Professional Documents
Culture Documents
ESTAASVTCA
illtodos y Z\pficaciones
Iidtin Galinclo
20ll
Captulo
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 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.
La Esto,dstica I'nferencial
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:
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.
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.
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.
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.
Captulo
7.
7.
Se desea establecel
2.
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.
En los ejemplos anteriores solo se enunciaron posibles muestras para las distintas poblaciones, sin
importar que tan buena pudiera ser sta.1
Ias mediciones o valores obtenidos en un estudio estadstico se los denomina datos provenientes de
1. Cualitativos (Descriptivos
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.
L.3.2.
Escalas de medicin
13
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
pre\1a.
L.4.
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.
se rrricle
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
Dispersin. Los
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
d.
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.
Pasos:
Procedirniento.
1.
Se
ordenan los datos tr7) :[2) . . ., rk en ur]a columna, de forma ascendentc, poniendo a continuacin
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
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.
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
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.
(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
cle dat,os
clrses:
Nmero de
Nmero de clases
observaciones
recomendado
20-50
51
100
- 2U0
- 500
501 - 1000
101
201
10
t|-20
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:
1a
c1rse
L, : Li-t I A, .j : i,2,...,k.
4
5.
7r,,
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).
se
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
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.
Representaciones grficas
de los datos
i:
::rff
J.t
;Tfi:,::l
;'":T::1,1J*?ll""Til*'q,,:T: ffiJ:
il#;'
1'
2.
3'
La presencia de observaciones
inusuales o valores atpicos.
i;;#;,
*.
ru"' i","n,",."iuJl'TT:#il"l'?;:X[::?l".;;
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
"."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
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
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.
;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.
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
8
9
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
tallo y hojas:
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
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.
13
<rs:
5568
0.
1.
236679
2.
02
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
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,
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.
y de barras.
1.3.
Toshiba
Toshiba Dell
HP
Lenovo
No sabe
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
de distribucin de frecuencias
Figura 1.4:
7.7. Ejercicios
15
La ojiua
2.
de
L.7.
Ejercicios
1.
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
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.
drtos.
.Qu porcenta.jc de los alurnrros cle cuarto graclo tien<:u urr renclirnierrto <<bucno>> o mejor
que bueno?
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
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
6.
Se tiene
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
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
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
22-27
27
-32
32-37
37-42
42-47
No. de
obreros
L4
17
25
10
I4
11. La siguiente
No. alumnos
0-5
5-10
18
10-15
i5
r5-20
10
17?
7.
18
Captulo
12
13.
Tiempo (rnin)
03
Frec. absoluta
Frec. relativa
32
3-6
6-9
0.30
9-12
12-
005
0.10
15
14.
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;
y menor a 110
g?
frecuencias.
Intervalo
Frec. absoluta
10- t2
12-
Frec. relativa
Frec. relativa
acumulada
0.24
0.52
5
18-20
16.
- 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.
2(
7.7. Ejercicios
Figura
i8.
1_9
1.7:
Qu porcentaje del consumo diario se utiliza desde las 19h hasta las 24h?
19
En la siguiente ojiva
se
100
55
45
25
10
12
Figura
17
1.9:
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
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
Dnn'n
:t
I: ---=-,
n
&
COn
n:
sa
z_rn.
d:l
2L
se calcula el
Clase
LIC
LSC
Punto medio
Frec. absoluta
l1
5t
rl
Tr1
I2
S2
r2
TL2
t"
9p
;r
rLk
:; l I
Q,:1,2,, .. , k) y el promedio es
rr,
i1
con 7:l
n.
i:7
ual
ten
;EI
1.
2.
3.
4.
5.
la variable.
Ejemplos
1.
Soluci,n: Se dispone de n
172.
11*rzl..'*rn
&-
n,
170
:
ro la
2.
+168 +
172
165
+ 173 + 178 +
180
165
767
r72
10
I7L.
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
r.545.
Los 46 seoras examinadas tienen una estatura promedio de 1.545 metros.
es
n:
46.
Captulo
22
3.
7,
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
28
46
19
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
10
10
y D n:970.
i:1
Por tanto,
10
D'*n
t--l
TL
12
19
950
970
555.155.
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.
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.
lugar14*1:15.
3.
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
1.
por interpolacin,
as:
5.
med'iana.
2.
Med,: L_t-r
donde:
; - nl-r
=-A,
,L-1 es el
At-r
mediana.
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.
Captulo
24
7.
L MC
lal
Ejemplos
1.
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:
180.
^ 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.
i-nel
* - *n-,
Med: L;I*TO
: 4200 + tO:"rrg
!{-es):
:5L25.7.
'i
rr,','i;tr
:'.i
r1i','1,\q;?.
35
t;i
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;'{
I = :,(' i,
li) il);jii-),1fli
;i,
ii lfrli/.
donde:
tr-1 es el lmite inferior de la clase modal.
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.
1.
2.
Es la nica medida de Iocalizacin que ptiede obtenerse en Ias variables de tipo cualitativo.
3.
Ejemplos
1.
7.0.
Soluc'in: La moda de este conjunto es Mo:9.0, que es el valor que ms veces se repite.
2.
Observacin
Fbecuencia
Solucin: La mayor frecuencia
3.
2.7
4.5
6.0
8.7
9.2
.)
es 6, correspondiente al
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).
Entonces,,2I
4200+,,,15,.1200
15+10
4920.
I
i,
:-
27
La media georntrica
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.
1.
2.
3.
1.
50s
;la
Se dispone de
otT
11.70 x I.72 x 1.68 x 1.65 x
I.73:
1.696.
utilizar para
promediar variables tales como productividades, velocidades, tiempos, rendimientos, cambios, etc.
Captulo
28
7.
1.
2.
3.
Se dispone de
n:5
:
11111
L.70 I.72 1.68 1.65 r.73
1.696.
-_r-r-_r-_L-
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.
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
"+-,
rj+L,
si
r:
o;
sir>0.
29
,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
1.
Calcular los percentiles de orden 20 y 33 de la estatura de diez personas que miden (en cm):
Par-a P2g, k
n:
180.
10.
:20
nk
100
10x20
100
: j *r
2+0
Entottces,r':0y j:2;
P,
Pzo
x33
100
los
Entonces,
r:0.3
:3+0.3.
j:3.
P : rj+t
PS : r:168.
ente
2. (Continuacin.)
Lrna enlpresa.
Ingreso anual
2400
3000
4200
5400
7250
9000
3000
4200
5400
7250
9000
12000
100.
Nmero de
personas
(n)
FYecuencia
acumulada (/r)
,)
20
23
35
58
25
83
15
9B
100
Captulo
30
1.
'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.
.
.
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
.
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.
(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
,,1
.)
P25,
Pz.
46
por tanto,
k:25
nk
i00
46x25
)'se
100
r:
lr
11
p, : r j+t
PZs : rn:
rrden
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.
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
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
J,
Z.
Lt-t:4200.
- 4200 :
1200.
t'/t
P, :
Pzs
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
nb
e-t,
P : Ln-t-t r nk
Pzs
b4oo+
75;58raso
: 6658.
1.9.
25
Medidas 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.
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,
33
\tese que la desviacin estndal es siempre positiva y sus nnicladcs de medicla son las rnisnrrrs
clrLt:
- n \r)'
n-I
De la misma manera que para Ia media aritmtica se consideran los siguientes casos:
'
Observacin
FYec. absoluta
Il
TL1
r2
n2
x) te
;o
o s:
'
in
- n(T)2
n-7
DnnrT
i:I
con n:,
ni.
i:r
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,
l.
2.
En su clculo intervienen todos los valores de la distribucin y por ello puede ser complicado.
3.
Es nica.
4.
Se ve
7.
Captulo
34
Ejemplos
1.
(Continuacin.)
Calcular la clesviacin estrrdar cle los srreldos cle diez l)crsonrrs que ganan
(en dlares):
180
165 167
7: L7I.
t72.
*i@n-,'
(170
t7L)2 + (I72
+...+
I7r)2
(167
10-1
tTL)2
O72
LTr)2
1.
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,
71.
i:t
+ 3(1'63)2 + 1(1.65)2 :
109.9615
i:1
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.)
Hasta
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.
35
I,,r
'i-7
r,l :
12(rtQ2
+ 28(150)2 +'. . +
b3(850)2
19(950)2
330025000
es
D ro"? - "(")2
,i.:1
n-7
:V/33002ffiro-i
:riY'
"ln:
las
"
{'o
;\f
,;-1
- 7)2
r,9.2.
mediciones
es
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,
100,
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.
Definicin (de rango intercuartil) EI rango intercuartil, notado por RIQ, de un conjunto
latos
es
de
RIQ:
Las definiciones de los cuartiles superior e inferior
en 1882.
Qs
Qt.
Captulo
36
7.
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
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
r,'*:1.65.
Entonces,
Rango
RIQ
Tmx
Qs
fnrn
- Qt :
1.65
1.57
- I.45 :
1'53
0.20.
0.04.
sFr
Rango
0.20
0.05.
Como se ver el valor aploximado cs bastante cercano al exacto, calcuiado con la frmula respectiva.
CT':1
<
1; si
Cf/ >
tunr
1.
2.
En sn clculo interviencn toclas las obscrvaciones. pr-rclicnclo ser nluv iufluido pol valoles atpicos.
3.
4.
Crlcrrlrr
r:l
c:oerficrierrtc
Dta
JI
170 rT2 168 165 r73 r78 180 165 167 r72.
:
:,1
uc,iir: Pleviarrx:rrtc
s<t
r:
que:
5'1 :0.02982.
CV:! T --omo
177 1' ,s
777
distlibucin
se clasifican en dos
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:
tolno
/_-'
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 - 0la distlilncicin
.
lr
1a
si As < 0 la clistribrrcirt seri rsirntlica a ltr izcluicrcla. La cola a lur izqnierdl es ms lrrrgir que
la cola a Ir clelechr.
cclacl
cle
clrLc
Captulo
38
1.
Ap:
ir", - *)n l,
i:t
-J.
e4
Ap:0;
es decir, es
Platicrtica, si Ap ( 0; es decir, es menos apuntada que la normal. Hay muchos valores extremos,
Ias colas de la variable son muy pesadas.
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
I7D4
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)
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.
Figura 1.14:
.x+.s
Captulo
40
El rliagrarrir
clc.
7.
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
(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.
5 5 5 5 1010202027
39 55 55 60 60 60 68 75 90
35
90
-S
T *s
El ciizrglirlrr
29.3:10.4.
39.7+29,3:69.0.
39.7
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.
l.
Soble lrn lnel holizontal se locrlizrn l mcdiana. Ios cuartiles inferior y supr:rior 'los clatos
nrnilro I'mixirno.
4L
Qt y Qz; a continurcin,
clos
.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.
trt
Qt
min
Qz
max
Qr
de
Ejemplos
de 46
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
1.65.
-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
Captulo
42
7.
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
Flombres
Mujeres
max
220
Qs
230
200
220
230
mIn
Qt
Qz
i90
270
180
190
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:
Dadas n
: I
4, 2, 6. 5, 7, 5, 4,
lr niecliarrr;
mediciones:
c)
,s;
43
6.
5, 8, 8, 4, 4, 9, 7, 5,
4.
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:
+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
tenla
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.
b) Construya la tabla
: autos
dio, la
7.
de frecuencias
se debe
y el histograma;
c)
d)
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 aejamiento;
d)
Encuentre la desviacin estndar, el RIQ V el coeficiente de variacin del precio, la proporcin de malta y el tiempo de aejamiento;
f)
8.
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.
sus frecuencias:
10. Dados
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
-2.
| 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.
lpo
Encuentre:
ror-
a)
rlta
y superior y la mediana;
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
:,-)
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.
Hombres
Hornbres
\4ujeres
X4ujercs
Hombres
X4ujercs
Homblr:s \tlujercs
2
c
.)
t)
.)
.)
4
b
.)
2
t
d
4
4
a)
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
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.
'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;
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:
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
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
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
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;
e) Represente los
f)
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
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
)/
25.
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.
sigrri<lrtcs clatcls
Iutclrrlo
10 - 2i)
I'r'ccucucia
20 -30
30 - 4i)
.)
'J
40
50
27.
3
12
50
60
gelente:
10 000
secretaria:
650
conserjc:
300
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
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:
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
cifrrs n cifrrs
<rifils
r cifrrs
Sueldo
Trabajadores
600 700
700 800
800 - 900
900 1000
100
1000
20
60
20
1100
10
70%o y,
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
el promedio y la
mediana?
irimo
36
scado
lser\4.
rero de
Figura 1.19:
Halle la diferencia entre el promedio y Ia mediana.
37
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,
50
v la clesvircil estnclar
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)
39
cle
Frec. absoluta
lcs
Frec. relativa
(t e)
Frec. absoluta
Frec. relativa
0-24
24-48
48-72
72-96
Frec. relativa
acumulada
0.18
26
0.78
Punto
medio (r)
Frec. absoluta
("0)
Frec. absoluta
acumulada (l/r)
Frec. relativa
(f)
0.22
I 100
t2
7
0.06
a)
b)
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
-r
-.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.
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
-:
ms de 40
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
d,e,t, d,o,rli.
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.
n!:nx(n-1)
como el producto
x2xl. con0!:1
53
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:)!
:-
kt(n
{ Cf se le denomin
k)t'
a coef.ciente bi,nomi,al.
-:'lucin:
a)
Se tiene
Se pueden
n : 3 y lr :
formar
2.
3! : 6 :
V! : .-(3-2)! ;1
(a,
^2
"3 -
se pueden
b),
(b,
3!
:
2(3 - 2)! ^-L
2.r
3 combinaciones:
r:
=- nmero de permutaciones de
n elementos
es igual a
Pn:
Ejemplo. Encontrar
I 'iuc'in: Son P3
n!'
3!
y n elementos, respectivamente:
A: {at,a2,.".,a,r} y B : {h,bz,...,brr}.
Captulo
54
2. El Concepto de Probabilidad
cle
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.
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
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.
(b,
n:
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
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
.lenrenta,les.
A: {rl o es evento
elemental}.
-,
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}.
::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
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
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.
. A2. Pr(Q) : r.
. A3. Si A y B son incompatibles:
Pr(A U B)
Pr(,a) + Pr(B).
Pr(A u B)
Pr(A) + erla
- Pr(. B)
(2.1)
Ejemplos
1.
entre
b)
c)
Si ocurre A, no ocurre B.
Solucin:
a)
Puede ocurrir A,
r E AA B" NC".
b)
Si no ocurre
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).
errtorices PL(A)
:)t
< PL(ll).
Soht,cin,:
Por ,A1.,
.A.
1.
2.
3.
Pr(B).
4.
es necesario distinguir de qu
Cisponemos; ellos pueden ser: fi.nito, infinito numerable o continuo.
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.
2. EI Concepto de Probabilidad
Captulo
58
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:
b)
es decir,
A: {Bt,Bz,Bs}.
:9'1!9
:I
Card(f^)) 5'
.
.
63
u- 20
2.
Por tanto,
:20.
10'
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.
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.
59
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
bros es C|$,
entonces
Pr(a")
<<una
r_rlq g
: s,
:;ifr
finalmente,
Pr(A)
s'Y
-1-*:#
x0.7632.
b) EI nmero
bles.
Pr(B)
#ry
0.00554.
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:
Pr(81)
Pr(Bz)
:'! :
36
qrue
?, y
i,i :3,4,5,6},
Bz):#:
entonces
Captulo
60
2. El Concepto de Probabilidad
Pr(A) :
Pr(l]1
2248
: 5-5-9:b
Se recomienda que el
Bz)
f)
{cur,
que
:1,
ie,1i,,,))
i:l
luego, si
Pr(A)
: t Pr({a.'}).
u,A
<<gana el
rL
1.
2.
3.
4.
5.
El evento B:
JJ
JAA
JAJJ
JAJAA
JAJAJJ
*
*
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'
Pr(B)
:
:
1111
_
_
_
_l_
_l_
-.t-
2'8'32'128 -
_-!- -.
')2tt-l
_.1_
_l_
+...
33
61
?.
l'r'(-4)
Area de f)
-.
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,
Figura 2.3:
Sol:ucir: El r'ea del crculo lnayol es
El rea del anillo comprendido entre las dos circunferencias es igual a la diferencia entre las dos
reas:
7:
(702n
52n) cm2
Pr(A)
T
75r cttt2
:s:loo;"-t:o'75'
Captulo
62
2.
l) :
2. El Concepto de Proba'bilidad
:l I ii
<l<r
il 4
,,4n8
117
Figura 2.4:
Detclrninar' la probabilidacl de los evcntos:
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
:;
" I: j,
"r,tou.",
pr.(A n B)
Pr(A u a)
2.8"
Fr(,a) + Pr(B)
111ir
2488
- Fr( n IJ)
;i!e::cir:ios
Anlisis cornbinatorio
l"
2.
C.lc.le
Vf
3. Dctcrtrtirc
it) rt,:3
eri
r:1
l<,rs
n :4
c)
rt:5:
1 r)]r:rrrr:irr r
:(t
'l)'t t
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:
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
,,'-.ies
Un amigo le quiere regalar a tro 3 cliscos y los quiele clegir cntre los 10 que ms Ie gustan.
.Dc
marc:ar urr nrniero telcfnico lula persona olvid las trcs rltimas
correctts.
l misrna
planta.
.D<:
curintas
de
algrrua'/;
b)
dgitos
{I,2,3.4,
cifra?; c)
5, 6}:
Sicte pcrsonrs h1n soiicitado empleo para lleuar dos r.acantcs. De currtos modos se puerclen
llcrrar lts vat:rrrtcs si:
nr:tyor
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.
quc
de los cuales rro hay tles que sean colineales. Cr-riintas rectas
determinan?
22.
23.
Una heladera tiene 16 sabores disponibles. De cuntas formas se pueden pedir 6 helados si:
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
26.
sets?;
se necesita
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
de los eventos
A, B, C
de probabilidad, dernuestre:
2.6. Ejercicios
a) Pr(0) : o;
b) Pr(AuB) : Pr(A) +Pr(B)
aj
-Pr(Ana);
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
casos:
a) A y .B son incompatibles; b) A C B;
:32.
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)
: :1
8
Demuestre
Calcule:
Bc).
quePr(AnB) >
'),).
Sean
0.7.
34.
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)
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
c) cl proverr:clor
rt.'tnio,'s
3^Si 1a
:.
irrolrabilirlrr1
i
r[c
Bur:r1 rl
c1
prirner prcrrric-r.,,
f v
1a,1" girnzrr cl
3
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)
b)
c)
d)
y uno rojo;
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.
,Cul es
la probabilidrd
de
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.
,Le
rrn mazo de
67
urr as) rur dos, un trr:s, un cuatLo y un c:irrro, clel rnisnio pnlo'/;
rrua
<<rorrcla>>; cs
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
51.
de
b)
Una persona presiona, aI azar, 8 cifras en una calculadora. Cul es la probabilidad de los
eventos siguientes:
a)
i2.
probabilidad de que un punto marcado aI azar en el crculo mayor caiga tambin en el crculo
,al
menor.
.1.J.
=.)
.J+
=1
ule
de
Llos
bcote
de
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.
2. El
Captulo
Concepto de Prcbabilidad
Pr(An
Ejemplos
1.
Sea Q
: {(",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'
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(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"
el
comete un error}.
Caiculrrernos
(dis-
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.
?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.
Pr(AlB):HF
Ejemplos
-.
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
fi.el,
,41F: N{u.ler fiel,
.f1F: Hornbre
infiel.
