Академический Документы
Профессиональный Документы
Культура Документы
ESTADÍSTICA APLICADA
Julián de la Horra Navarro
Catedrático de Estadística e Investigación Operativa
Departamento de Matemáticas
Universidad Autónoma de Madrid
ESTADÍSTICA APLICADA
Tercera edición
,1
D~ ros
·"'
Primera edición, 1995
Segunda edición, 2001
Tercera edición, 2003
Prefacio XIII
Prefacio a la tercera edición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XV
3. PROBABILIDAD
l. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2. Conceptos básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3. Espacios muestrales discretos . . . . . . . . . . . . . . . . . . . . . . . . . 27
4. Probabilidad condicionada . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5. Sucesos independientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
6. Regla útiles para calcular probabilidades . . . . . . . . . . . . . . . 30
7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
X ÍNDICE
4. VARIABLES ALEATORIAS
l. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2. Conceptos básico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3. Variables aleatorias discretas . . . . . . . . . . . . . . . . . . . . . . . . . 43
4. Variables aleatoria continuas . . . . . . . . . . . . . . . . . . . . . . . . 45
5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . . . . . . 48
5. VECTORES ALEATORIOS
l. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2. Conceptos básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3. Vectores aleatorios discretos . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4. Vectores aleatorios continuos . . . . . . . . . . . . . . . . . . . . . . . . . 61
5. Algunas propiedades útiles . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
7. MUESTREO ALEATORIO
l. Introducción . . . . . . . . . . . . . . . . ............ .......... 95
2. Conceptos básicos . . . . . . . . . . . . ............ .......... 95
3. Inferencia paramétrica . . . . . . . . ............ .......... 98
4. Estadísticos suficientes . . . . . . . . ............ .......... 98
8. ESTIMACIÓN PUNTUAL
l. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
2. Conceptos básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
3. Error cuadrático medio. E timadores in e gados . . . . . . . . . . 102
4. Estimadores consi tentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5. Métodos de construcción de estimadores . . . . . . . . . . . . . . . . 104
6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
ÍNDICE XI
11. CONTRASTES x2
l. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
2. Contraste de la bondad del ajuste (primer caso) . . . . . . . . . . 147
3. Contraste de la bondad del ajuste (segundo caso) ...... . .. . 148
4. Contraste de homogeneidad de poblaciones . . . . . . . . . . . . . . 149
5. Contraste de independencia . . . . . . . . . . . . . . . . . . . . . . . . . . 152
6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
La buena acogida que han tenido las dos primeras ediciones de este libro me ha
animado a abordar una tercera edición.
Esta tercera edición respeta la estructura de las dos anteriores. Su principal no-
vedad es que, al final del libro, se incluye la solución detallada de los doscientos
cincuenta ejercicios propuestos en los diferentes capítulos.
Espero que esta modificación contribuya a completar y mejorar el resultado
final.
Finalmente, deseo agradecer a la Editorial Díaz de Santos las facilidades que
siempre me ha brindado.
1
Estadística descriptiva
de una variable
l. Introducción
2. Variables cualitativas
Grupo A: 42 personas.
Grupo B: 12 personas.
Grupo AB: 5 personas.
Grupo O: 41 personas.
A B AB o
Fig. 1.1
3. Variables cuantitativas
Una variable estadí tica X es cuantitativa cuando toma valores numéricos. Son
las má interesantes, ya que con ellas podemos hacer representaciones numéricas
que no tenían sentido para las variables cualitativas. Es muy habitual distinguir
dos tipos de variables cuantitativas que indicamos a continuación:
Se pueden hacer di tintas representaciones gráficas con los datos de una variable
cuantitativa X: diagramas de barras para variables discretas histogramas para
variables continuas, etc. Todas estas representaciones son muy sencillas y fácile
de comprender. A modo de ejemplo, vamos a indicar aquí una representación
muy interesante (por su sencillez) para variables cuantitativas continuas: los
diagramas de tallo y hojas. El procedimiento es como sigue:
a) Redondear lo datos a un número conveniente de cifras significativas
(generalmente, dos o tres).
b) Colocarlo en una tabla con dos columnas separadas por una línea, de
la siguiente forma:
Toda las cifras menos la última se escriben a la izqüierda de la línea
(forman el tallo).
La última cifra se escribe a Ja derecha (forma la boja).
e) Cada tallo define una cla e y se escribe sólo una vez. El número de
hojas representa la frecuencia de dicha clase.
4 ESTADÍSTICA APLICADA
De esta manera, los propios datos nos dan una idea visual de la zona con mayor
frecuencia de observaciones.
5. Medidas de centralización
La misión de las medidas de centralización es dar una idea del valor central,
alrededor del cual se reparten los valore de la muestra obtenida. Solamente
definiremos las más habituales e interesante .
1 /1
x= - ¿ X¡
n i= l
(Cuando se trate de una variable continua con los datos agrupados, usaremos:
x=(l/n) :rf=i n¡x¡=:rf=i J;x¡; es decir, es como si el valor X¡ hubiera aparecido n;
vece . Pero in i timos en que, si los datos están sin agrupar, no tiene mucho
sentido agruparlo ).
6. Medidas de dispersión
ig. 1.2
Vx = -1 ~
L., (X¡ - X)
-2
n i= l
Para calcular la varianza suele ser más cómodo usar Ja siguiente expresión,
que obtenemos desarrollando el cuadrado:
= -1 ( ¿n
xt-nx 2 ) = -1 ¿n
xt-x 2
n i= J n i• l
(Cuando se trate de una variable continua con los datos agrupados, tendre-
mos de forma análoga: vx=(1/n) L}=1 n1xt-x2 = L7=1 J;xt-x 2 . )
Es frecuente encontrar texto en los que se define la varianza muestra! de
una forma ligeramente diferente: en vez de dividir por n se divide por n - l.
Dividir por n -1 es algo menos natural· hay razones que justifican el hacerlo,
pero esas razone no se pueden dar en este momento, ya que necesitaríamos
hablar de cómo ha sido extraída la muestra, y este aspecto todavía no vamos a
considerarlo. Con la definición que hemos dado, la varianza muestral e
simplemente, una «dispersión cuadrática» media.
Media muestral:
1 n
x= - ¿ x¡= 1,75
n i• J
ESTADISTICA DESCRIPTIVA DE UNA VARIABLE 7
Mediana muestra[:
1,70+1,71 =1705
2 '
Varianza muestra[:
1 "
vx= - ¿ xf-x2 =0,0226
n i= l
J0,0226 = 0,15
Supongamos ahora que, en vez de los datos originales, nos hubiesen dado los
datos agrupados de la siguiente manera:
Clases n;
[1,40; 1,60) 3
[1,60; 1,70) 8
[1,70; 1,80) 3
[1,80; 1,90) 4
[1,90; 2,10) 6
Media muestra[:
1 k
.x= - ¿ tl¡X¡= 1,76
n ;- 1
Intervalo mediana:
Varianza muestra{:
J0,0441 =0,21
8 ESTADÍSTICA APLICADA
7. Ejercicios
Puntuación: [30, 40], (40, 50], (50, 60], (60, 70], (70, 80], (80, 90]
N.º de personas: 6 17 76 68 22 9
N.º de hijos: O 1 2 3 4 5 6 7 8
.º de familia : 11 13 20 25 14 10 4 2 1
Analizar de criptivamente.
4. Se tienen los siguientes porcentajes de las tallas de los reclutas españoles
del reemplazo de 1968:
Talla en cm. menos de 150 (150, 155] (155 160] (160, 165]
% 0,3 1,6 7,4 21,5
Talla en cm. (165, 170] (170 175] (175, 180] más de 180
% 30 5 24,5 10,7 3,5
Analizar descriptivamente.
S. Dato ob ervados en un estudio sobre el tamaño de lo huevo de cuco
(Biometrika (1902)):
13 75 - 14 25 1
14 25 - 14,75 1
14,75 - 15,25 5
15 25 - 15,75 9
15 75 - 16,25 73
16,25 - 16,75 51
16,75 - 17,25 80
17,25 - 17,75 15
17 75 - 18,25 7
18,25 - 18,75 o
18,75 - 19,25 1
ESTADÍSTICA DESCRIPTIVA DE UNA VARIABLE 9
Analizar descriptivamente.
6. En 1879, Michelson obtuvo los siguientes valores para la velocidad de la
luz en el aire (se dan los resultados restando 299.000 a los datos origina-
les, en km./seg., para facilitar su manejo): 850, 740, 900, 1.070, 930, 850,
950, 980, 980, 880, 1.000, 980, 930, 650, 760.
En 1882, Newcomb utilizando otro procedimiento, obtuvo (restando
de nuevo 299.000): 883, 816, 778, 796, 682, 711, 611, 599, 1.051, 781 578,
796, 774, 820, 772. Se pide:
a) Diagramas de tallo y hojas para ambas distribuciones.
b) Medias y desviaciones típicas.
c) ¿ Qué conclusiones pueden extraerse?
7. Los siguientes datos fueron utilizados por Lord Rayleigb (1894). En ellos
aparecen los pesos del nitrógeno producido a partir de compuestos
químicos o a partir del aire suprimiendo el oxígeno. Analizarlos mediante
un diagrama de tallo y hojas:
5,50 5,61 4,88 5,07 5,26 5,55 5,36 5,29 5,58 5,65
5,57 5 53 5 62 5,29 5,44 5,34 5, 79 5,10 5 27 5,39
5,42 5,47 5 63 5,34 5,46 5,30 5,75 5,68 5,85
Analizar descriptivamente.
10 ESTADÍSTICA APLICADA
Analizar de criptivamente.
Analizar descriptivamente.
2
Estadística descriptiva
de dos variables
l. Introducción
11
12 ESTADÍSTICA APLICADA
Fig. 2.1
cov
x,y
= -n i¿
= l
(x, - x)(y¡ - y)
= -1 ( ¿ x¡y; -
11
nxy) = -1 ¿ 11
x¡y¡ - xji
n i= t n i= l
y y y
. .......:..
...... .....
.....~·. . ..
...
. .. ...• :..··!·.
......
:.:· ...·
X X X
COVx.v>O COVx,y<O cov,.v=O
ig. 2.2
ESTADÍSTICA DESCRIPTIVA DE DOS VARIABLES 13
..
y y
• .. . .
. .. .
.
X X
Fíg. 2.3
1 11
E.C.M. = - ¿ (y¡ - a - bx¡}2
n i= l
/y,a+b,
X
Fig. 2.4
1 "
E.C.M.=- ¿ (y;-a-bx;)2
n i- 1
a(E.C.M.)
- - - - -_ -1
aa n
(2 -2 ~
na L.,
i= 1
Y;+2 b· ~
L., X;
i= 1
)-o
-
- - _- -1 ( 2b ¿
o(E.C.M.) " 11 11
- X;
2
- 2 ¿x;y;+2a ¿ X;
)-
- O
8b n ;- 1 ;- 1 ;- 1
covx y
a= y - - - · x
vx
covx y COVX y
y=a+bx = y- - - · x+ - - · x
vx vx
En definitiva:
COVX y
Recta de regresión de Y sobre X: y-y=-- · (x - x)
vx
1 ) 2
Varianza residual= - ¿n ( COV
y¡- y+ ----='1: x- COV
----='1: X¡
n i= l vx vx
r= covx,y
N,
Por lo tanto, la varianza residual puede escribirse también de la siguiente
manera:
y y y
. .. .
..
X X X
r próximo a 1 r próximo a -1
Fig. 2.5
16 ESTADÍSTICA APLICADA
a estos datos, podemos defmir una nueva variable estadística T = g(X) y baUar
la recta de regresión de Y sobre T corre pondien te a los datos (t 1 , Yi), ... , (tm y,,)
donde t 1 =g(x 1 ) , ... t,,=g(xJ Una vez obtenida la recta de regresión de Y
sobre T, deshacemos el cambio y obtenemos la curva pedida. Veamos algunos
ejemplos:
(ya que la nube de puntos recuerda a la función y = log x), donde log es logarit-
mo neperiano.
.. . .
.
..
... X
Fig. 2.6
y y
....
. . . .. .. .. . . .
X X
Fig. 2.7
5. Ejercicios
l. Ajustar una recta a los datos siguientes de los caracteres X= longitud
foliar Y= amplitud foliar, en ejemplares de Rubia peregrina de la locali-
dad de Figueres:
X: 21 21 33 21 27 35 25 37 25 18 21 37 45 27 18 35
Y: 5 6 6 8 6 7 5 8 7 4 7 9 10 5 5 8
2. Una fábrica de cerveza quiere averiguar si existe una relación lineal entre
el dinero que gasta en anuncios de televisión y sus ventas totales. Analizar
los siguientes datos:
Ventas Gastos en anuncios de TV
Mes ( miles de dólares) ( miles de dólares)
Enero 50 05
Febrero 90 0,9
Marzo 30 0,4
Abril 90 0,7
Mayo 91 1,1
Junio 95 0,75
Julio 95 0,8
18 ESTADISTICA APLICADA
1975 15 1,35
1976 18 1,63
1977 24 2,33
1978 22 2,41
1979 25 2,63
1980 29 2,93
1981 30 3,41
1982 32 3,26
1983 35 3,63
1984 38 415
Utilizar una recta de regresión para estimar el dato que omite la tabla.
6. Los manatíes son unos animales grandes y dócile que viven a lo largo de
la costa de Florida. Cada año la lancha motoras hieren o matan mu-
cho de ellos. A continuación e pre enta una tabla que contiene para
cada año, el número de licencias para motora (expresado en miles de
licencia ) expedjdas en Florida y el número de manatíes muertos en los
año 1977 a 1990.
a) Queremos analizar la relación entre el número de licencias expedidas
anualmente en Florida y el número de manatíe muertos. ¿Cuál e la
variable explicativa?
ESTADÍSTICA DESCRIPTIVA DE DOS VARIABLES 19
8. Los corredores buenos dan más pasos por segundo a medida que aumen-
tan la velocidad. He aquí el promedio de pasos por segundo de un grupo
de corredoras dé elite a distintas velocidades. La velocidad se expre a en
metros por segundo.
Conjunto de datos A:
X 10 8 1J 9 11 . 14 6 4 12 7 5
y 8,04 6,95 7,58 8,81 8,33 9,96 7,24 4,26 10,84 4,82 5,68
Conjunto de datos B:
X 10 8 13 9 11 14 6 4 12 7 5
y 9,14 8,14 8,74 8,77 9,26 8,10 6,13 3,10 9 13 7,26 4,74
Conjunto de datos C:
X 8 8 8 8 8 8 8 8 8 19
y 6 58 5,76 7,71 8,84 8,47 7,04 5,25 5,56 7,91 6,89 12,50
1
4
2
X: 1 2 4 8 16 32 64 m2
Y: 2 4 7 11 16 19 21 e pecies distintas
X: o 0,5 1 2 3 5 9 15
Y: 100 42 14 7,5 0,4 0,11 0,05 0,002
¿ X¡=35,5 ¿ y¡ = 164,062
¿ log y¡=0,664 ¿ xr=345,25
¿y¡= 12.016,42 ¿ (log y¡)2 = 99,52
¿ X¡y¡=5223 ¿ X¡ log y¡= - 125,394
Ajustar una recta y una exponencial a los dato . Interpretar los
resultados.
22 ESTADISTICA APLICADA
14. Los siguientes datos corresponden a la evolución del peso celular (en
mgr./ ml.) y la cantidad de nitrato en un cultivo de algas durante 3 días
(mecticiones cada 24 hora ).
Inicio 0,07 12 5
1 día 0,19 104
2 días 0,52 7,8
3 día 1,07 4,5
a) Ajustar una recta y una exponencial a los datos «peso» (X) y «cantidad
de nitrato» (Y).
b) Ajustar una curva a la evolución temporal del peso.
e) Mediante lo obtenido en a) y b) estimar la cantidad de nitrato que
había en el cultivo al cabo de 36 hora .
---t--------------- X
n= 7 I,x-=135
r , ¿x'.2 = 26 75
1 '
I. -X¡1 =3,7281 1
I. -2= 20374
X¡ '
¿ y¡ =6,3206
X¡
T 1 2 3 4 5 6 7 8
Y 0,9 3,6 5,8 6,8 7,1 7,3 7,2 7,4
1. Introducción
2. Conceptos básicos
25
26 ESTADÍSTICA APLICADA
Una buena parte de los experimentos aleatorios que vamos a considerar son
especialmente sencillos de describir (en teoría), ya que constan olamente de un
conjunto finito o numerable de posibles resultados. Por ejemplo, el lanzamien-
to de un dado, el número de siniestros a los que tiene que hacer frente una
compañía de seguros, etc.
P(B) = ±
i= 1
P(b.)= ~ = _ca_s_os_fi_a_vo_r_ab_l_es
' n caso posibles
4. Probabilidad condicionada
EJEMPLO: con ideremos el lanzamiento de un dado en el que todas las caras son
igualmente probables; si ese dado es lanzado, la probabilidad de que el resultado
esté dentro del suceso A= {l, 2, 4} es 1/2; sin embargo, si nos informan de que el
resultado ha ido un número par las cosas cambian, ya que, ahora, los casos
posibles se han reducido al conjunto {2, 4, 6}, y los casos favorables al uceso A
en esta nueva situación, se han reducido al conjunto {2 4}. Por tanto, la probabili-
dad del suceso A, cuando sabemos que el resultado ha sido par, es 2/ 3 y podemos
e cribirla de la siguiente forma:
Para que esta definición tenga sentido es necesario que P(B) > O. En toda
las probabilidades condicionadas que aparezcan, se supondrá e to de manera
impücita.
Por supuesto en situacione sencillas como la del ejemplo del dado es
innece ario recurrir a la definición para calcular Ja probabilidad condicionada·
en e caso es más cómodo utilizar el entido común· sin embargo la defini-
ción es muy útil para aquellos casos en los que es complicado utilizar la
intuición.
PROBABILIDAD 29
5. Sucesos independientes
P(A n B) = P(A)P(B)
(En general, los sucesos A 1 , .. . , A,, son independientes cuando, para cualquier
colección de ellos, A., ... , A 1, se tiene que P(A¡ n ... n A 1) = P(AJ .. . P(A )).
REGLA DE LA MULTIPLICACIÓN
JEMPLO: en una urna hay 20 bolas blancas y 10 bolas negras. Hacemos tres
extracciones sin devolución a la urna. ¿ Cuál e la p1·obabilidad de que la tre
ean blancas?
