,.
Ht
Qu.
Q,
Captulo
292
9.
Pruebas de Hiptesis No Paramtricas

li;
3.
Pr(X < A) :
Estorlstzco d,e Pru"eba. ptbs:
C'|,p'(7
p)tl-l j clonde k <
l':0
4.
Crzterio de Rechazo. 2po6"
a.
b) Prueba unilateral para Ia diferencia de medianas.
1.
2.
Hi,ptesi,s
Hi,ptesi,s
l{tr,la. Ho, Qr: Qa.

Alternatiua. HI Q, > Qu o bieu
Hr Q, < Qa.
k
3.
Estadstico
4,
Cri,terio de Rechazo.
rl,e
Prueba,. pobs: Pr(X < k)
: t
r':0
C',,p'(l
p)'tL-r ) donde
<:.2
1 a.
pobs
aceptacin de un tipo de yogurt, se pidi a 8

voluntarios que calificaran a dos versioues (antigua y nueva) del producto. Las calificaciones v
sus diferencias se resumen en la tabla.
Ejemplo. En un estudio para determinar la
Individuo
Versin
antigua
Versin
nueva
r)
ct
-tr
t
-.)
-4
Diferencia
Signo de
la diferencia
-5
+
+
+1
+1
Verificar si hubo incremento en Ia calificacin al presentar la nueva versin.
Solucin: Tenernos qlre
1.
2.
Hi,ptesi,s
Nula. Hot Qr:
Hi,ptesi,s
Alternati,ua.
y k -- 2. Entonces, la prueba queda
as:
Qa.
Ht Q, < Qy.
k
3.
4.
5.
Estadsti,co
d"e
Prueba. pobs: Pr(X < 2) -- >,Cip'0

r':0
Criteri,o de Rechazo.
pobs
p)7-" :0.2266.
< 0.05.
0.0226 > 0.05 y se acepta 11s. No hubo cambio significativo

en la apreciacin de las dos versiones del producto.
Deciszn. Se tiene gue Pobs
Observacin. Tambin
la prueba de Wilcoxon a datos emparejados, mediante la

aplicacin de este contraste a la diferencia entle ios valores de las dos muestras. Se recomienda que
el lector formule esta prueba.
se puede aplicar
9.5.2. Prueba de Mann-Whitney para dos muestras independientes

La prueba U de Mann-Whitney se emplea para probar que dos rnuestras independientes provienen de
Ia misma poblacin o de poblaciones que siguen Ia nisrla ley de probabilidad.
Supongamos que se dispone de dos muestras inclependientes, X y Y, cuyas funciones de distribucin
sori F(r) y Fv(r), respectivamente. Diremos, tambin, que el tarnao de la muestra X es rn y que
e1 tarnao de la muestra Y es n. Entonces, pala realizar el contraste se realizan los siguientes pasos:
Pruebas sobre dos nruesras
293
1.
Sc corlbinarr las dos nruestlas en una sola.
2.
Se asignan rangos a la mucstra conbinrdr clc lrs dos mncstras. Si se prodr,rccn empates,
asignar el promedio de los rarlgos a las obselvaciolr:s cntpataclas.
Se snman los rangos de las dos rnlrestris
- nlrl-
(Jt
se crlcnlan los estadsticos
- !norrsos(.y) .
+{
4+! - !n"r'gos(y).
(J2:t11t.
Con estos elernentos, se realiza la siguiente ptueba
1.
2.
3.
4.
Hiptesi,s Nttl,a.
Hipteszs
: Fl,(")
Hs: F(r)
Alternatiua.
H Fy(r) I
Fy@)
Estctd,stico de Prueba. (Jobs: run{t/1, U2}.
Regin
d,e
Rechazo. Uot," 1Un(nt.rt).
Los valores de comparacin pala esta prueba se encnentlan tabulados (Tabla 10).
Ejemplo. EI dueo de nn ahlacn registr' lrs r.errtas scnranalcs de sus dos erlpleados y quier-e sabet'
si ellos pueden considerarse iguales como verrclcclores. En la siguiente tabla se numeran las'u,cntas cle
cada dependiente.
Empleado A
Ernpleado B
Solttc'in: Los rangos asigrrados
t97
191
188
185
180
1-rt
1/J
169
190
166
175
172
1b/
180
160
r lrs
169
lmestr'ls solr:
Empleado A
Ernpleado B
Rangos A
Rangos B
rg7
190
15
13
194
166
74
188
72
185
t75
t72
11
180
t6T
9.5
ti
J
r73
180
9.5
169
160
4.5
4.5
169
n:E
RLrngos
Rangos
77.5
42.5
Los cstadsticos U1 )' Ur son
(Jt :,,,,,*d!f4
Lrz
:s x z+Lf
: nttt4+! -IRo,,s-'s(B) :8 x -*+
Dc ruanela qrre ia pmeba creclir
1.
2.
3.
1.
5.
-fnu,,s-os(;r)
T7 b
:r4.5,
-42,b:41.5.
zrs:
lLr: lL)
Al,ter"no,tiuu. H q f
Hiptesis Nula. Ho'.

Hipte..sis
t,,2
Estr.d'stico de Pruebo^ UoL,s: mn{t/1 , ti2}

R.egirL d,e Reclo.zo. Par'r
14.5.
cL:0.01, [/ooL(8,7) :8; crtorrccs,
la,
regin cs [/o6"
8.
Deciszn. Corno 14.5> 8. se lcchaza 110: cs rlccir. los clos cnrrleaclos venclen iguales
canticl-rclcs
Captulo
9.
Pruebas de Hiptesis No Paranttricas
9.5.3. Prueba de correlacin de rangos de Spearman

El
coefi,ci,ente de correlaci,n de rangos ordenados de S'pearntan ftre el primer estadstico basado en

rangos que se desarroll. Se lo emplea para determinar la existencia de asociacin entre dos varilbles
de tipo ordinal.
Si disponernos de n parejas de obscrvaciones (r1, At), @2,y2), ,.., (",r,A") de dos variables X y Y
y asignamos rangos a la primeru (Rr.) y a la segunda courponent" (Ru) de las parejas, se define el
coeficiente de correlacin de Spearman como
cSr
-1L
r":1
donde
di:
Rro
R.0,, es
t:l
'
ttltP
1)'
la diferencia entre los raugos asiguados
El procedimiento para su clculo
a.T,
y yi.
es el siguiente:
1.
Se asignan rangos a las observac:iones clc las rrariables
2.
Si hubiera empates, se asigna el promedio de los rangos a los individuos empatados.
3.
Se determina el valor de d para cada
X y Y.
indir.iduo y aplique la frrnula de rr.
El coeficiente de correlacin de Spearman tiene una interpretacin similar al de Pearson:

Toma valores entre
-1 y *1.
Cuando el valor absoluto de este coeficiente e,! cclcuro a 1 inclica que hay asociacin entle las
dos variables.
"
Cttando el valor del coeficiente cs cercarro

las variables.
-r
ciero, inclica qrre hay poca o ninguna asociacin entre
La ventaja de este coeficiente es que no rec,rir:re rca,lizrr srrposicioues clc nolrnalidad.

E1 contraste correspondientc rl cocficicntc clc Spcar'n)ur cs:
1.
Hiptesis Nu"Ia. Hs:
2.
3.
Estadstico de Prttebn.
4.
R.egi,n d,e
Rechazo.
p:
l0
t'.s
r, > r'.r(n)
La tabla para realizar este contraste se errcnentrr en la Tabla
Ejemplo.
I dcl Apndice.
alulrnos en las materias de lgebra y Clculo. Las

calificaciones correspondientcs a cada uri(i se r1r en la, siguicntc tabla.
Se examin el regisblo de notrs de 10
Alumno
Algebra
I7
18
l9
72
OD
Clculo
2T
I4
27
18
20
I
i)
it)
6
.)2
.)<
10
26
31
aa
DO
39
,D
JJ
o(
34
.)L
9.6. Ejercicios
295
Verificar si existe asociacin entre las notas en las dos materias.

Soht"cin: Formemos Ia tabla de rangos y su difelencia:
Alurnno
Algebra
17
Clculo
2I
1B
Rangos
(R,,
Rangos C (Rr,)
Diferencia
L4
19
27
-L
12
IB
23
20
5.5
2
c
J
o
L
t)
o,
L
25
55
05
.)
-1
25
,)+
-z
26
32
31
r0
-1
10
39
tt
DD
r)r)
10
t^
r)
:2e.5
Do?
rl:l
Entonces, el coeficiente de correlacin
es
1A
c\-2
",/-*t
r-:7'
La prueba de hiptesis de nulidad de Ia correlacin
1.
Htptesis
Nula. Hs:
p:
6 x 29.5
:l
,i,l
tlQt-l)
1o(100
0.821.
rechazo es rs
5.
1)
CS:
H p l0
3. Estadstzco de Prueba. rs : 0.821.
4. Regin de Rechazo. En Ia tabla del corltraste
2.
0.648. La regin de
> 0.648.
Decisin. Se tiene que 0.821

de las dos materias.
9.6.
tenemos que r'6.65(10)
>
0.648 y se rechaza 11s. Entonces, hay asociacin entre las notas
Ejercicios
Pruebas sobre una sola muestra
1.
En una cornisara se registraron el lrmero de denuncias diarias por robos:
17 15 20 20 25 32 28 25 35 12 26
24
Utilice un nivel de significacin del 570 para pr-obal clue la nediana del nrmero de denuncias no
es nayor a 20 por da:
a) mediante la prueba de los signos;
Captulo
296
b)
9.
Pruebas cle Iliptesis -AIo Pan-anttricas
mcdianbe la prucbtr clo Wicoxou.
2. En un estudio
sobre las relDesas enviadas por los parientcs emigrantes a varias fanilias dio los
siguientes resultados (eu miles de dlares):
2.4 2.3 1..7 r.2 2.5 3.6 4.2 2.2 2.3

Con el empleo de o
3.
0.05, pruebe si la trediana de estas lemesas
a) rnediante la prueba
cle los signos;
b) mediante la pruebir
cle
es
3.1
diferente de 2700 dlares:
Wicoxon.
Para ingresar a Lula agencia balcaria se form una cola folmada por H (hornbres) y lVI (mu.jer:es),
que est formada as:
H \4 H N4 II H H N{ H H H N,f N4 H
Determine la aleatorieclrcl en la colfomracirr cie la cola.
4.
Un profesor registr el nirmero de estudiarrtes ausentes a sus clases durante 24das corrsecutivos.
38 31 32 27 28 30 26 33 36 30 28
32 29 35 3i 33 31 28 30 28 25 29
35
33
a) Estudie la aleatoliedad de la muestra con un nivel de significacin de 0.05;
b)
5.
Se puede asegurar clue
la mediana es igual a 27.
Un corredor de bolsa obscrr' Ia siguiente venta de bonos a lo largo de un ao:

Enero
Febrero
19
Julio
22
23
20
Agosto
Septiembre
24
N4arzo
Abril
17
Mayo
18
Junio
20
25
Octubre
Noviemble
Diciembre
28
30
27
a) Aplique una prueba de rachas para decidir si los datos pueden

b) Es posible afirmar que la mediana es igual a 23?
6.
considerarse aleatorios;
la clistr-ibucin cle la canticlad cle corr-eos clectrnicos que recibe el serviclor cle
uDa empresa durante ltu ilterralo de cinco ninntos. Pala 400 intervalos de cinco minutos se
contaron la cantidad dc mensajes recibidos y se obtr-rvierou las siguientes frecuencias:
Se desea ajustar
No. correos
,)
10
Frecuencia
11
47
76
68
74
46
39
15
Los datos pueden considelalse distribuidos con la distribucin de Poisson con

7
):
4.6?
Los siguientes datos collcspondcr a los tienipos clc clulacin (medidos en meses) de lmparas
malca Lucky:
3.33 6.71 2.53

a) Estudie
7:5
16.82 3.56 0.17 2.r5 3.51
si es razottablc suponer cLc los clalos colresponclen a
Lrnr
7.24.
distlibucin exponencia.l;
il
9.6. Ejercicios
b)
8.
Se puede suponer que
297
la mediana de la muestra es igual a cuatro?
Los siguientes datos corresponden a los tiempos de vida (en semanas) de colonias de bacterias
criadas en un laboratorio bajo condiciones estables de temperatura y humedad:
3.31 5.48 7.37 7.44 2.73 4.r9 3.18

En todas las pruebas use el nivel de significacin del
2.23.
10 %:
a) Estudie Ia aleatoriedad de la muestra;
b)
Es razonable suponer que los datos corresponden a una distribucin exponencial?;
c) Existe algn valor atpico
9.
Se registr el caudal promedio
en la muestra?
(en m3/s) que ingres a una central hidroelctrica durante
12
das consecutivos:
99.0 79,8 77.4 87.8 59.0 7r.0 5r.4 92.7 69"4 68.9 70.r
a) Es razonable suponer que los datos son aleatorios?;
b) Es razonable suponer que los datos tienen distribucin normal?;
c) N{ediante la prueba de Wilcoxon, determine si la media de la distribucin
d) Determine si existe algl valor atpico.
10.
Se tiene
la funcin densidad dada por
f(r) :{
r'\-/
t - l"l' si -
L 0,
(r(
90.2.
es 75m3/s;
1;
casocontrario.
Se dispone de una muestra de mediciones de esta variable aleatoria:
0.03 0.01 0.32 0.88 -0.4t
-0.18.
Utilizando las herramientas estadsticas adecuadas responda a las siguientes preguntas:
a)
b)
Es razonable suponer que la muestra es aleatoria?;
Es razonable suponer que Ia distribucin de la muestra corresponde a la densidad dada

anteriormente?;
c) Independientemente del resultado de !a parte anterior,

roviener C_e ,rrr
11.
se puede suponer que los datos
Cistribr:cln rentrada en 0?
Se dispone de una mquina para llenar latas con 10cm3 de aceite (las latas llenadas
al borde
tienen una capacidad de 11cm3). Un operario afirma haberla ajustado de modo que la cantidad
de aceite Uue envla el pico ae laalrina e.nvasadora es de (10+e)cm3, donde es una variable
aleatoria con la distribucin U I
-+,+1.
contenido de 12 ratas out",.'i",')
r"t*;-tl/"."::1J::':"
Para verificar la afirmacin anterior se estudi el
,,
0.098 0.068 -0.004 -0.026 -0.012 0.096 0.050 0.062 0.036 0.04
0.054.
a) Determine si la muestra es aleatoria;
b)
Es razonable suponer que la distribucin de la muest ra es
c) Si la distribucin
d.el
error
experimentales confirman
l,l
(-+,r1) "
la afirmacin anterior?
fuese
l,l (-*
,01)?'
error medio sera 0cm3. Los datos
298
Captulo
9.
Pruebas de Hiptesis
-Ao
Paranttricas
\2. llrr falric:urtc ilc frrsiblcs asegura que) colr una sobrecarga del 207a,los tiernpos dc r.ida dc sri.
fusibles (descle (lue se conectan con sobrccarga hasta que se funden) se clistribuyen unifornenerrtL
15 minutos. Para probar esta afirmacin Lrna mlrestra de B fusiblcs fue

sometida a Llna sobrecarga del 20%. Los tiempos en quc tarclaron en fundirse dichos fusibles
firerorr los siguientes:
cntrc 10 minntos
13,34 10.69 13.37 77.r4 13.87 13.75 10.76

a) Analice
b)
1a
12.63.
aleatoriedad de la muestra;
la distribucin de la muestra es U[10,15]?;

c) Si la distribucin de los tiempos de vida fr.rese U[10,15], el tiempo medio de vida sera
12.5 min. Los clatos experimentales confirman Ia afirmacin anterior'/
,Es razonable suponer que
cl'
13.
En una empresa operadora de tarjetas de crdito se est analizando el historial del ltimo an,,
de1 consumo mensual de un cliente. Se conoce que el promedio de sus conslrrrros es 645 dlares
y desviacin estndar de 148 dlares. Si se encontr' que este mes tuvo un consumo de 320t,
dlares, debe considerarse que el cliente tuvo un comportamiento atpico?
L4
La poblacin ecuatoriana adulta tiene una estatura promedio de 162 cm y desviacin estndal
de 7.5 cm. En una muestra de 25 personas) a partir de qu valores de la estatura podeno.
colsiderar que hay presencia de valores atpicos? (Use cr : 0.05).
Pruebas sobre dos muestras

15
En dos laboratorios se realizaron rnediciones del punto de ebullicin de nn compuesto de silicr,(en "C) de 8 muestras diferentes.
Muestra
Medic n1
Medic n2
99.78
99.17
100.06
100.14
99.43
100.60
100.59
99.98
100.16
100.09
99.91
100.36
99.77
101.09
99.93
100.06
Determine si los dos laboratorios entregan igr-rales resultados, usando a

1b
0.05.
un tratamiento reduce el peso de las personas. Mediante una muestra aleatoli.

se seleccionan 10 personas que siguieron dicho tratarniento durante todo el tiernpo exigido. E:
la siguiente tabla se presenta el peso de cada paciente, antes y despus del tratamiento (rnedid
en kg).
o
o
Persona
1
2
r)
4
10
5
6
7
B
n,
Antes
108
72
r04 69 /d
tl4 86 92 98
B1
Despus 95 76 69 B1
77
56 81
92
B1
97
Se presume que
Verifique si el tratamiento es efectivo. (Use o
I7
:5%)
tienen dos muestras, X y Y, independientes entre s, qne corresponden a mediciones de nivelede contaminacin sonora en las ciudades de Quito y Guayaquil. Se desea saber si arlbas ciudade=
Se
tienen similares niveles de contaminacin o si alguna de ellas presenta niveles significatir.'anert.

rnayores.
l8
70.1
70.4
74.3
74.1
75.8
75.4
76.9
67.5
68.4
67.4
69.3
70.5
I 70.1
I 75.7
77.4
7U.J
72.7
69.E
69.9
68.7
70.3
70.7
7t.7
Para caLcular la velocidad de clculo de dos computadoras A

operaciones. Los tiempos invertidos, en milisegundos, fueron:
A
110
r02
125
120
74r
113
IB2
135
7r4
775
y B, se
74.4
7^1
realizaron en arlbas
Analice si hay diferencias entre las localizaciones de las dos muestras. Use a:570.
9.6. Ejercicios
19.
299
Los siguientes datos son los tiempos de duracin (mcdidos en meses) de 10 lmparas marca
Luckv:
3.33 6"T1 2.bz r.rb 16.82 3.b6 0.r7 2.r5 3.b1 7.24.
muestra, independiente de Ia anterior, de los tiempos de duracin
Se dispone ahora de una nueva
de Imparas de marca Wizard:
5.60 3.03 7.46 r.6.52 0.37 0.58 3.38 9.15 0.90 4.44.
Implernente una prueba de cornparacin de rluestras para concluir si es razonable suponer que
las nuevas imparas tienen la misma duracin que las anteriores.
20.
Los siguientes datos corresponden a los tiernpos de vida (medidos en nanosegundos) de partculas
radioactivas emitidas por cierto material:
20.05 1.30 2.54 1.95 9.20 4.20 1.84 7.02 5.60
1.80.
Para un nivel de significacin del 10%, estudie:
la aleatoriedad de Ia muestra;
b) si es razonable suponer que los datos corresponden a nna ley de Pareto, caracterizada por
la siguiente funcin de distribucin:
a)
rr,--\
\:L): Ilt-! r
|. 0.
c)
si
r>l;
caso conl rario
la anterior correspondiente a los

tiempos de vida de partculas radioactivas emitidas por otro material:
Se dispone ahora de una nueva muestra independiente de
2.60 4.81 12.79 3.82 7.2r 1.68 15.50 12.03 r.70
9.40.
Realice una prueba de comparacin de rnuestras para concluir si es razonable o no suponer

que los nuevos datos tienen la misma distribucin que los anteriores.
2I.
Se tienen dos muestras independientes entre s, correspondientes a los tiempos de duracin (en
aos) de sistemas electrnicos de marcas distintas. Se desea saber si los equipos de arlbas marcas
tienen niveles similares de Curacin o si alg.,rna de ellas presenta una duracin significativamcntc
lnaYor.
Ir'Iuestra X
Muestra Y
2.00
0.67
0.20
r.73
0.58
0.30
Utiiizando un nivel de significacin del
r.46
0"28
0.43
r.02
0.02
0.05
7.57
1.46
0.96
0.14
0.32
0.60
10 %:
a) Aplique La prueba cie rachas a ias muestras para decidir si se pueden suponel aieatolias;
b) Aplique a ambas muestras las pruebas de siglros y de rangos signados de Wilcoxon para
decidir si los valores X^:0.69 y Yrn:A35 son vaLores aceptables para las medianas;
c) Pruebe si la mediana de la muestra X es mayor que Ia de la muestra Y.
22
En una investigacin de mercado se pidi a dos nios que calificaran a 10 juguetes en orden de
preferencia (de 1 a 10), obtenindose la siguiente tabla:
Juguete
Nio
Nio
10
}I
rJ
r0
tr
Determine si las calificaciones estn correlacionadas.
Capitulo
300
at
9.
Pruebas de Hiptesis -h[o Paranttricas
En un estudio sobre cor.ercio internacion.r1. sc orrlcnrron dc rnanerr decreciente a los principai,,socios comerciales sudanericanos de Ecurdor v Algcntina.
Socio
Ecuador
Col.
Per.
Bra.
Ven
,1
Argentina
chi.
Bo1.
Par.
(J
Calculc ei coeficiente de corleiaci<in rle Speannan v verifiqr-rc si hav asociacin entre Ias ordeu.crones.
24.
Las siguientes son las calificaciones obtcuidtrs por 11 jtir.erres cluc se soneticlon a evalllacion.
en destreza rnanual v memoria rrislrrl.
D. manual
M. visual
11
15
l8
l0
11
13
I4
16
j,J
31
39
5ti
45
43
16
an
t) I
R.ealice una prueba para determinar si existe correlacin errtre las calificaciones en las dos er'.--
luaciones.
25. Un grupo de irn,estigadores
desea er.alrlar si un nuevo equipo dc tratamiento aguas residual.

es efectivo para reducir Ios niveles de contaniracin de las agllas vertidas a rrn ro por 1.
curtiembres. A tales efectos se midi el nivel de contaminantes antcs v despns del tratarnient,Ios resultados fnelon los siguientes:
Planta
Antes
Despus
10
4.82
2.72
2.08
2.87
0.33
r.76
t)
1.52
2.92
4.44
4.24
3.64
303
0.80
096
t.72
2.7r
3.70
2.08
2.39
3.07
a) Detenliue si efcctivamcnte se lta proclnciclo

b) Las dos muestras estn cor-relacionadas?
rrna recluccin en los rrivcles cle contaminacic,:
Ca ptu
lo 1
Regnesin Linea N 5mple
Tod,os los 'modelos estrt, eryr:tuocodns, pe'ro o,lqun"os sot, ttiles
G. E. P. Box
Iuchas de las aplicaciones estadsticas requieren la estimacin de las relaciones existentes entre dos
' ms r'rriables; por ejcmplo, puede ser necesario responder a las preguntas cmo vara el prccio
:-,lomedio anual del ma2, segn la produccin a nivel nacional? o cmo vara el consunio de gasolina
le nn rulo. segn su peso y ia potencia del motor? trl inters se centra, entonces, en determinar una
.cnacin clue relacione Llna variable dada con nna o ms variables que contienen informacin sobre
.,i primera. A estos problemas dedicaremos los dos sigtr,ientes captulos; antes reviscmos algo de Ia
--istoria de esta parte dc la estadstica.
lio
exactitud, quin y cundo empez a tratar de expresar algebraicamente las rclaciones

dos o ms vanables, de las cuales solo se dispone de un conjunto de observaciones; pero eu los
-scritos de Leonardo da Vinci, cuando l trata de las proporciones del cuerpo humano, se encuentt'an
.:lpresiones aritmticas que relacionan las medidas de diversas partes del cuerpo.
se conoce) con
.ltre
-,-n
intento, que est bien documentado, data de 1755, cuando Boscovich y Christopher Maire estaban
-lcargados de medir la longitud del arco de meridiano qne pasa por Roma. Boscovich concibi nn
,todo para encontrar nn modelo que relacione los datos correspondientes a dos variablcs, mediante
., empleo de las llarnadas <<regresiones elementales>>. Esta tcnica fue mejorada por su autolen 1760
'' I.L-.esii.:l Lir.a crl,a iris csi,rticl.tir,j.e por Laplace) Linos alos ms tarCe.
rn
1805, Legendre public una obra de astronoma, en la que describi el mtodo de los mnirnos
radrados y 1o aplic ai ajuste de datos observacionales. Tarnbin, hay una serie de artculos pre.-ntados por C. F. Gauss a Ia Sociedad Real de Gotinga en los que describe el mtodo de mnimos
Ladrados. Luego, en 1885, Sir F. Galton present en la rer.'ista IYature el desarrollo complcto de esta
-=cnica. aplicada a lo que l denomin modelos de regresitz. A partir de esta fecha se mejor y se
-,mpiet la tcnica, haciendo que ella sea la de nayor erlpleo en el ajuste de coniuntos clc datos"
-
-,ctualilente, la construccin de modelos lineales es Ia base de todas las tcnicas estadsticas

rtriraleza predictiva y su aplicacin se ha extendido a prcticamente todas las ciencias.
de
10.1-" Vlodelos deterrlinistas y probabilsticos

I,tisten aplicaciones en las que se dispone de un modelo que presenta nna relacin exacta entre las
.riables cie inters; por ejemplo, 1a ley que desclibe el tieilpo que tarda en caer un objeto dcsde nnr,
301
Captulo 70. Regresin Lineal Simple

altura dada, o la frurula que nos indica el inters ganado por un capital, dados la tasa de inters y
periodo de la inversin. Tales modeios se denominan determ'intstas.
e1
Sin embargo, en la vida diaria, tara vez se presentan fenrnenos que reproducen con exactitud una Ie'.
ya sea porque existen errores en la medicin o porque hay otras variables que no son consideradas.
por stl escasa influencia, pero que son sufi.cientes para que el modelo propuesto no sea exacto.
Un modelo en el que una o ms variables es de naturaleza aleatoria se denomina probabi,lsti,co y

Ia determinacin y examen de la calidad del modelo encontrado se llama anIis's de regresr,ru
Figura 10.1: Modelos determinista y probabilstico.

Destaquemos algunas de las ms importantes aplicaciones del anlisis de regresin:
1.
2.
3.
Descripcin cuantitativa de las relaciones entre una variable dada y un conjunto de variables.
Interpolacin entre valores de una funcin.

Prediccin v pronstico de datos.
En lo que sigue, nuestro inters ser determinar una ecuacin clue relacione una variabie dada con otra
variable de respuesta, bajo el supuesto que ellas se vinculan mediante una ecuacin lineal de primer
grado, caso particular conocido como regres'in lineal si,mple.
LO.2. Modelo lineal simple

R,ecordemos que ia ecuacin de Ia recta
es
lJ: l3ol7fl,
donde
es
la intercepcin de Ia recta con el eje y y r es la pendiente de la recta. (Vase Figura
10.2)
Intercepcin
Pendiente:p,
-{
! = fro
Figtrra 10.2: Recta de ecuacin
?J
: 0o-l /tn.
70.2. Modelo lineal sirnple
303
Este rnodelo es determinista porque no considera el error y los valores de g se obtienen, de manera
exacta, al sustituir los valores de r en la ecuacin de Ia recta.
Cuando se desea incorporar al modelo determinista ei efecto aleatorio de las variables se le aade una
componente que corresponde al error y el modelo queda como
a: 0ot Ap I
(10.1)
e,
donde
es
la variable a ser modelada o uariable dependiente.
es
la variable que se Llsa como predictor de g o uariable independiente.
el componente aleatorio del error.
Bg ia ordenada del punto donde la recta interseca al eje y.

B1 la pendiente de la recta.
A Ia variable indepenciiente, tarnbin,
se Ie denomina pred'ictoru
y a Ia variable dependiente
se llarna
respuesta.
Para recoger el efecto aleatorio del error, harenos las siguientes hiptesis sobre e:
distribuye normalmente con media cero y varianza o2'. - A[(0,o21
1.
Se
2.
Los errores, correspondientes a dos observaciones distintas, son independientes entre s: E(e
e)
0.
Ejernplos de modelos de regresin que se presentan en la vida cotidiana son los siguientes:
Presupuesto de gastos
de un hogar
Nmero de miembros
del hogar
Precio de nn
departamento
Area de construccin
Crecirniento anual
de un .r1-.ol
trdad del rbol
Precio de un libro
Nmero de pginas
del libro
Efecto del nivel socioeconmico,

tenencia de la vivienda, servicios
que dispone, etc.
Efecto de la zona de ubicacin,
trpo cie acabados, piso en el que
se encuentra, etc.
Efecto de las variaciones climticas,
variedad del rbol, fertilizacin de
Ia tierra, etc.
Efecto del tipo de papel, la encuadernacin, nmero de ilustraciones, etc.
rn el anlisis de regresin
es necesario tener en cuenta los siguientes pasos que llevan a estimar un

'len modelo) que se ajuste a los datos:
Tener una visin clara de los objetivos del estudio, para determinar cul ha de ser Ia variable
respuesta y qu variables pueden incluirse como variables independientes.
Recopilar los datos correspondientes a las variables identificadas como dependiente e independientes.
304
Captulo 70. Regresin Lineal Sirnple
3.
Postular un modelo, al que se supone se a,justan los datos (en nuestro caso se presume que es Iineal simple).
4.
Determinar la ecuacin de regresin; es decir, estimar los coeficientes del modelo propuesto.
I
L,.
Comprobar estadsticamente la adecuacin del modelo. Esto incluye la realizacin de prueba..

estadsticas sobre los parrnetros, la ejecucin de transformaciones de las variables para obtene:
un mejor ajuste o retirar variables de nna ecuacin si su aporte no es signiflcativo en ia ecuacide prediccin.
6,
Cuando la ecuacin sea satisfactoria, usar el nodelo para efectuar estim.aciones o predicciones.
Una vez que se han curnplido los tres primcros pasos) nuestro objetivo ser estimar los coeficientes de
modelo y comprobar la adecuacin del modelo.
1-0.3. Mtodo de los mnimos cuadrados

Para estimar los coeficientes de la ecuacin de regresin se emplear el mtodo de los mn'imos cnadrodos, consistente en minimizar la suma de los cuadrados de los errores; esto es, que si se nota a l.
ecuacin de prediccin por
i :
bo
I btr,
(10.2
donde bo y h son los estimadores de B y B1, respecti-u'amerrte; ellos deben ser tales que la surla d
los cuadrados de las diferencias entre los valores observados de la variable respuesta y su estimacirpor la ecuacin de regresin sea mnima.
Figura 10.3: Interpretacin del mtodo de los mnimos cuadrados.

Si se dispone de n pares de observaciones de las variables independiente y dependiente
..., (rn;A"") y si fr son los valores de las predicciones de y:
0:
bo
(r1;yt), @z;yzl.
bp.
Entonces, los residuos de la prediccin (errores) se calculan por
e:
i.
Nosotros buscaremos los valores de y b1 eue minimicen la snma de los cuadrados cle los errores.
tarnbin llamada suma d,e los cuadrados de los res'idu,os:
scE
>,"::f,fun-\)2
: Llr, - (bo + lrr)12

i:7
305
70.3. Mtodo de los rnnitnos cuadrados

Dcrivando SCE con resPecto a b6 Y
b1
ecuaciones:
e igualando el resultado a cero se obtienen las
11
a6c E)
: -z\(ur - bo -
0bo
b1r)
:0,
i:r
TL
a6c E)
: -2|u.(s. .i,-1
0bt
bs
b1r)
Q,
clya solucin es
1a
D@ -',)(tt'
i-l
h:
TL
i",
;,1
Y)
gCru
(10.3)
SCr"'
r)
Llr - -rt )-
i:I
b6 :
,iurrclcn-:-j--t'g:
(10.4)
U-bti,
TL
Dv
i:7
sonlospromecliosclclos\aloresdelasvariablesinclependientey
17
?.1
,-Lr:penclietite.
queda establecidr
los sttstituye en Ia ecuacin; de esta manera
u na vcz obtenidos los valores de bs y b1 se
ia recta cle prediccin pol m'nimos cuadrados:
i:bo*b1r'
la incorporacin de elroles
de
se recotrriettcla el empleo de un nrrnero suficiente
Observacin. En Ia estimacin cle los parmetlos

ie lecloncleo en el clculo de
sc", t-
d'e
scrr;
se clebe tener presente
-ifrassigrrificativasalrealizarlosclculosdeforrrrarnanllai.
de los automviles v stl con'sulllo
Ejemplo. En un estudio pala determinar la relacin entre el peso
con los sigttientes resultados:
ie combustible se escogi .,r,,a rl].,estra de 10 caIlos,
Co"s.,mo (l/100 krn)
leterminar Ia ecuacin de regresin lineai simpie'

es
jolu,cin: prirlero, establezcamos que la variable independiente es el peso y la dependiente
, )l I ilLl
]llf)
rrlra tabla:
?ara simplificar los clculos, Iestl]nalnos los componentes eu
z: 996.1;
.L
'9
739
1187
655
729
-257.1
16
190.9
-341.1
-267.r
797 I
108.1
199.1
963 11 -33.1
802 12 - 194.1
1551
1650
Suma
:11.4.
i-r
8BB
?l
18
554.9
20
653.9
-3.4 66100.41
4.6 36 442.8r
-5.4 1t6349.2t
-4.4 71342.4r
-4.4 11 685.61
2.4 39 640.81
-0.4 1095.61
0.6 37 674.87
6.6 307 914.01
8.6 427 585.21
1 115 830.9
874.14
878.14
1841.94
rt75.24
475.64
477.84
1.3.24
116.46
3662.34
5623.54
14 905.6
el

Sustituyendo los valores de las slrrrras en las frmulas (10.3) y (10.4):
,- :
bbo
sC,,
--*v
14 905.6
:f-).r-1131.
sc,.,- I 115 830.9
A -bt7 :11.4-0.0134 x 996.1 : -I.9477.
Entonces, la recta de ajr.rste por el mtodo de los mnimos cuadrados
es
0:-7.9477+0'0734r.
Ahora se puede, por ejemplo, predecir el consurno de un auto que pesa 1000 kg; esto es, z
i:
-7.9477 +0.0134 x 1000
1000:
Lt.45.
LO.4. Comprobacin de Ia adecuacin del rnodelo

Una vez que se halla una estimacin de la recta de regresin) es necesario determinar si 1 ss11gir-:obtenida es un buen rnodelo para los datos y cuantificar el elror que se cornete cuando se emplea t:.ecuacin. sto se logra mediante el empleo de los coeficientes d.e correlacin y de d.eterminacin, - .,
travs de la realizacin de pruebas estadsticas sobre los parmetros.
10.4.1. El coeficiente de correlacin

Recordemos que si se tienen dos variables aleatorias) una medida de Ia relacin que existe entre ell-.
es el coeficiente de correlacin p. Anlogamente, para determinar si existe una reLacin lineal entre le-
variables predictora y de respuesta se utiliza el coeficiente de correlaczn I'ineal de Pearson, denotad
por r, que se define por
11
L,rA-
nrA
El coeficiente de correlacin tiene las siguientes propiedadcs:
El rango de variacin de r est entre
Un valor de r cercano a cero indica que no existe o hay poca relacin (lineal) entre r y y.
Valores de
4.
Si r : I o r
deterninstico.
cercanos a 1 o a
- -1,
-1
-1 y 1, siendo su signo el mismo que el de br.
indican que existe una fuerte relacin entre Ias dos variables.
todos Ios valores caen exactarnente en la recta
En la Figura 10.4 se rnuestran diversos diagramas de la rclacin entre
se
tiene un model,-
y A, segrn los valores de r.
70.4. Cornprobacin de Ia adecttacin del rnodelo
f*e
*
A%\
307
. * \
*aa
*&- g
Be **s
'd"s
r r.;.ru1 7*
r = [1.7
: tgura 10.4: Diagratnas de dispersin de los datos y valores aproximados del coeficiente de correlacin.
:-empre debemos tener en cuenta que el coeficiente r solo aporta informacin cuando existe tura
-.-acin lineal entre las variables. Pudiera suceder que se tenga un valor de r cercano a 0 v, sin
.:.rbargo, haya una relacin no-lineal entre las variables.
308
Como el coeficiente r es un estimador de p, se pueden efectuar pruebas sobre la significacin de

coeficiente de correlacin muestral.
Prueba de hiptesis sobre p
p:
1.
2.
Hipteszs
Nula. Hs:
Hiptesi,s
Alternatiua. H1: p 10.
3.
Estadstico de Prueba. tobs :
4.
Regi,n de Rechazo. Se rechaza I1s
Q.
rJn=2
JT
-7
si
tob"
1 -tolz(n - 2) o tob" ) t.2(n -
2)
Tarnbin, se pueden conducir pruebas unilaterales sobre p, pero ellas solo tienen un valor estadsticy su valor prctico es restringido.
Ejemplo (Continuacin). Para los datos del consumo de gasolina de los automviles: a) caicr-rla-el coeficiente de correlacin de Pearson; b) realizar una prueba para probar si p : 0 al nivel o=
significacin de 0.05.
Soluc'in: Los componentes de
a) trl coeficiente
son: ,SC""
de correlacin
1115 830.9, SCaa
es
$cw
Como
es
14 905.6
:0.94197.
muy cercano a 1, existe una fuerte relacin lineal entre las variables.
b) Para la prueba bilateral
1.
2.
Htptesis
3.
Estadsti,co
4.
5.
:224.4, $Cxu :14905.6.
Hi,ptesi,s
consideremos un nivel de significacin del
Nula. Hs: p: Q.
Alternatiua. HI p +
d,e
prueba.
tobs
5 %,
0.
:'F=
JT
-F
Q'9419n\n0
v/T
-?:
-@.s're
7.g4.
:2.306 y Ia regin es lr"1 > 2.306.

Decisin. Corno 7.94> 2.306, se rechaza llo; es decir, hay evidencia que indica que existcorrelacin entre el consumo de combustible y el peso del carro.
Regr,n de Rechazo. Tenemos que s.25(8)
LO.4.2. El coeficiente de deterrninacin

Otra medida de la relacin entre las variables es eI coeficiente de deterrn'inacin, 12. Su empleo st
debe a que da mayor frterza de interpretacin a la relacin entre las variables. Tenemos que
n
er1
DUay
:D@o i:).
y)2
:Dr? - ne2,
i:7
que se le conoce como surna de los cuadrados alrededor de la media de y o suma de cuadrados corregzd
de y.
Si denotamos por:
70.4. Contprobacin de la adecuacin del rnodelo

SCE -- D(ao
i:I
309
se denomina como sttma, de uro,drados de los erT'ores. Este trmino
fr)2, que
tambin se puede calcular mediante la relacin
SCE
i@o " SCR: i:r
2,se designa
SCr,
como
b1SC,y
: SCo,
W
suma tle los c'uo,dlrod,os d,ebid,o a la reqres'ir.
Se puede demostrar que
SCE + SCR,
SCro
l7
l,(uo
i:1
1L
-il'
fi:I
17
tvo -0)2 +L(9, -il2
i:1
Entonces, tenemos que
(5C,,,)2
^2
sc,, sclu
scua - scE
SC,,
: r- SCE
sc,
Tambin, se puede expresar como
' _-
^,
Interpretacin. El coeficiente
1.
scr, - scg _ scR
sciu -sc*
12 tor.ra valores entr-e 0
;,
y se puede interpretal de vrrias maneras:
total. Cuando SC E : 0, 12 : 1 y cutrndo SClt : 0,

Luego, 12 r"pte.er.ta la reduccin lclativa en la suma de ,SC, cuando se lia ajustaclcr
nna recta de regresin.
Como medida de reduccin el error
12 : 0
Por ejemplo, un valor de 12 -- 0.7 significa que el 70% de la variacin total es explicada por Ia
recra qrle ajrrsta los datos y el 30% restantc es atribnible al error de a.juste.
2.
Como rnedida de bondad de a.iuste. Clrando el ajuste

ajuste, 12
es perfecto, t-2
:I
y cuanclo no hery
0.
Cuanto rnayor sea el valor de 12, mejor ser el a.juste y mayor utilidad tendr corno instrumento
de prediccin.
3.
Como rnedida de la linealidad de los puntos. Cualdo 12 se aproxima a 1, el gr:ifico de los

datos se acerca a una lnea recta. Si la relacin entre dos variables no es lineal, 12 : 0.
Ejernplo (Continuacin). Para los datos dei consllmo de gasolina de los automviles, calcttlal
:oeficiente de determinacin.
Solu,c'itt,: Se tiene que
SCE
scau-W
25.287.
_ r-ta4 A
t,
14 905.6)2
1115830.9
el
310
Captulo
Regresir Lineal Simple
70.
De rnodo que
25.287
t'2:l-
224.4
0.8873.
Es decir. el 88.73 % de ia variabilidad de ios datos es recogida por la recta cle regresin
10.4.3. Estimacin de la variayrza de la regresin

Al ploponer el modelo probabilstico
a:00-lp.rlt
error aleatorio est distribuido segirn una ley normal de media cero y varianza o2.
Entonces, cada valor obseru'ado de g est influido por tal error. Aderns, a los errores asociados con
distintas observaciones se los considerar mutuamcnte inclepcndientes.
se estableci que el
La varianza o2 del error es desconocida y su estimador insesgado
es
SCE
r-2'
A s. que es la desviacin estndar de Ia regresin muestr-al, tarnbin
se
la denonina error est"nd,ar dt
estim.o,cin.
Ejemplo (Continuacin). Calcular Ia estimacin de o2 para los datos del conslrrno de combustible
de los carros.
Solucir: Anteriormente se obtuvo que ,SCE
,,:
's'
:25.287. De rnodo
E
1:
"
SC
25.287
10
:3
qr,re
161'
Auuque s2 se puede considerar una medida de 1a calidad cle ajr.rste, su principal utilidad se encuentL.
en la determinacin de la bondad de ajr-rste, ya sea mecliante un intervalo de conflar^za o con Lrnprueba dc hiptesis.
LO.4.4, Inferencias acerca de Ia pendiente de Ia recta, Pr

En primer lugar se desea estudiar si existe o no existe relacin entre las variables r y A. Se desecoutestar a la preguuta aporta r informacin pala predccir 17? Esta pregr-rnta se refiere a Br, pues
afirmar que y no se lelaciona linealmente con z equivale a decir que B, : 6.
Eutonces, se desea probar la hiptesis nula <<r no contribuye con ilformacin para predecir y>>; contr:^
la hiptesis altelnativa, <<las valiables estn rclacionadas de forrna lineal con una pendiente distint
de ccro>>; es decir,
Ho, 0t:0,
Hr 0tlo.
Para efectuar Ia prueba habr que encontrar
lr
distribucil de lnuestreo de
1,1 .
70.4. Cornprobacin de la adecuacin del rnodelo
,i
311
[,
Distribucin de muestreo de b1
1{,
Si los componentes del error son variables aleatorias independientes normalmente distribuidas con
nredia cero y varianza o2, la distribucin de muestreo del estimador b1 es norrnal con media B1 y
desviacin estndar
ubt
JSe;
sto quiere decir que b1 es un estimador insesgado para p1, pucs E(b1)
estndar de b1 puede estimarse pol
: 0t y que la desviacin
q,
"ut
\/ /.d7'-,
JV, ,.
donde s es el error estndar de la estimacin.

Entonces. la variable aleatoria
:b'- Sbr A' sigue una ley a (n-2)
grados de libertacl.
Prueba de hiptesis acerca de Ft
a) Prueba unilateral.
: g.
Hr 0t < 0 (o bien .11: , > 0).
1.
2.
Hi,ptesis
Nula. H6: B,
Hi,ptesi,s
Alternati,ua.
3.
Estad,st'ico d,e Prtteba.
4.
Regin de Rechazo. Se rechaza 116 si tob"
tobs:
--L
slt/Se
-,'
1-to(n-2)
(o bien
I -t,,lz(n -
2)
o6"
) Lo,(n-2) cuando 111:
r > o')
b) Plueba bilateral.
1.
2.
3.
Hzptesis
4.
Regi,n de Rechazo. Se rechaza
Nula. Hs: Br: g.

Hiptesr,s Alternat'iua. HI 0t
Estad,stico
d.e
Prueba. tobs:
0.
--L
sl\/Se;,'
,116
si
'tob,
Intervalo de confianza de 100(1 - o)% para

Lin intervalo de confianzapar'" Ia pendierite
0t,
'\tl'\ - 2)-+;
y - r^n(n
'JSC,
(0,
"
tobs
t.2(n
2).
p1
a nivel 100(1
b1
ct)7o es
t L.2(n
u/L\ - 2)-:-)
',r/sc,; )
Ejernplo (Continuacin). Para los datos del consumo de cornbustible de varios carros: a) probar
.i Br :0, a ttn nivel de significacin de 0.05; b) obtener el intervalo de confianza algSTo.
Solu,cin,: Antes se haba determinado los valores de s
"
a)
r/3J61
Realizaremos una prueba bilateral:
y de SCrr:
r.TTTS, sc",", :1
11b 830.g.
3I2
1.
2.
3.
Hiptr:sis Nu,la. Hs: i3, : g.

Hzpte.sis Altuno,ti.t,a.. Ht: Br
l0.
0'0134
^j
- -:=1/se"., l.TTT\-1,rtr1r5i.yag : -7 9615'
I
4. Regin, tle Rechozo. Como tob" ) ioot(E) : 2.306 v la r-egin es lo,"1 > 2.306
5. Dectsi,n, Se lcchaza la hiptesis nnla.: es dccir, el consurno de combustible
Estodstico
d,r;
P,uelu,.
1,,b"
aument-
meclicla qlle se inclcrnrent-L el pcso de los carros.
b) trl intervalo cle confiarrzr

/rs\
(Lr - r"
es:
t't i i,, .{tt 2))
"rr, :t ,r-:
(.,.,,,,-r.30b-]j.I1::{l'(}13.lr.30+):(0.0095l0.0l73,).
\
vr11iE30.9
/rlr530.9/
L0.4.5. Inferencias
acerca de la intercepcin de Ia reca, p,
Sr.rpongarnos c.lc se clesei rr-crigrral si {)s r$ ual.

prucba rle hiptesis o colr un intervalo cie r:olfi A\Z
Se pttcrlc clentosl
rar qlre la
cLr-.svir<:irr
(l,o iloil Se;
ncra sirnilar
la rlescrita para
lJoo.
f{i.ptesis lfu"l.o,. Hs: Bs
3.
Este,d,.stir:o tle
4.
Hi,ptesis Alterno,ti,t:o,.
Ptuclt,t.
Regi,n r|,e Rech,azo.
S..
lo[,.,
sigrro rrrra clist'ribucin
I 0ou.
b iJao
rcclLr,za
con
rt
(n,
2) grados de libertad.
5C,,,
IL
\),,i
H si
t,,1,"
-Lr,
12(n.
2) o tub, )> to2(rt
lntervalo de confianza de 100(1 a)% para Bs
t.,,
[,-
i2(rt,
o\
Prueba de hiptesis acerca de o
1.
2.
p1
est i.rtclrl cle
O[.o:
El cstaclsti c,o l, -
1or cspecfico: ello se logra efectuando
2')
:lt!f ,,/:(n -
2).
70.5. Anlisis de la vartanza
313
Ejemplo (Continuacin). Para los datos del consurno de combustible de varios carros: a) probar
si
Bo:0,
a un nivel de significacin de 0.05; b) obtener el intervalo de confi.anza al957a.
Soluc't,n:
a)
Realizamos una prueba bilateral.
1.
2.
3.
Hi,ptesr,s
Hi,ptesi.s
B.: g.
Alternat'iua. HI Bs 10.
Nula. Ho:
n
SC,,
-L9477
4.
5.
Regin de Rechazo. La regin crtica es
Decisin. Como
|-
b) El intervalo de confianza
-, .rrr',-
1.1011
10
1.7779
11
lo6"1
>
1115830.9
11 037 983
o.oz(B)
-1.101.
:2.306.
< 2.306, no se rechaza Hs; es decir,
B6 pudieraser igual a cero.
es
t roul3l@)
r.rouL]Zg./ffi
:
v I 115830.9
x 1115830 9 -r.()J77/10
J10
(-6.025; 2.130).
10.5. Anlisis de la varianza

El procedimiento del
anIzsis de Ia ua,rianzc, (ANOVA) es una metodologa estadstica que permite

1a comparacin de dos o ms rnedias poblacionales midiendo la variacin dentro de las muestras.
En nuestro caso emplearemos el anlisis de la rraria\za para efectuar pruebas sobre los parmetros
estimados del modelo y as conocer su exactitud.
Anteriormente establecimos que se cumple Ia siguiente igualdad:
: Ljr, -0)' +\(0' - 2

i:\
i:I
l(ao -'
i:t
SC,o
(10.5)
SCE+SCR,
Significa que la suma de los cuadrados corregida es igual a la suma de cuadrados de los errores ms la
snrna de cuadrados debida a la regresin.
La suma de los cuadrados corregida tiene (n - 1) grados de libertad, Ia suma de cuadrados de los
errores tiene (n - 2) grados de libertad y Ia surna de cuadrados debida a la regresin tiene 1 grado de
libertad. Es decir, la igualdad correspondiente a los grados de libertad de la ecuacin (10.5) es
n-t:(n-2)+I
(10.6)
314
De las ecnaciones (10.5)
a continuacin.
v (10.6) se tiene la tabla de anlisis de Ia varianza) como la que se presen:
Tabla de Anlisis de la Varianza

Grados de
Suma de
Cuadrado
litrertad (9.1.)
cuadrados (.9C)
medio (I[C)
Fuente de
variacin
R.egresin
SCR
AnCR.: SCRII
Elror o residi-rrl
r-2
SCE
Totirl corregido
n-I
s2: SCEI("-2)
SC
F
p,
Lobs-
,
D
uu
La colnmna dcl <<cuadrado rnedio> (htC) se obtiene al dividir cada una de las suma de ios cuadrad,,
entre sus correspondientes grados de libertad.
El valor de 4a" r-esu.lta de la divisin del cnadrado medio de la regresin para el cuadrado
AIC R
resld.rtal: tobo:
a
5'
med-
Una vez elaborada la tabla de anlisis de varianza, el valor de Fo" se emplea para conducir una pruet
de hiptesis sobre la razn de dos varianzas) qrre sirve para probar si r : 0. La prueba es Ia siguientt
l{tila. Ho: p, :
1.
2.
Hiptesis
3.
Estadsttco de Prueba.
4.
Regin de Rechazo. Se rechaza H6 si f ,,-
Hiptesi,s Alternat'iuo,.
g.
Ht
0t 10.
Fobs
ATCR
> 4,(1,
rr
- 2).
Ejernplo (Continuacin). Para
los datos del consumo de combustible de varios calros: a) realiza:

la tabla de anlisis de la varianza: b) probar si p, : 0, a nn nivel de significacin de 0.05.
Soltci,n,: Las sumas de los cuadrados colrespondientes son
SC,oo
a) La tabla
- 224,4, SC E : 25.287. SC R :
de anlisis de Ia varianza queda como sigue:

t-uente de
variacin

Grados de
Suma de
Cuadrado
libertad (g.1.) cuadrados (,5C) medio (I[C)
Regresir'r
Error
'lotal corregido
b)
199.113.
1
8
199.113
25.287
199.113
F
62.99
3.1609
224.4
Realizamos la prueba de hiptesis:
1.
2.
3.
4.
5.
Nula. H6: Br: g.

Hiptesis Alternetiua. H p110.
Estadstico de Prueba. Fobs :62.99.
Htptes"ts
Regin de Rechazo. Corro Fo"
Foos(1,8)
:5.32, Ia regin es Foa" > 5.32.
Deczsi,n,. Se rechaza 1a hiptesis nula. Es nrs, por la magnitud del estadstico de prr-reba.
se declttce que el nivel de significacin del contraste es sumamente bajo.
70.6. Uso del ntodelo para estintacin y prediccin
10.6.
315
IJso del modelo para estimacin y prediccin
LIna vez que el modelo es satisfactorio habr que emplearlo para reafizar estimaciones y predicciones
que servirn para analizar el comportamiento de la variable respuesta ante condiciones que no fueron
probadas empricamente.
Previarnente establezcamos Ias diferencia entre intervalos de estimacin y de prediccin:
1.
2.
Un intervalo de estimacin se utiliza para estimar la media de Y, dado un valor de z; es decir,

estimar el valor lrro mediante un intervalo, cuando :[ : :x0. Un investigador puede desear
conocer el consumo medio, para un peso dado del auto.
Un intervalo de prediccin se utiiiza para estimar ur valor particular de Y, cuando n : ro;

es decir, estimar el valor Y0 mediante un intervalo de confianza. El investigador puede desear
conocer el consumo de un auto que tiene un peso dado.
Ntese que Ios valores de estimacin y de prediccin de Y son idnticos en los dos casos, la diferencia
radica en la precisin relativa de cada unar que se ven refleiadas en sus varianzas e intervalos de
confianza.
10.6.1. Intervalo de confianza para la estirnacin, E(Y), cuando X:
Xp
En el caso de la estimacin se trata de calcular
E(Yr): Bst Bp,p,

donde
r,
es el valor
particular de
para el cual se est haciendo Ia estimacin. El estimador
0p:
por tanto, las fuentes de error para estimar
La varianza
es
bo
E(f)
b1rp,
son b6
b1
("rr-;r2\
-2 -r(I,
ol:
o'(; - -ffi)
La varianza estimada correspondiente a f emplea s2 en lugar de o2 en la expresin anterior.