Captulo
70
2. El Concepto de Probabilidad
a) Dcseamos calcular
PI(II I-IAI F)
: f'r(II F.
n{F)
Pr(r1F)
),
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.
es hombre,
* La probabiliclad
cle que el
primelo
s<-.r
hombre es Pr(A)
\/
- :10
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.
I B. C):
: !.
ll),E
escc.rgiclirs sean
i',
holrlrres
::
B)'1(l,i:
es
I:
La probabilidrd
f:xclltt'giss B
t,
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)
+ Pr(82) + .. . + Pr(B,,)
77
1.
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")
Ejer.:rIos
Captulo
72
2. EI Concepto de Probabilidad
Sc ticrrc,
PL(A)
:*:,,0,
Pr(ClA):
Pr(ll)
4
:r0:,,.n.
Pr(ClB):
0.95,
0 8.
PL(A) Pr(ClA)
(0 6)(0.e5)
Pr(B) Pr(ClB)
(0.4)(0.80)
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;
rnqr-rina;
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;
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
l/:
oble
tay
el habitante es nio.
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)
:
:
r Ia
:
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
1;) La plobabilidad de que urr crdito c-re ha resnltrdo en rnora) haya siclo otorgaclo para Ia
ploduccin.
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) :
:
De manera que Pr(M")
: t - Pr(M) - 1 -
0.25
0.75.
Pr(PlM)
2.9.
1.
Pr(P)Pr(MlP)
Ejercicios
Sean
10.
Pr(B)Pr(,alr)
Demuestre que
Pr(/) Pr(BlA).
2.
DemuestrequesiAyBsoneventosindependientesysiAeBentonces,pr(B)
.).
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').
cle que el
Sea
- 0,A:I,tr:0y
limitaclo por y:i,,*:IU,*.:
pttntoestenelrectngulolimitado porgl
5.
];
:lopr(A) :0.
l,
a)
"
g:I - t:
Calcule
2.9. Ejercicios
c)
.StO
.Son
75
tOS
rla
z:0, A: L, A:
por r :0, a :0, !,/ :
x:
+713.
B:
- r.
E1
tringulo limitado
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:
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.
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.
a) Dado
Le
b) Si el experto decide
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(Dl,n/)
0.004
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
al
no tienen trabajo.
18.
16
24
Con experienc a
Sin experienc a
32
128
cia.
19.
Deudor
SI
NO
Propietario
SI NO
12
20
28
64
20
a) un campesino
b) un campesino
c) un carnpesino
d) un campesino
A 100 empleados se les hizo un examen para determinar su destreza mar,'.,:-ernpleados ern hombles. Scsenta de los empleados pasaron el exameli 1., _:
..
2.9. Ejercicios
ro-
77
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
lna
Lte.
2%
ule:
q.ue
2I.
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,
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
Hombre 16
Mujer 30
TOTAL 46
10
16
26
24
4
28
50
50
100
dado
que es mujer>>;
c)
23.
de los
a) calcule
lt
Lulr
las mu.jeres
*0"
J
'"'
ii-- -I. -
-.
ar
78
<<no ser'profesional>>.
25. En
oficina. Cul
es
un pas hay 4 partidos polticos que se dividen la opinin pblica. Se sabe que:
El 35% de la poblacin
adhiere al partido I.
El6%
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
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
28. En un supermercado
2C
dlares?;
b)
-;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;
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
b) el
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?;
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
seleccionado al azar no
pague totalmente ningr-rna cle las dos cuentas rnensuales consecutivas;
f)
36
haba petrleo, determinar Ia probabilidad de que ese lugar se corresponda con una formacin
del tipo II.
37.
es
rn.
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
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)
en
Captulo
82
3.
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}.
as:
X(rt)
X(rz)
X(rs)
X(rs)
X(rs)
X(ra)
:
:
:
:
:
:
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>>.
Notacin.
defiuido.
es el conjunto de nmeros
Pr{X:z}>0.
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
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
lnasr.
-,-r'iables
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
-
Pt
PZ
P,,
: r)
Pr(X
Ejemplos
qr.re
Po :
Pr(X
:0) : PL({CCC}):
Pt : Pr(X:
Pz : Pr(X :
Ps
Se tiene que su ley de
Pr(X
probabilidad
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>,.
EI
corrj
X:
. . .}
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.
e R,
Sea
Varianza
F(t): Pr(X
<
X.
Propiedades
1.
La funcin
2. F() :
F es creciente,
Pr(x S t)
con
,fT.".F()
0V
,ffL,P(t)
1.
Prp
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.
F(1)
: po+pr:j*::;,
:;,
F(2) : potpttpz:*.:*:
F(3)
: po:-pt-rpz+o.::*3*3** :t
F(t)
es
0, si <0;
Il8, si 0(<1;
Il2, si L<t<2;
718, si
1,
2(<3;
si 23.
0.3
0.75
0.2
0.
0.1
H
H
o
Figura 3.2:
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,:
El
llrill<:r'<.1
r[c srrbc:onjrrrrtos
cl<l
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!
y C] dc dcfcctuosas)
prr'-r,
rrn total
cle
Si
X:
3, hay
C!
Entclnces,
Pr(X:
Pr(X:
O)
: g: *,
: 1) : 9A9?
::.
ciz 55'
Pr(r
\:W:#,
Pr(X:t):#:#
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.
"'ariable
aleatorir
se clefine rnoclirute:
si l,<-3;
si -3<<0;
si 0(t<2;
si >2,
/(-3) :
:
(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
l-rlo
l2
Pr()':trlIl2 lll4lIl4
lr r-rrirblc
Captulo
86
4.
3.
Varianza
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 -
0.3
0.3
:
:
- 0.3 :
0,
:0.2,
- 0.3 + 0.3 :
2) :0.2 - 0.2 : 0.
1)
0.
0.5,
87
Pr(X:
es
un intervalo
se tiene que
:0.
z)
Sea
Fropiedades
l.
es creciente,
Pr(a< X
con
Im F() :
.
/+-oo
0y
. lm
- l-*m
F(t) :
es
)
") f (r)
b)
< b) :f'(b)
F(").
que cumple:
/A f@)dr:r.
-,
1.
que
:Pr(<X<b) :
.l.o
Teorema. Si F y
f {')
o'
3.4)
F(r):
l"*r@ot y
(*):
F'(r).
Capt,tttra
88
3.
I \-ariattza
{t}
c1e
clistrilruc:irr.
1.
jt
z < -1;
parr
-1(r(;i
1t
uara .r: ) -.
'
-3
torne un valor en el
interva
t'
1\
('' j/
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 @):
./(r) > 0.
/(r) :
0.
3.7. Variables
aleatorias
/'* f (r)ctr:
.l-o."'
1, o
>
La integral
,lo*
o" -3"d,
/.
l'*
.,
a.
Consecuentemente,
: tt entonces a :
3.
( o, sic(o;
f(*): { cosr, si0(r<rf2;
I o, sir>rf2.
r dis-
b) Determinar: pr
(t = *. ;), e, (x ,;),"'(;
<x <
#)
Solucin:
: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)
'(n).
ces
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)
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.
: 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);
a) Pr(0<?<1.8):
Pr(O<7<1.8)
"I.8
11 8
dt
oo,
ql,',"
b) Pr(1.2<?<1.5):
: l'
r 1.5
Pr(1.2<?<1.5)
f{ua'
c) Pr(T >
0.255.
1.5):
l,':
t-f,O.rrl:o62b
Pr(r.4<7<3):
PL(1.4
r.1
3) :
<I <
),Lt
_ t)',n+o
[,'^('-;)"* 1,'o
1..
..
ilt'-2)-({r+)2-
5.
91
/(r)
72.
es
'17
4'
):0
: F'(").
.
.
Si
Si
r ,\,4' 16:1,
< 0, F(r)
entonces
/(r) : F'(r):0.
Es decir,
6.
( !"-,,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.
tiene:
Pr(?>3lT>rl
:#fi;
Pr(? > s) _
Pr(I > 2) -
3.2. Distribuciones
l'* |
se
Entonces,
-rtz
./r rt
:- "-t1," _ e-rlz:
r'
[* !"-*
.lz 2
0.606.
y:
g(X),
X,
podemos definir
92
Captulo
3.
Varianza
------+
ul-----'
Si conocemos la ley de distribucin
Si
Y(u): s6@)).
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).
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)).
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).
fv(t)
f x(h(t))
. h'
(t).
aleaorias
9:]
Ejernrlos
1.
r'
pala: a)
rr,
-\.
hallrl
Soht.r:i.titt:
a)
Sca
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:
: p,(x>-)-1-p,(x.4)
a)
a)
\
\
(
: r - Fx"\ fL!)
a / +p, \ x: '-')
e' /
a-
h.
La funcin de densidad
es
9(r) :
: X2. Hallar
Si < 0, el evento
Fl,() :0.
<<X2
>>
su funcin de distribrrcin.
Fv(t): Pr(Y (
.
(")
es vaco;
<
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.
I -s
I -21 o |
Varianza
A)
: Pr(X :
v2 l(-)rl(-z)rlo, lz,
Es decir,
Y
Como el valor Y
4.
lglq
lol+
( 0,
k():{
si
<-1;
-1<<1;
+,sisi>1.
( t,
Solucin:
Fv(t) :
:
: 1-f(-ln).
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
f)
Gb;
,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.
-2
rl4
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
que la funcin
p(r)
es
p(r) :
#,r
:1,2,3,4,5.
X;
C)a>tulo
l(.
<:s
1011. .[(2)
/.:0. f
.i'
: 4r:- I.
r'.
il.
-f
.l'(0)
l)iu
rl<rtlotir
Pr'(x
: ft) :
.,*,0
3).
(t
. i) , k: r,2,...,s.
)'se dcfine
I'r(Y
rt)
lr)
: A) : ;\-
i,
: a*r,a*2,...
Pr()' >
tr)
!* pat'tr
A;
e, (L* 1, ...i
A;
:0.
la ley
1,2,..
.y p (0, 1).
11.
lien definidas.
a) /(c)
b) ./(r)
,:) /(t ) =
15.
/,
{iZ;:,
:i
si 0 (
r(
2;
;: l]
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:
.{:
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)
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.
77. La funcin
( o,
(r):
fr\/
te
si
r<I;
[0,
FQ):
( o.
I
t
si (o:
ct, si 0< t<I;
1, si >1.
b)
9
de densidad
/;
/('):{ o,
: ellas
a) Calcule
b) Encuentre la funcin
Una variable aleatoria
siz(lo,al.
b sabiendo que
p, (Z
1) :
\ -2)
=
1,
8',
de distribucin de Z.
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)
Esperanza
Varianza
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
23.
a) del puntaje
24.
b)
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.
b)
de la computadora;
d)
de uso de la computa-
Cunto tiempo de alquiler se debe presuponer por semana si esta cifra solo se puede rebasar
25. La cantidad de pan (en cientos de kilogramos) que vende una panadera
en un da es una variable
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
c) Si se trata de establecel
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
f
Halle Ia ley de la variable T
IJna variable aleatoria
Q):
i'
l 0,
[
: (!
I
1];
[-1,1].
sirl-z,Z);
si n
<
l-2,21.
1).
sigl-t,Z];
5,
caso contrario.
0,
si z
[-1'
o1
si z e
: -52.
rf")
. t . :)
"' (
(L
i.'.
<i)
Y2.
) 0.
Fy(r) -
- 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
Sea
1.
E(x)
: rt),
: f,o*rr.
l^-1
2.
X toma un nmero
k:I,2,-..;
Si
: 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),
E@:
l:
A la esperanza tambin
Sea
rf (r) dr.
[a.,
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.
:6,
cconstante.
E(c)
dis-
2.
bles
101
Aditividad. La esperanza
[@
(:'
c.
la^s
dos
tIoS
3.
Demostracin:
E(cX)
4.
Sea
l'c.
.l_*crf
En particutar si g(r)
Si
cE(X).
(r) O,
f@
"
.l_*rf
(r) dx
E(Y)
5.
E(cX)
E(g(x))
(x,)
cE(X).
: [* s@)f (r)d,r.
J_a
12 se tiene
: l:,2q,d,.
E(xv)
: E(x)E(r).
Observaciones:
1.
1
rria y
Y:
aX
b, entonces
E(Y):aE(x)
2.
+b.
r:
rr, entonces
3.5)
cula
aclon
a, los
TrL.
diferentes. Para diferen-iarlas es lecesario introducir otra caracterstica terica que informe sobre la dispersin de su posibles
Captulo
LO2
3.
Lr iclea de <lspelanza
rrreclirnte
la
se calcula por:
Var(X)
o, equivalentemente, por
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
2.
Varianza
La varianza
3.5.
1.
: !["r - E(X))2pt o
lc=1
- (E(x))'.
var(x)
|lO
var(x)
r) dr
- (E(x))'z
[a, b]:
.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.
o:\@.
es
3.5. La varianza
103
Propiedades
].
Lr variarLzr
de
unr,
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.
_*
Var(cX)
c2Var(X).
Dernostracin:
var(cx)
: l*
O"
17r", -
/'oo
: I "'1" - e(x)l/(r) dr :
J-*
c2yar(X).
'
3. Aditividad.
emostracin: En efecto,
Var(X +
E[(x
E(y))l
- E(x))(y - E(y))] :
En consecuencia, Var(X +
- E(x))(y -
EIX
X - E(X)
s.
y) : Var(X) + Var(Y).
2. se verifica que
Var(oX + b) :
a2
Yar(X).
Fj,emplos
de la
-.
x I -41 6
p10.2
10.3
10
0.5
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
Var(X)
b)
P(X2)
- (E(x))2 :64 -
(6)2
:2a.
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
xl
1oo
so
I ro I
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:
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,
Var(X)
n(X2)
- [E(X)]2 :
0.6r? + g.arl
- r.42 :
0.24
I
\
o.aq t olq:1.4
o.o"l -t o.4r| :2.2
It : l, 12:2 y
Puesto
qLLe
12
z1
rZ:0.8.
1.8,
.6
(,1.
ble ale
lealtoria
t<, -1;
si -1l<r
si r,) ' .).
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"
106
Pot lo turto,
v.u(-K)
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.
J'@):r+l2
"n
.)
de la variable aleatolia
X3.
Soluctn:
E(v) :
rs
@)
o,
.lo'
,t (, **)
o,
,)ar:1" *1 4l
)"- ls 2 a)o
u--.40I3
'
7.
',
'
a valiable aleatoria
tr(x)
Irrtcgrando por partes, ponicriclo
fx
/.oo
.l_,"r.tb)nt: .lo
rL:
:1.
rl,u
2re-2''d,r.
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
E(x')
2"
tlr
2
La varialza buscada
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
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
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
Varianza
a'''.
I,2,3,.
I (1 -P)A
po,:-7,
. .)
con probabilidades
L- 1.'
h:I,'2,..,;
P (0,1).
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
E(x)
prr-a
el cilculo
d.e
1:
(")
(#) r-i-r:-(#)
(X'),
usando Ia notacin
Q: l- p; pol tanto
oo
oo
oo
'
:
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"
109
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
es el
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
M(t):E("t"),
iefinida para valores reales de tales que la esperanza existe.
- . funcin generadora de momentos
se
alrt o
Ejemplos
x I -4 I 6 I 10
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.
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
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.
es
x I -4 I 6 I r0
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 -
(6)2
10.8e6(0)
b0e10(0)
:29.
(l
caso
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|,
,ljz
M (0) aplicaremos la
trt :
4*g:
CN
Im
f+0
((st-1)e3+(t+t)e-) -1,
*Lurn*l
3
ttz
56
24
ors
Por lo tanto,
Var(X)
3.7. Ejercicios
l.
Yt 2 t 4 t 5 I
xl-0.7t10.24 10.61
pl 0.2 10.5 10.3
Si
E(X)
50 y
b) E(-x);
Var(X)
120?
15. Encuentre:
el nmero escogido.
e) E(3x + 10);
f) Var(3x + 10).
c) Var(-X);
d) o(-2x);
a) E (x2);
Sean
1-
Z;
A: \IjA,
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'
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.
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
parar12l
0,
arlb, para21r14;
parar>4.
1,
F(r) :
a) I{alle
e1
cr
b;
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
b) El nrmero esperado,
c)
6
113
E(X), de respr-restas
del estucliantc;
correctas;
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.
b)
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
: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
lii
gzrrranr;iir
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
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
tm.
ry,
'r'
corr 100
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.
I@): I
L 0,
crso
contrarirt.
( gr2(g - ,\
f("):{'-r-'
0,
[
sio((s:
carco
conira:-
densidad (medida
3.7. Ejercicios
a)
r-15
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
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
:'-.
Sean
X y Y dos variables
aleatorias independientes. Si
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
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.
116
33.
Captulo
3.
Varianza
Sr,: Xt t Xz + "'I
7,,
X1Y1
Xr,,,
X2Y2+ -. . + X,,Y,,.
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)
c)
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.
36.
sea
Sean
XyY
con f.g.m.
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.
L(pt,pz).
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
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
-.
717
Captulo
118
4.
?
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)
tiene dis-
: '+]:nrt:5min,
22
: +:
o :
3.
1; ,,trt,rt,""r,
(l
8+1
,2
Var(X) :
2.
: i),8:
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.
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
'
N"
Ck,,,Ch-"*
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
tl(A'.
Lir csp<rlauza
rlctotir
r').
c-rer
119
(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)
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)
Z:
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,
Recur-
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
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
Yl o | 1 |
La esperanza
es
E(Y)
:6 116
45
-+1x-
28
+'2x-:1.6.
45
45
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.
L2L
Ejernplos
.1
I
2r
y las probabilidades
son
: o) :
Pr(X
Si Lay
I.2
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.
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'
-'t-';ley de distribucin
-'
Pr(X
tr-
-a variable aleatoria
k)
: Ckpkq'"-k, k :0,I,...,fr.
3ir(.n,p).
:-
-\ - Bin(n,p),
X-
se tiene que
E(X) : n'P,
Var(X)
nPQ'
,iistribucin
--'-:ra
r
-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.
Ejemplos
1.
Su>ongamos que en r,rna poblacin existen igual nirmero cle holnbres y de rnqjeres y consideremos
a) Formar Ia ley de Ia variable aleatoria que describe el nrmero de hijos varones en dichas
familias.
1
y el nmero total de hijos es n : 4.
)emos que p :
Sat
t
X:
varn.
Entonces, Ia variable
(4,|f 2); o
sea,
Bin(4,t12).
Pr(x:
o Si hay un varn,
o)
k: I:
Pr(x:1)
o Si hay dos varones,
varones,
/c
:2)
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
l114l3lB I
|
-f Pr(X:3) +fr(X: a;. Esta probabilidad,
Pr(X :2)
/r
1\
'\to't)-tc'
lfrl
c) EI nmero
ria:
11
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
Las probabilidades de fallo de cada uno de los elementos son iguales entre si, entonces es aplicable
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)'
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)
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?
f24
?5 z
,,
Dado que
E(X) : np :
E(U) :
4.4. Distribuciones
x 0.6
b.t
',1,
3, la utilidad espe'acla
es:
150+E(BX) +13E(5-X)
:215-5E(X)
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
X-
E(X) :
Var(X) :
L-p
p2
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.
O"
: 1: I
l)1
as.
El
E(x)
125
es p.l
I
: -\cl
,)
r)
: l:3.
,P:I
r'lrlizal cs
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,...
r','t"
Su esperanza
L
p
l-n
Var(X) : ,;
\
b) Cul es Ia
c)
d,e Pa,sco,l
X:
a) Calculemos la
esperrnza de
X:
E(X)
Se espcrartr
b)
Calcrrlemos
:l:,1
p 0.05
Pr(X
9):
Pr'(X
O;
CN I(0.05)3(1
A;
--Or-t.