Si llamamo A¡(i = 1, 2, 3) al suceso «La i-ésima bola extraída es blanca»,
tenemo:
Las tres probabilidades condicionadas del final son triviales de obtener; por
ejemplo, P(A 3 IA 1 n A 2) es la probabilidad de obtener bola blanca en la tercera
extracción, cuando sabemos que la dos prirneras han ido blancas. Por tanto en
ese momento quedan en la urna 28 bolas de las cuale , 18 on blancas; en
con ecuencia, P ( A 3 IA 1 n A 2 ) = 18/ 28.
PROBABILIDAD 31
REGLA DE LA PROBABILIDAD TOTAL: sean A1, ... , A" sucesos tales que:
a) Uí'=iA;=!l
b) AJ1Aj=0, para todo i::/:-j.
Entonces:
n
P(B) = ¿ P(AJP(BIAJ
i- 1
En efecto:
n
P(B)=P(Bn(Ui'- 1A¡))= P(Ui'- 1(BnAJ)= ¿ P(BnAJ
i= J
n
=¿ P(AJP(BIA;)
i• l
a) Ui'- 1 A¡=Q.
b) A;nAi=0, para todo i#j.
Entonces:
En efecto:
EJEMPLO: supongamos que tenemos dos urnas. La urna 1 contiene 3 bolas blan-
cas y 2 negras; la urna 2 contiene 2 bolas blancas y 3 negras. Con probabilidad
1/ 3, extraeremos una bola al azar de la urna 1 y con probabilidad 2/3 la extraere-
mos de la urna 2.
¿ Cuál es la probabilidad de que la bola extraída sea blanca?
Si al final nos comunican que la bola extraída ha sido blanca, ¿cuál es la
probabilidad de que la extracción se haya efectuado de la urna 1?
Se dan toda las condiciones enumeradas anteriormente:
a) El experimento consta claramente de dos etapas:
Primera etapa: elección de la urna.
Segunda etapa: extracción de la bola.
b) Se puede hacer de manera trivial una partición del espacio mue tral
mediante los resultados de la primera etapa: A 1 = (la extracción se efec-
túa de la urna 1) y A 2 = (la extracción se efectúa de la urna 2).
e) Tenemos: P(A 1) = 1/3 y P(A 2 )=2/3.
d) Si llamamos B al suceso «la bola extraída es blanca», tenemos:
P(BIA 1 )= 3/ 5 y P(BIA 2 )=2/5.
Por tanto aplicando La regla de la probabilidad total, tenemo :
EJEMPLO: las plantas de una especie pueden tener flores rojas homocigóticas
(RR), rojas heterocigóticas (Rr) o blancas (n'). Aproximadamente, el 70 % de
las plantas con flores rojas son heterocigóticas. Nos traen una planta con flores
rojas y para intentar diagnosticar si es homocigótica o no, la cruzamos con una
planta de flores blancas. Si de este cruce obtenemos 5 plantas, todas con flores
rojas, ¿cuál es la probabilidad de que fuera homocigótica?
Intuitivamente, si las cinco plantas obtenidas en el cruce son rojas (necesaria-
mente Rr), parece bastante probable que la planta que nos han traído fuera RR;
pero no es seguro. La regla de Bayes nos permite cuantificar esta probabilidad de
manera muy sencilla. Observemos primero en qué condiciones nos encontramos:
a) El experimento consta de dos etapas:
Primera etapa: obtención al azar de la planta que nos traen (en realidad,
no realizamos ninguna obtención al azar, pero no hay ningún problema en
considerarlo as{).
Segunda etapa: cruce con la planta blanca para obtener 5 nuevas plantas.
b) Partición del espacio muestra[ mediante resultados de la primera etapa:
RR = ( la planta que nos traen es RR) y Rr= (La planta que nos traen es
Rr).
c) Tenemos: P(RR) = 0,3 y P(Rr) = 0,7.
d) Si llamamos B al suceso «las 5 plantas obtenidas en el cruce tienen flores
rojas», tenemos: P(BIRR) = 1 y P(BIRr) = (1/2) 5 .
Por tanto, la probabilidad pedida es:
7. Ejercicios
l. Un aparato tiene do componentes A y B. Los fallos en el aparato vienen
motivados por fallos en alguna de las componentes. Al cabo de 5 años la
componente A ha fallado en el 6 % de lo aparatos, y la componente Ben
el 8 %. En el 4 % de los aparatos han fallado la dos componentes.
34 ESTADÍSTICA APLICADA
10. Los cuatro grupos sangúineos se reparten, en una población, según los
porcentajes: A (43 %), B (8 %), AB (4 %), O (45 %). Teniendo en cuenta la
incompatibilidades que existen entre los grupos, calcular la probabilidad
de que dadas dos personas X e Y elegidas al azar X pueda recibir sangre
de Y, suponiendo que la población es muy grande.
14. Una planta indu trial tiene tres máquinas. La máquina A produce 200
piezas al día con un 4 % de defectuosas la máquina B produce 300 con
un 5 % de defectuosas, y la C fabrica 400 con un 2 % de defectuo as. Al
final del día una pieza es tomada al azar.
a) ¿Cúal es la probabilidad de que sea defectuosa?
b) Si es defectuo a, ¿cuál es la probabilidad de que proceda de la
máquina A?
36 ESTADÍSTICA APLICADA
15. Una población esta formada por tres grupos étnicos: A (30 %), B (10 %) y
C (60 %). Los porcentajes del carácter «ojos claros» son, respectivamente
20 %, 40 % y 5 %.
a) Probabilidad de que un individuo elegido al azar tenga ojos claros.
b) Probabilidad de que un individuo de ojos oscuros sea de A.
e) Si un individuo elegido al azar tiene los ojos claro ¿a qué grupo e
más probable que pertenezca?
17. Supongamo que los puestos de trabajo e cla ifican (de acuerdo con la
capacitación requerida) en altos (A), medios (M) y bajos (B). Denotemo
las generaciones por ubíndices, de tal forma que por ejemplo A 1 repre-
enta el suceso «un padre tiene un puesto de trabajo de tipo A» B 2
repre enta el suceso «un hijo tiene un puesto de trabajo de tipo B , etc.
Glas y Hall (1954) en un e turno realizado en Inglaterra y Gales obtuvie-
ron los iguientes datos:
A2 M2 B 2
A1 0,45 0,48 0,07
M1 0,05 O70 0,25
B1 0,01 0,50 0,49
20. Una pieza presenta cierto faJlo en el 0,5 % de los casos. Se elige una pieza
al azar de toda la producción y se somete a una inspección rápida (prueba
sistemática para detectar un fallo de poca incidencia). Con probabilidad
0,96, esta in pección detecta el fallo cuando la pieza es defectuosa; con
probabilidad O05 la pieza parece defectuosa cuando es correcta.
Si como resultado de la in pección la pieza no ha parecido defectuo-
a, ¿cuál es la probabilidad de que realmente fuera defectuosa?
21. U na prueba sanguínea para detectar hepatitis tiene los iguiente niveles
de precisión: i el individuo tiene hepatitis, la prueba da positivo con
probabilidd 0,9, mientra que en el 99 % de los individuos sin hepatitis la
prueba da negativo.
a) La tasa de incidencia de la enfermedad en la población estudiada es
de un enfermo por cada 10.000 personas. Calcular la probabilidad de
que un individuo que ha dado po itivo en la prueba tenga hepatitis.
b) Un individuo es enviado a hacerse la prueba porque tiene pérdida de
apetito e ictericia. El médico sabe que el 50 % de lo individuos con
dichos síntoma presentan hepatitis. Si la prueba da po itivo cuál es
la probabilidad de que el paciente tenga hepatitis?
22. Supongamos que tenemos tres tarjetas, de las cuales una tiene ambas
caras rojas, otra amba cara blancas y la tercera una cara blanca y otra
roja. Se extrae una, al azar, y se coloca sobre la mesa.
a) ¿Cuá l es la probabilidad de que la cara de arriba sea roja?
b) Si la cara de arriba es roja, ¿cuál es la probabilidad de que la de
abajo también lo sea?
38 ESTADÍSTICA APLICADA
1
n=O 1, 2, ...
P" = e(n!)
26. n mae troy su alumno están tirando flechas con un arco. Cada vez que
uno coge el arco hace una erie de cuatro di paro . Lo di paro del
alumno son independiente entre sí y lo mi mo ocurre con lo di paros
del profe or. El 90 % de lo disparos del profesor da en el blanco; el
alumno (que acaba de empezar las cla e ) ólo con ígue un 15 % de
diana . Como el alumno tiene que ejercitarse el 95 % de las serie de
lanzamiento le corresponden a él. Ob ervamo una de estas serie de 4
disparos en la que e obtienen en total 3 diana (pero no con eguimo ver
quién está disparando). ¿Cuál es la probabiJjdad de que haya sido el
profesor?
PROBABILIDAD 39
27. En el primer curso de una Facultad hay dos grandes grupos: uno por la
mañana y otro por la tarde. El 60 % de los alumnos asiste al grupo de
mañana y los restantes al grupo de tarde.
En el grupo matutino, un 30 % aprueba las Matemáticas en junio un
25 % las aprueba en septiembre y el 45 % restante no aprueba ni en junio
ni en septiembre.
En el grupo vespertino, un 40 % consigue aprobar las Matemáticas en
junio mientras que un 20 % lo consigue en septiembre (el 40 % restante
no aprueba ni en junio ni en septiembre).
a) Elegimos 3 alumnos al azar del grupo de tarde. ¿Cuál es la probabili-
dad de que uno haya aprobado las Matemátjcas en junio, otro en
septiembre y el otro no haya conseguido aprobar?
b) Elegimos un alumno al azar. ¿Cuál es la probabilidad de que sea del
grupo de tarde si aprobó las Matemáticas en junio?
28. Supongamos que tenemos ratones negros y marrones. Los ratones negros
son de dos tipos genéticos: homocigóticos (BB) y heterocigóticos (Bb); los
marrones son de un solo tipo (bb). Los genes actúan independientemente.
Si tenemos un ratón negro que sabemos que ha sido engendrado por el
apareamiento de dos ratones Bb:
a) ¿Cuál e la probabilidad de que sea homocigótico? ¿Y heterocig.ótico?
b) Si además sabemos que el ratón negro del apartado anterior se ba
apareado con un ratón marrón y ha engendrado 7 ratones todos
negros, ¿cuál es, ahora, la probabilidad de que sea homocigótico?
30. El color de una especie de mamíferos viene determinado por dos genes N
y n. Puede haber ejemplares negros homocigóticos (NN), negros heteroci-
góticos (Nn) y blancos bomocigóticos (nn).
na hembra negra A, procedente del cruce de un macho negro homo-
cigótico (NN) con una hembra negra heterocigótica (Nn) e cruza con un
macho blanco (nn).
a) Si tiene 5 cachorro , probabilidad de que 2 sean negro y 3 sean
blancos.
b) Si tiene 3 cachorros todo negros, probabilidad de que A sea homo-
cigótica.
40 ESTADÍSTICA APLICADA
31. Inoculamos un viru a 2 ratones para hacer una serie de estudios. Por UD
eror en el laboratorio, estos 2 ratones e mezclan con otros 8 completa-
mente sanos. Como no los podemos distinguir a simple vista, cogemos 2
ratones al azar de los 10 que tenemos y decidimos esperar 1 semana
Sabemos que la probabilidad que tiene UD ratón de obrevivir 1 semana
es 1/ 7 si ha sido inoculado y 5/6 si está sano.
a) Probabilidad de que estén los dos vivos al cabo de 1 semana.
b) Si los dos sobreviven 1 semana, ¿cuál es la probabilidad de que
fueran los inoculados?
32. Ley de Hardy-Weinberg.
Consideremos dos genes A 1 y A 2 que originan tres posibles genotipos
A 1 A 1 , A 1 A 2 y A 2 A 2 . Supongamos que el emparejamiento de lo genes e
al azar (sin elección ni mutaciones), lo cual significa que las probabilida-
des de los diferentes genotipos vienen dadas por:
P(A 1 A 1 ) = P(A 1 )P(A 1)
P(A 1 A 2 ) = 2P(A 1 )P(A 2 )
P(A 2 A 2 ) = P(A 2 )P(A 2 )
1. Introducción
Muchas veces nos va a interesar resumir los resultados que hemos obtenido al
llevar a cabo un experimento aleatorio. Por ejemplo, si lanzamos una moneda
100 veces el resultado será una secuencia de caras y cruces, que posiblemente
nos interese resumir indicando sólo el número de caras obtenidas; al estudiar
una población de insectos es posible que, para ciertas cosas sólo nos interese
anotar su longitud; en un estudio sociológico de las unidades familiares de una
ciudad, puede ocurrir que, para ciertas cosas, sólo necesitemos retener su nivel
de ingresos. En cada uno de estos casos, lo que estamos haciendo es considerar
una variable aleatoria.
2. Conceptos básicos
DEFINICIÓN~ una variable aleatoria X es una función X: 0-+9l, que a cada
elemento del espacio muestra[ (correspondiente al experimento aleatorio que
estemos estudiando) le hace corresponder un número real.
( Desde el punto de vista matemático, esta definición no es rigurosa, ya que no
todas las funciones son variables aleatorias; pero es adecuada para poder trabajar
a este nivel).
41
42 ESTADÍSTICA APLICADA
a) lim F(x) = O.
X-+ - oo
b) Lim F(x) = l.
X-+00
F(x)
x, X
Fig. 4.1
t
Mediana única Todos los puntos
del intervalo
son medianas
Fig. 4.2
cr 2 = ¿ xf P(x;)- µ 2 = E[X 2] - µ2
i
X:Q -+ 9t
(C, C, C) -+ 3
(C C, Cr) -+ 2
(C Cr, C) -+ 2
(Cr, C, C) -+ 2
(C, Cr, Cr) -+ 1
(Cr, C, Cr) -+ 1
(Cr, Cr, C) -+ 1
(Cr, Cr, Cr) -+ o
VARIABLES ALEATORIAS 45
P(O) = 1/ 8
P(l)= 3/ 8
P(2)= 3/ 8
P(3)= 1/ 8
F(x)
1
7/8
1/2
1/Si----
2 3 X
Fig. 4.3
Tenemos, además:
P(A) = L f(x)dx
P(x) = Í f(x)dx = O
J {,c}
f(x)= dF(x)
dx
µ = E[X] = t xf (x )dx
f(x)= {k~ O
si O~x~6
en el resto
1= i91
f(x)dx= f 6
0
k-
x2
36
dx=2k
Por tanto:
k = l /2
x2
f(x)=
·{ n si O~x~6
0 en el resto
En consecuencia, tenemos:
µ= i
91
xf(x)dx= i0
6 x2
x - dx=4,5
72
o- 2 = i
91
x 2 f(x)dx - µ 2 = f0
6 x2
x 2-
72
dx-(4 5)2 = 1,35
a=)Ds = l,16
Para obtener la función de distribución tenemos que calcular F(x) = J:. 00 f(x) dx.
Para x < O, F(x) = O; para x ~ 6, F(x) = 1; para x e [O, 6):
F(x) = I x
- co
f(x) dx=
fx x2
- dx= -
o 72 216
x3
48 ESTADÍSTICA APLICADA
En 1·esumen:
si x<O
F(x) = { ~ si O~x<6
si x~6
-1 = F(M)=
2
IM
- ex,
f(x) dx = f0
M x2
-
72
dx = -M3
216
Por lo tanto:
P(IXl~2) = P( - 2~X~2)= f 2
- 2
f(x) dx=
f2 x2
o 7
- 2 dx = -
27
1
5. Ejercicios
iO~x<l
si 1 ~x~2
en el resto
si x e(O, 3)
si X rj:(0, 3)
Se pide:
1) Hallar la constante k y la función de distribución.
2) Probabilidad de que X esté comprendida entre 1 y 2.
3) Probabilidad de que X sea menor que l.
4) Sabiendo que X es mayor que 1, probabilidad de que sea menor que 2.
4. La función de densidad de una variable aleatoria continua es:
si xe(O, 2)
si xrj:(O, 2)
si xe(O, 1)
si x e(l, 2)
en el resto
Hallar la mediana.
~ e- 1.000 si x>O
f(x)= { · 0 en el resto
11. El tiempo de vida (en año ) de cierta especie es una variable aleatoria T
con función de densidad:
VARIABLES ALEATORIAS 51
si tE(Ü, 1)
en el resto
a) Hallar el valor de k.
b) Hallar la esperanza de vida.
e) Probabilidad de que un ejemplar de esta especie viva menos de
9 meses.
kx si O~x< 1
{
f(x)= i~t si 1 ~x<4
en el resto
a) Valor de k.
b) Media y mediana de esta variable aleatoria.
e) Sabiendo que X es menor que 3, ¿cuál es la probabilidad de que X
sea menor que 2?
14. EJ tiempo (en horas) que una máquina de un cierto tipo tarda en averiarse
e una variable aleatoria T con función de densidad:
15. La velocidad (en Km./h.) de los coches que pasan por determinado punto
kilométrico de una carretera es una variable aleatoria con función de
densidad:
f(x)= {~
r8~ob
si 0<x<l00
si 100<x<200
en el resto
16. Se sabe que un lote den piezas contiene exactamente una pieza defectuo-
sa. Vamos probando las piezas de una en una hasta que encontramos la
defectuo a. Sea X = «Número de piezas probadas». Calcular E [X].
17. Un fabricante debe elegir entre dos procesos de producción que dan lugar
a que las longitudes (en cm.) de los elemento producidos se distribuyan
según:
Proce o 1: f 1(x)= {t si x~ l
en el resto
si x>O
en el resto
si 0<x<6
f(x) = {~16
en el resto
si O~y~ l
f(y)= {~y
en el resto
l. Introducción
En muchos experimentos aleatorios nos interesará conocer las posibles relacio-
nes que pueda haber entre dos o más características. Para esto, necesitaremos
estudiar conjuntamente dichas características. Por ejemplo, en una especie de
insectos, puede interesarnos el estudio de su longitud y su peso; en un estudio
socio-económico, nos puede interesar estudiar Ja relación entre número de
hijos y nivel de renta por familia. La herramienta que nos permitirá formalizar
este estudio es el vector aleatorio, que es una generalización natural de la
variable aleatoria que ya hemos estudiado.