Lin intervalo de confianza aL100(1
(t
t.;2, -
2)s
- a)7o
para la estimacin, E(Yr), en el punto
(rp-r)2.-
;-E::!r+t^2(n-2)s
10.6.2. Intervalo de confianza para Ia prediccin, y, cuando

ln
x,
el caso de la prediccin el objetivo es calcular
Ap: l3ol l31ry,l
p,
Xp
es
es
31-6
el valor pronosticado cuando
ro
es el
valor particular de
r.
EI estimador
es
0p:bo!b:rp,
pero las fuentes del error de prediccin son bo, b1 y
La varianza
t).
es
oL-st:o'(t+1+Q--u)'\
\' "' sc,, )
y en su estimacin se emplea
s2 en lugar de o2 en la expresin anterior.
EI intervalo de confianza de nivel 100(1
a)Tc para Ia prediccin) Ap) es:
Ejemplo (Continuacin). Para los datos del consumo de combustible de los carros, obtener
intervalos de estimacin y de prediccin para un carro cuyo peso es 1000 kg.
Solucin: Como se indic los valores estimado v pronosticado son los mismos:
ip
La varianza o?v
bo
b1r,
-7.9477 + 0.0134 x 1000
71.45.
es
3161(++
(1000
)
-
996.1)2
1 115 830.9
0.316.
es
"v la varianza o?
\u-a^.
)
r (r^-T)2\
"/
o'(t+;.ffi)
z.rct
(t+
EI intervalo de estimacin correspondiente
-1
1o-
(1ooo
- ee6'l )2\
1r1b830.e
):t'n"'
es
te
-\/ : (tt.+s- 2.306v6]16;r1.45+ 2.306/0i16)
:
El intervalo de prediccin
Ie
(10.lb;12.75).
es
(rr.+s
2s06\E.4TT ; 11.45 + z.zoe/z.+n)
(7.15; 15.75).
Comoseve,elintervalodeprediccinesmsanchoqtreeldeestinracin.<
Ic=
70.7. Formulacin rnatricial de Ia regresin lineal
3t7
Ia precaucin de no usar el modelo obtenido para estimar el valor medio de g o

predecir un valor particular de g, con valores de r que se encuentren fuera del rango de la variable
Se deber tener
independiente que sirvi para su elaboracin.

E1 modelo podra ajustarse perfectamente
a los datos recogidos para hallar la ecuacin, pero nada

garantiza que el mismo comportamiento se consiga fuera de tales lmites, pudiendo darse un ajuste
bastante malo. (Figura 10.5.)
-v
Recta de
minimos
t')Error
- \-
de
',-Jnrediccin
\
Relacin verdadera
entre y y
Lmites
de
Figura 10.5: Uso errado de un modelo para realizar predicciones fuera del rango de definicin de r.
7O.7. Formulacin matricial de la regresin lineal

Si se tiene n observaciones de las variables independiente
.' la ecuacin lineal que las relaciona es
y dependiente: (r1;at), (rz;Uz),
..., (*n;yn)
a:0olPple.
=ntonces, se tienen las siguientes igualdades:
at : B0 + Bp1+ e1,
az : BslBP2*e2,
:-:
An : 0o-1 0p,, le,.
x-
es
es Lrna rnatriz
un vector n x
p:
(10.7)
(i: )
de las observaciones.
n x 2 de los valores de Ia variable independiente, cuya primera columna tiene la

particularidad que todos sus componentes son iguales a 1.
es un vector 2
xI
de los parmetros de Ia ecuacin.
318
es un vector
n x 1 de los errores aleatorios.
EI sistema de ecuaciones (10.7) es equivalente a la igualdad
Y:Xte.
Y si
se
nota como b al vector de los estimadores de Ios parmetros de regresin
u:f
/L
0o
\01
: Y-
),
9:
se tiene el sistema de estimacin de los parmetros
EI vector de errores es igual a e
Xb.
Xb.
Con ello se tienel
ete : (y-Xb)(y-Xb)
YY-2bxY+bxxb.
Derivando esta ltima igualdad respecto a b, e igualando el resultado a cero
\et e
ab
:-2xtY+2xxb:o'
cuyo resultado es el sistema de ecuaciones
xxb:
XY.
(10.:
Las matrices XX y XY son:

/n/tt\
XrX:l
Si la matriz XX
es
l"D,,ll)ao\
n
n
t'n
D"?
I\ t:l i:t
y:l
h-
t\ :lt,,a,
inversible, se llega a la ecuacin de estimacin de los parmetros
b:
La matriz (XX)-1
(xx)-1xY,
es
(XX;_l
/ n
\2
"l)*?-(D",)
i:r
\=l /
Con sto, Ios valores ajustados
se obtienen evaluando
9:
tEn
1o
Xb.
que sigue se emplear la notacin A para indicar 1a matriz o vector transpuesto de
70.7. Forrnulacin tnatricial de la regresin lineal
319
;. la ecuacin de prediccin de un valor gp correspondiente a un rralor zo dado es
-- xlrb,
Up
Con los
gresin
consnnro de combustible de varios carros) plantear la

contrar Ia ecuacin de regresin.
entes m
p-(;:) ,:(1)
)
, : / 1
x/x
(tin
t\
1187
1650
/
(
11 15830e
rxlxl-I :
/ t
(to
--,-x'Y:
/ to
-\
I
9961
ooor 11037983 )
037 983
-9961
( ttt
\ 128 461 )
1\
rc50
1187
As,
qxtx-1xty
b:
:
/ 11037983 -9961
11 158 309 \
-9961 10 )(
_t
." g - -1 906+0
Por ianto, ia ecuacin de regresin'
LO.7.l. Matriz de covarianza entre
-1.906 \
714
L2B 467
o.o34
):(
0134 r.
bo y br
Recordemos que
TL
Var(b1)
n2 \- -2
o2
TL
D@,
i.-1
")2
Var(b)
'i-1
,)L
nl(n
rl
r)2
2La diferencia en el valor del trmino independiente entle 1as formuiaciones algebraica y matricial, se debe al nrero
utilizados en el clculo de la formulacin algebrarca,
.le decimales
32O
Adems, la covarianza entre b6
b1 es
Cov(bs, br)
Covl(!
-D
-ro'
lr'r), br] -
IL
D@
l.:l
Entonces. Ia matriz de varianza-covarianza del vector
- ")2
es
l
"2Dr?
L-
var(b,
: ( .J,1,1,j..1,, .i.",,0,1', :
-o
-no"
TL
't t,
r?
\
14
L\r - r)'
e\2
-'O
i:1
,i-7
_o
-ro'
t7
t
o-
rL
D@
i.-1.
-r)2
D@
i:I
-r)2
Si sacamos fuera de la matriz el factor o2, resulta que
Var(b)
: o'(X'X)-t
La varianza a2 se estima rnediante

2
i:
}\-_btX\.
-2
tO.7.2. Forrnulacin matricial del anlisis de la varianza

Con el empleo de la formulacin rnatricial dc los componentes de la regresin se puede poner las sumas
de los cuadrados como
SCE:
scR
YY-brxY,
/ n
b1x/Y
\2
lrv,)
t" /
n
,,
SCoo :
YtY -
\2
/
(Iu')
\r -l
'/
'rL
As. el coeficicnte de determinacin, en formulacin matricial, es igual
T-
sCro
Tarrrbin, se puede reconstruir Ia tabla de anlisis de la va,rianza en su forma matricial:
32t
7O.8. a)ansforrnacin de modelos no-Iineales a lineales
Anlisis de la Varianza
libertad
medio
(g.1.)
scR:bf xY -
n-2
; ( r,)
SCE:YfY-bXY
Total corregido
SCao
Ejemplo
(ll[C
Con los
IL
:"'t
- *
La
da
truir la tabla
de anlisis
de la vari
no de los t
Soluc'n:
YY
((t -l
(s
I,
Drn :
r14.
;_1
Entonces,
- !10 Q1q2: 199.11,
SCR : bx
l4gg.n
SCE : YY
4ggjr:2529,
SCro
: YrY
Ccrr tc.lo lo anterior, se tiene la.
z+
- fi@al 2 :224.4.
t
Tabla de anlisis de la varianza
Fuente de
Grados de
variacin
libertad (g.i.)
Regresin
Error
Total corregido
Suma de
cuadrados (SC)
199.11
25.29
Cuadrado
nedio (I4C)
199.11
F
62.99
3.16
224.40
Obviamente, la tabla coincide con Ia elaborada rnediante la formulacin algebraica.
10.8. Transformacin de modelos
no-lineales a lineales
En rnuchas ocasiones los modelos no lineales pueden ser tratados corno lineales si se efectan algunas
trattsformaciones a las variables, ya sea a la predictora, a la respuesta o a ambas.
322
ernplear tales transformaciones se deber tener la precaucin de verificar que el modelo modificad
cr"rnple con la hiptesis sobre Ia distribucin que siguen los errores.
A.1
1. Modelo exponencial
(Figura 10.6.)
Figtrra 10.6: \'Iocielo erponerrcial g
EI m.odelo
"i3g+0'tr+e
es
'g
- gSoI0tt:+e
'
Tomarido logaritmos cn ambos rrrielrbros,
Ini/:3oilttIe.
Si poncmos z
?:
bo
* hr,
In;r7
qucda z
: Aoi 0fl *
2. Modelo recproco o inverso
e. cre es utt rnodelo lineal simple, que se estirna
(Figur-a 10.7.)
Figr.rra 10.7: \'Iodclo recproco
17
Ac)
El modelo recproco o iriverso
es
1
U
D)-.
Jg-f
l)1:t
Tonando los inversos en ambos micmbros.

1
Poniendo
l)
-ft uQ I.r... t t cJO
Ia ltima igualdad qr-rcda corno
a
-.)'1..-r':90iLll.t.
qlre es un modelo lineal usual.
-l
pp -l e
70.8. hansforrnacin de rnodelos no-Iineales a lineales
3, Modelo multiplicativo
o potencial (Figura
323
10.8.)
Figura 10.8: Modelo multiplicativo y
er,\.
El rrodelo multiplicativo, tambin conocido como potencial, es

Y
o,r\'
Tomando logaritmos en ambos miembros de la igualdad:
InY:lna*)lnr*lns'
Haciendo z
:lna, :
ln
r, 0o :lno y 0t : \,
el modelo se escribe como
z:Jo_3rt+t.
que se estima por ei modelo lineal
2:
bo
b.
Otros modelos no iineales comunmente utilizados son Ios siguientes:

4.
Logartmico. a: a* 01nr,
D.
Compuesto.
o.
Curva S. y - a-lg/t,
A: aB", qre se linealiza
Se recomienda que el
: lnr.
mediante Ing: lna*lnBr.
en el que se utiliza Ia transformacin
que se transforma en
lng
a,
I pt,
con
t: !.
T
lector realice las operaciones necesarias para linealizar estos modelos.
Ejemplo. En el desarrollo
de un algoritmo de computacin, para ser usado con una gran cantidad de

-rformacin, se desea conocer Ia relacin que existe entre el nmero de datos y el tiempo que emplea
',na computadora en entregar resultados. Para cada una de las distintas cantidades de datos, se
;icieron 10 mediciones del tiempo empleado y Iuego se calcul el tiempo promedio, segn se resumen
-l
Ia tabla:
No. de datos (millones)

Tiempo promedio (""S.)
ijustar
1.0
1.5
20
25
3.0
3.5
4.0
5.0
10
0.8
2.r
3.0
4.4
6.8
9.7
i3.6
22.3
40.3
72.4
los datos a un modelo multiplicativo.
icl,-tc'in: El modelo propuesto es de la forma A : c,r\.. Para transformarlo en uno lineal se deber
- mar logarit mos:
InY: lna * )lnr *
lne'
i- suponemos que se cumplen las hiptesis bsicas, que permiten tener un modelo de regresin lineal
.-.rple, entonces se tiene la siguiente ecuacin de prediccin lnf : lna * blnr.
Captulo 70. Regresin LineaI Simple
324
Por tanto, se deber reaTzar una regresin lineal de 1ny respecto a
lnr.
Tomando logaritmos en las dos variables:
lnr
0.0000
lna
0.223r
0.4055
0.4719
0.6931
0.9163
1.0986
1.2528
1.0986
r.48 16
1.9169
2.2727
1.3863
2.6101
1.6094
3.1046
2.0749
3.6964
2.3026
4.2822
Efectuando la regresin lineal propuesta resulta la ecuacin
Ini : -i'866 *
A continuacin, si tomamos antilogaritmos
en
1'956 in
r'
la igualdad obtenida, da como resultado:
-1"0
:
'u:
e 1,866+1 956ln z
e I 866e1 956In
0.829 21
e56.
Adems, se obtiene un coeficiente de determinacin muy alto, del 99 Y,t, para la ecuacin transformada.
A partir de la ecuacin
se podra proponer que e1 tiempo de ejecucin de1 algoritmo es proporcional

al cuadrado del nmero de datos: A:0.8312. Para verificarlo es necesario realizar las pruebas de
hiptesis sobre los parmetros. Esta tarea se deja a1 lector.
10.9. Ejercicios
Modelos lineales
1.
Se desea estudiar
la relacin entre la intensidad de regado (r) y
productividud (y) de un
1a
cierto cultivo. Se obtuvieron los siguientes resultados:

trL
10
13
l5
18
13
At
36
44
4B
63
70
45
Ajuste un modelo lineal simple y calcule el coeficiente de correlacin lineal entre las variables.
2.
un experimento pa,ra medir la velocidad del sonido en el aire a diferentes temperaturas.

Los resultados obtenidos se indican en la siguiente tabla:
Se realiz
Tcmperatura cn 'C (r)

Velocidad en m/s (y)
a) Estime la funcin
b)
Calcule
e1
2qo
tDt
tr.)J
r)r)tJ
de regresin lineal de g sobre
r.
20
.).f
50
346
tro
L
365
Interprtelos;
coeficiente de correLacin lineal entre las variables;
c) Pruebe si fr : 6'
d) Encuentre los intervalos
a
1.)
1L)
de estimacin
y de prediccin cuando
J.a
temperatura es 15'C.
Para detelminar Ia relacirr entre el nrmero cle vendedores y 1as ventas anuaies (en rniles de
dlares) que tiene una empresa, se obtuvieron los siguientes datos:
Ventas
Se postul que los datos se
ajustan a un modelo
20 27 33
1inea1 simple.
47
70.9. Ejercicios
a) Determine
b)
c)
d)
las estimaciones de los parmetros
325
0oy 0t y escriba el modelo de regresin;
Grafique los puntos y la recta de ajuste;

Construya la tabla de anlisis de la varianza y pruebe si Bt
Se ajustan bien los datos a la recta?
g'
En un estudio para describir la relacin entre la exposicin al ruido y la hipertensin se realizaron

ias siguientes mediciones:
a) Realice
r"rn
grfico de los datos
y diga si es recorrrendable ajustarlos a un modelo
lineal
simple;
b) Halle la ecuacin de regresin simple que ajusta los datos;

c) Realice un anlisis de varianza y pruebe la significacin del ajuste;
d) Halle el coeficiente de determinacin del modelo. Interprete su valor.
e) Hay alguna manera de simplificar el modelo?
En una investigacin de las propiedades de un pegamento de secado rpido se midi el tiernpo
que se demora en cristalizarse en funcin de la cantidad de pega depositada sobre uria superficie
de material cermico de prueba.
Cantidad (g)
Tiempo (seg)
a) Ajuste
26.2 27.9 29.4 30.5 31.0
34.3
los datos a un modelo lineal simple;
b) Realice un anlisis de varianza y pruebe la significacin del ajuste;

c) Construya los intervalos de confianza para los parmetros de regresin.
En una agencia bancaria se registr el nrmero de depsitos realizados y el monto total de estas
transacciones. en una hora de trabajo, con 1os siguientes resultados.
Monto total (en cientos de dlares)

Nmero de depsitos
10
1t)
7
,-)
l9
25
11
AD
l,)
a)
Realice Ia formulacin matricial del problema

prete ios coeficrentes;
b)
Calcule s y obtenga un intervalo de confianza, al 95 %, para los coeficientes de regresin;
y ajr-rste los datos a un modelo lineal. Inter-
c) Evale 12 e interprete su valor. Pruebe si p : g'

d) Realice una prediccin para cuando el nrmero de depsitos es 12;
e) Obtenga la tabla ANOVA y realice la prueba F' correspondiente.
En el mercado inmobiliario se realza el. avalo de una propiedad para luego efectuar su venta,
la diferencia constituye la ganancia del vendedor. En la tabla se dan los valores (en rniles de
dlares) de avalo y precio de venta de doce propiedades en Quito.
Avalo Venta
Avalo Venta
59.0
108.0
46.5
43.5
52.2
62.5
85.7
56.5
65.2
74.0
109.0
67.4
70.7
74.0
57.4
103.8
95.0
84.0
106.0
154.0
Captulo 70. Regresin Lineal Sirnp.le
326
a) Grafique las variabics en
un diagrania de dispersin;
b) Realice Ia formulacin rnatricial del problerna y encuentre los estimadores de los parrnetros
del modelo;
c)
Aporta el valor de avalo
informacin para conocer el precio de venta y?;
12. Amerit:r realizar una prueba de hiptesis para probar si p: [?'
d) Calcule
tur interr.alo dc confianza de 95 % par:a el precio rnedio de una propiedad con un

mil clcilares. Interprete el intervalo;
e) Obterrga
avalo de 72
f) Encuentre un intervalo de confi.anza al 95 % para el precio de venta de una propiedad

arraluada en 65 mil dlares. Interprete el intervalo.
8. El nna entidad
finarrciera se desea tenel nn mtodo que permita realizar pronsticos de las

ganancias obtenidas en base a inforrrracin cre pueda estar disponible de ulanera rpicla. trl
gerente de crdito plantea uu modelo qr-re relaciorra el lrrnero de prstamos realizados en Lln lres
v la ganancia obtcnida en el misrno perocio. Prr trl efecto recoge la siguiente informacin de
los 8 rltimos meses:
No. prstanos
Ganancia
L25
131
r42
127
140
121
136
133
44
54
77
35
BO
47
66
ti5
Los valores de las ganancias estn en cientos de dlares.
a) Encuentle la ecnacicln
de reglesiu linerl sirnplc que relaciona'el nrmero de prstamos y la
ganancia;
b) Es saiisfactorio el urodelo
c) Realice
obteniclo'l Por cr'/;
un anlisis de la varianza;
d) Haga una prediccin para
un nles en el clue se otorgaron 123 prstamos y constrrlya un

intervalo aI95% para tal prediccin;
e) Cree que
podra mejorarse el ntoclcio propuesto? 7,Cmo?
9. La siguiente tabla muestra la captr-rra
de anchoas (captnra, en millones cle toneladas mtricas)
v el precio de la harina de pescado (precio, en dlares por tonelada) para los rltimos 10 aos:
Ao
,)
i_)
10
Precic
190
160
134
129
172
239
542
245
454
410
Captura
(.,1
E,53
982
10.26
8.96
4.45
1.78
D'
t).r)
08
05
Construlra ios rnodelos lineales que lelacionen las variables ("

a)
- y) e interprete los coeficientes:
Precio 1' ao;
b) Captura
c) Precio
ario;
y captura;
Con el modelo que tenga 1a mxima correlacin:

d) Realice la tabla ANfOVA e interprtcla;
e)
Construya los interr.aios de confiallza para los coeficientes de regresin;
f) Realice la estimrcin de y
cnrndo
r:
5.5.
70.9. Ejercicios
_1.
327
Los siguientes datos corresponden al ritmo cardiaco en reposo (Y) v el peso
(X, en kg) de 6
personas.
90
86
62
45
67
40
89
55
81
64
53
75
Dr:
Dr?
Dg:319'
488,
40092, Drnan : 26784, Dy? :17
399.
a) Grafique los datos y examine si parece que hay una relacin lineal entre las dos variables;
b) Calcule los estimadores de los parmetros de regresin;
c) Obtenga la estimacin por intervalo de Ia media cuando r : 88, al nivel 95 %;
d) Obtenga el intervalo de prediccin de Ia media cuando z : 88, al nivel g5 %;
e) Calcule los coeficientes de determinacin y de correlacin entre las dos variables.
En un laboratorio de prueba de automviles se mide la distancia de frenado en relacin ctrn la
velocidad que lleva el auto, dando los siguientes resultados de 20 observa,ciones.
7: 50,
a
:30,
rL
D@n -z)2
i:7
rL
D(ao
i:7
1600, D@n -r)(y
e)
800,
- 2 :832.
a) Calcule Ia ecuacin de ajuste para el modelo de regresin lineal simple;

b) Realice una tabla de anlisis de la varianza;
c) Determine los intervalos de confianza de la estirnacin y de la prediccin al 95%o, para
valor de Ia distancia de frenado, cuando la velocidad es ro : 69.
el
Se realiz un estudio para determinar el efectc que tiene la temperatura (r) sobre la crntitlad
de gas residual generado (y)
un proceso qumico. Se analizaron 12 unidades nrnt:stlales y se
"r.
midieron las siguientes cantidades.
n:12,
72
Dr?
i:l
a) Encuentre la ecuacin
r:7.5,
y:55.7,
12
42s0, Da? :279360, Droao: -23707.5.
i:r
i:7
72
de regresin lineal que explica la cantidad de gas por Ia ternperatura
del proceso;
b)
Calcule el coefi,ciente de determinacin;
c)
Realice un anlisis de varianza. Interprtelo.
Uua teora financiera sostiene que hay uua relacin directa entre el riesgo de una inversil y el
rendimiento que promete. El riesgo de una accin se mide por su valor, Ilamado p. En Ia tabla
se muestran los rendimientos y valores de 12 acciones:
Rendimiento
Valor Beta
1.5
89
.)
1.9
1.0
15
05
,) /
15
82
18
53
13
05
-0.5
13
05
59
IB
68
19
72
19
328
Captulo 70. Regresin Litteal Simple

Al
a.justar un modelo de regr-esin a cstos clrtos. se obtuvo las siguientes salidas:
Predictor
Coef.
Error Est.
toh"
Intercepciiru
Pendientc
0.44
0.r22
3.62
0 L9
0.022
8.56
Fuente de variacin
R
g.l. SC MC F
cgrcsirt
Residrrrl
Total
11
0.439
3.649
a) Pruebe si los coefi.cientes del ruocleio son siguificativos. Escriba

sus valores y las regiones de rechazo;
b)
c)
14.
las pruebas .r, liruls
Complete la tabla ANOVA e intcrpr'tela;

Calcule cl coeficielte de deterniinrciri e irrterprtelo.
Suponga qlre se ha ajustado trna lnea r(x'ta a uu conjunto de 9 pare.jas de observaciones, dand,
a-
x |l- -r '.L'
lJ -
Adems, se obtnrrieron las siguientcs clcsr.iaciorres: (r;,

tabla de anlisis de la valianza:
- r): -4, -3, -2, -1, 0, I,2,3,
variacin g.l. SC IIC
Fuente de
4 5"-
Rcgtt'sititt
R cs it
lrrtl
3il0
Totrl
a) Complete ia tabla AI{OVA;

b) R.ealicc rlna prueba cle adccuacin del modelo.
Modelos no lineales
15
A continuacin
sc presentan 7 mediciories dc clos variables

:L
05
06
10
27
15
20
25
3.0
3.5
12.2
54.6
244.7
1096.6
4914.8
Encuentre 1a ecuacirr de regresin cluc a.justa los datos, segn un modelo exponencial y calcul.
el coeficiente de determinacin.
16. En la siguiente tabla se encuerrtra el nrnrero de aos para el vencimiento y el rendimiento d=

unos bonos.
Aos para el vencimiento

Rendimiento
a)
l0
15
1B
23
25
0.067
0.072
0.076
0.079
0.081
0.077
0.082
0.07E
Ajustc un modelo rnultiplicativo a los datos;
b) Ajrrsle un tnoclelo
j :_uu
l,n r
-\t t.
c) ,Cul de los dos modelos cree cs
mcjor? Por
qu?
70.9. Ejercicios
17. Un ingeniero
est investigando la relacin eritrc

generada. Luego de 10 nediciones obtttr.o:
Velocidad del viento

Corriente generada
a) Ajuste
b)
18.
ti0
60
.)
l.58
t82
1.06
los datos a un modclo de
329
clcl r.iento y la cantidad de electridad
lr veloc:irl'rd
61
10.0
97
96
3.1
B2
6.2
1.93
2.24
2.39
2.29
0.56
2.17
1.87
/1
tipo lt -lr:
/r
+';r (.
t-t
Calcule e interprete el coeficiente de deter-miuacin del modelo transformado.
la evoluci<iu
El gerente de una
ernpresa desea lelacional

segrn los datos que aparecen en el cuadro:
Ventas (9)
Gasto (z)
L(l
15
18
i9
22
4),
de Ias ventas
o.)
.a
25
72
9B
y el gasto publicitario,
a) Realice un ajuste de tipo rlultiplicativo y encuentre la calidad del ajuste;
b) Ajuste
c)
19
los datos mediante urra funcirr lirreal sinrle y compare con el ajuste anterior;
Cul de los dos modelos es mejor? Expliquc.
Considrese los datos que se presentan a corrtiuurc:il

f
a) Grafique
b)
T4
77
i1
10
0.34
0.26
0.18
0.30
0.40
0.27
0.48
0.42
los datos;
Suponga que las variables r,
yy
se vinculan mediante
la relacin y :
cuentre los coeficientes de regresin.
c) El modelo es adecuado para

20
A continuacin
los datos'/ Por:
Ps 1- {3rr
En-
c1u'/
se presenta la evoluciri anual clcl srlario mnirno
vital en nn
pas con alto ndice
de inflacin.
Ao
S.M.V.
a) Grafique
b) Ajuste
l0
11
I2
66
95
720
r20
I45
190
220
320
320
400
600
600
los datos;
los datos mediante un modelo cxponencial;
c) Qu se puede ciecir de la calidad de a.jrrstc de 1os datos a la cnrva de regresin?;

d) Realice una estimacin del valor del S.N'f .V. en julio de 1994;
e) Si el S.M.V. en el ao 13 ascendi a 900,
21.
.es
bueua la predicciu r-ealizada'? Explique.
En astronoma se denomina ao sideral al niulero de arios tcrrestrcs qlre un plancta se demora

en completar nna revolucin alrededor del Sol y rlepencle de la distancia entre Ios dos astros.
En ia tabia se muestra la distancia promeclio ;' el arlo sideral para los planetas del Sistema
Solar. Emplear los datos para detelninal nrr modelo de legr-esin que relacione las dos variables,
330
tomando com.o variable dependiente al rrio sideral. (Pala lealizar la transformacin adecuadr
refirase a la tercera ley de Kepler).
Praneta
r,.t*fililli"Tl",
Mercurio
Venus
Tierra
Marte
Jpiter
Saturno
Urano
Neptuno
Plutn
22.
Duracin del ao sideral

(7: aos terrestres)
0.24r
58
108
0.615
150
1.000
1.880
228
778
11.862
7428
29.458
84.018
764.780
2877
4500
5913
248.400
Los siguientes datos corresponden al precio de venta (en cientos de dlares) de un modelo de
automvil, segn los aos de uso
Aos de uso
Precio
r0.2
B3
69
5.5
4.0
3.5
3.3
Ajuste a los datos un modelo recproco y calcule el coeficiente de deterrninacin.

23
IJna empresa de telefona celular ha registrado la siguiente evolucin en el nmero de abonados

a su servicio en sus primeros 8 aos de operacin:
Ao
Abonados
32 000
37 500
41 000
58 000
107 000
6
7
138 000
175 000
321 500
a) Grafique los datos;

b) Se plante que el modelo lineal simple. Realice Ia estimacin de los coeficientes;
c) Qu se puede decir de la calidad de ajuste de los datos?,
d) Efectue las pruebas de hiptesis sobre los coeficientes del rnodelo. Si es posible excluir
alguno de ellos, cmo quedara el nodelo finai?;
e) Los datos sugieren una relacin del tipo exponencial, Realice un ajuste de los datos al
modelo propuesto;
f)
Encuentre el coeficiente de determinacin y comprelo con el del rnodelo anterior. Cul

es mejor? Por qu?
Captulo 11
Regresin Mltiple
lf
The Ballade of Multiple Regression

you want to deal best with your questions,
Use rnulti-regression technicres;
A computer can do in a minute
What, otherwise done, would take weeks.
For'predictor selection' procedures
Will pick just ones best for you
And provide the best-fitting equation

For the data you've fitted it to.
Tom Corlett, 1963
En el captulo anterior estudiamos el caso en el cual la variable de respuesta g depende de una sola
i-ariable predictora z, estableciendo el modelo de regresin lineal simple. Pero, podra suceder que
este modelo sea insuficiente y que sea necesario incorporar nlle\as variables explicativas del fenmeno
rnvestigado.
-\nalicemos el siguiente caso: el gerente de una empresa desea incrementar las ventas, para lo cual
lecide realizar gastos en publicidad y medir la variacin ell slrs ventas, Inicialmente, decide poner
rublicidad en televisin, pero posteriormente decidc tambin ponerla en la radio y los peridicos.
En la primera etapa la variable de respuesta, qlle es el incremento en las ventas, depende de una
.ola variable predictora (los gastos en televisin) y para realizar un anlisis es suficiente ernplear un
:lodelo de regresin lineal simple. Mas en la segunda etapa, la variable de respuesta depende de
--arias variables predictoras (los gastos en televisin, radio y prensa), consecuentemente para realizar
'rn anlisis ya no es suficiente la regresin lineal simpl.e.
Fu general, aunque hay rnuchos problemas prcticos clue ataen a variables predictoras rnicas, es
--tucho ms frecuente que la variable respuesta dependa de un conjunto de variables predictoras o de
:ausfolrnaciones de las mismas. De la estimacin de tales modelos y de su calidad de ajuste nos
cnparemos en el presente captulo.
331
Captulo 77. Regr"esin Mltiple
332
11.1. Modelo de regresin mItiple

Definicin (de modelo de regresin lineal rnItiple) El
urodelo dc regresin cre liga a una

valiable dependiente y con k variablcs indeperrrlientes urecliante la ecuacin
g:[Jo*,1111 li'Jttt +"'+i'ir'*e

se llama modelo de regresin lineal
Los parmetros 3, j
(11.i)
nrltiple corr A; variables reglesoras.
:0,1,..., k se denominau ctleficit:trtcs
de regr-esil'
Al igual qlre en cl caso de una sola varirblc. se cor.sidera qr-le cl crror s tiene esperanza igual a cero v
rrarianza a2 y qne los errores ei) col-respondientcrs a cacli obserr'tcin. son no correlacionados.
Un modelo plausible para el ejentplo exatlinaclo
lJ
clonde
do -F,6111
cs
-l /zt:z | $3t:;11 e.
y denota el incremento en las ventas. u1 los gastos en tclevisin) 12 los gastos crr radio y z
Ios gastos en prensa. Los coefi,cientes p6, 0t, A' 1'.83 son parnctros que defineu cL moclelo, eLlos son
desconocidos y el problema inicial es detcrminat estos croeficicntcs'
La ccuacin (11.1), geomtricanrente lepresenta un hipcrplano cn un cspacio de k dirnensiortes. El

c:oeficicnte lj 0 : 0, 1, . . . , k) evidencia la r.arircirin rrnitaria dc la respttesta y cuando vi , v las
restantes variables permanecen constantes.
Nlediante la tcnica de regresin Lineal mrltiple sc puccle rnalizar uua serie de modelos particulares
como el polinonial de ttna'r'ariable
o de dos o ms variables: por cjcrnplo. cl dc scgrrnclo grnclo con clos r.ariables

1t
0o
t \pt I
\zt,
lSzrll
i+r3*
B5rp2
e.
Otros nodelos nis complejos pr-reden rcclucilse a rrn rrroclelo clc regresin linerl mrltiple necliaute
cambios de variable adecuados.
1L.2. Estimacin de los parrnetros

Al
igr-ral que en el mtodo de regresin
lincal simple, para
ler
estinracin de los parmetros se aplica el
mtodo de mnimos cuadrados.

Snponga que disponemos de n ) k obscr'\'aciones. 1' si se cletrota como r al valor de la i-sima
obser-r'acin de la variable rj, como se obsclva cll la siguiente tabla:
:2
9 t:t
'!jt r rr :L 12
A2 r2t- :t:22
;,,
't'n t
't t,2
2rA
u 1A
r2k
77.2. Estimacin de los parntetros

Si
333
es la prediccin de y, la ecuacin de regrcsirr <rcclrr c:orncr
i:
bo
b1r7
i' " *
b2:rl2
bt:..
(11.2)
donde bo , br , , . . , b* son tales que la sttrna cle los cuach-rclos cle lrs difcrerrcias entre los valores observados
cle la r,ariable respuesta y su estirlacil por la ecuaciu cle r-cgresirr sea mnima.
Esclibarnos la igualdad (11.2) para cada urra de las clbsen'ac:iorrcs:
: bsIblr !1ry:t:121... lbr.

0z : bo i btt:zt I b'2:r22 l "' *lL.:t:2'+
bo+br",,r Ib2r',,.2+'
,,,:
bk'r,,,k',
o en forma abreviada
c
i:
Se
bo
i,:l.).....n.
+\brti,,
j:t
minimizar la surna de los cuadrados de los errores
scE
:irr, - i)2
i:I
:i
1,,
Derivarrdo SCE con respecto a cada
b,
(-. ,,',,)]'
e igual.auclo el resultado a cjero se obtienen las ecuaciones

tt
a(scE)
k:
-z\(ui-
0bo
bo
i-t
rA
o(scE)
-I
o,
i-l
-2Drs(y-
0bt
brr;;r)
bo
i:l
- lbiri) :
0,
t-I
li
a6c E)
-A^
-2D:,ik,(u,i. -00i-l
0b*
\-i..-.\-n
) ojxij):v.
j-1
Ltrego de simplificar las igualdades, se obtiene \as ecu,a,ci,oncs norma,l,es de rnnimos cuadrados:
nbo*r rttbzi,r,rr+"'+
i:l
17
boDr,, -
bt-.J
i:1
TL
ri:1
tL
TL
rl,r + b2f
t,rr',, '/-J
.'
* bu I ).ir:xik
1'
uoi,nr a ot f rkLta ar I rit t-i2+ "'

i:I
ooir,r : ir,
'i-).
i-I
i-
: D',rro
1L
+ b*D,r?r
i:\
TL
D*orro'
i-1
Entonces, se dispone de uu sistema de k * 1 ecuaciones normales quc invoh-rcran a los coeficientes desconocidos. Su solucin permite conocel los estimaclorcs cle los parrnetlos del modelo lineal mrltiple.
alrnque debe observarse que tal tarea. en general, suele sel rrruy laboliosa.
Captulo 77. Regresin Mltiple
334
Formulacin matricial
De manera similar a Ia realizada cn el moclelo lineal sinrple, el linea,l mrltiple es factible ponerlo en
forma matricial. Por la cantidad de variables irn'olucradas csta formulacin es ms fcil de manipulal
que la forma algebraica. El proceso es idrttico a1 explicado en el captulo anterior; sin embargo, lo
repetiremos de manera simplificada.
Si se ponen las matrices
1 rtr rI2
,' ,':,
Y-
I rnt
se obtiene Ia ecuacin
Tn2
rnatricial del modelo
Y:X0+e.
Los miembros de esta ecuacin se forman de
es un vector n, x 1 de las observaciones.
es
es un vector (k
siguiente lranera:
una matriz rtx (k+1) de los rralores cle la varirble inclcpendientc, cuya primera colunna tiene
la particularidad de que todos sus componerrtes son igr-r:rles a 1.
e es
1a,
+ 1) x
un vector n x
1 de los parmetros cle la ecuacin.
I de los errores
aleatorios.
es el vector de los estimadores de los parr
el sistema de estimacin de los parmetros cs
El'r,ector
d,e errores es
igual a 6 : Y
Y : Xb.
-?: Y-
Xb.
Por lo tanto,
SCE
: (y -
YY
Xb)
(y - Xb)
2bxY+b'x'xb.
Derivando ,9CE respecto a b, e igualando el resultado a ccro da
xxb -XY
( 1 1.3)
77,2. Estintacin de Jos parntetros
335
Esta explesin es la forrna rnatricial cle las ccurtcioncs lolrlalcs clc regresin antcs deducidas.
Si la rnatriz XX es invcrsiblc se obticne cl estirnidor b c:omo Ia solrrcin del sistcrna (11.3):
b: (xx) lxrY
(11.4)
Desan olleuros la ecuacirr (11.3):

tt
rL
tt
i:1. "t
\-2
/r *iI
r,
i-I
:1
rL
D rn^ D
_1
i.:1
1L
\-
rL
rL
11
D,or,o,
)- J;r.1.;.
i:1
i-I
1I
D rnrz
i-1
rrun
i:T
TL
')
5- z;r.u,
i:r
i.:1
Observemos la estructura especial de ta natrices
u'
i-I
i1
rL
rnnro,
17
-..
T
1' ''tk
Drn
i-l
X'Y y XX; sta riitima
es
simtrica de orden k *
1.
Ejernplo. Una compaa, con objeto
de progranrar la produccin para e1 resto del ao, necesita un

plonstico de las ventas totales. En sus registros ticne las r.crrtas realizadas (en miles de dlares) v
los gastos en publicidad e insumos para sus productos en los irltirnos 10 meses como se muestra en la
sigr-riente tabla.
Ventas Publicidad Insumos
333
310
311
290
342
55
59
69
65
71
Ventas Publicidad Insurnos
96
84
348
67
)qn
/t)
78
74
_alo
t11
r)-11
59
77
bt)
66
91
298
64
67
nt
I t)
Encontrar la ecuacin de regresin que relacione las vcntas con los gastos en publicidad y en insunos.
Soluc'in: Nombremos la variable ventas cono y) los ga^stos en publicidad como ,r1 y los gastos en
12. El modelo de regresin es
insumos como
I,.
r J,.y,,-A tJO- u1r
I -r u).t 2
-
La matriz
X y el vector Y
son
X-
l.Xes
.
c.
15596
15984
16974
16566
I7191
I67E6
77678
15966
77767
I 64 7l,t
111
tt.)
J J.)
310
311
Y-
290
342
348
.)
-a
275
311
298
11
59 69 65 71 67
84 74 66 91 86
76
78
111
59 77 64,
66 67 75 )
Captulo 77. Regresin MItipIe
336
La matriz XX resulta:
XX:
662
783
44304
51 636
636
62 335
51
Su inversa
(XX-t
".
(x'x)-' :(
Y el clculo de
XY
27.07764 -0.18441 -0.11200

-0 18441 0.002266 0.000438
-0.11200 0.000438 0.001059
da
zr4s \
zog oog I
XiY : f
\
zas 055
Finalmente, multiplicando los dos ltimos resultados llegamos aquebes
1x''':(i:,\ :(
Yu,
Con todo sto, la ecuacin de regresin
0
37.30
1.717
2.088
es
37.30
+ 7.717
rt *
2.088r2.
Propiedades de b
El estimador de mnimos cuadrados b tiene las siguientes propiedades:
1.
Es insesgado para p.
Puesto que E(e)
y (X'X)-1 X,X : I
se tiene:
E(b) : El(x'x)-1 x'y]
:
2.
:n[{x'x) 'x'tx+e)]
n [x'x-'
x;
\-- --l
/ x,xp'- + (xi
L\
-t
x,rl
--l
p.
r'
La matriz de covarianza de b viene dada por

Cov(b)
La matz Cov(b)
: o'(X'X)-t.
es simtrica; adems, el valor de o2 suele ser clesconocido, debiendo ser esti-
mado.
Estimacin de o2
Consideremos ahora Ia suma de los cuadrados de los errores
scE
:irr,
i:l
- io)2 :
et,
oon
77.2. Estintacin clc los palrnrer'os
JJ
que despus de sustituir el valol cle e se llega a

SC
quc tieue 'n - k
E -- YY_bXY.
1 grados de libertad.
As, el cllol cuadr'tico meclio! cllre cs nn estimaclor- irrsesgaclo
cIc
o2, sc caicula pol
SCE
ItCE:.s2 : n-k'-I'
Ejernplo. (Continuacin) Estin'Lal la r'rrianzr clel errol o2 \,

covaliauzr de b.
",r.o,'{,rrl
Sohtcin: Utilizando el vectol cle estitlacin clc los

bxY
( 37.30 r.7t7
YY :
la nratriz de r.aritrtza-
btiene
2.08E
093 566.63
ili)0.37.
l0
D, r? :
993 957.
'i:l
Pol lo t:tnto,
SC
es
SC
CorrLo n.
- A; - 1 :
10
: YY-I)/XIY :
- 2- 7:
993 566.63
7, cl clrol crrrclr'rrlo lreclio

2
.5
Lr
993 fI57
: llCE -
39()'37
I
cs
55.7666.
matriz cle covarianza
clGr
IL.2.L,
-0.18441 -0.11200
0 002266 0 000438
0.000438 0.001059
Coeficientes de regresin estandarizados

clc ureclicirr u.o sol
las i'irri;ilrlr:s irr<lcpurrclit:rics. cle ltrrLrcLt qrrc los coe-
Crrando se realiza un mocielo de le-qrcsirr rtrrltirlc, gerrclirlrrrt:utc. las
rLricli-Lrles
las ruislnas pala la valirblc cleperrclicrrlo l I)ar'1,

lir:icntcs dc regresin no se prrcclcn colnl)lr'\r dilcc:tun'rcutc. Pi'Lla srrrultl cstr clificultad. sc cnlk:an
Ios coc.fici,cntc,s de reqrcsi.n cstrnt,d,a't i,zrdo.s betr.
rruiclrdes clc lnedic:in clc l"o<lrs 1;ts i'iliablcs sc lLirtsfrrrtnatt
:rlividicnclo cada variablc 1rcl str dcsvi.,tcin cstittdar'.
il,as
Pol clcrrrplo, cn la ccrra<:in
ck: r'cglcsirirr
i:bo*brl
*b.:-..
cst irrclrr'.
Captulo 71. R.egresin Atltiltiple
338
se tiene
r-
5tt
:le,\1 - (u,-),,
('r-=),,
,q.' t,/,/
5,7
/
Los coeficientcs
.{
'sr.z
..
beta - Itt:'-!
sll
sou los coeficientes de regrcsin parcral estinclar v srr intcr'prctrci<in es liL siguieutc: si hay uni r,uircirr
de ltna desviacin estinclat en ui) habr una clesr.ircin cle beta; dcsviaciones estndar en y.
Ejemplo. (Continuacin) Encontrar los
cocficientes clc reglesin cstandarizaclos de los clatos clel
ejerlplo.
Sol'ucin: Se tiene que

o
:37.30,
b1
:1.717.
:2.088.
r2
Las desrriaciorres estnc1ar clc las variables son
s, : 23.22. sr, : 7.30,

Los c:ocficierrtes belr
s,"z
10.68,
sor.l:
betal
. s,.
i,r-
beta2
.
- uSs^^ b,-:-'
-'l
'3.22
5t1
7.30
_.
;);)
;.::
l.7l;-_^
')J
s,,
10.68
0.53C3,
0.9604.
11.3. Intervalos de confianza

En la t'egresin nrltiple se pr-teclen folmulrl cstimacioncs pol inlclralo par'\ los valoles de los coeficientes cle leglesiu, para los rtaloles estimaclos y para nLre\as 1r'eclicciones.
11.3.1. Intervalos de confiaraza para
{3
Iruesto c|re el vector de coeficientes B es clesconociclo. lo consiclcramos colro nna valiable aleator-ia
rrtrltivrriante, nornalmente clistlibnicla cou meclir b )'nratliz cle covarial"a o2(XtX) 1, por 1o clue
crda uno cle los estaclsticos
tt-j.t
,:0.1.....A;
t r/C.,t
sigrtc ttntr ley con
cle
(r1- l; - 1) graclos dc libeltacl
r-clonclc C.i, cs cl
j-sirno clcrnento clc la
cliagonal
la uratriz (XX)-1.
Utr inter-r'alo de confianza al 100(1

(U,
a)% para cl cocficientc
-t^,.(rr - l.; - 1)",/Qr;l,t,I
Ejemplo. (Continuacin) Elaborar un irrtel'alo
t,,,2Qt-
intervalos:
El cstimador
cle o2 cs s2
55.7666
l'
/o
B (.i : 0,1,. . ., k),
ou(7)
cs
A- I)t,/e;)
cle confirriza rl 95% para los parmetlos
62, estiruados anteriolrlente.

Solu.c:i,n:
clc regrcsn
B, p1 r'
2.365; crttotLc:es, sc tieneu los siguierrtcs
77.3. Intervalos de confranza
1.
339
Pala p:
(bs
(ez.ro
t(tt - k - 1) s r/Coo-; b1 I t,, ,2Qt, - k - 1) s /C0-;)

2.36b x T.4T x JlrtTT ,37.30 + 2.36b x 7.47 x ,f2tnn)
(-43.80: 118.40)
Par-a
6i:
(U,
Q.rv -
t^r(n,
- k-
2.365 xT,4T
1)
srldrr;
b1
tn12(n
x,/0.0022:r,Tr7 + 2.36b x
(0 888r2.546)
3.
- li - l) s\/e)
T.4T
/lrtrnl)
Para P2:
- k- \
Je 22: b2 + t,, t(r t, - k - t) s t/en)

(z.oss-2.36b xT.47 x y6l0r;2.088+2.365 x T.,IT x r/otot;
(b2
2(rt
(1.515: 2.647).
71-,3.2. Intervalo de confianza para
E(Y)
Si se dcsea conocer el intelvaLo cle colfi,anza

iI)
t2t . , ., Lpkt definitnos el I'ectol
meclia cle un punto en palticulal
uT1t
xp
La rcspuesta en este punto
es
ip:
,i..i', o (%) :
IJstc cstiruaclor es insesgaclo (cs
u^.
(t,) :
Ulr intelrralo cle confianzr
xlpb'
x|r1) )' stt
rrtt'itttzt cs
o2xl,(xLx)-t*r.
cstirrracin, E(\1,), eu el 1;ulto
/^
lir-to'2(tt-A'
\
i,,
tn,('tt
11.3.3. Intervalo de confianza para Ia prediccin,
- fu -
x,
es
1) 5\ x,,(XX)-1x,,
y,,
IJn tnoclelo de reglesin se aplica eu la r-eaiizacin cle ploncisticos collcsponclientes a rrrlor-es particulares
yt.
clc las valirb1es incleperrdientes, xn. Lzr respncslr en cste ltuut,o es jr:
te rrrrlo clc con fianza
( j, -
t,,,2(n'
cle
-l;-1)s
ni \e.I 100(1
I
a)'7n
xf (XrX
Pu r
t, !lt
la plccli cctot)1
?/2
- l; - l) 'V 1+ xj,(XX)-Ix,,
Captulo 77. Regresitt Mltiple
340
Ejemplo. (Continuacin) Elabolar los inten
alos clc confirnzr al 95 % para la r-espuesta rncdia y

para la prediccin, cuando los gastos en publiciclacl son de 72 mil y en insumos 90 l.r- il dlares.
Soluci,n: El punto sobre el cnal deseamos realizar Ia precliccin
-,:
(*
La respuesta en el punto considerado es frr, : xf,b
es
)
348.844.
El intervalo de confi.anza para la estimacin lesnlta:

tt-
li, - to2(t- A - t) s/x!(xrX)-'xp,ip - tn,(rt - A - 1, s

(sas.s - 2.865 x T.4T x i/0i81;348.8 + 2.36b x T,4T x
r/o.ggt
(337 9r 359 7).
EI intervalo de confianza para la plediccin
(0,
- to2Qt. - k - 1)"\+
(aaa.s
2.36b
-LL
es
*ilxX)-1xp;
x 7.47 x yT381;
0,
to2Qr-
l"
+ 2.365 x
348.8
1)s
T.4T
I + xf (XX)-t*o
x \,fim)
(32s 0;369.6)
LL.A. Pruebas de hiptesis

Las pruebas de hiptesis en la regresin lineal nrrltiple se emplean de dos ltlaneras: pala detelminar
la significacin de Ia regresin, es decir', si globalmente las variabies aportan informacin al modelo; y,
para realizar pruebas sobre los valores de los coeficientes individuales para exarninar si una variable
particular es significativa cn el modelo y merccc sel incluidr cn lr ecnaciu.
1-L .L. Prueba de hiptesis para la significacin del modelo

La plueba global del modelo se enplea para corrocer si existe rclacin lineal entre Ia variable dcpendiente y y eI conjunto de las variables indcpendientes e-1 , L2, ..., lxk.
Pre'u'ianeute, desconpolgamos la suma total de los cuaclrados SCou en dos sllnras, una debicla a
regresin, SCR, y otra debida al eLror, SCE:
SCao: SCE + SCR,

donde
SCE:
YY-bXY,
,)
/11
(D'')
\i
SCR : b,x,Y_'t-L
_
/ t)
/I
n
\-
/S
I ),Yl
SCoo
: YY - \':t
,tL
'/
IL
77.4. Pruebas de lptesis
34L
qtle llos siLrten para realizar de manera or-denada toclos los pisos involllcrados en la prueba de hiptesis,
con el ernpleo de una tabla de arrlisis de la va,lianza.
En el siguietrte cuadro se resunre los elenentos dc rur anlisis
cle
varianza para nna regresin miritiple:

Fuente de
de
libertacl
variacin
Suma de
cuadrados
Regresin
SCR
Error o residual
Total
SCE
'n-l-I
5C,,,
n,-)
Graclos
Cr,radrado
medio
t^
LIC R
s'2
LH. o,s
LICE
1\IO'H
- AICE
Entonces, se plantea la siguiente prueba de hiptesis:
:...:
1.
Hrptes'rs
2.
Hzpteszs Alternati,ua.
3.
Estadst'tco de Prteba.
LH, obs
4.
Regin de Rechazo.
rechaza Hs
Nula. Ho, l3t
Hr
Se
l3n:0.
l3r,
0 para al rnenos una
A;.
ATCR
- A,ICE.
si
For,
> L(k,n,
- k - I)
El rechazo de Ilo significa qr,Le al meuos una de las variables independientes

vamente al modelo lineal propuesto.
r,
contribuye signiflcati-
Ejemplo. (Continuacin) Realizar un anlisis de adecuacin del moclelo, a un nivel

Sol,u,ci,'n,:
cr
Anteriormente habamos calculado dos componentes de las slrmas de cuadrados:
YY
Calculemos el tercero:
gg3
/,,
bxy
gg3 566.63.
\2
(I'')
\ j-1
,3145)2
: -ll:
'
''
Tanrbin. se calcul que
gbz,
989102'5'
SCE:390.36. Las restantes sllmas de cuadrados so
qr
q93
JQt
957
SCR :
993 566.63
""!J!J
La tabla de anlisis de la varianza queda
989
JoJ 102.5
fW_,U
4854.5.
- 989102.5 :
4464.73.
as:

Fuente de
variacin
Regresin
Error o residual
Total
Suma de
cuadlados
4464.73
390.37
4E54.50
de
Iibertad
Grados
Cuadraclo
nredio
2232.07
55.76
F
40.02
0.05.
Captulo 77. Regresin Mtiltiple
342
La prueba de hiptcsis de adecuacin del modelo
es:
1.
2.
IIi,ptesi,s Nula. Ho: {3t
3.
4.
Estadstico de Pru,eba. Fobs: 40.02.
5.
Decistn. Conio 40.02 > 4.74, resulta que se rcchaz\ la liiptesis nula y se conclnye que
t'elttaSestnrelacionadasconlosgastosenprrblicidaclyerrinstttrros.<
Hiptesi,s Alternati,ua.
0z
Ht: 0t
0.
0 o 0z
0.
ReqindeRechazo. EIvalorFo.os(2,7):4.7+definela,regincrtica Fu,"),4.74.

las
Con esta prueba estadstica nicamente se concluye la validez del rnodelo, en forma global; clla no
indica Ia importancia relativa de cada una de las variables predictoras sobre la variable respuesta.
LL.4.2. Pruebas acerca de los pa-rmetros B individuales

En el modelo pueden estar incluidas variables que son redundantes o que no aportan significativarnente
a la respuesta, eso se puede comprobar realizando una prueba sobre los parmetros individuales de
regresin. Entonces, se tiene la siguiente prueba de hiptesis para un parmetro 13fr,jo.
Br: g.
Alte'rnatiua. H B I
Hiptesis Nula. Hs:
Hi,ptesi,s
3.
Estadstico de Prueba. tobs :
0.
b
s\/e;'
1. Reginde Rechazo. Serechazalls si tob"1-t,,2(n-A-1)
oo6,
)tu2Qt -4, -1)
Ejemplo. (Continuacin) Eu el modelo piantc:ido, realizar la pnreba para los parmetlos

I
0.
1,2, al nivel deI95%.
Sohc'i,n: Se tienen las siguientes pruebas:
a) Para el coeficiente B6:
1.
2.
Hiptesis Alternati,ua.
3,
Estad"stico
4.
5.
Hiptesis NuIa. Ho:
d,e
Br:Q.
Prueba.
HI
t3o
10.
tnb":
-uu -L
s\rcoo-
Regi.n de Rechazo, Cotno
37
7
.47
30
OL077
1.088.
to.ozs(7):2.365, la regin es l,,"1 >
2.365.
Deczsin. No se techaza fo; por tanto. la constantc podra excluirsc de Ia regresin.
b) Pzrra p1:
pr: g.
Altertati,uu HI 0t 10,
1.
2.
Hiptesis NuIa. Ho:
3.
Estadstico
Hi,ptesi,s
d.e
Pnreba. tobs:
-+
.5vL il
7'717 :
7'47\/0n0'n
4.9.
6,.
77.5. Coefrcientes de deterntinacin y de correlacin parcial

4
Ir
343
Rech,azo. lln,,rl > 2.365.

Deci,si,r. Como 4.9 > 2.365, se lcchaza -I1: entonc:cs, la variable <<gastos en publicidad>>
Rerttn
d,e
:rporta informacin al moclclo
c) Para p2:
1. Hiptesr,s !,lLtkt,. Hs: lJr: Q.