3.
Pr(X
3)
0.Os;0-'r
qr.re las
C3_1(0.05)3(1
0.00257.
0.OS;:-;t
0.000125.
es
t26
Captulo
4.5.
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(^).
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.
forma
Pr(X
*)
^-).1r rrk
\-111|,
A;
0,I,2,...,
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
Solucin: si
a) La probabilidad solicitada
es:
e-3:12
Pr(X:2):;:0.224.
3Drane,
x -p(s).
istribucin de Poisson
t27
c) Esta probabilidad
Pr(X > 3)
2)
Pr(X
e-330
0!
0) +
Pr(X
1)
e-331
1!
:i
"
3)l
i:o'352'
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"-
Pr(X:4) :
b) La probabilidad
a)
)-
3)n
41
.-66a
24
es
:0.1339.
buscada es:
4) :
Pr(X <
Pr(X
3)
Lr=
menos de 4 llamadas>
complementarios; por eso, su probabilidad es:
Pr(X > 4) :
t- Pr(X
< 4)
+Pr(X
:0)
60e-6
<<se
L)
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
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,:
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)
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
: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:
ser' el
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..
sobre
{-1,0,1}.
Calcule: a) E (Xa)
Ley hipergeomtrica
Una variable aleatoria
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,
a) 2 cuentas
b) 4 cuentas
c) 7 cuentas
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:
y binomial
130
Captulo
4.
a) Pr(X :2);
b) PL(X > 2);
t2
13
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
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:
hembras;
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:
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
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
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 pesar de que no
se hubiera vacunado;
b) De este resultado,
19.
4.6. Ejercicios
a) los siete finalicen
1.,)
131
la calrera;
d)
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
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?
'l
-'a. La probabilidad
0.2. Al tirador
se
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?
t32
28
c)
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
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
20
piezas;
pieza buena;
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
),:2.
Calcule:
4.6. Ejercicios
a) Pr-(Y :4):
lr) Pr'(\/ 14):
133
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.
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:
en la sala de emergencia;
a)
b)
3 pedidos;
menos de 3 pedidos;
c) no menos de 3 pedidos.
a)
exactamente dos
botellas; b)
ms de dos;
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);
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
a) ninguna
b)
padezca de daltonismo;
2 o ms Io padezcan;
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:
estrLclrr'<.lel cost,o
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:
total C de firrnigai'5
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)
porlo menos 4
47.
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:
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)
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
X:2*
dorrde
sig:ue
Z,
una distribucirt de Poisson de parmetro ,\; v esto seguudo ocul'r'e <:ou tarnbi(ll-
con probabilidact
p::.
Halle:
4.7. Distribucin
-,r k)\' rlc <listiilnrc;irirr
135
uniforme
cler
rl,
I b-"
f(r): 4 =-1.
funcin de distribucin
sirf
[o.]
X -Ula,bl.
es
F(r)
si z e 1".]
I o,
-i
0,
b-o"'
,-o,
siz<a;
si(r <b;
siz>b.
1,
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:
1),
de
1.
3'
1.5);
[-2,3].
Captulo
136
4.
a) Estirnernos
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
: l'" f (r)d.r:
dr :0.66.
L,'!,
-m
.t
b)
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 <
es
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
sea
cle:
r37
clos <las o rrts.
Soht,ci,<i'n:
est uniforme
o":lyb:5:
si1(<5;
f(t):
caso contrario.
As,
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)
{.8.
Distribucin exponencial
Se dice que
,,
sir(0;
f(r)-l lo,
)"-^', sir)o;
-rnde
es una constante
a funcin de
- t(,\).
distribucin correspondiente es
F(r):
?'- -\r,
"
sir(0
si r ) 0
138
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.
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)
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
Ejemplos
1.
Una variable aleatoria continua Y est distribuida segn una Iey exponencial t(3).
- t(3),
/(v)
0,
siy<0;
Je-3a, si y )
0.
0'7
<Y <U.7) :
3e-3'! ily
.13
.55
b)
Se tiene que
E(v)
"(Y)
11
)
3'
: \;(n:
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>650): 1-F(650)
: :J;-;+
Pr(X>350) 1-F'(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:
X:
T:
la ventanilla>>,
X - P(4).
T
.fr(t):4"-nt, >0.
a) La probabilidad
Pr(?<0.5)' :
es
,.0.5
|
.lo
+"-n':0.86b.
b)
0)
: t -e-4(0'5) :0.865.
Se tiene que
Pr(? >
,): I,
4e-atdt:
o.ooo335.
I4O
Captulo
4.9. Distribucin
4.
normal
f
donde
(') : -!'-''-u)212o2 r
'
,/2tro
yd
es
e (-oo,
de densiclad
oo)
.M(p,o').
La funcin de distribucin correspondiente es la integral
F(r):
t/2""
"-(t-2lzo2
t.
E(X):
p,
Yar(X)
:62
varianza
o2.
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
^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
limitada por
l.
2.
lp-2o,tj-2ol
3.
El
lp-3o,p"*3ol
irea
Ejemplos
l.
. * .r)t
{ ) : 0.9264.
.s 02 :16, por lo que o:4;
La espelanza es E(X)
r@)
- lL:6 y la valianza
#r""p (
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):
Calculemos Pr(4.5
Pr(4.5 <
< X <7):
X < 7)
F(7) -F(4.5)
: ;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'
^u
a)
b)
c)
a)
Buscamos Pr(57
N(60,22).
< X <64):
Pr(57<X<64) :
F(64) -^F(57)
:;,*-,);:fr)
:'"'
-o(-1
Pr(X
o l"
\2/
.60\ =
0.8s4.
:0.166,
5)
norm,rl estinclar
r-60 :
143
0.834.
0.97.
De donde, z:61.94cm.
c) Ahora,
hallemos
Pr(X <
o l"
r) : F(r) :0.352,
,60\ :
\2)
: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)
1-oln;=t:to)
0.05
\
/
:
oft-1'70\
-\
o.o5
)
- 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.
En una ciudad habitan 150 mil familias, cuyo ingreso anual sigue distribucin normal con media
de 8000 dlares y desviacin estndar de 1200 dlares.
/:
<<ingreso
familiar
anual>>,
X -.A/(8000,12002).
l+J
Captulo
a) I)clrr:rlos
4.
< 6600).
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.
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'
En la tabla de la ley normal, \emos que se velifica que iD(0.84) : 0.8. Por tanto,
8000
1200
0'84'
: 80,
Pr(X<8a)
ot,
: 4, FZ:65,
F,(84)
:t(91#)
F2(75): O (7S
\b/
02
src]r'on
rnclroi
:5.
:.,t,
:0.8413,
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
Pr(X >
310)
N(F,(10)2).
Se brrsca el,r,rlc,:
:9.65.
Ahola bien,
',(+, -#)
:v,(z,
Y)
4.70. Ejercicios
clorrde
que
- N(O,I).
L45
>
1.645)
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.
a) Pr(X:0);
b) Pr(X < 0);
c) Pr(lxl < 1);
Realice el ejercicio anterior considerando que
[-3,1].
Calcule:
)):-.
X - U[-3,2].
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
cr
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:
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
a)
b)
4.70. Ejercicios
t47
b) rrrs dc 6 rrriuutos:
c) errtre3y6nlinutos.
d) Calcule lzr esperanza de la variable aleatoria e interprete
su significado;
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.
Suponga que la duracin, en minutos, de una conversacin telefnica sigue una ley exponencial
de que Ia duracin de una conversacin telefnica:
ms de 3 min.
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:
b)
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)
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
Distribuciones de Probabilidad
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.
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.
22.
a) Pr(Z <
23.
0);
^f(1,16).
c) Pr(lZl < 3);
Calcule:
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
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:
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:
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
a)
b)
es una
Qu permetro craneal debe tener un hombre para que el 16.6% de sus paisanos <<tengan
ms cabeza que
rl.
l>>?
l1
JI
a)
b)
.Crrntas tendrn
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
a)
L67 cm
yo
3 cm.
167
cm?;
cm?;
(iii) entre
161
173 cm?
a)
pese rnerros
de 12 onzas,
estndar
valor
debe
ser
el
cle la
.cul
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
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
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.
se
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?;
d)
39.
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.
151
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
E(Y)
Y:Xt]-Xz-+..-tX,,,
varianza Var(Y) : no2. Entonces,
aleatoria
-E(Y)
-np
o{n
Jv*@
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#)
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,
...,
r
Pr(X
Calcule la probabilidad Pr (Xr + Xz
: r) rl8
+ .. . * Xso >
3i8
t/2
70).
E(X):
Entonces, si
Xt
+, Var(X,) : #
* Xz*.'. *X0,
E(v)
: 50x+:T,
Var(Y) :
31 775
bux6a:E'
la ley
irl
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.'
\':lt';rl,lcs;rlr':rlorrrs:
('' f'..1,r
!i;rl
i,,,lt',,)t
't
;t,'iritr,lr,l ;rrl,rlris:
C..'
.i0
/i;(). 2;01
0.:1.\.
l-tti,,!tt,'..
E(C:,
Vrrr(Cl;)
ii
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.
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,
.f:l
153
a)
total de duracin de n
componentes>>;
Yr: i Xo.
,i:L
< bo4o)
too) :
= r Itot,==tuj
\ 100y'36
:
b)
Se debe encontrar
Q'4)
0.9918.
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
,:j*,
i=l
I - p.
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
r54
Captulo
4. Principales Distribuciones
de Probabilidad
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
\ -
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
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?
estn en mora
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 :
068 :
7.665.
Luego,
pr(x>80):
:
,,(t'
*q-#)
=r-*(tt#3-)
1-0.2033:0.7967.
4.72. Ejercicios
b) La probabilidad
buscada es Pr(X
95)
155
C8?0(0.32)e5(0.68)270-e5
pr(X
:9b) :
:
pr(94.b <
0.8829
< 95.b) =o
- 0.8554 :0.0275.
195!:96a)
\ 7.665 )
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)
b)
y 32000.
Captulo
156
4.
Utr jugador de baloncesto encesta urr lanzrrniento de 3 puntos con plobal,'ilidacl 0.3.
a)
b) Calcule Ia
10
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,
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:
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)
b)
c)
Si
Si p
0.05, calcule la probabilidad de que en 200 haya exactamente 6 de los que le interesan:
:0.4,
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
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.
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)),
b) y
Pr(a <
158
Captulo
5. Distribuciones Multidimensionales
f @,a): Pr'(x
A Ia variable aleatoria (X,Y)
: r,Y :
Y)'
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
:Pt(X : ri,Y :
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
F(*,:
Pr(X
p,j.
(r4,y)eE
de distribucin conjunta de la
,IToo rfT."
F(r,a)
0 y q"e
,lgg rlIg
(",
u)
r.
de
fx(r)
Fx(t):
Fx y Fv
x,4t
Drnt
j:l
son
se calculan por
Fy(t) : llnt
A<t i:I
rq,1161
"rlerrtc
r lr autetiot'trlclttc
159
e<1tti-
clrclir:
: r.Y :
y)
:Pt'(X : z) x Pr(Y :
X y Y son inclepenclientes si
9;.
Ejemplos
1.
f @,A)
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*
/c
94.
1.
: :
36
X
Y
1
2136 4136
3136 6136
2
3
2.
s
T
-1
1
-1
r/8 r/t2
7124
svT.
Solucin:
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
-1) + Pr(S
:0,7 -
-1)
: !
Pr(S
'i.,7
j):
por lo que
7r5
: %E:
12'
?:
ll
8-12-24-t
:
: -1,7 :1) + Pr(S :0,7:
Pr(.9
fr!)
5 *1*1:1
: 246- 8- t'
-1
1)
Pr(^9
7,7
:1)
l-r
Pr(T: j) I rl2
01
rl2
1. f (",
es no negativa; es decir,
2. .J_-.l_*"
[* l'* I@,y)
' " d,y d.r :
3.
V(z,g) e R', f @,
>_
/,
0.
t.
-B>>
se calcula mediante
Pr[(X, Y) e E]:
l.l
E
f @,a)
d,y d,r
bidrnensionales
161
F(r.y):
Pr'(X
1.r.Y < s) :
,IToorIT." F(r,y):
-.
-.
tI4
[a, b]
x lc,d),la probabilidad
del evento
(tLd's'
y que
:1.
,ULJIL F(r,u)
F(r,y)
o2
-.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.
Fx(t):
lon
este
"[
f@,y)dyd.r
Fy(t):
se puede
If@,s)d,rd,y
si
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
xv(r,o)
b) Por simetra,
f @,a)d,rdy:#:;
ll
,2y2-q2
f x(d
2.
< o2):
X y de Y
L *'r:
l'"
_o 4az
:,
2a'
X:
r e l-a,a).
(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
f x(r)
fv(a)
[*t f *r(r,y)
da
: .lt[* +
:
rU' ay 4.
lr* *rlr,e)
dr
lr*
o,
i.
b) La funcin
de distribucin
F(*,y)
es
.lr' Ir"
,*r(s,
)ds
: (#) (")
or:
Ir' Ir"
oro,
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
Pr(X
b)
:
: at
,, -P'(I:^!'Y
Pr(Y:Y
rlY
'
u)
r,
f @la)
Como fv(a)
l*_rr",a)
d,r
,@)',)
r, para un valor
TY\A )
f (alr)f x(")
f(,(rga)
f@1
-'x
f (al")f x@) dr
Ejemplos
1. (Continuacin)
X
Y
1
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 :
3
4
-361
3'
3
6
1
-AO.
2'
fijo
Captulo
164
2. La 1ey de densidad
5. Distbuciones Multidimensionales
es
, f 2, si0(r1).,0<y<r,rly<r;
r'\r \ /: I .0,
"fxr'(r,ll)
L
casoconl,r'ario.
cuando :
20.
:2(I
dr
_ y).
La distribucin condi
, Para0(rlr-ao;
f@lao)
5.3.
caso contrario.
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,
real
g iPt2 --J
@,a)
1.
E(g(X,
2.
'-
R
g(r,a).
Y)):
ttri
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
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.
Sean
calcula por
Cov(x, Y)
E[(x
- E(x))(Y -
Propiedades.
entre
XyY
E(Y))].
se
5.3. Esperanza
Si
1rs
165
Positiv:rs, cutouccs
Cor'(a1X1
1.
.y covarranza
I^:?,Yr,\')
o,t
Cov(X1,l')
a,2Cov(X2.\/),
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)
'.ralesquiera.
Var(X
Var(X +
le
ruarrcrr sinrilar',
var'(Xl') :
y) :
Var(X) + VaL(Y)
2Cor'(X, Y).
X y l'
es
--,trde
-',.-,n
base en
p(x,v :
Fropiedades.
-. p(x,\') :
X y Y clos variables
el coeficiente
Cov(X, Y)
p(\" X).
Sean
de
varr entre
-1
.y 1; cs
X, pol Y :
a,X
cr,
1.
4.
5.
5. Distribuciones Multidirnensionales
Captulo
166
si lp(X,Y)l
si
X ), \'
:1,
entlc X y
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.
,S
s
T
-1
1
-1
r/8 r/12
1
7
/24
l-r
leyes marginales de ^9 y de
?,
que son:
-1
:
E(s2) :
E(s)
(-t)'
_1 I.
-
En consecuencia,
Var(s)
E(^9')
-E'(s)
:#-(+)' :H,
1
E(S")
: ftiip(i,i)
?,J
:
:
-02
1.
(i:-r,0,1; ,:-t,t)
157t1
8 24 24'8
--I
4'
1.67
Por Io tiurt,o,
Cov(S',7)
E(sr) -
E(S)E( T)
_'i_
( ;) (o) :-1
p(s,ll) :
-?
-+:
t/toz
(i#) .'
2.
-0.29.
txv\r,
/ Y), : 12, si0(r.-I,0<y<!,r*a<L;
t o, caso contrario.
X y Y.
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'
x,y. (r,
donde lRl
<
R2D
+u2
: L2"ffie
-L"-G'2 \-'o -2RLa) / QQ- ,
es
.@<r<oo, m(g(m,
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
'
Distribuciones MultidimensionaJes
,/
t - ll.2dz.
I .'tt..2t:., / .: /, ,
I Ct/-,la:-,
- )tT'
.l -^
: j:e
AniiLogarrrente, se clcteluritirqrrc./tt)
A p;rltir
<[e
Encorttlerrros la
Cor'(X.
crtcotttrarLtrs:
v !7t
7
rf-'l-
,,.,.tz.
t :t
-)O<r<
\.
oe.
cor'rlirttzr:
Y) : E(Xi') =
h'[-
E(X)E(Y)
o"-o'''(l: J';I _H
1
- r-
Ry)2 I
d'y
Q(1-R2)) ar\ y.
]-Jr;
\:
p(x,Y):
5.4.
d,a:
.[*_r'"-t"/2
Cov(X, Y)
vry"rEtrcn
R.
: R :R.
1.1
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.
Si Xl , Xz, ..., X, son variables rleatorias discretas, el vector aleatorio Z es discreto y su funcin
r'obabilidad es
.fz(r,
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,
<lc. lr r'rrirlle
de X1 , Xz,
.... X,.
aleatotia rnttltivat'iar:te
Z esti definidtr
por
5.
l''7(,:t, ,
-,
,iLt,,)
: Ff
(:t1)
169
si
'
eqtrivzrlentcntertte,
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,,,);
E((g(Xr ,X2,..
.,X,)) :
.l
-Rn
.f
O@r,
:uando Z es continua.
La covarianza entre dos componentes cualesquiera
Cov(X,, X,n)
..i.rre
ii
E(X'.)E(X,,),
o,.?,r.
es
P(X,,X,n):
:.-
X, y Xrn deZes
Cot,(X,,., X,,r)
Var(X,.) Var(X,")
:*=
)
la
de
eda como
5.5.
l.i
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
de parmetros
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.
se lo nota
X - M(n;Pt,
...
,Px).
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
la probabilidad para nr
Pr(X1
:15,Xz:7,Xs:6)
ffi
to.u
151o.zs; 710.
rs6
0.021.
S:
[ot,br] x. ..xlan,b,r] C Rn
5.6. Ejercicios
171.
{1
.f*,(r) : I bo I o. ^'
si r lo'b);
si "r'I lo,,b,].
r@,
;cfu."r{-^l%t
_2p(, - t4@ -
oto2
p)
(y - !2)21
\
---A-)J'
X y Y.
X y de Y
son:
X - N(pr,o?) Vy - N(pz,oZ).
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
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.
s
T
r/20
Encuentre:
t72
Captulo
5. Distribttciones Multidimensionales
3. La funcin coljunta
c)
l@,y)
c(:r2
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)
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.
Pr(X
Z)
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
6.
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
Calcule el coeficiente
r,' },
Dada la distlibucin cle 1>robabilidacl clc uur variable aleatoria bidimcnsional cliscreta
X
Y
0
1
l0
b)
30
20
40
0.04
0.21
l';
5.6. Ejercicios
3.
173
1. , ,
./.\)'('lt:
',
Qr
\ tt.
-,1. .i
I 1.3}.
.r' {0
//
XyY
c {1.?.3}:
(.;rO r.(rull.al.iu.
9.
CalculePr(1
Drcl
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
: !
1T
"-\"
_.'x)
12
<
r {N,
-oo(lJ<(n.
Encuentre las funciones de densidad de cada ttna de las conrponentes. ,Son independientcs'/
Lr 'r'ariable
: (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)
son independientcs.
r > 0 y ;/ > 0.
-,\
2150
3/5n
7150
5150
')
3
.l
,)
ls0
12150
e l50
41
50
3ltt)
:t 150
150
174
\::l
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
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,
Sea
r 4r -l6u
,,^
^.t
5
IV,A):- \
[ 0.