2. Conceptos básicos
DEFINICIÓN: un vector aleatorio (o variable aleatoria de dimensión n) es una
función (X 1 ... , X,,): Q----.9l", que a cada elemento co del espacio muestra/ (co-
rrespondiente al experimento aleatorio que estamos estudiando) le hace corres-
ponder n números reales X 1 ( w), ... , X,,( w).
( Desde el punto de vista matemático, esta definición no es rigurosa, ya que no
toda función es un vector aleatol"io, pero es adecuada para poder trabajar a este
nivel.)
55
56 ESTADISTICA APLICADA
X¡
x,,,
VECTORES ALEATORIOS 57
m n
Cov('X Y) = ¿ ¿ X¡y¡P(X=x¡; Y= y)
i= l j= l
58 ESTADÍSTICA APLICADA
- E[X] ¿n Yi (
¿m
P(X =x¡; Y= y))
j=1 i- 1
m n
+E[X]E[Y] ¿ ¿ P(X=x;; Y=y)
i= l j= l
m " m
= ¿ ¿ X¡y1P(X=x;; Y= y¡)-E[Y] ¿ X¡P(X=xJ
i=l j = l i- 1
n
-E[X] L Y1P(Y=y)+E[X]E[Y]
j = l
m n
= ¿ ¿ X;YJP(X=x;; Y= y)-E[X]E[Y] =E[XY]-E[X]E[Y].
i= l j = 1
Esta última expresión suele ser más cómoda para el cálculo efe.ctivo de la
covarianza.
En efecto:
m n
Cov(X, Y) = ¿ ¿ x¡yiP(X=x¡· Y= y)-E [X] E [Y]
i= 1 j = 1
tll "
= (t x;P(X=xJ) (t1
yiP(Y= y))- E[X]E[Y]
=E[X]E[Y]-E[X]E[Y] =O
P(x =x-lY=y.)=
, 1
P(X=x¡; Y=y) . 1,
1= ... , m
P(Y =y)
X= «número de caras».
Y = «diferencia, en valor absoluto, ent1·e número de caras y de cruces».
a) El e pacio muestral que recoge todos los posibles resultados del experi-
mento es Q= {(C, C, C), {C, C, Cr), (C, Cr, C), (Cr, C, C), (C, Cr Cr), (Cr C, Cr),
(Cr, Cr, C) , (Cr, Cr, Cr)}. Como la moneda está equilibrada, admitiremos que la
probabilidad de cada suceso elemental es la misma; es decir, 1/8. El vector
aleatorio (X Y) es evidentemente discreto. Su descripción completa es como sigue:
(X, Y):Q -+ ~2
(C C, C) -+ (3, 3)
(C, e, Cr) -+ (2, 1)
(C, Cr C) -+ (2, 1)
(Cr, C, C) -+ (2, 1)
(C Cr, Cr) -+ (1 1)
(Cr C, Cr) -+ (1, 1)
(Cr, Cr C) -+ (1, 1)
(Cr Cr Cr) -+ (O, 3)
60 ESTADÍSTICA APLICADA
y
1 3
X
o o 1/8
1 3/8 o
2 3/8 o
3 o 1/8
P(Y=l)=P(X=O; Y=l)+P(X=l; Y= l)
+ P(X =2; Y=l)+P(X=3; Y=1)=6/8
P(Y=3)=P(X=O; Y=3)+P(X=l; Y=3)
+ P(X =2· Y=3)+ P(X=3; Y=3)=2/8
d) Si estamos interesados en conocer la probabilidad de obtener un número
determinado de caras, cuando la diferencia entre caras y cruces es 1, lo que
tenemos que hacer es calcular la dist1·ibución de la variable aleatoria X condicio-
nada por Y = 1; la función de masa condicionada es, en este caso:
P(X = l· Y=l) 3/ 8
P(X = 1 1Y = 1) = P(Y = l) = 618 = 1/2
P(A) = L f(x, y) dx dy
f(x)= J9t
f(x , y) dy para todo xe<.R
En efecto:
= f xyf(x)f(y) dx dy - E[X]E[Y]
J912
=E[X]E[Y] - E[X]E[Y] =O
f(x, y)
f(xly)= f(xl Y= y)= f(y) para todo xe9t
( Como se puede observar, es necesario que f(y) > O; intuitivamente, esto quiere decir
que estamos condicionando por un valor de Y potencialmente observable).
De manera análoga, se define la distribución de Y condicionada por X= x.
fe X
IY = ) = f(x, y)= f(x)f(y) =f( )
y f(y) f(y) X
1= L 2
f(x, y) dx dy = L f(x, y) dx dy = I: (f: k dy) dx = ~ -
X=Y
T X=l
y=O X
Fig. 5.1
Método particular para este caso: por tratarse de una densidad que reparte
la probabilidad uniformemente en el triángulo T. tenemos, también:
1 1
k= = - =2.
Area(T) 1/2
J
J(x) = "'J(x y) dy = 0
,.
{Jt 2dy = 2x si x e(O, 1)
en el resto
- -f(x,
!(x l)y y)_ f(x, y)_ {2 -32y = 1!..y
-- - - - -
si xe(y, 1)
f(y) 2 - 2y z% = O en el l'esto
X=1
Fig. 5.2
P(X>l/ 2; Y<l/2) = J A
f(x , y)dx dy= f 1
1/ 2
(
Jof1'
2
2dy)dx=!
2
Método particular para este caso. por tratarse de un modelo que reparte la
probabilidad de manera uniforme sobre el triángulo T, tenemos:
PROPIBDADES
a) E[kX] = kE[X].
b) E[X + Y]= E[X] + E[Y].
e) V(kX) = k 2 V(X).
d) Si X e Y son incorrelada :
E[XY] =E[X]E[Y]
66 ESTADÍSTICA APLICADA
i<j
1) Si X 1 ... , X" son variables aleatorias incorreladas:
m m
E[kXJ= ¿ kx,P(xJ=k ¿ X¡P(x 1)=kE[X]
e) Tenemo :
f) Por ser incorreladas sabemos que Cov (X,, Xi)= O y, por tanto:
g) Tenemos:
V(X-Y)=E[((X-Y)-(E[X]-E[Y]))2]
=E[((X- E[X])-(Y- E[Y])) 2 ]
= V(X)+ V(Y)-2 Cov(X, Y)
h) Es inmediato.
6. Ejercicios
l. Sea X la variable aleatoria «suma de los puntos obtenidos en n tiradas de
un dado». Hallar la esperanza de X.
4xy iO~x~lO~y~l
f(x, y)= {
O en el resto
a) Valor de k .
b) ¿Cuánto vale la densidad marginal de X en x = 1?
e) Valor de la densidad condicionada f(X = i I Y = i ).
a) Determinar el valor de k.
b) Hallar la den idad marginal de Y y calcular P {Y;::: l }.
70 ESTADÍSTICA APLICADA
2 si O~y~x~ 1
f(x y)= {
' O en el resto
f(x, ) =
Y
{1 si (x, y)ET
O en el re to
15. Los tiempos de vida, X e Y (en día ), de una bacteria en dos medio
di tintos e independientes A y B, respectivamente, tienen las funciones de
densidad
l. Introducción
2. Pruebas de Bernoulli
X = { 1 si obtenemos éxito
O si obtenemos fracaso
73
74 ESTADÍSTICA APLICADA
P(X = O) = 1 - p
o bien P(X = x) = px(l - p)l - x para x=O, 1
P(X= 1)= p
E[X] = p
V(X) = E[X 2 ] - p 2 = p - p 2 = p(l - p)
3. Distribución binomial
De esta forma, tenemos que X 1 , ... , ,Xn son variables aleatorias indepen-
dientes con distribución de Bernoulli y, además, X = X 1 + ··· + Xn. Por lo
tanto:
E[X]=E[X1+ ... + XnJ = E[X1J+ ... +E[XnJ
=p+ ... +p=np
V(X)=V(X1+ ... + Xn)=V(X1) + .. . + V(Xn)
= p(l - p) + ·· · +p(l - p)=np(l - p)
E[X]= ¿ x(I-pyp
x= O
76 ESTADÍSTICA APLICADA
-
-p (1-p p + (l -pp) 2
+ .. ·) (sumando por columnas)
l- p
= (1 - p)+(l-p)2 + ... =-
p
x+r-1)
P(X= x)= ( x p'(l-p)" para x=O, 1, .. .
(Compáre e este cálculo con el que habría que realizar si se intenta aplicar
directamente la definición de esperanza de una variable aleatoria discreta).
5. Distribución de Poissoo
esto, cuál es el límite de las probabilidades binomiales cuando n-+ oo, p-+ 0 y
np-+ A.(0 <A< oo ):
_ .
- lim -
1
x!
(nnn - 1 n - x+ l) ( )x (1 - pt
- - - ···
n n
np
(1 - p)"
e- J.;¡_x
x!
e- ).A.x
P(X = x)= - - para x= O, 1, ...
x!
Ya que hemos presentado el modelo de Poi son como límite del modelo
binomial, e fundamental comprender en qué situaciones nos encontraremos,
de manera aproximada con el modelo de Poisson: decir que n-+ oo lo entende-
remo intuitivamente, como que n es grande, y decir que p-+0 lo entenderemos
como que p está próximo a cero. Por tanto, cuando nos encontremos con un
modelo binomial con las circunstancias indicadas lo podremos sustituir por el
corre pondiente modelo de Poisson tomando A.= np (a título orientativo diga-
mos que esta sustitución puede resultar aconsejable cuando n ~ 30 y p ~ 0,1).
Veamo alguno ejemplo en lo que urge, de manera natural, la distribución
de Poisson como modelo de la variable aleatoria considerada:
X = «número de erratas por página en un libro».
X = «número de asegurados en una compañía que han declarado algún
sinie tro en un año».
78 ESTADÍSTICA APLICADA
6. Distribución hipergeométrica
x .= o
1
{1 si obtenemos éxito en la observación i-ésima
si obtenemos fracaso en la observación i-ésima
(i=l, ... , n)
X 1 , ... , X" on variables aleatorias (no independientes), todas ellas con distri-
bución de Bernoulli con P(E) = D/N y, además, X=X 1 +· ··+X,.. Por tanto:
7. Distribución normal
f(x)
µ-o µ µ+o X
Fig. 6.1
Hay una erie de propiedades básicas que conviene aber obre la distribu-
ción normal:
a) E[X] = µ.
b) V(X)=a 2 .
e) Es una den idad imétrica con re pecto a la media µ.
Una consecuencia de esto es que, por ejemplo
Para poder obtener esta probabilidad, vamos a utilizar las propiedades ante-
riores para transformar el cálculo de P( - 1 ~X~ 7) en algo que podamos obtener
utilizando las tablas de la distribución N(O; 1). Estas tablas nos dan probabilida-
des del tipo P(Z > z) para z > O. Tenemos:
- 1 - 5 X - 5 7 - 5)
P(-l~X~7)=P ( ~ -- ~ -
4 4 4
=P( - 1,5~Z ~0,5) ( por la propiedad d))
= P(Z ~ - 1,5) - P(Z ~ 0,5)
= P(Z ~ 1,5) - P(Z ~ 0,5) ( por la propiedad c))
= 1-P(Z~ 1,5) - P(Z~0,5)
= 1 - 0,0668 - O3085 = 0,6247 ( utilizando las tablas)
Las distribuciones que vamos a definir en esta sección son distribuciones que
aparecen de modo natural en el muestreo de poblaciones normales y, en
consecuencia, tienen una gran aplicación en E tadística.
n
LX¡
i= 1
y
J+, :Ef- 1X¡
DEFINICIÓN: sean X 1 , ••• , X m• Y L• ••• , Yn variables aleatorias independientes,
todas con distribución N(O; 1). La distribución F de Fisher-Snedecor con m y n
grados de libertad ( abreviadamente F"' .") es la distribución de la variable alea-
toria
; :E:". 1 X¡
f.- :E\'=1 Y?
:E - ( at Cov(X, Y))
Cov(X, Y) a~
Cov(X, Y)
p=
_ Cov(X, Y) ( _ )
y-µ2+ 2 X µ1
CT 1
1/:~) (: =:~))
= 1 exp ( - -1 [(x-µ)2 + (y-µ
_ _1 __)2]) 2
Cfo) 2 a1ª2 2 ª1 ª2
= f(x)J(y)
10. Ejercicios
Número de erratas: O 1 2 3 4 5
Frecuencia: 40 30 15 7 2 1
MODELOS DE PROBABILIDAD MÁS COMUNES 85
5. Una máquina produce varillas metálicas. Las longitudes siguen una nor-
mal con µ= 19 8 cm. y a= 5 mm. La normativa exige que la longitud de
la varillas se sitúe entre 19,5 y 20 5 cm. ¿Qué porcentaje de las varillas
satisface la normativa?
13. Cierto individuo valora como factor decisivo para la compra de un coche
el con umo de ga olina. Debe decidir entre dos modelo , A y B.
El fabricante de A afirma que su consumo sigue una distribución
N(8; 5) (en litros/ 100 Km.), mientras que el de B dice que e N(8· 3).
20. Un zoólogo estudia una cierta especie de ratones de campo. Para ello,
captura ejemplares de una población grande en la que la proporción de
dicha especie es p.
21. La duración en minutos de las cintas de video de cierta marca tiene una
di tribución N((µ = 240; 11 = 10).
a) Elegimos dos cintas al azar e independientemente. ¿Cuál es la proba-
bilidad de que la duración total sea inferior a 490 minutos?
b) Elegimos 100 cintas al azar e independientemente unas de otras.
¿Cuál es la probabilidad de que má de 80 tengan una duración
inferior a 250 minutos?
x/300 si 0<x<20
f(x) = { (50- x)/1.350 i 20 < x < 50
O en el resto
28. Una máquina produce lámina de madera cuyo espesor sigue una distri-
bución normal con media 10 mm. y desviación típica 1 mm., y otra
máquina produce láminas que siguen una N(µ = 11 · (J = 1). La producción
e almacena en una nave. La cuarta parte de la producción procede de la
segunda máquina.
a) Si inspeccionamos una lámina al azar de la nave, ¿cuál es la probabi-
lidad de que su espesor sea inferior a 12 mm.?
b) Si el e pesor de la lamina inspeccionada es inferior a 12 mm., ¿cuál es
la probabilidad de que proceda de la primera máquina?
32. En el grupo étnico A, la estatura de las personas (en cm.) sigue una
distribución N(µ = 165; (J = 5), en el grupo étnico B sigue una distribución
N(µ = l70· 0' = 5) y en el grupo Cuna distribución N(µ = l75; (J = 5). Los
tres grupos étnicos son muy numerosos.
a) Si elegimo una per ona al azar del grupo A, ¿cuál e la probabilidad
de que mida más de 160 cm.?
b) Si elegimos 10 personas al azar del grupo étnico A, independiente-
mente unas de otras, ¿cuál es la probabilidad de que entre todas
midan más de 1.600 cm.?
e) En una ciudad, el 50 % de la población pertenece a la etnia A, el
20 % pertenece a la B y el 30 % restante a la C. Si elegimos una
persona al azar en esta ciudad, y mide más de 172 cm., ¿cuál e la
probabilidad de que pertenezca al grupo étnico C?
á) Si elegimos 100 persona al azar del grupo B, independientemente
lina de otras, ¿cuál es la probabilidad de que, al menos, 50 midan
más de 172 cm.?
33. En un examen se plantean 10 cuestiones a las que debe responderse
verdadero o fal o. Un alumno aprobará el examen si al menos, 7 respues-
tas on acertadas. ¿Qué probabilidad de aprobar tiene un e tudiante que
responde todo al azar? ¿Y uno que abe el 30 % de la a ignatura?
36. Una compañía de petróleo tiene un contrato para vender grasa en enva-
se de 500 gramo . La cantidad de grasa que la máquina de llenado pone
en los enva es sigue una normal con la media que el encargado elija y
a=25. ¿Qué valor medio deberá elegir el encargado si la compañía no
desea que le rechacen más del 2 % de los envases por tener un peso por
debajo de lo especificado?.
40. La inten idad de un impul o igue una variable aleatoria, X, cuya función de
distribución es
O si x< O
{
F(x)= x /9 i O~x<3
2
1 i x~3
43. Lo lavabos de unos servicios son más utilizados cuanto más próximos
están a la puerta. Así, el lavabo número 1 (el más cercano a la puerta)
es utilizado con probabilidad 1/2, el lavabo número 2 con probabilidad 1/4,
el número 3 con probabilidad 1/8, y el número 4 con probabilidad 1/8.
a) Consideramos 3 personas que actúan independientemente. Hallar la
probabilidad de que alguno utilice el lavabo número 4.
b) Consideramos 100 per onas que actúan independientemente. Hallar
la probabilidad de que más de 20 personas (de las 100) utilicen el
lavabo número 2.
Grupo O: 45 %.
Grupo A: 40 %.
Grupo B: 10 %.
Grupo AB: 5 %.
94 ESTADÍSTICA APLICADA
1. Introducción
2. Conceptos básicos
95
96 ESTADÍSTICA APLICADA
PROPIEDADES: sea (X 1 , .•• , X") una muestra aleatoria de una población X con
esperanza µ y varianza u 2 • Entonces:
a) E[X]=µ
b) V(X)=~
c) E[S2] = u2
d) E[Vx]=~u2
En efecto:
a)
_ [1 ¿ J= -1¿
E[X]=E -
n
X¡
n 1
E[X¡]= - (nµ)=µ
n i= 1 n i- 1 n
b)
- (1 ¿ = 1 ¿
V(X) = V -
n
X¡
)
2
n 1 <J2
V(XJ = 2 (nu 2 )= -
n ;- 1 n i= 1 n n
=~
n 1 ;- 1
¿
1 E [ n (X; - µ)2+n(X - µ)2+2(µ-X) ¿n
i- 1
(X;-µ) J
= ~ E [ ± (X¡-µ)2-n(X-µ) 2 ]
n 1 i- 1
=
n
~l (.± r= l
E [(X; - µ)2] - nE [(X - µ) 2 ] )
= -1- ( nu 2 - n - (J2) = u 2
n- 1 n
d) E[Vx]=E[!
n
±
¡. 1
(X; - X) 2 ]=E[n - l s2J=n - l u2
n n
98 ESTADÍSTICA APLICADA
3. Inferencia paramétrica
Como e ha indicado anteriormente, la función de masa P (o la función de
densidad f) de la característica X que se quiere estudiar, no es conocida (al
menos perfectamente). Sin embargo, en la mayor parte de las situaciones que
consideraremos, tendremos un conocimiento parcial de P (o f). Así, será
habitual suponer que la población se adapta bien a un determinado modelo de
probabilidad (binomial, Poisson, normal, ...), y lo único que nos falta por
conocer es el valor de algún parámetro (p en el caso binomial, 2 en el modelo
de Pois on ...). Siempre que estemo en una situación de este tipo, nos estare-
mos enfrentando a algóo problema de Inferencia paramétrica. La notación
general para e te tipo de problema e la siguiente:
El parámetro, cuyo valor desconocemos puede ser de una o más dimensio-
nes y lo representaremos en general, por e; el conjunto de po ibles valores del
parámetro ese representa por 0 y recibe el nombre de espacio paramétrico. Si
la caracterí tica que estamos e tudiando es de tipo discreto, su función de masa
e representará por P 0; si e de tipo continuo, su función de densidad e
repre entará por fo. La función de masa (o función de densidad) de la muestra
aleatoria viene dada, en estos casos, de la siguiente forma:
Caso discreto: Po(x 1, ... , x") = Po(x 1 ) ... Po(x,,).