2. fIrpte,sis Altc'rrati,ua. H p210.
b.,
:1. Estoistino de Pru,eba. t,(,s =
E.593.
ffir:
4. Rcq'in d,e R.eclazo. Lob.sl > 2.365.
5. Deci.sitt, Dado quc 8,593 > 2.365, sc rechaza Ho; por tanto, la variable <gastos
sllnlos>>
en
it.L-
aporta informacin al nodelo.
El rnodelo final podra scr uno en el que no se considere cl trmino independiente: y

Se recrouienda al iector que recalcule tal modclo.
11.5. Coeficientes
- |flt I
0zrz.
de deterrninacin y de correlacin parcial
EI cocficiente cle detcrninacin se emplea conro rlra mecliclr clc la rdecuacin clel rnodelo, cre infortua
sobre Ia fu.erza de la relacin cxistcnte entre 1as valiablcs indepenclientes y la dependiente.
11.5.1. Coeficientes de deterrninacin mltiple

E1 cocficricnte de detenriirircin
mltiple se define como
scR
n2
' Se uo .
scE
b'C rr'
R2 < I. Un rrrlor'LIto de R2, cercano a 1, signifi.ca que el ntodelo

Jneno
y
si
112
cs
cercano
a 0. el a.jr-rste es malo. Si 112:0 clttiere clecir que falta por
legrcsiu es
crolrpleto el al.jrrstc del moclelo a los datos y si Il2 - 1 se tienc rur a.jr.rste pelfecto.
El larrgo de variacicjl
cle 1?2 es 0
rLc
Puesto cre 112 tiencle a soblcstimar cl valor de la corlelacin entre las variables involucradas, se etlplea
,:l cocficicntc dc determinacin ajustado, -R1., cre cst cliserlrclo pala conpensar el sesgo optimista cle
R2.
E1 coeficiente de
detclminacin a.justaclo,
ot
-
I1,t:
EclrLir,'aleuterrrentc,
Rl
se
t>2 ,('t1 /lrl

t,-A; -l
lt
sc crlcula nrecliarrte
n.?,:t-
A'- 1)
SC,,rf(rt,-l'
SCEI(n
-1 rango de variacin de 1l"2 es 0 < ,Rl < 1y su intcr'pretrci<irr cs ia misntr ctc

ietcrnirracin nniltiplc Ii2.
clcl coeficicutc
clc
344
Ejemplo. (Continuacin) Calcular R2

Solucin:
Se tiene que
V RZ para el rnodelo planteado.
n2 scR
It
4464.r3
4854.5
JUua
0.9196.
Como el valor de R2 es alto) se concluye que el modelo se adecua a los datos y que el 9I.96% de
la variabilidad en las ventas se explica mediante las variables <<gastos en publicidad>> v <<gastos en
lnsunos>>.
R?": n'-JJJ4;
:
0.9196
2(1 - 0.e1e6)
:
- r0-2-r
0.8966.
En canrbio, si interpretarnos ,Rl, podemos decir que la calidad del ajuste es de un 90Vo. Paru mejorar
el rnodelo se podra incluir una tercera variable explicativa y comprobar si ella es o no significativa.
1-t.5.2. Correlacin parcial

El coeficiente de correlacin parcial rnide Ia correlacin entre
con valores constantes; es decir, dado un conjunto
dos variables, manteniendo las derns

de correlacin parcial
rtt T2t . . ., rk, el coeficiente
entredoscualesquieradeellas, riy:xjtesunamedida(adimensional) desurelacinlineal,cuandose

elimina de ambas los efectos debidos al resto de las variables.
Por ejemplo, con k regresores, el coeficiente de correlacin parcial entre rt V 12t que se denota 112,24...k;
se define como el coeficiente de correlacin Iineal entre ;r1 1r rr2 cuando se elirnina de ambas variables el
efecto de los otros k - 2 regresores, Se calcula obteniendo el coefi.ciente de correlacin en la regresin
u;
eti4..k:pe2,sa..., +
(rn3+
x),
donde er ...t y e2,g4...k son los residuos de la regresin rnrltiple de 11 y ,r2 respecto a las variables de
control rB , . . rk.
Si tuviramos el modelo A - l3o* gpt* Azrz
cuando z2 permanece constante, se define por
*e,
Tyt
Tvr,2:
(1-
el coeficiente de correlacin parcial de y con 11,
- Ta2Tt2
r?2)0 -
r?z)
donde rsrt rs2 y r12 son los coeficientes de correlacin de Pearson de y con 11, de
con 12) respectivamente. De rnanera anloga, se tiene
Tt2
T12,a:
(r
el coeficiente de correlacin parcial entre
rt
corr 12
y de 11
I'utTa2
- rl)0 -,7r)
12.
Por Io complicado que puede resultar el clculo de las correlaciones parciales, sus valores se obtienen
rnediante programas
est adsticos.
Ejemplo. (Continuacin) Caicular
los coeficiertes de correlacin parcial para el modelo planteado.
77.6. Regresil politrcnal
345
SoLttcin: Terrernos los coefrcientes de corrclaciri rle Pcrlsou ctrtlc

I'rU
: -0.283, rrt : 0.268, t'!J2:
lrs vuiables:
0.807.
Entonccs.
0,268-0807x(-0.283)
TuL,2 :
(t
Ta2,l :
I'A2
(r
rl2)Q -,'?z)
/(t -
-,'?)
Jtt -
(0.268)2) (1
(-0.283)2)
-0.283-0.268x0.807
T72,a
(t
11.6.
(-0.283)2)
0.807-0.268x(-0.283)
I'aI?-72
rf 1)(r
(0 807)2) (1
- rfl)(r -,lr)
0.876.
0.955.
-0.878.
Regresin polinomial
El pr-imer paso para
escoger un rlodeio que describa los clatos, es la realizacin de un grfico de

,lispcrsiu de las observacioucs. La rclacil srrgelicla por los clrtos cs la que permite escoger un
nodelo que los describa adecuadarnente.
G
lr,
Cuando Ios datos presentau un csqlrema de comportaniento curvilneo puede ser rlecesario proponer'
,ur modclo de tipo polinonial para los datos. As lo obsen'arros cn la Figura 11.1.
&
.il1
Figula 11.1: N4odelo de segturdo glado pala los datos.

Veatlos, con Lul ejemplo, cmo se puede trausfolnrar un modelo polinomial en uno de regresin mrltiple.
Sr-rpongarlos que escogernos Lln modelo de scgundo grado en nna variablc:
,U: 0o* gfl + B2r2 + e,

si hacemos las sustituciones de variables
rt : r
V 12
12
, la ecnacin de regresin queda corno
1l:00-l 7fitl0zrz*e,
rtti tnodclo de reglcsitr rnrltiple en dos variables. Err cslc urornelto
rplicar la teora anteriorrnentc desclita.
c-rc es
Ett gcnctal. si se tiene un moclelo polinomial con Lrna r.ariablc explicativa

lJ
:0o-t/flt[32t:2
+...+ Bt:k*s,
cstanr<-s err posibiliclacl cle
Captulo 77. Regresin MItiple

se
lo convierte en uno de regresin mrltiple mediante la transformac\t

U
: 0o* 0{t I
132t2+
.'. + p, *
r: z', quedando:
e.
Otros modelos polinomiales que incluyen ms de una variable, que pueden transformarse a uno lineai
mltiple, son los polinomios en varias variables. como el de segundo grado en dos variables:
u
0o
* 7fit I
0zrz + 7nr? + 0zzrZ I Bprp2
I e.
Cuando se ajusta un modelo polinornial es preciso escoger el polinomio Ce menor grado posible.
consecuentemente se debern realizar reiteradas pruebas de hiptesis, en las que se fijarn aquellas
variables que se han de incluir y excluir en el modelo final.
Ejemplo.
Consideremos los datos que relacionan el nirmero de pginas de un folleto y el costo de los
insumos utilizados en la impresin de 100 e.jenplares.
No. de pgs. Costo

90
204
80
75
770
70
bi)
60
a)
No. de pgs. Costo

50
40
130
165
155
35
724
30
72r
148
25
100
r40
20
98
726
Ajustar un polinomio de segundo orden a los datos;
b) Probar la significacin de Ia regresin;

c)
Probar Ia hiptesis de que 0t:0.
oluct n:
en el grfico de los datos, stos podran ajustarse a un rnodelo de segundo

grado de la variable independiente, entonces planteanos el nrodelo A : go -l pfl * l3zn2 I e.
a) Como se observa
1.8
a.t'
1.6
1
1.2
1
10
<-J'J'a
--ltt'
20 30 40 s0 60 70 80
90
Figura 11.2: Relacin entre el lrmero de pginas y el costo de una publicacin.
77.7. Regresin con var iables cualit ativas

Lantatriz X, el vector Y y el vector B
X-
1
1
7
7
1
1
1
r
1
1
r
r
son:
90 8100
80 6400
75 5625
70 4900
65 4225
60 3600
50 2500
40 1600
35 t225
204
170
165
155
148
130
726
G)
t24
12l
100
98
Resolviendo las ecuaciones normales XXb
b) Los resultados se resumen
p:
140
Y-
30 900
25 625
20 400
i:
347
L37
4.4
XY
se obtiene el modelo estimado
12,373t;
0.2IBr2
en la siguiente tabla:

Fuelte de
variacin
Regresin
Residual
Total
Grados de
Iibertad
2
I
11
Surna de
cnadrados
Cuadrado
medio
6622.24 3311.12
4314.68 479.41,
F
6.91
10 936.92
: 6.91, que si se cornpara con el rralor de la tabla correspondiente a Foos(2,9) :

4.26, resulta que Fob" ) Fo.os(2,0). El resultado es significativo al nivel del 5%; es decir, al
meros uno de los parmetros pr o B2 es distinto de cero. Adems, -R2 :0.605? qne en este caso
indica que la calidad del ajuste es buena, pero no lo suficiente.
Puesto eue Foa"
c)
Veamos si es posible la eliminacin del trmino de primer grado de la ecuacin.

Se tiene
la prueba de hiptesis:
L. Hiptesis Nula. Hs: pr:9.

2. Hiptesi,s Alternatiua. H p 10.
3. Estadst'ico de Prueba. tobs : -2.318.
4. Regi,n de Rechazo. Tomemos a : 0.05. Conro oozs(9) :2.262, se tiene la regin
rechazo lo,"1 > 2.262.
5. Decisin Cotno l- 2.3181 > 2.262, no se puede climinar el trmino de primer grado.
Sc sugiete que el
IL.7.
de
lector reaiice los anlisis con el empleo de un paquete estadstico.
Regresin con variables cualitativas
trtt los noclelos tratados se emple variables independientes cle laturrleza cuantitativa; es decir, que se
:\ptsall uumricamente y son el resultado de mecliciones iustnunentales. Pero si se desea incorporar
348
en el modelo una variable cualitativa, es necesario intloducir uariables indicadoras (o ficticias), q:ue
permiten diferenciar los distintos niveles que toma tal variable; por ejemplo, una variable X que
indique Ia estacin del ao puede ser defi,nida conro
": { ?, :l :: ;il:T:
En general, una variable cualitativa con
Ia^s
cuales se les asignan valores de 0
niveles se representa
mediante
t-I
variables indicadoras,
1.
Ejemplo. En un estudio para determinar
Ia relacin entre el peso y el origen de ios automviles y su

consumo de combustible se escogi una muestra de 10 carros, con los siguientes resultados:
Consumo (l/100 km)

Peso (kg)
Origen
16
11
12
18
20
739
Japn
1187
655
729
888
797
963
802
1551
1650
USA
Japn
Japn
Japn
Japn
USA
USA
USA
USA
Determinar la ecuacin de regresin que ajusta los datos y probar su significacin.

Soluc'in:
a)
Se va a
ajustar el modelo
a:0ol7fitl0zrzle,
donde la variable peso es cuantitativa (rt) y la."'ariable origen es cualitativa (r2), con dos riveles:
USA y Japn, que Ia codifrcaremos de Ia siguiente manera:
f 0.
[ 1.
'I':
Con sto la matriz
<
X y el vector Y
r
X-
Y el modelo
estim.ado
si el origerr es Japn;
si cl oligen es USA.
quedan:
1
1
7
1
7
1
1
1
1
739
1187
16
655
729
B8B
Y_
797
963
11
802
t2
1551
18
1650
20
es
0:
-0.036
0.0111 -13.42Ir2.
El significado clel tI'tlino correspondiente al origen del aulonir,il es el sigr,riente: para dos antos,
de igual peso, Lulo clc oligen amelicano y otro clc oligen .japons, cl arncricano cousluuc, cu
promedio, 3.42 litlos ms que cl japons, al rccor-r'er 100 krn.
77.8. Probletnas en la regresin mItiple

b)
Veamos la tabla de anlisis de Ia varianza
349
y las estirnaciones de los parmetros:

Fuente de
variacin
Snrrrr de
Cuadrado
cuadraclos medio
213.95 106.975
Grados dc
Iibertad
Regresin
Error
Total
10.45
F
77.66
1.493
22.40
Pol el alto valor de 4A, : 77.66, se deduce que al nlenos una de las dos variables consideradas
sirve para explicar el consumo de combustible de los carros.
Trmino
Constante
Peso
l.16
Valor
tobs
-0.036
-0.027
0.01
6.012
3.153
b1
Origen
3.242
,2
Si comparamos los valores de o," con 1s.625(7) - 2.365. deducimos que los trminos correspondientes al peso y origen son distintos de cero, mieltras que el trmino constante se puede considerar nulo.
Para terminar, exarninerrios los valores a.justados, conparndolos con los datos originales y el
error respectivo:
A U
8
16
6
7
7
9
11
12
7.18
ei
0.82
1.03
14.97
6.36 -0.36
7.08 -0.08
8.63 -1.63
7.75
t.25
12.79 -r.79
Lt.22
0.78
1B 18.53 -0.53
20 19.49 0.51
11.8. Problemas en la regresin mltiple

En la estimacin de los parmetros etl un modelo lineal nrltiple se plesentan varios problemas que se
deben teuer en cuenta al realizar un ajuste de los datos; ellos son la multicolinealidad, la presencia de
valoles extrernos, la autocorrelacin y Ia no normalidad de los errores.
11.8.1. Anlisis de los errores

Utta vez construido el modelo de regresin se rleber conrprobar si lrs hiptesis de iinealidad. de
norrnalidad y de independencia se curnplen.
La matriz de covarianzas de Ios errores
:loude
v: X(XX)-lX;
es
Cor'(e)
:o2(I-V)'
Var(e)
as,
o2
(l -
1t.,),
350
donde el trmino
mide la distancia entre el punto x y 1a media x.
Para comparar los residuos suele ser ms crnodo cambiarlos de escala, estandarizndolos o estudentizndolos.
Los residuos estandarizados se definen por
y los residuos estudentizados mediante

s()
que siguen una ley

se excluye
grados de Iibertad; donde s() son los residuos de la regresiu cuando

observacin.
con n
la i-sima
- k -2
Anlisis grfico
IJnavez que se han construido los residuos (",r o ) es cmodo real\zar grficos como los siguientes:
1.
Histograrnas o grficos de probabilidad normal.
2.
Grficos de los residuos respecto a los valores estitlados,
3.
Grficos de los lesiduos respecto a las variables expliczitivas.
e: f (i)'
e
(rn).
Error de especificacin
Se comete
error de especifi.cacin cuando establecemos ura depeldencia errnea de la respuesta en fun-
cil
cle las variables explicativas: omitimos variables irnportantes, introducimos variables innecesarias
o snponemos una relacin lineal cuando la dependencia es no lineal.
La especificacin incorrecta del modelo conduce a que los lesicluos tengan esperanza no nula y que los
estimadores obtenidos sean sesgados.
11.8.2. No-normalidad de los residuos

La srrposicin que los residuos e estn normahlente distriburdos no es necesaria para Ia estimacirr de
los parmetros de regresin ni para la particir'r de la variabilidad total. La normalidad es necesaria
para Ia constlnccin de las pruebas de hiptesis e intervalos de confianza sobre los parmetros.
El irnpacto de la no normalidad en los mnimos cuadrados depelde del grado de desviacin de la

norrnalidad y de la aplicacin especfi.ca.
Los estirladores de los parrnetros sern insesgados, pero sus intervalos de confiattza y las pruebas
de hiptesis sern incorrectas. Sin embargo, la prueba .F- es razonablemente robusta contla Ia no
normaiidad.
Para cletectar Ia normalidad de los errores es conveniente fi.iarse en los coeficientes de asimetr'a y de
cu.rtosis. Aderns, se pueden realizar grficos Q-Q o P-P de boudad de a.juste a Ia ley nornral.
77.8. Probtretnas en la regresin mItiple
351
-. .ansformacin de la variable dependientc a lLna forrna que sca ms cercana a la norrrral es un

' --so tluy empleado. Estas transformaciones sneler ser sugelidas por los gr'ficos de los residuos.
l=:
:,iu, se puede utilizar el mtodo de Box-Cox de transformacin potencial,
--
ichos casos) la desviaciu de la normalidad se debe a la presencia de valores atpicos, en cuyo

ur- :: convniente examinar Ia influencia de los rnismos.
-::-imnte se han desarrollado modelos que consideran clue los errores estn distribuidos segn
-:.'l. de un nirmero de grados de libertad desconociclo) corno una generalizacin de la hiptesis
-.r - ::rralidad.
-f,,,-
H*i
Presencia de puntos inusuales

:.-,:rrente, se espera, que los datos correspondientes a las observaciones se encuentren distribuidos
ms o nrenos cercana? pero puede sucecler- qne una o varias observaciones estn alejadas
,Le
.:-- los datos. Esta-s observaciones pueden influir mucho en el modelo final.
lr. -:gin
-::cto es rnuy importante: podemos disponer de 100 obselrraciones y, sin embargo, construir
-- : ',rn modelo cuyas propiedades son debidas irrricamente a dos puntos. Conocer si este tipo cle
-
-:-lLrve perjudicialmente en el rnodelo permite mc,iorarlo.
forma para determinar si un valor es atpico es mediante los residuos estudentizados. Se

n los valores de , cou los valores crticos de una ley I con n - k - 2 grados de libertad.
r---:. d conocer cules son los <<purr.tos distantes> es a trrvs de Ia distancia:
(b(r-r)\2 t:1.!.....n.
; _1,
/)?:+
",:
h\-ffi-/
-trriento consiste en ajustar el modelo. calcular los Dl , 'i : 7,2, . . . ,n, y despus ordenarlos
ascenclente de rcuerclo con eI D!. Los pr,rntos con alto D.f son inusnales.
,,tt'os tipos de distancias que permiten la deteccirr de valores atpicos y puntos influyentes,
1
con distintas propiedacles) pero todas siguen el nismo priucipio para la identificar tales
--,
-J11eS.
iento
-:-
-,tcalizado un pnnto iuttsual, se estudiar su inflnencia eliminndolo del modelo, repitiendo el

-----ento para todos estos puntos. Aqu es necesario realizrl un anlisis de la estabilidad de los
;--es de regresin tlediante pruebas estadsticas o sus iltelvalos de confianza.
L.-- se han desarrollado mtod,os d,e regresirt robttsto, clue ateniran Ia influencia de las obsen'a---',-.uales en el modelo o que toman como nrcdicla cstadstica sobre la cual se basa la regresiu
ur - ana en lugar de tomal la media, couro 1o ltcrnos irecho chrlarrte este tratado.
77.8, Probtrenl.as en la regresin mItiple
351
r rrnr forrla qr"re sea ms cercana a la normal es url

recrlrso mu.y empleado. Estas transformaciones suelen ser sugeridas por los grficos de los residuos.
Tambil, se puede utilizar e1 mtodo de Box-Cox de transfolmacin potencial.
La transformacin de la variable dependiente
En
la desviacin de la nolmalidad se debe a la presencia de valores atpicos, en crlyo

caso es conveniente examinar la influencia de los mlsmos.
mr-rch.os casos)
Recientemente se han desarrollado modelos qlre consideran que los errores estn distribuidos segn
una 1ey , de un nrmero de grados de libertad desconocido, colrro una generalizacin de la hiptesis
de normalidad.
11.8.3. Presencia de puntos
inu.suales
Generalmente, se espera que los datos correspondientcs a 1as observaciones se encuentren distribuidos
en Llna regin ms o nenos cercanar pero pu.ede snceder cpre Llna o varias observaciones estn alejadas
del resto de los datos. Estas observaciones pueden iufluir rlucho en el modelo final.
Este aspecto es muv importante: podemos disponer dc 100 observaciones y, sin embargo, construir
con ellos un modelo cuyas propiedades son debidas irrricamente a dos puntos. Conocer si este tipo de
puntos influye perjudicialmente en el modelo permite mejorarlo.
Identificacin
La primera forma para determinar si un valor es atpico es rnediante los residuos estudentizados. Se
colnpara con los valores de con los valores crticos de una lev I con n - k - 2 grados de libertad.
Otra folma de conocer cules son los
<<puntos distantes>> es a trar's de
la distancia:
,h
/)? : \t
/J
i: I,2,..
,fr.
.l-L
El procecliliiento consiste en ajustar el modelo, calcnlal los Df , :

en forrnr ascenclentc cle acuerdo con el Dn2. Los puutos con alto
D|
1,
2,....n, y despus
ordenarlos
son inusuales.
Existen otros tipos de distancias qne perniten la deteccin de valores atpicos y puntos influyentes,
cada uua con distintas propiedades, pero todas siguen el mismo principio para la identificar tales
observaciones.
Tratamiento
localizado r-rn printo inusual, se estudiar su influencia elininndolo de1 modelo, repitiendo el
procedimiento para todos estos pr-rntos. Acr es lecesalio realizrr un anlisis de la estabilidad de los
coeficientes de regresin mediante pruebas estadsticas o sus intervalos de confianza.
Una
.u'ez
Tanrbirr, se ]ran desarrollaclo mtodos de reqresi,r r'obttsta que atenran la ilfluencia de las observaciones inusuales en e1 modelo o que toman como mcclida, cstacistica sobre la cnal se basa la regresin
a la rnediana en lugar de tomar la media, como 1o hemos hecho chllalte estc tratado.
352
Captulo 77. Regresitt MItipIe
11.8.4. Varianza
heterognea
La heterocedasticidad en los errores irnplica que la hiptcsis

Var(e)
:o2:
costa.tc
no es aplicablc.
la heterocedasticidad en el modelo lineal son las siguientes: los estimadores sern
iusesgaclos, pero dejan de ser eficientes. Las frnulrs para las varianzas ro son correctas y las pruebas
Lrs consecuencias de
de hiptesis dejan de ser aplicables.
Identificacin
La lreterocedasticidad se identifica mediarrte la graficacin de los residuos. El grfico : /(fr)
".
rti1 para detectaria y los grficos : f @n) para identificar si la variabilidad es causada por alguna
de las valiables independientes en particular.
Tambin es posible realizar una prueba de hiptesis del tipo
Hs: ei H1: e -
î
î
(0. 02)
(0, 07)
una prueba de a.juste a una lev. Pala el efecto se puede realizar el contraste de razl de
verosinilitudes, que se basa en el estaclstico
clLle es
2log
)-
qlle se distribuye segn una ley X2 con k
rz
log
G'
- r.rt,IogGl,
1 gr":rdos de libertad.
Tratamiento
1. Si la heterocedasticidad
est asociada cori la valiable respr-resta y crece con e1 increrrento cle

los valorcs de y. una posible forma de tratarla es rcalizar la regresin de log g en lugar de y.
Este caso suele aparecer cuando hay una forrnulacin errnea del modelo; por ejcrnplo cuando
el moclelo real. es r-nultiplicativo y se a,justzr rncdiante rrno lincal.
2.
Si Ia lieterocedasticidacl est asociada corr rrur variable inclependiente particular y la desviaciri

estndar est ligada linealmente con el crecin-riento de z.. ur procedimiento de evitarla es estimar
cl moclelo
r J'l
-'''u-T"
'J; k
J'k -Bo
-P'rL
dorrde, al cliviclir todos los tlminos pol' z/r, los lesicluos e*
Este procediniento es equivalcnte
utilizrr rlninos
^* '
s-
tendrn valianza constantc.
",,u,lr,rdnrfencralizrclos.
77.8. Problernas en la regresitt rnItiple
353
11.8.5. Multicolinealidad
El
los ploblemas de regresin mrltiple, algunas veces. dos o ms r,ariables independientes contribuyen
con iriforrnacin redundante, porque se encucntrrn bastante correlacionadas ertre s. En los casos
en que tal correlacin sea alta, se dice que existe rmt,lticol,ineo,Iidad. Por ejemplo, se desea formar
r.rn modelo para predecir el precio del metro cua<hado de tielra en Lln sector de la ciudad (g), como
funcin del ndice de irrflacin ("r) y del precio clel cllar en el mercado libre (r2). Aunque las dos
va,riables aportan informacin, es conocido qne las dos -"ariables independientes estn fuertemente
colrclrcionadas; por 1o tanto, ia informacin pol ellas aportada es redundante o se traslapa.
En este caso,
J.a
matriz XrX es casi singular. originando clue sea difcil encontrar su inversa.
Crrando hav rnulticolineahdad se tiene dos efectos:

I
Los estirnadores
Las cstimaciones
b,;
tienen varianzas rnuv altrs.
son muy dependientes crrtrc s
Por e.jenrplo. n un modelo con dos variables independientes,

Var(b)
n2
: -o;;l
silL-r')n''
cs el coeficientc de colrelacin entle las dos variables. As, si aumenta (en valor absoluto) lzr correla in entre las variables explicativas. aumentarn las varianzas de las estimaciones y su
dcpeldencia.
clondc
Identificacin
Lr
iclentificacin de variables colineales se efectira examinando:
1.
2.
Si
sr:
La natriz de correlacin entre Ias variabies explicativas, R, y su matriz inversa, R-1

Lrs races
y vectores propios de las matrices XX. o de su matriz de correlacin.
un-L variable es combinacin lineal de las restantes variables. se debe analizar Ia matriz R-l. As.
define el <<factor de inflacin de la varianza>> corro cl z-simo trmino de la diagonal de Ia matriz
Rt:
FIV:
diagr (R-1)
Por tanto, eiernentos diagonales glandes (mayores a 10) en la rnatriz R-1 indican alta colinealidad.
Tunbin. se puede calcr.rlar el ndice de condicionarnierrto
(IC) de XX o R:
rnx
{)i
nn {)}
ilonde
son los valores propios de las nencionadas matrices.
Err La pr'ctica se adrnite clue existe alta multicolinealidad cuando el IC es rnayor que 30; una colineaiiclad modclada si el IC est entre 10 y 30; y, cnando el IC es merlor que 10 se considera que la rlatriz
est bicrr clefinida.
354
Tbatamiento
Las tres soluciones a la multicolinealidad son:
1.
2.
3.
4.
Eliminar regresores) reduciendo el nrlero de parrnetros a estimar.

Transformar las variables mediante componentes principales y elimirnar los menos importantes,
Incluir informacin externa a los datos, mediante nn enfoque bayesiano.
Utilizar regresin a travs de componentes principales, que es similar al mtodo de eliminar

regresores, con la diferencia de que se eliminan combinaciones lineales de stos, manteniendo
aquellos cuya contribucin en trminos de informacin es significativa.
11.8.6. Autocorrelacin
Una de las hiptesis iniciales para desarollar el modelo de regresin es que los errores, i) son variables
aleatorias no correlacionadas. Si esta hiptesis es violada, se dice que existe autocorrelacin.
Los efectos de esta dependencia son los siguientes:
1.
Los estimadores de los parmetros sol insesgados, pero no son eficientes.
2.
Los contrastes sobre los parmetros no son viidos y estn sesgados hacia Ia deteccin de reiaciones inexistentes.
.)
Las predicciones son ineficientes.
Eu el caso de un modelo lineal simple, la varianza del estimador de la pendiente resulta ser
')/
var(b)
:- !' -l,1_,rDit':-t)
'^/
'
D,?
\'
D"? )
donde p es el coeficiente de correlacin entre 1as observaciones.

Si p
> 0, la varianza puede resultar sustancialmente mayor
ineficiente.
que
$5,ri
L
cle rnanera que el estimador es
Identificacin
Para ia deteccin de la autocorrelacin se emplea el estadstico de Durbin-Watson:
D"t"r-n
D"?
Para la realizacin de las pruebas estadsticas sobre la autocorrelacin existen tablas, pero podemos
dar la siguiente regla emprica para detectar la antocorrelacin de orden 1.
Construimos el estadstico
d:2(l - rt)
y si stt valor es prxino a2, no existir autocorrelacin; si d tiene un valor entre 0 y 2, habr correlacin
positiva; si el valor de d est entre 2 y 4, la correlacin sel negativa. En los programas informticos
se sttele calcular el valor de este estadstico y el nivel de significacin de Ia prueba.
Alternativamente, se puede aplicar el estadstico de Box-Ljung pala detectar la autocorrelacin.
77.9. Ejercicios
355
Tbatamiento
Para explicar Ia evolucin de variables que tienen r.rn comportamiento en el que aparece autocorrelacin,
es conr.eniente utilizar mtodos del anlisis de series de tiempo, que permiten abordar de rnanera rns
global el problema de construccin de modelos para estas r.ariables. Tambin, se pueden utilizar
mtodos especiales de regresin) colrro los mninos cuadrados generalizados o los modelos lineales
generalizados.
Por Ia dificultad que entraa la realizacin mannal de los clcr-rlos, especialmente en la determinacin
de los potenciales problemas que el modelo pudiera prescltar, sto se hace mediante el empleo de prolramas estadsticos especializados) que facilitan su clculo, correspondiendo al usuario la interpretacin
correcta de los resultados.
EI lector deber notar que los temas tratados aqu solo cubren la parte central del anlisis de regresin.
Existen textos especializados que lo tratan de manera detallada y en extenso. (Vase Rawlings y otros,
200 1. )
11.9. Ejercicios
Modelos de regresin mltiple
Snponga que un inrrestigador est usando el modelo estadstico Y : X,6 f e, donde
k :2. Result el siguiente sistema de ecuaciones, que permiten estillar el vector p:
13bo*2b1-2b2 :
2bo*2bt-bz :
-2bo-bt*4bz :
73 y
4
2
-1
a) Resuelva el sistema de ecuaciones y encuentre el estimador b de coeficientes. Escliba

explcitamente la ecuacin de regresin;
b) trscriba la forrnulacin nratricial del problema;

c) Si YY:6, encuentre s2;
d) Calcule los coeficientes de determinacirr mrltipl" R2 y arjustado Rl e interprtelos.
llna empresa de transporte ha tomado una m,uestra de los pesos de seis ernbarques, ia distancia
transportada y el gasto que erl ellos se ha incurriclo:
Peso (Tm)
40
30
16
t.2
3.4
4.8
Distancia
(miles de km)
ot
L r)
22
10
2.0
0.8
Iti
Gastos
(dlares)
320
224
138
180
246
372
a) Estime los coeficientes B6, 0ty Fz del modelo de regresil lineal nltiple:
b) Use el nodelo para predecir el gasto cuando el embarque pesa 2.4Tm y se lo transporta
1200 krn;
c) Calcule e interprete el coeficiente de deterninacin urirltiple y el coeficiente dc determinacin ajustado. Conente los resultados.
Un economista est interesado en Ia relacin quc cxiste cntre Ia demanda de viviendrs, su precicr
y el ingreso rnedio anual de los hogares. Si denoniinrrlos por y Ia denanda de vivienda, medidtr
en unidades adecuadasi z1 al precio pronedio de las vivicndas; y, 12 el ingreso familiar promedio.
Los valores de estas variables se recogieror] para 6 periodos y se muestran en Ia siguiente tabla:
Periodo
?l
:x7
r2
72
6.8
IL)
7.2
12
T4
74
77
r)
12
15
l4
l5
7.0
7.4
Si el economista supone que el modelo apropiado es uno de regresin lineal mltiple:
a) estirne los coeficientes de regresin del modelo;

b) calcule el coeficiente de determinacin;
c) realice la tabla de anlisis de la varianza e intelprete su resultado;
d) efecte las pruebas para determinar la significacin de los parmetros individuales.
4
En la tabla se dan los datos soble las ventas senranales promedio (en cientos de dlares) de cada
turo de los restaur-antes que tiene una caclena cle coruicla rpida, su capacidad cle asientos y cl
nrmero de clientcs (en cieutos) que ingresan a ca<la locrl.
Nmero de
asientos
Nmero
clientes
de
Ventas
semanales
120
19
13.8
200
14.2
150
180
t2
14.0
240
l5
t6
r8.2
oc f
.t)
a) Asumiendo que el modelo de regresin es lineal
rnltiple, estime los coeficientes Bs, 0t y 0z

y sus intervalos de confianza corresporrclientes (rrse g5 %);
b) Calcnle R2 y RZ. Intelprete los valores obteniclos;
la tabla ANOVA y realice ltr prueba de adecuacin del modelo;
d) Use el modelo para realizar la estimacin y la prediccin de la venta semanal de un restaurante que ser instalado con una capacidad de 150 asientos y se espera que ingresen 1400
c) Construya
clientes.
5.
De una encuesta de presupuestos familiares se han obtenido los siguientes datos rnensuales:
Gasto en energa elctrica ($)

Ingreso familiar ($)
Tarnao familiar
a) Construya
30
40
50
/Ll
70
130
300
800
1500
2400
1200
3000
Jo
t)
interprete un modelo par-a explical el gasto en energa elctrica en funcin del

ingreso familiar y el tamao de Ia familia:
e
b) Caicule los coeficientes de deterrninrcin (mirltipie y ajustado) v la varianza residual;

c) Constluya un intelvalo de corfiauza corr nivcl 95 % par-a el efecto de Ia variable ilgleso
farniliar;
17.9. Ejercicios
367
d) Indique qu coeficientes son significativos:
tamao de Ia familia permanece constante, calcule la variacin del gasto esperado para
un incremento de renta de 350 dlares.
e) Si el
f)
6.
trfecte la prueba sobre Ia significacin de la reglesin.
Sear las variables: .L : latitud en grados, A

ternperatura media anuai.
a) Explique ?
altura en metros sobre el nivel del mar y
y A con base
err
tt
J(J.9
JJ.Z
31.3
29.5
26.8
26.5
722
145
195
124
t07
r30
139
14.9
16.4
77.2
18.0
18.0
en funcin de tr
,4
7:
la informacin obtenida en varias ciudades:
b) Prevea Ia temperatura media para Lrra ciudad cuya latitud es 30.5 y la altitud
c) Calcule los coefi.cientes de deterninacin mriltiple y a.justado;
d) Realice la tabla de anlisis de la r.arianza e interprtela;
es 150 m;
e) Contraste la nulidad de cada uno de los parrnetros de Ia regresin e indique si es posible

encontrar un modelo mejor que el plariteado.
Se estim
un modelo de regresin rnrltiple
Coeficiente
partir de 25 observaciones y
Estimacin
10.6
2I
bt
2E.4
L1 2
[]n
se obtuvo:
Error estndar
0o
it,t
a)
a,
40
15
12.7
14.7
0.E4
0.76
En el rrroclelo propuest,o: 11 : 0o I 0f * p2t2 I 111:r:s t Asr+

estadsticamente significativos? (Use r.ur nir.el dcl 5 %);
l,) Usando los resultados de a) , prediga el valor de la respnesta para rp

un intervalo.
e,
,qu regresores son
(1,2,7, -7)t mediante
En un estudio sobre la relacin entre tres varia,bles se cibtuvieron 11 mediciones con los siguientes
resultados
11
11
11
r?o :
fi:1 11 : 66, D
i:7
11
506,
)--
1t
IY:33,
i:1
Drr,rn:
i-I
484,
11
D,r?:
'i:r
85,
11
11
: -22, Dr3o:
\Zr r"'
,i:l
t-1
r19
i.-I
r42,
11
2Be,
\-.,
/J
;t,>;
_ 346
i,-I
a) Halle la ecuacin de regresin lileal clue ajusta los datos;

b) Realice la tabla de anlisis de la varianza e interrrtela;
c) Encuentre los intervalos de confianza de los par'rnetros del rnodelo e interprtelos.
1-a:0.9);
d) Halle el coeficiente
de determinacin errtre las va.riables.
(Use
358
Regresin polinomial
9. En el laboratorio
de una empresa automotriz se rnidi la distancia que tarda un automrril en

frenar, de acuerdo a la velocidad que lleva el n-iomento qrie aparece Llna seal. Los datos se
muestran en la siguiente tabla:
Velocidad (krn/h)
Distancia (m)
a)
30
40
60
80
l0
20
30
50
90
^l
100
110
r20
90
150
250
Ajuste una ecnacin polinomial de segr-rndo grado a los datos;
b) Determine
la calidad del ajuste:
una prueba global de la bondad de a.juste mediante la tabla ANOVA.
c) Realice
10. En una entidad
bancaria las tasas efectir.as de inters varan de acnerdo al monto del prstarno
que se concede) ya que se incluyen gastos administrativos e impuestos que cobra el estado. Para
encontrar un modelo, se recogieron los siguientes datos, de varios prstamos concedidos:
Monto (miles de
05
$)
Tasa ( %)
10
1.5
o
3 t)
40
6.0
90
12.0
o.)
21
17
15
l6
19
27
i,)
-J
a) Grafique los datos ;' postule un rloclelo de regresin para los datos;
b) Ajuste los datos mediante el modelo de regrcsin de a);
c) Realice una prueba global de adecuacin del modclo;
d) Pruebe si los trminos individuales del rlodelo pueclen eliminarse.
11
t.t.
Los datos que se presentan a continnacin corresponden

cantidad de cierto aditivo qunico anadido:
Cantidad de aditivo
Horas de secado
a) Use el mtodo de
una prediccin para

aditivo qumico;
12.
tiernpo de secado de un balniz y la
,)
B5
80
60
50
6.0
tt
(J
r,
n.5
7.0
ajuste a un modelo polinomial de segundo orden para modelizar los datos;
b) Realice
c)
( g)
a1
e1
tienpo de sccado, cuando
se han aadido 6.5 gramos de
Calcnle los coeficientes de determinacin R2 y RZ e ilterprtelos.
En ttn estudio de la contaminacin por gases despcclidos por ios vehculos en las calles de Quito.
se midi la concentracin de plomo (en ppm) en cl aire y se registr la temperatura ambiente
(en "C) el momento de la medicin.
Temperatura
Concentracin
a)
80
nt
l!)
10.1
ii8
12.6
74
1,1.3
15.6
76.2
17.r
lB.7
88
(\7
107
115
118
Encuentre una ecuacin de segunclo orden qr,re a.juste las observaciones;
b) Realice un anlisis de varianza de la regresin

c) Es posible
pn.rebe la significacin del ajuste;
simplificar el modelo elinilando una
Regresin con variables ficticias
c1e
las conponentes? ,Por qu?
77.9. Ejercicios
1D
t,)
359
Sc cree que en ciertas enlprcsas cxiste discrirninaci<il scxual cn el trabajo y quc se paga ms a los
hombres clue a las mr-rjeres cuando rerlizan el misrno trabajo. Los datos de la tabla corr-esponden
a los aos de expeliencia, el sexo y 1u..11klrrs arrttales (err miles de dlares), de empleados que
tienen las misrnas funciones en 9 empresas dc consultor'a.
Exoeriencia
Sueldo anual
(miles)
(anos)
.)
lrlllJ er'
12.9
nruJer'
nrlrJ er
13.0
13.8
nIll.Jer
mrrler
hombrr:
74.4
15.7
73.4
fiorribrc
14.7
hombr-e
1.7
a .1A
homble
2r.\
a) Ajuste un modelo de regresin a los clatos;

b) Pruebe la significacin de la regresin;
c) Pruebe las hiptesis Hs: p:0 para los coeficientcs
c-l)
l.l
clcl nodeloi
Utilizando el resultado anterior, se pucde colchrir clrrc existe discliminacin? Por
cg'?
Err lrna erl]presa que se dedica a la transpoltacin cle triristas, se sospecha que el constuno clc
c-:ornbnstible de los autos dcpende dc la aritigiicda<l clc stos y clel scxo cle crieu los c<l<lucre.
Para probal esta sospecha se r-ecogi la siguientc infonrrciriri:
Consumo Sexo del

(gal/100 krn) conductor
4.7H3
\I
5.0
4.6
\I
4.0H2
5.2
\I
4.7
XI
3.5H4
4.7H1
Antigedad
del auto
4
3
1
a) Cion Ia ayuda cle variables indicadoras ar.jrrste rrrr rrroclelo de reglesin a los datos;
b) Elabore una tabla de anlisis de la r'u'ialzr y c:alcnlc el coeficiente de deterninacin
mrlti-
ple;
c) Realice pruebas sobre los parmetlos de ler lcgresin v cletermine crrl de ellos debe ser
excluido del modelo;
cl) Interprete los resulbados obtcnidos.

Los siguientes datos corr-espon<lcu al tierrrpo d< sobrevirrerrcir, en horas. rle uuas ratas luego crt:
se les suministra cierta closis de veneno. En ci expcrinrernto se consicler 2 tipos de r.eneno (A I'
B) y la edad de la rata.
Edad (rneses)
()
Veneno
Sobrevivencia
45
8.2
63
7I
36
49
4.4
5.6
A
67
._)
5.0
360
a) Realice
un ajuste de los datos con la ayuda de variables indicadoras;
b) Pruebe la significacin de Ia regresin
y calcule el coeficiente de determinacin mltiple;
c) Calcule los estadsticos para los coeficientes del modelo y examine si alguna de las variables
puede excluirse;
d) De acuerdo a lo obtenido en c) , encuentre el modelo definitivo.
Captulo L2
lntroduccin a las Series de Tiempo

El protstico es
el,
arte
d,e establecer
s'i,
Io que
hu,bzero, suced'irlo
Lo clue suced,i to hubi,era su,cedlid,o.
David Myddleton
cl anlisis cle las serics de ticrnpo existen varios cnfocres, ninguno de los cuales se puede decir
cllle es mejor clue los restatttes. Nosotros nos lefe-,-iremos al urs simple) qlre cs el de identificar los
pr-irrcipales factores qllc pal'ecen influil en los valoles inclividuaies de la misma y examilarcmos los
mtodos de prediccin que se agmpan bajo el nolrbrc genrico dc mtodos de suavizamiento o cle
Prrr
aterruat:in.
L2.L. Introduccin
Pala cl anlisis de ttua valiedrd de fcnrlenos fsicos, econmicos o fi.nancieros disponcmos de una
cierta cantidad de observaciotres de una lrismr variable aleatoria numrica, tomadas en norncntos
ecluiclistantes; entonces, los datos analizados tienen plopiedades interesantes aigunas de las cuales las
vanlos a presentar.
Prinrero, definamos lo quc se ctrtiende por serie de tienrpo (c1uc tambin se denomina como serie
ltistrito. r serie cronolq ico,).
Defirricin (de serie de tiernpo) Una scrie dc ticmpo cs un conjunto de datos que estn
orcleu'rclos
en el tietlpo y cllre lian sido tomados a intervrlos ecluiclistantes en el tiempo.
Como cjemplos de series cronolgicas podernos rnelcional los sigrricntes:
1. La tempcratura dialia
proruedio tomada cn
Iugal cspecfico, dulantc un
2.
Ei fudice mensual de precios al consnnricloL (IPC).
3.
Los precios de venta de cieltos at-tculos, clc tenporacla.
4.
El caudal diario promeclio
5. El nirrlero
de
rlo) cn
sitio clcterrninarlo.
de empleados en ramas relacionrdas co]r el tnlisrrro.

361
Captulo 12. Introdttccin a las Series de Tientpo
362
Si Ias observaciones de un fenrneno se han realizaclo a trars del tiernpo, es posible qrle preser]ten escluemas qr-le se repiten peridicaruente v que las obscrvaciones contiguas sean) probablernente.
dependientes.
se las representa mediante diagramas de dispersin (grficos X -Y) donde las
observaciones se representan en e1 eje de las ordenadas y lar variable tcm.poral en el eje de las abscisas.
La r'rriable tiempo () es la variable indeperrdiente.
A las series cronolgicas
Nosotlos llcvaremos la siguiente notacin:
t:0, I,2, ...,
1.
La variable tiempo (), que tomar \ralores en los entelos positivos:
_a-
La variable de las observaciones (Y), que 1a supondremos dependiente del tiempo: Yo, Yr, ...,
n.
Para realizar el anlisis, en primera instancia, se aplicarn los rntodos tradicionales de la inferencia
estadstica para modelizar los datos y corocer la bondad del ajuste realizado.
L2.2.
Componentes de una serie de tiempo
Desde el punto de vista tradicional, los componentes de nna serie de tiempo son: la tendencia secular'.
y los conponentes estacional, cclico e irregr.rlar.
L2.2,L. La tendencia
secular
De los conponentes que afectan a los valores individuales en una serie clololgica, el ms inportante
es, getreraltnente, Ia tendenc'ia secttlar (o llamada sinplemente tendencia), que se define corlo el
mor.imiento caracterstico de crecimiento (o de declecimiento) a largo plazo de la serie. Por eso, Ia
tendencia solo se pu.ede determinar si se dispone de datos de la serie en Lrn periodo largo de aos.
La tendencia es la direccin subyacente (hacia arriba o hacia abajo) en la serie de datos, a largo
plazo.
A la tendencia
se la identifica mediante el smbolo
7.
Las ftterzas bsicas que producen o afectan la tendencia son: los cambios en la poblacin, la inflacin.
el ca,mbio tecnolgico, el incremento de Ia productividad y los ciclos de vida de los productos.
Para la modelizacin de este componente se ritilizan modelos lineales, polinomiales y otros. EI mtodo
ms simple, y ms ampliarnente usado pala describir- la tenclencia es la regresin lineal sirnple y las
transformaciones que pueden hacerse hacia este modelo. As, la tendencia puede ser lineal creciendo
a una cantidad absoluta constante a lo largo del tiempo- o puede ser exponencial, creciendo a una
tasa constrnte a lo largo del tiempo. Alternativamcnte, la tendencia puede ajustarse a un polinonio
o otlo modelo ms cornplejo.
Pol
sr-r
natnraleza
lalgo plazo.
e1
anlisis de la tendencia tiene implicaciones en la planificacin administrativa a
72.2. Contponentes de una
ser-ie de tientpo
363
L2,2.2, La variacin estacional

El coupouente estacional de la serie
es
un patrn de carnlrio qlre se repite legularmente err el tienrpo.
Este movimiento debe courpletarse dentro del pcriodo de un ao y rcpetirsc, de rranera semejante ao
tras ario, a fin de consicleralsc un cambio estacional. As. ptrla identificar el conponente estaciolal cn
una scric histrica, es necesario recopilar los cltos para rrrils cle rrrr pelio<lo de un ar-ro.
Por eiemplo, si considerarros Ios registlos dc clemrncla clc liabitacioncs er los hoteles de los sitios
tursticos ms visitados, dnr-ante el ario. En los r]rcses rlc vacrciorres clc los regmer).es escolares de
la Costa ), de Ia Sicrra se procluce rlrayor derlanda cllle cn el lcsto cle mescs del ario. As, los datos
presentarn rrariacioncs estacionales) con Lula rllarcAdr tendeucia a aurtrentrr, durarrtc los pcriodos
sealados.
\{ientlas que ia tendencia se rttiliza pala la plalificacirr a largo plazo, el anlisis del componente
estacional dc una seric histrica tienc implicaciones a cor-to plazo, ms innieclirtas.
Las fluctuaciolles estaciolales sc preseltan tpictrniente err los clatos clasificados por rneses o trimestres;
Io clue conduce a qlre se deba crlcular Lln valol estacioual por sepalacio para cacla rnes (o trimestre)
clel aiio, por Io general en la folma de un nuler'c1 rrclicc.
Etr la Fignra 12.1 se grfica tura seric con collportalrierrto cstar:ional. La variacin estacional
reprcsenta nrcdiaute
se
.D.
Figura 12.1: Serie cle tiernpo con fluctnrcioncs cstaciolales.
12.2.3. La variacin cclica

El coutponente cclico cs la flnctuacin en for-tr. a, de on<lLs cl ciclos, de urs cle un ao dc duracin,
proclr.rciclo por cambios en las concliciones ccounricas.
Los coupouentes cclicos sc asctrejan a los estacionalcs erl que trmbil son movimientos ondulatorios lepetitivos, pero difieren erl que 1os rr.ovimielrtos son de duracin ms prolongada y sotl menos
predecibies en cluracin y en amplitud.
El anlisis del compouente cclico
es de impoltrncia en la planificacin a Iargo y mediano plazos ya

cluc petruite prcveer los periodos en los que estas variacioncs afectarn las actividades.
Un ejernplo dc variacirr cclica se presenta en el plecio clcl petrleo, que cll las rltirnas dcadas ha
tenido periodos largos de crecimiento sosteuido, segr.riclos cle perioclos cle fuelte cada.
La valiacin cclica se la identifica por C.
364
Captulo 72. Introduccin a las Series de Tiernpo
12.2.4, La fluctuacin irregular

El componente irregular
corresponde a fluctuaciones causadas por sncesos irnpredecibles o no pe-
ridicos.
El componente irreguiar puede deberse a fenrlerros como un clima poco usual, huelgas, guerras,
elecciones y cambios el las leyes, o por los errorcs qne se corneten al realizar Ias mediciones.
EI conrponente irregular de la serie histrica se identificr con el smbolo 1.
El principal uso de las
series de tiempo es la realizaciu de pronsticos. En este captulo nos concentrarenros en Lrn conjunto de tcnicas de pronsticos conocidas como m,todos de atenuo,cidn de las
series, qne son fciles de implernentar y no requieren cle tcnicas matemticas sofisticadas.
L2.3. Atenuacin
de series de tiempo
Las tcnicas de atennacin o su"auizamtento se enplcan para reducir las irregularidades; es decir, las
fluctnaciones aleatorias) en una serie de tiempo, proveyendo una visin ms clara del comportamiento
subyacente en la serie de datos.
En algulas series cronolgicas la variacin estacional es tan pronunciada que no permite apreciar la
tendencir o los ciclos, que soL muy irnportantes para entender el proceso observado. El suavizamiento
pu.ede rerrover Ia estacionalidad y hace que las fluctuaciories a largo plazo aparezcan ms claras.
Adeurs, con frecuencia, el analista quiere actualizar los pronsticos diaria, semanal o mensualnente
de manera rpida, barata y sencilla, eso se puede lograr mediante los mtodos de suavizamiento de
los datos.
Las tcnicas ms cornunes son el suavizamiento por prom,ed,i,os m,ui:les y eI suaui,zami,ento erponencial.
Cono el tipo de estacionalidad vara de serie a serie, as debe variar el tipo de suavizamiento empleado.
Estas tcnicas se basan en promedios ponderados cle rnediciones anteriores. La explicacin consiste en
que los vaLores pasados contienen informacin de 1o que ocurrir en el futuro. Debido a que los valores
anteriores incluyen fluctuaciones aleatorias, as como informacin relativa al patrn subyacente de la
variable en estudio, se hace un intento de suavizar estos valores.
Estos mtodos son apropiados cuando:

Hay que realizar pronsticos de muchas series.
2
Solanente se requieren pronsticos a corto plazo (hasta Lrnos cuantos meses)"
.)
Es aceptable una precisin razonable, rrras no exacta.
4.
Desde el punto de vista costo/beneficio. no se justifican procedimientos ms complicados.
Teniendo en cuenta lo anterior, se pueden enumerar brevemente las ventajas

ntodos de pronstico por suavizamiento:
Ventajas
1.
Simplicidad, facilidad de comprensin.
y desventajas de
72.3. Atanuacin de series de tiernpo

Precisin aceptable (pcro de ninguna lrlauera cxactitud total) en una amplia variedad de aplica(:10tles.
Fcil inplementacin infonntica.
Desventajas
1.
Por k general, requicreri de un sistema horrrbre/r.nh<rirra, cclu vigilarrcia mannal y posibilidades

de invalidacin.
2.
No pronostican los pr,rntos cr-ucialcs, cu.ariclo ha1'
3.
Sc aplican solo cn 1os pronsticos a corto plazo.
4.
Puedcn reaccionar cxcesivanente al azar-. calrsando oscilaciones destructivas.
5.
Pucclerr presentar problcmas tcnicos en
1-
'1m1,ius
bluscos en cl patrn de los datos.
sclcccin del moclclo corlecto y en la seleccin de Ias
coustantes de snarrizamienlo.
12.3.1. Suavizamiento por promedios rnviles

Los datos histricos se pucden aterrlrar en rnuchrs forrnils, pero siempre con el objetivo de usar los
cltrtos disponibles para desarlolirr un modelo dc plonstico para pcriodos ftttulos.
El mtodo ms simple e intuitivo
es usar el pronredio sirnple, consistentc
n'rtica cle todas las observaciones
cl
cncontrar la media arit-
tisarlo para pronosticrr el siguiente peliodo; es decir,
Vr.
1)''
<>
rt+I : t:l
?1,
Este ntodo, en gcneral, tiene una validez muy lirnitacla ya qr-lc es aplicable cuando 1os datos no
I)r'esentan tendencia, estacionalidad u otros patrones sisterntic<ts.
Ejemplo. En el Cuadro 12.1sc
presentan las observacriorres qne corrcsponden alas ventas trimestrales

de una errpl'esa en el periodo 2003 a 2006.
Pronosticar las ventas par-a el ro 2007.
Soluctn: El promedio de
l<s 16
datos es igual a 556.6. Es clecir'. ?rr:556.6.
El valol del pronstico puede parecer bzrjo ya
clue cr1 los plimeros trimestres de los irltinos arios las

tentas fucron nayores que el valor pronosticaclo. Adcnis. si deseamos un pronstico para cada uno
clc ios trimestres dcl arlo 2007, no podcmos hacello. Vclrros que el mtodo propuesto es insuficiente
pma nucstros propsitos.
En tnuchos anlisis, 1os clatos clue prcsentan nlt\or intcrs sorr 1os nrs recicntes ya que ellos darn
lnayor informacin del actual estado del proceso que aclut:llos drtos que fucron tornados al inicio del
tnismo. P'Lra realizar sto sc puedc cralcular el pronreclio para lrs observaciones ms recientes. AI
cstar disponible una nlle\a observacin, se puecle calculu' r-lna nlieva media eliminando el valor rls
arrtiguo e incluyendo el rls recientc.
Prra describir este cnfoquc sc emplea el trrliuo rrorucrlio (o rur:dia)
1-rlon-iedio mr.il prra pronosticru el siguiente pclioclo.
rnvil. Entonces, se usa est,e
Capttrlo 72. Introduccin a Jas Series de Tientpo
366
Ao
Tbimestre
I
2
.l
2004
2
3
2005
2
J
2006
2
L)
1
2
3
Ventas
598
390
267
+1
ra,
J/()
5
6
7
8
I
10
1l
\2
13
t4
15
16
588
425
371
609
777
32
433
689
855
618
460
720
Cuadro 12.1: Datos correspondientes a las ventas tlimestrales de nna elnplesa.
La expresin matemtica de la rnedia mvil
A,[t: y+t
es
Y + Yt-t iYL z +
"' + Yt +r
1L
doncle
A,,It
?,*,
promedio mvil en el periodo
valor del pronstico pala el siguiente pr:r'ioclo;