1}.
Calcule el coeficiel,:.
caso corrtrario.
a)
b)
rrrs del 80% de respuestas correctas en ciencias r,. rnenos de 50% en hurnanidades?
r@,:
a) Errcucrrtre el
o<v
< r;
{ ;:r, ::j:":;:,;''
/(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;
5.6. Ejercicios
19. Si X cs l;r pr'oilorc:i<itt rlc pcrsonas que I'csl)ontlcrr
la
rtopor< iritr
<lcl
X y )/
otla
L75
errr:rrestr rr:aliz<ll
r| -*'-!,
2ri8t
5
[ 0,
para
.lb,v): I
0(r(1;
0<yl1;
Eucueutle:
encuesta;
encuesta y
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,
a) la densidad conjunta de X1, Xz y Xs, que representan la duracin de cada uno de los
circuitos;
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;
22.
=X,,
,i,
t .;y r >2s,
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
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;
X v de Y;
)/'/
1,
X y de Y:
es
. ( !6rr+yr)y,
sio( r1r; o1y< l;
(r,a):1
5
|.
0.
caso contrario.
(r,y)
X y de Y
.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
l?,a) :3 a"",
at:-
Dada
La
L77
lr
funcin de distribucin.
( r 1y 1 l?;
b)
"f(r,A): (r+r
ta)4
r)
es
0; rr>0?
(X.)')
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)
r@,a):
a) Encuentre
b)
c)
d)
e)
')t
'),)
{3:r' :ff"h;,s
,Son
Sca (X,
1;
el valor de k;
XyY
deXydeY;
X y de Y;
0.6);
independientes?
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'
::.
l;.
Son independientes?;
t :0,
:0
c) lacovarianzaentre X yY.
X :,Y
es
178
tr) Escrilra
36.
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?;
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
a)
b)
39
y 3 viudos;
y 1 viuclos?
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.
4r'
xt,
X2,
,,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,
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
:ica.
-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.
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
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
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.
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
. La media muestal
El total muestral,
i"n
o promedio , T
i:
Nr,
: L;
'ln
La r.arianza mucstral,
s'2
- ---:-
T.@, - )2;
1
La proporcin rnuestral, f
Lt
n,
, donde
n-I
y
'rL
D@,
i-I
- r)";
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.
se
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,
es
zs +) :o ( ++\
\ -ol'/")
\"11")'
Tngase en cuenta qlre) para la mayora de aplicaciones, ya se obtiene una buena aproximacin
un tamao de muestra de n:25.
cor-
se le not;-
OV
\/n
Ejemplos
1.
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
0.9
,,/g6
u'rc'
p:
7:
6.3. Distribuciones
a)
183
As,
6.9
x ,r(t
: 0.2515
b)
de ntuestreo
- 7\
0.15
Tenemos que
c) La probabilidad
1- v, ( z= u?''lt)
0.15)
\: 1-O(-1.2) :l-0,1151
1-Pr(X
0.8849.
<6.82) =
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
PI,
r/tz
2/72
3l12
3lt2
2lt2
r/72
es una
variable
a) La media y la varianza
tt
D,,r*:ox
5
son:
i*r"3*r"i*3x i*n"l*r"i
2'
o2:
tr2
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.
Distribuciones de Muestreo
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)
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
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.
9.99,
":(#):40e6'
Se necesitan al menos 41 mediciones para que el promedio de la nuestra est a
rnedia poblacional con probabilidad deI99%.
cm3
de
Ber(p).
..., Xn,
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;-
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
Ejemplos
-.
0.2
y on :0
la probabilidad Pr(0.15
Pr(0.15
2-\^=0 B
100
9 rtu.
100'
es,
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)
'/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
de Muestreo
1a mrrestrr clc
tal
moclo quc
0.95:
0.1
<p-t<01)
o' \
: P,f+ <z<
\r/pql,,-
olq$)
\/psl
r/nul,,1
<,(_otJ) -on,
y
\ '/ps/-
0.I{"
,/w
n
n > (1e.6)2(0.5)(0.5)
e6.
b) Antes
>
(I9.6)2pq.
entonces,
40.57.
La ley de distritucin y2
Sean X1 ,
X2,
..
con n gr1-ul
es
,(n-2) lz
f(r):
i;
2"trt
"-r
(;)
lz
, siz)Q;
sir(0.
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.
'1.
Considere Ia probabilidad
3.
Proceda a localizar el valor X?@) en el cuerpo de la tabla, donde se cruzan las lneas vertical y
horizontal antes encontradas.
-' .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;.
l.lucin:
Sea
: +I,
IJ
x2Qq para n :
30.
Captulo
188
a)
Se quiere buscar
6-
Distribuciones de Muestreo
p,
("
\o'
-rt
:
r' r 3r)
Iro)
b)
Calculemos Pr(10
< s2 <
pr(10 < ,2
0.975
0.95
27),
:
:
:
pr(18.13 <
u<
48.s4)
<
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)
#:'#
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.
desconocida.
La ley de distribucin
de Student
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).
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.
1.
2.
3.
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
_.t125.
jolucin:
--,Iey
es
:2.447.
t:2.447
de
La ley de distribucin de X
Srpongamos que se obtiene una muestra X1, X2, . . .,
de Student con (n
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?
e, (r > B.2s)
Captulo
190
6. Distribuciones
de Muestreo
qr.le:
2. o7r-r:
3.
Var(Xr
-2):
l-tt - llz,
o?-l- oZ
I
TL1
-ln2
7-
sigr"re
t'z)
<
t-(tq-pz)
t-(tq-pz)
):.(
>_
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
<z< 2-(40-40
r:d------'=t
t5'
tl-L-
o(1.55)
o(-1.55)
Vro go
0.9394
- 0.0606
0.8788.
1.
o'3,:
191
o2.
Lr r'r'irbkr alcat<llia
Caso
2.
I o|.
La variable aleatoria
(*.*)'
9-
<<xitos>>:
1ntlft2
Ft:Lfx,
a
fl,'t
i:l
Entonces, F,
-.-rr
t
\- -.
i:t
Fz cumple que:
y Fz:!fy,.
nt- u
1r
,^
'*-\rr
p2;
pt(J-pt).pz1-pz)
^\
va
-Pt-P2
vaLtul
tt)t
r''/
TL1
n2
Captulo
L92
6.
Distbuciones de Muestreo
Pr(Fr
Fz
lt) =rr( , t
t-(pt-pz)
ffi
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?
n1o
-pt-rn
Buscamos la probabilidad Pr
pt(10
-0^l
(lfn
< 0.19)
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.
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,
F(n1,n2)
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,
E(Y)
"^,sin2>2
TL2
2n|(n1+ n2 - 2)
y Ya{V1: nt(nz-2)z(n2-4)'
sn2>.4.
) 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
: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
(rt - I,n2 -
o?: o3:
7) g.I.
t
: 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
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)
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:
o
!).
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
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?
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;
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.
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?
sigr-re unt-r
distribucin normal
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.
c)
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)
De acuerdo al Teorema del Lmite Central, cmo variar la proporcin de quienes celebrarr
la Navidad, de muestra a muestra?;
celebre la
fiesta;
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
ms de 12.5Vo?;
Supongamos que el 40% de los votantes est a favor de Ia reeleccin del actual alcalde.
a)
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.
1.,-,
.tD
Lt)
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
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
<i
-.Lr--
a)
b)
c)
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;
Captulo
198
31.
6.
Distribuciones de Muestreo
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,
150);
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.
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.
mente:
a)
47.
,Fo
r(9,5);
b) ro o1(t2,t2)
c)
'P 025(20,7)r
d) b05(15,4).
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
#fr
Pr(o(Y<b):0.925 y Pr(Ylg) :0.05.
a) Determine la ley
b)
\2(20) ), l':
cle
distribucin de p
<
/ \,
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
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
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
W. Kruskal
:n el Captuio
,-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
corrcinsiones soblc
lr
;.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.
.r,
,:,,selvemos que un estirnar,lol es nna variable aleatolia; rnientras que Llua estirnacirr es nn nrrnct'o.
:--lr.ttrs veces)
Captulo
202
p
f : proltorcin
7.
Estimacin de Parrutetros
la propotciri ltoblaciottal.
poblzrciorral cstirrracla, ir
partir
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..
1.
2.
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
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%?
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.
Al estimador puntual
cle d se le
nota d,,.
5r
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.
de un parmetro descono-
cido est dado por clos puntos, qne pretenden abarcar el valor leal del parmetro.
203
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.
es insesgado para
cstimar
E(6):e
De otra manera ? se llama sesgado.
D-L -_
:-'
i::
\otemos que la rlistribucin muestral para el estimador sesgado est desplazada hacia la derecha
4. Este estimador
E1 sesgo
de
:E(A) -
Ejemplos
l
1.
La media muestral
E (X)
,n
El
estaclsti c<
\/ -X2 :
>a
'
,i-t
x?
17
(t/F) + u
insesgados de d; ?2
se
204
E(0:) = 0
< 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'
de
se
tiele
trCM(a)
quc
- val(D) + (.".s-oi0;)'
\/
Varl?;.
Var(X)
v
u]
ir:
14 1,
^t
0t: )(xr
'2- * 2_Y),
Lr
0q:-Y:
F-Y2-r-
r("t
Xtr-Xq-X).
E(01)
Var'(?1)
VaL(02)
tar'(0)
Var(?a)
.r, n(6r:
Vzrr(X1)
,,,
: *r,,
)'
EqBn
,.
:62.
n(Var(.Yr)I
B(?r)
')
Var(X3)
(X) + 4 Var'(Xs))
;(Var
44
,2
VallX,) : --.
r-
Var1X5)
)
DO: a,
:- o'
.1
D
205
Elcstinta'<[,r03css.sgirclo,rttictrtt1s.1,,,r?,.i.t:,/,usr.rrrirscsgrtles;
r)
estinlldor
<[e 1,
Entonces, el
(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
scsg<_ls
ECM
r'rr'irrLzt
".
l') :
/7 \2
i:o'
se clefine
La esperanza de X
La varianza de X
....
x,,
y varia.za
,\,"
pol X - :--t
'tL
es
E(X) :
De manera que
,x2.
es
--E
lt
un estimaclor
_1
?t
ttt'' : !@r')
es
Vrrr(,{) :
Var
:*
:-
var(x)
: \qro,
Tt.
o-,
77
;.3.3.
5"*l
--,,,
206
os
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
Lt esJrer'lnza de .92 es
D(xu -x)'
rt-7
,i.:t
Corno
E(Xi)
li=I
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
7.4.
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
/i;-siro
fr,: E(X'),
rrl
i^ : L,
A,
1.2.3..
X.
EI
rL
pk:
p. y resolvemos Ia
207
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')
:1
n,
Si igtralarno s ltz
y p2, obtenem..
Entonces, el estimador de
es d
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
,f
lI'i,:t f l].;e).
:log(l,(d))
Ia
:i
'i:7
ros.f
(x;0).
de Ia ecuacirr
cs solucin
dt
d0
-:n
ar,
00t
Ir
_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
(X=
f)'\
/(X; p,o2) : +"*O-'v (2o2 )
/2tro
\
N(p,o2).
Captulo
208
7. Estimacin de Parutetros
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
11,
e igualando a cero da
p):0,
- x.
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
t"
varianza
o2.
Sc lrroptnre los
0,:
Xt -l Xz + 3X4
03: Xt'l
Xz
Xs
Xq
-f
02: Xr Xz + 2XJ
4'
Xt*Xz*X+X+-J
6n:
1,
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'
\'t
a) Diga si 1os estimadores
son insesgados;
b) Encrrentre su varianza;
c) ,Cul de los tres estimadores
4.
Xz
es mejor?
e Q' 1 0)
0,
*t .
: .yr, 0., : ', :2"2
a,
: IJ:3!2, :x
an
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(^).
a,
0n
Xt -f2Xz * X: *
2Xq -f Xs
:xl+xl.
tsl+usi?r+osl
30
es
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.
es
tales que
E(Xr) : E(Xz) : p
2LO
a
a) velifique
b)
10
0r y 0, ,uu
"i
.1.," 03 es insesgado;
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
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.
su
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)
r)
Sca X1, ..
r e
.,
(0, 1).
Pr(X: r):
Determine
11 veces
14. Sea
Cp'"(1
estimador de mxinia
valor2ocnrre9veces.
(,):
r2-z
de
sir)0,
{"n-,'*'
(0e
caso crntrario.
d)
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:
I)u r ol
rltrrrt'l lul
osl irrrr,-lor
rlr:
<l<r
).
10. A lr.' l;trgo rlc rttL tio, lr ltcnrl rrr rlc tigrillo
Scg-rirr
tllr
('sl
ttrIio
ttrt]iztclr-'
(:rrsoijl-1,,
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 .
?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.
rsocit rrna
i.n,.feri,tt
se lt:
1l'obtrbiliclacl
clclirnitn
(LIC:.LSC). Esto
r\(LIC<0<LSC',):l
-',- irrtt:tr'rkr
<1ur:
s<:
y a los cxtrernos
r'esLunc cll
ri.
(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
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
(t-
ttt/,2
r1r
.;
clel
c-.s
c,o,rcrc:iclrr
y <rc pala
vn
1)
Dondc:
es el
Ia, desviacin
zo2
tamaio de la rnuestla"
estndar de la pobiacin.
estrrdar; es decir, 7
:
(z*2)
\ttl.,/2,
Figula
(Figura 7.3).
Intervaio de estimr.cin
Iln
Xrr
norrnai
n)
25.
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
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
'
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
Ir
rneclir
poblacional
p"
n: 36,r :
15
1.8,
0.05 y
ol2:
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).
Solucin:
Adems,
Se tiene que
n : 50, r
46
y o :3.64.
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.
(r -
zolz
s ;r
+ zUz
s\ :
g)
yai
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
1.r
cstiuracitirr:
17
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
za/2o\2
n,: |/ ------
\E/
que es el tamairo de
Lr
7-c..
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?
0.5
y za/2:
1.96
(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
cle 50 rtletas,
llrteIi)rete.
7.8.
1.
Ejercicios
n:45, r:5,
b) n, : 100, r:37,
tt)
2.
:
.,2
D
6.8;
-L<)
c)
q<.
d)
:
o2 :
o2
4.2:
14.
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
si
tr-
y lo.
7.8. Ejercicios
a)
b)
:
cr :
cv
0.01.
7L:
0.05,
TL:
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
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?;
g9 %o,
cuI es
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
al
90% de confianza;
b)
8
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)
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?
2L6
11.
En una regin geogrfica, la estatura de los individuos varores (en cm) sigue
a) Halle el intervalo
.r,,
r-rna
(U;7.52).
LL
con
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
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
b)
Esperara usted que alrededor del 96% de todos los estudiantes tengan longitudes de pies
en este intervalo? Explique;
del
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
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
(z
r, a
- a)Ta,
217
est. daclo
por
Donde:
tr,/z(n
ct
e1
cual
Ejemplos
b)
67
.r
64.2.
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)
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.
Captulo
218
csl
irLlacitil
7. Estitnacin de Parnreros
lr)clror'L 2[) rrirr
s(rr
,9ol,ttt:irit:
lll
(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
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
es
1,,12(n
L)
2.262
2.\37
2.r20
2.1 10
7.LO. Ejercicios
I. Encuentle ul
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.
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
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
corrfi)nzI. <lc
49.8
91.-)
%,. 1>irlrr
cle
l,) ,Puccle csl)cr'r'sc cre cl la<lrclol leba.jc srr ticrnpo dc 50 s<-.gunclos? ,Por qrr?
4
Lrs
Iip)
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.
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
Asurnier.rclo
confjurzr
b)
9. El
c1r.Le
tI
95%,:
pzt,r'zi
tipo
220
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.
Los siguientes son los tiempos, rnedidos en das laborables, que demoraron 16 trmites de jubilacin en cl IESS, elegidos al azar:
Das
264
779
a) Bajo Ia suposicin
e1
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)
y Ia desviacin
e)
y la desviacin estndar).
Un intctvalo de confianz
par:r ir
1-rzrrir
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)
s2 es la varianza muestlal.
f)r(n-
1) es el valor, de la clistribucin 2 a
\?
\j,o/z^,"(n -
(n-
22t
(, -
1) es el valor, de la clistribucin X2 a
].
X,-o,,
z,_o,,
Latz
X.2
en el intervalo de confi.anzaparao2
Ejemplos
1.
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)
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
18.6.
n:7 y 7 - a:
- r) :
x?-.z(n - t) :
x?.z@
x3 oz(6)
:74.45,
x|3zs$) :1.24.
0.95.
222
El
(t,t
tliJ.
(r-1)s2 \
19.67\
/rlJ.6;6.,
:
('
LrL; ' n4 )
[C,,, - t, -,-,, -r )/
ls
(8.17;95.18).
7.t2.
1.
2.
Ejercicicrs
a)
n,: 4;
b)
n,
s'2
: 8;
:225
c)
n: 13;
cI)
n:20.
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
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.
17.1.
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%.
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):
15.8.
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
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.
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
20.5
20.6
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
Donde:
,n
'
za/2 el valor z que corresponde a,l rea 9 en el extremo superior de la distribucin normal
2
estndar.
:ll0-
dado; entonces, ,E :
Za12
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.
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.
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.
/
\n
z"rz
(0.86)(0.14)
(o
400
'u
;0.86
'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'
-
630, de
a)
- 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.
r: @#r:e%l&i#e
:
7:35.77
Sin urr conocirnieuto previo de Ia proporcin, se deber muestrear al menos a 736 pelsonas.
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-)
"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)
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;
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.
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)
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
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;
sea
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).
S. En una lnea
a) Construya un intervalo
defectuosas;
defectuosas es menor
o igual al
5a/a. Ser
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.
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?
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
13.
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
un nivel del
son conocidas:
"?
"3.
2.
o'l: oZ: o2
| (zr
rz)
- t../z(nt -t nz - 2)
@t - rz) +
lE=-;
229
/z(nt
t nz - r
rE=-)
^r_(ra-t)"?+(n2-r)sl
U+n2-2
Caso
3.
I ol
(,t' - ,) -t.tz(s)rm *;
Donde g
@t -rz)
+t,/z(s)r{-.t)
+ slln2)2
("?1",)' , G3/"r)'
u-L - nr-r
('?1",
Ejemplos
1.
Se pretende comparar
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.
nl :5,
TL2:
5,
r1
rZ
Entonces,
(,r,-,
- \,,,
"'2)
zat2U
;' _ ):
:
(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
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
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)
o?
i,oi
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.
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.
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.
-00(1
l,,rnde 0r
y lz
la diferencia de proporciones pr
p21
a \rr
: I _ fz.
Ejemplo. Un fabricante
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 :
(,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
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
personas
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
e1
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?
verrde pollo a
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.
234
pi-Lla
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.
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
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.
Hiptesis nula,
.FI6.
Regin de rechazo.
5.
Decisin.
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
es
es
se denota
po a y
se
237
fija al
escoger
la regin
de
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
II
se denota por B
depende de
la
hiptesis
B.
Il
s de pruebas de hiptesis
pruebas de hiptesis se clasifican en unilatelales
y bilaterales.
Captulo
238
8.
Pruebas de Hiptesis
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
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
8.2.
0l0o
(Figura 8.3).
Ho,
gs.
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.
unilaterales,
cuando deseamos probar que el valor de la media poblacional l es igual a un valor prefijado
1.
p:
po.
-r,s.
2.
Hi,ptt:si,s
Al,terrtotduu
Hl
3.
Estadsti,co de P'rureba.
4.
-L
Zobs
ro.