Caso continuo: f 0(x 1 ... , x,J= f 0(x 1 ) ... fo(x,J.
La Inferencia paramétrica e divide en tre grandes parte , dependiendo de
la naturaleza del problema que intentemos resolver y del tipo de solución que
demo : estimación puntual, estimación por intervalos de confianza y contra te
de hipóte is paramétricas. El planteamiento y los objetivos de cada una de
estas parte erán el objeto de estudio de lo próximos capítulos.
Antes de finalizar este capítulo, e tudiaremos el concepto de estadístico
uficiente, ya que este concepto es aplicable a los diferentes problema de la
Inferencia paramétrica.
4. Estadísticos suficientes
Sea (X 1 , ... , X,,) una muestra aleatoria de una población X con función de
ma a P 0 (o función de densidad f 6). Es interesante buscar estadísticos eocillo
que con erven toda la infonnación sobre eque lleva la mue tra (X 1 ... , X,,); la
razón e encilla: si, por ejemplo, la media muestra! almacena tanta informa-
ción sobre el parámetro desconocido e como una muestra con 1.000 ob erva-
cione , obviamente, e más cómodo manejar sólo el valor de la media muestra!
que manejar los 1.000 dato de que e di pone. El problema e preci ar el
significado de «almacenar tanta información sobre e como la muestra». Para
motivar intuitivamente la definición que vamo a dar de estadístico suficiente,
consideremos una ituación e pecialmente sencilla:
MUESTREO ALEATORIO 99
O'U - e~ - , _ 1 . ,, _
= { c·iwcI - >" , - m s, L¡- 1 x¡ - t
O si I:1= 1 x¡#t
siendo:
l. Introducción
La estimación puntual es el primer problema que vamos a analizar dentro de
la Inferencia paramétrica. Supondremos, por tanto, que (X 1 , .. . Xn) es una
mue tra aleatoria de una población X con clistribución dada por la función de
masa Pe (o por la función de densidad.fo), donde e es un parámetro cuyo valor
desconocemos, pero que está dentro de un conjunto 0 que llamaremos espacio
paramétrico. Nue tro objetivo en la e timación puntual es decidir, en función
del modelo que estamos aceptando para la población y en función de la
muestra concreta (x 1 , ... , xn) que hayamo obtenido cuál es el valor de 8 que
nos parece más plausible (en algún sentido). s decir, vamos a elegir un punto
del espacio paramétrico que utilizaremo como estimación de e (de ahí el
nombre de estimación puntual).
2. Conceptos básicos
En con ecuencia, lo primero que vamos a definir es lo que entenderemos por
e timador puntual de una función g(O) del parámetro:
D FINICIÓ : sea (X 1, ... , X") una muestra aleatoria de una población X con
función de masa Pe (o función de densidadf0 ), donde 0E0. Un estimador puntual
de g(B) es una función T que a cada posible muestra (x 1 , ... , x,.) le hace correspon-
der una estimación T(x 1 , • • • , xJ de g(8).
Observaciones:
101
102 ESTADÍSTICA APLICADA
EJEMPLO: sea (X 1 , ..• , Xn) una muestra aleatoria de una población X con distri-
bución N(¡.t; o"). En este caso, (} = (¡.t; o"), y tenemos:
4. Estimadores consistentes
Otra cosa que parece bastante razonable exigir a un e timador T es que,
cuanto mayor sea el nú,mero n de observaciones, más e acerque la estimación
T(x 1 , . . . x al verdadero valor de g(8). Esta idea se plasma en la siguiente
11)
definición:
D EFINICIÓN: un estimador Tes consistente para estimar g(O), cuando para todo
eee:
lim FT(t) = O para t<g(O)
{ n ... co
lim FT(t)=l para t>g(8)
n-co
concentra cada vez más alrededor del verdadero valor de g(8) (sea cual sea) y,
en consecuencia, las estimaciones T(x 1 , .•• , xn) cada vez se acercan más a dicho
valor.
Calcular la función de distribución de T suele ser difícil. La siguiente
propiedad nos da un método alternativo para comprobar si un estimador es
consistente. Dicho método es fácilmente aplicable en muchas ocasiones.
a) lim E 0 [T1 ]
11 -+oo
=11-
lim E 0 [X] = lim µ = µ
co n-.oo
2
b) lim V0 (T1 )= lim Vo(.X) = lim ~ =O
11 -+oo n .... oo n -+(O n
D EFINICIÓ : ea (Xi, ... , X,,) una muestra aleatoria de una población X con
función de masa PO (o función de den idad f 0) donde e=(8 1 .. . OJ. El estimador
de O por el método de los momentos es el formado por los valores O1 ... , Ok que se
obtienen al resolver en e1 , . . . (:)k el sistema de ecuaciones:
1 n
E0 [XJ= - ¿ X¡
ni= t
ESTIMACIÓN PUNTUAL 105
Observaciones.
a) La justificación del método de los momentos es sencilla: el método se
basa en la intuición de que los momentos de la población (E 0 [X], E0 [X 2 ], ••.)
se «parecerán» a los respectivos momentos de la muestra (i :!: X;, ; :!: X¡, ...) En
consecuencia, consideramos k ecuaciones derivadas de esta intuición (tantas
como componentes tiene el parámetro que necesitamos estimar).
b) Hay que señalar, no obstante, que el método de los momentos presenta
serios inconvenientes. Por ejemplo, es perfectamente posible que la estimación
obtenida corresponda a valores que están fuera del espacio paramétrico. Ob-
viamente, esto último no es muy aconsejable.
El método más ampliamente utilizado para construir estimadores es el
método de máxima verosimilitud. Está basado también en una idea muy
sencilla, y no presenta inconvenientes serios como le ocurre a veces al método
de los momentos. En el ejemplo siguiente vemos ]as idea básicas que nos
llevarán a la definición general.
EJEMPLO: sabemos que en una urna hay 4 bolas (que pueden ser blancas o
negras). Por tanto la proporción (} de bolas blancas es desconocida, y puede
tomar los valores (} = O, 1/4, 1/2, 3/4, l. Para obtener más información, extraemos
de la urna 2 bolas con reemplazamiento (de esta forma, las observaciones son
independientes). Supongamos que la primera bola observada es blanca y la segun-
da negra, de modo que la muestra obtenida es (B, N); la probabilidad que
teníamos de obtener precisamente esta muestra, dependiendo de la proporción (}
de bolas blancas de la urna era:
o si 8=0
3/16 si (}= 1/4
P 0 (B, N) = 4/ 16 si 8 = 1/2
3/ 16 si 8 = 3/4
o si 8 = 1
DEFINJCJÓ : sea (X 1 ... , X,,) una muestra aleatoria de una población X con
función de masa P 0 (o función de densidadf0), donde 8= (8 1 , ... , 8k). EL estimador
de máxima verosimilitud de 8 es el formado por los valores (0 1 , .. . , ék) que
max imizan lo que llamaremos función de verosimilitud de la muestra (x 1 , ... , x,.)
obtenida:
106 ESTADÍSTICA APLICADA
Observaciones:
a) La función de verosimilitud expresa la probabilidad (o la densidad) que
los diferentes valores de fJ dan a la muestra obtenida. Lo que hacemos, por
tanto, es maximizar esa probabilidad (o densidad).
b) Por la propia definición, la estimación de máxima verosimilitud siem-
pre es un valor del espacio paramétrico (cosa que no siempre ocurre con el
método de lo momento).
c) En muchas ocasiones, la forma más cómoda de encontrar el estimador
de máxima verosimilitud e la siguiente: consideramos lag L(8) en vez de L(fJ)
(ya que es más fácil de manejar, y presenta los mismos máximos y mínimos) y
despejamos () 1 .. . , (}k del siguiente sistema de ecuaciones:
o logL(fJ) = O
f}(}l
6. Ejercicios
e - x+O Si x>e .
¡;0 (x) = {
O en el resto
ce e9t)
a) Hallar el e timador por el método de los momentos de e.
b) Estudiar si el e timador encontrado en el apartado anterior es inses-
gado para estimar el parámetro 8.
"
fo(x) = {02 exp - 202
( ;x2) s1. x>O
(e>O)
O en el resto
S. Sea (X 1 , ... , X,.) una muestra aleatoria de una población con función de
densidad:
10. El co eno X del ángulo con el que e emiten los electrones en un proce o
radiactivo e una variable aleatoria con función de densidad
-1..±h si - l ~ x ~ l
fo(x) = { 0 2 ( - 1~0~1)
en el resto
ESTIMACIÓN PUNTUAL 109
11. (X 1 , ... , Xn) es una muestra aleatoria de una población con función de
densidad
ie- xfO si x> O
{ (8>0)
fo(x)= O en el re to
15. Consideramos una muestra aleatoria (X 1 , ... X,,) de una población con
función de densidad:
e2 xe- 8x si x>O
fo(x) = { O
en el resto
16. Disponemos de una muestra aleatoria (X 1 , ... , X,,) de una población con
función de den idad:
J,(x)-{! si x-;?:-0
en el resto
((1>0)
17. Se obtiene una muestra aleatoria (X 1 , ... , Xn) de la población cuya función
de densidad e :
exo- 1 si xE (O, 1)
fo(x) = { 0 (0>0)
en el resto
{1i xo - 1
fo(x) = 0
si O.:;;:;x .:;;:; 1
en el resto
19. El error (en centigramos) que se comete al pesar un objeto en una balanza
puede considerarse como una variable aleatoria con distribución N(µ = O·
( l = 15).
l. Introducción
2. Conceptos básicos
113
114 ESTADÍSTICA APLICADA
preferible que el 100 % de las estimaciones sean buenas; pero, para conseguir
esto, necesitaríamos que el intervalo de confianza abarcase todo el espacio
paramétrico, y para dar esa estimación no necesitamos obtener ninguna
muestra.
El principal problema de los intervalos de confianza e su construcción. En
dicha construcción intervendrá lo que Uamaremos una cantidad pivotal.
DEFINlCIÓN: sea (X 1 , ... , X,,) una muestra aleatoria de una población X con
función de masa P 0 (o función de densidad/6), donde 0=(0 1 , ... , ()J. Una cantidad
pivota/ para 01 es una función C(X1 , ... , X,,; OJ tal que su distribución no
depende de e.
Una vez obtenida una cantidad pivotal C(X 1 . .. , X f:JJ, el procedimiento
11 ;
que hay que seguir para construir un intervalo estimador será el siguiente:
Elegimos dos valores c 1 y c2 , tales que
Ob érvese que c 1 y c 2 no dependen de O, por ser C(X 1 , ... , X,,; f:JJ una cantidad
pivota!; después, todo lo que tenemos que hacer es despejar 8; de las desigual-
dades c 1 <C(x 1 , .•. , x,,; O;)<c 2 , y habremos obtenido un estimador por interva-
los de confianza para 81 ( e hace notar que la cantidad pivota} debe ser
continua y monótona en OJ
Por tanto, necesitamos obtener cantidades pivotales para los modelos más
importantes.
PROPIEDAD: sea (Xi, ... , X 11) una muestra aleatoria de una población X con
distribución N(µ · a). Entonces:
n- 1
X"' N(µ ; a/ Jn) -
(J
2-
2 2
S "'Xn - 1
a) Sea (Xi, .. . , X n) una muestra aleatoria de una población X,..., N(µ; u), con
u conocido. Entonces:
X-µ
í.. "'N(O; 1) y es una cantidad pivota[ para µ
u/.._¡n
b) Sea (X 1 , . .. , Xn) una muestra aleatoria de una población X,..., N(µ; u).
Entonces:
X-µ
í.. "'tn - i y es una cantidad pivota/ para µ
S/.._¡n
n- 1
- 2- S2 "'x:- 1 y es una cantidad pivotal para o-2
(1
X-µ
uf.fa X- µ
--;=========== ~~-t
J- - s
n-1
1 n- 1
o- 2
2 s;Jn n- l
donde
S2 = (m - 1) St+(n - l)S~
P m+n - 2
Srfu¡ . . 2 2
S22 / 0"22 "'Fm- l ; n- i y es una cantidad pwotal para a ifo- 2
116 ESTA DISTICA APLICADA
Para comprobar la cantidad pivota[ del apartado b), basta recordar la defini-
ción de la distribución F de Fisher-Snedecor y tenemos:
_ 1_ m- 1 S¡
m-1 <Ti S¡/af
= s2¡ 2 -F,,, _1: 11 - 1
_ l _ n- 1 s~ 2 <12
n- 1 <1~
PRIMER CASO:
Sea (X 1 , . .. X") una muestra aleatoria de una población X - N(µ; a), con <1
conocido. Entonces:
es un intervalo de confianza para µ (al nivel 1- a), siendo z.. el valor que verifica
P {Z>z..}= a donde Z-N(O; 1).
En efecto, utilizando el hecho de que:
X-¡i
- -N(0· 1)
af.fiz
y es una cantidad pivota[ para µ, tenemos:
X-µ }
P { -za¡2 <a/Jn<z ..¡2 = 1-a
SEGUNDO CASO:
Sea (X 1 , ... , Xn) una muestra aleatoria de una población X"' N(µ; a). Enton-
ces:
a)
es un intervalo de confianza paraµ (al nivel 1- a), siendo tn. a. el valor que verifica
P{tn > tn; a.}= IX.
b)
(n - l)S 2 (n - l)S 2 )
( 2 ' 2
Xn - 1; a./2 X11 - 1; 1 - a.¡2
es un intervalo de confianza para a 2 (al nivel 1 - a), siendo X~; a. el valor que
x;;
verifica p {x; > a.} = (X,
En efecto:
a) Como consecuencia de que, en este caso,
X- µ
p {- tn-1; a./2 < s¡J;i < tn - 1; a./2} = 1 - (X
n- 1 2 2
-2- S "'Xn - 1
a
2 n-1 2 2 }
P { X11 - 1; 1 - a.12 < 7 S <Xn - 1; a.12 = 1-a
TERCER CASO:
CUARTO CASO:
Sean (X 1 , ... , Xm) e (Y1 ... , Y,,) muestras aleatorias independientes de las
poblaciones X,..., N(µ 1; a 1 ) e Y,..., N(µ 2 ; a 2 ), respectivamente. Entonces:
( sus~ sus~ )
Fm - 1; n - 1; a/2' Fm - 1 ; n - 1 ; 1 - a/2
..
es un intervalo de confianza para aifa~ (al nivel l - a), siendo F m· ,,. ª el valor que
.
verifica P{F111.• ,.>F,,,.. ,,. a}=o:.
La comprobación es también inmediata y análoga a las anteriores.
Observación
1
F,,~n· 1 - a= - -
• F,.; m; a
Sea (X 1, ... , X") una muestra aleatoria de X"' B(l; p). Entonces:
-0- -
( A z,,,12 JfJ(l n
- f)) , -o-+ z,,,12
A
JfJ(l n-fJ))
es un intervalo de confianza para p (al nivel 1- ex), siendo fJ =X= «frecuencia
relativa de éxitos».
En este caso, lo que hacemos es partir de la siguiente cantidad pivota[
asintótica:
Sea (X 1 , ... , X 11) una muestra aleatoria de una población X"' Poisson(J.).
Entonces:
.X-,l
.jVn "'N(O; 1) (aproximadamente para n grande)
EJEMPLO: ¿ cuál debe ser el mínimo tamaño de una muestra aleatoria de una
población N(µ; a = 5) para que el error de la estimación no sea superior a 0,5 (con
un nivel de confianza del 95 %)?
120 ESTADÍSTICA APLICADA
(J
Za/ 2 Jn :s;;Q,5
donde a= 5 y zª12 = z0 , 025 = 1,96. Sustituyendo y despejando n, obtenemos
n~ 384,16. Es decir, necesitaríamos observar 385 elementos para conseguir la
precisión deseada para esa estimación.
1) X -N(µ, o}
]= [
(n- l)s 2
2
(n - l)s 2
'-2~--
J
Xn - 1; «{2 Xn - 1; l - «/ 2
ª2+ 2
......!
m
ª2]
n
b) a- 1 , a 2 desconocidas, a- 1 = a 2 :
I = [ x - ji± t f ; «/2
( 2¡m + s2/n)2
donde f = entero más próximo a (sf/~) 2 (s~/n) 2
--- +--
m- 1 n- 1
122 ESTADÍSTICA APLICADA
I= [ p
s¡/s~ s¡
, z F n - 1; m- 1; a12
J
111 - 1; n - 1; a./ 2 S2
6) Datos emparejados.
D=X-Y-N(µ=µ 1 - µ 2 , a).
(D 1 , ... D,,) m. a. de D(D,= X,-Y,).
8. Ejercicios
l. En una población se desea conocer la probabilidad de que un individuo
sea alérgico al polen de las acacias. En 100 individuos tomado al azar se
observaron 10 alérgicos. Hallar el intervalo de confianza al 95 % para la
probabilidad pedida. ¿Cuántos individuo e deberían observar para que
con probabilidad 0,95, el error máximo en la estimación de la proporción
de alérgico sea del 0,01?