\alor real en el periodo tl y,
nirmero de tnninos err el promedio mr'il.
As, el promedio urvil para cl periodo
es ir rnedir aritnrrl ic:r <lc las r obser\raciones ms recientes.
Obserrrcmos que el nittnero de perioclos que iuter\:ienerr clr cl cilculo dc nna media mvil palticuiar
no ciurbia al correr del tiernpo. Porsto, es inrportzrltr: cscoger ci nrrnero de periodos ??r qlre scl
clenoruina su orden. Para datos trimestrales es frecucnte clue se utilice rrn plomedio mvil de ordeu
4 y para clatos nensuales un promedio mrril <le orclen 12: cs clecir. se ernplea el misrno orden de la
estacionalidad dc la serie.
Ejemplo. (Continuacin) Realizar cl pronristico.
urercliruttr nrcclirs mciviles. cle los clatos
del Cuach'cl
72.7.
Solu,cin: Como los datos estn clados en forra tlirlestr'rl tonralemos una media mvil de or-clcl
En el Cuadro 1,2.2 se encuentran los pronsticos pala la sr:r'ie completa.
11.
Examinemos los clculos del plonstico del periodo 17:
A':rc
: ?r, : hn -F Y15 I
Y1a
720+460+618+855
Yi3
663.3.
Entonccs. para el primer trimestre del ao 2006 se espcr'r tener urr nivel de ventas igual a it :
663.3. Si comparanlos con las obsenaciones clc los riltimos airos, cl valor del pronstico es mucho ms
lazonable que el anteriormente obtenido, per-o persiste el problema de Ia realizacin de pronsticos a
mayor plazo.
72.3. Atenuacin de series de l,ienrpo
Ao Trimestre
Pronostico de
Plomedio
rnovil, ?,
Ventas
Y,
1198
22390
33267
44573
15588
26425
2003
457.r
454.5
t1
48609
19777
2
r0
11
3
t2
4
13
1
2
14
15
3
4
16
117
2004
2005
2006
367
463.2
489.3
198.2
545.5
572.4
587.7
607.8
Jf I
532
433
689
855
618
460
UT.J
648.8
655.6
663.3
720
Cuadr-o 12.2: Pronstico mecliante pr:omeclio mvil.
L2.3.2. Suavizamiento por la rnedia mvil doble

Es una vari.ante del mtodo expuesto) que tiene rrayor efectividad cuando se dispone de una serie de
tiempo cuya tendencia es lineal. EI mtodo consiste en, primero, calcular un conjunto de promedios
urviles; y luego, se calcula un segundo conjunto colno plorrledio mvil del primero. La tcnica de
atenuacin por promedio mvil doble se realiza de la forma siguieute:
1.
Se calcula el
pronedio mvil (simple) de los clatos:

A,It
Daclo que
mviles:
NIr:?r+t,
Y+Y:-fY z+"'+Y-r+t
(12.1)
se Lrsa esta nueva serie para calcular un segunclo conjunto d.e promedios
^rl
3.
AI
A[-1 + A'[t 2+
"' + A'I;,,+t
(t2.2)
Se calcula Ia diferencia entre los dos promedios rnviles:
at:2AIt
(12.3)
AI
y ttu factor de ajuste adicional, similar a la medicin de una pendiente que cambia a travs
la selie:
b,: ;t_ tQt, 4.
tt',)
Se forma Ia ecuacin que servir para realizar el proustico en
de
(r2.4)
p periodos en el futuro
(12.5)
Y+y,:cr"lb1P,
Ejernplo. (Continuacin) Realizar el pronstico, con la tcnica de la prornedio mvil doble, de los
:latos del Cuadro 12.1.
Solttcin; Los resultados se presentan en el Cua,dro 12.3.
-\ continuacin
se exponen los clculos para compr-ender el pronstico del
trimestle
17.
Captulo 72. Introduccin a las Series de Tiempo
368
Promedio
Pronstico
Periodo Verrtas Promedio mvil Valor Valor
a+ W
(p: t)
t
YL
mvil
doble
de o
de b
598
390
267
tr73
457,1
454.5
463.2
588
42
37t
10
609
777
532
11
433
72
689
13
855
1.4
15
618
460
16
720
489.3
498.2
545.5
572,4
587.7
607.8
627.3
648.8
655.6
663.3
5t2.5
466.0
476.3
499.1
526.3
550.9
578.3
598.8
617.9
634.9
648.8
15.5
14.6
31.0
30.7
24.5
19.6
19.0
20.6
13.8
9.7
520.1
592.0
618.4
624.4
637.3
655.8
679.8
676.3
677.8
528.0
534.7
623.0
649.1
648.9
656.9
674.8
700.4
690.1
687.5
17
Cuadro 12.3: Pronstico por promedio mvil doble.
1.
cuatro trirnestres mediante la ecuacin 12.1:
Se calculan los promedios mviles de
Yrc*Ytr.lYtslY:n
A/[rc
855+618+ 460+720
2.
663.3
Una vez que se ha realizado el suavizaniento por promedios mviles simples de toda la serie
emplea Ia ecuacin 12.2para calcular el segundo promedio mvil de cuatro trimestres:
Mu
lV[rc
N[rc
se
+ N[t+ -f N[n
4
663.3
3.
Se usa Ia igualdad 12.3 para calcular
&16
+ 655.6 +
648.8
627.3
648.8.
la diferencia de los dos promedios rnviles:
:
:
2L'1rc- A'I!6
2 x 663.3-648.8 :677.8.
La ecuacin 12.4 ajusta Ia pendiente:
bro :
:n-
:
4.
_,
(16
(6Of.f
- /6)
- 648.8) :9.7.
Realizarnos el pronstico de un periodo a futuro (ecuacin 12.5 con
u*r :
p: l):
a16l b16p
677.8+ 9.7 x 1:687.5.
El pronstico para el primer trimestre del ao 2007

que los dos resultados presentados anteriormente.
es
d,e?17:
687.5, que puede parecer ms razonable
72.3. Atenuacin de series de tiempo
369
t2.3.3, Suavizamiento exponencial

El suavizamiento o atenuacin exponencial es un mtodo que se utiliza para revisar cr-rnstantemente
la estimacin de los coeficientes de un modelo de pronsticos con base en cada observacin sucesiva
real.
El rntodo
plomediar los rralorcs anteriores de una serie, haciendo esto de forma decreciente,
peso
zrsigrrtruclo nlayor
a las ms recientes. Las ponderaciones empleadas se designan cotllo a (0 <
rl < 1) para la observacin rns reciente, a(l - a) para la siguiente ms reciente, a(1 - q2 para la
signierrtc, y as sucesiva[rente.
El
se basa en
rnboc1o de
clculo de los pronsticos es el siguiente:
nlrevo
pronstico:
cv
(nueva observacin)
+ (t -
de rnanera qr.re la ec;uacil de la atenuacin exponencial
cv)
x (pronstico anterior),
cs
?r*r:aY+(1 -.)?,,
clon<1e
i,*r :
v:
rme\o
valol atenuado o valor del pronstico para el siguiente periodo;
colstante de atenuacin (0 < a < 1);
Yl
qs1' obsenacin o valor real en ei periodo
?,
.rulo. atenuado anterior o experiencia promedio de la serie atenuada al periodo
1.
Uua mejor interpretacin de Ia ecuacin que define el suavizamiento exponencial se puede ver en la
siguiente dcscomposicin:
?,*,
aYt
?,+
auterior'.
a)Y,
a)'
*(v,-?,\.
'/
\
Lr ttcrrtracin exponencial es sirnplemente

.-^
"- el
ert el prortstico
(1
iY -
pronstico
antelior
r-
aY
a veces el
error (n - ?r\
lfr)
"'"..'^
\-'/ '"*"
"rr
\- -')'
La coustante de suavizatlieuto a sirve como el factor para ponderar, El valor de cv determina el grado
llastr el cual 1a observacin ms reciente influye err el valor del pronstico. Cuando rr es cercano a 1,
ett el rruevo pronstico Ia observacin ms influyente ser Ia rns reciente. Inversamente, cuando a es
cercallo a 0, en el pronstico influirrr todas las observaciorres de rranera similar.
IJn rntodo para estimar cr consiste en encontrar aquel valor que minimiza el error cuadrtico medio
(ECM):
17
t
ECM:
t:I
',
(r -?,)
11,
para diferentes valores de

cr-ror ms pequeo.
a.
Para generar pronristicos firturos se clige el valor de a que prodr.rcc el
Captulo 72. Introduccin a las Serjes de Tientpo
370
Err la siguiente tabla se preseutan los clculos clc los valores dc las ponderaciones para dos valores cle
o, En clla se puede observaL cmo influyen los valorcs pastrdos cr los pronsticos, en dependencia de
a.
a:0.1
Periodo
t
t-I
L_:
x 0.1
0.9x0.9x0.1
!t
l,-L)
0.9x0.9x0.9x0.1
Los lestantes
Total
Ponderacin
Clculos
0.100
0.090
0.081
0.073
0.656
0.9
Ejemplo. (Continuacin)
:0.6
Ponderacin
Clculos
0.600
0.4 x 0.6
0.240
0.4x0.4x0.6
0.4x0.4x0.4x0.6
0.096
0.038
0.026
1.000
1.000
R,ealizar el pronstico, rnediantc suavizamiento exponencial, de Ios datos
clel Cuaclro 12.1.
Solucin: Los resultados se presentan en el Cuadrc 12.4 con r.alores de la constante de ateuuacin de
0.1 y 0.6.
Yt
1
2
3
1":
37t
609
523.7
777
531.7
556.2
553.8
390
267
1A
5
6
7
8
I
10
11
12
13
14
15
16
o.r
598.0
598.0
577.2
546.2
548.9
552.8
540.0
598
<-t
JIJ
588
425
532
433
689
855
618
460
720
17
Valor
prortostico stravizado
suavizado
?,
cle
Errol
Vaior
Ventas
?,
-208.0
-310.2
473.2
26.8
39.1
349,5
483.6
546.2
473.5
-r27.8
-169.0
530.2
678.3
590.5
496.0
611.8
757.7
673.9
545.6
650.2
-24.2
-120.8
54r.7
t47.3
556.4
586.3
589.5
576.5
590.9
298.6
3t.7
EMC:
129.5
143.5
27902.7 EMC:
de
ei
-208.0
-206,2
223.5
t04.4
-L2L.2
-102.5
4r2.0
85.9
245.3
1o : O.O;
598.0
598.0
Errol
pronostico
197.0
246.8
-146.3
-I57.5
193.0
243.2
-739.7
-213.9
774.4
33 991.3
Cuadro 12.4: Valolcs atenuados exponerrciahneute.
La serie atenuacla se calcula asignando iniciahnent r, ?,
598, que cs el primer valor observildo,
continnacin Los clculos se rerlizan de Ia siguiente ntaDera:
?r-, :
?, :
El cllor-de pronstico
es
e2
Pr'r
cl pcrioclo 17, rcsrrlta
Y2
nY1_(f
-.t)Yt
(0.1)598
+ (0.9)598
?, :3g0
bg8
598.
-208.
72.3. Atenuacin de series de tientpo
?n :
:
oY16l (1 - *)a
(0.1)720 + (0.9)576.5
Con sinrilares clculos, para una constante
a:0.6
37L
590.9.
el pronstico del periodo 17
es?y:650.2.
Para definil cul de Ios dos plonsticos es el ms aceptable, se puedel comparar los errores cuadrticos
nrcdios cle lrs series.
L2.3.4. Suavizamiento exponencial doble

La tcnica de suavizarliento exponencial doble. tarnbin conocida como mtodo de Brown, se emplea
prra pronosticar series que tienen una tendencia lineal y cs semejante al atenuamiento por la media
mr'il doble.
Primero, conviene que tengamos en cuenta que debido a qlle los valores de la serie no son pronsticos
en s rnismos, Ias ecuaciones de actualizacin son ms comprensibles si se adopta la siguiente notacin.
:
--li :
-{
valor (simple) suavizado exponencialmente de
er el periodo
valor doblemente suavizado exponencialmcnte de Y cn el periodo
La tcnica de suavizamiento exponencial doble se realiza de la forrna siguiente:
1.
Se calcula el valor sirnple suavizado exponencialmente, con el mtodo antes expuesto:
At+t: aYt,r t (l - a)At.

2.
Se calcula el valor doblerlente suavizado exporencialmente, realizando otro suavizarniento exponcncial a los datos recin obtenidos:
Alt+t: aAt+t + (t -
3.
(12.6)
Se calcula
(72.7)
a)Atr.
la diferencia de los valores atenuados exponencialnente:
at:2At -
Al.
(12.8)
y un factor de ajuste adicional, sirnilar a la pendiente:
u,: f(At
l.
Se
folna la ecuacin para realizar el pronstico
de
Yr*o: ct I
- A')
(12.e)
'
p periodos en el futuro:
(12.10)
bp.
Ejemplo. (Continuacin) Realizar el prorstico, mediante suavizamiento exponencial doble, de Ios

i,rtos clel Cuadro 12.1.
:,llLtc'i,n,: Los resultados de los clculos se encuentran en el Cuadro 12.5.
-1.
coltinuacin se pr-esentan Ios clculos correspondientes para el pronstico del periodo
17.
Captulo 72. Introduccin a las Series de Tietnpo
372
Valor
t
1
2
3
r+
5
6
-
8
I
10
il
12
13
14
15
16
Pronostico
Vrior
Ventas suavizado suavizado Vr,lor Valor
Y
598
At
598.0
390
267
425
577.2
546.2
548.9
552.8
540.0
q-1
(ot
609
531.7
556.2
553.8
541.7
556.4
586.3
589.5
576.5
590.9
o /.1
588
,)/l
777
532
433
689
855
618
460
720
a I bp
A',
dea de (p-t)
598.0 598.0 0.0
595.9 558.5 -2.r 598.0
590.9 501.4 -5.0 556.4
586.7 511.0 -4.2 496.4
583.3 522.2 -3.4 506.8
579.0 501.0 -4.3 518.8
573.1 472.8 -5.6 496.7
569.2 494.1 -4.2 467.2
567.9 544.5 -1.3 490.0
566.5 541.1 -r.4 543.2
564.0 519.4 -2.5 539.7
563.3 549.6 -0.8 516.9
565.6 607.0 2.3 548.8
56E.0 611.0 2,4 609.3
568.8 584.2 0.9 613.4
571.0 610.7 2.2 585.1
I7
612.9
Cuadro 12.5: Pronstico por suavizamiento exponencial doble con
1.
0.1.
\''lediante la ecuacin 12.6 se calcula el valor de la atenuacin exponencial simple de la serie

inicial (columna 3):
Arc:
aY16]_ (1
(0.1)720
2.
cv
cr)415
(0.9)576.5
590.9
La ecuacin 12.7 se usa para calcular el valor doblemente suavizado exponencialmente (columna
4).
A','u
: .',&;J;; ;,, B:571
3. En la colunna
5 se calculan las diferencias entre los valores atennados exponencialmente, medirnie Ia igualdad 12.8:
arc:
4.
- A'6
2(590.9) -571.0:610.7
2A16
Con la ecuacin 12.9 se calcula el vaLor rdicional cle a.iuste (columna 6).
brc:
,L
(Y
0.1
=(A,o-Aio)
(590.9 571.0) :2.2.
U
5.
Finalurente, se empiea Ia igualdad 12.10 para hacer el pronstico en el futuro:
u*r
a16
i b6p
610.7
+ 2.2(1) :612.9.
72.3. Atenuacin de series de tiernpo
373
12.3.5. Mtodo de Holt

El mtodo de Holt es una tcnica que se emplea para manejar series de datos que tienen una tendencia
Iineal pero que no presentan estacionalidad. La tcnica atena en forma directa la tendencia y la
pendiente utilizando diferentes constantes de suavizamiento para cada una de ellas. Por esta razn,
el rntodo presenta mayor flexibilidad al seleccionar los modelos.
La tcnica consiste de los siguientes pasos:
l.
Se suaviza
Se estima
la serie mediante el mtodo exponencial:
: aY + (1 -
Tt
la tendencia:
Se realiza el pronstico de
At
0 (A,
a) (At-t + Tt_t)
- Ar_t)+
(1
(12.11)
p)Tr*t.
(r2.12)
Yt+p: At *
(12.13)
PTt,
donde
a:
Y :
nuevo valor atenuado;
constante de atenuacin exponencial de los datos (0 <

nueva observacin o valor real en el periodo
r < 1);
constante de atenuacin para la estimacin de la tendencia (0 < 0
7r
estimacin de la tendencia;
i+o:
< I);
pronstico de p periodos en el futuro.
La primera ecuacin es similar a la igualdad original de atenuacin exponencial simple, con excepcin
de que se incorpora el trmino (") para la tendencia.
En la segunda ecuacin se toman dos valores sucesivos de atenuacin exponencial, ya que ellos
se
atenuaron con fines de eliminar la aleatoriedad, su diferencia constituye una estimacin de la tendencia
local de los datos. Se atena esta tendencia con la constante B y se le suma la tendencia anteriormente
calculada multiplicada por 1 - B. EI valor obtenido es una tendencia atenuada que excluye cualquier
aleat oriedad.
La ecuacin del pronstico suma el nivel actual de los datos A y el producto de la tendencia T por
los p periodos.
Notemos que para iniciar la iteracin, se toma
At:Yt
Tt:0.
Ejemplo. (Continuacin) Realizar el pronstico) con el mtodo
de Holt, de los datos del Cuadro
72.7.
Solucin: Los resultados de los clculos se encuentran en el Cuadro

Examinemos cmo se realiza el pronstico en los periodos 2
77 con
12.6.
0.3
y 0 :0.2.
Captulo 72. Introduccin a las Ser"jes de Tientpo
374
la
Ventas
Valor tle Ia
actulizacin
Yt
At
598
598.0
535.6
446,3
-L2.5
oaa
523.1.
464.8
-18.6
4t8.4
488.8
10.1
- 13.3
446.2
478.7
449.3
1
2
3
4
5
6
7
8
I
l0
11
t2
13
T4
15
16
390
267
573
588
425
-r8.0
669.7
27.9
673.7
625.8
660.3
23.t
o32
" lAp
0.0
425.8
468.2
556.7
558.4
528.2
578.3
371
609
777
Pronstico
terrdenci
TLY
462.6
433
689
855
618
460
720
Valor de
-5.9
407.8
462,3
13.0
t0.7
569.6
569.1
530.8
590.3
697,6
696.9
634.7
674.3
2.5
t2.0
8.9
14.0
t7
Cuaclro 12.6: Pronstico mediante el ntodo de Holt.
1.
Clculo de1 valor de la actualizacin de la serie. Para iniciar el proceso tomamos
ft:0:
A2 :
:
2.
(1
535.6.
La estilnacin de la tendencia:
Tz:
:
3.
- ") (Az-, -l Tz_t)

0.3(390) + (1 - 0.3)(598 + 0) :
cvYz
Az_l) + (1 - 0)Tz t
0.2(535.5-598) +(1 -0.2)0: -r2.5.
0 @z
El pronstico de un periodo en el futuro:
?t*, :
:
AzrPTz
535.6 + (1)(-12.5)
523.1.
Con el mismo proceso para el periodo 17 tenemos:
1.
Actualizacin de la seric:
2.
aY16
660.3.
Estimacin de la tendencia:
Tte :
:
3.
(t - r) (Arc-t +
"ro-r)
0.3(720) + (1 - 0.3)(625.8 + B.e) :
Arc
0 (Arc Aro-r) + (1 0.2(660.3 - 625.8) + (1 - 0.2)8.9
0)Tu
Pronstico de un periodo en el futuro:
u*'
!;;!?{ô)(1):
6T4s
14.0.
Ar : }i
72.3. Atenuacin de series de tiernpo
12.3.6. Mtodo
375
de Winters
La atenr-racin por el mtodo de Winters es apropiada cuando la serie presenta una tendencia lineal
y una variacin estacional. Es una extensin del rnodelo de Holt, en la que se utiliza una ecuacin
adicional para estimar la cstacionalidad nediante un ndice estacional.
Los pasos que se siguen en este rntodo son:
1.
Se suartiza
la serie exponenciahnente:
Y
A': oiJ-
2.
Se estima
(1
- s)(At r +?r-r)
la tendencia:
Tt:0(Ar-At_t) +(1 Se
(12.14)
estina la estacionalidad:
Se realiza el pronstico de
c,-
Y'
^,i*(1
p)Tt_t.
(12.15)
(12.16)
-r)5-.
Yt+p
(At + TtP) St-r+p,
(12.77)
donde
A
cv:
Y :
, :
4:
7:
S :
-L :
?.
)i+p :
ttr,evo valor atenuado;
constante de atenuacin (0 < a

1111s1r
<
1);
observacin o valor real en el periodo
constante de atenuacin de la estimacin de la tendencir (0 < 0 <
l);
estirnacin de la tendencia;
constante de atenuacin de Ia estimacin de la estacionalidad (0 <
f < 1);
estimacin de la estacionaiidad;
longitud de la estacionalidad;
proristico de p periodos en el futuro.
Otsrvesc que el ndice estacional
se calcu.la tornando en cuenta el ndice estacional S-, corres^9

pondiente a tr periodos anteriores, y gue para iniciar la iteracin se toma Ar:Yt, ?r:0 y Si.:1,
cuando el ndice k no es positivo.
Ejemplo. (Continuacin) Realizar el pronstico, mediante el rntodo de Winters,
de los datos del
Cuadro 12.1.
Soltctt: Los resultados de
ia aplicacin de la tcnica
se encuentran en el Cuadro 12.7.
Para comenzar los clculos, verios que la longitud de la estacionalidad es -L : 4 y que se requieren las
estimacioncs inicialcs del valor atenuado, de la tendencia y cuatro estimaciones de la estacionalidad.
Para principiar el proceso de clculo, usaremos 598 como valor inicial de la actualizacin, 0 cono el
vakr de la estirnacin inicial de la tendencia y 1 como la estirnacin de la estacionalidad.
Analiceuros los clculos de los periodos 2
17, utilizando los r,'alores de
a:
0.3,
P:0.2 y ?:0.1.
Captulo 72. Introduccin a las Series de Tiernpo
376
Valor de la
actualizacion
A
Ventas
1
2
3
4
5
6
7
8
I
10
11
12
13
t4
15
16
Yt
425
598.0
535.6
344.4
325.0
547.8
550.1
37r
4I7.6
609
777
598
390
267
573
588
532
415.9
646.6
734.8
433
689
485.7
722.7
823.5
Valor de
la
Valor de
la
Pronostico
tendencia estacionalidad a*
bp
TtStY
0.0
1.00
-r2.5
0.97
-48.2
0.98
1.08
-+.4.
10.6
8.9
1.01
0.95
0.97
-19.3
-15.8
Lt2
428.6
403.0
648.0
754.8
595.1
484.9
706.0
831.3
698.0
637.2
556.0
566.7
698.8
855
618
460
612.r
-)7
1.03
0.93
0.95
1.15
1.04
0.91
0.93
720
508.7
-22.9
I.I7
33.5
44.4
Lll
-3.9
13.5
36.6
49.4
598.0
598.0
598.0
598.0
282.6
543.2
546.4
l7
18
19
20
Cuadro 72.7: Pronstico mediante el mtodo de Winters.
1.
Clculo del valor de la actualizacin de la serie. Para iniciar el proceso tomamos At

Y Sz_,+: I:
A2 :
:
2.
La estimacin de la tendencia:
T2 :
:
3.
"3J24 + (1 - o) (Az-t -t Tz-t)

o tfS + (1 - 0.3)(5e8+o) :53b.6.
0 @z - Az_t) + (1 _ p)Tz_t
0.2(5355-598)+(1
-0.2)0: -t2.5.
La estimacin de la estacionalidad:
Sz: ^,*,*(1 -r)Sz-a

390
= O t"rr" +(t -0.1)I:0.97.
De manera setnejante, tenentos para el periodo 16
1.
y los
sucesivos pronsticos:
Actualizacin de Ia serie:
Arc: ",;]Yrc + (1 - a) (Aro-r + ?ro-r)

0 J2 + (1 - 0.3)(612.1 + (-2.7)) :614.4t.
1.15
2.
Estimacin de Ia tendencia:
Trc:
0 (Arc - ,4ro-r) + (1 - p)Trc,,

0.2(.614.4r - 612.1) + (1 - 0.2)(-2.7): -1.698.
Yt, Tt
72,4, Cornparacin de los rntodos
3.
La estimacin de la estacionalidad:
,5ro
: t#1It6 +(1 -.y)Sro-

-
720
,,
u.t
+ (1 - 0.1)(1.15)
:
4.
377
6rL4r
1.15.
Pronsticos:
a) De un periodo
en el futuro, p
: li
u*, :
(1ro + Trcp),9ro-+r
1614.41 + (-1.6e8)(1)l (1.04)
637.2.
556.0.
566.7.
b) De dos periodos en el futuro, p:2:
?ru*,
(Aro
+ Trcp)
Src-++z
1674.41+ (-1.6e8)(2)l (0.e1)
c)
De tres periodos en el futuro,
p:3:
u** :
(ro
1674.4r
d)
De dos periodos en el futuro,
Yta+a
:
:
p:
Trcp)^9ro +s
+ (-1.6e8)(3)l (0.e3)
4:
(Aro + Trcp) Src-+++

1614.4r
+ (-1.6e8)(4)l (1.15) :698.8.
El mtodo de Winters presenta la ventaja sobre los otros mtodos en que podemos realizar pronsticos
por ms periodos (por lo menos por un ciclo completo de estacionalidad).
Hemos expuesto varios mtodos sencillos de pronosticacin de series de
tiempo. En
este punto surge
la siguiente inquietud: cul mtodo ernplear?
L2.4. Comparacin
de los mtodos
Primero tengamos en cuenta que no existe un mtodo qtle sea el mejor en toda ocasin. La eleccin
del mtodo depender del conjunto de datos que se disponga y de la finalidad de los mismos.
La comparacin de las tcnicas de atenuacin se realiza rnediante el error cuadrtico medio que, como
.va se indic, se calcula por
(t'-Y) >,"7
t
ECM:
^r2
t:7
tl
e es el error de pronstico para cada una de las observaciones de la serie. Entonces, podemos
enunciar la siguiente regla:
donde
lAquel mtodo que proporcione el menor ECM ser el ms apropiado para la serie de tiempo que
lse analiza.
Ejemplo. (Continuacin) Para los datos del Cuadro
12.1 veamos cul es el mtodo ms apropiado.
Captulo 72. Introduccin a las Series de Tiempo
378
Solu,ci,n: En el siguiente cuadro se encuentra el resumerr de ios rntodos analizados con su
Mtodo
ECM
Parrnetros
Promedio mvil simple

Promedio mvil doble
Suavizamiento exponencial
Suavizamien to exponencial
Suavizamiento exponencial doble
Mtodo de Holt
NItodo de Winters
: 0.1
a:0.6
a:0.1
a : 0.1,
a : 0.1,
ECM.
20826.2
24834.8
27 902.7
cv
33 991.3
29 547.4
D
t):
31634.7
0.2
0.2, 1 :
Q.1
54548.9
De los resultados, aparenternente, el rnejor mtodo es el prornedio rnvil simple y el pronstico basado
cn l sera el apropiado.l
Depeldiendo de las observaciones se sugiere que se utilicen los modelos:
Exponencial. Si la serie no tiene una tendencia marcada y no muestra variacin
Holt.
estacional.
Si Ia serie tiene tendencia lineal pero no muestra estacionalidad.
Winters.
Si la serie tiene tendencia lineal
y nuestra variacin estacional.
Respccto a Ios parmetros de suavizamiento debemos indicar que ellos siempre varan entre 0 y 1.
Para cada constante de atenuacin, cuanto mayor sea su valor, tanto mayor importancia se le dar
a la obselvacin ms reciente. Tngase plesente cre la mayora de Ios programas estadsticos que
disponcn de estos mtodos tienen implenentados algoritmos que escogen automticamente la combinacin de parmetros que dan el ECM mnimo, lo que permite tener una estimacin apropiada a las
observaciones disponibles.
Se aconseja al lector que implernente las frurulas de los dir.ersos mtodos en una hoja electrnica, lo
que Ie facilitar la realizacin de los clculos.
L2.5. Ejercicios
1.
Eu una academia de idiomas se sigue un sisterna trirlestlal. El nrmero de alumnos que estudian
el idioma esperanto en cada trirlestre, durante 4 aos, se resume en Ia siguiente tabla:
Ao Tbimestre No. alumnos Ao Trimestre No. alumnos

1
110
2
343
476
31.
11
.)
tJ
t.)
345
417
a) Grafique
3113
234
348
479
115
t,)l
351
427
los datost
N'Iediante los ntodos qlre se indican, realice el suavizamiento de la serie y el pronstico al

periodo serlalado. Tambin, calcule el ECM respectivo.
tConlc.' cl objetivo del ejemplo es ilustlal cl funcionamiento cle
las tcnicas, los valoles cle los palruett'os cle suavizatuiento sc tonlar-on cle tlanela albiti'aria; ellos r-ro son los ptimos pala ninguno cle los lr-rtodos
72.5, Ejercicios
379
b) promedios mviies de orden 4 y p: I;

c) rnedia mvil doble dc orden 4 y p : I;
d) suavizamiento expolencial con cv :0.2 y p : l'.
e) suavizarniento exponencial doble con a:0.2 y p:1;
f)
mtodo de Holt coll
cv
:0.2,0 :
0.3;
g) rntodo de Wintels para cuatro trimcstres, con cv :
0.1, 0
:0.3
V ^/
:0.4.
Las ventas trimestrales de casas que ha lealizado una cornpaa inmobiliaria en Ios ltimos aos
se presenta a continuacin:
Ao TYirnestre
1
a) Grafique
Ventas
Ao Tbimestre
Ventas
50
Jd
DF
.)
25
55
35
25
40
55
45
35
20
55
40
35
30
60
L)d
75
20
1r
1J
50
40
40
bl)
o<
los datos;
N4ediante los mtodos indicados, realice
el suavizamiento de la serie y el pronstico al
periodo sealado,
b) promedios mviles de orden 4 y p : 7;

c) media mvil doble de orden 4 y p : I;
d) suavizamiento exponencial con a : 0.1 y p: l;
e) suavizamiento exponencial doble con a
f)
rntodo de Holt con rl
0.3,
13
0.3;
:0.25;
g) mtodo de Winters para cuatro trinestres, con cv:0.4, 0:0.7 y ?:0.3;

h) Encuentre el rnejor rntodo de ajuste nediante el criterio ECM.
En una universidad se implant el sisterna de estudios cuatrimestral. EI nmero de alumnos
matriculados en la materia de geometra se presenta a continuacin:
Periodo Alumnos
1
r/l
58
a
d
rlD
72
fJ
7r
93
94
Periodo Alumnos
I
l0
li
t2
13
14
15
101
103
r02
110
IT2
111
728
Captulo 72. Introduccin a las Series de Ternpo
380
a) Grafique
los datos;
Mediante los mtodos indicados, realice el suavizamiento de la serie

periodo sealado.
b) promedios mviles de orden 3 y p : 1;

c) rnedia mvil doble de orden 3 y p:7;
d) suavizamiento exponencial con a : 0.4 y p:
y el pronstico al
L;
e) suavizamiento exponencial doble con a:0.4 y p: I;

f) mtodo de Holt con 0 : 0.35, F :0.15;
g) mtodo de Winters para tres trimestres, con a :0.2, 0:0.15 y
h) Encuentre el mejor mtodo de ajuste mediante el criterio ECM.
7:0.1;
Captulo 13
Elementos de Muestreo
Pot'un
per1ue,o ltcrl,o,zo tl,e tn,u.estru. pod,e'nr,os .ju,zqa,r
Lo"
piezo, r:otn,'pleto,
Miguel clc Cervantes Saavedra

Clonro sc inclic en el Captulo 1, en mnchos estrrclios cstadsticos lr lccoleccin cle la infolmacirr
sc lealizr mediintc Ia invcstigacin pol nruestLcc.l )/ sc sacan colclr-rsionos con brse cu la <<ilfeleucia
cstrclsticr>>.
Ilstc
a cxponel los mtoclos bsicos cmpleaclos cn lrs invcstigaciorlcs pol'

rlo
en
Io
ciue tiele cluc vel con 1a par-te estaclstictr, tambin se clatr algtttrtrs
solo
I)elo
ca1>tulo csti dcdicaclo
rrrLrcs'iLco.
inclicaciorres par'r la realizrcin pr'cticir cle los sonclcos.
13.1.
Conceptos bsicos
En las irivcstigaciorles cllyo objertivo cs la lecopila<:in

l)orsor)rs o cosas) sc clist.irtgnen rlos tipos clc cstuclios:
c1e
infonnrcin cslrrlstic sobrc rrn
glullo
cle
total o censo, cuvo objeto cs cruninar a toclos los eienrcnbos dc la pobiacin.
Lr cncucsta
La cncuesta palcial () l)or- ruuestreo. cluc tir:nc por objeto examinal uua partc pequcrla rle la
poblacin, e infelil rcsullaclos pala aplicar'los r 1a poblacin conplcta.
Acrr apaleccn clos conccptos rluc fi'ccucntcncntc rrtilizalernos: la poblacitr (o univcrr-so rnucstlal) y Ia
rrrlostr
t.
Dclinicin (de poblacin) Unir
1;oblacirirr cs rulr c:olcc:ciu cornplirlir clc pclsorts. uriuralcs,

plrrrt:rs o cosls de las cnrles se rlesea rccolccttl cltos.
Definicin (de muestra) Es un grlrpo de
rrni<laclcs sclcccriourrlas <lc
un grupo nrayor (la
pobltrcin).
Pol el estrrdio clc la rrnrcstrl so csper'r obtcncl'uorrt:ltrsiorrcs soblc lir pol-ililr:i1
En ilnchos casos la clcccin clc un:i
mtLestr'r cs ficil:
pol ejerlplo. prrl conoccl la plopoicicirt
r.Ll
<lespclclicio cll llrl srco cle maz o parr colloccr cl nrinrclo cle piczars clcfcctlLr-slLs cn un lote clc plodlLtt,.-,s.
381
Captulo 73. Elententos de I\[uestreo
382
etc.
Bastu mezclar bien los ploductos )' tourar ttna pcclttetia paltc cle ellos. Lo clue se deduzca de
cstir pecluea polcin (o muesir-a) ser-vir pala ,juzgar a la totalidad clel producto.
la preferencia clc Llna rrarca de gaseosa por palhe dc los corrsumiclores, o el tiempo que
Iu poblacin declica a mirar Ia televisin o cl favoritismo por cicrto particlo poltico entre los votantcs,
cs rns complicaclo. Los elementos son ms hetelogneos )'serr imposible aplicar el mtodo clesc-.-ito
pala tomal una mnestr-a, como se hace con los plocluctos.
Par'r conocer
Aunque Ia muestra poclra tonralse corno Lul subcorrjunto cr.ralcluicra cle la poblacin, en una iuvcstigacin es necesario que cr-rrnpla cor ciertos requisitos. parr c.lc rros pro\ea de inforrnacin colfiable
sobre Ia poblacin. La mlrestla ira de ser Llrla rcproduccin cn peqneo cle la poblacil. As. ha de
sel' nn Ecuador, un Guayas o un Quito en ruiniattua, si se tratr cle ul sondeo relativo al Ecttador, o
l:r. provincia clel Gr-rayas o a la ciudacl cle Qr-rito.
Pcro. cmo hacer para qlrc lr mncstra sea una copia. cn pcc.rco, de la poblacin? La respttesta cs
qrrc ln rluestla debe cstal coustituida por uu. nrmelo suficicntc cle elernentos, tomados al azi'tr', clc la
poblacin.
Pala
lr
correcta eleccin de la muestla, el] plirrel lugal cs necesalio hacel nna lista de los ob.jetos
la seleccionar', hrego se proceder a sortearlos para incluirlos clr la nruestra.
cle
lr c:ual se
Ilntonces, tenenlos las siguientes clcfiniciones:
Definicin (de unidad rruestral) Los objetos que
se scleccionan dc una poblaciu se llauran
Luriclrdes mnestlales.
Definicin (de marco muestral)
IJn malco muestral es nlla lista courpleta dc todas las uriclades
rnuestrales de la poblacin.
Por ejemplo, se desca conocel las prefer-encias electorales de toclos los rniemblos aclultos de Ia ciudacl
clc Arnbato. La poblacin esti constituida por todas 1as persorras cn capacidacl cle r:otal que viven eu
Ambato. El marco uruestlal es una lista complcta con los nolnbres de cada miembro de la poblacin
(cl pachn electoral). Una uuiclad uruestral cs tin residentc cr. Ambato y qnc cst crr capacichcl de
r.otAt.
Obselveuros que IIo siemplc cs posible tener nn lllarco rnuestlal pelfectameutc clcfinido) ya scr polqrle
st,c es urtty glaude) o l1o cxislc, o rlo se lo pucdc colfcccionar', \{1s arn, solo cr-ranclo la poblacirr cs
pcqrtcria o coutt'olablc por cl invcstigador, es posible corrtar con Lrr. rnarco muestral ideal. Preguutnronos: quiu podra clabolal nna lista de toclos los individuos, o dc toclas las falnilias, que vivcu cri
Grrayacril?
Anl-cs cle telurinal', tcLretnos cre t'cferirnos a las convcnicncias y a las liruitacioncs cle las rnneslr'rs) con
lcsJrecto a la reilizacin clc Lut cjenso.
Ventajas de tomar muestras:
1.
Sorr urs ccorrrui('ns.
2.
Se emplea
3.
Sc obticnc rrna rncjor caliclacl cic infolnrcirln
rrenor ticmpo cn la rccolcccin de Ios clatos.
Se ernplea cuanclo la lioblacirr es glanclc o prrede consiclcr'rlsc iufinita.

I
rJ
Sort aplopiaclas clranclo cl ploceso clc rriediclr cle cada elcmcnto cs clestlucbivo o conllcvrr riesgos
r
la salud.
73.2. Muestreo aleatorio sitnple
383
Limitaciones de torlar mucstras:
1.
Si se necesita ilfornacin cle todos los elenentos qrre conforman el ruriverso estadstico.
2.
Si se rec-riere informaciu rnny clesagregaclr) prrl reas lntr\' pccluciras.
3.
CLrarrclo no
eristcn los clcruorrl,os tcriicos

rura buena ejecuc:in clcl sorrdco.
v luniuros
qr.re girutruticerr Lul Jrucn cliseo lnueshr'rl
A corrliurracin expondrclllos ios plincipirlcs tipos cle iln'cstigrciorrcs pol rnrrcsl-r'co, qilc sorr cl alertoricr
sirnrlc. el cstrrtificirdo ' l clc conglornelados.
I3.2. Muestreo aleatorio simple

Conro se dijo, un bucn cliseno nruestlal lequierc cluc los elernentos cscogiclos sean tomaclos al azar'.
Con sto garantizanros c.rc la mucstra leplesentc a 1:r poblaciu v clue las infelcncias a lealizal searr
r'iliclas. Al cxanen cle cste l,ipo de investigacin dcclicarerlos csta seccin.
La mar-ora de sondeos tienc uno cle los tr-es ob,jetivos siguientcs: cstinal cl total poblacional
c.stirn,r la mcclia de nna poblacil p, o cstimar la plopot'cin pol-rlacional p.
r,
13.2.1. Estimacin del total poblacional

Si urrir poblacirr csb1 c:onst,i hLicltr por'lV uniclrcles, cle las cuales intclesa rncclir el calacber':u clc cacla
nno: 21. i2, ..., i,JN. Dl tttrl Po)tllciontrl sc clcfinc 1-rclr'
t:fu:Nt,
r.:1
clonclc ,u cs Ia, mcdia poblaciorral.
Pol ejemplo, cn Ltra cncltcsl-l lcilizadr
los grrstos cri salucl clc los habitantes clc uua

cir.iclacl. se investigara cl gersto mcclio por pcrsona, l, que lcalizan cn Lrn arlo; o tzrrnbin, ltucde scl cle
intcr's cl gasto tobal, r, cluc sc rcaliza en dicho pobiado por corccpto cle salucl.
palr,L csbirrrrl
Intelvalo cle confiauzr

ilrtcn'alo palir cl total
rlc corrfiurza r-lcl (1 - a) x 100 % cs
Tr l
Donrlc:
-\
cs el
lrllelo
cle clcurentc's c.rr
la poblacin.
r cs cl nrlmelo clc clcmcltos cu la ulrestra.
es
la cstinacin clcl toLl roblacional: ?
ly'z
Captulo 73. Eletnentos de Muestreo
384
es el prornedio de
es
la m.uestra.
la desviacin estndar de la muestra.

Q
zo2 eI coeficiente de la ley normal estndar1 para el cual el rea en el extrerno superior es igual a-
Tamarlo de Ia muestra
La cantidad clue hay que sr.rmalle o restarle a un estimador, en la coufeccin del intervalo de confianza,
se denomina error. En nuestro caso
De aqu, si se desea tener una estimacin al nivel (1 - .) x 100 % dc confianza, con un error E" dado.
a partir de una muestra obtenida de una poblacin de tamao l/, el nrmero de unidades a incluir en
el sondeo es
(r*21{ r)2
n] + (2,,z)' Nr'
trjernplo. Una empresa de telefona celular
desea estimar el tiempo total que se emplean sus lneas

un fin de semana. Se seleccion al azar una muestra de 420 clientes, de los 62000 que haban
hecho uso de sus telfonos y se registr el tiempo de uso. El tiempo proneclio y la desviacin estndarde la muestra fueron z:3.61min y s: 1.2Bmin. A un nivel del 95.5%: a) obtener un iltervalo
de confianza para el tiempo total de uso de ios telfonos ese fin de semana; b) Considerando una
desviacin estndar de 1.25. calcular el tamao de la muestra para qne el error sea menor o igual a
err
20 000
minutos.
Soluctt:
a) Para este ejemplo, ly' :
62 000,
n:
420,
i : Nr:
El intelvalo
3.61, s
1.28
y zo.ozzs:2. Entonces,
62000 x 3.61 :223820
es
(,,,r,,
-,
62 000
1.28
;223 B2o * ,62
ooo
'28
\/ 420
o sea (216 100;231 540).
Por lo tanto, se estima que el tiempo total de uso de los telfonos est entrc los 216 mil y 231
mil minutos.
b)
Con s
:7.25 y E,:20000,
'"
se tiene:
4N2 s2
E?
4l\t s2
4(62 oo0)2(7.2q2
(20 000)2
Se uecesitar consultar
lllrr la prctica se utilizan

ctrar.c1o
la confiabiliclacl
4(62 000)(1.25)2
:60
al menos a 60 clientes.
valoles d.e :o12 igr-rales a 2, cuanclo se tlabaja con ru)a confiabilidad clel g5.5 r/o,
es clcl 99.7%.
o a'i,
73.2. Muestreo aleatorio simple
385
L3.2.2. Estimacin de la media poblacional

Como se dijo, puede ser necesario estirnar la rnedia poblacional, mediante la inforrnacin obtenida en
un sondeo; por ejemplo, cuando se afilura que el nivel medio de escolaridad en el Ecuador es de 7.5
aos, o si se desea conocer el consumo medio anual de caf de la poblacin adulta en una localidad.
Intervalo de confianza
El intervalo para la rnedia poblacional
un nivel de confianza del (1 - CI) x 100%
i, a
-, :
V t
;o/2
es
/F:7\
"
ttl -
Tamao de la muestra
El tamao de la muestra necesaria para tener rln error prefijado Er, a un nivel de confianza de nivel
(1 - r) x I00To, a partir de una poblacin de tamao Iy' es:
,,_
:^.,,\2 N
s2
NEu_\rq2)r"2.
Ejemplo. En un estudio ndico
sobre el consumo de tabaco, por la poblacin adulta, en una ciudad

de nn r-nilln de habitantes aclultos, se consult a 120 personas. Los resultados de Ia investigacin
mostralon ttn consumo promcdio diario de 3.8 cigarriilos, por persona, col] una desviacin estndar
de 1.1, a) Deterrninar cl intervalo al97% pala el lrmeLo promedio de cigarrillos que se consumel; b)
A cuntos individuos ha de consultarse para que la estimacin del nrmero medio de cigarrillos quede
a rnenos de 0.3 del valor verdadero?, si se considera un nivel de confianza del g5 %.
Solucin:
a)
Tenemos que
-|y':1000000, n - 120,7:3.8,
s:1.1 y zoots:2.17.
El intervalo es
I 000000
'--"
720
--".o
000000
1.1
-''
n1n
120
t/tzo
(3.8-0.22;3.8+0.22)
Entonces, el intervalo es (3.58; 4.02).
b) Con Ios datos previos
Er:
0.3
y zo ozs :
("o2)2 N
E'zt,
1.96:
12
+ (r*/r)2
"'
(1.e6)2 (1 ooo ooo) (1.

(1 000000)(0.3)2
Pol lo tanto,
i)2
(1.e6)2(1.1)2
:51.6
se ha de iurestigal al menos g2 persorras) pal-a tener el
error cleseado.
Captulo 73. Elementos de Muestreo
386
13.2.3. Estimacin de la proporcin poblacional

Este caso es, probablentente, el ms empleado en las investigaciones de rnercado y en los sondeos
polticos; as, frecuentemente se encuentra en peridicos y revistas datos como stos: el 70% de la
poblacin rechaza la decisin del gobiemo de aumentar el precio de los pasajes, o un 45 % de los
consumidores de gaseosas pr-efiere urra marca determinada.
EI inter-r,alo para la proporcin p a un nivel de confianza del
(^\P
ff
T*-,,
n_ IV
zorzV
;F
(1-
CI)
x 100% es
zolz
Donde:
es el nmero de elementos en la poblacin.

es el nrnero de elementos en
77
la muestra.
f es la estimacin de la proporcin, que se calcula por O: 1, siendo g es el nmero de individuos

que responde favorablenente
er la encuesta y f
: I -0.
?I
Tamao de la muestra
El
tanrari.o de
(1
-.)
la r-iruestra necesaria para tener nn error prefij ado Ep, a un nivel de confianza
x 100%, a partir de una poblacin de tarnao l/ es:
del
":ffiffi
Como nuchas veces se desconoce la estimacin

obtiene haciendo F: l: 0.5; entonces,
"
to:-
f,
se toma el tamarlo mximo de
la muestr-a, que se
Qot)2 N
4N EB - (rntz)2'
Ejemplos
1.
Una empresa pr-oductora de comida deshidratada desea introducir al mercado su ploducto

Sopainstaut. Se lealiza un estudio para determinar la propolcin de hogares que preparan
al tlenos ulla vez al rles sopa deshidratada. La muestra fue de tamao 240 et una ciudad
de 20 rnil hogares, resultando 40 respuestas afi.rmativas. Si se considera un nivel de confianza
del 98 %: a) Encontrar el intervalo de confianza para la proporcin; b) Utilizando la proporcin
prerriamente calculada, a cuntos hogares se ha de encuestar, si se desea tener un error de 0.06
en la estimacin?; c) Calcular el tamao mximo de muestra.
Sol,ucin:
73,2. Muestreo aleatorio sintple

a)
Se tiene que
EI intervalo
l/:20000, r:240,'g:40 y zo.or :2.33.

u40
i:!:2n
-0'167'
Etonces,
es
lf I
- ,^,,
(u
(0,u, -2rB
387
0.167
z,,,lz
0.833
0.167
x 0.833
(0.111; 0.223).
Es decir, corl Lur 98 % de confianza, Ia pr-oporcin de potenciales compradores del producto

est entre el 11.170 y el22.3% de los hogares de la localidad.
b)
Consideremos que
f:
17:
0.167
I\r
y Ep:0.06.
Q^p)'tvlQ
Ei + Q"d2f
207.6.
Lo que quiere decir que se debern cncuestar al menos 208 hogares.

c) Si suponernos qne pes desconocido y tonanos 0: 0.5, obtenemos:
Q*t)'l'l
4Iv
E3-r Q^t)2
(2.33)220 000
4(20 U00)(0.06)2
(2 33)2
370.
Este segundo caso provee el tamao mximo de la muestra, igual a 370 hogares.
Una federacin de transpot'tistas pelmite clue ciertos gastos de sus afiliados (gasolina, iubricrntes
v lavado) se hagan mediaute Ia utilizacil dc la tarjeta de crdito expcclida para el pago en las
gasolineras locales. La ernpresa ha expedido 10 050 tarjetas.
Para realizar una investigacin sobre la utilizrcin cle la tarjeta. Se realiz nna encuesta prelim.inar de 90 tarjetas y se encontr que 63 de ellas fueron utilizadas para pagar servicios en el
rrcs en referencia. Se determin clue el total de gastos cancclrdos con las tarjetas fue de 23 900
dlares y Ia desviacin estnclar- de 60. Se clescr detelminal el tamao de la muestra, con un
error del 2Voy una confiauza det 95.5% para estimar': a) la proporcin de afiliados que utilizan
Ia tarjeta; b) el gasto promeclio mcnsual cancelaclo con Ia taljcta; c) De los tamaos rluestrales
anter-iores, cul se aconsejara?
Solucin:
Se tiene que
ly':
10050 y
rz:90.
rr) Calculemos toclos los elementos previos:
t: #:0.7, ?:0.3, Ep:0.02.
.').,^^
lz..lt)'1\pQ
t{ Ei + Q"p)2fA
4(10 o5o)(0 7)(0.3)
(i0 050)(0.02)2 + 4(0.7)(0.3)
1737.
De aqu,
Captulo 73. Elententos de Muestreo
388
b)
El gasto promedio de las 63 tar,jetas es dc

El error
es de
-8,
0.02
r:
23 900
ti3
x379.37:7.587vs:40" El tamao
t\ ol:
n:
-\'E? + (:^,"\2
10 050(7 587)2
13.3.
de la mllestra, es de
rl rv
n^2
5
/
s2
4(10 050) (60)2
c) El tamao ptirno
379.37.
cle 1a m,uestra es de 1737
+ 4(60)2
:244.1.
tarjetas, puesto quc
es el mavor
valor calculado.
Ejercicios
Estimacin del total y de la rnedia poblacionales
1.
la varianza resultarolr 7 :
84
.2
s2
65 de una poblacin de 400 individuos. La rnedia y

170.8. Para un nivel de confianza del 95.5 %,
Se seleccion nna muestra aleatoria de r
a) calcule los intervalos para el total 1r para la rnedia poblacionales;

b) Encuentre el tamao de muestra necesario para tener un error mximo de 2 cuando
se
estime la media.
prctica de combate en la que intervinieron