- lro
IJ
"
x:
-zol2 o Zor, )
z,r2.
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.
se diferencia
b) Determinar el p-valor
de la prueba.
Solucdn:
a)
Nula. Ho: F:
1.
Hiptesi,s
2"
Hiptesis Alternat'ua.
3.
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.
a:0.01,
1.
2.
3.
4.
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.
a)
Se desea saber si los comprimidos del lote son aptos para el consumo humano, a
un nivel
de significacin del 5 %;
de la prueba.
Solucin:
24O
Captulo
8.
Pruebas de Hiptesis
1.
2.
3.
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.
0.8621
0.1379. Como
II
se nota como B
Hl F:
se define por
: ptl""eptar flslr, ),
l-rt.
7 : !-4
ol\/n
es 0.54 mg.
-16>>
r.
Aceptamos Hs
si+
o
<
\/n -
1.6b; es decir,
Pr(aceptar
Holp) :
"\"lr/i'
8.3.
o.lrl\n44 )
- 1-
13
:0.7024.
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:
1.
2.
p,o.
3.
Estadstrco
4.
Po
'l'F,
{ -to/z(n -
1) o tob"
t^2(n
I).
Ejemplo.
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.
:97.7 y s :
18.728
1.
2.
3.
: $1.
Haptesis Alte,rnatiua. H; p,l87.
Estad,stico de Prueba. tobs: !;+
4.
Regi'n de Rechazo.
libertad ("
5.
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.
1.
2.
3.
Estadstico
4-
Regi'n de Rechazo.
Prueba.
tobs
< tli.
: " , 4.
"1rfr"
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.
p: 3.9.
Alternat,iua. HI H > 3.9.
problemai rL:22,
r:4.5
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.
tle
trlec:la,zo.
1.,,,,,, )>
8.4"
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
* @#
y2
con
(n - t)
: of;.
H o2 I o2r.
(n
1.
2.
3.
Estad,stico
4.
Hzptesr,s
Alternat'iua.
d,e
Prueba. X3,,":
-])s2
1) o
XZt
"
< Xl .,r(n
- t.
1.
2.
Hiptesi,s
3.
4.
Hiptesr,s
XZu":
"3
(n
@ bien 111:
- !)s2
o' <
oZ).
o2o
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
b) Encontrar el
p-valor
195.
de la prueba.
" - ry99
8.5. Pruebas
243
1.
2.
3.
4.
102
:10C).
H'i1ttt:srs Altentat,i,ua.
(n,
- t)s'2
(16
1) x 195
:29.25
100
La
5.
Decisin. Como 29.25 > 25, se conch.r.yc qrre la hiptesis es falsa y qtle la variacin
de la,s
8.5.
Para la realizacin de estas pruebas, utilizaremos la aproximacin de la ley binomial mediante la ley
:rormal.
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.
p- -a
n
un
-2.2 o 2o6"
/ zt/2'
p:
1.
2.
Hiptesis Alternatiua.
3.
Estadstico de Pru,eba.
4.
po.
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
a)
Son los resultados de Ia investigacin consistentes con los datos del fabricante?;
b)
Soluczn:
a) La
28
200
:0.14.
1.
Hi.ptesis
2.
Hi,ptesis
.J.
4.
5.
b)
Estad,stico d,e
0.1.
Prueb
a' Zobs:P - Po
lposo:
tl n
0.14
0.1
0.1 x 0.9
:1.886.
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.
II
se nota como B
y se define por
prlu"eptar I1slp1),
p: pt.
Entonces, Iavariabl.e
Z:
srgue
valor de la
'
<
A<
0.14159.
br) :
0(0.93958)
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
8.6.
Ejercicios
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)
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) A
b)
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%.
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)
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.
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 %:
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)
lr
t
t
fi
8.6. Ejerci.cios
i.
v altelnativr
clc lr pmcl)r;
247
a:0.05;
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
14.
a)
b)
c)
d)
Plantee las hiptesis nula y aiternativa para verificar el argumento arriba indicado;
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
\5.
0.05.)
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
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
Srrponiendo qr-re
meclio?
19
El ticrripo
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
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.
b)
r-le es1,c
tipo
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%.)
Unr muestra
indirrre q',r o2
> i5?
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
Verilique si la nrqrrinir gartrrrtiza lir prer:isin neer:salia p;rlzr el uivel cle significirr:irin ck: (-).05.
24.
112
11it
0')
:, I
lc_1, r,
121
illr)r'rl
177
116
122
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
b) Verifique si la varianza
es
se
distribuye normalrnente:
5 %.
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.
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
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)
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)
lir
8.
Pruebas de Hiptesis
rtit\rorr clet
favol del
enchrrc<tirrLierrto rle
lrs
?i
y>nrcbzr.
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.
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;
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
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.
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.
8.7.1.
25t
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:
1.
2.
Htptests
3.
(t1I
:r2)
loi
,i/-t-
4.
Ds
't
''
o.1
n''
n2
1.
2.
(h - F) : Do.
Alte'rnat'iua. Ht (pt - t ) > Do (o
- p) <
Do).
4.
U^--q
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;
1.
2.
Hiqitesis
Nula. Hs;
14:
Q;
11,2.
Captulo
252
8.
Pruebas de HiPtesis
63)
"?
-j+i
'tLI
Rechq,zo. Para el
- Do
(59
(r1 -22)
-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.
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
n,.-2
cloncle
'i-,"1'-2'
7t
"
ntln'-2
2.
1.
2.
3.
4.
Lnb"
I Do'
(i.'-rt\-D
",1
^* - 2) ol'r,r) tu2(n1+rLz-2)'
{ -tolz(n. +.n2-
"V
4.
tt
tob, ) t,,(rr1 +
n2
n'2
nz
2), cuando
253
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 (%)
12.3
Frecuencia
Pas B
Rendimiento
(7o)
Flecuencia
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.
2.
Hiptesis Alternatiua.
3.
F":
Fa.
Ht p,l
lla.
@-v)
12.80
12.35
3.87.
0.2887
4.
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 ,
-2.797
Queda como ejercicio para el lector determinar en cules bonos se recomienda invertir.
8.7.3.
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
1.
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,,
n.r)
\tt
Pruebas de Hiptesis
1-trtzG)
tob,
RecLo,zo.
8.
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
s]
Y^--
@ bien o6"
< -1.(g),
cuando
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.
1.
2.
3.
(rt
Fz
12.
Fz>
12.
- "z) -
Ds
(48
32.4)
12
16.89 19.16
10 '
4.
1.8961.
10
-I_
es
/ L6.Bg
9:
19.16
(ro**)
17,9 v 18.
8.7.
Etrtonces, 0.0b(18)
5.
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.
o!
se desea probar si
es desconocida.
- 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^--
nz-l
Cuando g no es un nmero natural, se redondea al entero ms cercano.
- 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
l;*;
,(g) (o bien
o,"
ttz)
a Do).
Do).
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
1.
Hiptesis
2.
Hiptesis Alternatiua.
3.
Estad.stico
4.
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.
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.
A:2: :3.22,
r_l
Ademis, Do
sa,:8.2r.
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.
257
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/.
1.
2.
3.
4.
ol:
Hlptesi,s Alternatiua.
6f.
H ol I of.
o2
l,si
Fo2(n1- I,n2
L).
1.
2.
o?r.
a?
3.
Estadstico de Prueba.
4.
Fobs
: ],
si
) 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.
Hi,ptesis
5.
Nula. Hs:
d,e
o'2,
Prueba.
nz- 1:16 - 1-
62.
H ol I ol.
Fobs:g :
S
: I.57I.
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.
258
Captulo
pz cuando Do
8.
Pruebas de lliptesis
:: --nt/t
l):
-f nzfz
n1tn2
1.
2.
Hiptesis Alternatiua.
3.
Estadstico de Pr-ueba.
pL-p2
.;)
io(!
\nr
4.
Reqin de Rechazo.
Zobs
-zo/z o 2o6" }
zo2.
que 11r:
pt ) pz o
Ejemplo' El
Fz:
0.0625,
5+6
0: 80+68
6
6B
0.0882,
:0.0743.
pr
l.
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.
5'
anterior..
U
8.9. Pruebas para la diferencia entre dos proporciones
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:
- pz) : Do.
Ht (pt - pz) I
1.
Hiptesrs
Hi,ptesis
Alternatiua.
3.
Estadsti,co de Prueba.
4.
Do.
: (Fr-Fz)-Do
zobs
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
Se realizar
128
=-:=:0.21,
510
pr
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
es zobs
>
1.645.
titular.
Captttlo
260
Hip<itcsis
nrLla (/^I)
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,,
t)
t<
t.,,
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
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
0.05.
telerfonr
cclular: Flirius
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
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
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
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
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'/
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.
: 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.
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.
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
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
2L
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
22.
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
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_)
24.
o?.?,
-r
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.
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.
a)
3500?
b)
(Tomeo:0.05);
- ,)" :9800
y D(An - y)'
a: 15.4, ss :
iguales? Use a
5.56.
0.1;
y alternativa, a la vez
err smbolos
y en palabras;
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
.).)
8.
Pruebas de Hiptesis
de la prueba.
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)
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?;
es
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)
significativa?;
b)
c)
Establece el estudio que si una madre embarazada fuma, hay una mayor tendencia a fumar
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.
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
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.
1.
2.
de usar y entender.
Captulo
268
3.
4.
Se
9.
Sc plreden
3.
Llevan a una mayor probabilidad de no rechazal una hiptesis nula falsa (error de tipo II).
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.
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.
t.
')
().
ensry'o se
pn:
1,2,
,k);yse
L.
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
X'2
: Plot P2:
'Pk:
1.
Hi,yttes'is
2.
Htpteszs Alte'r'no,t'rua,.
3.
Estad'st'ico de Prtt,ebo^
4.
l{ula.
Ho'.
1,t1
I11
P2o, . . . ,
269
Pko.
c.Ic.,
p,g,'i
- I,2,...,k.
(rr-ttp)2
,
'\r/r'\ 7-t nPo
- l).
Pt
: P2:
4Y Pt: I2
Soluczn: Se tiene nt
varones
29, n2
1.
Hrptesis
2.
3.
Nula. Ho: pI
Estadstic:o
38, ns
33
Pz:
n,
Pz: ,'
n,
Al
yn
es
d,e Prueba.
(rn
* ,oo)'
11
1
-4 x l(X)
("-i
r2
x 1oo)
I
-4 x 100
("-]"'oo)'
lxtoo
2
4.
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
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.
Pr(X:r):P ="-tr)'"
,l
donde el par'metro
se
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:
1.
Hi,ptesi,s
2.
.).
Estad,stico
donde
4.
&:
d,e
Prueba. XZn.
: !
i:t
('
ei
")2
4(p) dada.
Hs si XZt" >
X?"@
- 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.
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.
ei
npi :220
Notemos que aqu no es necesario estimar parmetro algrrno; de manera qr.re la prueba
1.
2. Hiptesi,s
t).
es:
Estadstico de Prueba.
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
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
.A-.t/
\ _=_
0 x 63 t-
_tt(n
-u.ur.
100
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.
100
0.512
-- 51.2,
ez:100x0.115-11.5,
et : 100 x 0.004 :0.4.
272
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
e-o2x5
p5
0.6321.
Anlogamente, se obtienen
pz
0.2326, pJ :0.0855, p :
0.0315
:0.0116,
po
0.0043.
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
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.
9.21,,
4.
Se
Estatura
Nmero de nios
140
745
l8
135
740
145
150
oo
- 150
-
t)!
155
61
155
160
22
160
165
fr: r:
150.625,
? :31.425.
pt
: 0.026,
p2
: 0.129, ps : 0.298,
son:
^/(150.625;31.425)
0.327, ps : 0.170, pe : 0.042.
ilL
et
: 4.I8,
ez
: 18.55,
et
: 42.88, e+ : 47.06,
es
: 24.77,
ea
6.48.
l.
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.
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
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
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.
j;
iO, :f
i:r
i p.j : l,y
j:r
f:
f :
275
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
1)("
1.
2.
Hiptesis Nula.
Hiptesi.s
Hoipij:pi.p.j
Alternatiua. Ht: pt * p.p., para al menos una celda de la tabla (la variatlles A y B
no son independientes).
@
e')2
4.
XZu,:
i
i:t j:r
eii
- t)(c-
de combustible y
Origen
EE.UU. Europa
Consumo
Bajo
Alto
76
160
236
Total
56
t4
70
Japn
Total
70
202
183
79
385
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
t,rblr
9.
Origen
Constlmo
EE.UU. Europa
Japn
Bajo
723.82 36.72
112.18 33.27
4\.45
Alto
37.55
1.
H,i;ptesis
2.
3.
Estadstico de Prueba.
(76
xZt
Regi'n de Rech,azo.
tiene que
5.
x|,sQ):
t23.s\2
r23.82
(160 - 112.18)2
"
:
4.
112.18
101.51.
Tablas de contingencia de 2 x
:2 ysi a:0'05,
se
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*
ll
t{ad -
bc)2
-v
,Depencle
cle cotttittg,etrcia.
Sexo
HorrrlrLr-'s \Irrjcles
277
Tolal
Dcsfavorable
1t)
Favolablc
Total
10
13
72
o:
15
,]
')
Hi,ptcs'is
J.
tlltent,otiuo.
111
c:orrrcr'<:irl
y cl ,5cxo
n(o,rl,-1.'r:')2,
_
,,
- (rr+)(c:1
r|,)(atr:)(1.,*d)
\;i,, >
crs
rr:0.05,
cstitr rclacionacios.
y 3)2
:3.2i].
15 x 10 x 13 x 12
25(10
7-5
\'crrros,1,,e
cle lecliazo cs
3.84.
Sc srLgiele cre cl
leciot
rerlicc
cl c.jeLcicio niecliante el
r:ilc:rLlo cle
i\s. la prueba
i.
Hi,ptesi,s
Nrtla. Is:
nrognears).
')
H t'ptes i,s
Alternatiua.
son hetelogneas),
11
Estn,dst'ico dc PrtteLto,
R,
(tt'j
('j
' ',t)
lcc:hrrzr
.i
13,,.,
> 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.
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)
(23
-._
:5
lg,I
99 v la regin es,\3"
b.B
> 5.99.
Ejercicios
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
149
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.
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)
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)
significacin a :
un nivel
de
0.05?;
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
por
r-rn
) :
1.
ecluip o profesiottzrl
de fiitbol
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
No. llarnadas/min
Frecuencia
,Se
13.
tl
t)
JJ
I7
10
')
.)
,)-)
18
,)
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
Tiernpo
e1
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
clc clue
3ij
9.3" Ejercicios
287
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
0.05)
Masculino
Femenino
26
10
11
15
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
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
10
19
Ia frnula usual;
Captulo
282
20.
9.
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
fueron:
Con financiamiento
Sin financiamiento
115
20
20
15
Nlicros
Pequeas
Medianas
a)
b)
J.a
Nivel
Educativo
Consurno
Bajo \'Iedio Alto
Superior
t)1
.)-L
47
4.4
++
\4edio
Primario
2B
79
125
16
17
19
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
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.
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.
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
Ciudad
n
7'
t),)
Ciudad
18
82
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.
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.
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
Captulo
284
9.
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
<
la ley norm al Z
x-n
: --J \/n
,A/(0, 1).
3.
A continuacin
-]
se
Ou el valor q correspondiente.
1.
2.
3.
Estadstico de Praeba.
4.
Cri,teri,o
Qz: po.
Hiptesis Alternatiua. Ht Qz I
po.
k
d,e
pobs
Rechazo. 2po6, 1 a.
se
6.6 6.8 4,4 7.3 8.5 4.5 6.7 6.0 3.4 9.1 5.3
4.8.
p0
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.
Hi,ptesis
-+ + -.
Elsignomenos frecuente
Pr(X
<4):*"r,(;)'(;)"-'
0.194.
4.
5.
285
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
1.
2.
Hi,ptesis
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.
una
248912147721222426.
AI nivel de significacin del 10 %, probar que Ia mediana de los puntos acumulados por
los
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.
22.
2
4.
5.
Criterio de Rechazo.
pobs
<
0,1.
Deci,sin. Como 0,0547 < 0.1, se rechaza -FIs. La mediana es menor a 22.
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.
diferencias son iguales, se asigna el rango promedio a los valores que son iguales.
Se obtienen,
(7+).
(T-) y positivas
Captulo
286
5.
Si
20 se
9.
se aprovecha q:ue
Z:
- .A/(0, 1).
n(n -r 1)(2n +
1.
2.
3.
4.
Q2: ur.
Ht Qz I po.
de Prueba. Tobs : mn{T-,7+}.
I{iptesis Alternat,iua.
Estadstico
Regin
d,e
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
Q2:5.
Q215.
14.5.
Regi'n d'e Rechazo. En Ia tabla de los puntos porcentuales de este contraste se observa que
: l!.
5.
a:5To.
+1.6
+1.8
6.8
1.
2.
3.
4'
4.8.
Valores
La prueba
se
Ho. La mediana
de las
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
ls.
<7"(n).
Ejemplo. En un campeonato
nirmero de puntos:
10
26.
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
y de 7+:
Rango
10
q
B
7
6
5
2
J
Total
1.
2.
3.
4.
5.
T-
50
es:
Q2:
22.
S.
:15,
22.
Dob": nx lF6(z)
S,,(")l
donde Fo@) y,S,.(r) son las probabilidades acumuladas esperadas y observadas, respectivarnente.
l.
Htptesr,s
NuIa.
116:
La poblacin
sigr.re
Capitulo
288
2.
Hiptesis Alterno,tiutt.
3.
4.
Estadsti,co
d,e
HLa
Los valores de
9.
Dr(n)
,5,,(r)1.
> D"(n).
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
,Se
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
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,,,
Se
0.136.
se rcchaza 11
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
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
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
47
')
IJU
lFo(r)
es:
2.
J.
4.
Regin
5. Dec,is,in.
,5,,(r)l
0.0592.
la regin es
Do6,u
S(")l
0.0037
0.0065
1.
d,e
> 0.1126.
46): +:0.1126;
,/ua
etltonces,
sucesin
c1e vrloles
mediana.
La longitud de una racha es el nmero de observaciones consecutivas que tienen esta propiedad.
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
2.
H,iptesi.s
Alternatiua.
111
9.
Captulo
290
3.
1.
'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).
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 , *, , +, +, -. +, , , *, )
.
: n:
6.
1.
Hiptesis NuIa.
2.
Hr,ptesis
3.
Estadstico de Prueba.
4.
5.
Dectsin. Como robs :8 cae en la regin de aceptacin, podemos afirmar que los valores lpare(ieraleatoriamente.
,116:
Alternatiua.
111
: Las obselr'rciones
ro,s
ro
8.
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.
1.
2.
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
291
La tabla de puntos porcentuales para la prueba dc Grubbs se encuentra en el Apndice (Tabla 8).
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.
r:
6,717
.s
1.716
Nula.
1.
Hiptesi,s
2.
H'tptests Alternatzua. I11 : Hay al menos urr valor atpico en el conjunto de datos.
-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.
<
2.29, entonces r
9.5.
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.
1.
2.
H'rpteszs
Hi,ptesis Alternatiuo,.
Ht
Qu.
Q,
Captulo
292
9.
3.
Pr(X < A) :
C'|,p'(7
l':0
4.
a.
1.
2.
Hi,ptesi,s
Hi,ptesi,s
Hr Q, < Qa.
k
3.
Estadstico
4,
Cri,terio de Rechazo.
rl,e
: t
r':0
C',,p'(l
p)'tL-r ) donde
<:.2
1 a.
pobs
Individuo
Versin
antigua
Versin
nueva
r)
ct
-tr
t
-.)