Número de errata O 1 2 3 4 5
úmero de páginas 40 30 15 7 2 1
93, 90, 97, 90, 93, 91, 96, 94, 91, 91, 88, 93, 95, 91, 89, 92, 87, 88, 90, 86
6. La vida activa (en días) de cierto fármaco sigue una distribución N(l.200;
40). Se desea enviar un lote de medicamentos de modo que ]a vida media
del lote no sea inferior a 1.180 días con probabilidad 0,95. Hallar el
tamaño del lote.
Método A: 79,98 80,04 80,02, 80 04, 80,03, 80,03, 80,04, 79,97, 80,05,
80,03, 80,02, 80,00, 80,02.
Método B: 80 02 79 94, 79,98, 79,97, 79,97, 80,03, 79 95, 79,97
n 1 = 13 .x 1 = 4 s 1 = 3
n2 =11 x2 =5 s2 = 2,2
Contraste
,,, .
de hipótesis
parametr1cas
l. Introducción
2. Conceptos básicos
127
128 ESTADÍSTICA APLICADA
D EFI ICIÓ : la función de potencia de un test con región crítica R . para con-
trastar H 0 :8e®0 frente a H 1 :8e® 1 , es lafu.nción que a cada 8e0 le hace
corresponder el valor P 0 (R) , que es simplemente la probabilidad de rechazar H 0
( para cada valor de ()).
a = max P 0 (R)
Oe @o
a=max P 0 (R)
OeE>o
JEMPLO: upongamos que (XJ ... , X,,) es una muestra aleatoria de una pobla-
ción con distribución N(µ· a), donde los dos parámetros son desconocidos, pero
sólo estamos interesados en hacer un contraste de hipótesis sobre el posible valor
130 ESTADÍSTICA APLICADA
fl=x
Por tanto:
1 )"/2 ( 1 )n/2
= ( 1+ n(x - µ0) 2 = 1 + - 1- (.x - µ0)2
I:(x;- x) 2 n- l s2/ n
CONTRASTE DE HIPÓTESIS PARAMÉTRICAS 131
1 )n/2
=( 1 x-µº2
l + n- 1 C1Jn)
Por tanto, la región crítica sería de la forma:
x- µ
Ahora bien, como en este caso ); "'t"_ 1, resulta que c2 = tn - i ; a.¡2 , En defmiti-
s/ ....¡ n
va, la región crítica para contrastar H O : µ = µ 0 frente a H 1 : µ =f. µ 0 , al nivel de
significación a, es:
El p-valor
5. Ejemplos
EJEMPLO 1: el Verapamil y el Nitroprusside son dos productos utilizados para
reducir la hipertensión. Para compararlos, unos pacientes son tratados con Vera-
pamil y otros con Nitroprusside. Los resultqdos obtenidos se muestran en la
siguiente tabla donde X= «R educción (en mm.) de la presión arterial de un
paciente tratado con Verapamil» e Y=«Reducción (en mm.) de la presión arterial
de un paciente tratado con Nitroprusside»:
X: 10 15 18 23 12 16 15
Y: 15 10 19 9 14 12 18
a) Admitiendo normalidad, ¿se puede aceptar la igualdad de varianzas? (al
nivel a = O, 10).
CONTRASTE DE HIPÓTESIS PARAMÉTRICAS 135
s¡ / s~ = 1,23
[F 6;6;0,95> F 6;6;o,osJ = [F
1 , F 6; 6;o.os] = [0,2334, 4,2839]
6;6;0 ,05
En consecuencia, aceptaremos a 1 = a 2 .
b) En este apartado deseamos «probar» estadísticamente (si es posible) que
el Verapamil es más efectivo, en promedio, que el Nitroprusside. Es decir, si
X,...., N(µ 1 ; a) e Y,..._, N(µ 2 ; a), queremos «probar» estadísticamente que µ 1 > µ 2 •
Para llevar esto a cabo, debemos efectuar un contraste de H 0 : µ 1 ~µ 2 frente a
H 1 : µ 1 > µ 2 • Mirando la lista de test al final del capítulo encontramos que la
región de rechazo en este caso es:
En este caso:
x-y= 1,71
6s 21 + 6s22
s2 = = 1602
P 12
{1:1
t12;0,10 Sp \rJ 7 =2,90
T
Lo primero que hay que destacar en este ejemplo es que los datos obtenidos
antes de fumar, y los obtenidos después de fumar, no son. independientes (ya que se
obtienen de las mismas personas). Esto significa que no podemos llevar a cabo un
contraste del mismo tipo que en el ejemplo anterior. Lo que sí podemos hacer es
considerar la variable aleatoria D = X - Y y, admitiendo que su distribución sea
N(µ: a), efectuar un contraste adecuado sobreµ. Si µ 1 es el porcentaje medio de
agregación de plaquetas antes de fumar y µ 2 el porcentaje medio después de
fumar, entonce µ= µ 1 - ¡i 2 . Queremo «p1·obar» estadísticamente que µ 1 <µ 2 o,
lo que es igual que µ<O. Por tanto, contrastaremos H O :µ~ Ofrente a H 1 : µ<O
(al nivel de significación 0,01). La región de rechazo de este test es:
1) X -N(µ a)
R- _{n-1
a5 s > 2 2
Xn - 1;a}
n-1 2 }
R = { ª 5 s <Xn -
2
1; 1 - a
-
R = { x-po > Za Jvo(l - Po)}
n
R -{-
- X - Po < Z1 - a JPo(l-po)}
n
s2 = (n 1 - l)si + (n 2 - l)s~
P n 1 +n 2 -2
Ho:<11 = <12; R = {s¡/s~ ~ [Fn, - 1;112 - 1;1 - «12, F,,, - 1:11r 1;«/ 2] }
7. Ejercicios
Hombres (X): 74 77 71 76 79 74 83 79 83 72 79 77 81 79 84 80
Mujeres (Y): 81 84 80 73 78 80 82 84 80 84 75 82 79 82 79 85
Antes: 25 25 27 44 30 67 53 53 52 60 28
Después: 27 29 37 56 46 82 57 80 61 59 43
Dosis 1 2 3 4 5 6 7 8 9 10
Método A 10,7 11,2 15,3 14,9 13,9 15 O 15,6 15,7 14,3 10.8
Método B 11,1 11,4 15,0 15,1 14 3 15,4 15,4 16 O 14.3 11,2
X¡: 2,52, 2,50, 2,66, 2,73, 2,71, 2,67, 2,06, 1,66, 1,78, 2,56
y,: 3,21, 2,49, 2,94, 4,38, 4,02, 3,82, 3,30, 2,85, 3,34, 3,91
Suponiendo normalidad e igualdad de las varianzas poblacionales
(ante y después de la reacción), ¿hay uficiente evidencia estadística (al
nivel de significación O01) para poder afirmar que después de la reacción
ha aumentado la amplitud media de ventana?
Indicación: :Ex,= 23 85, :E.xf = 58,3231, :E.y,= 34,26 :Eyf = 120,5412
15. Con el fin de e tudiar el efecto de los rayos X sobre la viabilidad huevo-
larva en «Tribolium castaneum» se irradiaron 1.000 huevos, de los que
resultaron 572 larvas. Sabiendo que la viabilidad normal de esta especie
es del 63 %, contrastar la hipótesis nula de que la radiación no ha tenido
efecto obre la viabilidad (al njvel de significación 0,05).
18. Un examen con ta de 100 preguntas con 4 alternativas cada una. Se desea
que los alumnos que superen la prueba sepan al menos, el 50 % de la
asignatura. ¿Cuál debe ser el número mínimo de respuestas correctas
para aprobar el examen, con un nivel de confianza del 99 % ? Estudiar las
dos formas posibles de plantear el contraste. (Sólo una de las alternativas
es correcta, y las preguntas abarcan uniformemente toda la asignatura.)
21. Una fábrica de fertilizantes tiene dos máquinas envasadoras con las que
pretende llenar sacos iguales. Se llenan 10 sacos con la primera máquina
obteniéndose un contenido medio de 29 8 Kg. y una cuasi-varianza de
144 ESTADÍSTICA APLICADA
CHICOS: 92 84 93 91 93 90 86 89 91 88
CHICAS: 88 85 82 90 81 93 87 92 86 85
24. Para probar una nueva droga para el tratamiento del SIDA se trabajó
con do grupos de ratones infectados.
El primer grupo e taba formado por 20 ratone y no recibió ningún
tratamiento. Su vida media fue de 93 día , con una cuasi-varianza mues-
tra! de 120.
El segundo grupo estaba formado por 40 ratone , y fué tratado con la
nueva droga. Su vida media fue de 102 día , con una cuasi-varianza
mue tral de 125.
CONTRASTE DE HIPÓTESIS PARAMÉTRICAS 145
X 120 312 243 161 314 234 143 287 423 155
y 130 306 255 168 310 250 158 290 440 140
Jóvenes Polluelos
.Y1 = 0,041 y2 = 0,026
S1 =0,017 Sz=0,006
Contrastes x2
l. Introducción
Hasta ahora, hemos supue to que la muestra aleatoria (X 1 , ... , X,,) procedía de
una población X con función de masa P6 (o función de densidadf0); es decir,
sólo nos faltaba por conocer el valor del parámetro O. En este capítulo aban-
donamos este contexto para abordar algunos problemas muy interesantes
dentro de lo que llamaremos Inferencia no paramétrica (el nombre hace refe-
rencia al hecho de que ahora nue tro desconocimiento no se reduce al valor
de un parámetro, sino que es más amplio). Los problemas que vamos a
analizar son problemas de contraste de hipótesis; en todos ellos, los estadísti-
cos que utilizaremos para llevar a cabo el contraste (es decir, para decidir si
aceptamos o rechazamos la hipótesis nuJa) tendrán aproximadamente una
distribución x2 de Pearson; esto es lo que motiva el nombre del capítulo.
147
148 ESTADISTICA APLICADA
±(O, -e¡ eJ
i= t
2
± (O,-e¡)2 =
i= l e;
f
i= l
(Of - 20¡e;+ef)=
e¡
f
;- 1
Of _ 2
e¡
±O¡+±
;- 1 ;- 1
e;
k Qf k k 02
= ¿ - ' - 2n+n ¿ P(AJ = ¿ -' - n
;- 1 e¡ ,= 1 i= t e¡
E(O;-e;)2
i= l €¡
----- = ¿I!
P(A.) ;= 1º··,; (i = 1, .. ., k)
' n
Xp(k
2
-
-x2
1)-(k- 1)- (k - l)(p - 1)
cuando H O es cierta.
De nuevo, podemos razonar diciendo que, si la hipótesis nula es cierta, las
frecuencias observadas y esperadas serán parecidas y, por tanto, el estadístico
anterior tomará valores pequeños (próximos a cero); en definitiva, tenemos:
CONTRASTE DE HOMOGENEIDAD
Ak okl o kj o kp
5. Contraste de independencia
Queremos ver si, a la vista de 1a muestra, tiene sentido admitir que X e Y son
independiente . Por tanto tenemos:
H 0 : «X e Y son independientes».
H 1 : «X e Y no son independientes».
Tomamos una partición (arbitraria) del espacio muestra! (correspondiente
a lo posibles valores de X e Y) en kp cla es A1 x B 1 ... A; x Bi, ... , Ak x BP.
E tas kp clase corresponden a tomar las cla es A 1 , ... , Ak para la característica
X, y las clases B 1 , •. . , B P para la característica Y.
Llamamos:
Oii = «frecuencia observada en la clase A¡ x B/> -
eii = «frecuencia esperada en la clase A; x Bi, si la hipótesi nula es cier-
ta»= nP(AJP(B).
(Obsérvese que i la hipótesi nula e cierta e; e la e peranza de una
binomial B(n; P(A;)P(Bi))).
Entonces tenemos (ver sección 2):
_.._ I:i:' 1 0- -
P(A -)= ;= •i
' n
CONTRASTES f 153
2 -
Xkp -x2
l - (k - l)-(p - 1)-
(k - 1) (p-1)
cuando H O es cierta.
Como se puede ob ervar, el estadístico anterior coincide con el que utili-
zábamos para el contraste de homogeneidad, aunque tiene un origen diferente.
En definitiva, tenemos:
6. Ejercicios
l. Después de lanzar un dado 300 veces, se hao obtenido las siguientes
frecuencias:
1 2 3 4 5 6
Frecuencias 43 49 56 45 66 41
Masculino Femenino
Normal 442 514
Daltónicos 38 6
!p !p2+pq
!q fq2
Número de llamadas/minuto O 1 2 3 4 5 6
Frecuencia 6 18 32 35 17 10 2
¿Se puede aceptar que el número de llamadas por min uto sigue una
di tribución de Poisson?
O A B AB
Comunidad 1 121 120 79 33
Comunidad 2 118 95 121 30
o A B AB
(p+q+r=l)
r2 p 2 + 2pr q 2 + 2qr 2pq
12. Las células infectadas por el viru del SIDA HIV-1 producen una pro-
teína llamada TAT. Se lleva a cabo un estudio para contrastar la asocia-
ción entre pre encia de anticuerpos TAT y el sarcoma de Kaposi en
paciente de SIDA. Se analiza el suero de 297 pacientes HIV-1- eropo iti-
vos dentro del período de un mes de de la diagnosis del SIDA. Cada
observación se clasifica según contenga el sarcoma de Kaposi o no, y
egún contenga anticuerpo TAT o no. De las 78 observaciones que
contenían arcoma 10 pre entaban anticuerpo TAT de los 219 pacientes
sin sarcoma, 21 tenían anticuerpo TAT.
Contrastar, al nivel 0,05, la asociación entre presencia de anticuerpos
y pre encia de arcoma de Kaposi. ¿Se trata de un contraste de indepen-
dencia o de homogeneidad? (Dato de Rei y Lange (1990), Nature, 30 de
agost, p. 801).
13. Se ha realizado una encuesta en una ciudad con objeto de estudiar las
posibles relaciones entre el nivel educativo (educación superior, media o
primaria) de las personas y el nivel de consumo (bajo, medio o alto) de un
determinado producto. Lo re ultados, para 400 personas seleccionada
al azar, han sido:
Valor de X O 1 2 3 4 5 6
Frecuencia 28 49 51 34 28 5 5
15. El contenido medio en proteínas por cada 100 gr. de tejido muscular
estriado en un análisis de 25 animales de cierta raza A de ganado vacuno
es de 14 gr. con LX¡= 4.996 mientras que para el mismo número de
yr
animales de otra raza B el contenido medio es de 14,5 gr. con :E = 5.362.
a) Contrastar si las varianzas son iguales en las dos razas, con una
confianza del 98 %, uponiendo que la distribución del contenido en
proteínas es aproximadamente normal.
b) Contra tar la hipótesis de que el contenido medio en las dos razas es
el mismo (con una confianza del 90 % y admitiendo igualdad de
varianzas).
e) Independientemente del e tudio anterior, otro equipo ha realizado
una investigación diferente obre esas do raza . Lo animales estu-
diados e han clasificado en 5 categorías (atendiendo, también, al
contenido en proteínas del tejido mu cular estriado): muy bajo, bajo
medio, alto y muy alto. Lo resultado han ido los siguientes:
Número de virus: O 1 2 3 4
Frecuencia: 45 24 7 1 1
Número de defectos: O 1 2 3 4 5
Frecuencia: 84 9 3 2 1 1
µ=x=9,7; et = 1,05
l . Introducción
Las técnicas estadísticas generales que se han desarrollado en los capítulos
correspondientes a la Inferencia paramétrica pueden aplicarse a situaciones
específicas de gran interés. El modelo de regresión lineal y el modelo de diseño
de experimentos son posiblemente, los de mayor interés general en Estadística
aplicada. En este capítulo vamo a estudiar estos dos modelo en su versiones
más sencillas.
HIPÓTESIS BÁSICAS
161
162 ESTADÍSTICA APLICADA
El estadístico
~l rvt
sR jl/(nvJ 11
-
2
~l ¡>t
1 SR J l /(nvJ n - 2;11./ 2
~l >t
SR ~ n - 2;11.
~1 <t .
SR J l /(nvJ n - i ,l - 11.
Pero cuando las hipótesis básicas del modelo son aceptables, podemos dar
una respue ta mejor; podemo construir un intervalo de conGanza que nos
sirva para e timar, con una confianza 1- o: el valor medio de Y:
(xo__
-1 + _.; - .x)2]
n nvx
164 ESTADÍSTICA APLICADA
1 (xo
1 +-+--- -x)2]
n nvx
15,3 17,8 20,7 25,1 16,4 21,6 19,6 18,8 20,2 19,4
y de las longitudes de esas mismas plantas cuando son adultas
30,5 32,6 38,3 45,7 33,6 42,2 37,5 38,1 41,6 40,4
Estamos interesados en analizar La posible relación lineal entre las caracte-
rísticas X= « Longitud al cabo del primer año de vida» e Y= «Longitud máxima
que alcanzan».
La recta de regresión de Y sobre X que resume la posible relación lineal entre
la longitud que alcanza una planta en u máximo desarrollo y la que tiene al cabo
de un año de vida viene dada en este caso por
y= 7,03 + 1 59x
_ 'E1~1 xii
X¡_= (i= 1, ... , m)
n;
m n,
+2"
L, °"(x
L, .. - x.)(x-
') ,. - x) l. ..
i= l j = l
m m rn
= °" n.(x. -x ) + ¿"
'-'
i= 1
t l.. .•
2
i=lj=l
"~ (x lJ.. -x.l. )2
1- l n.(x.
¿,'!~ L l.
- x,.)2
m- 1
F="m ._,,., ( _ - )2 ,...,pm - J,,, - 111
"-i = l "-j = L Xij X¡_
n-m
Suma de Cuadrado
Fuente de variación cuadrados G. l. medio Estadístico
Los valores obten.idos en el primer lago son superiores a los obtenidos en los
otros tres lagos. ¿ E suficientemente importante esta diferencia como para con-
cluir que el nivel de fósforo en el lago 1 es más alto que en los demás?
Expresado de otra manera, disponemos de cuatro muestras aleatorias que
corresponden a las mediciones del nivel de fósforo realizadas en los cuatro lagos.
Se quiere estudiar si los distintos niveles del factor «lago» influyen sobre la
variable de respuesta X= «Nivel defósforo». Si aceptamos que, en cada lago, las
mediciones siguen distribuciones (aproximadamente) normales y las varianzas son
(aprox imadamente) iguales, entonces, estamos en las hipótesis del modelo de
diseño de experimentos con un factor, y podremos contrastar si los niveles medios
de fósforo son similares en los cuatro lagos o no. Dicho de otra manera: podremos
estudiar si el factor lago (el único que estamos considerando) influye o no en el
nivel de fósforo (que es la varia.ble que observamos).