8000 efectivos. Para tal efccto, se ton una mucstra de los registros del nrmero de balas
empleadas por 115 militares participantes, resr-rltando un promedio de94.7. Adems, en prcticas
sinilares, se ha medido una desviacin estndar c1e12.7. Para un rivel del 97%:
Se quiere estirnar cuntas balas se gastaron en Llna
a) Encuentre ei intervalo de confianza para el total de balas empleadas en ia prctica;
b) Determine el tamao
t
J.
de la llruestra para qrlc ei error mximo sea de 15 000 balas.
Ura
empresa de alquiler de fotocopiadolas desea conocer el total de copias que sus clientes
lealizan en un rnes. De sus registrosr que indican que la enpresa tiene alquiladas 280 mquinas.
se seleccion 33. En stas cncontr que en Lrn nes se realizaron un promedio de 1228 copias.
con una desviacin estndar de 193.
a) Calcule un intervalo de confianza para e1 total de copias de nivel 95 %;

b) A cuntas mquinas habr que incluir en la mucstra para tener un error de 21000 copias'?
4
En un estudio sobre el gasto rnedio mensual en rnedicinas y salud, en una ciudad de
25 000
familias se encontr, a travs de una ericuesta a 201 farnilias, que el.las teuan un gasto promedio
de 84.4 dlares, con Lrna desviacin estndar cle 5.6 dlares. Para nn nivel de confianza del 98 %:
a)
b)
encuentre el intcrvalo de confianza para el gasto famiiiar en salud, e interprtelo;

calcule el tamairo de la nuestra para tener nn error menor a 1.3 dlares en la estimacin.
trl dueo cle un restaurante
de$ea onocer e1 consumo meclio cle los clientes de su negocio. De

entre las 1469 facturas correspondientes a las vcntas que tnvo la rltima semana seleccion, al
azar-, a 119. En e1las deterrnirL un gasto promedio de 4.5 dlarcs y una desviacin estndar de
0.93 dlares.
a) Halle el interr'rlo de confi.anza al 94.5'% para el gasto meclio de los clientes;
73.3. Ejercicios
1r)
Deternine cl tamarlo
del total;
c) Realice el
intelvalo
clc la mr-restra prla cre cl clr-or
cle confianza, de
389
ser.
rnorlol' a 270 cllales cn Ia cstilrrcin
nivel 99 %, pala el consumo tobal semrnal en el r-estalr-
lante.
0
En urr estudio clc nelcaclo sc tom nna mncstr'r cle 34 pclsolls cle clrsc rneclia. cluiencs inclicuon
c.re gastaban 48 cllrlcs rncnsuales eu clivclsiorres) coll clcsviacirr cstirrclar clc 1.76 cllales. Corr
rurr confiabiliclrcl clcl 98.5 %, halle:
ir) cl tzrmario mucstlal rnnimo para lcalizal el mismo esturlio crl Lln grLlpo sirnilal cltte cttcntar
con 5000 pcrsorlas, si cl lmitc palir la estimrcil clel cllol cs igual a 0.5 cllar-es;
lr) cl tamao mucstr-rl mnimo para cl totrl clel gasto pol cl glnpo de estuclio, si el luritc palzr
el error dc cstimacin cs cle 1500 dlales;
c) cl intelrralo
clc confianza pala la meclia rlcl gasto, si los valoles clel gasto promeclio y cle Ia
clcsviacin estnclar se manticnen en 48 S, I.76 cllalcs, r'cspcctivrrmentc, y se encuesta r 67
pelsonas.
7.
El gcrcntc de lcculsos hnmanos quiere estimar cl nrmer-o rueciio y el total clc horas anuales cle
cntrcnarniento pala los 280 cmpleados de una divisin de la compaa. Toma informacin cle
los lcgistlos del ao rntcliol cle 35 empleados y obtiene un promeclio cle 125 y una desviacin
cstrnclar-dc 20 horas de cerpacitaciu anual.
rr) CalcLrle los iltelr'rlos clc confianza, ttl 99.7ya, perla la nlcclia )/ cl tottl cle hor'rs enil>lcirrlirs
cn cntreuanicnto;
b) Corr Los datos urtcliorcs ), si la estimacirr cle ia meclir hr clc cstar ir t4.5 holas clcl r'rlor'
tcrclaclclo, o lr cstirnrcin clel iotal hr dc cstar a 41700 lrorts clcl valor r.crdaclelo, cu:il cs
cl tanarlo mucstr'rl rcclueliclo?
Estirnacin de la plopolcin poblacional
8.
Sc seleccion nnr nlrcst,r't alcrtolia cle 121 obsclr,rciones, sicnclo caclr rrrrr lur xito o r-rn fracirso,
clc rLrrt pobltrcin clc tI40 elcrncntos.
n)
Si cl rtrmelo cle xitos

cin clc xitos;
fr.re
de 40, calcule un intervalo cle confianza al 95.5% pala la propor-
l>) Flallc cl tarnao cle lr nucstla pala clue el crrol mximo sca clel 6 %, cnplcanclo ia ploporcin
ruuestlrl hallada plcviaruente;
c:)
ILillc cl taltairo
nrixinro de la muestla, si no se tiene infolrnacin
plelirninal clc ll proror
cin.
'.)
Err itn cstrLclio sobr-c tncrlios c1c conrunicrcin sc cluicre cstinrrl la llorolcin dc los cslucliaut.cs
<.[c urt colcgio sccr-tuclrt'ii-r <tc rniLau legrrlalnrcrrtc las noLicirs. Eutlc los 3100 cstucliurl"cs clci
t:r>lcgio sc cscogiclon r 250 pr.r'r. (lue lesponclan Ia plegnnta. De stcls, 76 irrclicalorr cluo'llLir'ur
lrs nolicirs. Palr un nivcl dc confianzr clci 98%:
rr) cncnentrc cl intclvirlo rlc confianztl
par'\
?r:
1r) fi.jc cl tamLricr tle lr tlLtcstla ueccsalia pul tencl un cllor'rncliol al 5% si,
valoi rlc 19cstirrlaclri rrnics. (ii.) si uo sc ticuc iclczr plcvirr clo lr ploi)orcitiu.
10. lll
(i.) sc tonrr cl
Sr. \/ugrs cst.rL Perrsirrrclo Post,ularr r lrr rlt;rl<lr clc Pclilco. Alrtcs clc folriralizal srr cirLrliclltlrr'r
<lccirlc lcalizrl unr crr'',ircstir clc orinin cn l locrliclrcl. Dll c-.1 c;rutlr hay 12 000 rolcrrciirlcs
clcc:torcs y sc rcaliz iurr L)-imela cousultr a 270 pclsonirs, clctocttinciosc un U)oyo clcl 30% clt:
los posibles elcctolcs.
Captulo 73. Elententos
390
ir)
cle
Mttestreo
EncuentLe un intcLvalo de confianza aI gT 01, pzrrer la plopolcin dc votantcs que lpovarztn

al Sr. Vargas e intelpretc cl lcsultado,
Como el Sr. Valgas no estaba segluo de los lesultados de la pliurer'r consulta, decide contratar
a una errrpresa para que reaiice uu segundo estudio. La emprcsa i,rdica que Ia encuesta tienc
u.u costo fijo cle 5000 c1lales urs nn costo rrariable de 4 dlalcs pol czrda entlcrista. cunto 1e
costar- cstc tlaba.jo rl Sr. Var-gas si l qrrierc r('ner nn clror clc 4(% c'on nna confiabiliclad dei
98 %.
l,) si se iomr como polccntaje clc r.otautes favor'rbles

c)
r lr
cancliclatur'r rl
30%'l:
si no sc tienc unl idea previar clc Ia popr-rlrliclacl cllel Sr'. Vargas?
11. Urra empr-esl clc asesc.r-a poltica ha sicio crntrafLcla pulir clelclrrinal lr. populalidacl
cle uu
candidato L alcalcle clc una ciudad cle 215 000 habitantes rclultos. Eu ttn soudeo realizado cou
215 posibles votantes legistr un nivel de erceptacin del 34 % pala el poLtico.
a)
Halle un inten'alo de conliartza al 96.5 7o para la proporcirr rlc sinpatizautes del candidato:
b)
Si se quisiera lcaiizu otr-r cncrrcstr utilizando 1a ilfoln'rciu clispolible, eticttertire cl

tamao mximo dc la muestla a utilizal para crc ci c1'rol scr clc 0.03;
c) Si se collocc crc ci cancliclato, histricarnentc.
tenrdo una accptarcin de alrededol clcl

40 %, encncntlc cl taurario clc Ia rnnestltr a cmplealsc.
12.
hr
Pala efectos clc plane:Lcin econmica en la provincia clc Cotopaxi cs necesalio realizar un estudio
cntlc 2200 hatos ganacleros. Una cncuesta piloto alroj las siguicntcs estinaciones:
Prorneclio clc vacas por hirto, 46 y clesviacir estrrclar'.
ll.cnclinienbo plonrcclio
c1c
lcchc por hato: 345 litros
2[J.
y r.ariarrrza rlc 9700.
DI 6A% clc los hatos tienc un r-enciimiento neclio cle iechc supcliol a 250 litros.
Con un errol del 8% r una coufi.arrza ctel 95.5%, cletclrnilLe los ttrru-ros de
r
lrs irlllestrIS
si se
r,'t
estimar-:
a) cl nirnero cle r'rcrs lechcras por hato;

b) el rendimiento rrcciio cie leclie por hatol
c) ll propolcin cic irirtos cou urr re-rrclinricrrto plt.rrneclicl
d) QLr tamao clc rrruestla ustcrl recorncrrdarr'/
Lr seleccin de
clc lccirc,
sllpcliol a 250 lit,los:
la muestra
Los proccdimicntos cxpuestos cr. csta scccin se basan en e1 principio cle cluc las rlnestr-rs clebtrri
colstitnirse pol elemenios tomacios al azar'. clc; suclte cre cacla.t",,r1r1.o cLc la poblacir, l,ergiL 1lr
r.Iisurt plobabiliciaci cie figulal en ia mncstr'r. Solo rs slzr pnedc lcplcselt rl a lr pobl:Lcirr, reploclr.rci r'
fielntcrttc los clirrersos calactelcs y cluedal soureticlr rr 1os Proc;ccliruielrlos t:sLrclsLicos clesclitos.
Dutonccs. nos plantcamos el signiente ploblerrizr pr'c;lico 'l soir.rcionu:
clc tre toclos los elementos cle la rnucstlLr seur tourados al rrzu.
hlllal nn rnedio clc rrsegnlarrsc
l-er'icrmcntc. no hrbla problerla r-rlgnno. En u.na irrvestigacin icleal clispolcmos del malco ulLerstr-al,
,rs srbr:mos cuntos y cluines son trlcs clenrentos. nicanrclte habr'a cprc sor'lear'los y los favolcciclos
scr'arr irLcluiclos err iir irntcstla. llasta rrntcs clc 1zr 1-rollrlarizrcin clc lirs c:outprri-aclorits lr selcccil clc
ii..s l'llrcstlas sc realizirbt ccn cl crnPlco cl<: tlblas rle uiuneros rlct,oLios. l}r llr acl,Lirrlidacl r-'sia tlrc;l
73.4. Mttestreo aleatorio estratifrcado
391
la ayuda de plcigrarlrs informticc-is, eu los cnaies hay courrnclos especiales qlre BerreraII
nirrnclos aleatorios y facilitan la seleccin de la muestra.
se lctlizr corr
Sin embargo, no siemprc se puede realizar la extraccin de la ntuestra de Ia nanera descrita, ya sea
porcFre la poblacin es bastrnte glande y Ia localizacin de cada elernento elegido es muy laboriosa
o t)orcLr(.r cl rrrrrcr. rrrucstr'ri lo cstri brcrr definiclo. Ptrla srtper'rt'las clificultacles se han ideado otros
rri(:l,orlcs tlc: rnuestlco. (lue r r:rntinrracirr los velcrri()s.
13.4. Muestreo aleatorio estratificado

cl mti-rdo rlertolio simple, sc plcsentau valios ittcouvcnieutes
r:uiriclo 1a poblacin es bastante heter:ognea o si esth distribuicla utuy anplitrntente; por lo tanto. el
nrlelo cle consultas necesarias 1-laln obIcncr infolmacin coufirble es ztlto, cort cl cousigtticntc aullcllto
cri cl costo de Ia iuvestigacirr y crr el tierrrpo de ejecucin.
llrr el cliserlo
cle una mticstra, meclianie
LIn ploceclimiento adoptado par-a superal estos ploblemtrs es el cle fornal :u:na m'uestra estrat'ificuda
Segrn este mtodo, sc subclivide la poblacin en varios grupos, llamados estro,tos, cada
nrro clc los cualcs debe'ser internamentc horlognco. En crcla cstrato, se cscogen al azal las unidades
rrruest,r'ales a inr-estigar. corfio ya se explic: es decir'. para cada estrato se aplica tnuestreo aleatolio
v al rzar'.
sirnl>1e.
Los estlatos pueclen fornrarsc paltiendo dc divisiorres geogr-ficas (provincias, ciudadcs, centros urbanos
Y mr'rlcs, etc.) o bicn del sexo clc las personas. su eclad, la profesin, el nivel socioeconmico, etttr-e
ot
ros.
Lrr lazn clel crnpleo de estc ntodo reside eu el hecho de clue pelmitc obtencr', gencralnrente, resultados
rrrirs pr-ecisos c.re aquellos qucl se
couo(icr'
1r
colsigucn cou cl mtodo alcrtolio simplc. Sin embalgo, es ttecesar-io

prr'r ploceder', en cada uuo dc ellos, -L la eleccirr al aztr dc los
cserrcia de crcla cstrato
clerrrrrrtos rle
la rlnestra.
snbrnncstt'as de los estr-trtos,

p:rit obterrel inferencias de la poblacil completa. tambin permitc utilizar la inforrlacin cle las
subtrnrcstr'rs para corrocer cl conrportamiento de cada, estrato en particular') y corl]pararlos cntre s.
r.euttrja del mtodo es que adems cle cornbinal la infolnraciu rle
Ot,leL
Al
'n'
igr-rni clue hicimos en ir scccin
Ia
anteriol, examinar-emos los
lrs
crsos cle
cstimrcin clel total. la mcclia
1-rlt.,1-rorcirr pobia.cionales.
Suporrgarnos crc se clivide a lir poblaciu el .I est,ratts. crcia uuo clc los crrales constt de l elernerttos
(t:on ri :I,2,...,K),
pollo clue ly': l{ri/z+".+A/(
Dentlo clc cacla estlato elegilettros tt;
clcmentos crc constibuir-l la rnuestr-a.
L3.4.I.
Ill
Estimacin del total poblacional
inteir'rio de confianza al
(1-
cv)
x 100% pala el total pobltrciolrl r
(\-.)
l)onclc
:\r
cs cl rrirrrrero cle elcmcntos
el
lr
poblacin.
cs
392
lI
cstrato t,. i, : 7.2.
es el nrmero dc clcnrcntos en el
...,
I(
i.:1,2.....Ii.
7 es e1 prorredio de Ia muestra seleccionrda en el estlato i., 'i: 7,2,. . . ,I{.
,s; es ta valianza cle 1os clrlos cle la muestla en el estrato i, 'i : I,2,. . . ,I(.
?esla estinracin clel total poblacional cono ?e"t : A7.".
??
es el nrmero cic elemcltos cle ir mnestla
')
:t65
cr el estrrto i.
eS Cl
prolreclio cstlatificrclo. que sc calclllr l)or'

csL
ro el:l tian]
trLl atICdo
Ila oo
Cr
SC L'eclluc
Llce
:f
llllt,restre I cie: los
{rattr *
Ar2i2
...
+ ArT)
i:7
peqnerio con respecbo
es
.1i
: aNL\-,r,,o,
r1
tanrrlo cle los estratos ly', lt-r, frnrulr
I ilr
\
.t\
"a/2'
Dri=
zo2
plo.t. LcOS clilec

llTlrpl
d ectl
di
rtiros c1e LIIl. centl'(o edncatir.o desean conocer' el gasto total de los padres cle
E.
EjJel
Ier.Ini
Ie
rili LArenrir tiltles
ES escol
el )o1rr
CS
lrles. Pl
rla facilita
I
r 1r investigacin se clii'idi r los tlumnos segiur su nivel. err
'ep
'io
,Lil
rpli
:tutcl
iur
))SCt
y
I
ItIl'
lio
xi
nli
tla
ralio
scc
clu'i
io.
a
tabla resLrrllen cle cmo se cstrbleci Ia muestr'r v los <latos
Un
, I)l
l)r
l)rc
ltl
1it l1
1i
os)
SC
f
be
CO
conti
rtin
[rac
lacl
CXrh
:hi
I
cint.
r
r l
NIVtrL
Preplimalio Primalio
1569
767
88.4
525
No. cle aluuuros (Ar)

Trmario
mr.Les
ilal
(r
r.
Gasto promedio (dlaLes) (7;)

Varianza mucstral (s])
Secunclario
832
72r
131.6
468
647
95
97.0
700
A urr nivel clcl 95.5 %: a) Enconbrar el erLor rnrrestlal en la invcs[igaciu; b) Construit' cl inten'rlc., clc
r:orfi\rLzr perla cl gasto total clc los padres clc farnilia del plrrntcl.
A:3[J48
S'olu,cin,: Prla nncstlos clatos tenenros
r.r)
EI
cr-r'..rl clc
la cstirlacin
cs
E,
.^,.,1f r't(N;-rr;\
\.
6 910 295
lr) Calculcmos cl plomeclio
El lotal
sc csbirra
lror'
si
'v /.
2287 008
+ 262632I:
6880.
cstrati ficado:
1
l'1:3.
(l/rr
1.
3e4s
r -l N2T2 +
l/z:)
l(ts0o)(ss,4) + (832)(131.6) + (647)(e7)l
:r esr :
.r\r=
_r
\ "r,csr
(3U18)(102.01)
3 t0 950.
102 0t
73.4. l\[uestreo aleatorio esttatificaclo

Con todo lo eurtcrior, cl inbcn'alo buscado
(i""t
393
es
- ll"ii""t + E") :
(310 950
6880; 310 950
+ 6880)
(30a 070; 317 830).
lf ntolccs. sc cslima quc cl gasto tobi-il cn ritiles csc:olalcs, clc toclos los pachcs clc familir esti
cntrc los 304070 .1,-- 317830 cllalcs.
L3.4.2. Estirnacin
clc la medil poblacional

al (1 - a) x 100% paltr
Ii,l int,ol'\'rlo cle col
nrcclia lroblircionrl l
cs
I t'"'' I
Cr.r'urcio cl lrnrao nrrcsir'l<lc los

sc r'cclLrcc lr
?j
cs pccluerio
col respeclo al trruao
zo12
clc los cstratos A,la f'rrttulr
,:ol')
-^/
Ejcrrrplc. Una empresr cllrc rcrliza cstudios dc lr ru<licncir telerrisir'r dcscrt cstiurrl el tierrrpo medio
rlc: lroirs ciir.r'ias cllrc pasar frcltc al telcvisor'las frrnilias. ori urr carrt-rr cspci:lrco. Ll errprcsa diviciiir
lr zon clc cshuclio en ulllan;r y r:nti-ri y sc cscogi<i urLr lnrestrr clcl 2 pol rnil; es clecir'. 2 de cacla
rnil funilirs clc cacla hlcir pcrtcncccrhrr t ir mucstr'r. Con los clrtcis lcsumiclos elr la siguiente ttrbla,
circrrerrtrc rur inter-valo clc confialza
(
97.5% pi-lr'a cl tiernpo mcdio cluc cacla frrlilia pasa frcntc a
lzr
c.lcvisiolr.
Alcu
Urbanr
S'cl,t.r:i
t:
Tanuro
lr
cle
rnucstla
Ticnrpo
plonrerclio
\/aliauzr
r
ultes tla I
')
Li
:l:i
s:
130
2.93
0,77
a/1
1.46
0,53
't
Crlcilleiros cl lrloi Lrcrlio csilatificlclo:
Jc,r :
:
Conrc,
No. clc
f'anrilias
A';
64 796
42 18S
Iturai
rl
cl tarlarlo
(AtrJr+-\rrr2)
____
_____ ,,,
r ,+
10f; 9s
I"
796)(2 93) + (42 188)(1 46)l
2 35
cstrato. cs pccrer1o con lclrcin rrl lcspectivo totaI rlc

frurtila apioxirlacla
cle las submucstlas, eu cacla
lcuIcrr[os. clrrplerremos
1r
.- i).l2;.
Captulo 73. Elententos de -N4tresr'eo
39,1
Por tarrto,
(T""t- E,"izest+
Et,)
(2.35
0.t27 6;2.35
0.1,276)
(2.22;2.a8).
Eutonces. el tienpo urcclio

29 rnin, aproxirlaclalncntc.
13.4.3. Estimacin
c1r.rc
fientc
la Lelevisin cstri cnLlc las 2tr 13 miu
r,- 2]r
clc la proporcin poblacional
cle confia nz-L tl
"'-
cacltr Irmilia girsta
(t -
ct) x l00r/o pirla lil ploporcil poblacional
1.,
cs
Z ct/
^. J.)
-
lv
Dorrde
es
cl nmclo
cr,c
clcnrciitos cn Ia poblircin.
ff cs cl nlimcro clc clcltcntos cn cl cstlato i,

?z
cs el utimclo clc clcmentos clc
Ir
i: I,2,, , . ,I(.
rntrestla cn el csblato 'i. i
j) cs la plorolcirr riitrcstr'rl clcl cstlato 'i,
L,2,
...
,I(
i:1,2,.. .,I(.
frest cs la ltlopotcin csLlat,ificircla, quc se calcula por'
fi,"t
I .-^ i
: *(N,
it
/v
Cttallclo cl tamaito lnttcstriri clc los

sc tcclr.rcc
?i
Ntf , +'..+ l/r,'lrr)
: *r iiI,,',4,
i,-l
cs pcquerio con tesllccto rl Lanrao clc los csblaios AI,, la frmtrla
tl,
f 8
--'----=
rl)cst.
'tL
, zol2
tN
Djemplo. Rcfilirtclonos al cjcmplo rrutelior', en trl estuclio tambin sc plcgunt si las frrnilias nilrilrn
regnlartneutc uua telcttovclr clacla. Las plopolciones uruestr'rlcs clc cpricnes tienen prelelcricia poi c.i
citrclo ploglaura sc clrn cr-r la siguicntc tabla:
No.
frrn
<lc
liirnriro clc
ilias
lr rrmcstr'r
Plorolcir r r ricsi
clcl cstr'to
r
r\t'cr
Ar
Ur'brtrr
j-lur'rI
64796
1ii0
0.19
42 183
8,,t
0.2,1
llstirrrr lrt ptoporcill t[c
toc[',s ]its f',rLuilirs crr
1t
cl
cLnl-l
r'ri
(lllc rnir'u
lr,
tclcrror'<:lr. Usc
I - cv:0.(t2:5.
73.4. Mttestreo aleatorio estratifr,cado

SolLtci,n:
El pliurel hrgiu' calcnlcuros lir plopolcil
estratificrclr:
i",t:
[(61796)(0.19)
395
(412188)(0 24)]
0 2097.
",,,*
Cornolosl.ulrlosrnncstlalcs,soupc.llleiros,conr-espectoalosesllrtos,
rrtilizrlcrnos la frmnh i'rproxinrac[a
Ep:
:^/.t
lr:
A \I /\ i:r
=1,pzrra
i:'I
,2,
1)iqi
?l;-1
(6,17e6),Cle#
l{.1)\;
\
/
!!) ,t
l') l RRlr
r0.21)'' 0.:
s3
1l:oou:s
int.ctr.'rlo clc confitttzr cs:
(;
lr.:.rIl\ t Lpl
\Y(sL Lp\1'sl
(0 2097
0 0625;0 2097 - 0 0625)
(0.12172;0.2722)
i\s. crrr'c 14,72/ov cl 27.22%
!3.4.4.
lb.n-^
rl,.l i.s
farlilirs irriLau la tclcnovcla.
ao y asignacin cle la nurestra
i)ttsto qlrc cn cl mioclo clc csl,irrtificacin se folman r'rrios gr"l-rposr se acostuntltltr ir fijat'cle anteuratro
,rl rLivcl clcl crlor', clc rcrtcirl.o r -'slc sc cstablecc cl nrinrelo clc clcniorrl,os quc c:onst,i brrirn la rluestrir v
1r-Lcgo sc cletclrrrina cnirul-os clc clios sc iisignarn r carlr cstrrLo.
, A'2, . . ., A'/i los clcrncriLos ilclLriclos cl crtlr cstLirl.o, srr slunt cs igual ii ,l/, cl tolal clc li'L
lrolrlirciiirt Sc sclccciorar. j ,'t12, ..,,'n.ti clcnicrtos, tornrclos al lzar, clc caclr cst,r'ato. Tcnclicrrios
tlric cl totrl clc ltnicliclcs clc la trtncstla es '/ == ?t1 * 112]_ .. .* rr. Ntrestro ploltlcura seti c]etetrnirLal
el 1.rmiro cic Ia urttcstla v ci iir'ulcr'() clc uLriclacles qlre sc consrrlfar'n cl cacla csilabo.
Sclrr
-\I1
'/?
1;,:
ia rsiguacil clc Jn',rrtcsi:', sc rLtilizr nno clc los siguientcs 3 urloclos'.

lttli,,t, inttn! (r! r' -' ,,,
A si
gnacin cqrritativa
E;l
lr
Lrrtt'r
fblna
clc asignircirr crliiitltivi-, crt
ctclt
utro rlc los cstr-itos sc invcstigii cl nisnro ntimoli.r
clcirrcnt os.
iii tlrruliio
clc i.L inucstlrr
scl
ilr..'rstigrcl,. sc crrlcrrl,r iror
,)'I
L -\
er1'u,i,tat'iu(L) pt'o'lorc,i,oretL s,
-r
^t,"i
ii
{: .;: )'-\,'.'
't- I
ciLr
Captulo 13. Elernentos de Muestreo

Una vez fijado el tamarlo total de la muestra se seleccionan, al azar) eI mismo nlrrero de unidadcs
muestlales en cada estrato. Este nrmero de unidades se calcula por:
,ro:
#, i : r,2,.. ., K.
Observacin, En este y en los siguientes casos se debe tener presente qlre en el caso de la estimacritili
cle lar proporcin Ia varianza se calcula mediante t?
0).
: i -
Asignacin proporcional al tamao del estrato

Si en una investigacin se han generado submuestras de igual tamarlo, podr'a suceder que los estrat<;s
pequerlos estn sobrereplesentados, mientras aquellos con muchos elementos estn subrepresentados.
En la asignacin proporcional, la rluestra est constituida pol Lrn nrmero de elementos, en cada
estlato, proporcional al tarnao de stos, con relacin al total; es decir, los estratos [rayores sern los
clue tendrn subrnuestras de nayor tamalio.
El tamao de la muestra se calcula por
K
N(".7)" D /V,"7
.i:1
tL
I(
E2N2i(.^t)2DNut?
i:r
Los tamaos de las submuestras de cada estlato se calculan por:
-- n
rlr' : -A/r
'N',
-.
__
?l
llc' : -Ay'c-.
'N',
Eri el nuestreo con asignacin proporcional el error es mnimo, pero por razones de economa o de
facilidad en la recoleccin de los datos en el sondeo, pudiera ser mejor no hacerlo de esta nanera.
Asignacin no proporcional al tamao del estrato (o asignacin de Neyman)

Supougatlos que la poblacin a cxaminar est dividida en dos grandes estratos. Si el priurero de ellos
agllrpl a personas muy homogneas entre s, con lespecto a la calactei'stica que se considere, bastar'i
con intelrogar a Lrras pocas personas para dedrrcir, con Ia plecisin snlicieute, la magnitucl cre str
invesbiga. Si, por cl coutratio, el segr-rnclo estrato est fornaclo por personas hetelogneas, ser pleciso
iltcllogar a un nirmero rrajol' para obtener resultados que snpoilgan la misma exactitud que en cl
primel
caso.
En lir rrsignacin clc Ncymau, el tamao de la nr-restra sc calcula pol
/ I{
\2
Q^/)2 (,e nt",)

I(
E2N2*("^/)2Dlr,17
i:L
Prr' r'crlizat- Ia zrsignacin clc los bamar'ios de las subrluestras sc ploccclc clc la siguiente lnancl'l:
73.4. Muestreo aleatorio estratifi.cado
1.
..., sK son las desviaciones estndar de cada uno de los estratos. se determina el valor
definido por
K
? : ly'rsr * l/zsz +'.' + ly'<sr : INrrl,
i:1
Si s1, s2 ,
2.
397
Con sto, Ios tamaos muestrales de los estratos se calcnlan as:

n.
A n
A lI
n1 : l/1s17.
nz: NzszT
nI( - NNIKT.
En el siguiente cuadro se expone un esquema de rnuestra estratificada segn los criterios de asignacin
cquitativa, proporcional y no proporcional.
Proporcin de
los estratos (N,//)
Desviacin
estndar (s)
equitativa
Nluestra
prororcional
Muestra no
proporcional
500
800
500
500
500
600
400
0.40
0.30
0.20
0.10
TotaI
100
2000
2000
400
600
600
400
2000
Estratos
A
B
C
.)
N{uestra
200
La rluestra con asignacin no proporcional est formada por un nrmero de elementos, en cada estrato)
qne supone dar un mayor peso relativo a los que presentan una mayor variabilidad. Por ello, el estrato
A, annque incluye eI 40% de los elernentos de Ia poblacin, figura en la muestra final con el tnismo
tamao que el ltimo (el D), que nicarnente comprende el 10 % de la poblacin total. Esto es debido
a que la variabilidad del estrato D es el cudruplo de la que tiene el estrato A.
tlna vez establecida la cornposicin de Ia muestra se proceder al sorteo de Ios individuos a ser
entrevistados) que por lo general se lo hace bajo el criterio de la no reposicin; es decir, qtte un
elemento de la muestra no puede ser consuitado ms qrle una sola vez.
Ejemplo. Para
los datos del ejernplo sobre el tiempo promedio diario que gasta la poblacin viendo
la televisin) que a continuaciu se resllme:
No. de
familias
Urbana 64796
42188
Rtrral
^
Area
Tiernpo
promedio
2.93
I.46
Varianza
muestral
0.77
0.58
Considerando un error de 0.1 h, a un nivel de confianza del 95.5%, deterrninar los tamaos mlrestrales
v de las snbrnuestras mediante asignacin: a) equitativa; b) proporcional; b) no proporcional.
Soltt,ci,n: Se tiene que
N:106984, E:0.1 y zoo22s:2.
a) Equitativa. El tamao
de la muestra
es
K(r*/r)t D x?'?
,j: I
K
E2N2i("ul)2DNo"?
i:1
:297
La muestra total es de 298 familias. En cada rea se consultar a
298
2
'34.
149 hogares.
398
b) Proporcional. El tamao
de la muestra
es
N(r,/r)'D
i:l
N t?
K
E2N2*("*lz)2DNlt?
i:r
106 984
(0.1)2
(106
x (64796 x 0.77 + 42 1BB x 0,58)

:277.3I.
984)2 t 22 x (64796 x 0.77 + 42I88 x 0.58)
x
22
El nmero de familias a consultarse es de 278.

Por la frmula de la asignacin proporcional:
rlt :
:64796 x
NrL'
N
n
n2 : -. : 42 188 t
^ri
278
1069E4
278
tOOgg4
168.34,
109.63.
Entonces, se deber tomar una muestra de 169 hogares en la zona urbana

c)
y de 110 en la rural.
De Neyman. EI tamao de la muestra es

t
Qo/il'
n:
(*"')
K
E2N2i(r./)2Dru,"7
i:r
z2
(0.1)2
(a+796 x
(106 984)2
lotl
+ 42188 ,. u658)'
:276.
22 x (64796 x 0.77 + 42 188 x 0.58)
Calculemos el denominador T:
7:
ly'rsr
N2s2:64796
* t/Of + 42188 *
r/OS
88988.
Ahora, apliquemos las frmulas correspondientes:
u :
n2
1/rsr3
64796,
Jolz "
:
2
88988
: Nzsz::
'T', 42188 . r/058 " :2:
88 988
176.4,
99.7.
Lamuestradeberestarformadapor177farniliasdeIazon.atrrbanav100delazonaruraI.<
En esta seccin solo se presentaron las formas de fijar Los tam.aos muestrales basados en infornaciu
estadstica. Existen otras forrnas de realizar tal determinacin, tomaldo en cuenta los costos de
efectuar la investigacin, los costos fijos o el costo unitario de cada toma, stos no los expondlemos.
Determinacin de los estratos

El estratificado es el rntodo ms utilizado por Ias empresas y entidades que se ocupan de realizar
sondeos, con adaptaciones prcticas que tienen en cuenta los costos y las posibilidades reales de la
investigacin.
Antes de la confeccin de la muestla conrriene tener en cLrenta, ante todo, los fines de la investigacin y las caractersticas de Ia poblacin que interesen de nodo particular, y que pueden tener ttttt
impor bancia fundamental en las conclusiones qne se daru.
Las clasificaciones que ms comnrlente se consideran en la elaboracin de ias muestras son:
73.5. F,.iercicios
t.
El sexo de las persollas.
-:
Los grupos de edad.
.).
La regin y la dispersin geogrfica.
4. El ulbanisno o luralismo
cle
399
ia localidad.
5. El rrivel edncativi-r.
6. El nivel socioeconlnico, cntle
otros.
files pr'cticos, el r-eldadelo y adecr-rado sorteo, en cada estrato, es frecnentemente impracticable

o inrplica gastos excesivos v pr:dida de tiempo. Por ello se recllrre aI nttoclo de las cuotas, cte
colsistc en asignar un cierto nunero de entrevistas qrie se deberr lealizar en cada estlato (cuotas), pol
Pua
crcla
entLcvistador.
Compcte, entonces, al encalgaclo de la entrevista elegir al azar las personas clue han de ser interrogrrclas c1cntro dcl nbito de cada cuota que Ie ha sido asignada.
Para disminuir, las distolsiones que callsara la falta dc alertorieclacl en estc mtodo, las eurprestrs
snelen urnentar la fiabilidad de sus estudios mediante el <sobremuestreo>>, o sea la realizacin de
nts encuestas qtle el nirmero oliginalmente planificado, as se collpensara e1 aumelto del error antes
iutroducido.
13.5.
Ejercicios
Estirnacin del total y de la rrredia poblacionales
1.
Utilice los datos ile la siguiente tabla
par-a:
zr) hallar un intcr-r'alo clc confi.anza al 95.5 % para
b) haliar un inten'alo
total poblacional r;
de confianza al 95.5 % para la media poblacional
No. de unidades
lnrlestrales
Tamao de
ia mucstla
r,.
/,
11.i
Ii
2000
200
ro1
:T
Valianza
muestral
s:)
24r0
II
III
3000
1000
200
402
2938
200
t) -!t )
tqr
2047
Estr-ato
e1
Promcclio
mrrestral
establecer rlrl sistema de s-rbsidios cn el consnmo de Ia cncrger elctrica se hizo una invcsbigacin por nrlrestreo cn Ltlta cindad. Se dividi a los hogales scgirn su nivel socioeconmico
(NSE) y se tom una muestra de\2Va. Los resultados se rcsrlnerl a continuaciu.
Par'r
NStr
No. total
cle hogarcs
t2
II
III
34 871
425
69724
No. de hogar-es
nluestreados
30
70
140
Para un nii'el clc confianzr dcl 96.5 %. hallc:
Consumo
promedio
r25
g7
48
Varialza
nuestral
232
r75
124
C.:ptulo 73. Elernentos de Muestreo
400
a) una estimacin por

b) una estiuracin cor
intcr'\rrlo para el consnrlo

Lrn
tledio de los hogirles;
inten'alo para cl consumo cle todos los hogates cle la
ciudLd.
Suponga qlle sc clcsea lealizrL otro mnestreo en el clue se lendr un error en la estimacin de la
media de 3 dlares. Determine los tamarLos muestrales en cada estrato si Ia asignaciu se realiza
rnediante:
c)
d)
e)
3
asignacin eqr-ritatir':i:
asignacin ploporcional;
asignacin no proporciorral.
En un sondeo para cieterninar el gasto anual de la poblacin de una cindad en arreglo persontrl.
se clasific a los consultados segrn sn sexo. Los datos se rl)uestr-an a continuacin:
SEXO
\.{asculino Femenino
Timro del estrato
Tamarlo mnestlal
Gasto promedio
Valialza rnuestral
2500
2300
250
150
70
740
25
169
a) Determinc el gasto prornedio y el gasto total. mediante un intervalo de confianza de g3 %:

Encuentrc el tLmao de cada estrato. para tener Lur crlor de 1.5 y para que la mllestra sea
b)
c)
d)
4,.
realizada rlediante:
asigriacin ccluitativa;
asignacirr proporcional;
asignacin no proporcic-inal.
Se realiz Lrna elrclresta parr cstimar el total de rrentas scmanales de los locales de productos
naturistas cle Quito. De los 1415 negocios de este tipo, se escogierou al azar 135. A continuacin
se resttnen los clatos recogidos, segirn la ubicacin geogr'fica cle 1os locales.
Situacirin
err
muestra
No. de
Locales
Iocales
la
Venta
promedio
Varianza
Nolte
Centro
600
265
,lr
478
204
45
4r3
358
Sur
550
45
394
513
a) Encuentle un intervalo de confianza al 99.7 % pala el total
cle ventas de dichos locales;
Si se quielc lealizar uu cstudio en el crlal el error de estimaciu sea de 5000 dlares, encuentlc
los taulanos muestlales. cn cadr estrato, para que la muestla sea r-ealizada nediante:
b) afijaciu ccluitativa;
c) afijacin proporcional;
d) afi.jaciu de Neyman.
5.
En uua universidad se decicli llevar a cabo un estudio soble cl aholr-o que mantiererl slrs elrpleados pala cr.tando ellos se retirel. Se tom nna muestrr aleatolia estlatificada del 10 % cle Ir
poblacin, pol gltlpos de cdad, con afijacin plopolciolal. Luego de proccsal lr informrcirr, sc
obturrieron los siguicltes rcsulbaclos:
Edad
nlenos de 40 aos
40 a 55 aos
ms de 55 aos
No. clc empleacios
280
150
220
N{eclia
800
1400
3200
Desr'. estndar
160
400
750
73.5. Ejercicios
401
a) trstime el ahorro medio de los empleados, mediante un intervalo, y obtenga el error
de
estimacin para un nivel de confiabilidad del 96 %;
b) Estime
el
total ahorrado por los empleados de la uni.,'ersidad.
Si se deseara realizar otro estudio, a nn nivel del 94To, en el cual se quiere tener un error
de 100 dlares en la estimacin de la media. Encuentre 1os tamaos rnuestrales en cada
estrato mediante:
c) afijacin equitativa;
d) afijacin de Neyman.
6.
LIn comerciante plane comprar los remates de productos que reafiz Ia aduana. Para obtener
nn valor aproximado del lote, el comerciante seleccion aleatoriamente 100 artculos de cada tipo
de producto puesto a remate. En la siguiente tabla aparecen el nrmero de artculos segtn su
tipo, el costo promedio de las rrruestras y sus desviaciones estndar.
Artculo /,
Calzado
Ropa
Juguetes
si
450 800 200

380 560 150
230 940 220
a) Encuentre un intervalo de confi,anza al 95.5 % pala el valor promedio y para el l'alor total
de la compra;
b) trl comerciante
tiene un capital de 750 mil dlares para realizar la corlpr-a. de acuerdo con
el resultado anterior, puede decirse que 1 se decida a corlr.pr-ar el lote?;
El comerciante decide que seleccionar una mnestra utilizando la informacin anterior y se ha

fijado un error de 15 000 dlares en la estimacin del total. Encuerrtre los tamaos de crda
estrato para que la muestra sea con:
c) asignacin equitativa;
d) asignacin proporcional;
e) asignacin no proporcional.
Estimacin de la proporcin poblacional
7.
Utilice los datos de la siguiente tabla para hallar un intcr.,'alo cle confianza al
98
% para la
proporcin poblacional.
Estratos
Tamarlo del estrato
Tamao muestral
Proporcin muestral
8
II
III
1000 1200 700
100 100
100
0.32 0.26 0.29
En un sondeo electoral para conocer la aceptacin de tur candidato a prefecto de una provincia se
entrcvist a un grupo de electores, previa clasificacin scgrn su zona de residencia. La sigr.riente
tabla da Lln resumen
Area
a)
/,
rt,i, f
Urbana
92 000
250
0.43
Rural
88 000
150
U.5
Encuentr:e nna estilracin, con Lrn intervalo aI 947o, del porceirta.je de votacin que obtcn-
dra el candidato'
402
b)
Segn el resultado, podra esperarse que el candidato gane las elecciones por una urayora?:
Si se desea que el error de estinacin sea del 5.5ya, encuentre la cornposicin de la rnucstra
para que ella sea seleccionada mediante:
c) afijacin equitativa;
d) afijacin proporcional;
e) afijacin no proporcional.
Se desea establecer el porcentaje de habitantcs, en la provincia del Guayas, que tienen fe en San
Biritute2. Se dividi la zona de estudio en ciuclad y campo y se pregunt si crean o no en tal

deidad. A continuacin se resnmen los resultados.
Poblacin
total
-Lona
Ciudad
Campo
Tamario de
Proporcin
la muestra muestral
2 800 000
450
0.29
650 000
350
0.61
Encuentre un intervalo de confianza al 97.5 % para el porcentaje dc la poblacin de Ia provirtcia

del Guayas qlre es creyente en San Biritnte.
10. En una provincia.
se realiz Llna encllesta, entre los nios en edad escolar, para couocer la
asistencia a las escuelas, Para el efecto sc seleccionaron 150 nios, 50 en cada estrato, y se
obtuvo los siguientes resultados:
de
pobreza
Indigentes
Pobres
No pobres
Condicin
a) Calcule el intervalo de confianza al
Poblacin
total
12 000
36 000
27 000
g8 7o para
Propolcin
muestral
0.45
0.60
0.74
la proporcin de nirios de la provilcia
que
asisten a la escuela;
Si la estimacin debe tener nn error dcl 3.5ya, cncuentre los tamaos muestrales para que:
b) La muestra sea mediante asignacin equitatirra:
c) Ia muestra sea mcdiante asignacin propurcional;
d) la nuestra sea por asignacin cle Nevnrn.
11. El Sr. Vargas est pensaudo postular a la alcalcla
del Pr-ryo. Antes de folrnalizar su candidrtura

decide realizar Llna encuesta de opinin err la localiclad. Prra ello se zonifrc el cantn en 3
sectores y se obtuvo los siguientes resultados
Zona
Total de
habitantes
consultados
Pobladores
a favor
15 000
200
40
5000
100
27
25 000
200
60
Norte
Centlo
Sur
A un nivel de confiabilidad del
Nmero de
g5 %:
a) Encuentre la estimacin de intervalo
errtle los cuales se podra considerar que se encnentra
la popularidad del precandidato;

:Sirr Bilitr,rte es ulr santo cle ll tradiciu popular clel Guayas a quien se Ie asignzr el podel cle hacer llovcr
nejolal
las coseciras.
1,
73.6. Muestreo por
conglornerados
4O3
Si la encuesta tiene un costo fijo de 5000 dlares ms nn costo variable de 4 dlares por cada
entrcvista, cunto le costar este trabajo al Sr. Vargas si se quiere tener un error de 5.57o y Ia
selcccin ser
b) asignacin equit ativa;
c) asignacin ploporcional;
d) asignacin no proporcional?
12. En una investigacir
sobre Ia produccin de manzanas en Ia Provincia del Tungurahua se desea
cstimar la proporcin de agricultores que se dedican al cultivo de la mencionada fruta y la

pr:oduccin media, en miles de kg, de cada parcela. Se realiz un sondeo en 3 cantones de Ia
provincia, a continuacin se presenta un resulrlen de los datos obtenidos.
Cantn
Tamarlo de
la poblacin
Arnbato
Patate
Pelileo
Tamao de
la muestra
Proporcin
muestral
5135
75
2773
50
3472
50
a) Encuentre el intervalo
Promedio
Varianza
rnuestral
0.65
6 000
640 000
0.7r
8 000
722500
0.52
5 000
518 400
de confianza al 96Vo para la proporcin de agricultores que se dedican
al cultivo de la rnanzana;
b) Encuentre el intervalo de confianza al 96 Vo para
zona de estudio;
la produccin media de rnanzanas en Ia
Si en un estudio sc rlanea realizar 175 etcr-restas, detcrmine los tamalios rnuestrales en cada
estrato, de mancra que la forma de asignacin de los estratos sea:
c) ecluitativa;
d) proporcional al
e)
13.6.
tanao del estrato;
no proporcioual al tamao del estrato.
Muestreo por conglomerados
La elaboracin de uu muestreo aleatorio puede ser costoso y difcil de realizar porque la poblacin
cst clispersa en un rea extensa y la localizacin de cada elerlento de la muestra podra llevar mucho
tieurpo. En estos casos se practica el muestreo por conglomerados.
Definicin (de conglomerado) Los conglomerados
son subconjuntos de la poblacin que tiencn

la propiedad de ser internamente lo ms heterogneos y entre ellos lo ms honogneos posible.
Por cjemplo) en Ltna inr.estigacin se desea conocer la opinin de las arlas de casa de una ciudad. Err
h,rgar cle sortcar a los individttos, se procede a muestrear aleatoriarnente las lttanzanas de Ia ciudad y
clcspus a entrevistar a todas las arlas de casa que viven en cada tura de las nanzanas seleccionadas.
As, cada manzarla conteudr ttu conglornerado de elementos y el nrmero de elementos variar de un
conglomerado a otro.
Eu este tipo de mLlestreo Ia construccin del marco muestral es fcil, porque se rlaneja elementos
nayores v los costos de la investigacin se rebajan. En cambio, se corre el riesgo de que los elementos
el cacla conglomerado sean rnuy homogneos; por e.jernplo, si en nna manzana viven rnicamente
faurilias de un nirrel socioecournico alto, Ias respuestas de las amas de casa consultadas pueden ser
mny parecidas. perdindose
1a
heterogeneidad interna requerida.
404
Para compensar estos problemas se necesita escoger el nmero suficiente de conglomerados para tener
Ia necesaria variacin en las respuestas.
Al igual que en las otras secciones, examinaremos los intervalos de confianza para el total, Ia media I'
Ia proporcin poblacionales.
13.6.1. Estimacin del total poblaciona

A continuacin presentaremos el estimador por intervalo del total poblacional T y una frmula aproxirnada para el clculo del tamao de la muestra.
El intervalo de confianza al
(1
CS
(^
I
Doride
/
1L
es el nmero de conglomerados en
la poblacin
es el nmero de conglornerados en Ia muestra.
nti cs el nmero de elementos en el conglomerado i, con
i: L,2,. . .,fr.
rn es el tamao promedio del conglomerado en Ia muestra, que se calcula por

N
M: D
h[
es el nmero de elementos en la poblacin, que se calcula por
es el tamao prornedio del conglomerado para Ia poblacin, que se
ri
es la surna de las observaciones correspondientes al
es la estimacin del
total poblacional corno ?
T cs el promedio muestral, que se calcula
por 7
i,o
o;t
nro
rL
es Ia desviacin estndar, que se calcula

rL
rD
iI \\r - r,nrl)' i,:l
"? -
Nota. Si uo se dispone de M
se
2z
"m
utiliza m.
por
+t2
L\r - rnr)''D
i:7
s:
m|.
i:r
m.
n-l
: +
/
con i:1,2....,rt.
calcula po, M
i-simo conglomerado,
: Mr.
i-7
i,,o
i:t
,: n
73.6. Muestreo por conglonterados
405
Tarnao de la muestra
El nrmero de conglomerados a incluir er Llna muestra, obtenida de una poblacin conformad.a por l/
conglomerados, con un 95.5 % de confianza y un error -8, dado es
(zo)2N2s2
N
/r0 -+- lv
?16
/i ::------;.
dutidc /?U: --------;6--.

,E
La frmula de evaluacin de r incorpola, en el denomilador, una correccin que se debe a que tratamos
con Llna poblacin finita.
trjemplo. En una ciudad viven 38 300 personas distribuidas en 10 500 farnilias.
Se seleccionaron 12
fanilias para estimar el gasto mensual en transporte. Los datos se encuentran en la siguiente tabla:
Familia
No. de personas
por familia (nz)
t)
Gasto
mensual ($)
25.2; 54.0;22.0
35.0; 18.6; 61.3; 18.0
46.2;45.3
53.9
L,
71.0; 69.3; 84.0

94.0; 78.8; 16.0
Gasto total
por familia (r)
107.2
132.9
91.5
53.9
224.3
188.8
83.4; 19.3
27.7:94.8;38.1; 43.0
48.6
10
11
12
23.3; 58.9
73.6; 63.4; 31.0
68.5; 65.5; 42.1
702.7
203.6
48.6
82.2
168.0
176.r
a) Encoutrar un intervalo de confianza para el gasto total de la poblacin en transporte, al g8.5 %;

b) \4anteuiendo los datos cle a) , detelrninar el tamarlo de la mnestra pala tener un error d.e 100 llil
dlares en Ia estimacin de
r.
Solucitt': De los datos del enunciado, el nrmero total de conglomeraclos es l/ :

total de habitantes en la ciudad es,4,1 :38300; adens, zolo7s:2.43.
De la tabla se obtiene que
??
12 y
nz;
I"t :
31,
i:T
ir)
Carlcr.rlemos los
1573.8.
;_1
conpolcntes del i'tervalo cle confianza para r:

1a
::
\1, .,:,
1573.8
'n, :__;;_:iu.7u7,
rr
\ ttt;
i:t
'r
: Alt:
38 300
50.767
?INrL
>,r? :245491.5, I",rrn

i:7
i:I
1944376,
4576.5,
fi-7 rrl :
Ot
10 500
y el nulero
Captulo 73. Elententos de Muestt'eo
406
Corno
D,@o
i:7
--;.)2
i,l - ruirnri tr2i,,?

245 4sr.5
2(50.767)(4576.5)
(50.767)2 (e1)
15 354.45,
15 354.45
t--I
11
37.36.
Sustituyendo los rralor-es antes encontlados en Ia flmula:

T^r
-1r
tr-' : z^t.N.stlt\
"/' V Jrr
: 2.43 x 10 500 x 37.36 x
EI intervalo
l0 500 - 12
:275020.
l0 500 x 12
qr.reda:
(i - E,;i + E,) :
:
(1944376-275020;7944376+275020)
(1 669 356; 2 219 396).
As, el gasto mensual total de la poblacin en transpor-te est entlc los 1.67 y 2.22 millones de
cllares.
b) Para el clculo del tauao ruuestral
usamos
E":100000. Prirlero,
^^ Qn)2y2t2 e.$)2e0b00)2(37.36)2
rtr--
E'l
(100 000)2
obtengamos ns:
AA
o,
-JU.O|.
Entonces,
11, :
:
El tamao
tz6 ly'
ru6
ltr
90.87
90.87
x
+
10 500
10 500
:90.1.
es de 91 conglomerados.
13.6.2. Estirnacin de la media poblacional

En Io que sigue se presenta el intervalo de estimacin de la meclia poblacional y una forna aploximercla
de cleterminar el tamao muestral.
El interrralo de confianzr al
(1-
para la mcdia poblacional

") x 100%
s
F-
( a-2^t:.,," At V
ly'r
cs
73.6. Muestreo por conglonterados
Tarlao de la
407
muestr-r
El uttlero de couglomelaclos a incluil erl Lrna lllrestra, obtenida de una poblacin coltfolmacla por l
conglomerados, con tur 95.5 % de confianza y un errol Ep daclo es
t - .^\2.2
(tolt(le l?n: --#
'
( N\'2L-'2
'...,
l/
?o * ly''
rr
-ll
Ejemplo. Si en el ejemplo antclior', soble el gasto en tr-anspoltc
de las fllilias clc na ciuclacl, sc

utta estitrrtcin clel gasl,o mensual pr-omcclio en tlanspolte pol persona. a) Encontr.ar Lln
itttctr'tlo cle confianza parr lr n-rcclia poblacionerl, rl 98.5%; b) \fantenielclo los mismos clatos, fi.jrrr.el
lrttrrrto clc la rluestrr pltlI lcrrel ul cllol de 5 cllales en la estimacin clc
r,.
rlctscar't
Sol,tt,r:i.n:
a) Hirbirmos cletelminaclo
<-rc
lV : 10 500, 1
i:1
n
y n: 72. Aclcmiis,
rrr
J1'
2.583.
I2
\)
38 300
12
i:T
i:50.767,
El clrol
1573.8,
3.647.
J / .t).
clueda:
.^t)
-'/ -
Ti
s, Il-.
_
2.43
A/-r
x 37.36
3.647
Cortsccuenterrenl,c. cl inl,clvalo clc confirlza
(r - Dt,;r -f D,)
l)rr.r
7.782.
l cs
(50.767
.1.82: 50.767
7.
182)
(43.585;57 e4e).
Lo cFte siguific:L clttc cl girsto meclio clc Ia poblacin en concepbo cle tlzlnspoltc
y los 57.95 cllrlcs nlcnsualcs.
lr) El tamao
clc la mrLcstr'r pala
tcncl Llrl clrol E,.:5 se calcull

)
,r,I-
"
l}rfonccs. cl trrnaiLo
rLe
1r
zal2 s-
(2.43)2(37 36)2
/,r
lt'l
ytrt/\lI Lt
(3.oaz;z 15;z
:24.79
runestr,r cs
rt6 1V
rr * A
2J.79 x 10 500
21.79
DI trrnario
1cc-lcl
iilo cs ric 25 lrruiliirs
10 500
as:
j-I. / J.
csl,i
et1e los 43.59
Captulo 73. Eletnentos de Alttestreo
13.6.3. Estimacin de la proporcin poblacional

Pr-esentamos ahora la
se estima
forna de establecer el intervalo de confianza y el tamao de la muestta cuando
la proporcin poblacional rnediante congiornerados.
El intervalo de confianza al (1 - a) x
100 % para
la proporcin poblacional p
es
s.p tr-"\
n-" :P^+ zonf;V
N"
x"
s.p
/
,U
\'- '",
Doncle
Ar
es el nmercl de conglornerados en
la poblacin.
r es el nmero cle conglorlerados en la rlttestra.

???.i
es el nmero clc elcmcltos cu el conglotnerado
r:s
cl tarnao plomeclio clel conglomelado en
i, con 'i: I,2,...,t't.
Il
muesbra, que se calcula por
T7z
,4'ir es el nrmero clc clemcntos cn lr poblacin, qlre se calcttla
por
11.[
- i:lD
rro.
,41 cs el tanrao plor-ncdio clcl conglomerado palir la poblacin, que sc calcula por A.[
: AI
total de xitos cn cl i-sitlo colglomclado, cort 'i: I,2,. ..,tr,.
/;
cs el
cs la plopolcin rnucshral, qric se calcula por
D'i
t: ;l-
rn'"
;-1
7l
s,
,s,, cs Ia desrriacirr csl,nclar, qne sc crlcula

]L]I?LIL
v ,i.-).
D(y - f
Nota.
nr;)2
D,L?
i-t
por
,sp
r)
L\y _ ptrt)i:t
-7
* f D rr?.
- 2iD,tJnti
i:I
i:1
Si no se disponc dc ,41 sc utiliza ru.
Tama.iro de la rluestrt
El rlinrelo
cle corglorner'rcios a
c:onglonrer-aclos, cou rrn (1 - cr)
inclrril crr Llua rnueslra, obl,eniclr de nna poblacin confoltnacla ror lY

x 100% clc corifianzr\ \ nn err-or -Eo claclo cs
,,
A' clo'cle ,rn : &.