-4
Diferencia
Signo de
la diferencia
-5
+
+
+1
+1
1.
2.
Hi,ptesi,s
Hi,ptesi,s
Alternati,ua.
as:
Qa.
Ht Q, < Qy.
k
3.
4.
5.
Estadsti,co
d"e
Criteri,o de Rechazo.
pobs
p)7-" :0.2266.
< 0.05.
Observacin. Tambin
293
1.
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.
- nlrl-
(Jt
- !norrsos(.y) .
+{
4+! - !n"r'gos(y).
(J2:t11t.
1.
2.
3.
4.
Hiptesi,s Nttl,a.
Hipteszs
: Fl,(")
Hs: F(r)
Alternatiua.
H Fy(r) I
Fy@)
Regin
d,e
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
(Jt :,,,,,*d!f4
Lrz
:s x z+Lf
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
t,,2
14.5.
la,
regin cs [/o6"
8.
Deciszn. Corno 14.5> 8. se lcchaza 110: cs rlccir. los clos cnrrleaclos venclen iguales
canticl-rclcs
Captulo
9.
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)'
a.T,
y yi.
es el siguiente:
1.
2.
3.
X y Y.
-1 y *1.
Cuando el valor absoluto de este coeficiente e,! cclcuro a 1 inclica que hay asociacin entle las
dos variables.
"
-r
1.
2.
Hiptesis Alternatiua.
3.
Estadstico de Prttebn.
4.
R.egi,n d,e
Rechazo.
p:
l0
t'.s
r, > r'.r(n)
Ejemplo.
I dcl Apndice.
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
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'
1.
Htptesis
Nula. Hs:
p:
6 x 29.5
:l
,i,l
tlQt-l)
1o(100
0.821.
Hiptesis Alternatiua.
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.
9.6.
>
Ejercicios
1.
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:
Captulo
296
b)
9.
2. En un estudio
sobre las relDesas enviadas por los parientcs emigrantes a varias fanilias dio los
siguientes resultados (eu miles de dlares):
3.
a) rnediante la prueba
b) mediante la pruebir
cle
es
3.1
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
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
b)
5.
19
Julio
22
23
20
Agosto
Septiembre
24
N4arzo
Abril
17
Mayo
18
Junio
20
25
Octubre
Noviemble
Diciembre
28
30
27
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
):
4.6?
Los siguientes datos collcspondcr a los tienipos clc clulacin (medidos en meses) de lmparas
malca Lucky:
7:5
Lrnr
7.24.
distlibucin exponencia.l;
il
9.6. Ejercicios
b)
8.
297
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:
2.23.
10 %:
b)
9.
en la muestra?
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
f(r) :{
r'\-/
t - l"l' si -
L 0,
(r(
90.2.
es 75m3/s;
1;
casocontrario.
-0.18.
a)
b)
11.
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.
r"t*;-tl/"."::1J::':"
,,
0.098 0.068 -0.004 -0.026 -0.012 0.096 0.050 0.062 0.036 0.04
0.054.
b)
c) Si la distribucin
d.el
error
experimentales confirman
l,l
(-+,r1) "
la afirmacin anterior?
fuese
l,l (-*
,01)?'
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
cntrc 10 minntos
b)
1a
12.63.
aleatoriedad de la muestra;
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).
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
0.05.
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
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
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
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
1.80.
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;
9.40.
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
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
Capitulo
300
at
9.
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.
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
Ca ptu
lo 1
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
.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"
-
de
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.
1.
2.
3.
Descripcin cuantitativa de las relaciones entre una variable dada y un conjunto de variables.
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.
es
lJ: l3ol7fl,
donde
es
10.2)
Intercepcin
Pendiente:p,
-{
! = fro
Figtrra 10.2: Recta de ecuacin
?J
: 0o-l /tn.
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
es
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:
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
Precio de un libro
Nmero de pginas
del libro
rn el anlisis de regresin
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
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,.
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.
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.
0:
bo
(r1;yt), @z;yzl.
bp.
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
305
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
sc", t-
d'e
scrr;
-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)
]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
,- :
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.
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:
1000:
Lt.45.
L,rA-
nrA
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
indican que existe una fuerte relacin entre Ias dos variables.
se
tiene un model,-
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
p:
1.
2.
Hipteszs
Nula. Hs:
Hiptesi,s
3.
4.
Q.
rJn=2
JT
-7
si
tob"
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.
a) trl coeficiente
son: ,SC""
de correlacin
es
$cw
Como
es
14 905.6
:0.94197.
muy cercano a 1, existe una fuerte relacin lineal entre las variables.
1.
2.
Htptesis
3.
Estadsti,co
4.
5.
Hi,ptesi,s
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.
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:
309
fr)2, que
SCE
2,se designa
SCr,
como
b1SC,y
: SCo,
W
SCE + SCR,
SCro
l7
l,(uo
i:1
1L
-il'
fi:I
17
i:1
(5C,,,)2
^2
sc,, sclu
scua - scE
SC,,
: r- SCE
sc,
Tambin, se puede expresar como
' _-
^,
Interpretacin. El coeficiente
1.
sciu -sc*
;,
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.
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.
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
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
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
es
SCE
r-2'
A s. que es la desviacin estndar de Ia regresin muestr-al, tarnbin
se
estim.o,cin.
Ejemplo (Continuacin). Calcular Ia estimacin de o2 para los datos del conslrrno de combustible
de los carros.
,,:
'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.
Ho, 0t:0,
Hr 0tlo.
Para efectuar Ia prueba habr que encontrar
lr
distribucil de lnuestreo de
1,1 .
,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, ,.
grados de libertacl.
a) Prueba unilateral.
: g.
Hr 0t < 0 (o bien .11: , > 0).
1.
2.
Hi,ptesis
Nula. H6: B,
Hi,ptesi,s
Alternati,ua.
3.
4.
tobs:
--L
slt/Se
-,'
1-to(n-2)
(o bien
I -t,,lz(n -
2)
o6"
r > o')
b) Plueba bilateral.
1.
2.
3.
Hzptesis
4.
Estad,stico
d.e
Prueba. tobs:
0.
--L
sl\/Se;,'
,116
si
'tob,
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
y de SCrr:
r.TTTS, sc",", :1
11b 830.g.
3I2
1.
2.
3.
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-
es:
"rr, :t ,r-:
(.,.,,,,-r.30b-]j.I1::{l'(}13.lr.30+):(0.0095l0.0l73,).
\
vr11iE30.9
/rlr530.9/
L0.4.5. Inferencias
rar qlre la
cLr-.svir<:irr
ncra sirnilar
la rlescrita para
lJoo.
3.
Este,d,.stir:o tle
4.
Hi,ptesis Alterno,ti,t:o,.
Ptuclt,t.
S..
lo[,.,
I 0ou.
b iJao
rcclLr,za
con
rt
(n,
2) grados de libertad.
5C,,,
IL
\),,i
H si
t,,1,"
-Lr,
12(n.
t.,,
[,-
i2(rt,
o\
1.
2.
p1
O[.o:
El cstaclsti c,o l, -
2')
:lt!f ,,/:(n -
2).
313
Ejemplo (Continuacin). Para los datos del consurno de combustible de varios carros: a) probar
si
Bo:0,
Soluc't,n:
a)
1.
2.
3.
Hi,ptesr,s
Hi,ptesi.s
B.: g.
Alternat'iua. HI Bs 10.
Nula. Ho:
Estadstico de Prueba.
n
SC,,
-L9477
4.
5.
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.
es
t roul3l@)
r.rouL]Zg./ffi
:
v I 115830.9
x 1115830 9 -r.()J77/10
J10
(-6.025; 2.130).
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.
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.
Hiptesi,s Alternat'iuo,.
g.
Ht
0t 10.
Fobs
ATCR
> 4,(1,
rr
- 2).
a) La tabla
- 224,4, SC E : 25.287. SC R :
Regresir'r
Error
'lotal corregido
b)
199.113.
1
8
199.113
25.287
199.113
F
62.99
3.1609
224.4
1.
2.
3.
4.
5.
Foos(1,8)
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.
10.6.
315
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.
1.
2.
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.
Xp
r,
es el valor
particular de
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)
(t
t.;2, -
2)s
- a)7o
(rp-r)2.-
;-E::!r+t^2(n-2)s
x,
p,
Xp
es
es
31-6
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
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,
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+
-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
(7.15; 15.75).
Comoseve,elintervalodeprediccinesmsanchoqtreeldeestinracin.<
Ic=
3t7
-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.
..., (*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.
xI
318
es un vector
Y:Xte.
Y si
se
u:f
/L
0o
\01
: Y-
),
9:
Xb.
Xb.
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'
xxb:
XY.
(10.:
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,
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.
319
-- xlrb,
Up
Con los
gresin
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
-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
b1 es
Cov(bs, br)
Covl(!
-D
-ro'
lr'r), br] -
IL
D@
l.:l
- ")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
Var(b)
: o'(X'X)-t
i:
}\-_btX\.
-2
SCE:
scR
YY-brxY,
/ n
b1x/Y
\2
lrv,)
t" /
n
,,
SCoo :
YtY -
\2
/
(Iu')
\r -l
'/
'rL
T-
sCro
32t
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,
SCR : bx
l4gg.n
SCE : YY
4ggjr:2529,
SCro
: YrY
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
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.)
EI m.odelo
"i3g+0'tr+e
es
'g
- gSoI0tt:+e
'
Ini/:3oilttIe.
Si poncmos z
?:
bo
* hr,
In;r7
qucda z
: Aoi 0fl *
(Figur-a 10.7.)
17
Ac)
es
1
U
D)-.
Jg-f
l)1:t
Poniendo
l)
-ft uQ I.r... t t cJO
a
-.)'1..-r':90iLll.t.
-l
pp -l e
3, Modelo multiplicativo
o potencial (Figura
323
10.8.)
er,\.
o,r\'
InY:lna*)lnr*lns'
Haciendo z
:lna, :
ln
r, 0o :lno y 0t : \,
z:Jo_3rt+t.
que se estima por ei modelo lineal
2:
bo
b.
Logartmico. a: a* 01nr,
D.
Compuesto.
o.
Curva S. y - a-lg/t,
Se recomienda que el
: lnr.
mediante Ing: lna*lnBr.
que se transforma en
lng
a,
I pt,
con
t: !.
T
Ejemplo. En el desarrollo
',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:
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
icl,-tc'in: El modelo propuesto es de la forma A : c,r\.. Para transformarlo en uno lineal se deber
- mar logarit mos:
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.
324
lnr.
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
Ini : -i'866 *
A continuacin, si tomamos antilogaritmos
en
1'956 in
r'
-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
10.9. Ejercicios
Modelos lineales
1.
Se desea estudiar
productividud (y) de un
1a
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.
a) Estime la funcin
b)
Calcule
e1
2qo
tDt
tr.)J
r)r)tJ
r.
20
.).f
50
346
tro
L
365
Interprtelos;
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)
325
g'
a) Realice
r"rn
lineal
simple;
a) Ajuste
34.3
10
1t)
7
,-)
l9
25
11
AD
l,)
a)
b)
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
326
un diagrania de dispersin;
b) Realice Ia formulacin rnatricial del problerna y encuentre los estimadores de los parrnetros
del modelo;
c)
d) Calcule
e) Obterrga
avalo de 72
8. El nna entidad
L25
131
r42
127
140
121
136
133
44
54
77
35
BO
47
66
ti5
a) Encuentle la ecnacicln
ganancia;
b) Es saiisfactorio el urodelo
c) Realice
un anlisis de la varianza;
e) Cree que
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
b) Captura
c) Precio
ario;
y captura;
f) Realice la estimrcin de y
cnrndo
r:
5.5.
70.9. Ejercicios
_1.
327
(X, en kg) de 6
personas.
90
86
62
45
67
40
89
55
81
64
53
75
Dr:
Dr?
Dg:319'
488,
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
e)
800,
- 2 :832.
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
del proceso;
b)
c)
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
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
b)
c)
14.
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 -
Fuente de
4 5"-
Rcgtt'sititt
R cs it
lrrtl
3il0
Totrl
A continuacin
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.
l0
15
1B
23
25
0.067
0.072
0.076
0.079
0.081
0.077
0.082
0.07E
b) Ajrrsle un tnoclelo
j :_uu
l,n r
-\t t.
mcjor? Por
qu?
70.9. Ejercicios
17. Un ingeniero
a) Ajuste
b)
18.
ti0
60
.)
l.58
t82
1.06
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
la evoluci<iu
El gerente de una
Ventas (9)
Gasto (z)
L(l
15
18
i9
22
4),
de Ias ventas
o.)
.a
25
72
9B
y el gasto publicitario,
b) Ajuste
c)
19
los datos mediante urra funcirr lirreal sinrle y compare con el ajuste anterior;
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;
yy
se vinculan mediante
la relacin y :
A continuacin
Ps 1- {3rr
En-
c1u'/
vital en nn
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;
.es
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.
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
Ao
Abonados
32 000
37 500
41 000
58 000
107 000
6
7
138 000
175 000
321 500
f)
Captulo 11
Regresin Mltiple
lf
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
332
Los parmetros 3, j
(11.i)
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'
Nlediante la tcnica de regresin Lineal mrltiple sc puccle rnalizar uua serie de modelos particulares
como el polinonial de ttna'r'ariable
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.
ler
:2
9 t:t
'!jt r rr :L 12
A2 r2t- :t:22
;,,
't'n t
't t,2
2rA
u 1A
r2k
333
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.
bo+br",,r Ib2r',,.2+'
,,,:
bk'r,,,k',
o en forma abreviada
c
i:
Se
bo
i,:l.).....n.
+\brti,,
j:t
scE
:irr, - i)2
i:I
:i
1,,
b,
(-. ,,',,)]'
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'
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.
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
Y:X0+e.
Los miembros de esta ecuacin se forman de
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
I de los errores
aleatorios.
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.
xxb -XY
( 1 1.3)
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)
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
u'
i-I
i1
rL
rnnro,
17
-..
T
1' ''tk
Drn
i-l
es
simtrica de orden k *
1.
333
310
311
290
342
55
59
69
65
71
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 )
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
da
zr4s \
zog oog I
XiY : f
\
zas 055
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.
y (X'X)-1 X,X : I
se tiene:
:
2.
:n[{x'x) 'x'tx+e)]
n [x'x-'
x;
\-- --l
/ x,xp'- + (xi
L\
-t
x,rl
--l
p.
r'
La matz Cov(b)
: o'(X'X)-t.
mado.
Estimacin de o2
Consideremos ahora Ia suma de los cuadrados de los errores
scE
:irr,
i:l
- io)2 :
et,
oon
JJ
E -- YY_bXY.
1 grados de libertad.
cIc
SCE
ItCE:.s2 : n-k'-I'
",r.o,'{,rrl
( 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
Lr
993 fI57
: llCE -
39()'37
I
cs
55.7666.
clGr
IL.2.L,
-0.18441 -0.11200
0 002266 0 000438
0.000438 0.001059
rLricli-Lrles
il,as
ck: r'cglcsirirr
i:bo*brl
*b.:-..
cst irrclrr'.
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.
ejerlplo.
:37.30,
b1
:1.717.
:2.088.
r2
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.
{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
r-clonclc C.i, cs cl
cliagonal
la uratriz (XX)-1.
t,,,2Qt-
intervalos:
El cstimador
cle o2 cs s2
55.7666
l'
/o
ou(7)
cs
A- I)t,/e;)
clc regrcsn
B, p1 r'
1.
339
Pala p:
(bs
(ez.ro
(-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- \
2(rt
(1.515: 2.647).
E(Y)
uT1t
xp
es
ip:
,i..i', o (%) :
u^.
(t,) :
xlpb'
rrtt'itttzt cs
o2xl,(xLx)-t*r.
cstirrracin, E(\1,), eu el 1;ulto
/^
lir-to'2(tt-A'
\
i,,
tn,('tt
- 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,,
340
-,:
(*
es
)
348.844.
r/o.ggt
(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)
SCE:
YY-bXY,
,)
/11
(D'')
\i
SCR : b,x,Y_'t-L
_
/ t)
/I
n
\-
/S
I ),Yl
SCoo
: YY - \':t
,tL
'/
IL
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.
cle
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
:...:
1.
Hrptes'rs
2.
Hzpteszs Alternati,ua.
3.
Estadst'tco de Prteba.
LH, obs
4.
Regin de Rechazo.
rechaza Hs
Hr
Se
l3n:0.
l3r,
A;.
ATCR
- A,ICE.
si
For,
> L(k,n,
- k - I)
r,
contribuye signiflcati-
cr
YY
Calculemos el tercero:
gg3
/,,
bxy
gg3 566.63.
\2
(I'')
\ j-1
,3145)2
: -ll:
'
''
Tanrbin. se calcul que
gbz,
989102'5'
qr
q93
JQt
957
SCR :
993 566.63
""!J!J
989
JoJ 102.5
fW_,U
4854.5.
- 989102.5 :
4464.73.
as:
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.
342
es:
1.
2.
3.
4.
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.
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.
Br: g.
Alte'rnatiua. H B I
Hi,ptesi,s
3.
0.
b
s\/e;'
oo6,
0.
1.
2.
Hiptesis Alternati,ua.
3,
Estad"stico
4.
5.
d,e
Br:Q.
Prueba.
HI
t3o
10.
tnb":
-uu -L
s\rcoo-
37
7
.47
30
OL077
1.088.
2.365.
b) Pzrra p1:
pr: g.
Altertati,uu HI 0t 10,
1.
2.
3.
Estadstico
Hi,ptesi,s
d.e
Pnreba. tobs:
-+
.5vL il
7'717 :
7'47\/0n0'n
4.9.
6,.
343
d,e
c) Para p2:
en
it.L-
11.5. Coeficientes
- |flt I
0zrz.
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.
scR
n2
' Se uo .
scE
b'C rr'
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
lt
sc crlcula nrecliarrte
n.?,:t-
A'- 1)
SC,,rf(rt,-l'
SCEI(n
clcl coeficicutc
clc
344
Se tiene que
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.
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-
- 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.
345
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
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
rt : r
V 12
12
1l:00-l 7fitl0zrz*e,
rtti tnodclo de reglcsitr rnrltiple en dos variables. Err cslc urornelto
rplicar la teora anteriorrnentc desclita.
c-rc es
:0o-t/flt[32t:2
+...+ Bt:k*s,
: 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
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.
204
80
75
770
70
bi)
60
a)
130
165
155
35
724
30
72r
148
25
100
r40
20
98
726
oluct n:
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
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
p:
140
Y-
30 900
25 625
20 400
i:
347
L37
4.4
XY
12,373t;
0.2IBr2
en la siguiente tabla:
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
c)
la prueba de hiptesis:
IL.7.
de
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
niveles se representa
mediante
t-I
variables indicadoras,
1.
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
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':
<
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.
349
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
:loude
v: X(XX)-lX;
es
Cor'(e)
:o2(I-V)'
Var(e)
as,
o2
(l -
1t.,),
350
donde el trmino
Para comparar los residuos suele ser ms crnodo cambiarlos de escala, estandarizndolos o estudentizndolos.
Los residuos estandarizados se definen por
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.
2.
3.
e: f (i)'
e
(rn).
Error de especificacin
Se comete
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.
351
--
-::-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
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
-
(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
-:-
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.
351
En
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.
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
la distancia:
,h
/)? : \t
/J
i: I,2,..
,fr.
.l-L
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
11.8.4. Varianza
heterognea
: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
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 -
^i
^i
(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
)-
rz
log
G'
- r.rt,IogGl,
1 gr":rdos de libertad.