Efectuamos un análisis de la varianza (por ejemplo, al nivel o:= 0,05) para
llevar a cabo e te estudio. Disponiendo lo cálculos en forma de tabla como se ha
indicado tenemos:
Suma de Cuadrado
Fuente de variación cuadrados G. l. medio Estadístico
4. Ejercicios
l. En un estudio (H. Bebbahani, Universidad de Florida 1977) acerca del
efecto de la ta a agua/ cemento obre la resistencia del material resultante
al cabo de 28 día , se obtuvieron los iguientes datos:
Con estos datos se han calculado las siguientes cantidades: I:x 1 = 36,
I:xf = 204 I: y 1= 52,11, I:y f = 307,37 y I:x¡y¡ = 226 83.
a) Obtener las estimaciones de /30 y /J1 .
b) Una vez obtenida la ecuación de predicción y = Po + P1 x, obtener la
que realmente interesa, N x= N 0 eP 1x.
e) Contrastar la hipótesis {J 1 = O al nivel a= 0,05.
3. Se ha medido la longitud y la anchura máximas en una especie de
aligustre. Los datos observados son:
Longitud 40 38 31 43 45 33 36 33
Anchura 21 19 17 22 25 16 19 17
X¡: 9 10 13 15 18 13
y¡: 36 44 48 63 70 45
n 10 15 10
ji 25 26 32
s2 110 130 120
Admitiendo normalidad e igualdad de varianzas en los tres grupos,
contrastar la hipótesis nula de que los tiempos empleados en la compra
son iguales en los tres grupos (tomar cx= 0,05).
en egundos del canto podiia ser un rasgo distintivo interesante. Para inves-
tigar e te hecho se han seleccionado tres muestras independientes de pájaros
de la e pecies A, B y C con tamaños respectivos n1 = 11 n2 = 9, n3 = 12. Las
medias y cuasi-varianzas de e tas tres mue tras bao sido las siguientes:
A 1,09 0,0236
B 1,86 0,0364
e 063 00461
y 1,00 0,95 0,95 0,90 0,85 0,70 0,65 0,60 0,55 0,40
X 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55
NOTA: I.x.=
1
3,25, "'"
~l
.= 7,55, ~l = 1,2625, L.Y:I =6,0725 I.x.v.
f'I
=2,1825·
SR= O045.
Podemos observar también que el 50% de los individuos tienen una pun-
tuación por debajo de 60, y el 50% restante por encima de 60. Por tanto, la
mediana sería M = 60.
173
174 SOLUCIONES DE LOS EJERCICIOS
Si colocamos todos los datos en orden creciente, los dos datos que
quedan en la po icione centrales on 3 y 3. Por tanto, la mediana es
M=3.
5 5 8
6 5 6 810
7 46 7 81877
8 558 8 82002
9 0358883 9
lO 70 10 5
SOLUCIONES DE LOS EJERCICIOS 175
= ~~ I,(x; - x) 2 = 116, 7.
e) Según se desprende de la observación de los diagramas de tallos y ho-
ja y de los valores de las desviaciones típicas, la dispersión es pareci-
da en ambos conjuntos de datos; sin embargo, las mediciones obtenidas
son ligeramente superiores (en conjunto) en el experimento de Mi-
chelson, como se observa en las medias y en los diagramas.
2298 29959
2299 4
2300
2301 · 48
2302
2303
2304
2305
2306
2307
2308
2309 9
2310 210233
Hay una clara separación de Jos pesos del nitrógeno obtenidos por pro-
cedimientos físicos y de los obtenidos por procedimientos químicos. Esto e
debe a que al uprirnir el oxígeno del aire por procedimientos físicos, no
queda sólo nitrógeno.
48 8
49
50 7
51 O
52 6997
53 64940
54 4276
55 05873
56 15238
57 95
58 5
9. Para la variedad normal ob ervamos que los valore intermedio (una vez
ordenados de menor a mayor) on 356 y 360; por tanto, la mediana e M =
358. Ademá :
10. En primer lugar, podemos disponer los datos en un diagrama de tallos y hojas:
9 17771
10 14818585888418
11 333388
12 383
13
14 1
15
16
17
18 8
A la vista de e te diagrama es natural esperar que la media sea ligera-
mente superior a la mediana, como consecuencia de los dos consumos
grandes que se apartan de la tónica general. En efecto, disponiendo los da-
to en orden de menor a mayor, observamos que los dos consumos inter-
medios son 10,8 y 10,8. Por tanto, la mediana es M = 10,8. La media es algo
superior, como era de esperar:
x =.!_LX¡= 11,14
n
l. En este caso, tan razonable es hacer una regresión lineal de Y sobre X, como
de X sobre Y. Haremos, por ejemplo, una regresión lineal de Y sobre X:
- covx,y -
y-y=--(x-x) => -6 625= 9· 5156 (x -27 875) =>
vx y ' 61,8593 '
y= 2,34 + 0,15x
covu,y
r,,, y = ~ =0,90
'V V"VY
- covx,y -
y-y= - - (x-x) => y-2 77 = 5•75 (x - 26 8) =>
vx ' 48,56
y = 0,12x - O 40
- covx,y -
y - y = - - (x -x) => - 21267 = 1•0361 (x-13733) =>
vx y ' 4,3874 '
y= 0,24x + 1,80
r = covx,y = 1,0361 =O 21
~vxvy ..j(4,3874)(5,3571) '
y = 52,2566 - 0,0255x.
y= 52,2566-0,0255(1996) = 1,36.
7. Lo que el profesor Cruz quería decir es que no existe relación apreciable (ni
a favor ni en contra) entre la capacidad inve tigadora y la capacidad docen-
te. E decir, entre los buenos investigadores hay buenos y malos docentes, y
lo mismo ocurre entre los malos investigadores.
y= 3 + 0,5x; r= 0,82.
y = 3 + 0,5(14) = 10.
10. Tenemos:
- covx,y -
y - y = - -(x- x ) ~ y-3111 = 837•6 cx - 39 4) ~
vx 4,64 '
y = 180,52x - 4001,38
- covu,y -
r;,,y- ~ -0,99
'\Jvuvy
covx "
r.'C, 11 = - -·- =-0 94
e-:-:-
,¡ V X v"
14. a) Haremos una regresión lineal y una regre ión exponencial de Y sobre X
que podremos utilizar en el apartado c).
Regresión lineal de Y obre X:
3. Probabilidad
l. a) P(A)P(B) = (0,06)(0,08) = 0,0048 ::¡:. P(A n B) = 0,04.
Por tanto, lo fallo de A y B no son independientes.
6 6
1 =¿P(i) = L,ki =21k => k= _!_
21
i= l i= l
SOLUCIONES DE LOS EJERCICIOS 185
Luego:
2 4 6 12
PWar)= ~+~ + -=~
21 21 21 21
4. Si representamos a los niños por V y a las niñas por H, tenemos que el es-
pacio muestral es:
b) .. 1 .
P(3 hlJOS m· , ) P(3 hijo y primer hijo varón)
pnmer JO varon = - - - - - - - - - -
?(primer hijo varón)
= P(VVH) = (1/2)3 =0 25
1-P(H) 1- (1/2) '
S. Cuando ha preparado 5 temas (y por tanto no sabe los otros 9), tenemos:
Ahora es muy fácil comprobar que tiene que e tudjar al menos 4 temas
para tener una probabilidad de aprobar superior a 1/2. De hecho la proba-
bilidad en este caso es 0,5055.
186 SOLUCIONES DE LOS EJERCICIOS
El hecho de que lleguen al azar se interpreta como que todos los ins-
tante de llegada tienen la misma «probabilidad». Esto se traduce en que uti-
lizaremos la regla de Laplace (convenientemente adaptada) para calcular
probabilidades. En este caso, el suceso A = (Se encuentran) es el indicado en
la siguiente figura:
Por tanto:
Área (Ac)
P(Se encuentran)= P(A) =1- P(A e)= 1- Ár
ea (.Q)
9 7
= l- - = -
16 16
Ico,o4)
P(Aldef.) = P(A)P(def.lA) =9 = 0,2584
P(def.) 0,0344
Por tanto, es más probable que sea de A ya que el 46% de los que tienen
ojo claros pertenece a e te grupo.
P(Blenf.) = P(B)P(enf.lB)
P(A)P( enf.lA) + P(B)P(enf.lB) + P( C)P( enf.lC)
= (0,40)(0,01) = 0,0734
(0,50)(0,1) + (0,40)(0,01) + (0,10)(0,005)
P(def.lrecb.) = P(def.)P(recb.ldef.)
P(def.)P(recb.ldef.)+ P(no def.)P(rech.lno def.)
= (0,005)(0,96) =O 0880
(O, 005)(0, 96) + (1- O 005)(0 05) '
21. a) En e te apartado estarna tratando con una prueba sistemática para de-
tectar una enfermedad de e ca a incidencia:
P( enf.po.
l ) -- P(enf.)P(po .lenf.)
P(enf.)P(pos.lenf.) + P(no enf.)P(po .lno enf.)
- 1 - (0,9)
= 10000 = O 0089
_ 1 _ (0 9)+ 9999 (O 01) '
10000 ' 10000 '
22. Tenemo tre tarjeta (RR, RB y BB), todas con la mi ma probabilidad (1/3).
SOLUCIONES DE LOS EJERCICIOS 191
. ) P(RR)P(cara rojalRR)
P<RRI cara roJa =
P(cara roja)
= (1/3)(1) = 2
1/2 3
P(pescar)
= (7 /20)(2/7) = o 3004
0,3329 '
.!.l..(1 - (1/2)"]
= en!
°" .!._!_[1 - (1/ 2)"]
00
~n=Oe n!
.!l[l-(l /2)"]
= e ni
.!"'00 _!_ _ .! "'00 _(11_2_)"
e ,¿_n=O ni e ,¿_n=O n!
P(charterlA) = . P(charter)P(Alcbarter)
P(charter)P(A Icharter) + P(oac.)P(Aloac.) + P(int.)P(Alint.)
= (O, 25)(0, 90)3 =O 7632
(0,25)(0,90)3 +(0,30)(0,10) 3 +(0,45)(0,50)3 '
B == {3 diana de 4 di paro }
. )
P(tardeIJ umo P(tarde)P(Junioltarde)
= - - - - -- - - - - - - - - - - - -
P(tarde)P(Junio!tarde) + P(mañana)P(Juniolmañana)
= (0,40)(0,40) = O 4706
(O, 40)(0, 40) + (O, 60)(0, 30) '
P(BBIH) = P(BB)P(HIBB)
P(BB)P(HIBB) + P(Bb )P(HIBb)
P(BblH) = P(Bb)P(H1Bb)
P(BB)P(HIBB) + P(Bb )P(HIBb)
= <213)(1/ 2 )2 =0 3333
(1/ 3)(1) + (2 / 3)(112)2 '
30.
¡
Lo primero que hacemos notar es que P(A = NN) = 1/2 y P(A = Nn) = 1/2,
al proceder de un cruce de NN con Nn.
a) P(2 negro y tre blancos)
= P(A = NN) P(2 negros y tres blancoslA = NN)
+ P(A = Nn) P(2 negros y tre blanco 1A =Nn)
8 7
P(2 sanos)= ?(Primero ano y Segundo sano)= - - =-56
10 9 90
P(l sano y 1 enf.) = P(Primero sano y Segundo enf.)
. 8 2 2 8 32
+P(Prunero enf. y Segundo sano)= - - + - - = -
10 9 10 9 90
P(2 enf.) = ?(Primero enf. y Segundo·enf.) = ~ .!_ = _?_
10 9 90
Jfo)(H -o
0,4749 '
0010
P(hijo = ALA1)
=P(padre=A 1A 1 y madre=A 1A 1) P(hijo=A 1A 11padre=A 1A 1 y madre=A 1A 1)
+P(padre=A 1A 1 y madre=A 1A2) P(hijo=A 1A 11padre=A 1A 1 y madre=A 1A2)
+P(padre=A,A2 y madre=A 1A 1) P(hijo=A 1A 11padre=A 1A2 y madre=AtA,)
+P(padre = A1A2 y madre=A 1A2) P(hijo=A 1A 11padre=A 1A2 y madre =A 1A2)
=(p2)(p2)(1) + (p2)(2pq)(l/2) + (2pq)(p2)(1/2) + (2pq)(2pq)(l/4)
=p2(p2 + 2pq + q2) =p2(p + q)2 =p 2.
SOLUCIONES DE LOS EJERCICIOS 195
1 1
P(CC)=b· P(cc)=-· P(Ce)=l - b - -
1600' 1600
- 1- = P(hijo = ce)
1600
=P(padre = Ce y madre = Ce) P(hijo = ce Ipadre= Ce y madre = Ce)
=(1 - a)2 (1/4)
19
a=-
20
b =P(hijo = CC)
= P(padre = CC y madre= CC) P(hijo = CC Ipadre= CC y madre= CC)
= P(padre= CC y madre= Ce) P(hijo = CC Ipadre= CC y madre= Ce)
= P(padre = Ce y madre= CC) P(hijo = CC Ipadre = Ce y madre= CC)
= P(padre = Ce y madre = Ce) P(hijo = CC I padre = Ce y madre= Ce)
= a2 (1) + a(l - a)(l/2) + (1 - a) a (1/2) + (1 - a )2(1/4)
a2 a 1
= - + - +-
4 2 4
b = 1521
1600
En definitiva, obtenernos los siguiente resultados:
Proporción de portadore en la generación de los padres:
19
1- a=l- - =0 05
20 '
196 SOLUCIONES DE LOS EJERCICIOS
1 1521 1
1 - b - - = l -- - - =0 0488
1600 1600 1600 '
34. Repre entaremo por Xh un cromo orna con gen hemofüico, y por X un cro-
mosoma con gen normal. Si la mujer tiene padres normales y un hermano he-
mofílico, u padre es necesariamente XY y su madre es necesariamente X!' X.
En e tas condiciones, tenemos:
P(desc. hemof.)
= P(mujer = XX) P(de c. hemof.lmujer = XX)
+ P(mujer = x1i X) P(desc. bemof.lmujer = X" X)
= (1/2)(0) + (1/2)(1/4) = 1/8.
35. Llamaremo D al gen dominante y d al gen rece ivo. Si Roberto padece ja-
queca, pero su padre no, Roberto es necesariamente Dd. La mujer de Ro-
berto no padece jaqueca; por tanto es dd.. En e tas condicione , cada uno de
us hijo tiene la mi ma probabilidad (1/2) de padecer jaqueca que de no pa-
decerla. Por tanto, tenemo :
4. Variables aleatorias
l. E tamo con iderando la variable aleatoria di creta X = «Ganancia» = «Pre-
mio»- 10. Su función de ma a e :
o six<O
i xdx=-2
o
x x2
i x e (O, 1)
=
2
f\dx+ f \2-x)dx=2x- x -1 iX E [l, 2)
Jo 1 2
1 six~2
F(x)=P(XSx)= J: J(x)dx
o six<O
= r - 1 (l +x 2 )dx=-
o 12
x )
1 ( x+-
12 3
3
si x E [O 3)
1 ix~3
3) P(X<l)= f -(l+x
012
1 )d.x=l/9
2
198 SOLUCIONES DE LOS EJERCICIOS
3M2
=3M - - - - 2
4
] - l i O< X < 20
f(x) ={ Longitud (0,20) - 20
0
en el resto
f
F(x) = P(X:::; x) = _1(x)dx
-¡l
Qx ]
-dx--
- 1020 - 20
X
ix<O
ix~20
SOLUCIONES DE LOS EJERCICIOS 199
3) E[X]= 1 x-dx=lO
20
o
1
20
V(X) = f20 x2 _!_ dx-102 = 100
Jo 20 3
O ~x<O
b) rº.s
Tipo 1:P(X<O 50)= Jo 6x(l-x)dx=0,50 ~ 50%
Tipo 2: P(O, 50 $X$ O, 80) = Ji rº·s 6x(l - x)dx =O, 396 ~ 39,6%
0,5
P(Y = O, 80) = O, 50
{ P(Y == O 90) 0,396
=
P(Y == 1) == O, 104
«Precio medio por litro» = E[Precio por litro] = E[Y] =Ly1 P(y;) =
(0,80)(0,50) + (0,90)(0,396) + (1)(0,104) = 0,86 euros.
LOO
1 X
- - e-1000 d.x
1000
== 0,5370
200 SOLUCIONES DE LOS EJERCICIOS
b) P(X > lOOIX < 500) = P(X > 100 y X< 500) = P(lOO <X< 500)
P(X < 500) P(X < 500)
500 1
1 X
- -e 1ooodx
= 100 1000 = 0,2983 =o 76
r500_l_e 1~ dx 0,3935 '
Jo 1000
J'R Jo 15000
b)
SOLUCIONES DE LOS EJERCICIOS 201
1/2= ioM o2
x fM(2---x)d x2M
f(x)dx= J.1 ~+
3 6 1
=--
3
M- - -¡
12 3
2
M=l,55
rx
1
= Jo2dx+ J1
r
2 (23-6x)
dx = 0,6667 =O 73
r1~dx+ f3 (~-~)dx o,9161
Jo 2 J1 3 6
b) P(T < llT > 112) = P(T < 1 y T> 1/2) = P(l/2< T < I)
P(T>l/2) P(T>l/2)
=
i l
1, 2
4e-4 1dt
= O, 1170 =O 86
f 4 e-41dt
00
0,1353
J 112
P(X > 120IX > lOO) = P(X > 120 y X> 100) = P(X > 120)
P(X > 100) P(X > 100)
r200 200 - x
= J120 10000 dx = 321100 = o 64
r200200 -x dx 1/2 '
J,oo 10000
o
X
--dx
> 120) = 1
200200-x
200 con prob. P(X = 0,32dx
120 10000
17. =
Llamaremo X, «Longitud obtenida con el proceso 1» y X2 =«Longitud
obtenida con el proceso 2».
J,í X~ dx=0,9375 ~
2
P(Aceptableconelproce o 2) = P(l<X2 <2)=
93,75% de aceptables con el proceso 2.