* Ar
(M)2DB'
"o
?s
I
rl
,I
Eiemplo.
Prra conocer
rirmente
.l
:].6. Muestreo por conglornerados
409
el rtso de Internet por los ahrmnos de unl rrniversidad se seleccion aleato7 cle los.19E cnrsos de lr r:rt,iclircl. A los ahrmnos se les prepiunt si en la ltima semana
haban rrtilizado los st:rvi<:ios cle lntelnct. A continrrrcin se cla lr infornacin respecto al nmero de
alumnos t:onsultaclos ert r.:arla (:urso v cl nrnelo clc lcspuestas afirmatirras.
r
Ctrrso
(r)
No. cle
consultas (rn)
CrLrso
(i)
No. r'esplrestils
alirrnntiv:is (y)
2i
13
J.1
1ti
56
87
.J
2I
11
3Ci
2b
45
o.)
4,1
1E
(l
i1
LI
10
il7851
12
13
14
15
16
17
'2t)
'J
No. cle
corsultas (m)
66
No. respuestas
afirmativas (y)
45
29
35
48
27
64
54
19
20
22
16
39
48
a) IJallat' el intclr.alo rle t:oufiartza al g7 Vo para la ploporcirjn cle estucliarrtes cle la universidad clue han
utilizar:lo Iuternet: lr) .A los alunlnos cle r:untos (:illsos hay que consultar para tener un elror del 47a
en la e-qtinra<:irin'/
Solu,cin; l)e los rlatos clc la talrla se olttiene que N
498,
r:77 y
7L
I "', : 5t)(l \
i-1
i-
tti
JJi
'
Pol tanto. la cstimacriril clc lir rlcllloli;irli r r:s

n
^
I):
tr) Cak:rrk:mos los otr'os clcnrcnt,os
\-,
- ll
;-r
n
\) - rlti
'
.i=)
St)t)
ckrl in bclrrakr:
n,
1I
tL
I,Yr''u :24006, D"'? :

i:I
i:\
D,r? :74245,
'i-l
llnton
lJ/t-
43336'
r:es,
- ilrtr)' : D,ri 2frD,tliltti+i\r,ii

\ty,
i-1
Par't
cl t'lt:ulo rlcl t'r'r'ol
zrol'sr)lrzooelT'ro s5e)2(4s836)
::l;t:,
7.697.
rr,:r sc clislrorur
rlcl vlrlol clc 11, por'1o clue cnrrl<-.arcmos
tr,
r7(r! rt
f,'
:
l1r''
.11)8
. t7
().05216.
rrr.;
Captttlo 73. Elernentos de Muestreo
4to
Entoni:es, cl intervnlcl
(i
cs
- Ep;f + Er) :
(0.5588-0.0846;0.5588+0.0846)
Es dc<;ir'
<1rre
entlc <:l 47.4Va y el
64.3
Q.47 2;0.6434).
% de los estudirntes hrn rccedido a Internet, la ltima
serIln.
b) En el clculo clel tarrtao enpleamos Ep: 4a/o:0.04.
t(
')
as,
')
ry::i:
sz
(AtS'z
(2.t7\'2 (7
' ' . .6t)7 ,.:79.73.
= (47
.06)2 (0.04)',2
\',z
EI tanrrri<i cle La rnrrcst,r'r es

rr1 .|y'
rt1.
*.\
78.73 x 498
78.73
498
67.98.
Errtour:cs. sc clel-lt-' r:orisrrltal err 68 c:r.rlsos cle lr univer-siclacl.
L3.7. Ejercicios
trstimacin del total y cle la media poblacionales
l.
Conrcl lcsrrltrdo dr: rrn rnrrcstrc;o
llor
A: :
?tt :
10
conglorner'rdos sc
000.
'ttl.2
: .' . :
II
obtuvo Ia siguiente informrcin:
100.
tl100
: 15,
.41
150 000,
II
I,t, : 48otl, !{"r
_ rtr)2
:474.
a) Enr:u<;ntlt; uu intclvalo tle r;orrfianza al 95.570 para el total poblacional r;
li)
2
Eru:rrcLrtrc rrn irrtclvirlo tlcr r:onfianzr 1 95.5%,paltr ltr rnedia r.
Err una r:irrrlarl pcr<rcr'rir. rlontlr: ha-v" 3200 lurga,r'es. sc lcaliz ur sonrleo para cstimar cl tiempo
rneciio (l1ro crl los lrt-rgrrlcs sc ve lr tclcvisiu <lirliarrrenbc, La cnrplesa dividi Ia ciuclacl en 450
rrrrnzrrris, l)or.'(luo rro tlispona clc una lista clc los hogarcs y selecciou 8 manzanas cle casas al
tzlr. En la sigrricntc trblr se inclicrn el nrirnelo cic hogares y el tiempo total (en minutos) clue
Ias familirs. en t:rclt rrrirrrzirur. rlr,'clicriu r rniLu lr televisin.
t[tr
^\I;rrrzrrr;r .N'r'
Iro1irri's
(,)
1
2
:i
1L
(rri)
5
6
E
72
Ti.trlr.
l
ol rl
(,r,)
i\lrrzrrril
()
7120
1350
2720
35titj
No. rlc
Ticmpo
liogarcs
total
(nt)
(")
8
7
7
I
2610
2780
2550
2770
73,7. Ejercicios
r) Hlle
los
3.
el tienrlo toterl y el tiempo medio que

lir tclcvisin;
intt:rr,rl<.,s clcl confirrnza tl 94 %, ptLltr
hogarrcs cil: lr t:irr<lrrl clerlii:rn
b)
4Lt
Enc:rrentre
lr nedir.
cl trn,rno rlc
r vr-'L
Ir rrnest,r'l pzrra
tcner .,r,
"rrnri
los
cle 19 rrrinrrtos en Ia estimacin
ch.
Err rtua acaclemia cletlicatla a la elseanza tlel iugis se clesea cstudial el nrmero de aos que los
alututros Ilevau aplcntlicnckr cstc icliontr. Sc. r'ealiz csta plcgunta cl 5 cle las 68 clases que tienc
l ac:aclemir con los lcsrrltaclos sigrricntr:s:
1:
2:
Clrse 3:
Clase 4:
Clase 5:
Clase
Clase
a) Estirrrc
t-'l
12, 9, 11, 10, 10, 8, 12, 10, 73,72

14, 72,10, 11, 12, 13, 13.
llriutelo ltrcrlio rlc los arios rlrrr; llrrvrur cst,rrtlialrtLl iLrglcs Ios
rrt:rrrlclttilr. IJstl,r'
b)
5,4.7,,5, 6, 5.
E, 6, 8, 9,6,7,10, E, 6.
E, 12,10, LI, 72,9, 13, 12.
cst,udirnl,cs
tlt:
llr
:,17,;
Si sr: clttisicttr cstirtrrl cl plorucclio tlc airos <1rre llci'iru cstudirudo t.oclos los cstudiirntes <ur
sc cncuentlrtn <)r.r rcrrlcnilrs Llc crrscr'rrnzu rlt-'ingls c1r-rc fr-rnciorriltr cll la ciuclacl, col] Lrrr clt'or
rb 0.5 i.uos v <;onIirbiliclid tlcl g7%,. trtilizlrrlo r:oLlro ulucstlil Piloto l;r r:orrsnltt lcilizaclr
ir krs 5 (:ru'sos lrrrti:r'iolcs, crrc;uclllo cl trnrlriro rlc Irr rlrr-rcsLla, si sc csLiml crc
Loclas Iirs
ar;irrlcrtrirs l,icucu trLicltrs rrri LoLal tl,e 725 clrscs.
Dstirnacin de la rroporcin poblacional
zl.
Como lcsultrclo tk: rrrr lrnrcsLrco lror r:orrglomclaclos sc ha olr[crriclo

10
,Il
000,
rr
'ttt'2 : .. . :
II
Ir
siguicntc informar:itilr:
100,
tit100
: 15,
If :
150 000,
3oo, !lu, - fr,,.,)z: 5628.

i:
L,,,,
Dut:ttcnirc rur inl
tttr,tl<) clt-'t:onfirruzr rl
5. Un inrrottirtlot tltt Lt.rlrit ttsittlir.
95.5% 1,artr la proPort:il 1.roblr:iorri.rl
7.,.
rur (:llgllncrrt.o clc 500 ptrclueLcs, sclcr:r:ic.rrrti

alcll.otiarncr1,c 10 tlc rtlltts ),c()nt cl rtriru<tlo rk: ltlcrrrlas rlcl.c<:t,rrosrs 1.ror'ltirc1rrel,c, Drlsrclos cl
lc.,s <lrtc's rlr: lir sigrricrrtc trblt:
Pirrlrrct,c
rle
cntlrrs
h\<1.
pt
No, clc plcrrclas
(rrr,)
L
E5
24420
;i
5ti
47723
t-
61
(,)
b)
clef'ct:t rrosrs
(.y,)
'J:]
18
2I
ir) Etrt:rtcrrtli' rttt itrtt'Lr'ilt.r rlc

cn cl t:rtrgztulctrto tlc
tlcsptr<1s <lc rcr<:ilrir
.
l'lttlttcl.
()
<lc
Nu. tlc prendas
1;r'r:nclirs <lcfccIrrosrs
(rr4)
(y,)
No.
0615
77825
E5919
95527
10
68
r:ortfirrtzii ril gU% l)rlrr lI lllopolcirr
22
<lc lrrcudrs tlcl'cct:rrosrs
rt-r1.rar:
Estrrblcztr rrl 14,,r,,,, nrninrr.r parit
tcrrtr lur crlor'<lc
lt cst,irriuriri rLcl .l%,.
4L2
(t.

Una empresa rgl'oexportadorr empaca melones en carjas que contienen 8 rrnidades cada una. Por
ploblernas cn el trunsrorte se estropc lrn (:rrganlento de.1000 ca,ias. Para conocer las prdidas
or:asionadrs se seler:<:ion rlertorirrnlente 20 cajas y se cont el nrimero de melones golpeados en
r:ada, ca.ja. l,os lesulttclos sr-l clan a ccntinurcin:
\,
No. de frrrtas
"
11 1
golpeadas
10
2I
31
42
50
60
72
85
93
100
a) Encrrentre rrn
b)
No. de frutas
"
Llrr
golpeadls
11
12
130
142
150
160
173
18
190
204
intervalo rle confianzr. al 96.5%o para
0
1
ler
ploporcin de melones golpeados;
Si ei expoltrclor pier'<ie 1.7 dltrr'<:s por caclar fruta est,r'opeada, encuentre el intervalo de
al 96.5% ptu'ir la prdidar total del cargrr.nrento;
t:onfirnzr
t') ,Crrtil clebe scr el trrnrritc.r d<l lr mrrestrl parr tcner rrn error de 0.045?
7.
Elr rur lralrir de lr c:irrclrd viven 200 faniilias. Unr muestra de I familias suministr informacin
n:latir'r al nrinrerrl <lc rnienll-rros, ingreso farliliar cluincenal (en dlares), gasto en alimentacir
(cu tkilarcs) r,si tierrc suscripcin zL algn reliclico. Los resultaclos fueron:
Frrnilir
1
Nr.r. cle
micrnblos
J ngreso
crinc:cnnl
Ciasto en
irlirncnta,cin
Suscripcin
262
82
184
96
si
no
2
')
reridico
.)
D
193
101
no
145
76
283
722
no
si
301
'113
si
247
255
104
123
no
cS
22r
1,02
()
no
si
Con rrn confinbilidrcl clel g5 %, estime:

a) el ingteso <rirrr:errll merlio dc los miemlrros de las fan-rilias;
cn rlirlrclrtric:itirr pol l)ersona;

c) el inglr:so cluinrrcnal rromeclio cle las familias que tienen suscripcin, si se sabe que en el
lrltlio hw 75 srrscuitos. Compare con los lesnltaclos de a) ;
]r)
cl
gasl,r.r prorrirrrlio
d) la proporci<irr cle fulilias suscliptoras a un peliclico. Compalc con el dato real;

e)
Con los drtos de rr), b) y c), deterrninc el tamao ptimo de

lln cl r'()r' clc cstinra<ritin rlcl 15 %.
Ir
muestra, si se desea tener'
Captulo 14
Respuestas
Captulo
Seccin 1.7
3. N:
40 Yo, R:75To,
B:
45To.
4. a) categricos; c) el2l%.
5. a) tamao,
peso, velocidad
y agresividad son datos ordinales; funcin
6. 2.5%.
8. c) 72.5%.
9.26%.
70. 20%.
77. 52.4%.
t2.
70%.
13.
n:160.
)4. a) 880; b)
15.
752.
n:50.
16. 76.
77.275.
18. 44.64%.
L9. r8%.
20.
lntervalo
Frec. relativa
0-40 40-80
0.05
0.45
B0
- 120
0.10
120 160
0.10
473
160
200
0.30
es nominal.
Captulo 74. Respuesas
4L4
Seccin 1.12
1. La mediana.
2. a)T:4.875,b)Me:5; c) s:1.553; d) R:b; e) As:-0.644;f)Ap:0.b92.
3. a) 7: 6;b) Qz: 5; c) s :2;d) R : 5; e) RIQ : 4;f) As :0.362; d Ap: -1.g26.
4. c) r: 0.75; Ilfed: 0.35; s : 7.789; h :2.33; Med, : L.75; s : 2.002.
5. 2.94%.
6. a) 6; c) 86%; d) 66%.
7. a) Cuantitativos: precio, proporcin de malta y tiempo de ae.jamiento, Cualitativos: cate.
gora y nota; c) Precio: r :87.56, Mo :70, Qz: 86, Malta: :48.96, Mo : I00, Q2: 49Tiempo:7:9.06, Mo:12,Qz:8.5; d) Precio: s:23.166, RIQ:28,CV :0.2646, Malta:
s : 30.114, RIQ :42.5, CV :0.615, Tiempo: s :2.697, RIQ :5, CV : 0.298; e) Precio:
As : 1.339, Ap :2.801, Malta: As : I.092, Ap : -0.542, Tiempo: As : -0.233, Apt : -1.406.
8. r :32.54; Me:32, Mo:34.

9. a) r :6.56; b) Mo : 7; c) s : 2.727; d) E :
10. u) Qz:6;
b)
11. b) Sugerencia:
72.
a)
r:5.046;
Use
c)
s:2.63; d) RIQ:3.
Lo:24.5 y A:
r:167.5, s:7.265;b)TTH:
8.
4.
167.189,
MG:t67.J44;c) ez:t6T.S,
: 5.4, Q : 8.05; b) M H : 3.715; c) MG:

L4. a) T : 12.29, Qt : 7.73, Qz : LI.SI, Qr :17.36.
15. mn : 0, Qt :2, Qz : 3, Qs :4, mx : 8.
13.
a) Qt
2.9, Qz
RIe:5.
4.5837.
16. a) r":2I.57L, s":2.149; b) ft:70.829, s/:3.8685; c) rf :I.8r"132, s:1.8s".

17. a) s : 1.348, s = 1.15; b) (2.28;5.52), (1.48; 6.82), (0.t3; 8.22); c) n1:82, n2:49, ns:50.
18.
b) Qz:116; c) Qt:107.25,Qs:121.5; d) r:114.59,
19.
33.3%.
20. 665.6 km.

21. 85.62 km/da.
22.
168 cm.
23. 8.
24.
101.
25.
19.
26. Med :
37.92, Mo
27.
500, la mediana
28.
20.
:36.92.
y moda.
s:12.43;f) As: -0.602, Ap:t.2IB.
4L5
29.
a) rr
30.
268 800
31.
a) 356 mil dlares; b) 49.5.
9; b) 8.1 cigarrillos.
Tm.
32. 80o/o.
33.
5r.
34.
a) 850; b) 900.71.
35.
a) 640; b) 2%.
36.
6.27.
37. r:6, Qz:6.375, s:2.94.

38. , : 47, Qz : 48.33, s : 13.75.
39. Qz:52.23.
40. a) 20; b) 30 %; c) r :
Captulo
1108,
Med:
1083.3,
Mo
1040.
Seccin 2.6
1.
2.
3.
4.
5.
6.
7.
8.
a) 6; b) 1; c) 3; d)
9.
De 36 maneras.
3.
a) 12; b) 1; c) 6; d)
a) 3!
6; b) !
30.
:24;
a) 12; b) 20; c) 40; d)

a) 40, b)
c) 5! : 120; d) 6!
720.
65.
700.
a) 9; b) 25; c) a9; d) 64.

a) Combinaciones: 10, variaciones: 60; b) Combinaciones: 20, variaciones: 120.
a) Son 20 parejas sin reposiciny 25 parejas con reposicin; b) Son 30 parejas sin reposicin y
36 parejas con reposicin.
10.
1330.
11.
r20.
72.
720.
13.
504.
14.
84.
15.
0.5.
16.
a) r20; b) 50a0, c)
2160.
4L6
17.
")
v?
42; b) C?
:2t.
18. 380.
19.
r28.
20. 450 formas diferentes.

27.
105.
22.
84.
23.
a) Cfo; b) 166; c) 15 x 165; d)
24.
77.
25.
26D36i:2.096 x 1012.
26.
a) 4 x 75
27.
6720.
153
28.
i:o
67 228;
b)
73
+3x
7a
+4x
75
74774.
r e Ac ) B' ) C"; b) r e Au B u C ; c) r e (A ) B') u (8" rt C") u (A

d) r (A'.8 nC) u (A.'8" nC) u (Ane.C"); e) r (AnB^C)'.
a)
29
Sugerencia: Utilice los axiomas de la probabilidad.
30
Pr(,4 n
31.
a)'2-: b)'6',',8
-: c) -.
ao
a) Pr(A")
il :, Pr(A u B) :
*4.
,r{a n B') :
1.
1.3
:
0.625,
d) Pr(A'n B)
Pr(B')
0.375, Pr(A
0'5; b) Pr(A u B)
0.75; c)
Pr(A'
Sugerencia: Utilice Ia frmula de la probabilidad de Ia unin.
34.
JJ,
36.
B")
9.25'
n B') :0.25.
33.
o C');
{1C, lE,2C,2E,3C, 38, 4C, 48, 5C, 5E, 6C, 6E).
:0.4; b) Pr(AuB) :0.9; c) Pr(B") :0.4; d) Pr(AnB) :0.1;

f) Pr(" n B") :0.1; s) Pr[(A n B)"] : 0.9; h) Pr(A U B"): 0.5.
a) Pr(A)
e)
Pr(A\B) :0.3;
f): {(I,I,I), (I,I,D), (I,D,I), (D,I,I), (I,D,D), (D,I,D), (D,D,I), (D,D,D)};

b) C : A \ B; c) B' : {(I,I,D), (I,D,I), (D,I,I), (I,D,D), (D,I,D), (D,D,I)};
BUC: {(1, I,I), (I,I,D), (I,D,I), (D,I,I), (D,D,n)}; AOB: {(I,I,I)};
A.ttB.: {(1, D,D), (D,I,D), (D,D,I)}.
a)
37. a)
Pr(A)
: l; u) Pr(A u B) :3; c) Pr(A') :25.
38. 2:
4ll
39.
a)
40.
a)
i
, (i)': $,
'or
o)
36
64
417
1
47
15
Ctr
42.
:- 1
q-
I
tJ
43
38
cB c3 1-c c8u
c13.
44
: 0.e231.
23
45.
t14'
46.
a)1_.-3u,b)1--$,.
al
L c?nn' "' ' c?oo'
47.
.-
48.
,l't
c?n c?o
l--.
cBo
309to, ao93u.
4,
ul
! u/
",
"l
C%
Cuno
C?o
t7
49
33'
bo. ') f
; u)
c c3, + cB c8 + cB c38
51
52.
53.
54.
20
p- -1
55.
'tT
Seccin 2.9
: l; r,) e,(rlA) :
f) Pr(B'lA) : :
3. a) Pr(A lB)
4.
);
c)
P,(AIB)
: ]; a) er(a "lA) : ]; ") P,(,a" lB') :
-.
4
11
: c) no son independientes.
i, b) Pr(B) ,;
11
7
1
6. a) Pr(B\A) : ,r, Pr(BlA): i,, Pr(Au B'):,r;a) Si son independientes.
7. a) A y B son independientes. b) Ay C no son independientes'
5. a) Pr(A):
g'
4L8
1
8.
5
9.
10.
.)
28'
Envo conjunto: a) 0.9; b) 0.9. Envo por separado: a) 0.81; b) 0.99.
,r. 20
n
72. 0.75
45 b) 99
110
-'46' ', -.
7a. Pr(ClD) : 0.7557s.
13. a)'
15.
19
2018
16. 979
t7. a) 75.9%; b) 0.5283.

18. a) 0.08; b) 0.24; c) 0.a; d) 0.842I.
19. a) 0.322; b) 0.258; c) 0.238; d) 0.375.
20. a) 0.2a;b) 0.4; c) Si son independientes; d) Si son independientes.
27.
a) Pr(M):0.45,Pr(Iz) :0.375; b) 0.075; .)
22.
a)
Sexo
Hombre
Mujer
0.5
0.5
Hbito
p
i;
l,
")
rro son independientes.
No fuma
Fuma
Ex-fumador
0.46
0.26
0.28
- 0.26,Pr(FlM) :0.32; c) no son independientes.

23. a)' *; l j;
15', 5' "; ,ro son ind.ependientes.
b) Pr(-F)
24. a)
80
%; b) 0.59; c) 0.8537.
25. 0.3806.
26. ?.
4
27. a) 2a%;b) 0.667.

28. a) 0.65; b) 0.4.
29. a) 0.a; b) La B: Pr(BlH)
.1
30.
a)
-"' *,t
L0,
-:
b)
',
c)
-:
I0'", -7'
31. 0.8235.
32.
y.
47
33. a) 0.898; b)
0.39.
34. a) 0.56; b) 0.7273.
:0.5.
4t9
b) 0.25, c) independencia; d) 0.45; e) 0.45; f)
35. a) 0.25;
0.1.
36. 0.4539.
DN
d,.
Captulo
n7p
Card(A)
Seccin 3.3
1.
a) discreta, {0,1,...,100 x 10e}; b) continua, 10, *[; c) discreta, {0,1,2,...};

d) discreta, {0, 1, 2, . . .}; e) continua, 0,24 horas]; f) continua, [0, -[;
g) discreta, {0,L,2,.. ., 100}; h) continua, ]
- -, -[.
2.
Sugerencia: Procure que sus ejemplos estn relacionados con su actividad diaria.
3.
a) Pr(X A)
0.1
: ], erlx # A):|,vr1x
B)
: |, er{x # A):?
si r<-2;
0,
ll4, si -2<r10;
IIll2, si 0( r<t/3;
si r>t/3.
1,
50 100
0.3
0.6
68/95 51/190
3/190
a
J
0.0384
0.6
0.32
0.016
0.0256
0,
0.6,
0.92,
0.936,
0.9616,
1,
0.00001
0.00167
0.07663
0.92169
3600.
k:
b) Prrl < x <):
'5269',',\-5269
a)
c:];
u)
e.(x < 1) :
f,,Yr{x
<2):f
, e.{o <
<3)
a)
11.
b) 0.608e.
t2.
Sugerencia: utilice las propiedades de las series telescpicas.
u)
r(r) :{
c) Pr(X
si
si
si
si
si
r 10;
0<r<1;
l1r<2;
2<r<3;
3( r<4;
r) 4.
1525.
10
13.
si
:;
( l'l
Dnn(J-dk siz)Q;
sir(O.
o
>2):
(1
-p)3, Pr(X > 4) : (1 -p)a, Pr(X < 3):p(p2
- 3p+3).
420
14.
a)
15.
a)
c:
,rg;
u)
c:
'3'-:b )]; ") I' ol

X
16.
r;
1; c)
rt o
a)
!,f) c:1.
": ]; ") ":
17.
b) Pr(X
:0.2):
18
a)c:r,f(x):
19.
a)
20.
27.
0, Pr(X
a:tu, u:f,;
c)
pr(X < 0) :
a)
Pr(" > 1) :
n14)
: +,Pr(X > trll) :
b)
{; ;F[3:i]:
:l
a: r; b:2; b) .F(t) :
a)
<
a) f @)
pr(x :rt3):0,pr(".1)
t.
:],r.(rxr .i):i
=.?'. ,,
I t,lr, :lsi)1.
{to,,n,
|,
er1x < 1.b)
j;
u)
er(r
lilij;i"fj;
: l, er1xlr r.2):?.
<2):l;
")
er(r
) :01.
b) Pr(X 2 1) :0.3.
22.
23.u
r(1 > z) :
c: ]; u) (i ) j, {tt.l l; .) er(a n B) :
25.
a)
26.
a) Pr(X < 3)
27.
r)
28.
0,Pr(trfI2 < X < r)
0.316; b)
Pr(X > 6) :
0.156, c)
n:
4.8t.
ry(y)
.".;)
c) El 26 % de las veces; d)
, , B son independientes.
]; u) i*, "l nosonindependientes; d) ffi
( o, si3r<o;
:{ \/a,si0(a<I;
( 1, sig>1.
b) P'(+ <x2<) :
i,r,(*
u)
3,
i*'
:osbe
3.43.
421
29.
30
(T sr
(t): { to' si
|.0,
Pr(X2<l):;.
f:
31
rr;
I zrr"'
fu@): 4
-L.
aJ'
I 0,
[
(0.
Fr@):I;:,
-
32. r z\&)
33.
14;
rario.
si
z(*):Io'
- \ t,
rz\n)
I i; ",t
:
^) fv(,) {Z:,,
; : 3:
b)
z!!'t];
si z e [0,1]'
fz(,)-
o2exp(-
o("o'-'))con -oo < n < oo
Seccin 3.6
: 0.161, Var(X) : 0.2153, E(y) :

E(X) :0, Var(X) : 1, o(X) :1.
1.
2.
3.
4.
E(X)
5.
a) E(^9)
4.4, Yar(Y)
2.84'
Si, Var(X) > 0.
a) 2515; b) -50; c) 15; a zJts; e) 160;
:3lt,Var(S)
3o2;b)
E(") :
f) 135.
3p, Var( T)
:9o2;c) O(A) :
1.,
Yar(A
t,
* * r'.
6. a) E(X) :0, Var(Xl:X,b) E(X) :0, Var(Xl:|,c) n(x) :0, Var(Xl : *'
d) E(X) : 0, Var(X) :
;
d) E (S'z)
7. a) e(x) d) E(X)
8.
3o2
2.5,
o(x):0.866; b) E(x) :9r2,o(x):
-4, o(X) :0.556; e)
P:0.2, o :
L Yar(Z):
*9t"2, E (A')
11.
0.09.
10.
11.
72.
pr
0.35,
Pz:0.20, Ps:0.45-
$t
c: #, tt") : #,
OE(x)
o(X)
In
: '5,".}1:
4
(ln 2)z
'
;fo,
422
13.
r4
a:0.5, b: t; b) /(r) :0.5, si 2 < r 14; f ("):0, caso contrario;

c) Pr(l < X <3) : 0.5, Pr(X > 2.5) :0.25; d) E(X) :3, Var(X) :
].
a)
a)
c:fi;
d) E(x)
t)
*,q
Pr(X > 5):2;,Pr(X <
:T,var(x):
a)
16.
E(X)
17.
a) 0
18.
-1.6 (prdida).
{A, FA, FFA, FFF};
c)
*'
E(c)
1766.4;
d) E(X)
91
15'
Var(X) :0,62
L200
b) E(c) :37000.
19.
20.
a) E(X)
2t.
E(X)
22.
a)
3 autos. b) E(G)
202.94;
151 dlares; c)
o(G): 90.8 dlares.
o(X) :178.91
: i)
100 100 100 100 100 100 100 100 100
b) E(X) : 3.85; c) Var(X) : 5.527.
23. a) E(X) : 109.39, Var(X) : 33.19; b) 54.70 dlares.
Pr(X
24. a) E(X)
3,
o(X)
0.7746; b)
E(v)
5.5, Var(Y)
-x) :
30. E(xY +2Y
100
25. a) E(X) :2;Yar(X) : 0.2; b) 50.225%.

26. a) E(") :4.8h, Var(") :2.56h2; b) E(C) : 48, o(C):t6.
27. a) Pr(X > 60) : 0.334; b) E(X) -- 5r2 : 49.348m; c) Var(X) :
28. Sugerencia: utilice las propiedades de las series geomtricas.
29. Sugerencia: utilice el ejercicio anterior.
31.
4'
: fi, c) var(x) : #
b) E(x)
8lL5 6175 rl15
15.
D:#,,Pr(x2 -rzx+Bb > 0)
461.3 m2;
o(X) :2L.478m.
#.
a) 2; b)
'"1 f;
32. E(^9,) :0, Var(,S",) :;.
33. E(S") :
fret E(?l,.)
tupa,
Var(S")
TLo2
V-(",) :
np (o2
o'O).
:3, Var(X):2;b) M(t):0.3e-2t +

34. a) M(t):
,("-,*e-2t*e-Stte-4t+e-'t), E(X)
0.7e-at * 0.2e-5t r 0.4e-6t , n1l;!;!, var(x) : 2.84; c) M (t) : e.5"-2t t 0.Je2t , E(x) - 0.4,
:1,Var(X) :3; e)M(t):*,E(x) :*,
Var(X) :3.04; d)M(t):+,E(x)
Var(X)
: |; rl M(L):r!+#:,
E(x)
: i," - 1), Var(x) :; - *
423
Captulo 4
Seccin 4.6
1.
a) t5 dOlares; b) 240 dlares.
2.
25 dlares.
,
3. .) i; ) E(X) :
109.5
110 Palabras.
: !-,+1-l; b) sik espar, var(xk) :f,
4.
a)
5.
42020
b)
c)
") i; 7; *.
6.
'11(t0,7,2),57
n(xk)
.,
/c
esimpar,vr,(xk)
:I.
7. Pr(X:3) :0.5, no porque la probabilidad es alta.

8. a) 0.2913; b) 0.8357.
e E h,u ]]; " r

10 q i,ur
li' q k
11.
a) 0.1536; b) 0.1808; c) 0.9728; d) E(X)
L2.
0.537.
13.
a) 0.26214; b) 0.01536.
0.8; e) Var(X)
:0.64.
L4. a) 0.36754; b) 0.609.

15.
a) 0.083e; b) 0.0374; J o.sro.
16.
a) 0.36; b) 0.997; c) a.
17.
a) 0.9606; b) 0.9994; c) 3.97 x 10-6.
18.
a) 0.05631; b) si es efectiva, pues la probabilidad de que nadie se contagie es muy baja.
19.
a) 0.0002187; b) 0.67058; c) 13.
20. a) 0.109; b) 0.999a; c) 0.5885; d) 16; e) 3.2.

2L. E(G) :
22.
11.6 millones de dlares. b) o(G)
pr(x < 9b) :1-
8.08 millones de dlares.
100
cf00(0.0b)k(0.9stoo-r.
k:96
23.
Al
24.
0.0504.
25.
a)
azar:0.17188; con informacin: 0.5.
X
-
0.1 0.09 0.081
0.1 x 0.
b) 10 preguntas.
424
26.
b) 5 cartuchos.
0.2 0.16 0.128
a) 0.22II; b) 0.007946; c) 3 partidos.
E(X)
8.33, es decir 9 refrescos.
3 gusanos.
a) 0.04087; b) 0,03564.
0.3188.
a) 0.04364; b) 0.00032; c) 25.

a) 0.032; b) 5.
a) 0.0902; b) 0.9473; c) 0.0527; d) 0.2405.
):
6, a) 0.089235; b) 0.061969; c) 0.59278.
a) 0.14653; b) 0.56653.
a) 0.1954; b) 0.2381; c) 0.7619.
a) 0.224; b) 0.5768; c) 0.9502.
0.14288.
a) 0.60653; b) Binomial: 0.937; c) 0.96343.

700 dlares.
a) 0.3679; b) 0.2652; c) al menos 300.
E(C)
200 dlares,
"(C)
47.43 dlares.
a) 90.48%;b) 9.52%; c) 0.8187.

a) 0.0006415; b)
) :32, Pr(X < 30) :
0.14288.
):
6, a) 0.1606; b) 0.1512; c) 0.715.
a) po
50.
a)' .\
7e-2
0.94735; b) 0.12896.
: 4, b) 0.4863.
20"
0.338.
425
Seccin 4"10
1.
a) 0; b) 0.75; c) 0.5; ct) 0.75; e)
2.
a) 0; b) 0"6; c) 0.a; d) 0.8; e) t
..).
4.
: ;.
,)
1
t;
i2'
L/,U.
a) A.4; b) 0.2; c)
E(jf) :
22500 diares.
71
6.
a) 0; b)
7.
a) 02; b) E(A)
B.
0.75.
9.
0.8.
n;q;
lr'l
frn,
Var(A) :6.223.
10.
0.15.
11.
sir10; E(x) : 1 var(x) :

a).\:6, f(r):a' u"-u',
^
si r o.
u'
!.
sir<o; E(x) I var(x) _:1 o,

i"_*, ;; ;;
i,
n;
.\:3,
c)
,\:0.5, f(d:Io' .r"-o't,, sir<o:

.t; i . E(x) :2,Yat(x):4;
t
l@)
==
0.25, I@) =-
si
f o'
0.2b"-r,r,,
.t
;;
I
": 3'
a) 0.6321; b) 0.1353; c) 0.2325; d) E(?-)
1.4.
a) 60; b) 0"5034, c) 0.7788"
15.
a) 0.368; b) 0.248; c) 0.451; cl)
16.
a) 0.9rj; b) 0.35.
17.
a) 0.287; b) 0.148; c) 0.0695"
10
ao.
a) 0.13534; b) 0.2:336; c) 16; d) 790.
19.
a) I t00; b)
24.
a) 0"368; b) 0.6065.
21.
a)
/(r) :
22.
A.4A2.;
OD
82.28%.
rt-
:
3" E(x)
4,
var(x)
16'
a) 0.03; b) 0.66; c) 0.31; d) 0.34.

1
13.
B6t'
b)
d) ,\
72.
:3h;
e) E(C)
:L20
centa.os.
0.2152.
0.135.
,"
{2nu(r-5)2132.
b) Pr(i,<5) :0.bg8,iJi(Y;,4) :0.598,p1(lyl <3) :0.28b.
b) C.309; c) C.276 d)
0.tt28^
426
24.
a) 0.71i8: b) 0.055; ci) 0.733.
25.
a) 0.02275; b) 0.65542; c) 0.15866.
26.
a) 0.titi1: lr) 22 rnin.
27.
0.403.
28.
a) 72; b) 8a.6; c) 185.
29.
a) 62 crn; b) 58.7 cm.
30.
a) 145; b) 537; c) 7484.
31. h:2metros.
32. a) (i) Pr(X > 167) :0.5, (ii) Pr(x > 170) :0.16; b) (i) Pr(l' - 4):
(ii) Pr(},
33.
2)
ctrQ.5)4:
0.375.
a) 0.9088; b) 03a67; c) 13.49; d) Pr(X < 12) :0.01, o
34. Pr(Iz) :
0.5987,
Pr(M):
a) 95.45 %; b) 0.83.
36.
a) 0.0062; b) t
37.
a) 11.5%; b) 15.8%; c) 0.00152.
38.
a) 0.8413; b) 0.01068; c) 0.6658; cl) 0.2367.
39. Pr(X > 450) :

40.
I772h.
0.01, r
n) l.t : 70.72, o2
391.75g.
:3.
Seccin 4.12
1.
2.
3.
4.
5.
6.
7.
8.
9.
0.023.
0.0985.
0.0003.
192 083.99 kg.
0.0227.
a) 0.2375; b) 0.6657.
0.04595.
a) 0.97725; b) n > 108.

a.)
,A/(7.5,5.25); b) 0.1379.
10. 0.0207.
11. a) 0.0E23; b) 0.0446.
t2.
0.34335.
0.6915, Ia mujer es relativamente ms alta.
35.
a) 20; b) 0.1269; c) 0.8395.
(0.16)4:0.0007,
427
13.
a) 5BB; b) 0.92758; c) 0.2330.
74.
a) 0.2557; b) 0.05593; c) 0.78636.
15.
a) 9(0.36), E(X)
b) E(S4s)
Var(X) :4.938;
:222.22;
2.778,
80, Var(,9s)
c) 0.8324.
Captulo
Seccin 5.6
X
Y
l.
0/30 t/30 2/30 3/30

tl30 2130 3/30 4130
2/30 3/30 4/30 5130
0
1
n_
;b)
20
") [;
B'
120'
I2
^9
e)
23
a)
5rlr20 81r20
61 lr20
PS
1
29 cl) 55
b)
3") 89;
89', ', -:
89',
*,") -:
X
01
-1
e)
l8e
4718e
01
b)+
417 217 tl7
49;
X2
17
PX
4.
a)
t4189
211120
l8s
t7
PY
15/Be
27
T2
I
17 217
417
l9e
47 l8e
.40
-.
:'49
c)
X
Y
5.
-VJ
0
6
v,)
6.
a)
7.
a)
8.
a)
-3410
0.25
Px
10
20
PX
0.r4
0.42
60
l0
0.43
1,
r)
0.075 0.050 0.025 0.0375

0.201 0.134 0.067 0.1005
0.024 0.016 0.008 0.0120
0.0625
0.1675
0.0200
b) 0.1965.
0.32 pv 0.55 0.45

30 40
0.19 0.25
b) 0.7392.
0.7r
b)
d) Pr(1 <
9.
115
31L0
X<3;2<Y 5a) :*,
+(\ -
1); b)
/(r) :
JTa t'
lx\r) : *e '"'-''';
fv(a)
"o"
215
vrt "-'0";
rl3.
4lr5
Pt(X +Y <3)
r, fv(
: fr
PY
2/5
10
- coss.
no son indeperrdientes.
c) No son independientes;
428
11
I2
nrr
b) si son indePendientes.
a) fx@) :
^2tre-\',,
c) 1 - (1 +.\a)e ^".
l3
p 1 o50
b)
t4.
a)
r)
i3l50
21.150
5113
7 113
t2
ut Pr(x :
t'
Cov(x,
16.
Si rn y r son pares: p(X^,X") :

distinta paridad: p (X^, Xn) : 0.
77.
a) 0.064; b) 0.102.
18.
a) a; b) f ("lvo)
20.
a)
k:1;
100,
X2 <
b) /s(s)
ox
att
0.30 0.24
0.t7
0.11
0.08 0.06 0.04
45
4130 7130 rl30
L;
si m y
son impares:
p(X^,Xn) :1; si rn y n tiene
caso contrario.
Xs > 200) -
16'
s(8; h(,):{ +' si 0<L<7:

caso contrario
0, caso contrario.
si 0(
|.
si s(0; <0;
si 0(s(B; 0<t<7;
si s)8; L>7.
.)'256
3; a) fr(t):2t;
") *;
100,
:{*
0,
:i #,
t,
I
,A
113
[ 0,
c) F(s,r)
oa
213
4150
L2
(0
22
û);
:2r; c) 0'1089; d) Son independientes.

r 2rI4
0(r(1;
-,'t)ola
Para w\e\r'
'
b)0.7a2:c) 0.04.
")fx(r):1 [ 0, b
caso contrario.
(
(20 000)3
a)
(rr*100)3trritolt(rs+Loo)5' rt>.0' rz> 0' 13>0;
"f(rr ,rz.rs):1
b) Pr(X1 <
2r.
22150 21150
3/50
-"
- 1)(t + 3)("' + r).
15.
19
t2
xlv:o
0.10
klY :1) I 1bl30 gllo

(n
y > 0;b) (1 - (f +.lo)e ^") (t
4150
c)
0.22 0.25 0.23 0.20
r \ _____________::_
ê-\'!t,
7150
t2
rlrs
X
0; fs,(y)
c) Son independientes.
l IxQ)-+,si 0( r12; Ivfu):+
a) a; b)
fx@):2tre-'",ft(y):2!Je-!";
c) E(X)
si2( u<4;c) Cov(x.v)
:E(y) :{,d)
:-*.
Soninclependientes.
4 .,
.
:t r2r2+l si0((
1: h(u):iu(u't *2) si0<y< l:b) Cov(X.V): -2
r--,
209
27
c)trlX-Y)-' 350
.E(X'-Y'\- 25
a)
"fx(r)
429
'l
r\
26.
a)fx(t):1(ur.."rt+'t\E-F*;),fv|):?(ur".unt+tt/L=P);rr)Noindependientes.
27
( 2r-r17 ) si r)o.
' v'
:
b)
a) 8;
Ix@) 1 6(1 + z)a 'L
caso contrario.
I O,
28.
a)
k:(n-I)(,n-2);
b)
F(r.u\:
\' \*,rt {I 0,
(r:_r)2-n
-\
c) No son independientes.
- (a+r)2-" +(r+ a*r)2-''', si r )
0; v> 0; n >
0;
caso contrario.
fx(r): i,t - r'), fv(a): 1, no son independientes;

,,
no son independientes'
b) f x@) :
f* * rr, fv(a): Gi l)s,
para 0<y1I;
30. fx(,): 3,," - *') ' #:"3;;; t' fv(: f 3a',
I O, caso contrario.
{
29.
a)
31.
Cov(X,Y)
-0.0f , p: -0.1306.
32. a) 8; b) f x(") : 4(r - r3), fv( :
4a3; c) E(X)
independientes.
33.
a) 10; b)
/x(r) -5"4,0 <r<1, fv(y): fr{t
c) Cov(X,
: 9,
: j,
15',E(v) 5', a; o.oon4; e) No son
_ y3),0<y <1, nosonindependientes;
rl : #, d) IvV::/z@lx : Il2): Bs, 0 < y < i'
I
34. a) I@,:;,si r ) 0,a ) 0, rts < 2; b) Ix(r):+, Iv(:?rc)
",
35.
a) f
(r,r):; 11si lzl + lgl < 1; ) /(") - 1- lrl, si lrl < 1; ") E(x) :0, Var(X) :
d) E(XY)
36.
0; e) Cov(X, Y)
a) 0.0153; b) 0.0234.
37. a) 0.025; b) 5.344 x 10-4.
38.
a) 0.007; b) 0.013.
39.
0.02923.
40.
/a -2 4\
I-z u -r)
6/
\a -4
47.
42.
Cov(X,
Cov(S,,,, T,-)
/t 2 6\
Iz 6 18l.
\o 18 60)
rpo2.
0, p(X,V
g.
n: -I
'
430
Captulo
Seccin 6.5
1. a) 0.7457, b) 0.9976; c) 0.0645; d) 0.0289.

2. rr: 3100 g, ov:1.5g.
3. a) p:400, ov: 20; b) 0.9104.
4. 0.0668.
5. a) 0.9890; b) 0.9257; c) 0.81351.
6. 0.13936 exacto, 0.73929 aproximado.
7.0.15866.
8.
9.
10.
0.9053.
0.06802.
p,
e (2.87
3.79).
11. t e (37.77;40.23).
12.
a) 0.0456; b) 0.0228.
13.
a) 0.0228.; b) 100.
t4.
0.0036.
15. 0.923.
16. 0.8132.
17. a) Estadstico;
18.
b) 0.00361; c)
Si.
a) Parmeto, P :0.8; b) El valor de cada estadstico, calculado a partir de las muestras, estar
ms cercano a 0.8, a medida que aumenta el tamao de la muestra; c) 0.9846; d) la probabilidad
es mayor.
0.785.
a) 0.0918; b) 0.0485; c) 0.4772.

a) 0.9270; b) 2826.
0.0228.
0.0918.
0.09513.
p e (0.333;0.367).
p
0.3679,
Pr(f'> Il3) :0.758.
a) Pr(p'> 0.8) :0.1376; b) Pr(X

constante durante el torneo.
>
20)
:0.1935; c) La probabilidad de ganar debe mantenerse
43L
28.
a) 3.33; b) 3.57; c) 34.17; d) 26.30.
29.
0.95.
30.
a) 0.95; b) 0.09.
31.
a) Pr(s2 > 8.1) = 0.0b; b) pr(2.66 <

<9.52) x0.94.
"2
oo
.
Pr(s2
33.
Pr(s>7) =0.95.
34.
a) Pr(s2 > 150) = 0.9; b) Pr(s2 > 362) = 0.02b; c) E(s2)
35.
o2 e (49.75;I6a37).
36.
a) 1.383; b) 2.681; c) 2.086; d) t.746.
Jt.
0.8361.
38.
a) 0.1; b) 0.75.
39.
0.99.
40.
a) 3.32; b) a.76; c) 4.47; d) 5.86.
4t.
0.025.
42.
0.05.
43.
o: ,Lg4: 0.34, b:2.84.
44.
a) F
45.
a) 0.5885; b) 0.1759.
46.
0.0062.
47.
0.0104.
48.
(17), 0.05.
49.
t(22),0.I.
50.
0.0207.
51.
0.9634.
52.
0.0322.
53.
0.9747.
16) < 0.01, no es un valor vlido parao2.
f'(1,1); b) 0.95.
:225,
Var(s2)
3894.
Captulo 74. Respuestas
432
Captulo
Seccin 7.5
2. Mejor -6r,3r,3r,3n
3. a) Si; b) Var(?'1)
'/
Peor.
-2
u-2 Var(73) : o-2
: i-,
Var(?z) 2nz'
n2', \ u/ 3;
Bnz
y ?* .o.r estimadores insesgados; b) El estimador de menor varianza es34.
4.
6t02
5.
101,32 y0, ror, estimadores
7.
a)
l:r;
b) E(V)
Es insesgado.
9.
b)
a:
a)
E(X.):
11.
b) El estimador de menor varianza
es ?3.
:48(X)+E(X\:4.\*)2+):5.\* \2;c)?:1
r|+tt.
n
oi+oi
n\
---b) c:
'
nt lnz
t2. a)O
13.
insesgados;
7=t
8.
10.
c) Mejor 73.
L(p)
:, (t *),
:
,l : {, b) Tn:x,,, ECM (7'd : *

t, A :, (#+), ao,.a" k es el nmero de veces que aparece et valor 1.
g , Var(x
rttozs (7
P)2r,
f:
: 1 * 0,AL:X + t; b) Es insesgado;
74. a)
E(x)
15. a)
F: #' o, F:
:
' 2-9:b\t
3', "'
16. a)
t -"-oooi,
c) 6,
:X;
d) d2; e) 1.
: -uooatt (rtr)
81
100'
17. 6,:0.10129.
Seccin 7.8
1.
2.
3.
4.
5.
6.
7.
8.
a) (3.013; 6.986); b) (36.02; 37.98); c) (18.147; 18.852); d) (-22.564;-21.436).

a)
L:0.7052 b) :53.572;c) L:1.662;d) t :2.773.
a) (117.98; 122.02); b) (220.26 2%.7\; c) (65.73; 66.27); d) (-38.17; -35.83).

a) (97.9; 102.t); b) (ae.1e; 56.81); c) @a.a2;87.58); d) (-39.5;-34.5).
(a7.7a 52.86)
a) (416.60; 503.40); b)
295.
a) (106.49; 113.51); b) 3.51.

a) 0.9938; b) 72.
433
9.
57.
10.
a) (107.1; 108.9); b) 99.068%.
11.
a) (165.01; 169.3e); b)
72.
a) 50 dlares; b) 490.
50.
13. 62.
t4.
43.
15.
31.
16. a) (26.77;30.04); c) El intervalo
hubiera sido ms estrecho; d) El intervalo hubiera sido ms

f) El intervalo hubiera sido de igual longitud,
estrecho; e) El intervalo hubiera sido ms estrecho;

desplazado hacia Ia izquierda.v
Seccin 7.10
1.
2.
3.
4.
5.
6.
7.
8.
9.
a) (2.889; 3.a71);b) @5.27; a6.73); c) (-1.33; 6.33); d) (-176.58; -87.a2).

(O.ee; 2.30).
a) (50.05; 51.38); b) No.

a) (16.46,
77
.57); b) (0.0396,0 .6724).
@0e.23;706.76).
(2793a;240.66).
90%: (375.24; 485.0I);95 %: (363.40; 496.85);99% (337.87; 522.38).
a) (24.66;26.86); b) El lote no se acepta.

a) (1.89; 2.68); b) El lote no es aceptado.
n: t2 (221.72;234.28); n:100: (226.79;229.8I).

b) n : 8.
10.
a) (2793a;236.66); b)
11.
a) (3.527;3.709);
72.
a) (169; 314); b) Si, el tiempo es mayor que el indicado.
13.
a) T : 4.846, s :2.949; b) (3.234; 6.458); c) El intervalo sera ms estrecho; d) EI ancho del

intervalo se mantendr y se desplaza a la derecha; e) p:8126. La muestra posiblemente no
proviene de una poblacin rrormal.
Seccin 7.12
1.
2.
3.
4.
5.
a) (86.43; 1928.57); b) (111.94; 725.87); c) (128.39; 516.25); d) (141.8a; 422.43).

90%: (25.35; 109.17); 95%: (22.76; 130.61).
oe
(6.61: 17.55). La informacin no es corlecta.
o2 e (2903.54: t3473.29); o e (53.88; 116.07).
o e (3.30r8.40). si le conviene.
434
6.
7.
B.
9.
10.
a) (19.245; 23.155); b) (1.51; 34.70).

Trdicional: (ft.16; 89.70), Alterlativo: (9.99; 94.60). Mejor es el nrtoclo traclici<rral.
r (90.115; 92.385); o2 e (5.43;16.19).
) / (20.0A;2r.13); o2
e (0.69;2.76); b) No
se recomienda el cambio de variedacl.
a) p(9.23;20.10);b)o2(40.89;176.08); c) Noseintroducirlanuevalnea.
Seccin 7.14
1.
2.
3.
4.
5.
6.
7.
8.
9.
a) (0.69; 0.81); b) (0.702a;0.7976); c) (0.6711; 0.82se); d) (0.7108; 0.78e2).

a) Luis: 0.015, Juan 0.031, Paco, 0.062; b) Diana 0.4, Oliva, 0.2; c) 90To: C, 95To: A, 99To: B;
d) La mujer.
(0.5341; 0.6659).
2177.
a) (0.688; 0.821), no se recomienda su uso; b)

a) (0.6556; 0.80a3); b)
155.
a) (0.2475;0.3525); b)
276.
311.
a) Bucnas: (0.865; 0.934), rnalas: (0.065, 0.134); b) No se aceptar; c) 4238.

(0.6587; 0.7319), no se puede introducir la nue'ua variedad.
10. E :0.0278 < 3%; si son estadsticrmente
iguales.
11.97.84%.
12. a) (0.812; 0.928); b) Ser ms estrecho; c) Ser ms ancho.

13. a) p: 0.5, n:77;b) Se necesitan ms estudiantes; c) Se necesitan ms estudiantes.
Seccin 7.16
1.
2.
3.
4.
(1.35;2.65), si tiene razn.

(4.033; 15.967). La afirmacin es cierta.
(-0.68;6.68), son los mismos.

(20
61.08;81.08). En cualquiera de las dos ciudades.
5. (-3.93; 2.10), son iguales.

6. (0.93;7. \, varianzas iguales.
7. a) (0.635; 3.267), son iguales; b) (3.86; 10.14), es mayor el de las mujeres.
8. (-0.0211; -0.1956). No son iguales.
9. (-0.0339; 0.0539). Si afecta igual.
10. (0.0325; 0.2075). Si es eficaz.
435
Captulo
Seccin 8.6
1.
a) H0:
2.
zotts: -1.825. a) A
3.
a) znb":2.123, se rechaza 11, s debe recalibrar Ia balanza; b)
p':167, Ht F> 167;b) zo,":2.366,
se rechaza.116.
a:0.05 se rechaza 10; b) A cr:0.01
no se rechaza
a:
-FIs.
3.4%.
: -3; el costo me<lio no es 3.

5. Zobs : -4'47, se rechaza fl6-
4'
zobs
6.
a) zob": -3.16, se rechaza Ho; b) 0.0008.
7.
zobs: -2.82. Con
9.
c:0.01 se rechaza Hs,ha descendido el nmero de clientes.

8. a) zoa": 2.38; con a : 0.01, ha cambiado la demanda; b) a : l.72To.
:0'1963.
10.
a) znu":4,|a afirmacin de Ia sociloga es falsa; b)
11.
a) zob": -3.65, se rechaza Ilo; b) Pot :0.7088.
72. a) 1{6: r :
18,
HI
Pot:0 -
F > 18; b) Rechazo Hs si t6t)s >
0.0b(10)
8485.
1.812;
c) toar:7.976,
rechazo
Ho.
b) fIs: p : 26, HI Ir I
13. a) Son estadsticos;
261'
c)
tobs
:1.46,
se rechaza Hs si t.6,
>
2.069;
d) La edad de las novias no es diferente de 26 aos.
14.
tobs
:3.378; cl periodo medio de espera es diferente
15' tobs:
-I'4785, no
se rechaza Ho.
16.
tobs:2.56, se rechaza H6.
77.
tobs
a ocho das.
l'278, no se rechaza Hs.
18. tobs: -2'8247, se rechaza f16.

19.
a) tou": -1.383; b)
a:0.1;
c)
r:12.65
s:0.973.
20. a) p. (10.65; 18.36); b) oo" :2,la ganancia si es menor que 18.5.

2I. a) Hs: o2 :15, H o2 > 15; b) Se rechaza Ho s y!"0" > Xfi.or : 42.98;
c) XZu":37.44, no
22.
XZa"
Hs. La varianza
es igual a 15.
37.44, no se rechaza Hs.
23. XZa":26.33.
24-
se rechaza
La mquina si garantiza la precisin.
XZu":31'97, se rechaza
-F16.
25. d) toar: -4.843, la media de la variable no es 51; b) XZu":16.84, la varianza es la uniclacl.

26. zr) .F16: p : 0.3, HI p < 0.3; b) Prueba unilateral; c) 2,,b" - -1.38, no se rechaza Hs.
proporcin es igual a 0.3.
Captulo 74. Respuestas
27.
a) H0:P:0.2,
28.
zotts: -2.0785, se rechaza
29. zrbs :
30. zobs :
31.
H7:pt0-2;b) cv:0.04;c) zot,":7.75, aun nivelde cv:0.05
se rcchaza Hs.
-1.
I.417, el medicamento B no es ms efectivo.

-0.84852, no se rechaza H0.
a) zor'":0.771,Ia afirmacin del proveedor es cierta; b) a:0.2386.
32. a) zou, -
1.16, a un nivel de
33.
a)
2.26, se rechaza
34.
a) zob": -1.854, Ia diferencia no es significativa, se debe solo al azar;b) 0.30554.
35.
a) zour: 3.0; b) Si es significativo alLVo; c) Las observaciones provienen de una ley binomial, son
obtenidas aleatoriamente y el tamao es lo suficientemente alto. Las hiptesis si se satisfacen.
de las penas; b)
zou"
0.05 no se puede decir que la mayora aprueba el endurecimiento
a:0.123.
llo; b) 0 :0.2655.
Seccin 8.10
1.
2.
3.
4.
Zobs:2.635; se rechaza fIs, las dos mquinas no envasan iguales cantidades.

Zobs
a)
zob"
-L.434, no se rechaza Hg.
-2.572, se rechaza f1o; b) 0.005.
: -0.82; Ia media de la Universidad Nacional no es menor que la de Ia Universidad Tcnica.

5. zobs : 3.677, se rechaza 116.
6. lroorl : 1.756; se acepta la igualdad de rendimientos acadmicos.
7. zobs :0.658' no existe evidencia.
8. zobs : 2.149, para a : 5To, se rechaza 116.
9. l"o,r"l : 4.205, se rechaza la igualdad. La norma si permiti el aumento del promedio de goles.
Zobs
10.
zobs:1.409, el consumo es similar.
11.
tobs
:3.735, si hay aumento
en el nivel de plomo.
12. tobs :2.588; se rechaza fls, si hay evidencia.

13.
tobs
:2.544. EI nmero de surcos de los mestizos
74. a) loa"l :2.II5,
es mayor que el de los aborgenes.
el medicamento B es ms efectivo; b) a
15'
16.
tobs:2.885, para a
17.
tobs:1.190. No se rechaza Hg, la diferencia no
18.
tc,bs:3.939, la concentracin a nivel del suelo es mayor.
0.025.
tobs:0.435. No hay diferencia.
0.01, se rechaza 11.

es mayor a
19. lorl:3.254; se rechaza 11s, si es ms lento en Ia noche.