Tratamiento
1. Si la heterocedasticidad
2.
cl moclelo
r J'l
-'''u-T"
'J; k
J'k -Bo
-P'rL
utilizrr rlninos
^* '
s-
",,u,lr,rdnrfencralizrclos.
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.
Los estirnadores
Las cstimaciones
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
1.
2.
Si
sr:
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
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.
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.
2.
Los contrastes sobre los parmetros no son viidos y estn sesgados hacia Ia deteccin de reiaciones inexistentes.
.)
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"? )
ineficiente.
que
$5,ri
L
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.
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
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
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)
clientes.
5.
De una encuesta de presupuestos familiares se han obtenido los siguientes datos rnensuales:
a) Construya
30
40
50
/Ll
70
130
300
800
1500
2400
1200
3000
Jo
t)
17.9. Ejercicios
367
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.
a) Explique ?
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:
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;
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
e,
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
1-a:0.9);
d) Halle el coeficiente
(Use
358
Regresin polinomial
9. En el laboratorio
Velocidad (krn/h)
Distancia (m)
a)
30
40
60
80
l0
20
30
50
90
^l
100
110
r20
90
150
250
b) Determine
c) Realice
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.
Cantidad de aditivo
Horas de secado
a) Use el mtodo de
12.
,)
B5
80
60
50
6.0
tt
(J
r,
n.5
7.0
b) Realice
c)
( g)
a1
e1
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
c1e
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.\
l.l
clcl nodeloi
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:
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;
Edad (rneses)
()
Veneno
Sobrevivencia
45
8.2
63
7I
36
49
4.4
5.6
A
67
._)
5.0
360
a) Realice
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
el,
arte
d,e establecer
s'i,
Io que
hu,bzero, suced'irlo
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
1. La tempcratura dialia
proruedio tomada cn
2.
3.
4.
5. El nirrlero
de
rlo) cn
sitio clcterrninarlo.
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.
1.
_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.
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
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
ser-ie de tientpo
363
es
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.
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
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.
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.
.)
4.
Ventajas
1.
y desventajas de
Desventajas
1.
2.
3.
4.
5.
1-
'1m1,ius
coustantes de snarrizamienlo.
cl
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.
Soluctn: El promedio de
l<s 16
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.
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
A,[t: y+t
es
Y + Yt-t iYL z +
"' + Yt +r
1L
doncle
A,,It
?,*,
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.
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.
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.
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
1.
Se calcula el
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)
at:2AIt
(12.3)
AI
y ttu factor de ajuste adicional, similar a la medicin de una pendiente que cambia a travs
la selie:
tt',)
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.
-\ continuacin
trimestle
17.
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
1.
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.
&16
+ 655.6 +
648.8
627.3
648.8.
:
:
2L'1rc- A'I!6
2 x 663.3-648.8 :677.8.
bro :
:n-
:
4.
_,
(16
(6Of.f
- /6)
- 648.8) :9.7.
u*r :
p: l):
a16l b16p
677.8+ 9.7 x 1:687.5.
es
d,e?17:
369
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
nlrevo
pronstico:
cv
(nueva observacin)
+ (t -
cv)
x (pronstico anterior),
cs
?r*r:aY+(1 -.)?,,
clon<1e
i,*r :
v:
rme\o
Yl
?,
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,-?,\.
'/
\
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,
a.
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
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
?r-, :
?, :
El cllor-de pronstico
es
e2
Pr'r
Y2
nY1_(f
-.t)Yt
(0.1)598
+ (0.9)598
?, :3g0
bg8
598.
-208.
?n :
:
oY16l (1 - *)a
(0.1)720 + (0.9)576.5
a:0.6
37L
590.9.
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.
:
--li :
-{
er el periodo
1.
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.
at:2At -
Al.
(12.8)
u,: f(At
l.
Se
de
Yr*o: ct I
- A')
(12.e)
'
p periodos en el futuro:
(12.10)
bp.
17.
372
Valor
t
1
2
3
r+
5
6
-
8
I
10
il
12
13
14
15
16
Pronostico
Vrior
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.
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
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.
u*r
a16
i b6p
610.7
+ 2.2(1) :612.9.
373
l.
Se suaviza
Se estima
: 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)
p periodos en el futuro:
Yt+p: At *
(12.13)
PTt,
donde
a:
Y :
r < 1);
7r
estimacin de la tendencia;
i+o:
< I);
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.
72.7.
77 con
12.6.
0.3
y 0 :0.2.
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.
ft:0:
A2 :
:
2.
(1
535.6.
La estilnacin de la tendencia:
Tz:
:
3.
Az_l) + (1 - 0)Tz t
0.2(535.5-598) +(1 -0.2)0: -r2.5.
0 @z
?t*, :
:
AzrPTz
535.6 + (1)(-12.5)
523.1.
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)Tu
u*'
!;;!?{^o)(1):
6T4s
14.0.
Ar : }i
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-.
p periodos en el futuro:
Yt+p
(12.77)
donde
A
cv:
Y :
, :
4:
7:
S :
-L :
?.
)i+p :
<
1);
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.
Cuadro 12.1.
Soltctt: Los resultados de
ia aplicacin de la tcnica
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
a:
0.3,
P:0.2 y ?:0.1.
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
1.
A2 :
:
2.
La estimacin de la tendencia:
T2 :
:
3.
0.2(5355-598)+(1
-0.2)0: -t2.5.
La estimacin de la estacionalidad:
1.
y los
sucesivos pronsticos:
Actualizacin de Ia serie:
Estimacin de Ia tendencia:
Trc:
Yt, Tt
3.
La estimacin de la estacionalidad:
,5ro
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.
?ru*,
(Aro
+ Trcp)
Src-++z
c)
p:3:
u** :
(ro
1674.4r
d)
Yta+a
:
:
p:
Trcp)^9ro +s
+ (-1.6e8)(3)l (0.e3)
4:
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
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.
378
Mtodo
ECM
Parrnetros
: 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
Holt.
estacional.
Winters.
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
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:
110
2
343
476
31.
11
.)
tJ
t.)
345
417
a) Grafique
3113
234
348
479
115
t,)l
351
427
los datost
72.5, Ejercicios
379
f)
cv
:0.2,0 :
0.3;
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;
periodo sealado,
f)
0.3,
13
0.3;
:0.25;
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
380
a) Grafique
los datos;
y el pronstico al
L;
7:0.1;
Captulo 13
Elementos de Muestreo
Pot'un
Lo"
piezo, r:otn,'pleto,
Ilstc
rrrLrcs'iLco.
13.1.
Conceptos bsicos
c1e
glullo
cle
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.
pobltrcin).
mtLestr'r cs ficil:
r.Ll
<lespclclicio cll llrl srco cle maz o parr colloccr cl nrinrclo cle piczars clcfcctlLr-slLs cn un lote clc plodlLtt,.-,s.
381
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
Luriclrdes mnestlales.
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
1.
2.
Se emplea
3.
rJ
Sort aplopiaclas clranclo cl ploceso clc rriediclr cle cada elcmcnto cs clestlucbivo o conllcvrr riesgos
r
la salud.
383
1.
Si se necesita ilfornacin cle todos los elenentos qrre conforman el ruriverso estadstico.
2.
3.
CLrarrclo no
v luniuros
A corrliurracin expondrclllos ios plincipirlcs tipos cle iln'cstigrciorrcs pol rnrrcsl-r'co, qilc sorr cl alertoricr
sirnrlc. el cstrrtificirdo ' l clc conglornelados.
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,
t:fu:Nt,
r.:1
Tr l
Donrlc:
-\
cs el
lrllelo
la poblacin.
es
ly'z
384
es el prornedio de
es
la m.uestra.
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
err
20 000
minutos.
Soluctt:
62 000,
n:
420,
i : Nr:
El intelvalo
3.61, s
1.28
y zo.ozzs:2. Entonces,
es
(,,,r,,
-,
62 000
1.28
ooo
'28
\/ 420
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
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,
385
Intervalo de confianza
El intervalo para la rnedia poblacional
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.
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
"'
Pol lo tanto,
i)2
(1.e6)2(1.1)2
:51.6
error cleseado.
386
Intervalo de confianza
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:
77
la muestra.
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
"
to:-
f,
la muestr-a, que se
Qot)2 N
4N EB - (rntz)2'
Ejemplos
1.
Se tiene que
EI intervalo
Etonces,
es
lf I
- ,^,,
(u
(0,u, -2rB
387
0.167
z,,,lz
0.833
0.167
x 0.833
(0.111; 0.223).
b)
Consideremos que
f:
17:
0.167
I\r
y Ep:0.06.
Q^p)'tvlQ
Ei + Q"d2f
207.6.
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.
.').,^^
lz..lt)'1\pQ
t{ Ei + Q"p)2fA
4(10 o5o)(0 7)(0.3)
1737.
De aqu,
388
b)
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
c) El tamao ptirno
379.37.
+ 4(60)2
:244.1.
es el mavor
valor calculado.
Ejercicios
1.
la varianza resultarolr 7 :
84
.2
s2
se
estime la media.
b) Determine el tamao
t
J.
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.
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)
73.3. Ejercicios
1r)
Deternine cl tamarlo
del total;
c) Realice el
intelvalo
cle confianza, de
389
ser.
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?
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)
fr.re
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
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%:
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.
390
ir)
cle
Mttestreo
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 %.
r lr
cancliclatur'r rl
30%'l:
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)
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
2[J.
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-:
clc lccirc,
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.
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
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.
llrr el cliserlo
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
clerrrrrrtos rle
la rlnestra.
Ot,leL
Al
'n'
Ia
lrs
crsos cle
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;
L3.4.I.
Ill
inteir'rio de confianza al
(1-
cv)
(\-.)
l)onclc
:\r
el
lr
poblacin.
cs
392
lI
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.".
??
')
:t65
cr el estrrto i.
eS Cl
ro el:l tian]
trLl atICdo
Ila oo
Cr
SC L'eclluc
Llce
:f
{rattr *
Ar2i2
...
+ ArT)
i:7
es
.1i
: aNL\-,r,,o,
r1
I ilr
\
.t\
"a/2'
Dri=
zo2
r l
NIVtrL
Preplimalio Primalio
1569
767
88.4
525
mr.Les
ilal
(r
r.
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
r.r)
EI
cr-r'..rl clc
la cstirlacin
cs
E,
.^,.,1f r't(N;-rr;\
\.
6 910 295
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:)
:r esr :
.r\r=
_r
\ "r,csr
(3U18)(102.01)
3 t0 950.
102 0t
(i""t
393
es
- ll"ii""t + E") :
(310 950
+ 6880)
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
nrcclia lroblircionrl l
cs
I t'"'' I
?j
cs pccluerio
zo12
,: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
(
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
Jc,r :
:
Conrc,
No. clc
f'anrilias
A';
64 796
42 18S
Iturai
rl
cl tarlarlo
(AtrJr+-\rrr2)
____
_____ ,,,
r ,+
10f; 9s
I"
2 35
lcuIcrr[os. clrrplerremos
1r
.- i).l2;.
39,1
Por tarrto,
(T""t- E,"izest+
Et,)
(2.35
0.t27 6;2.35
0.1,276)
(2.22;2.a8).
13.4.3. Estimacin
c1r.rc
fientc
r,- 2]r
"'-
(t -
1.,
cs
Z ct/
^. J.)
-
lv
Dorrde
es
cl nmclo
cr,c
clcnrciitos cn Ia poblircin.
Ir
i: I,2,, , . ,I(.
L,2,
...
,I(
i:1,2,.. .,I(.
fi,"t
I .-^ i
: *(N,
it
/v
?i
: *r iiI,,',4,
i,-l
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
1t
cl
cLnl-l
r'ri
(lllc rnir'u
lr,
tclcrror'<:lr. Usc
I - cv:0.(t2:5.
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
(;
lr.:.rIl\ t Lpl
\Y(sL Lp\1'sl
(0 2097
(0.12172;0.2722)
!3.4.4.
lb.n-^
rl,.l i.s
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;,:
A si
gnacin cqrritativa
E;l
lr
Lrrtt'r
fblna
ctclt
clcirrcnt os.
iii tlrruliio
scl
,)'I
L -\
er1'u,i,tat'iu(L) pt'o'lorc,i,oretL s,
-r
^t,"i
ii
{: .;: )'-\,'.'
't- I
ciLr
,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 -
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
-- 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.
primel
caso.
/ I{
\2
E2N2*("^/)2Dlr,17
i:L
Prr' r'crlizat- Ia zrsignacin clc los bamar'ios de las subrluestras sc ploccclc clc la siguiente lnancl'l:
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
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
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
22
rlt :
:64796 x
NrL'
N
n
n2 : -. : 42 188 t
^ri
278
1069E4
278
tOOgg4
168.34,
109.63.
y de 110 en la rural.
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.
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.
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.
-:
.).
4. El ulbanisno o luralismo
cle
399
ia localidad.
5. El rrivel edncativi-r.
6. El nivel socioeconlnico, cntle
otros.
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
1.
par-a:
b) haliar un inten'alo
total poblacional r;
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
Consumo
promedio
r25
g7
48
Varialza
nuestral
232
r75
124
400
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
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
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
280
150
220
N{eclia
800
1400
3200
Desr'. estndar
160
400
750
73.5. Ejercicios
401
de
b) Estime
el
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
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?;
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
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
Poblacin
total
-Lona
Ciudad
Campo
Tamario de
Proporcin
la muestra muestral
2 800 000
450
0.29
650 000
350
0.61
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
Poblacin
total
12 000
36 000
27 000
g8 7o para
Propolcin
muestral
0.45
0.60
0.74
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;
Zona
Total de
habitantes
consultados
Pobladores
a favor
15 000
200
40
5000
100
27
25 000
200
60
Norte
Centlo
Sur
Nmero de
g5 %:
nejolal
las coseciras.
1,
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?
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
al cultivo de la rnanzana;
b) Encuentre el intervalo de confianza al 96 Vo para
zona de estudio;
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.
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.
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
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.
Intervalo de confianza
El intervalo de confianza al
(1
CS
(^
I
Doride
/
1L
es el nmero de conglomerados en
la poblacin
i: L,2,. . .,fr.
M: D
h[
ri
es la estimacin del
por 7
i,o
o;t
nro
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
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 ::------;.
La frmula de evaluacin de r incorpola, en el denomilador, una correccin que se debe a que tratamos
con Llna poblacin finita.
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,
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
r.
??
12 y
nz;
I"t :
31,
i:T
ir)
Carlcr.rlemos los
1573.8.
;_1
::
\1, .,:,
1573.8
'n, :__;;_:iu.7u7,
rr
\ ttt;
i:t
'r
: Alt:
38 300
50.767
?INrL
i:I
1944376,
4576.5,
fi-7 rrl :
Ot
10 500
y el nulero
406
Corno
D,@o
i:7
--;.)2
2(50.767)(4576.5)
(50.767)2 (e1)
15 354.45,
15 354.45
t--I
11
37.36.
-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.
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.
Intervalo de confianza
El interrralo de confianzr al
(1-
F-
( a-2^t:.,," At V
ly'r
cs
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
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
(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
lr) El tamao
,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
10 500
as:
j-I. / J.
csl,i
Intervalo de confianza
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:s
Il
T7z
por
11.[
- i:lD
rro.
,41 cs el tanrao plor-ncdio clcl conglomerado palir la poblacin, que sc calcula por A.[
: AI
/;
cs el
D'i
t: ;l-
rn'"
;-1
7l
s,
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
Tama.iro de la rluestrt
El rlinrelo
cle corglorner'rcios a
c:onglonrer-aclos, cou rrn (1 - cr)
"o
?s
I
rl
,I
Eiemplo.
Prra conocer
rirmente
.l
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
'
^
I):
\-,
- ll
;-r
n
\) - rlti
'
.i=)
St)t)
ckrl in bclrrakr:
n,
1I
tL
D,r? :74245,
'i-l
llnton
lJ/t-
43336'
r:es,
Par't
zrol'sr)lrzooelT'ro s5e)2(4s836)
::l;t:,
7.697.
rr,:r sc clislrorur
tr,
r7(r! rt
f,'
:
l1r''
.11)8
. t7
().05216.
rrr.;
4to
Entoni:es, cl intervnlcl
(i
cs
- Ep;f + Er) :
(0.5588-0.0846;0.5588+0.0846)
Es dc<;ir'
<1rre
64.3
Q.47 2;0.6434).
% de los estudirntes hrn rccedido a Internet, la ltima
serIln.
t(
')
as,
')
ry::i:
sz
(AtS'z
(2.t7\'2 (7
' ' . .6t)7 ,.:79.73.
= (47
.06)2 (0.04)',2
\',z
*.\
78.73 x 498
78.73
498
67.98.
L3.7. Ejercicios
trstimacin del total y cle la media poblacionales
l.
llor
A: :
?tt :
10
conglorner'rdos sc
000.
'ttl.2
: .' . :
II
100.
tl100
: 15,
.41
150 000,
II
_ rtr)2
:474.
li)
2
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.
b)
4Lt
Enc:rrentre
lr nedir.
cl trn,rno rlc
r vr-'L
Ir rrnest,r'l pzrra
tcner .,r,
"rrnri
los
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
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
zl.
000,
rr
'ttt'2 : .. . :
II
Ir
siguicntc informar:itilr:
100,
tit100
: 15,
If :
150 000,
L,,,,
tttr,tl<) clt-'t:onfirruzr rl
7.,.
rle
cntlrrs
h\<1.
pt
(rrr,)
L
E5
24420
;i
5ti
47723
t-
61
(,)
b)
clef'ct:t rrosrs
(.y,)
'J:]
18
2I
.
l'lttlttcl.
()
<lc
Nu. tlc prendas
1;r'r:nclirs <lcfccIrrosrs
(rr4)
(y,)
No.
0615
77825
E5919
95527
10
68
22
rt-r1.rar:
4L2
(t.
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
0
1
ler
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
]r)
cl
gasl,r.r prorrirrrlio
Ir
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
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.
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.
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,
a) Qt
2.9, Qz
RIe:5.
4.5837.
19.
33.3%.
168 cm.
23. 8.
24.
101.
25.
19.
26. Med :
37.92, Mo
27.
500, la mediana
28.
20.
:36.92.
y moda.
4L5
29.
a) rr
30.
268 800
31.
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.
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;
c) 5! : 120; d) 6!
720.
65.
700.
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.
105.
22.
84.
23.
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.
29
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'
34.
JJ,
36.
B")
9.25'
n B') :0.25.
33.
o C');
e)
Pr(A\B) :0.3;
37. a)
Pr(A)
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)
-.
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'
,r. 20
n
72. 0.75
45 b) 99
110
-'46' ', -.
7a. Pr(ClD) : 0.7557s.
13. a)'
15.
19
2018
16. 979
22.
a)
Sexo
Hombre
Mujer
0.5
0.5
Hbito
p
i;
l,
")
No fuma
Fuma
Ex-fumador
0.46
0.26
0.28
24. a)
80
%; b) 0.59; c) 0.8537.
25. 0.3806.
26. ?.
4
.1
30.
a)
-"' *,t
L0,
-:
b)
',
c)
-:
I0'", -7'
31. 0.8235.
32.
y.
47
33. a) 0.898; b)
0.39.
: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.
- -, -[.
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.
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
- 3p+3).
420
14.
a)
15.
a)
c:
,rg;
u)
c:
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)
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,
|,
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.
0.316; b)
Pr(X > 6) :
0.156, c)
n:
4.8t.
ry(y)
.".;)
c) El 26 % de las veces; d)
, , B son independientes.
( 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(-
Seccin 3.6
1.
2.
3.
4.