SOLUCIONES DE LOS EJERCICIOS 203
=(0,60) Ji00
e-.xdx+ (0,40) J 2e- xdx =0,2749
1
00
2
En definitiva:
o si x < I }
{
F(x)= (--Jx-1)2 • i 1 Sx<4
1 six ~ 4
--Jx - 1 i l<x<4
f(x)= { -fx
0
en el resto
21. Comprobamo que F ati face las propiedades de una función de distribu-
ción:
SOLUCIONES DE LOS EJERCICIOS 205
. dF(x) 1
2) Fes creciente ya que: - - = 2 > O.
dx (l+x)
3) Además F es continua.
Por tanto, F es una función de distribución. Derivando, obtenemos la
función de densidad:
six>O
en el resto
Finalmente:
5 3 1
P(3< X< 5) = P(X < 5)-P(X :s; 3)=F(5)-F(3) =---=-
6 4 12
a(c -e )] a(c¡-c,)
= 1- [ 1+ ! 4 e C3 -C2
C3 -C2
5. Vectores aleatorios
l. En vez de intentar calcular la esperanza de X directamente (que ería una ta-
rea complicada), lo que hacemos es descomponer X en suma de variables
aleatorias independientes. Para i = l ... n, llamamos X; =«Puntos obtenidos
en la tirada número i», de modo que X= X1+ ... + Xn. Entonces:
2. 1
E[X] = E[X1 + ... + Xn] = E[X.] + ... + E[Xn] = n[ -(1)+ 1
... +-(6) = -7n J
6 6 2
206 SOLUCIONES DE LOS EJERCICIOS
XIY 1 2 3 4 5 6
1 1/36 1/36 1/36 1/36 1/36 1/36 1/6
2 o 2/36 1/36 1/36 1/36 1/36 1/6
3 o o
3/36 1/36 1/36 1/36 1/6
4 o o o 4/36 1/36 1/36 1/6
5 o o o o 5/36 1/36 1/6
6 o o o o o 6/36 1/6
1/36 3/36 5/36 7/36 9/36 11/36
b) P(X=klY=4)= P(X=k;Y= 4 )
P(Y=4)
1136 =1/7 si k =I
7/36
1136 = 1/7 si k =2
7/36
- º -= O si k =5, 6
7/36
1 siO<x<l l si O<y< 1
f(x)= { f(y) = {
O en el re to O en el resto
9t O en el resto
2) Densidades marginales:
9t O en el resto
51{ O en el resto
X= Y
X=1
X=-y
208 SOLUCIONES DE LOS EJERCICIOS
a) f(í
J'Jl J'Jl
f(x, y)dy]dx= f 1_
x-0
[f._ ldy]dx = J
y--.t
1
_
x-0
2xdx=l => Es fun-
ción de densidad.
f(x)
f
=j , f(x,y)dy =
{Jy=-x
. ldy =2x sixe(0,1)
'Jl O en el re to
Por tanto:
{ =-y 1 dx =1+ y si y e (- 1, O)
f(y) =f'Jlf(x,y)dx = {=
/ dx =l -y si y E (0,1)
O en el re to
Por tanto:
(X,Y): Q ~ 9t2
(V, V, V) ~ (3,1)
(V, V, M) ~ (2,2)
(V, M, V) ~ (2,3)
(M, V, V) ~ (2,2)
(V,M,M) ~ (1,2)
(M, V,M) ~ (1,3)
(M,M, V) ~ (1,2)
(M,M,M) ~ (0,1)
XlY 1 2 3
o 1/8 o o
1 o 2/8 1/8
2 o 2/8 1/8
3 1/8 o o
b) Las funciones de masa marginales son inmediatas de obtener:
P(X=O)=l/8
P(Y =1) =2/8
P(X = 1) = 3/8
{ P(Y = 2) = 4/8
P(X=2)=3/8
P(Y = 3) = 2/ 8
P(X =3)= 1/8
P(X =1; Y= 1) =O
32 6
P(X = l)P(Y = 1) = - - =-
8 8 64
7. a) Tenemos:
1 = f9t[f9tf(x,y)dy]dx = t: [t:
0 0 kye-2 xe- 1 dy ]dx =
kf 00
e-2 x[f 00
ye-y dy]dx = kf 00
e-2xdx =~ : : :} k =2
x=O y=O x=O 2
o en el resto
siy> O
en el re to
={J
3 2 2 2 2J3 y2
- dx= - y xdx= - Si y E (Q,3)
8. a) f(y) = f..iJCx,y)dx ox=O 81 xy 81 x=O 9
en el resto
y=1
X=Y
X=O
a)
f(x) = J,
r f(x,y)dy =
{I
y=x
1
15x2 ydy =15x 2 f
y=x
1
ydy = 15 (x2
2
- x 4) si X E (O 1)
9! o en el resto
SOLUCIONES DE LOS EJERCICIOS 211
b) E[X] = J.
91
xf(x)dx = f x[ 15
1
x=O 2
(x 2 -x 4 )]dx = 5 / 8
O en el resto
f(y) = J,
f
f(x,y)dx =
{fx=O
1
6(1-x)y2 dx=3y 2 iye(O 1)
91 O en el resto
b) E[Y] = f yf(y)dy =
J:R
f
y=O
I
y(3y2)dy = 314
27
-
f3/4 (I-x)dx=0,40
32 x=O
b) Tenemos:
={fy=O lxy
1
=J.f
2 dy=xl2 SÍXE(0,2)
f(x) f(x,y)dy 2
'JI o en el resto
212 SOLUCIONES DE LOS EJERCICIOS
e) Tenemo :
3
f. to =O-xldx=3y2
. { 2 i y E (0, 1)
f(y) = f(x y)dx = 2
91 en el resto
Por tanto:
_ l _
f ( X - - IY - - -
l)- !(X=i; Y=1-) _%(1/2)(1/2)
( ) -
2
_
-114
2 2 f y= _!. 3(1/ 2) 2
2
X= Y
X=2
a) k=~
32
iy E (Q,2)
b)
en el resto
P(Y~ 1) = J2 (15-/--y
y=J 16
15 4)
64
dy =47 /64
SOLUCIONES DE LOS EJERCICIOS 213
X=Y
X:1
y=O
x 2dy = 2x si X E (0,1)
a) f(x) = J. f(x,y)dy ={fy=O
9l O en eI resto
f(y) = f9lf(x,y)dx =
{Jx=y
I
2dx=2-2y siyE(O,l)
O en el resto
y= X· 1
y= 1 • X
214 SOLUCIONES DE LOS EJERCICIOS
Jy=l- x ldy=X
I si X E (0,1)
o en el resto
= E[Y] = Jy=O
.. y(.!..e-ylk)dy
k
=k ~ k=5
P(A)f 10 10- X dx
x=5 50
= P(A)fw 10-x dx+P(B)f .. _!_e-y1sdy
.r=5 50 y=5 5
= (1/2)(0,25) = O 40
(1/2)(0,25)+(1/2)(0,368) '
SOLUCIONES DE LOS EJERCICIOS 216
10-x -y1 s
Si Ü <X< 10,y > 0
f(x y)= f(x)g(y) ={ 250 e
0
en el resto
2x
si O< X < 1, 0 < y < 5
f(x,y) = f( x )g(y ) ={ 5
0
en el resto
P(X+Y~l)= f [f
1
x =O y=O
2x
1- x -dy
5
Jdx=-2 J
5
l x(l-x)dx=l/15
x=O
X= Y
X= 1
y=O
r
f(y) J, f(x , y)dx =
{f 1
x=y
3xdx- i _ i y 2
- 2 2
i o< y < 1
91
O en el resto
216 SOLUCIONES DE LOS EJERCICIOS
E[Y] = J y(3
I 3y z)dy = 3!8
---
2 2
y=O
Ahora tenemos:
P(Alguna errata en una página) = P(X ~ 1) = 1 - P(X = O) = 0,6321.
P(l9,5 <X< 20,5) = P(I 9,S- l 9, 8 < Z < 20,S-l 9, 8 ) = P(-0,6 < Z < 1,4) =
0,5 0,5
l - P(Z > 0,6) - P(Z > 1,4) =1- 0,2743 - 0, 0808 !:::! 0, 64
P(2 oc.lH)
P(2 oc.)P(Hl2 oc.)
= -------------------------
P(l oc.)P(Hll oc.)+ P(2 oc.)P(Hl2 oc.)+ P(Más de 2 oc.)P(H I Más de 2 oc.)
= (0, 60)(0, 80) = O, 7430
(0, 02)(0, 70) + (O, 60)(0, 80) + (O, 38)(0, 40)
Entonces:
Tenemo:
T
P(El coche A consuma más de 9 litros)= P(XA > 9) = P( X -8 > -9-8)
5- =
P(Z > 0,2) = 0,4207.
P(El coche B consuma entre 7 y 8,5 litros)= P(7 < X 8 < 8,5) =
Entonce :
Y-0
P(Ahorrar más de 2 litros al comprar B = P(Y > 2) = P( - 2-0)
- >- - =
5,83 5,83
P(Z > 0,34) = 0,3669
a)
.
P(Coefic1ente . a 120) = P(X > 120) =P (X-100 > 120-100) =
superior
16 16
P(Z > 1,25) = 0,1056
b)
?(Coeficiente uperior a 120, abiendo que e licenciado)
=P(X>l 20IX>llO)= P(X>120 yX>llO) = P(X>l20)
P(X > 110) P(X > 110)
= P(Z > 1,25) = 0,1056 = O 39 _
P(Z > 0,62) 0,2676
SOLUCIONES DE LOS EJERCICIOS 221
15. Sabemos que X= «Anchura de las hojas del álamo» - N(µ = 6; a). Vamos
a obtener el valor de <J planteando una ecuación a partir de la información
que tenemos:
8-6)
P(X>8)=P( Z > - =P(Z>l,71)=0,0436
1,17
16. Sabemos que X= «Anchura de los coleópteros» - N(µ; a). Vamos a obte-
ner lo valore de µ y a planteando dos ecuaciones a partir de la informa-
ción que tenemos. Por un lado:
12
;µ =0,74}
~ {µ=9,86
µ - 7 = 0,99 a= 2,89
(j
222 SOLUCIONES DE LOS EJERCICIOS
-µ -(J"-
40= 0 •25} µ = 46,76
50;µ = 012 => {c,. = 27,03
b) Tenemos que hallar un intervalo J = (a, b) = (200 -k, 200 + k), que ve-
rifique:
=P(-..!:.._szs..!:.._)
10 10
~ P(z>..!:.._)=o 025
10 '
~ ..!:.._=1,96
10
~ k=I9,6.
Entonces, tenemo :
«Número medio de ratones capturado » = E[Número total de rato-
. 1-p
ne capturado ) = E[Y + 1] = E[Y] + 1 = E[Geométiica] + 1 = - - + 1 =
p
= 1- 0,2 +1 = 5
0.2
SOLUCIONES DE LOS EJERCICIOS 225
a) En este apartado nos interesa la duración total de 2 cinta . Por eso, con-
sideramos la variable aleatoria:
Tenemos:
Y= «Número de cintas con una duración inferior a 250 minuto , entre 100»
"'B(n = lOO;p = P(X < 250) = 0,8413) ~ N(µ = np = 84,13;
CJ = .Jnp(l - p) =3,65)
Lo que buscamos es:
P(Y> 80) = P(~ ~.86~ 13 > 8 º;,!~,1 3) = P(Z> - 1,13) =P(Z < 1,13) =
l-P(Z > 1,13) =1- 0,1292 = O 8708
20
- x
- d x = 18 89
226 SOLUCIONES DE LOS EJERCICIOS
f 20 X 2
=Jo 300 dx=3
X - 80
P(X > 70) = P( > 70 - 80) = P(Z>-1,44) = P(Z < 1,44)
6,93 6,93
= 1-P(Z > 1,44) = 1-0,0749 = 0,9251
P(EEIS) = P(EE)P(SIEE)
P(EE)P(SIEE) + (P(Ee)P(SIEe)
Queremos calcular:
P(La varilla pueda insertarse en el recipiente)= P(X <Y)= P(X - Y< O)= (*)
26. La variable aleatoria básica para este problema es X = «Peso de una perso-
na» - N(µ = 72; a= 10).
a) P(Entre los cuatro operen lo 350 Kg.)= P(X1 +X,_+~ + X4 > 350) = (*)
Tenemos:
Nos piden:
P(Sobreviva más de 120 días, sabiendo que está vivo al cabo de 110 días)=
P(X > 1201 X> llO) = P(X > 120 y X> 110) = P(X > 120)
P(X > 110) P(X > 110)
= P(Z>(120-90)/20) = P(Z>l,5) = 0, 0668 =O 42
P(Z > (110-90) /20) P(Z > 1) 0,1587 '
Queremos calcular:
P(La producción de 2 manzanos supere los 110 Kg.) = P(XA 1 + XA2 > 110) = (*)
Para continuar con el cálculo, observamos que:
(*)= p(XAI +XA2 - lOO > 110 - 100 ) = P(Z>O 71) = 0 2389
14,14 14,14 ' '
a) P(Una persona del grupo A mida más de 160 cm.)= P(XA > 160) =
= 1-0,1587 = 0,8413
Observamos que:
Entonces:
P(Altura < 164) = P(A)P(XA < 164)+ P(B)P(X8 < 164)+ P(C)P(Xc < 164) =
(O 75)P(XA -175 < 164-175)+(0 20)P(Xg-170 < 164-170)
' 10 10 ' 10 10
[ T U] 1
E[X -Y]= E 250 - 200 = 250 E[T]- 200 E[U]
1
= - 1-(250)(0,10) - - 1-(200(0,10) = o.
250 200
T U)
1 1
V(X - Y)= V ( 250 - 200 = 250 2 V(T) + 200 2 V(U)
Entonces:
Finalmente:
El 2% de los enva es tiene una cantidad de grasa inferior a 500 gramos =>
O' 02 = P(X < 500) = P(X25- µ < 50025- µ) = P(z < 500-µ)
25
=>
P(Y> 50) = ¿
P( y ~~1 61 > SO ~.~:· 61 ) =P(Z >-1,11) = P(Z < 1,11) =
1-P(Z > 1,11) = 1-0,1335 = 0,8665
b) Ahora tenemos dos surtidores correcto (C) y uno trucado (1). Los
elegimos al azar, de modo que P(C) =2/3 y P(1) = 1/3.
P(TIS) = P(DP(SID
P( C)P(SIC) + P(DP(SID
= (1/3)(0, 3750) = O 77
(2/3)(0, 0574) + (1/3)(0, 3750) '
2x
si0 <x <3
{
f (x) = 9
0
en el resto
SOLUCIONES DE LOS EJERCICIOS 237
P(Y = 3) = 0,0494.
P(MIA) = P(53 < XA < 63) = J'53-61 < XA -61 < 63-61) =
'~ 8 8 8
P(-1 < Z < 0,25) = 1-P(Z> 1)-P(Z > 0,25)= 1-0,1587-0,4013 = 0,4400
(*) = (0,30)(0,4400) = O 36
(O, 30)(0, 4400) + (O, 70)(0, 3345) '
X -61 53-61)
P(SIA)=P(XA <53)=P( A8 < 8 =P(Z<-l)=P(Z>l)=0,1587
Entonces:
P(Y = 2) = 0,1762
e) En primer lugar, calculamos:
P(LIB) =P(63 < Xs < 73) = p(63-65 < X8 -65 < 63-65) =
8 8 8
P(-0,25 < Z <1) = 1-P(Z> 0,25)-P(Z> 1) = 1-0,4013- 0,1587 = 0,4400
S = XAI + ... + XAl2 ,..., N(µ = 12(61) =732· a= ~ 12(8)2 =27, 71)
SOLUCIONES DE LOS EJERCICIOS 239
Tenemos:
Tenemos:
X - 25 20- 25)
P(Y>20)=P( - - > =P(Z>-1,15)=P(Z<l,I5)=
4,33 4,33
1-P(Z > 1,15) = 1-0,1251 = 0,8749
1100 - µ = 0 25
O" '
130
~ - µ = 1,28} ==> µ = 1051,46
1100 - µ =0,25 0"=194,17
O"
e) P(X> lOOO) = p(X - 1051,46 > 1000 - 1051,46) = P(Z >-0 26)=
194,17 194,17 '
P(Z < O 26) = 1-P(Z > 0,26) = 1-0,3974 =0,6026
Por tanto:
P(X + .. . + X < lOOOO) = p(X, + ... + Xro -10514,6 < 10000 - 10514,6) =
I JO 614,02 614,02
P(Z <-0,84) =P(Z > 0,84) =0,2005
P(X < 95)= P(X-l0 8 < 95 - 108 )= P(Z <-1 56) =P(Z> 1 56) =O 0594
8 31 8 31 ' ' '
'
b) En primer lugar, ob ervamos que P(Persona AB negativa) = (0,05)
(0,20) = 0,01. Ahora, consideramos la variable aleatoria:
(~1)co,4o)3co,6o)9 = o,0355
P(X, + ... +X10 <210) = P(X1 + ... +Xw - 200 < 210 - 200) = P(Z<l,05) =
9,49 9,49
1- P(Z > 1,05) =1-0,1469 =0,8531
242 SOLUCIONES DE LOS EJERCICIOS
Entonces, tenemos:
µ~ 25 = 0,84} µ=28,86
30 - µ =0,25 a =4,59
a
P(X- 10
30 > 53 - 3
10
º)= P(Z > 2 30)=0 0107
' '
Tenemo:
Entonces:
P(X, + . .. + Xs > 140) = p(X, + ... + X -150 > 140-150) = P(Z >-0, 45) =
5
22,36 22,36
P(Z < 0,45) =1-P(Z > 0,45) =1- 0,3264 = 0,6736
Tenemos:
7. Estimación puntual
1. a) En e te ca o, la función de masa es P(x) = p'(l-p) 1- x.
Estimador por el método de los momentos:
-l íl:'
b) En este caso, la función de masa es P (x) =-e__
x!