20. tobs : 2.236; se rechaza -16.
un minuto.
437
21'
ltot,"l
22'
ltot'.rl:7'79, a nivei b 7o,Ios dos mtodos dan ig'ales resnltaclos.
23. tobs:
24.
25'
I.29, no existe diferencia significativa en los ni'eles de

colesterol.
-2.494, se rechaza /J6.
a) Fou,r:1.86, las varianzas si son iguales; b) Nivel de

significacin a :20To.
a) Fra" : 3'33, las varianzas no son iguales. La variabilidad
puede atribuirse a Ia mquina
26. a) Foa, :
2.074, Ias varianzas si son iguales; b) r"

temperaturas iguales.
27. a) Fo*:2.8,
las varianzas son diferentes; b)
28. a) Fou":2.945, se puede asumir
3.864, las dos estaciones no pronostican
tobs:4.44. Si es ms
efectivo.
varianzas iguales; b) oa":0.5g97, no se rechaza Hs.
29'
a) Hs: pr
30.
l"ou"l:7.275; no se rechaza Hs, ias tasas de desocupacin son
31'
^) l".u"l:2.041; no se rechaza Hs,los 2 canales tienen igual nivel de sintona; b) 0.0a1.

a) zob": l'l2g,las dos empresas entregan resultados similares;
b) a: 0.256.
32'
33.
34'
- p210; Ht pt -
1.
pz > 0; b) Zobs:3.193; c) para a
0.0b se rechaza rrs.
iguales.
rechaza 10; b) p: O.0IT4.

^) l""u"l a) Las proporciones muestrales se calculan a partir de dos
muestras
2.1I, se
seleccionadas de manera
aleatoria e independiente, de dos poblaciones binomiales,
cuyos tamaos son suficientemente
altos para que la distribucin muestral sea aproximadamente
norrnal; b) 116: pt pz < 0.2;
Ht: Pt - Pz )
z"u":
0'833; c) Para a : 0.05, el incremento en el hbito " !'f;
r.,irr-"" *
mayor que el20T0.
:2.619,
o.
Zobs
36.
zobs:1.368, la diferencia es menor que el
Captulo
se rechaza Hg.
18 %.
Seccin 9.3
1.
XZa":1,.654, no se rechaza Hs.
2'
XZu":0'776' a un nivel de significacin del r7o seacepta r{6. La moneda
3.
XZu"
4.
XZt
,:
.324, se rechaza fI6
es simtrica.
3.021, no se recha za Hs.
5'
") xZu"6):19.009, xZu"Q):16.238; b) La empresa T dio un mejor
6'
x1a":0.656' los clatos siguen
7'
a)
8'
XZa":2'699. Ei nirmero de hijos varones sigue una ley Bin(2,0.5).
9.
XZu": J.I9. El lrimero de hijas sigue una ley Bin(b,0.b).
xlu":
resultado.
ras probabilidades tericas.
12'346, se acepta -116. Los ntmeros si aparecen

uniformemente;
b) a:0.1945.
438
10' XZu":4' Se acePta f16.

11. i:L.027,
X?oar:5.506, no se rechazaqve el nrmero de goles sigue una ley P(7.027).
12. i:2.642, X?0":7.737, no se rechazaque el nmero de Ilamadas sigue una Iey P(2.642).
13. XZa" :17.88. La temperatura no est uniformemente distribuida.
74.
XZa":20257; no se acePta IIs.
15. l:
1/1000, XZa":14.53. La duracin no sigue la ley t(1/1000).
16'
XZu":4'9;
17.
XZa":5.6L4; con o
se acePta
I/e'
0.05, si hay asociacin.
18. XZu":122.33, no son independientes.

19. u) xZu,: I.528 b) x?"a": 1.528; c) No se rechaza IIs.
20' XZa": I'726; se acePta f/e.

27. u) xZa": 30.032, se rechaza Ilo; b) zobs:3.146, se reara FIs.
22'
23'
XZu": Ig'L2, se rechaza .[/s.
XZu":
4'876, se rechaza
24' b) xZa" :
25'
Ils'
l'L25; se acePta f/s'
XZu":35'031; se techaza Hs.
Seccin 9.6
1.
2.
a) pot'":0.1719; b) ?ra"
a) 2poa": 0.3438; b)
:12,
:42.5'
Tou"
No se rechaza H.
20.5. No se rechaza Hs.
3.
robs
4.
a) rou":9, no
5.
a) rour:5, no se rechaza Ilo; b) 2pob":0.388, no se rechaza Hs.
6.
Dobs:0.0268, no se rechaza Hs.
no se rechaza f/g.
se rechaza
7. a) Dou": 0.233, se acepta

8.
la aleatoriedad; b) 2pob":0.00028,
se rechaza
fIs.
Ho; b) 2pob":0.754.
a) rou":6, se acepta flo; b) Dobs:0.324, se acepta Ho;c) gou":1.907, no hay valores atpicos.
9. a)roa":5,seaceptaflo; b) Dob":0.147,seacepta Ho;c)Tobs:33,noserechazaIl;

d) goa" : L-767, no hay valores atpicos.
10. a)rou":4,norechazollo; b) Dob":0.1766,norechazo
11. u) ,otr:7,
Ho;c)Tobs:0.344,norechazo11.
no se rechaza lJo;
b) Dobs:0.287,
no se rechaza Hs;
6, no se rechaza 110;
b) Dobs:0.226,
no se rechaza Hg; c)
c) pot": 0.1938, no se rechaza
Ho.
12. a) rou":
Toa":
16, no se rechaza
,F16.
439
13. gobs :
77.264, si es un valor atpico.
14. r<I4lor)183.
15.
2pobr:0.289, los dos laboratorios entregan resultados iguales.
16. Prueba de los signos: 2pot":0.109, se acepta //6, Prueba de Wilcoxon:To,":6,'se

17. Uobs:73, se acepta la igualdad de niveles de contaminacin.
18.
rechaza Hs.
Uobs:11, se acepta la igualdad de velocidades.
19. Uobs:4J, los dos tipos de lmparas tienen la misma duracin.

20. a)roa":T,seaceptaIlo; b) Dobs:0.2444,
21.
seacepta Ho;c)Uobs:40,seaceptaIls.
a) Muestra X: ro6": 5, no se rechaza fIg, MuestraY: ro6":6, no se rechaza Hgl
b) Muestra X: 2po6, : L, Tob, : 4, to se rechaza fI, MuestraY: 2po6" : 0.754, Tobs :5, no
rechaza HO; c) Uob" :25.5, se rechaza Hs, la mediana de X es mayor que la de Y.
22. r" :
se
0.818, si estn correlacionadas.
23. rs:0.429, no hay asociacin.

24. r" : 0.864, se rechaza .F16.
25. a) Prueba de los signos: 2pob" : 0.344, Prueba de Wilcoxon: To6":
b) r" : 0.018, no estn correlacionadas.
Captulo
9, se acepta 11;
10
Seccin 10.9
1. 0 : 2.852 *3.704r,r : 0.948.

2. a) i:332.11* 0.65r; b) r : 0.993; c) tou": t6.895;
d) E(r) e (33e.63;344.09), f, e (335.e7fia7.75).
Fuente g.l. SC MC F
1 810.0 810.0 54.24 d) 12 :0.948.
3. a) 6 : -90.2, br :9; c) Regresin
Residual 3 44.8 14.933
Total 4 854.8
4. b) g : -7.489 -10.r44r; c) F," : 17.83; 12 :0.69; e) No.
Fuente s.l. S.C. M.C. F
Regresin
1 37.01 37.01 79.73
5. a) Cantidad :18.976 +7.27I Tiempo; b)
Residual 4 1.857 0.464
Total corregido
38.686
c) 0o < (15.50;22.45), B1 e (5.01;9.53).
(-3.55;11.258
tobs:2.667; d) t(12) (0.06; L9.77);
e)
e (-0.021;1.031); c) 12 :
0.64,
Captulo
440
7
8.
b
f) aa
a) G
b)
c)
S, Fobs
74. Respuesas
d)
29.87;
12
.) E(azz) e (88.09;110.43);
74.57;
43).
5.245 + 2.746 Prstamos; b) S,
Fuente g.l. S. C. C. M. F
Regresin 1 1735.53 1735.52 41.33
R,esidual 6 25I.97 4I.996
c)
0.BBB, tobs
r:
0.934;
d) i(123)
38.70, a023) e (29.54:47.89).
Total
7 1987.50
9. a) A : 70.87 + 35.75r, r : 0.735;
r
: II.47 - I.07r, r : -0.848;

F
MC
.Fue.-+te.. .S.1, - *SC
Regresin 1 156 965.6 156 965.6 32.63
Residual 8 38 478.9 4809.9
-0.896; d)
Total
e) o
795 444.5
(366.7;551.5), Bt e (-487.35;-20.54); r) e(y) e (21e.0e;320.25).
10. b) b0:4.799, br:0.595; c) (44.53;69.73); d)
11.
a)
0:
+ 0.5r;
b)
(30.09; 8a.I7); e)
Fuente g.l. S. C. C. M.
400 400
Regresin 1
Residual 18 432 24
Total 19 832
F
16.66
Fuente g. L
a) g
115.25
8.02r; b) 12 : 0.946; c)
13. a) En los dos casos se rechaza I/o; b)
Regresin
F
C. M.
229867 229867.0 176
Total
11
242928
Residual 10
Fuente de
e-2+3r, r2
13
061
1306.1
Fuente g.l. SC MC
3.210 3.210
Residual 10 0.439 0.044
73.2I
1 240 240
7 I40 20
8 380
15.
16.
a) :6.66g7o.oso7;b) 0:0.0799
17.
al :3.0348
18.
u) 0 :15u 1'0588' b)
19.
b)
2L.
C.
11
c) 12
3.649
variacin g.l. SC MC F
Regresin
Residual
Total
14. a)
S.
Regresin 1
Total
20.
r :0.569, r2 :0.323.
E(yoo) e (32.36; 37.64), yao e (24.38;45.63).
")
12.
c) a:459.12-34.45r,
12
b)
Se rechaza Hs.
L.
- "jou,
t:
Lt)12
0'0-136.
I r]:0.834, r?:0.gro.
:0.9614.
-12 + 20.8r; c)
rl:0.881, ri :
0.938.
: 0.5113, :0.27473; c) EI modelo es adecuado pues 12 :0.916.

b) y: exp(4.0657+ 0.1983r); c) 12 :0.984; d) 0:258; e) La prediccin no es buena.
ln ? : -7.5I3 -F 1.5 ln r o T2 : 2.9805 x 10-713.
b0
0.88.
44L
'22.
" : ------:--:-----
2:1.
b)
'll
0.0852 -F 0.0375:r:
-.
t'2
:0.973.
-49857*36357r; c) r'2 :0.811;(t)
0:
Captulo
t:
27559:r;e)
y:
cxlr(9.83f 0.:3352); f)
t:2
:0.901.
11
Seccin 11.9
: 742t4
+
* Urr, b) X'X :
TS TSr,
d) R' : 0.2396, RZ:0.0875.
XY:
a) A
/ zs:z+'
2.
3.
4.
a)
a)
b: I z+.szz I'ul a:202.8;c)

b:{
60.218
-+o.tz
4.587
R2
0.920, RZ
Fuente
I. SC MC F
24.22 I2.I 3.42
Residual 3 10.62 3.5
Total 5 34.84
r.sz f;u) fi'?:o.6eb;

)
a)
/
b: (
\
\
0.607 I
-7.6e0
o.oso I po. (8.a7;8.09), B, e (0.0J2;0.r47),B, e (-0.3t;r.245);h) Ir2 :0.961,

d)
c)
{ f
:92.074
- 0.576L r
f)
e. l
SC
MC
13.521
0.739
14.260
6.76
0.246
27.438
Error
Total
8.
d)
i :
14.
186-
d) fi2 :0.634.
tobs,t
2.0
se acepta Ho,
0.07a);
anivelsTo.
0.r2A; b) 16.33; c) R2 :0.948, RZ:0.9r4;
Fuente
a) totr,o - 5.05,
c)
14.23,E(yr) e (1L44;L7.02),
RZ:0.76t, s2:303.99; c) (-0.055;
Fot":8.945,
Regresin
7.
0:
e (8.4;20.02).
d) Solo el tamao familiar; e) 3.5;
9.
se acepta 116;
En los 3 casos se acepta.Fls.
a) G:1.083+0.011+ 10.749F; R2:0.856,
d)
g.
Regresin 2
c)
0: -L.562, tt:1.447, z:1.085.
RZ:0.92I;
6.
:0.866.
d)
ye
( i, ); c) s2:0 602;
:2.54, to6r,2:2.67,
4Ir 1 -0.53121 b)
Fot
"
-125.56 - 4.71u i 0.046u2; b) R'

gl
Fuente
SC
MC
Rcgresin
43396.4
21695.2
Error
iJ
2391.1
478.2
f,'t:rl ' : t {..ri17.5
tor",3
e) Mejor modelo: T :32.337
- 0.529L.
6.918; c)
0.948;
F
45.37
0.90, tobs,4:1.11; b)
0@i
0t e (-2.968; -L.t74),
B2
12.917.
e (-1.654; 0.59a);
442
10.
Captulo 74.
f :
a) N'loclelo cuadrtico; b)
Re.spuesas
24.14-'2.l0Al *0.2L1\4; c) Fnu":9.93;
s:
cl)
/,6.,rr"
i1.
a)
Tiempo: 10.55 -2.02 Cant. +0.199(Cant.)2;b)
12.
a) Concentr:103.79
18.63,
Lt,ob"
-4.46,
4.'.J2.
:5.87; c) R2 :0.853,
R.,2,:0.794.
- 8.29 Temp. f 0.50(Temp.)2;

de
-Fuente
-".-''.,*SC MC F
e. l.
varlaclon
Regresin 2 257I.25 7285.62 40.49
Residual 5 158.75 31.75
Total 7 2730.00
b)
c) Si, modelo final: Concentr
13.
L.,,,t
:4I.334+
0.236(Te-p.)2.
Sexo: 1 si es hombre; 0 si es mujer. a) Sueldo : 7.997 + I.147 Experiencia *1.748 Sexo;

b) F"" : 9.8; c) to,ou" - 4.48, tt,ob" : 3.64, t2,o6" : 1.61; d) Puede decirse que no existe
discriminacin.
t4.
15.
1si
Sexo: 0 si es hombre;
F\rente
s. l.
SC
Regresin
1.826
Error
Total
0.409
2.235
Veneno:
es
mujer. { A:4.63+0.911Sexo-0.223Aio; b) ,R2:0.817

MC
F
0.913
0.082
c)
o,o"
17.90, tt,ob"
4.4L, t2,or"
-2.58.
A:0, B:1. a) Sup:5.226+0.556 Edad-I.971Ven; b) Fobs:6.55, R2:0.652;
c) to,ut": 6.33, tr,ob":1.88,
Captulo
11.15
2.o6"
-3.26; d) Sup: 6.56
1.86 Ven.
L2
Seccin 12.5
: 31, ECM : 186.9; d r: 30.2, ECM : 19b.b; d) , :297, ECM :279;

lr; : 33.7, ECM :2gg; f) ?t : 34.5, ECM :280.2;
")
e) z: 18.7, , : 42.8, ?1s :55, ?zo :23.g, ECM : 126.3.
2. b) ?zu : 57.5, ECM : 172.5; ?zs: 56.8, ECM :153.7; ) ?ru: 47, ECM :253.1;
59.7, ECM :243.7; il ?rt :57.4, ECM :224;
") %s e) ?2s:75,r, ?ru:54.6, ?27: 50.0, ?rr:71.9, ECM : 124.3.
3. b) ?tu - ll7, ECM : L32.7; ") ?rc - I27, ECM : 63.7; ) ?ro : 116.2, ECM -- t43.7;
?ro : 118..2, ECM : 39.8; f) ?tu : t26.6, EcM : 83.8;
")
s) ?ro :125.0, ?rr:L27.5, r: 133'4, ECM: 157.5.
1.
u) ?tt
Captulo
13
Seccin 13.3
1.
a)
b)
121.
(81.23; 87.r7),
r (32 493; 34 867);
443
').
a)
3.
a) (326 523;361 757); tt) 24.
4.
a) (83 48:85.32); b) 10i.
5.
6.
a) @.34;4.66); b) 89; c) (6301;6920).
7.
a) r e (115.aa;134.56),
B.
a) (0.251;0.410); b) 153; c)
a) (0.238;0.370); b) (i.) 400, (ii.)
10.
a) (0.2a;0.36); b) 7684; c) 8160.
(73J 153;777
017); l>) t9')
a) 73; b) 196; c) @7.a8,48.52).
r e (32323;37 677); b) 110.

1,64.
461.
11. a) (0.272;0.408); b) 1228; c) t779.

12.
a) 113; b) 50; c) 351; d)
351.
Seccin 13.5
e (2558 604;2587396); b) p e @26.a3 43t.23).
1.
a)
2.
a) (69.4a;72.11); b) (8126172;8438556); c)
e) n1
10,
rr1
TL2:7t:
31; d) n1
B,
n2:23, ns:45;
n2:24, nz:4I.
a) p e (102.61;104.48),
r e (492512;501488);
b)
nz:79.
4.
a) (608289;617601); b) nt
n : 101.
5.
a)
(L632.79; 1868.75);
b)
n2
n3
65; c)
nt :70, n2:65; d) n1 :
n3:
nt: n2:
79; c) n1
93, n2
(1061313; 1 21a687); c) n1
n2
42,
n3
70, n2
41,
25 d) n1 : 9, n2
L3,
86; d)
nt
J3,
ns:34.
6.
(725.29;763.38), r (768812;809188); b) No; c)

: 93; e) n1 : I90, n2 - l2l, ns : I07.
a) p
nz
154, ns
7.
(0.34e;0.455).
8.
a) (0.4209; 0.5173); b) no; c) n1
9.
(30.e8 %;3e.08%).
10.
a) (0.5705;0.6823); b) n1
nZ:502, 7:':302.
nz
I45
cl) n1
I48, n2
: n2: ?r3: 378; c) n1 -
I57, n2
n2
rL3:149; d)
I42; e) ny
469,
L47, n2
nt:
I82,
I43.
nz:352; d) n1 :
173,
.48%,;31.19%);t>) 6292; c) 5972; d) 5976.
11.
a)
72.
a) pe (0.5a 7;0.6969); b) pe
e) z1 : 86, n2: 38, ns : 51.
(21
u:
(5972;6202);c)ny:rL2:ttr:58; d) nt:84,n2:35,ns:56;
444
Seccin 13.7
1. rr) r @756a6;a8$54); b) p (3.171;3.229).

2. a) r (889 546; III9228), p e (277.98;349.76); b) 28.
3. a) (7.31;11.64); b) 98 clases.
4. p e (0.1;0.3).
5. a) (0.2831;0.3733); b) 25.
6. a) (0.0677; 0.2448); b) (115; aI6); c) 79.
7. a) p, e (45.56; 85.12); b) pg e (20.32;37.L2); c) p (35.38; 106.89); d) p e (0.0272;0.2228);
e)
no:26, n6:25, nc:
29.
El tamao ptimo
es de 29 familias.
Ta blas Estad sticas

1.
Probabilidad acumulada de la ley de distribucin normal estndar.
2.
Probabilidad acumulada de 1 - AQ) para la ley de distribucin normal estndar.
3.
4.
Puntos porcentuales de la ley de distribucin de Student.
5.
Puntos porcentuales de la distribucin del nmero de rachas.
6.
Puntos porcentuales de la ley de distribucin F.
Puntos porcentuales de la ley de distribucin X2.
.
.
.
.
Nivel a
:0.1.
:
Nivel a :
Nivel a :
Nivel a
0.05.
0.025.
0.01.
7.
Puntos porcentuales de la distribucin de los rangos signados de Wilcoxon.
8.
Puntos porcentuales de la distribucin de la prueba de Kolmogorov-Smirnov.
9.
Puntos porcentuales de Ia distribucin de la prueba de Grubbs.
10.
Puntos porcentuales de la distribucin del coeficiente de correlacin de Spearman.
11.
Puntos porcentuales de Ia distribucin de la prueba de Mann-Whitney.
445
446
Tablas Estadsticas
Tabla 1. Probabilidad acumulada de -crc a

para la distribucin normal estndar
.00
.01
.02
.03
.04
.05
.06
.01
.08
.09
-3.5
0.0002
0.0003
0.0005
0.0007
0.0010
0.0002
0.0003
0.000s
0.0007
0.0009
0.0002
0.0003
0.0005
0.0006
0.0002
0.0003
0.0004
0.0006
0.0009
0.0002
0.0003
0.0004
0.0006
0.0002
0.0003
0.0004
0.0006
0.0008
0.0002
0.0003
0.0004
0.0006
0.0008
0.0002
0.0003
0.0004
0.0002
0.0002
0.0003
0.000s
0.0002
0.0003
0.0004
0.0005
0.0008
0.0007
0.0007
0.0013
0.0019
0.0013
_to
0.0013
0.0018
0.00r1
0.0026
_7',l
0.0035
0.0047
0.0025
0.0034
0.0033
0.0044
0.0012
0.0016
0.0023
0.0031
0.0011
0.0016
-2.8
0.0012
0.0017
0.0023
0.0032
0.0043
0.004r
0.0030
0.0040
0.0011
0.0015
0.0021
0.0028
0.0038
0.0010
0.0014
0.0020
0.0027
0.0037
0.0010
0.0014
0.0019
0.0026
0.0036
0.00s2
0.0069
0.0091
0.0119
0.0154
0.0051
0.0068
0.0089
0.0049
0.0066
0.0087
0.0113
0.0146
0.0048
0.0064
0.0084
0.0110
0.0143
0.0192
0.0244
0.0188
0.0183
0.0239
0.0307
0.0301
0.0233
0.0294
0.0384
0.037s
0.0367
0.049s
0.0197
0.0250
0.0314
0.0392
0.0485
0.047s
0.0465
0.04ss
0.0582
0.0708
0.0853
0.057r
0.0694
0.0559
0.0681
0.0823
-3.4
-3.3
-3.2
-3.1
-3.0
-2.6
_t<
0.00r8
0.004s
0.0009
0.0024
0.0008
0.0022
0.001s
0.0021
0.0029
0.0039
0.0060
0.0080
0.0104
0.0136
0.00s9
0.0057
0.00ss
0.0054
0.0078
0.0102
0.007s
0.0132
0.0099
0.0129
0.0073
0.0096
0.0125
0.007r
-2.2
0.0062
0.0082
0.0107
0.0139
-2.1
0.0179
0.0174
0.0170
0.0r66
0.0162
-2.0
-1.9
-1.8
0.0228
0.0222
0.0217
0.0212
0.0207
0.0287
0.0359
0.0281
0.0351
0.0274
0.0344
0.0268
0.0336
0.0262
-1.7
-1.6
0.0446
0.0s48
0.0436
0.0s37
0.0427
0.0526
0.0418
0.0516
0.0329
0.0409
0.0505
-1.5
0.0668
0.0808
0.0968
0.1151
0.06s5
0.0643
0.0630
0.0618
0.0606
0.0594
0.0793
0.0951
0.1131
0.0778
0.0764
0.0749
0.073s
0.0721
0.0934
0.0918
0.1093
0.0901
0.1075
0.0885
0.tttz
0.10s6
0.0869
0.1038
0.13s7
0.133s
0.t314
0.1292
0.1271
0.1251
0.1s87
0.1562
0.1s39
0.1515
0.1841
0.1814
0.1762
0.2119
0.2420
0.2090
-0.7
0.2389
0.1788
0.2061
0.2358
0.1492
0.1736
-0.6
0.2743
0.2709
0.2676
0.2643
-0.5
0.308s
0.3446
0.3050
0.3409
0.3783
0.4168
0.301s
0.3372
0.374s
0.4129
0.4522
0.4920
0.2981
0.3336
0.3707
0.4090
-2.4
-2.3
-1.4
-1.3
-1.2
-1.1
-1.0
-0.9
-0.8
-0.4
-0.3
-0.2
-0.1
-0.0
0.3821
0.4207
0.4602
0.5000
0.4s62
0.4960
0.2033
0.2327
0.0094
0.0122
0.01s8
0.0202
0.02s6
0.0322
0.0401
0.0r16
0.0rs0
0.000s
0.r020
0.0838
0.1003
0.1230
0.1210
0.1190
0.1170
0.1469
0.1446
0.1423
0.t7tt
0.1685
0.1660
0.1379
0.1611
0.2005
0.1977
0.2296
0.2611
0.2266
0.2578
0.1949
0.2236
0.2546
0.1922
0.2206
0.2s14
0.1401
0.1635
0.1894
0.2177
0.2946
0.2912
0.3264
0.3632
0.2877
0.2843
0.3192
0.35s7
0.3300
0.3669
0.4013
0.4483
0.40s2
0.4443
0.4880
0.4840
0.4801
0.4404
0.3228
0.3s94
0.3974
0.4364
0.4761
0.2483
0.098s
0.r867
0.2148
0.24s1
0.3936
0.2810
0.3156
0.3520
0.3897
0.2776
0.4325
0.4286
0.3483
0.3859
0.4247
0.4721
0.4681
0.4641
0.3121
447
Tabla 1. Probabilidad acumulada de -oo a z

para la distritucin norrnal estndar(continuacin)
.00
.01
.02
.03
.04
.05
.06
0.0
0.5040
0.5438
0.s832
0.s160
0.5199
0.s517
0.5557
0.s596
0.5910
0.s948
0.3
0.6179
0.6554
0.6628
0.6293
0.6664
0.6331
0.6700
0.5987
0.6368
0.5239
0.s636
0.6026
0.6406
0.4
0.5
0.6217
0.6591
0.5080
0.5478
0.5871
0.6255
0.5120
4.2
0.5000
0.5398
0.5793
0.6736
0.691s
0.69s0
0.6985
0.7019
0.70s4
0.6
0.7
0.8
0.9
0.7257
0.7580
0.7291
0.7611
0.7324
0.7s57
0.7673
0.7881
1.0
0.8413
0.7910
0.8186
0.8438
1.1
0.8643
0.8849
0.9032
0.1
1.2
1.3
74
0.8159
.08
.09
0.s319
0.5714
0.s3s9
0.6141
0.6443
0.6103
0.6480
0.6772
0.6808
0.6844
0.7088
0.7123
0.715'l
0.7190
0.6517
0.6879
0.7224
0.7389
0.7704
0.7422
0.74s4
0.7486
0.7'734
o-7764
0.7549
0.7852
0.7967
0.8238
0.799s
0.8264
0.8023
0.8106
0.8289
0.8051
0.8315
0.8461
0.848s
0.8508
0.8531
0.85s4
0.7794
0.8078
0.8340
0.8577
0.7s17
0.7823
0.8133
0.8389
0.8621
0.8686
0.8888
0.9066
0.9222
0.9357
0.8708
0.8907
0.9082
0.8729
0.8770
0.9236
0.9251
0.9370
0.9382
0.8749
0.8944
0.911s
0.9265
0.9394
0"9463
0.9s64
0.9649
0.9719
0.9778
0.9474
0.9484
0.9s82
0.949s
0.9573
0.96s6
0.9726
0.9664
0.9732
0.9671
0.9738
0.9505
0.9599
0.9678
0.9744
0.9783
0.9788
0.9793
0.9798
0.9830
0.9868
0.9898
0.9834
0.9871
0.9901
{1.9842
0.9922
0.9941
0.992s
0.9943
0.9838
0.9875
0.9904
0.9927
0.99s7
0.9959
0.9969
0.9992
0.9994
0.866s
0.8869
0.9049
0.9207
0.'t642
0.7939
0.8212
1.5
0.9192
0.9332
1.6
0.9452
1.7
0.9554
1.8
7.9
0.9641
0.9713
2.0
0.9772
2.1
0.9821
0.9861
0.9893
0.9918
0.9938
0.9826
0.9864
0.9896
0.9920
0.9953
0.9956
0.9967
0.9981
0.9987
0.995s
0.9966
0.9975
0.9982
0.9987
0.9982
0.9987
0.9968
0.9977
0.9983
0.9988
0.9990
0.9993
0.9991
0.9993
0.9991
0.9991
0.9994
0.999s
0.9997
0.9998
0.9995
0.9997
0.9995
0.9997
0.9994
4.9996
0.9998
0.9998
2.2
2.3
2.4
1<
2.6
,, ,|
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
0.996s
0.9974
.0't
0.s279
0.934s
0.9940
0.9976
0.8925
0.9099
0.9591
0.9945
0.9977
0.9984
0.9988
0.9996
0.9997
0.9997
0.9998
0.9998
0.9878
0.9906
0.9929
0.9946
0.5675
0.6064
0.836s
0.8s99
0.8962
0.9131
0.8790
0.8980
0.9147
0.9279
0.9292
0.9406
0.9418
0.9162
0.9306
0.9429
0.9s15
0.9525
0.9535
0.9608
0.9686
0.9750
0.9803
0.9616
0.9625
0.9545
0.9633
0.9693
0.9699
0.9706
0.97s6
0.9761
0.9808
0.9812
0.9767
0.9817
0.9846
0.9881
0.9909
0.9850
0.9884
0.9911
0.9854
0.9887
0.9931
0.9932
0.9949
0.9948
0.9960
0.9970
0.9978
0.9984
0.9989
0.9961
0.9992
0.9994
0.9996
0.9997
0.9998
0.9992
0.9994
0.9971
0.9979
0.9985
0.9989
0.9996
0.9991
0.9998
0.9962
0.9972
0.9979
0.998s
0.9989
0.9992
0.9995
0.9996
0.9997
0.9998
0.8810
0.8997
0.5753
0.8830
0.9015
0.9177
0.9319
0.9441
0.99r3
0.9934
0.9857
0.9890
0.9916
0.9936
0.9951
0.99s2
0.9963
0.9964
0.9974
0.9973
0.9980
0.9986
0.9990
0.9981
0.9993
0.9995
0.9993
0.9996
0.9997
0.9998
0.9986
0.9990
0.999s
0.9997
0.9998
0.9998
00.0"0
r000"CI
f,BSO'0
gB$B'S
It
TOBB'B
r00'0
i0$0'0
i000"0
t00's
[000'0
f,080-0
itsBB'$
r-fl0'0
F00$'s
t-s00"0
b-0^s
90'0.0'0
f&80'0
00'0
f$8'0
900'0
9SSS"0
s000'0
90s0.0
B*"0
f0$s'0 y'
s0010 IL
000"0 rE
-"'fl00'0
6CI0CI'0
60$0"s
60ts"0
0{0"0
f00'0
t&08'0
s$0fl'B
F000'0
ss00'0
s8s8'8
ss0g's
900s'0
ESfl0'fl
F$0'B
90o'$
n00'0
ES0'0
8S0B'S
8000'0
800"$
!=008"0
1"r-
iI00'fl lTtl8"0 g{00'0 t-98'8 r-I&8',0 s'LFT0' FTB$"$ sI0fl'0 sI0'0

9I00' ir0"s 8r0'0 sraS' 6I08"0 6.
6r00' fl',ffs'8 r09'* Ttsg'0 ttfl's r-i00"0 r-ts0 il Fi00"0 s[88'0 9i0B'0 fL
9t00'n t00'0 8r00'B 6ilS0'8 sr-0'B If0s'fl r-00R sgo0'0 rt-Ee'0 st-98'0
9[08'0 l[80's sL-ff0'B 6f0$'s sFo{l"B If 00'fl r-F00'0 f t00'0 EFB'O F00'0 9"
0T0B'0
0T00'0
1r0s'8
1TOfl'
rr0s"8
9rss's
sf 00'0
6F80'S
IEOE'O
+S0'0
gil0'B
590"0
s0s'0
6t 0 0'0
09sB'CI
9988"0
i.qBB'0
s900'8
6900'0
T6S8'0
rtfl0'g
f00'0
9i&0'0
BE$F1O
9600'0
6608"fl
8i00'0
0r0'0
[908'S
rgB0's
_L-'t
F900'0
rsTB'0
i0T0'0
tr.
-r-T0"tl
I r-10"s
F{B'D
6EIS'tl
ISB'O
6S0B'
0TI0's
T-T T
B'O
9II0'0
I0'
''6S'S
irfl'0
6rTS'0
;gTCI.O
r-tI['
9FTg'0
s1$'8
F918'g
EIfl'$
sIs'$
99r"
0f.I0"s
t8T0'0
8SIfl'B
i6I0'0
iflr0"0
6rs'0
}FC'B
6rfl'8
BSifl'o
isi0'
filo'0
95E'S
90"0
6r0'0
Tt-
LL'
F6t'B
TBr-0'0
r0t0'0 FIO'8
;Ir-$'
r-0'cr
9t0'0
gif0"0
f8Lfl.B
6ts'0
r0?0'0
6f0"0
[{i0'fl iIi0'0 crrU U 8ii' 0'r

il0"0 TStF'0 i8i0's 1
f f r-0'0 I9t0'CI 6Sr8'CI *'r
9Er-0"0
BIFOÔ
[rCI'I 9gFD^ 9trF8"0 I-I
!EF'O
S9F'
9F'0
ESt'0
96f fl.0
-cfl9fl'0
9rsCI'$
6950'D
T890'S
iggB'B
rt'0 s9fl'B
*T90'0
CI99
s00'B
EO'O
sr-fl 0
6f;0'0
t-t80"0
TigB,O
F690'0
8r-88'0
r--c8s'B
980'E
O'O
!8fl'0
I]BBT"g
OTEI'B
8r:SI'&
s88fl'+
9SSr'0
r'0
&6{t'
0Tlr'$
0t-i,r.I'0
6b-I"0
1BFI'0
giFl'(}
ITFT'O
grl9I'0
rssr.0
siTi'$
TSf ['0
F68t'
099r's
;iE.B
-l-,-
90[t'B
t-8h'
FIgf,'B
9ii'0
8r8t'0
r-F8r'S
TTIg'O
[8Fr-'8
0T
89iG'0
9iE0'0
Lr-ECI'0
8rE0'8
E'90"0
s59B"S
s99S"
F90'0
8ii0"0
r-6B'S
8088"0
t"{
8t0'0
1.960"0
TE681S
s9s'
&L
EOT"O
r"dT'fl
[T IT'O
T9II'O
7'T
TSTT'B
Ii;I'S
i6rT"$
FTI-T'O
IgET"S
sgr-T'0
sr-T'0
T"T
9tF{'0
69FilS
r6FT'0
sn9z'0
tgr"0
egsT'0
i85r"0 0'{
E39r'0
6F6{'S
IIT-8
6r'
917tr'0
8rT"0
rlst'0 I'gT'
6'S
sfl0i"0
t9r's
btn'0
T9i'0
69r"CI
6ETt'$
8'B
9ft['0 99t['0
gtgrg 8Ei'S
96'r'.['S
f,rrf,'0
8E$iT
68r-9"
0f'9"
ET9['0
t-'9E"0
919f,'CI
68tt'0
f,ti'CI
9'
i8'0
t6r'B
9t6i's
sr0f'0
sE$r-'0
s80r-'0
s'B
9gTt'0
6rt'0 8t;t'0 F9trg
0[-9"0
n86R
9gEg'o
60Fr-'0
9Frr-'0
f.s
0i:l,f'
t 99f'8
rsD'
r-"0
9fl.-"$
LL
9"1
fr651-"g
it-9b-"
699r-'0
t-8b-10
r[8s'g
g"s
f'8 6iTf'0 tgTF.

r*}ti'0 r-stt"0 gF'0 [95F'
0tst'0 0889' 06''0 096r'0
t0'
t'8"
i0'
tB'
0f,.'r0
r0
i09f
"0
{'0
00Bg'0
o'0
08'
6!'8S'
689'0
9S6!"8
itt'B
f6g
gIF'$
98ti' ssi'B
19r?'B
F0Ft's
rr9F"g
rs9F'0
rtt-B
T9i'0
60'
s0
0'
9S'
IOBI'B
90'
iE0t'0
'Jtrpue+sa IEurJou ugrrnqrrlsrp e e"red
?)O
1 e.red
epelnurnc pprlrqeqord 'Z BIqBJ

serr+slPefsg selqeJ
8W
{4v
Tabla 3. Puntos porcentuales de la distribucin -Student
Nivel de probabilidad (o)
0.4
I
1
0.32s
0.289
0.271
0.271
0.267
0.3
0.2
0.1 0.0s 0.02s 0.01
L3'.76
0.r
1.963
3.078
6.314
0.721
0.617
0.584
1.06 t
1.386
r.886
0.978
1.638
0.569
0.s59
0.941
0.920
1.250
l .190
1.156
1.4'76
0.s53
0.906
0.896
1.134
19
1.440
1.415
0.265
0.263
0.262
0.889
l.108
0.261
0.883
10
0.260
0.s43
0.542
1'l
0.260
t2
l3
t4
0.259
0.2s9
0.540
0.539
15
16
77
0.549
0.546
1.533
2.920
2.3s3
2.132
2.01s
3.182
2.776
2.57
3.707 4.3t7
3.499 4.029
3.355 3.ti-l.l
3.2s0 3.690
3.r69 3.581
r.895
r.860
2.36s
1.397
.100
1.383
1.833
2.262
3.143
2.998
2.896
2.821
0.879
1.093
1.372
1.812
2.228
2.764
0.876
0.873
1.088
r.363
1.796
1.083
1.356
1.182
2.201
2.179
2.t60
1.341
.761
1.753
2.145
2.131
2.718
2.681
2.650
2.624
2.t20
2.t10
L350
1.77
1.345
0.870
0.258
0.258
0.537
0.536
0.868
0.258
0.251
0.251
0.251
0.257
0.535
0.865
0.863
I .071
1.337
1.146
1.069
L333
1.740
0.534
0.533
0.s33
0.862
ll067
.330
1,734
0.861
0.860
1.066
ll328
1.729
1.064
1.325
0.257
0.256
0.256
0.256
0.256
0.532
0.532
0.859
0.858
1.063
r.06r
0.532
0.85 8
0.531
0.866
1.079
1.076
1.014
2.306
2.602
2.583
2.567
2.5s2
5.841
4.604
4.032
14.08c)
7.45 r
3.106
3.055
3.012
2.977
2.941
2.921
2.898
2.878
2.861
2.84s
t.t25
2.101
2.093
2.086
2.539
2.528
1.323
1.721
2.080
2.518
t.321
1.7t7
2.508
2.831
2.819
1.060
r.3r9
2.500
2.80'7
0.857
1.059
1.3t8
1.114
1.71I
0.53 r
0.8s6
1.0s8
1.316
1.708
2.014
2.069
2.064
2.060
0.2s6
0.531
0.856
1.058
1.315
1.706
0.531
0.85s
0.855
0.854
0.854
1.051
1.0s6
1.314
1.703
1.313
I .701
I .055
l.3l
|.699
1.055
I.310
L697
2.056
2.052
2.048
2.045
2.042
2.479
0.256
0.256
0.256
0.256
2.473
2.467
2.462
2.457
2.779
2.711
2.763
2.756
2.750
0.529
0.529
0.852
1.052
1.306
r.690
2.724
1.303
1.684
2.423
1.30
1.619
1.299
1.616
0.254
0.850
0.849
0.848
L047
60
0.528
0.528
0.527
1.050
1.049
1.045
1.296
.611
2.030
2.021
2.014
2.009
2.000
2.438
0.85 r
50
0.255
0.255
0.255
0.255
2.704
2.690
2.678
2.660
70
0.254
0.254
0.254
0.254
0.615
0.521
0.526
0.526
0.526
0.847
0.846
0.846
0.845
0.615
1.044
1.294
1.667
t.994
t.043
1.292
1.042
1.29t
]l042
1.290
1.282
t.664
t.662
t.660
1.990
1.987
1.984
2.381
2.374
2.368
2.364
t.645
1.960
2.327
18
t9
20
21
))
23
24
t<
26
aa
28
29
30
35
40
45
80
90
100
oo
0.530
0.530
0.530
0.525
1.037
.32t
9.925
2.447
l.l
0.002
12',7
6.965
4.54t
3.141
3.365
1.943
0.53 8
0.s34
12.706
4.303
0.005
31.821 63.656
2.492
2.485
2.4t2
2,403
2.390
2.197
2.787
2.648
2.639
2.632
2.626
2.576
5.59R
4.1i)
3.497
3.428
3.372
3.326
3.286
3.252
3.222
3.19i
3.17 4
3.153
3.1 3-i
3.1l9
3.104
3.091
3.078
3.061
3.051
3.041
3.038
3.030
2.996
2.971
2.952
2.937
2.915
2.899
2.881
2.878
2.871
2.808
450
Tablas Estadsticas
Tabla 4. Puntos porcerrtuales cle ir clistlil-ucin.ii-cuadrado
0.995 0.99 0.975 0.95 0925 0.9 0.1 0.07s 0.05 0.025 0.01
I
2
3
4
5
6
7
I
9
10
lt
12
l3
t1
l5
t6
l7
l8
l9
20
2l
22
0.00
0.01
0.01
0.21
0.41
0.68
0.99
.34
1.13
2.16
1
2.60
3.07
3.57
4.07
4.60
0.02
0. r
0.30
0.55
0.87
1.21
1.65
2.09
2.56
3.05
3.5'7
4.t'l
4.66
5.23
3.82
4.40
5.01
5.63
6.26
5.12
5.82
6.s2
1.24
.91
5.58
6.30
.28 18.29 19.68

18.55 I 9.60 21.03
19.81 20.90 22.36
21.06 22.t8 23.68
22.31 23.45 25.00
29
13
30
13.19 14.95
l6
l.8l
IL
17
18.51
16
0.41
0.90
s.23
5.89
6.57
1.26
8.7
9.45
43.28
51.17
45.44
s3.54
90
59
61 .7 5
r00
.20
6t.33
120
83.8s
70.06
86.92
4.61
6.25
1.18
9.24
t.04
7.79
8.55
l6.8
13.36
14.21
t4.68
15.63
15.99
16 97
24.72
24.',71 25.97
I I .59
29.62
30.92
t2.34
14.04
30.8I
13.09
12.50
13.28
14.06
13.24
10.98
14.85
13.85
r4.85
15.66
t4.61
15.64
16.47
32.01
33.20
34.38
32.14
33.36
34.57
35.78
16,44
11.29
15.31
16.93
11.24
1 8.05
t]
8.85
18.94
19.11
16.79
.11
I 8 49
35.56
36.14
31.92
39.09
19.66
20.60
40.26
20.s7
22.47
23.16
24.80 46.06
29.05 5 I .81
33.35 51.51
37.69 63.17
46.46 14.40
5.3
|8.tI
48.16
5t.14
s].15
60.39
53.15 55.33
62.s1 64.28
65.65
14.22
91.51
69.13
'/
71.93
95.10
80.41 82.36 118.50
t.46
13.29
98.46 100.62
18.48
20.09
21.61
r0.28
16.ls
t2.84
13.28
14.45
12.44
13.84
I1.34
.t4
11
I6.01
23.54
9.31
10.09
7.38
9.35
12.59
14.01
.41
5.5
85.53
96.58
101 .57
140.23
27 22
28.46
29.69
11 .53
16.92 19.02
18.31 20.48
5.09
23.2t
2t.92 24.73
23.34
24.74
26.12
21.49
26.22
21.69
29.14
30.58
4.86
r 6.7_s
18.55
20.28
21.95
23.59
25.19
26.16
28.30
29.82
31.32
32.80
26.30 28.85 32.00 34.21

21.59 30.19 33.41 35.12
28.87 3 t .53 34.81 31 .16
30.14 32.8s 36.19 38.s8
31 .41 34.t1 31.57 40.00
32.61 35.48
33.92 36.18
35.11 3 8.08
36.42 39.36
37.65 40.6s
36.98
38.89
38.t
40.1
0.0c5
6.63 7.88
9 2t 10.60
.02
12.88
11
1.73
14.51
9.49
12.83
t.69
r0.01 11.07
.84
5.99
7.81
t]
10.21 l0 86
10.91 11.65
20.1t 22.16 24.43 26.51 21.93

24.3t 25.90 28.31 30.61 32.14
21 .99 29.71 32.36
34.76 36.40
3s.s3 31.48 40.-18 43.t9 4s 02
80
.11
5.18
6.90
8.50
2.71
25.99
21.20
28.41
.12 t4.26 I 6.05
.t9
0.0
4.51
13.12
28
70
t0.64
t2.02
t2.40
12.20
1
12.88
t2.46 13.56
60
2.20
2.83
3.49
4.17
4.87
r0.86
1t.52
1A
50
1.94
2.53
3.14
3.18
4.45
8.90
9.54
r 0.20
10.52
45
1.24 1.64
1.69 2.11
2.18 2.13
2.10 3.33
3.25 3.94
8.03
8.64
25
35
40
1.39
0.02
0.2t
0.58
1.06
.61
6.91 1.96
7.56 8.67
8.23 9.39
8.9 r
10.12
.59 0.85
9.26
9.89
27
0.00
0. t0
0.35
0.11
l.l5
s.l4 5.8
5.10 6.41
6.26 Ljt
6.84 1.63
7.43 8.26
21
t1
0.00
0.05
0.22
0.48
0.83
0.00
39.38
41.34
40.57
42.56
4r.76
43.11
47.66 49.80
53.50 s5.16
s9.29 61.66
65.03 67.s0
16.41 79.08
38.93 41.40
40.29 42.80
41.64 44.18
42.98 45.56
44.31 46.93
41.92 45.64 48.29

43.19 46.96 49.6s
44.46 43.28 s0.99
45.72 49.s9 52.34
46.98 50.89 s3.6'/
53.20 51.34
59.34 63.69
6s.4r 69.96
11.42 16.15
83.30 88.38
()0.27
66.77
73.11
19.49
91.9s
87.68 90.53 95.02 100.43 104.21

98.86 I 01 .88 106.63 t12.33 116.32
t09.97 113.r5 r18.14 r24.12 128.30
t21.02 t24.34 129.56 135.81 140.t1
t42.96 t46.57 152.21 158.95 163.65
45L
'fabla 5. Prrntos porcentuales
<le
la distribucirr del ntinrelc de rachas
7tt
lt
fitel
'?
C\=iir il -r
-,-t't l[t
tl
^,_Al1f
$i
rf,"=U.Ut
i-
.s5
..,-n ltt
13
.L-)
fl(
-
f !- '
10
lr-
n:
4-,
-Lr
r_-y
_t
S-i
il.5
9-5
a\
I13
tl
J-_r
1_i
s-j
tr{
f
1
s.:s
l.5
^,_n nI
.-,- n 1
$i
li
;-|-_r
1i
j--r
a:
j-.
-i
t-l
-i-;
l_i
''! i
tj,l
u--J
11
-LL-
1.1
r.=
'J J
4 ,1f
.J.
,-,
'J J
a ,n
j-iLf
_r-Y
to
)-Y
3- Lr
-1-Y
1i-
l]t
i-9
1- u
lo
j-Y
+t
_1
+-v
jl\
_1-Y
.f
_1
-l
-'
.t
L}
l-
_l
)1
1t-t
I
t-q
u=11,.?t
U._IJ
Itr
l-;- :-S i-B

&-7 S-S ]-g
j-s
j-9
:-j
1 .i
L)--Ll
I:
1i
LO
1:
t,
--r.j."J -l
rx:i]
11
J-1I
'1 i
tjf.= Lr u
,a\q
J-l
--r
-1-9
-1-Y
fiifnM
d
+-iu
+-i
,1-
u=i!'J]
iJ.=S
6
;;- I
{ r
ni
^,J
r'l i
,{
.l
1t
_1-
+-
tl
- )
L
J_!-
_1-
_\-
a5
ttt
t:a
_r-11
-l
J-t;
4-t.1
)-L)
.)
+-] +
-1
irl
-+
+-
_r
u-
l1-
6-trJ
r
+
--r-i J\-i
Alf
:-l-r
< td
-+-
'rf
_l
-l
I
ri
J-t-
+
.
!:
-.
I l
.:
O r
-"
l1
:r-i-l
f:
li
++-
tI
i tl
l
I
i-lt
_t
l-l
lr
1l
'a
)->
J- ir_t
'lJ
\-11
]A
1r
r-l
+-
_1
.cr--r
+- !
:
J- 1
-ls
Lrai11
t:'
l-g
ii= < r i
L-
fr
u+1i
1-l
l-i
-i-Y
l
i-9 i-9 _il-E+ 2-1] :-
f.
j ti-
L4-,i. J -l
-:
j\
j-l
r_i
3-S
lr
A
_1
5
- t
fi
e1
8-
6-
Tablas Estadsticas
452
Tabla 6. Puntos porcentuales de la distribucir F'(n1,rry)
Nivel de probabilidad
I
*
cr
0.1
-4 .t\ f?t {{' *{ a.,t r-, cr !+ !p r.- (r

y rr (tr r-. rr! rfr .4 ,:.1
i. ?,i 19\ r-. ,.r (fr rt L': r @ r
cl \ct r.l
crr
.i \.1 1'l r-. .4 r'-. $il . -.d { 4t\ (tl 'r
q
f-. r-. !(i w
u) \t: qJ rt t.t t(t t.t r-r r/1 +t 'i "t $l
-t fr ..r a.l ..i r.i .'4 r.. ir
r ' {: r. (.i r-- ,., ,., t..
sr af @ rrr r Cj} r,t q
{r1 gtr
1. er
a{
"rf a
(3 fJ
c.: "1
r -{ r-. r/1 arr
@ m r-. r- r-. r- rC E W \O
"(
\$
r.-' rl r-' l. a1 5:r. r-. .{ r-. (i {tr \) .-l - . f)t r- qt
C r'- r.r c:J ,tt
T:. rj r-: rq rf)
".r * r.? *, .* tr, r. r.i ,tj Al c),i sJ ? 11
!\i sr d
d
a-l a,'n f+! f.t -.{ r{ f-.1 -.1 .'l (-l *!
@
(^ @ u, '-i $l rF! f.l +*d (1r ('1 idl -+ r (5 Cr at\

r-r rar ht ra)
rr t(\ tr rt {:'f tq f fr rfl fq f. .*.
qr it *{
\l
.D r- ql '/-
@ tf: t- !I:'
tn t(t tf\ ."t *i *f \
r7r .q (q rrr r
\ri frdiI v) Q
* ',.-)
s .-1 +d < 4 Fr s.., r./. !4 4 f{ !r
ri .-. d 'r
i4 r" \4) cJ \() tr qrt rQ 'n d4 r (^ ef' ( '.r .-, @ r.t rt .". -^ rt \{) *:f f'
rriht--.@--{r-rf4r.{r\di)fl\f\@m@r".r-.r1r'..Q\o\6Js\\clst.ltftttira-l."tq\'l..fcrrfqrrr
T' c.: ch d
ri r.iririr..i"r..-i;*.ii^.j...;{*j.i;*i-.;;*;
rjo',ri
\
r-. *
*l a{ qF +- @
;*i;;J**"i
c>
-.-
rP \CJ r-..{
r-. <> @ ' \ e4.*'\C:.-,
-. q *{ \O s.l .t (1 ( r- w '-, *1 .., r.l s{ sl (> 4
*qqlql4?@.r".r"r:.r-r':\l\qtq!ci{lqtftt.\4r'.er.qih.ftl,/f'
rfrr.F'4*,?,n.r.1
...l('r'riltc.|f'"ff'r,l'.flf'l..|Ne.l4sd4+-q.qd!\s..qFl.q*q.{Fjfi4
q} \l
'.1
\C5
E
f{
*,1 {.t @ r:f N \:t r r{ cF J r'{ \p,.

\o r ' r.ef
r-. rit +{ m llll m rrr s.l .r ., "*r <) c) qlr 'f, @ 4
*
*'
--i < ',i ri ri r.i ni r-l r.i r't ci r.i j

qJ
d lh a q} e|f (p! r.. -q 1 (!, q rf" rq r-."cf* rr'.,q < (

rt
--4 F{- r'-' T-. r'n f- r. r-. r.- \C! ! \tr \tX rrr r r In lflr .41' rd
;;
*i i * i..',i -'; "-"; .- *;... -
*i *i *'i *q *i "*i ;
"J
..1 -., ( u:) t rr .* {) fi

.'| rl () r-. 14 ra /rt x) nl \Y r- (2 .r -- r-. ()1
a't r.l f l a fl . \f) Sl /.r r.l -e :a cf c) a,
o @ vJ @ 6 @ qf}lt\t1?1.'lr{rlr,ll'r,'lr-l...|.*r!{*l4vdi.!ly4sq
r' \() '- qf /r! a.l \4J r,1 q'"er

r" \e' A 5
r-' r-. r-- r. r-. r-. \c) \ (, r r^ rr r.r rt
l- .t s @ t.t @ 4+ q t \Q 4 ..t r- at ("1 ' r.t (J @ uJ rr (.t *

C:1.1r\tl@\P*l"tft-"^-ac)(ac),(:rolci\4@@@@r-.t-.r--r..r-.r-\:)r4jrr,rtt.tt.\tf.
Et @ 1
vJ 'rr'
tq $) (i m r- --
4F
cJ *r ,-r r
c.,..tr.la{@0\1
tsd
J
ql
c-.frl '.' .F ^l r2 r. \.t f .l C, r-. s) r.t fn .q ") q m r- \4) r-r (J \ ql ..t - 4 (J1 r.
'.' q E
rqr.{..-4)cJl}cJ\cllcl\JcoJ@q@@r-.r-r..r".r-.r".vJ$)Q\l'{Jr'r
{;,
t+) m r'
t-l
+'$ '\.
r-. \:l
rl
rl
(':7 r-. {::

r a.. rt,
r':. 4? tr @ ?.r rr
r-) rrt (.1 .l
a! -.{
-1 q? .t
n1 rlfr\
a rt
I,,..t
.-.) ttt
r-r c
. | '5
..J dr
.
s
'rr ff1{ nr
@
1 q_tr
rf,) 3f
r
@ .n vJ
..'
v
r{ "*'
@ o)
.} f}q E-J r-.

q r-. r-. r'.
..*J @ lrJ -,at fa

r-, v.: l4:l tf,r (l)
r.t
..1 a <}l t)'

m(tDr-
{
t
.,1 -.,
\ (c
,.
,'-
\f,
14
&
f"
.l
E
WA
<) .t
11.r'f
<j
ct rr' I- Ft r" -rl

t,f|-,-,cicl<>ol(l\..n<1
. t @ t.t
i,
-.
{) m r' r-,
cr,
-@Fp,anioi
"1
i) @ '.
r-.{JtrqJ\(!'r
rrt
\.1 r-
!<}
O
,,
qlf.l
,(r1 .frr:.()Y{>.rlf4f-lr-rmYl'{}uiJrqc4qJ1ta{((ffir-.{)r,1
\a.l(I..14tr-.tat.\1lri-'t?{rae{i:)C:\()(r!(}Ci!ftfrr@@@4bSr-.f-,r'-.r0(CtlrCE
'i&
.drdr--q..rh@r--\()u=.
\S @ {f Yll
t" \J +j.,- r-" rd{ \r..t cJr r{J r.r $ @ !!J',.Fr.-t
1d (} 9) r- r-- \df r- qrr !e 3)T f4 -.t r^l ch.a trt a.i.t1 ':,.|
r.1 S.J
4)1 r'-. r-, $1 .t 11. -'r *i C> (1 t) (J 4h cn (r1 q {:r @ @ @ 6 i c - r: r: r-l r- r:. \ \9
'E
n
L
..
t--.
r:l
ff t.t <1 eJ r- cjl r-. @ L-.: 'J C: '.' ri
r:t r'
rf rl l ..r u\ r-. t.t t:l .t rr ...|
*
(-1
.J .,
Q'
qf rtr
q} (},
r') rn tr- r.r +r .n .l .,

l <.h (ti .- {.}, (Jt <Jr
i)
,f,i @ (.t (5 f- E r., fl r.r -o m r'-, r'. r-, r.:" r-. I
r {h
';:
^{
r o' ,i rr rj i -"i ":i ri -j r' rr r. r'i n{ - r.i ri ri ':'i ; '.t . .- *.,; .,.,, "',' ..; .-: -" *.i *i *i *; ; *,j ..'; -. .r
<,.rr
r-.
ql
r-.
--{
.1
*A
.q
ql
r.r
1 r} fq
q:
!!
El
".1 a{
p.
0\
r-.
{J
r-
r.t rn
i.r
t -. \f
t{
(5 <J q5 5 c;) q., (r Jr ( ( ( (t\ (f a FJj @

ft1 rr 4) r-. \(J rfr r.f rr' a.l f.l ?..
' *; r.f
,ri r., r.i r*i ri r.i r r,i ri r ri ri r,i ri ri r.i .;i r,i r.i r,i .-j j *; ..., ..; ..,.; -..; . ,i *," *,i
'
q{ q) r-r rq r-. t.t \ q1 rrr o .tr .",m

1.{ q} ql > \EJ trt il .r l.r f l a! t{
a
C- r
rr'
rl
m d 'n "t:r.,
i.l ol
..1 r.{
.{
ft
"i
t.t t.t ,i.