E(X)
5.
a) E(^9)
4.4, Yar(Y)
2.84'
: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,
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)
c:fi;
d) E(x)
t)
*,q
: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(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) :
100
31.
4'
: fi, c) var(x) : #
b) E(x)
15.
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).
: |; rl M(L):r!+#:,
E(x)
423
Captulo 4
Seccin 4.6
1.
2.
25 dlares.
,
3. .) i; ) E(X) :
109.5
110 Palabras.
4.
a)
5.
42020
b)
c)
") i; 7; *.
6.
'11(t0,7,2),57
n(xk)
.,
/c
esimpar,vr,(xk)
:I.
li' q k
11.
L2.
0.537.
13.
a) 0.26214; b) 0.01536.
0.8; e) Var(X)
:0.64.
16.
a) 0.36; b) 0.997; c) a.
17.
18.
19.
100
cf00(0.0b)k(0.9stoo-r.
k:96
23.
Al
24.
0.0504.
25.
a)
X
-
0.1 x 0.
b) 10 preguntas.
424
26.
b) 5 cartuchos.
E(X)
3 gusanos.
a) 0.04087; b) 0,03564.
0.3188.
):
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.
E(C)
200 dlares,
"(C)
47.43 dlares.
0.14288.
):
a) po
50.
a)' .\
7e-2
0.94735; b) 0.12896.
: 4, b) 0.4863.
20"
0.338.
425
Seccin 4"10
1.
2.
..).
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.
.\:3,
c)
l@)
==
0.25, I@) =-
si
f o'
0.2b"-r,r,,
.t
;;
I
": 3'
1.4.
15.
16.
a) 0.9rj; b) 0.35.
17.
10
ao.
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'
13.
B6t'
b)
d) ,\
72.
:3h;
e) E(C)
:L20
centa.os.
0.2152.
0.135.
,"
{2nu(r-5)2132.
b) C.309; c) C.276 d)
0.tt28^
426
24.
25.
26.
27.
0.403.
28.
29.
30.
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.
34. Pr(Iz) :
0.5987,
Pr(M):
a) 95.45 %; b) 0.83.
36.
a) 0.0062; b) t
37.
38.
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/(7.5,5.25); b) 0.1379.
10. 0.0207.
11. a) 0.0E23; b) 0.0446.
t2.
0.34335.
35.
(0.16)4:0.0007,
427
13.
74.
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
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)
0.0625
0.1675
0.0200
b) 0.1965.
b) 0.7392.
0.7r
b)
d) Pr(1 <
9.
115
31L0
+(\ -
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.
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
45
4130 7130 rl30
L;
si m y
son impares:
caso contrario.
Xs > 200) -
16'
|.
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
^u);
2r.
22150 21150
3/50
-"
15.
19
t2
xlv:o
0.10
4150
c)
r \ _____________::_
^e-\'!t,
7150
t2
rlrs
X
0; fs,(y)
c) Son independientes.
a) a; b)
fx@):2tre-'",ft(y):2!Je-!";
c) E(X)
: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.
0; v> 0; n >
0;
caso contrario.
a)
31.
Cov(X,Y)
-0.0f , p: -0.1306.
4a3; c) E(X)
independientes.
33.
a) 10; b)
c) Cov(X,
: 9,
: j,
15',E(v) 5', a; o.oon4; e) No son
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.
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
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.
p e (0.333;0.367).
p
0.3679,
>
20)
43L
28.
29.
0.95.
30.
a) 0.95; b) 0.09.
31.
oo
.
Pr(s2
33.
Pr(s>7) =0.95.
34.
35.
o2 e (49.75;I6a37).
36.
Jt.
0.8361.
38.
a) 0.1; b) 0.75.
39.
0.99.
40.
4t.
0.025.
42.
0.05.
43.
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.
f'(1,1); b) 0.95.
:225,
Var(s2)
3894.
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
4.
6t02
5.
7.
a)
l:r;
b) E(V)
Es insesgado.
9.
b)
a:
a)
E(X.):
11.
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 *),
:
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) (416.60; 503.40); b)
295.
433
9.
57.
10.
11.
a) (165.01; 169.3e); b)
72.
a) 50 dlares; b) 490.
50.
13. 62.
t4.
43.
15.
31.
Seccin 7.10
1.
2.
3.
4.
5.
6.
7.
8.
9.
77
@0e.23;706.76).
(2793a;240.66).
10.
a) (2793a;236.66); b)
11.
a) (3.527;3.709);
72.
13.
Seccin 7.12
1.
2.
3.
4.
5.
oe
o e (3.30r8.40). si le conviene.
434
6.
7.
B.
9.
10.
e (0.69;2.76); b) No
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.
155.
a) (0.2475;0.3525); b)
276.
311.
iguales.
11.97.84%.
1.
2.
3.
4.
435
Captulo
Seccin 8.6
1.
a) H0:
2.
zotts: -1.825. a) A
3.
se rechaza.116.
no se rechaza
a:
-FIs.
3.4%.
4'
zobs
6.
7.
9.
10.
11.
72. a) 1{6: r :
18,
HI
Pot:0 -
0.0b(10)
8485.
1.812;
c) toar:7.976,
rechazo
Ho.
b) fIs: p : 26, HI Ir I
261'
c)
tobs
:1.46,
se rechaza Hs si t.6,
>
2.069;
14.
tobs
15' tobs:
-I'4785, no
se rechaza Ho.
16.
77.
tobs
a ocho das.
a) tou": -1.383; b)
a:0.1;
c)
r:12.65
s:0.973.
22.
XZa"
Hs. La varianza
es igual a 15.
23. XZa":26.33.
24-
se rechaza
XZu":31'97, se rechaza
-F16.
27.
a) H0:P:0.2,
28.
29. zrbs :
30. zobs :
31.
se rcchaza Hs.
-1.
32. a) zou, -
1.16, a un nivel de
33.
a)
2.26, se rechaza
34.
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"
a:0.123.
llo; b) 0 :0.2655.
Seccin 8.10
1.
2.
3.
4.
a)
zob"
10.
11.
tobs
en el nivel de plomo.
tobs
el medicamento B es ms efectivo; b) a
15'
16.
tobs:2.885, para a
17.
18.
0.025.
un minuto.
437
21'
ltot,"l
22'
23. tobs:
24.
25'
26. a) Foa, :
27. a) Fo*:2.8,
tobs:4.44. Si es ms
efectivo.
29'
a) Hs: pr
30.
31'
32'
33.
34'
- p210; Ht pt -
1.
iguales.
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.
Captulo
se rechaza Hg.
18 %.
Seccin 9.3
1.
2'
3.
XZu"
4.
XZt
,:
es simtrica.
5'
6'
7'
a)
8'
9.
xlu":
resultado.
b) a:0.1945.
438
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.
15. l:
16'
XZu":4'9;
17.
XZa":5.6L4; con o
se acePta
I/e'
0.05, si hay asociacin.
22'
23'
XZu":
4'876, se rechaza
24' b) xZa" :
25'
Ils'
Seccin 9.6
1.
2.
a) pot'":0.1719; b) ?ra"
a) 2poa": 0.3438; b)
:12,
:42.5'
Tou"
No se rechaza H.
3.
robs
4.
a) rou":9, no
5.
6.
no se rechaza f/g.
se rechaza
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.
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)
Ho.
12. a) rou":
Toa":
16, no se rechaza
,F16.
439
13. gobs :
14. r<I4lor)183.
15.
rechaza Hs.
seacepta Ho;c)Uobs:40,seaceptaIls.
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
Captulo
9, se acepta 11;
10
Seccin 10.9
38.686
(-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)
Total
7 1987.50
9. a) A : 70.87 + 35.75r, r : 0.735;
r
-0.896; d)
Total
e) o
795 444.5
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)
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.
")
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.
0.88.
44L
'22.
" : ------:--:-----
2:1.
b)
'll
0.0852 -F 0.0375:r:
-.
t'2
:0.973.
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)
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
a)
/
b: (
\
\
0.607 I
-7.6e0
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.
Fuente
a) totr,o - 5.05,
c)
14.23,E(yr) e (1L44;L7.02),
Fot":8.945,
Regresin
7.
0:
e (8.4;20.02).
9.
se acepta 116;
d)
g.
Regresin 2
c)
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
"
Rcgresin
43396.4
21695.2
Error
iJ
2391.1
478.2
tor",3
- 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
s:
cl)
/,6.,rr"
i1.
a)
12.
a) Concentr:103.79
18.63,
Lt,ob"
-4.46,
4.'.J2.
:5.87; c) R2 :0.853,
R.,2,:0.794.
b)
13.
L.,,,t
:4I.334+
0.236(Te-p.)2.
t4.
15.
1si
Sexo: 0 si es hombre;
F\rente
s. l.
SC
Regresin
1.826
Error
Total
0.409
2.235
Veneno:
es
0.913
0.082
c)
o,o"
17.90, tt,ob"
4.4L, t2,or"
-2.58.
Captulo
11.15
2.o6"
1.86 Ven.
L2
Seccin 12.5
u) ?tt
Captulo
13
Seccin 13.3
1.
a)
b)
121.
(81.23; 87.r7),
443
').
a)
3.
4.
5.
6.
7.
a) r e (115.aa;134.56),
B.
a) (0.251;0.410); b) 153; c)
10.
(73J 153;777
461.
351.
Seccin 13.5
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.
a) p
nz
154, ns
7.
(0.34e;0.455).
8.
9.
(30.e8 %;3e.08%).
10.
a) (0.5705;0.6823); b) n1
nZ:502, 7:':302.
nz
I45
cl) n1
I48, n2
I57, n2
n2
rL3:149; d)
I42; e) ny
469,
L47, n2
nt:
I82,
I43.
nz:352; d) n1 :
173,
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
29.
El tamao ptimo
es de 29 familias.
2.
3.
4.
5.
6.
.
.
.
.
Nivel a
:0.1.
:
Nivel a :
Nivel a :
Nivel a
0.05.
0.025.
0.01.
7.
8.
9.
10.
11.
445
446
Tablas Estadsticas
.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
.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-
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-$'
r-0'cr
9t0'0
gif0"0
f8Lfl.B
6ts'0
r0?0'0
6f0"0
!EF'O
S9F'
9F'0
ESt'0
96f fl.0
-cfl9fl'0
9rsCI'$
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
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
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
?)O
1 e.red
8W
{4v
Tabla 3. Puntos porcentuales de la distribucin -Student
0.4
I
1
0.32s
0.289
0.271
0.271
0.267
0.3
0.2
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
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
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
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
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
80
.11
5.18
6.90
8.50
2.71
25.99
21.20
28.41
.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
()0.27
66.77
73.11
19.49
91.9s
45L
<le
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
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
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
Nivel de probabilidad
I
*
cr
0.1
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{
*i *i *'i *q *i "*i ;
"J
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
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)
r.t
{
t
.,1 -.,
\ (c
,.
,'-
\f,
14
&
f"
.l
E
WA
<) .t
11.r'f
<j
. 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} (},
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{
a
C- r
rr'
rl
m d 'n "t:r.,
i.l ol
..1 r.{
.{
ft
"i
r ri
,:.1
@ r1 r{"J W r. ft
c: c,} 4: c:1 (.:l (-,
':.:
e., r{
\f) r.
rt l
'rr
it
.1
Jr rr
{Yi ..
J,
..r
r-.
r{
.l
rt
.
r{
<)
f.
r"ii r.;i
.,,.;
@ -r
r-.i-.
; * -
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
rrr al' qf {{ Cl @ \+ .. (J -]:4 $:t q? r.l 4h \dJ ':t 4{ '1 r-. r.r rr, ..,{ *R r r4 r-. r- i t vl. <rl {4) 4r' frr .l .... (> !}f..\wl.''{Ole\f)t:||\ti1l'r.tfftrt..r..i.-r.'i.-"tr'{.a4\{.)?\|i
,r, c. ,i .+ <q ..i ri r..r .t r .{ ri rr i ri rl
ri ri r i ri ri -{ rt rr ri ri ,_-i .l -i r ,:.1 ri rt i rt -
"i
r,
ftJ
- f, F) = 'ifl \e r- qo':\
= = = ==
xl E
593
l-.1
Fi
F1
Fi
ajl
qf1 ,7i @
frt
r{
qJ\
@ r,-- Vl D
9- *
ct - q nq
ec Q.,
r., r'-" r-. r'-: r- --r{ .1 .. a..{ al f.{ r.{ -:t r -t
ri il Ii H !; fr ff +ff g F * 3 ;
l!
D$'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'{
$.
j'?
AU L
w-v
YLL
7'7
LIL
t
r
avL
f6T
1
6g'
9L;7.
6'
a7'{
L i
rd
g',t I'f
v
[9'!
t!'8
t
&!
6C
f3'c
LL
F'F
99'5
5E'8
6F'68
B"e
s'
,t't
LI. l.
IJLL
^?'?
+-'a
ILL
9E'[
-!.
fg:i
E5'[ 6r'[
Er[
F!'C
FI.
ss'
ETT
9]"[
t$'[
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
{.'[
98-e
F6'[
er-l
E['[
*'r-
E8'5
$'[
s8'E
58"
}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"
[$'[
EE
6{'t
lf-r
gtT
i.t'c
l-'7
VV L
{rf}'I
?V L
63't
Fe'e
.T?-?
T.LL
a-}.L L
t.
LCL
dt'7
OL. L
sr'fl
E{"[
i5' 6S'e
F['T O}T
!'r 0[T
rr [t'I
E[-r sft st-t 9f i
'r f' T3'T, SF'
a'a
:'L
-5'7
L$L
LN L
IS L
-M't
trl'(
Lf L
tf
#'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
I9T
st'[ 9'E
.'[ t8'[
(s-[ [6't
gst I8-g
g9-[
"
F6"{
Jt ff:,
i *:"
ts
B'?
gsT
$-5 0I'[
!L
L?''
!r!
[S'e
?
't:I UlL V D.L s !t F'(Fi
igf fgr B'iEt t'tqr l'na
ffi 0I {H F 0f sE sI rI
G
UL
GFT
E5'e
d
Er
F8-t
S$'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
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
tla
.11.8 t99
a -:1
_1__r
-^
_r:t-Lfu
1t.4{ i6$4
:l
:.r:l 3$-Si
{0.$l s .{l
I
q
l0
ssi
-t
"i)6
s61
5
9l:
899
S
1a ?1 a1-- an-.ar
.-1:t -. ._tlJ___r ltr-_\tI
1-- 4
:--
c*a
{i !^
--.tt/
Gt 6d
!
c4 ct6
r,.,9
._-ry I
l] l]
--r
l_l
-r Y-+
t^ 11
_1y._!--
1a a
_1Jq-_1{.t
J:l J i
t4l_;
f4.61
i;_
Y.-.U
5-U r
*8
i.st
6.i4
_i.g_c 5._11
i ]9
d.06
\-t
).+-
*-^i
-r-LJ
1
+--
.t.si
.$
+.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.$6
.4.t4
4a
_t-"!
-:
;-;_t
1a
AC
ll
O.l
.r{
f,a
l8
t9
:t]
I !i
-- 41
*._!s
_i9_l
t- -lr
L'-d
-1
tj
.
--;.st
{.6
-- ftl_1
.1
+-+-
_r
-- f 4
+ l-rs
*
i.s9
1
nn
_r-J
J, .: -r
-1-Sil
_1-31
is6 -ii:
1 _
s r
_a .
R J
_1 +:
_t
- i
_a _]
-1--1!i
-1
::
_r_.U
_i19
_1_:
5.11
u.,
i 88
-
_1
.,
_1
^|r.4.-
St
1.8+
1n-:
1^1
1Qt
144
1 i.^
1ar
;, 1
f :o
-.i
1.i
141
:. .'J
't t4
:-JV
ltQ
{ 4:
_i._a_1
. ^+
_r _1 1
_1
- i_a t-r,
-
- 4
f l r1
.l 1l
i 5_i -i t9
:.9t
_i.,$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_
^i
-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
&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
$.6i
+.i tl4
lu
1 0-
-1.0_1
-1--1
l 1..t3 :i.39
r6i :ir
:i9 :i4
l.ll I i
::
1 ii
a .3
1--1
1 {
___r_1
_ r
'\ ii
1 ,{
I l?
l.ll
I an
_1-,
+ *-I :-,
1n.-_
_a-_r
I S6
14.
-1--:
a t1
: :^. t,t
_r.iJ:
9sr.l
9S.r.9 ggi
]{*}
4 {1 1a 1 -n i
a d(
-r:/.+-r _1:t.-(J -ay.+_l 3Y.1v
6.16
6..*_1
6.-il
-\.1 I
i.:r8 l.ll
.$.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 $t 196
t._i:i
-:16
1 l
:.l
1 ll
- +l
t.t<
1rl
111
*!
99
i.95
--_1.
1ai
a:Q
l.iJ
.1 :
- ttr
'1rl
-.u.f
1
\ {1
-.Is
1.9$
+_<
^
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
s.-1: s t6
6.{ls 6 0l
$.9': :r gI
.! 1!
J.s r
-r-+rLf
a'!.,
^-
f f
.l
'1 .:-1
A1
1 .
1 .:
a t3
a --\-
a 41
1 a'
- +!
1--1
_a
1 11
- -1-i
f !-r
J(n
Ox
')
oo;J (!-AP
'u<w
') Y_t-o
^.
'! ta
DFFN
:. U)
:i.
1 :f,
*.-ru
a 11
1 !:
lJ-
L.
15
a 1:
11:
I n
'lo.{
\-tD'
iJr^r+
l.l I
1a
a -^
= uu
il6'+
:
--a!
1 5r-
J-l
'r -11
1l>
1 14
;-r-
-.>
1 ,1.(
.lt3
,t1_
i^.4
:-t+
---'i-i
r.Y-
i ilv'
r.
n^-
'1
40
r ^i
r X.
- u-l
r.YY
:.
!.91
^^
--)
! 41
r Y. 4n
i--l
t 1
r -r
! ni
88
119
:/-
-.
:.s,i
: ':r.r
:1i
!.Dtr i
_)_1
I-i
I ft,
.lC
i.t
t.$* 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
i.U,-l
4:{
r-:i
-i l:
-rt,
l!-
_:--L
1!
a
r
\
r...
,-+ i
11C
l.tt
-l'L'
t -^i 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:
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.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-;-
I {t
ll 6.ll
tl i-i
il
A
A
g\
s.$r
t.t
r:
- -r!
_{
'!L .'U+
l.+r
i-nu
Li?
1.3i
{ n
U!
AP
<lr
-a)
:
N
fl r:
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
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.$.3
-\- J
l{}
6&8i
<t\A ia;
J ra
.C
na
_r
YY--1Y
:l:/.+v
:rf -i L
_1.
., _1
_a
_1
_r__r+
a 1d
-1--1Ll
_{
;.6 i..$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
$:
-i
1d-t
i.tY
f Q.
"t.s4
1 a
:-a .{
j
P
l.st
_1_J
-1_ |
f!.!:
_1_
1 An.
20 3$ 40 50 l*0
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
>
^a
-l-Ll/
]..r9
_r.fflf
:.9S
1 &
- IJ
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-
-1.Lr
..
a 1
J.U-.
11
:.' 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
-,
is t.t5 l.:l
$" l.6 :.94
I *i r.95 !.Sl
'1 l
f.:jd
r.51
!,4_
zb
olJ
r-'l
^aro
,rr5
:-
#0J
v!
DO
-a
oo
Dop
Qa.
ilLn
ll
:.: I
t.i
Li
f1
i. I
'1
{t
bd
o
\
:
5
r:.69 I i9
_1
ilOr
'
456
Tabla
Tablas Estadsticas
7-.
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(
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
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
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
0.447
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
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
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,