(;> *:f .{
r ri
,:.1
@ r1 r{"J W r. ft
c: c,} 4: c:1 (.:l (-,
-l qi rri *x r.i ri r'
':.:
e., r{
\f) r.
rt l
'rr
it
.1
Jr rr
{Yi ..
J,
..r
r-.
r{
.l
rt
."i .i ri r'l r't
.
r{
<)
f.
r"ii r.;i
.,,.;
@ -r
r-.i-.
; * -
.:l . ^, {) c: Crr @ r.t +' r: \{) .t \1 r., -q)

-a
.- D.\
(p rF V)
(J '
(} {p Cr c}
{:: rn ( {)\ 6, ra c m ffJ pa --
r r.;i ri .{ r"t ..i r.i ..i rj rj r;i .. rri r.i r.i r.i r.i ri ..i
r.
r'.
cn D
r-. r,
\C, af
fe
(:t
|J\
(!
r.i r.i
*^;
** *' d ; *.i
r-.
,
rrt
'r-,
ftr (^
^"-;
*;
Ft *t
(1 c}
...,
.r
f,
1t
,i r ri r.i r.i r.ii .:i ,:;i .i rt r.i r, ri *.i *j -.....; .-;.,, -
rrr al' qf {{ Cl @ \+ .. (J -]:4 $:t q? r.l 4h \dJ ':t 4{ '1 r-. r.r rr, ..,{ *R r r4 r-. r- i t vl. <rl {4) 4r' frr .l .... (> !}f..\wl.''{Ole\f)t:||\ti1l'r.tfftrt..r..i.-r.'i.-"tr'{.a4\{.)?\|i
,r, c. ,i .+ <q ..i ri r..r .t r .{ ri rr i ri rl
ri ri r i ri ri -{ rt rr ri ri ,_-i .l -i r ,:.1 ri rt i rt -
"i
-.{ c: ch 4 @ fi *) @ r4, r-r r- il r

c. \ar ' *1
aJ cJr r.-. rl elr ir rcr r*{ rc cl (t \i Yr a.l c m qr r-r rY f
r.r
4 tri .* \ f I () <' @ r-. l(: $ rr r, ti e .:i, <r'$f rrr rq (rr rrr .r al
l.i f. rr a,l r{ a.j r.l : w- "ii u.r * ,*l .r t, ,i a* ri .F; r'i rj r,i r;i ri rj r,i r.i r-q ri ri rt ri ri ri ri ri ri rj ri ri ci ri r{ ri .l rq r.i
rr -.i r{ -.
r.r
(p r.'r ..1
c) i \Q
r'l m t{) \l .{ .:t a:j i.cl ."{ t$
r- \(] '.r "al fq .-..t d a.!a +1 O\
rf' +*" t_ rD r,-. v) E =
(> *;t .r' r"-. 'J r *r (ts +\ 4 a r-. ':r'
rar rrj ta tf
T-. r'-' \{J . i.t
EJ \A '3
I ta\ rr) r.i '.-t 'i tr *f +j, *.f (r' *.r t.r rq r.i -t{ '-r
,i,,i
cl
.i
ri
ri
c.,..,
r
rri
rirr
rr
ri
ri
e
.
o:
-t..
rrir
r
riri
r rt ri rt i rt -,
i
ri
r
'r.:r
':i
at'
f"r e$ \:1"
@
illt ,,t a ri L--a r+ r .. e-r
r.- \"J r.r .-l r r. *
qy' V:
cJ1'1 'rl v. ( -,. lr $.)
frr rt .l .1 .a .: qi (:: t q c.
r q l, (n r : l\ fl
r a..
r. --l
1 @ i \t sjl' .ft tn .r1 (Ft ffr r'.t I'r .Ff f .fr iq fr tf|
a1
\
r,
ftJ
- f, F) = 'ifl \e r- qo':\
= = = ==
xl E
593
l-.1
Fi
F1
Fi
ajl
qf1 ,7i @
frt
r{
qJ\
@ r,-- Vl D
9- *
ct - q nq
ec Q.,
r., r'-" r-. r'-: r- --r{ .1 .. a..{ al f.{ r.{ -:t r -t
ri il Ii H !; fr ff +ff g F * 3 ;
l!
D$'E !i'T
A4,'l
tS'$
Ci t
!i
{t
;t'c
?g-E
5!'i
c'l
ef,."
)f
L:
YE:
[9'5
F*'
g9'
E
ro
o/'r
DL
st'1 $8'i
A.
3Z
tu
<,
3S'[
t
&'?
LU L
g'[
86't
C$'r
0'E
?t'7
L' L
6I'[
s8'1
8'r
6S'
E6'{
$.
j'?
AU L
w-v
YLL
7'7
LIL
t
r
avL
f6T
1
6g'
9L;7.
6'
a7'{
L i
rd
g',t I'f
v
[9'!
t!'8
t
&!
6C
f3'c
LL
F'F
99'5
5E'8
6F'68
B"e
s'
,t't
LI. l.
IJLL
^?'?
+-'a
ILL
9E'[
-!.
fg:i
E5'[ 6r'[
Er[
F!'C
FI.
ss'
ETT
8'fl 0['[ gr[

ff"
9]"[
t$'[
M'!
ff [ 9i'
ffi'e
!1'[
t"e 6r
6!"[
s'{ 90'i
ss't 0T'i cI. [e't Tg'c [E-i
'e 5I'e 6'C 8["[ rr.a r a'?
ts'[ $'E
F5'[
]v'[
r.6'f
g't
gF'e
ta',
vtL
Ig'e sE'l !'[

$9't 99-t #'{
{.'[
98-e
F6'[
er-l
E['[
*'r-
E8'5
$'[
s8'E
58"
es't w't 8$'[

[5'tr
-tL
}F'F
-t
8!'B
a
9"'AT
Fg g
LL
!9"[
gF-F
$i'F
r'5
5'E 00't
65-8
fl9'8
99'E
$v-s
Et'K
+'J<?
9S'?'
L{
#'7
r-t'
L
?&'T
L'' L
9F'[
trST
[5" S!'
9't t*'t
7l '7
LLL
Si 'Y
TL.L
!8t
98-
TS'E [8'[
t'g
!s'5
F6't
f'.-[
5!'5
9S'[
98' 6s-I
68'[ t6'{
5'E !6-n
S6'g
66'
*'ar
r-t vt
?*'F
L u*
gs'{
ss t
r-.'E .,
i;i'
F''I
+'T
Fft';'
[*'
Et'u
ItlL
gi
s6-rr ss'r
9*: t$'t
.6'!
66't
t#"[
L.
0'E
LU L
f 1
fo'e
{.'g L
L L
s"
[$'[
EE
6{'t
lf-r
gtT
i.t'c
8S'r ['[ 8{'e 5f'[

9$"C S"; [I'e 91'fl 3e t e'fl ggT
ES'C SC'i VI'[ 8f 't r" 8' s|.e
i -'g
LU
t
l-'7
VV L
{rf}'I
?V L
63't
Fe'e
.T?-?
T.LL
a-}.L L
t.
LCL
dt'7
OL. L
sr'fl
E{"[
i5' 6S'e
F['T O}T
!'r 0[T
rr [t'I
E[-r sft st-t 9f i
'r f' T3'T, SF'
a'a
:'L
-5'7
L$L
LN L
IS L
fll't l' E['[

!r[ 8't'E If i 5g'u 6f'e !FL
s['E xr-'[ tf'[ 8r- F' & L
{E'[ St't L'[ *s' L :rf i!-
trr !F't 6F e s!'t
5ffi 8fi
rr',
*'t
NL-?
-M't
trl'(
Lf L
tf
fF'fl BfT TE'T

ig'E [q'e s'fl
85'[ W-[ [9'[
#'E
gE 6t'[
99'E
68"[ 6T
ss't
LL'z.
8E?
6?T
rs-c
F5'[
698
6!' W'T
f$"e t'[
s"fl
06"
eS'[
LU
{\'C
!
tY'rt I i
9Tt
'r
F9'5
0g-
L-J l
'r-
.s'E
5'
S8'
8S'E
Ft't
8t:E
rit '!r
f^-!
)r\, fr
*:'*
^f
I f'1r
g$'t
6'8
tI
.ropErurnu
il
II
80'9
;8'B
!$-F [E
[8'F 88'F
FS-g 09
sB'8
68'8
c'r ai't
o ttL \u''L 6'rtr 8'9[r
.?'6 C'6i F'{ 8F'6{

t cb
I9T
st'[ 9'E
.'[ t8'[
(s-[ [6't
gst I8-g
g9-[
"
F6"{
Jt ff:,
9t'[ $rf t5'[ rf-r f'r

$'g !'5 ffi't F9-[ Sg't
i *:"
ts
B'?
gsT
$-5 0I'[
!L
L?''
!r!
[S'e
$6'g ss-t Es'F

9'F Fg'F 99'F 89'S $.'S'
96'5 r$'! 6$'5 16'! r.6'S
$i'8 I.8 ['8 F'il gi'S
?
't:I UlL V D.L s !t F'(Fi
igf fgr B'iEt t'tqr l'na
ffi 0I {H F 0f sE sI rI
G
UL
s'i 9'6'I *,s't *s'e s8't {{T 5t't

88't L6'{ 9S.[ S8"{ *1'C gN'E I'E
$6'1 66'E s'E 6S. i'[ g'fl BI'l
86.: t{}'U 60't [1'l ?:- gt"c or'c
fr'f L-n'i
i{-'[ [1.i st't $[' w'[
gS'C iS'[ ggT t'fl 8r'[ 8f? f['[
86'i $.[ s['t [{'{ 8f-t 5f.e gx'c
GFT
E5'e
d
Er
F8-t
r'T 9'(, Eg't

sE'u
S$'T
FS'I l5.l
s$
[6'I
F8'
IU L.
-'L
Fs'i
s'l
o'?
[8'n
6{.'I
96'
*3's
s'3
s6'T
!s.'
!6'g
't
OA
O'(
sg.t
st.c
ffi't
y6'g
.r
'e'E
FS'C
?#'8,
f6'I
s'{
E9
VL
$S'E
F.'T
88'I
{6'S
s9-i
aaVU
58,'E
8B'
$'I
LU
[s'{
gs'3
LL
LL
i8' q$'1 68'I

ts' 98.tr s6'l
F8'T $8'E 16'!
8L'{
FS'S
E:8' F6'3
Ha
o",
E
Ooo
gS'E
s9'
69'E
sg'E
69'{
Ea'E
ll
Ed
r
o!
?4
IP
I8"E
l.s'r
fs-c
ic'
9'i
Eg't
$-{
{'tr l$'r
[ l s.'I cB'
9'i
ie
f'
sg'l
i't
F'T
Ti-t
L S
s-E
*9'I
9'!
S I
g'{
g!'i
9q-
,69"1
69
tto
q
65'X
8F'
f*"
t\
o
gF'i ll'{
6g'
it
t5'I
SF''
ni'T
ffi
*t
!'E
F ercd pElJsqll
Bg'67
0t
eF
soFE$ :r ff
8g"i I[' t' i9 . $s g n.t'i m

6'i f [.i 9f,' 8i'r 6s'g i6't 0CIt
UiL
LL
F' 3 Ct 5 !6'5
[r.r Ef i 6F' il- 1't g$'i $E
{'i.. sil[ ss'i F' 5I'5 86'! 0
!{"[ g'e [E'r 9'E 5t'[ 0*'F ts
6z Et' st'[ 6T 8g'g t$'f s
t5' sf' ng'E F8-e ff'5 E*F 0t
LIL
E\t
69'C {.6'[ [t 5 J.;'f B[
t'c 5t'[ #T 96[ [g'5 8t"F 6t
E?" 9!'{ T'C !6'[ F['[ S{'} $E
,t" L
i_! L
t.'g 9-i Ef'l {c'F LL
F'f, 6!'t t'r 86' 5 5 r'3 9t
6t' 89'e 9L'7. 66 $['I i.i'] J"
$'t t9' B-g rs't sF'E gt'f Fi
r!' t9. 88-t 5.S't [t'S 8',['F b
!g' s'c s' _fE g fg''g s5'F
r.f'c 89r f8T 0'5 r'g ig'F IE
tfi L
!i L
t't 8I' 6F't !t'F s
:T't vi'f 6'[ f{'f t!'t 8['f 6t
slT i. 56'f 9$'t !!"5 {F'F $T
81" l8- 96' St't 65'[ ii'! T
*' s8' {0'[ tt'g t9'5 6F'f 9I
6" E6' 9S'g 6e't 89'[ ]!'F 9I
s8'E 96 e {t"F Fg'[ F'g ffir FI
[6'C [S't Bg'[ F'5 f 8'[ 9'F EI
B0.f II'5 gt't 6f's 68'6' !'F TI
6S'[ Se'F s['5 6!'S 86'g ]8"f II
7F-f F't sF'f {'g $'? 96'F NI
[-5 8t'f [9'g 98-t 9['t tx's 6
ss'E 69't F8-5 *? gf't trs
A-l; t x-l- $'s [t'] *"'? 6t't
I
8e''' 6rF $'v 9 F I't 66'9
s6'F 5S S 6T'9 IF'g 6'5 n9'9
9['9 9'9 6t'9 6t'9 F6'9 ['
f.6'8 {$'6 '{6 8[.6 !i'6 5n'0f t
tt-61 st'si fi'sE 9{ r 80'6[ r!'si
8't[f ['sF{ g'Fr[ I'Sir S'66t f']91
I
S t
r- [
I eu
0.6
tla
.11.8 t99
a -:1
_1__r
-^
_r:t-Lfu
1t.4{ i6$4
:l
:.r:l 3$-Si
{0.$l s .{l
I
q
l0
ssi
-t
"i)6
s61
5
9l:
899
S
1a ?1 a1-- an-.ar
.-1:t -. ._tlJ___r ltr-_\tI
1-- 4
:--
c*a
{i !^
--.tt/
Gt 6d
!
c4 ct6
r,.,9
._-ry I
l] l]
--r
l_l
-r Y-+
t^ 11
_1y._!--
1a a
_1Jq-_1{.t
J:l J i
t4l_;
f4.61
i;_
Y.-.U
5-U r
*8
i.st
6.i4
_i.g_c 5._11
i ]9
d.06
\-t
).+-
*-î
-r-LJ
1
+--
.t.si
.$
+.9S
.{ :1
69+
i.i !
j 96
-t -4':r
+-+
'
1l
----
r.16
t ,n
+8 lt.
a Ol
- d-r
t.6, 4.:S
.+
*1
.{11 lOg
-"{l
:-_r _) +_,.fu -l - r j
I3
C+.
l.t
t5
l6
6.i*
4.$6
.4.t4
4a
_t-"!
-:
;-;_t
1a
AC
ll
O.l
.r{
f,a
l8
t9
:t]
I !i
-- 41
*._!s
_i9_l
t- -lr
-i.99 -i.:; : j,i
L'-d
-1
tj
.
--;.st
{.6
-- ftl_1
.1
+-+-
_r
-- f 4
+ l-rs
*
i.s9
1
nn
_r-J
J, .: -r
-1-Sil
_1-31
is6 -ii:
1 _
s r
_a .
R J
_1 +:
_t
- i
_a _]
-1--1!i
-1
::
_r_.U
_i19
_1_:
5.11
u.,
i 88
-
_1
.,
_1
^|r.4.-
St
1.8+
1n-:
1^1
1Qt
144
1 i.^
1ar
;, 1
f :o
-.i
1.i
141
:. .'J
't t4
:-JV
ltQ
{ 4:
_i._a_1
. ^+
_r _1 1
_1
- i_a t-r,
-
- 4
f l r1
.l 1l
i 5_i -i t9
:.9t
_i.,$s
a
,-:^l'
?9
iA1
r_ .-a
_r ,ry
3fl
-- <-
5fl
60
7
g0
9
lf0
,r 1+
-l
-->
Jt,
-1-Y.l
_r-+O
.a 1A
-1 ,ly
_1 -_1
-1Ji
a
_l_l.t_
î
-ii;:
1d:-:rr
1<
-5-
tI i.89
5.tt i s6
i.t$ 1.8'{ l16 l.9l
i ts
3.t5 t.gl
i
_i-_ri.
+ 1
-1.,
_r.83
i $i
-.69
i.il :.i9
ftu*N
^1
-r_r-
l.
1 ir
-.J '
a l.
-.j+
rtG
_ :'r
1+
- D_1
i.y
a --j-.i_r
a it
^ 1-r
,-3.i
9:a l.Sl
1n-:
___)
1a
---
t.s8
1 r
-_.,d
alf,
l.$t t.l-i
1 ':! r
I
I
:-i
1 :1
n :4
1 aa
^.+
a t
--r!
'1 .-a!
* f
141
-:!_1
1 an
-__au
1 (a--q-,
?._ri l.:$
a .-a
r--r I
lr-j l._i5 :.'-

: l$ 1 i* 1 -*'!
I i; l4t tt9
&ir'r:r.!
a ---{
a aa
a ]'\
-r .l.l
*:
_1y
-+
Yi:
-1t i_
n rr-J-r
11
-.'-
il
s,i9
i 1a
/
_ -_1
6t
+
.{ 14
+-:u
:
J- ,r
J-tl-
_r .-1_1
$.6i
+.i tl4
lu
1 0-
-1.0_1
-1--1
l 1..t3 :i.39
r6i :ir
:i9 :i4
l.ll I i
::
1 ii
a .3
1--1
1 {
___r_1
_ r
'\ ii
1 ,{
I l?
l.ll
I an
_1-,
+ *-I :-,
1n.-_
_a-_r
I S6
14.
-1--:
a t1
: :^. t,t
_r.iJ:
9sr.l
9S.r.9 ggi
]{*}
4 {1 1a 1 -n i
a d(
-r:/.+-r _1:t.-(J -ay.+_l 3Y.1v
1.{.t8 }4.1 :4.i1 !4.S8

s.6s s.6,6 s.i6 $.{5
6.16
6..*_1
6.-il
-\.1 I
i.:r8 l.ll
.$.6$ '{.-l 4.41
. ^
,
+-t_r
ut_,s
1^1
s.fl s.38
8
i.C'l
i.8:
S_16,
+
+-_i
-+
_1__1
5.t,1 3.tl
J i$ l $t 196
3.$S 3.Si l.ti l.${

l.gs I i:, l.s4 I li
t._i:i
-:16
1 l
:.l
1 ll
- +l
t.t<
1rl
111
*!
99
i.95
--_1.
1ai
a:Q
l.iJ
.1 :
- ttr
'1rl
-.u.f
1
\ {1
-.Is
1.9$
+_<
^
a.ii
f:''
11Q
l.:3 l.16
: -19 t.i6 l:i l.:_i
:.1i t 1.$ t ti l1:
t._i t.31 :.li l.sg
1..*
--:'i
:._rg
A_l
-.-rl
A1t
- -u
lrr-
-.U..
-t.flg th f .94 : sl
:.
-u:
in
_.4
-1Y-+ir -r:/.J '

.t _1.9'll I _1-)u-
s.-1: s t6
6.{ls 6 0l
$.9': :r gI
.! 1!
J.s r
-r-+rLf
a'!.,
^-
f f
.l
'1 .:-1
A1
1 .
1 .:
a t3
a --\-
a 41
1 a'
- +!
1--1
_a
1 11
- -1-i
f !-r
J(n
Ox
')
oo;J (!-AP
'u<w
') Y_t-o
^.
'! ta
DFFN
:. U)
:i.
1 :f,
*.-ru
a 11
1 !:
lJ-
L.
15
a 1:
11:
I n
'lo.{
\-tD'
iJr^r+
l.l I
1a
a -^
= uu
il6'+
:
--a!
1 5r-
J-l
'r -11
1l>
1 14
;-r-
-.>
1 ,1.(
.lt3
,t1_
i^.4
:-t+
---'i-i
r.Y-
i ilv'
r.
n^-
'1
40
r î
r X.
- u-l
r.YY
:.
!.91
^^
--)
! 41
r Y. 4n
i--l
t 1
r -r
! ni
88
119
:/-
-.
:.s,i
: ':r.r
:1i
!.Dtr i
_)_1
I-i
I ft,
.lC
i.t
t.$* l.{Jl :,9i :.ls
l.'J_; :.s : ss :.r5 1.68 1.i
t.$l !.9$ s6 1.1! - :.o I I.ie
t.fl* 1.9? 5.Si l.l: !.6= :.59 !.s$
n.s? [.8,1 1.]] !.i.1 .+5 i .qJ
t__'_
11-- -)
1-_ u_,
1na
; U'-r
-.,+
-+
1 a1
-. l_1
'1.+1
1
_ Liy
1.f,r
i u.'
ri:
1 -rir
_-+u
-1
1.15 3 0'3
r.E6 l.BS
:.s$ I ti
a !- J
a.i
I1 ..-
;,!l
-
1aa
_1 {J.r
Y:
^4
to
.ro
l,: 1,.:s I 11 '_.;!. i.ss

I t+ 1.1: 1.19 :.Sl iar
I
i.U,-l
4:{
r-:i
-i l:
-rt,
l!-
_:--L
1!
a
r
\
r...
,-+ i
11C
l.tt
-l'L'
t -î l.:ig
1 t1
1r-
.1.9,8
r-'JD i.V:r
1 .lQ
'l J'
s.t-
_.J,6 t.3_i
l..el
.ia
^ft
-1Y.+ -l'.+
.,r
4t.4 j..*.U-
l+-lja
6.1._1
t
+-tI,J +.Lrd
J-:
^^
[LrLt
aa
i
i.s* i.I i 6i l.is
j.-il 3.l .l _1._;i i.t6
1 -i:
t.t; t:l L.ii

1r
f iQ
11.1
: -!+
!
r.t{ I i i.i11r
1.t9 Il.t .ldlo
fro
t.f 3 l.sl --v
t9 I t t.s5
i
9.,S.'
3+ dt) 50 10 s
.4Q
1.67 I i9
I {:; I -il
5t t.55
6-i =l :;t
13 14 15 ?*
l:
t.8s :.86 : l ?64 1 r_&

I S9 I9_i lS'S lSl l.Sl : 19 l.6S l.:'l =.-;
-rl
't ta
1 iri
f 01
l.li lll :ll li{ r-+
t9t :s? --o_
1 'n
10t
1a1
t.il I t: 1li: 1l'l r -i4 'l
16Q
1?1
:.6i l 6t :.i 1 1..;q
t8t t16
1I tll f 0 I i ].fi,s _: 5l I +5 I _i5 .l r'9
tti ts a.r a4 l.i6 I il l.l I il 1 1i
ll+ l6r \A^ ai :.i_1 I i$ t.-ig I ll )a )'.
1
1:4
1lj
a1:
a+a
_ + l
:.6: I5: I -il l.:i- !-_,d
- ^
1--d
l aar
1 fr
\ tt
a ?l
111
lii
:J I t;! = -l+ -
t.s9 I 5!
n -:
- +_l
a ?Q
i.'{
1.86
1c;
t -:1
_-_,_i
_i_66
3.i_
.,
_t-_1_
\ ai
a 1A
_1.:._! -4,_u
r -'r
_l-tfi
-\- 1 -!
rJt
_;
1.6-i
.Aa
1 --1
-.-':
4*,Flr
3.ll
_1-_1
:36 I B$
I
\ t
J {4 +
J --+
-1.! l
_r-t_)
1n
:t
1ta
;Y_l
j!_liJl
_r tr.,
.+ !1-i
- 1a
-1 - i
a t1
_-. l
a ar
-vY :.v
.{ 1.!
-r
1fA
-1-=.Y
r ni
_1,-il
a Q'
.l 1l
- 4:
-1
c:
,i.:f
a lL-^
: --1:J
-- ;.;
--r I
id
-1 i
-.
_1Ui
?6
-1-_1,
i "t1
is
_a.:-a
-1-- l
- 1<
J--_'
-r
_1._i-1
-r- ! 44
_1 _'v
n 1l
J fly
< 1^
{_-tt
t *
+-i
_1_t
-i
.19
-i.ig
3._59
3.LS
r.9
28
i.8-\
_;.d5
a^
,\ r
25
-\-:l-r
'26
t:
s.9+
+-u.-l
_1 l_
a-f-)
-1 -D
- i--
+_iu
_itl
l-_1_
_\__1
s.-qs
1.t6
-i.t,i
_l
_r-Jl
. -
1,
_i.+:
J- -r
_r-,_l
111
_t-.'-
_1,,1
34
11
+-+-1 +--i
+--1
_ru
jl4
\l{-+r 1
_r
]Y .+ z.
! a aa
-+_J.
.t.il
,a
-ly-J-q
I +.+
iJ
.r.99
l.ts
_"
*-^
_rd
,1:r_r
i6.8 jil
.{,9* ,t.81
S.Si
'! f,.J
1l
\- 11
t
1$ n
s.s* s t9
6. Jl
i.4S :i.,t I
4.t6 .r tl
_r
: 11
_1-;-
Lrt 1 *+s l 9.16.t 9-i 3 9t8.6 9l].
I {t
ll 6.ll
tl i-i
il
A
A
g\
Gradss de libertad para el numerdar
s.$r
t.t
r:
- -r!
_{
'!L .'U+
l.+r
i-nu
Li?
1.3i
{ n
U!
AP
<lr
-a)
:
N
fl r:
.{05t .1999 14$l

9S.JS 99.0 99.l
3.1.il lS.Sl
4
_lc__l
5
_l
Oj
99.1i 99.i0
a a{ an 1{
39..r - J.if -.=+
is-59
Yy
-i-i
tt.9t
_*,913
)/9-_1s
1j.67
l.Ls xs.0$ I6.69 35.9S ji.t: t_5.ii !+.98

i6.r6 13.tt il.$6 !,i9 10.9t ts.l !$.46
tJ. i_t tv_5i
v-
9.1i 8.ti $.4? $.16
a1.15 9.5i 8.,t5 7.Si 1.46 i l:l g-Y!
11.]6 8.65 r'.ig t.*l 6.6_3 .-rt 6.1s
10.56 s.St .99 6.41 6.S.6 i.ss 5-sc
f s.&{ l.i6 6 j j
5.q9 5 64 5 l* i.ts
^
I
I
I
I
I
ld
J
9.6- l,:t 6 tl
9.1-i 6 9i 5.9i
9.8? 6.?S J.r4
8.86 S.5r i.i6
9.68 &.36 i.+:
$._i,r 6.:3 i.tq
8.4* S. ! i.ts
s.tg 6.s i 09
.i"$ r.93 i.*!
_5.61 _i.Jl
i.sT
't 8:
s.39
i..$t
5.tr
i.*6
4.8d
4.{t)
$,.*s
1.84
4.69'
.{
t6
.{ '\Q
a 11
{.-l'lfi
-+
i iu
+-L+
+_iu
a lrn
{.89 '$.56
r +.++
4.61 .f .ij
+.5S 4li
+-
-,
{ aA
+--lU
t a
+-+-1
q al
i- l
f titJ"
,{
S1
) i-L
+.f.t
{ t,
ef
-d
+_uJ
_\--{-r
3.$.3
-\- J
GrudoE de libertad para el nuterador
l{}
6&8i
<t\A ia;
J ra
.C
na
_r
YY--1Y
:l:/.+v
:rf -i L
_1.
., _1
_a
_1
_r__r+
a 1d
-1--1Ll
_{
;.6 i..$l
l.i6 J.i$
a 1r
-- i
I__1_t _r-;.
l.j,l
-r.0
4.i4
^41
1na
_l-J_1
i aa
f- r;
1a
4.lS
a
1
_1
4.5!
+-_13"
r
f a1
+_\.+ J. .
?.$8 {.gfi
l0{
I I
1a
1 *-l
J__r i
+ t
-a.i t
.* ri
_1-0_t
-1*
.{.9:
.t.$l
ifs 319
7.Si
6.!6 .4 8E 4_0"{ 5._i6 i.?6
693 4S1 40i -\-,\t -)-;-r
6.9* 4.8: 3.98 _!_J: J -
64 4. i.-$
-_1-Ui
_r_
_r
_a
1i
J-JU
J.+
{ a-4
J--:
1 t
_r t:f
_i
\+f
J.JJ
a!^
J-,tv
1 }a
[
1
i_u^1
_r-
t: t.gi
a t
-.
1^t
L.Y t
:1.S4 l.Sl
$:
-i
1d-t
i.tY
f Q.
"t.s4
1 a
:-a .{
Y-q.+ vt.1 yy.:{_1
j
P
l.st
_1_J
-1_ |
f!.!:
_1_
1 An.
20 3$ 40 50 l*0
6tji 6t09 616? 61.$ I 63 r\i 6-i l4 6i

qg.,{j s.4i gs..{l 99..{t 99.dS 99.49 85
t?.49 ll.i5 2t.l-i:1.tr_ :l_*i :.9s t6.91 t6.s? 16.69 16.5$ t6.,Nr r.6..35 t6.14 16.t
i +a ! ^l
t { 1rI irI I a
l"+__1 .r .+._1 !
.:r*.jJ is.?$ t4.01 !3.3.1 i3.15 ii.s 3_1.58 I
+.iJ
t4.8S t4. .+--rJ
rs.39 ts.i6 !*.si 9.96 9.SS 9.Sr 9.?? 9.lt 9.J5 9.18 9.t9 9.t4 g.tJ B
v.t9 t.i3 1.&6 l.5S l.i i..{0 7.:i ?.14 l.9 fi'.Sg 6.8
s.t$ l-gs
6.$4 6.il 6.6] 6_i.1 6..? 6.4i 6.-TS 6.3 S.16 5.S j.gt j.S6 _i.t j i.6
6.S3 i.91 i.s! i.l3 i.t 5.61 5.t I.it 5._16 5.t$ 5.!] 5.+i .$.96 4
5..*t 5.35 _.fs i. f g i.$ 5.i 5.s! "{.9{ 4.Str 4.65 .57 ,1.51. 4.4I !+.J
rr -a
.{tf
.an!
*.u
,t.7! ,6.1 4.6S 4.56 4.4n ,$.:5 a.{r'ttt {.
,1 !/t
+., I
i.Sd 4.9,{ +.-
..:S
.1._:9
.*'ts
i_11
3
S5
.94
4.15
4.46
4.ij
d.6l
-1.8S
's.14
'{.i'T
.4 ?fr
.{ 1'l
,s. 4 i$ 4.$i .1.*1 i.86 3.lS 3.5? -1.11 l.4l J.
,*.is 4.39 {-JV
+.L
a io
- 1a
_1 I
.f._i 4.{9 .{1 1{r ,{ lra 1.96 1.91 1.8 -r.$l i.6 3.5n J.+-1 J.J
-1-- r
a
n
J.i./l
;.I1.
3.
!
s
35
;.1.1
3.ii
3.lD
3.,6
t.B6
i
C8
i.9s
-i
-1.;-l
.{ f}
t aa
Joi -1.9i _r._]s, i.i: 3.31 i.)1 _3.t3 3,$S 1.98 r.,,
U _1.
l.Sq i.-S _i.6* l.tl
-i._i5 'l,i' 3.i j .t -.16 l.!$ i.$l t.gi t.s ll
i a1
a --a
t.El 1..81 I 16 1
J 51
+o
+{i J.JJ
i.i9 -r.6s J--ry
-i-i0
-1-1ft,
-r--l114
.
a 11
? --1
l.lt i * _1-_r. J.+_r'n J-J, -1-1i J.:t i t.t 3 $8 t.9? :84 1.lS 2.68 t.)1.4 I
3.63 i.i2 -i-+i -j.-.0 j is i.r4 3.r9 i.ti _3.#] Ls4 t.?6 r.?i l.$
11n,
^la J
),;i
_i .iJ
_r.-: U
J. !_a
:ri6 3+6 --1--1
-1.S9 :.9{ t.7$ l,.sf 1..64 .1.54
59gi s8ll 68i6
YH.-1
1 0a
+ a^
D!
_\-)u
+s 5 s5 +.9j
!
J.-4
$.st i.is 4.sl l-_1 - +-Vr+ :i.8f -3-# ,r-J -1-+U
IO
J__jy
3.45 l.3i I.16 i. t8
i.S-\ l.ll
Sl +-_1i -1.y>r
a \1
I t t
).,
J- l+
t.88 -i.66 4-16 $.]6 3.94 a atI 1*-{ f.{^t
ai 1
t
4 a1
-J-Ut
+, Ji
4.:t -t.9$ i.6t _i.i$ -i.i 316 -i. I J.UY
-J
4C
3.J] l.f,l -i-lr -l.LJu
l.?l 55t +s $. t 8 i.8i _1.S_{
l --
a 1
J-+
:_t9 i-c ,1_tIt J.u_
l.ll _i.53 4.64 {..t 3.81 J.J;q
t.i6 3.39 3,:,6 i.ii 3.{t'6 : 9E
?.6$ i..f+ 4-6S +_t -rn a{
J_ l_r
^1
?.4 i.si 4.,\l +_l
-i-],'r -t--{0 r lJ 3.tl l.*J : 96
13 14 l5
ll
af
J-!U
a la
3 zf
I99
1m
-1.d')l
>
â
-l-Ll/
]..r9
_r.fflf
:.9S
1 &
- IJ
t.s9 1...lg t.l*

I Sl f.-,r :.Si
t.78 l.6l :.i9
r..l.i l_.6.$ t.:,j
r.il I i 1 i'l
r.ji
:.41
y_1
:.91
1 a-l-1
t.6!
'1
J.
-1
!.
ril
_1-\J
J.
J i,i.i
J. J-
l.*i t.ss l.7l \ a.4 'l i0 'l

2.98 l.gi ?.67 : i$ 1.5i l.4l
?.9i l.r$ :.61 1i4 :.49 l.il
.40
-1.Lr
..
a 1
J.U-.
11
:.' I
03 1.98 ].9-1 r..s9 t.?$ r.58

t-99 t.s4 l.sg 1.85 l.?$ l.i*
2.96 t.g$ :.$6 2.8 E l. d.6 L.5S
t_93 l.sl ).81 I ls :.3 3...11
:.9S l$.1 ll9 l.l5 2.ds 2.=t4
l.$? t.st t.l? : ?3 :..51 1.4t
? 94 I :-9 l.i-t
t.i8 :.-\5 :.39
: 6 t.61 l.i r 5; 1...3j l.:$
:i
l.i6 l.it
t.i$ l{4
1..-i6
a {a
4-+!
a 1l
;.*.
1ln
. lV
$9 :..$.1 l.3l
?
1 .{i
1.{1
.li
1 .{n
1: u
11i
'rca
-,
I38 ?.3-i l.:l

l i5 r..rs I l9
).33 2.Ij r1.l
is t.t5 l.:l
$" l.6 :.94
I *i r.95 !.Sl
'1 l
f.:jd
r.51
!,4_
zb
olJ
r-'l
âro
,rr5
:-
#0J
v!
DO
-a
oo
Dop
Qa.
ilLn
ll
:.: I
t.i
Li
f1
i. I
'1
{t
bd
o
\
:
5
:19 t._ri l ls 2.$3 $.9.* s.ss !.]i

n
i 1A
r. ru
:.45 l.-$ l. j j 3.-3! r 15 i.9$ 4l-:in *.:..'5J
l,{8 t.41 1.36 2..?: t.tt t.i: i.g.t i.S! 1:-9 C.6,\ il
a .{i
ia
I 39 l.i3 l 19 1a.* 1n to') t.st 3 t6 1.61. 7a
't
1 .:fr
-t:
I ll i -j: l.f- r rl 1..$l i s9 t 8l 1.;-i t..$ I -J-t
t._it. l.li r.t9 rfi t.$s t.{4 tss i70 I )g I 5i 1.3 I
!_-,
r:.69 I i9
_1
ilOr
'
456
Tabla
Tablas Estadsticas
7-.
Puntos porcentuales.de la distribucin
de los rangos signados de-Wilcoxon

n
0.005 0.01 0.02s
t,
10
ll
1l
t2
10
14
13
l0
13
l8
t4
13
t6
22
15
16
1s
20
24
28
20
24
26
16
19
l7
30
28
35
JJ
41
33
38
47
20
38
44
53
2t
44
49
50
59
s6
55
63
67
74
62
69
70
82
11
'76
82
90
99
11
23
24
25
26
27
28
29
30
84
94
108
92
t02
117
101
1ll
t2l
110
121
138
3l
119
131
148
32
33
34
35
36
37
38
39
40
129
139
149
141
160
t52
t63
171
160
115
t96
t72
187
209
184
199
196
2t2
222
236
208
225
250
221
239
253
26s
4t
42
43
44
45
46
47
48
49
50
235
248
263
217
292
309
324
267
282
297
183
280
295
3ll
313
328
344
3?9
JOZ
346
319
340
363
391
3s7
374
38r
416
398
435
o.0s
0.r
0l
l3
34
46
69
9
11
l1
15
14 18
l8 22
22 27
26 32
31 37
36 43
42 49
48 56
54 63
61 70
68 78
76 87
84 95
92 105
101 114
lll
125
120 135
i3 I
146
141 158
152 ll0
164 182
t76 195
188 208
201 222
214 236
228 251
242 266
257 282
272 298
281 314
303 33
320 349
337 366
354 385
372 403
390 423
408 442
428 463
441 483
467 504
1
+o(
Tabla 8. Puntos porcentuales de la distribucin de la

prueba de Kolmogorov-Smirnov
Nivel de probabilidad (a)

0.1
0.509
0.0s
0.02
0.563
0.468
0.5 19
0.627
0.577
0.436
0.483
0.53 8
0.410
0.454
0.3 87
0.430
10
0.369
0.409
0.507
0.480
0.456
11
0.352
12
0.338
13
0.325
0.391
0.375
0.361
0.437
0.419
0.404
t4
0.314
0.304
0.349
0.29s
0.286
0.327
0.318
0.390
0.377
0.366
0.355
0.309
0.301
20
0.279
0.271
0.265
2t
0.2s9
0.294
0.287
22
23
24
25
0.253
0.247
0.242
0.238
0.233
15
t6
l7
18
l9
26
27
28
29
30
31
32
33
34
35
36
0.229
0.225
0.221
0.218
0.214
0.211
0.208
0.215
0.202
0.1 99
l7
0.1 96
38
39
40
0.194
4l
42
43
44
45
46
47
48
49
50
0.338
0.281
0.275
0.269
0.264
0.259
0.254
0.250
0.246
0.242
0.238
0.234
0.231
0.227
0.224
0.221
0.218
0.01
0.669
0.617
0.576
0.542
0.5
l3
0.005
0.705
0.653
0.610
0.574
0.544
0.489
0.468
0.5 19
0.449
0.477
0.432
0.418
0.404
0.459
0.444
0.429
0392
0.4t6
0.381
0.405
0.346
0.371
0.394
0.337
0.361
0,384
0329
0.352
0.344
0.375
0.337
0.330
0.35
0.321
0.314
0.307
0.301
0.295
0.290
0.284
0.279
0.275
0.270
0.266
0.323
0.317
0.310
0.305
0.300
0.29s
0.290
0.495
0.366
8
0.350
0.343
0.337
0.330
0.324
0.3 19
0.313
0.308
0.303
0.241
0.285
0.281
0.276
0.2v3
0.269
0.265
0 252
0.258
0.23 8
0.255
0.275
0.271
0.262
0.258
0.254
0.251
0.247
q 244
0.299
0.294
0.290
0.286
0.282
0.278
l9l
0.215
0.213
0.1 89
0.2t0
0.235
0.252
0.268
0.1 87
0.208
0.232
0.249
0.1 85
0.229
0.246
0.243
0.181
0.205
0.203
0.201
0.265
0.262
0.179
0.1 98
0.222
0.177
0.1 96
0.219
0.241
0.238
0.235
0.175
0.173
0.171
0.194
0.217
0.233
0.192
0.r90
0.215
0.2't3
0.231
0.228
0.170
1.22
0.1 88
0.21t
0.226
0.240
1.36
1.52
.,t,
1.63
1.73
.,1,
^'1"
'ln
.,tn
0.
0.1 83
0.227
0.224
0.2s9
0.2s6
0.253
0.250
0.248
0.24s
0.243
0.002
0.750
0.696
0.651
0.614
0.582
0.555
0.531
0.510
0.492
0.475
0.456
0.446
0.434
0.422
0.412
0.402
0.392
0.384
0.376
0.368
0.361
0.354
0.348
0.342
0.336
0.331
0.326
0321
0.3 16
0.31 l
0.306
0.303
0.?99
0.295
0.291
0.288
0.284
0.281
0.278
0.275
0.272
0.269
0.266
0.263
0.261
0.258
r.85 :
"ln
0.001
0.781
0.725
0.679
0.641
0.608
0.580
0.556
0.534
0.515
0.498
0.482
0.468
0.455
0.442
0.431
0.421
0.411
0.402
0.394
0.386
0.377
0.371
0.365
0.358
0.3s2
0.347
0.341
0.336
0.33
0.326
0.322
0.318
0.31 3
0.309
0.305
0.302
0.298
0.295
0.29t
0.288
0.285
0.282
0.279
0.276
0.273
0.271
l.es
^'ln
Tablas Estadsticas
458
Tabla 9. Puntos porcentuales para la prueba de Grubbs

n
0.10
0.05
0.02
Ll5
1.15
Ll5
1.46
1.48
1.49
1.61
1,71
t.75
1.82
1.89
|.94
1.94
2.03
2.02
2.13
2.11
2.21
2.10
2.22
2.32
l0
2.18
2.23
2.29
2.33
2.31
2.29
2.36
2.41
ll
l2
13
t4
t5
l6
t7
2.41
2.48
2.55
2,46
2.61
2.51
2.66
2.71
3.03
2l
2.5 8
tt
24
25
2.60
2.62
2.64
2.66
2.55
2.59
2.62
2.65
2.68
2.7 t
2.73
2.16
2.18
2.80
2.82
30
2.7 5
291
18
l9
20
23
2.44
2.4',7
2.50
2.53
2.56
i-i
;l
2.4t
2.75
2.79
2.82
2.85
2.88
2.91
2.94
2.96
2.99
3.0
t
i
f
f;
tr
i
*
459
Tabla 10. Puntos porcentuales de la distribucin
del coeficiente de correlacin de Spearman
Nivel de probabilidad (o) - bilateral

n
0.005 0.01 0.02 0.05
1.000
5
6
1,000
0.964
0.905
0.867
0.830
0.800
0.776
0.747
0.723
0.700
0,679
0,662
r0
1l
12
13
l4
l5
l6
t7
t8
19
20
2t
22
23
24
25
26
28
29
30
31
32
33
34
35
36
37
38
39
40
4l
42
43
44
45
46
47
48
49
50
0.643
0.628
0.612
0.599
0.586
L000
0.929
0.881
0.833
0.794
0.943
0.893
0.833
0.783
0.745
0.755
0.727
0.703
0.675
0.654
0.709
0.63 5
0.582
0.566
0.550
0.535
0.615
0.600
0.584
0.570
0.556
0.544
0.671
0.648
0.622
0.604
0520
0.508
0.496
0.573
0532
0.486
0.562
0.551
0.541
0.531
0.522
0.521
0.476
0.51 I
0.466
0.457
0.501
0.49t
0.483
0.475
0.448
0.440
0.433
0.496
0.467
0.459
0.425
0.418
0.489
0.452
0.412
0.482
0.475
0.446
0.439
0.433
0.427
0.421
0.405
0.399
0.415
0.410
0.405
0.400
0.395
0.391
0.378
0.5
l3
0.504
0.468
0.462
0.4s6
0.450
0.444
0.439
0.433
0.428
0.423
0.394
0.388
0.3 83
0.3'73
0.368
0.364
0.359
0.3 55
0.419
0.414
0.3 86
0.410
0.405
0.378
0.374
0.401
0.397
0.370
0.366
0.340
0.336
0.333
0.393
0.363
0.329
0.382
0.351
0.347
0.343
1.000
0.886
0.786
0.738
0.700
0.648
0.618
0.587
0.560
0.538
052t
0.1
1.000
0.900
0.829
0.714
0.643
0.600
0.564
0.s36
0.503
0.484
0.464'
0.443
o.sp3 0.42e
0.485
0.414
0.472",,0.401
0.460 ' 0.391
0.447
0.43s'
0,425
0.415
0.406
0.398
0.390
0.382
0.3 75
0.368
0.362
0.356
0.3s0
0.345
0.340
0.335
0.330
0.32s
0.321
0.317
0.3 3
0.309
0,305
0.301
0.298
0.294
0.291
0.288
0.285
0.282
0.279
1
0.380
0.370
0.361
0.353
0.344
0.337
0.331
0.324
0.317
0.312
0.306
0.301
0.296
0.291
0.287
0.283
0.279
0.27s
0.271
0.267
0.264
0.26t
0.257
0.254
0.25t
0.248
0.246
0.243
0.240
0.238
0.235
Tablas Estadsticas
460
Tabla 11. Puntos porcentuales de la distribucin

del coeficiente de Mann-Whitnev
Nivel de probabilidad
n2
J
4
6
7
8
9
t0
ll
t2
l3
t4
l5
l6
\7
l8
t9
20
cr:
0.025
z 3 4 s 6 7 8 e r0 li 12 13 t4 ls 16 t7 i8 le
00
00
00
01
02
02
t3
l3
l4
l4
25
25
26
26
27
31
38
38
39
z0
00001111222223333
01223344556611889
| 2 3 4 5 5 6 7 8 9 10 11 t2 12 13 14 15
2 3 4 6 7 8 9 10 12 13 14 ls 16 r8 19 20 21
3 4 6 1 9 ll 12 14 15 11 18 20 22 23 25 26 28
4 6 I 9 ll 13 15 11 19 21 23 25 21 29 31 33 35
5 7 9 11 t4 16 18 20 23 25 21 30 32 35 31 39 42
5 8 11 13 16 18 2t 24 27 29 32 35 38 40 43 46 49
6 9 12 15 18 2t 24"21 30 34 31 4A $ 46 49 53 s6
1 10 14 l7 20 24 21 31 34 38 41 45 48 52 56 59 63
8 12 15 19 23 27 30 34 38 42 46 50 54 58 62 66 10
9 13 lt 21 25 29 34 38 42 46 51 55 60 64 68 73 17
l0 14 18 23 27 32 37 4t 46 sl s6 60 6s 10 ]s 19 84
ll 15 20 25 30 3s 40 45 50 55 60 65 7l ',76 Bl 86 91
12 16 22 21 32 38 43 48 54 60 65 11 13 82 87 93 99
12 18 23 29 35 40 46 52 58 64 10 16 82 88 94 100 06
13 19 2s 31 37 43 49 56 62 68 11 81 87 94 100 107 113
14 20 26 33 39 46 53 59 66 73 19 86 93 100 r07 114 120
15 2t 28 35 42 49 56 63 70 11 84 91 99 106 113 r20 128
1
Nivel de probabilidad c = 0.01

nr
n2
10
ll
t2
13
t4
15
t6
t7
I
I
18
l9
20
9 l0 11 t2 13 t4 15 t6 t7 l8 19
20
000000000011111122
000011222333445ss6
0 0 1 2 2 3 4 4 s 6 6 7 8 8 9 10 l0 tl
0 l 2 3 4 s 6 I 8 9 l0 11 12 13 t4 ls 16 17
0 2 3 4 5 7 8 9 l0 t2 13 14 16 16 19 20 2t 23
1 2 4 5 1 8 10 12 13 ls 17 18 20 22 24 25 21 29
1 3 5 7 8 10 12 14 16 18 2t 23 25 21 29 31 33 35
2 4 6 8 10 t2 ls 1',7 19 22 24 27 29 32 34 37 39 41
2 4 7 9 t2 t4 17 20 23 25 28 31 34 31 39 42 45 48
2 5 8 10 13 t6 19 23 26 29 32 35 38 42 45 48 51 54
3 6 9 12 15 182225293236394341
50 54st 6l
3 6 10 13 17 21 24 28 32 36 40 44 48 s2 s6 60 64 68
3 I 11 14 18 23 27 31 35 39 44 48 52 51 64 66 72 14
4 8 12 t6 20 25 29 34 38 43 48 s2 57 62 61 71 76 8l
4 8 13 17 22 27 32 31 42 41 52 57 62 61 12 t1 83 88
5 9 14 t9 24 29 34 39 45 50 s6 61 67 12 78 83 89 94
5 l0 15 20 25 31 37 42 48 54 60 66 71 77 83 89 95 101
5 l0 16 21 27 33 39 45 51 51 64 70 16 83 89 95 102 108
6 ll 17 23 29 35 41 48 54 6t 68 t4 81 88 94 101 108 115
)i
*
,
.:
I
rl
&
:j,

Estadistica Metodos y Aplicaciones de Edwin Galindo PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estadistica Metodos y Aplicaciones de Edwin Galindo PDF

Uploaded by

Copyright:

Available Formats

?

I'3O CII:N CIA EDITOI3ES

Anlisis Exploratorio de Datos

fe en Dios. El resto debe produc'ir datos.

La Estadstica es la ciencia cuyo objetivo es reunir una informacin cuantitativa concerniente a

1.1.1. Divisin de la Estadstica

AnIsis Exploratorio de Datos

se deriva de mur:stras, de observrciones hechas slo rcerca de una parte de

!.L.2. Algunos problemas que resuelve la Estadstica

Decidir si un proceso industrial funciona o no adecuadamente, de acuerdo a las especificaciones.

Estudiar la relacin entre consumo de tabaco y cncer.

hzgar respecto a la demanda potencial de un producto, mediante un estudio de mercado.

Prediccin. Muchas variables

7.2. Definiciones bsicas

1.1.3. Obtencin de informacin

Definicin (de unidad muestral o experimental) Una unidad

Por ejemplo, una persona, un mono, un plato de semillas, un grupo de facturas.

Definicin (de poblacin o universo) Una poblacin

es una coleccin completa de personas,

Definicin (de muestra)

Es un grupo de unidades seleccionadas de la poblacin de acuerdo con

EI nrmero de unidades que constituyen la muestra se denomina tamao muestral.

A continuacin damos varios ejemplos:

Anlisis Exploratorio de Datos

En un estudio se quiere conocer el <<rating>> de sintona de los canales de teievisin de una

la estructula demogrfic4, pol edad, de lti poblacin ecuatoriana. El universo

I-.3. Datos y escalas de medicin

una variable estadstica.

1.3.1. Tipos de datos

o categricos): Cuando ellos describen caractersticas que no

A su vez, las variables cuantitativas se clasifican en discretas y en continuas.

Datos discretos. Un conjunto de datos se denomina discreto si los valores u observaciones

de datos se denomina continuo si Ios valores u observaciones que

Definicin (de escala de medicin) Una escala de medicin

es un instrumento de medida con

el que se asignan valores a las unidades estadsticas.

La eleccin apropiada de las muestras se explicar en profundidad en el Captulo

7.4. Caracterst,icas de los datos

>uede ser el rcsultado de un error en una medicin, en cuyo caso distorsiona Ia

Caractersticas de los datos

Captulo 7. AnIisis Exploratorio de Datos

<le nn conjrrnto clc clatos cs la Posicin lelatir'r cltic cllos lllesentan.

por R. A. Fisher er 7922.

valores obtenidos en url mnestra no son todos iguales. La valiacin cntre

pueden sel considelaclos con un misrrio critcrio;

Pelmitcn la fcii deteccin de valores atpicos;

Adrniten la comparacin con conjurrtos de datos similales, en tr'minos de la dispersin.

Figula 1.1: Forma csqucrntica

cle clatos simtricos

7.5. Distrbucin de frecuencias

la confeccin de ltna tabla, de distribucin dc frecuencias es lecomcrrdablc segu.ir los sigrrientes

sus frecuencias absolutas n1,

la proporcin de aparecimiento de cada observacin.

Una tabla de distribucin de frecuencias tiene cl siguiente aspecto:

Ejemplo. En nna fbrica de muebles de rnaclera, se contlol

e1 tiempo (en minutos) neccsario para

Anlisis Exploratorio de Datos

clistrilrrcin cle flecrrerrcits dc clatos illrliviclrtrlns (crr 17 r':rl,rres).

sc enLlnleran los ptrsos a scguir para

constrllir una clistribr-rcin de fiecnencirs

Decida el nmero de clases (ft). La

siguienl,e talrlr puccle clar rura olientacin adccuada cn

Ia rnayor'tr de los casos.