Estimador por el método de los momentos:
E[ X] = x => A. = x => A= x
.:l=x
d;t .:l
E[X]=x => f
x=E[X]= 91 xf(x)dx= fo° x (k - .tr)dx=
0
~ =>
Á=_!_
x
L(.:l) = J(x,) ... f(x,,) = k - ).r, ... Ae- ..ix" =J_"e- m ; =>
logL(Á) =n log.:l -íl ¿x; =>
dlogL(Á) =!:- ¿x. = O A l
=> A.=-
dJ.. ;t ' .x
1
!( X ) -- 1
- - ( , : -µ )
r;:,:: e 2u 2
2
a -v 2rc
1 1 2
f(x)=--e 2 a 2 (x-µ )
a-fin
Estimador por el método de los momentos:
La primera posible ecuación:
E[X]=x => µ= x
no sirve en este caso, ya que no aparece el parámetro d-que es e] que que-
remos estimar. Recurrimos a la segunda posible ecuación:
=>
1
logL(cr)= - nlogcr - nlog - f i n - -2 I.(x; -µ)
2 =>
2cr
dlogl(cr) =-~ + - 1 l(x¡-µ)2 = O => 8 2 =_!.L(x.- µ)2
~ CJ" ~ n '
246 SOLUCIONES DE LOS EJERCICIOS
1
!( X ) = O'..fin 1
- -(x- µ)
2
e 2<1 2
E[X]= x }
E[X 2 ]=;I.x¡
íl= x
- 2
O' = -1 ,t.,
""' X¡2 - -2
X = -1 ""'(
L., X ¡ -
- )2
X
n n
1_ -- 12 (xi-µ) 2 1 1 2
L( µ, O') -_ f( X1) • • • f( Xn ) -_ _~ e 2u ... ~ e- 2u 2 (x. -µ ) _
-
a -v 2rc a -v2rc
- I 1
e- -2l:(x¡-µ ) 2
1
p= 2q-- =2(0,60) --= 0,7
A A 1 o
2 2
3. a) Planteamos la ecuación:
=> 8 =.x -1
= x1 •• • xn ex ( - í.,x¡) =>
9 2n P 2()2
¿x~
log L( ()) = í., log X; - 2n log () - - - ~ =>
2()
dlog L(()) =- 2n + í.,x¡ = 0 => 0~ = ~X~
_ _,
d() () ()3 2n
8 1
°S. a) L(()) = f9(X¡). · ,j9(X11 ) = ()(_!_)B+l... ()(_!_)B+I=8 11 ( l ) + =>
x1 x 11 X¡ • •• xn
lag L(()) = nlog0-(8 + 1) Í.,logx; =>
dlogL(()) =~-Í.,logx. = 0 => ~ n
8=---
d() () 1 I. Iog x¡
b) Resolvemos la ecuación:
.. ( 1 )8+1 8
E[X]=x => x=E[XJ = f xf8 (x)dx=f x () - dx= - =>
9l. 1 X (}-}
-
8= -
x
.x-l
•. .
1r;,::: exp[ (logx11 - µ)2 ] --
2
1
11 r;,::: n exp[
I.Oogx¡ - µ)2 J ~
xna-v 21' 2a (x, ... xn)a (-v 2n) 2a 2
rJlogL(µ, a')_
---=----'-- -- - - 1 (- 2)[~l
_¿_, og x. - nµ J-
- O¡
r)µ 2 0'2 1
ªª
rJiogL(µ cr) =-!:.+_l_ I (logx.-µ) 2 = O
(J' 0'3 1
dlogL(p) =-~+i=o
dp 1- p p
q~ = x- = «Frecuenc1a
. re1atlva
. de pruebas pos1t1vas»
.. = - 95 = O 19
500
1/2
b) Planteamo la ecuación:
- n
E[X] = x ~ (l/2)(n/8) 112 =X ~ 8= -2
4.x
2 2
-9-3-8
( *)- - ---3-8
--
n 9 n
lim,, E[~]= 8
{
lim,, V(8) = O
Efectivamente:
1
logL(()) = -nlog8-e LX¡ =>
{p =x2
252 SOLUCIONES DE LOS EJERCICIOS
E[T] = E[Xi + 2 X2
3
J=_!.(E[X¡]
3
+ 2E[X 2 ]) =_!.(E[X]+ 2E[X]) =E[X] =
3
=f
J<R
xf(x)dx = r=xl.e-"
Jo e dx = 0
19
V(T) = v( Xi+ 2 X2 )
3
= ..!_ [V(X1) + 4 V(X2 )] =..!_ [V(X) + 4V(X)] =
9 9
=2V(X)=2e2
9 9
1 si B<x<O+l
J;9 (x) ={
O en el resto
_
E[X] = E[X] =
J. xf9 (x)dx =
f.9+!x(I)dx =e+ -1 =/= e
~ 9 2
- -
«Sesgo(X)»=E[X]-8= 0+ 2 -0= 2 ( 1) 1
- - - 2
b) «Error cuadrático medio de X»= V(X)+[Sesgo(X)] =
= V(X) +! = (*)
n 4
SOLUCIONES DE LOS EJERCICIOS 253
Calculamos V(X):
= i
8
8 +1
X
2 l ) 2 =l-
(l)dx- ( 8+-
2 12
1 1
(*)= - +-
12n 4
13. En este ejercicio estamos considerando una muestra aleatoria (X, , ...,X) de
tamaño n = 10 de X= «Contenido de asfalteno» - N(µ = 35; CJ= 2). Esta-
mos interesados en el estadístico:
P(Contenido medio de asfalteno del lote inferior a 37)= P(X < 37) =
P( X- 35 < 37 - 35
O, 6325 · O, 6325
)= P(Z < 3 2) = 1-P(Z> 3 2) =
' '
= 1- O, 000687 = O, 9993
14.
L(8) = f e(x, ) ... f 9 (xn) = [28e-er¡ ] .. . [28e-er; ] = 2" 8"e-BI.t¡ =>
logL(8) = nlog2+n1og8-8I x¡ =>
d lag L(8) =!!.. _ ~ x ~ = 0 => A n
de e L.. ' e=~
L..X¡
254 SOLUCIONES DE LOS EJERCICIOS
15. L(8) = f9(X¡) ... f9(x,.) = [8 2x¡e-ln¡ ] .. . [8 2xne-ln· ] = e2n(X¡ ... xn)e- BLr; =>
log L(8) = 2nlog9 + Llogx¡ -8 LX; =>
dlogL(8) = 2n -LX· =O => O= 2n
d8 8 ' LX¡
9"
_ 2 2 SÍ Ü < 9 ~ min X¡
L(B) - { X¡ .. . x,,
O en el re to
b) En consecuencia: íÍe = - 1-
min x;
17. a) Para hallar un e tadí tico uficiente T. todo lo que teneroo que hacer e
tratar de factorizar la función de vero irrulitud en la forma:
Tenemo :
SOLUCIONES DE LOS EJERCICIOS 255
e) Planteamos la ecuación:
- 1-x
8=-
x
............... .
Por tanto: P8 (X < 1/2) =(1/2) 118 = (1/2) x'"'''
.
Nos piden:
20. a) En primer lugar hacemos notar que las probabilidades de Jo cuatro po-
sibles resultados muestrale son:
?(Mujer con ojos claros)= (1-p)q
?(Hombre con ojos claros) = pq
?(Mujer con ojo oscuros)= (1- p)(l- q)
P (Hombre con ojos o curo ) = p(I-q)
Recordemos que la función de vero irnilitud es la probabilidad, bajo los
diferentes valore de los parámetro p y q, de lo resultado mue trale
obtenido :
[(1- p)q]200[pq ]150[(1- p)(l - q)]35º [p(l - q)]JOO = p450 (1- p)550 q350 (l- q)650 =>
logL(p, q) = 450logp +550log(l- p)+350logq + 650log(] - q) =>
dlogL(p, q)
rJp
= 450 _
p
550
1- p
= º} {p = 0,45
ologL(p, q) = 350 _ 650 =O => q = 0,35
dq q 1-q
SOLUCIONES DE LOS EJERCICIOS 257
Tenemos:
P(X?. 1) = 1-P(X =O)= 1-0 1001 = 0,90.
Después, consideramos la variable aleatoria:
Entonces:
l z.,,r(l:
= ( x± X))=(*)
. .
«Error en la estunac1ón» = Za 12
Jx(l n-x) = Za12 ~p(l n- p) =
/-(-+
- X - tn-l ;u./2 _!____)
jn -- (*)
x=.!..Lx¡ =91,25
n
1"'
s 2 =-~(x;-x)
-2 1 ""2 -n(x)
=-[~x; -2
] =8,6184 ~ s=2,94
n-1 n-1
tn- 1; u. / 2 = tl9 ; 0,05 = 1,729
Tenerno , entonces:
/-(-+
- X - tn-l; a/ 2 )-<*)
,J;i.
s -
x =!I.x. =558
1
n
s2 = - 1- I.(x; -x)2 =-1-[I.x; - n(xi ]= 5220 ==> s=72,25
n-1 n-1
t,, _¡; a/2 = t4 ; 0,025 = 2,776
1= ((n-l)s (n -l)s
2
2
' 2
2
) = (**)
X ri- 1; a/2 X11- I; l-a/2
Tenemo , entonces:
/=(---+
X Y- tm+n-2; a/2 sp ~ m1 + !n ) -- (*)
262 SOLUCIONES DE LOS EJERCICIOS
S2
1 ·,
2 =-~(y¡-y) 1 " 2 -n(y)
-2 =-[~y¡ -2 ]=78,6
n-l n- l
sP2=(m-l)s~+(n-l)si =50,51 => sP=7,11
m+n - 2
tm+n- 2; a/2 = !18; 0,025 = 2,101
x= = A
556 = O 556
p 1000 '
O 03 = «Error en la estimación» =
_ ~ x(] - x) _ (O, 556)(1- o, 556) =>
- Za12 n - Za12 lOOO
Za, 2 =191 => a/2=0,0281 => a~ O 06
Por Jo tanto el nivel de confianza de la afumación 1 - a= l - O06 = 0,94.
SOLUCIONES DE LOS EJERCICIOS 263
[=(-+X-Za12 ~x(l-x))
n
. .,
«Error en 1a est:unac100» = Za, 2
~ x(l - x) = z ~ p(I - p) =
0 005
n · n
/-(---+
- X ~)-(*)
Y-tm+n-2; al 2 Sp~--;;;+-;; -
264 SOLUCIONES DE LOS EJERCICIOS
s = (m-I)st+(n-l)si = 0, 82
P m+n-2
tm +n-2; a/2 = tl9; 0 ,025 =2,093
Ahora podemos continuar:
i
(*) =(80, 02 - 79, 97 ± (2, 093)(0, 82 )~ 3 + ~) =(-0, 72; O, 82)
2 / 2
I=[ S¡ S2 . S¡
2 / s22 ) = (*)
F;,,-1; 11-l; a/2 , F.11-l ; n - 1; l-a / 2
En e te ca o, tenemos:
/-(---+
- X Y-tm +n-2: a /2 SP~;¡+-;¡
~J=(*)
S = (m-l)s¡ +(n-l)sJ = 2, 67
P m+n-2
tm+n-2; a /2 = f22; 0,025 =2,074
¡--(-+ .Jñ
X - tn- 1; a/2 S¡ )
«Error en la estimación» =
_ s1 _ ' S¡ _ S¡ _ 3 Q
- tn- l·a/2 e - Za 12 c -Zo.025 , -1,96 C $ ,2 n ~ 864,36
· ...¡ n ...¡ n '\I n '\I n
. .
«Error en la est:1mac1ón» =Za 12 ~x(l - x)
n
=z0·025 ~ fi(ln- p) =
=(l 96 ) (O, 0667)(1 - O, 0667) $ O 03 => n :2'. 266
l'l
. .
«Error en la estunac16n» = za,2 ~x(l -x) = z0 005 ~ fiCI-.f,) =
n · n
= (2,58) (0,2333)(1-0,2333) s; 0,05 => n;? 476,26
n
14. En este caso, disponemos de una mue tra aleatoria (X¡, . .. ,X) de X= «Con-
tenido en nicotina» - N(µ; a), con n = 5.
- X +
I -(- s )-
- tn- 1; a/2 .J,i - (*)
Una vez planteados todos los elemento del contraste, calculamos su ni-
vel de ignificación:
Cuando A= 0,1 tenemos que :EX; - Poisson (A= 10(0,1) = 1). Ahora
podemo continuar:
Finalmente, un libro que tiene, en general, una media de 0,2 errata por
página, e un libro para el cual Á = 0,2. La probabilidad de aceptar un libro
en estas condiciones es:
Cuando A.= 0,2 tenemos que U¡ - Poisson (A..= 10(0,2) = 2). Ahora,
podemos continuar:
Una vez planteados todos los elemento del contraste de hipótesis, po-
demos pasar a calcular las cosas que nos piden:
p p= 0.20(R) =
PP= 0•20 { «Número de peces con longitud inferior a 20 cm, entre 6»
> l} = (* *)
Pp=o.003(A) =
P p = O,ooJ { «Número de personas afectadas, entre 1000» s; 1} = (**)
Cuando p = O003, tenemos:
En nuestro caso:
l.x -10001=1995-10001= 5
s s ,JI9,6
tn - 1; a/2 -..Ín = t4; 0,025 -..Ín =2,776 .Js =5,50
(0,40)(1n-0,40)}
R= { lx-0,40l>za 12
En nuestro caso:
lx-0,40l=l.&-o,40l=l 36 -0,40l=0,04
100
(0,40)(1-0,40) (0,40)(1 - 0,40)
Za12
n
= Zo 025
· n
=
=164 (0,40)(1-0,40) =0 08
100
36 = O 2647·
x = p~1 = 136 Y-=P~2 = 152 =0 3735
, 407 '
p = m.x + ny = 0,3462
m+n
x-y = 0,2647 - 0,3735 = -0,11
pregunta que nos hacemos es: ¿Hay suficiente evidencia estadística para
concluir (al nivel de significación a= 0,05) que p 1 <p2?· para contestar a esta
pregunta, tomaremos p 1 < p 2 como hipótesis alternativa, y contrastaremos
H0 : p 1 ~ p 2 frente a H 1 : p 1 < p 2 , al nivel de significación a= 0,05.
Rechazaremos H0 i se verifica la región de rechazo:
. d - m.x+ny
sien op = .
m+n
En nuestro caso:
x = p"1 = 500
300 = O 60·
, ,
y= P2= 680 = o 68
1000 '
p = mx + ny = O, 65
m+n
x - y= O, 60- O, 68 = -0, 08
En nuestro caso:
st/si=l,18
[Fm-1; n-1 ; 1-a12, Fm-1; n-t; a12] = [Fg; 11; o,9s ~ ' 11 , o.o) ]= [ F l , Fg; 11: o.os] =
JI : 9: º·°'
[
1
Fio; 9; o.os
, Fg; u;o.os]= [3,1373
1 ;2,8962] = [0,32; 2 90)
10. Disponemos de una muestra aleatoria (X1, ••• , X'"), de tamaño m = 100, de X=
«Número de horas que sobreviven con A», y de otra mue tra aleatoria (Y1 ••• ,
Y),
11
de tamaño n = 100, de Y= «Número de horas que sobreviven con B».
s 2 1s 2 = 900000199 = 0 95
1 2 950000/99 '
[F,11- 1-t,-1· I- a/2• F,11- 1· 11- J· a12l = [F99. 99·095 • Fg9. 99·0 os l =
1 1 1 • • • 1 1 • 1
x - y =1200-1400 =-200
s = (m-l)st +(n-l)si = 900000 + 950000 = 96 6614
P m+n-2 198 '
tl98; 0,95 = -tl98; 0,05 = - t200; 0,05 = -1, 653
1 1 1 1
t198. 095 sP - +- =(-1,653)(96,6614) - + - =-22 60
· · 100 100 100 100 '
En nuestro caso:
Si =-n-1
1- L(Y; - y/ =- 1-[L y¡ - n_y2 J=1O, 80
n-1
S~ /Si =1,40
[Fm - 1; 11- t; 1-a12,F,,,-,; 11-1 ; a12l = [Pis: 15; o,9s,Fis; 15; o.os]=
=[ 1
Fis: rs; o.os
,Fis: 15: o.os]=[ 2, 4035
1 ; 2,4035] = [0,42; 2,40]
En nuestro caso:
SOLUCIONES DE LOS EJERCICIOS 279
Esto dato con ti tuyen una muestra aleatoria (D 1, ••• , D ,,), de tama-
ño n = 11, de D =X - Y. Llamaremos µ 1 a la capacidad media de agrega-
ción antes de fumar, 11-i a la capacidad media de agregación después de fu-
mar, y asumiremos que X - Y - N(µ = µ 1 - µ 2; a). La pregunta que nos
hacemos es: ¿Hay suficiente evidencia estadística (al nivel de significación
0,01) para concluir que µ 1<µ/ O lo que es igual: ¿Hay suficiente evi-
dencia estadística (al nivel de significación 0,01) para concluir queµ< O?
Tomaremos esto como hipótesis alternativa, de modo que planteamos un
contraste de H 0 : µ ~ O frente a H 1: µ < O, al nivel de significación a =
0,01.
Rechazaremos H0 si se verifica la región de rechazo:
En nuestro caso:
d = - 10,27
ld - 01 = 1- 0 171 = 0,17
t n-1; a/2 = t 9; 0,05 = 1,833
SOLUCIONES DE LOS EJERCICIOS 281
14. Di ponemos de una muestra aleatoria (X1, ••• , X), de tamaño m = 10, de X
= «Amplitud de ventana antes de la reacción» y de otra muestra aleatoria
(Y1, •.• , Y), de tamaño n = 1O, de Y= «Amplitud de ventana después de la
reacción». Asumimos que X - N(µ 1; 0'1), Y - NCfli; 0'2), y que 0'1 = 0'2•
Además, el enunciado nos informa de que las muestras on independientes
(los dato no van emparejados).
Queremos saber si hay suficiente evidencia estadí tica (al nivel a=
O 01). para afirmar que µ 1 < ~ . Tomaremos e to como hipótesis alternativa,
de modo que planteamos un contraste de H0 : µ 1 ~ ~ frente a H 1: µ 1 < ~. al
nivel de significación a= 0,01.
Rechazaremos H0 si se verifica la región de rechazo:
.R = { X- - v-;;; +-;; }
Y- < fm +n- 2; 1- aS p ~
En nuestro caso:
s;= -n-1
1-I,(y¡ - y) 2 = - 1-
n-1
[Iy¡ - ny 2 ] = 0,3518
En nuestro caso:
En nuestro caso:
. _ ~ Número de remisiones
Teruendo en cuenta que x = p = , y que
50
Za = z0 ,025 = 1, 96, tenemos que rechazaremo H0 i:
Las respuestas del examen nos proporcionan una muestra aleatoria (X1,
..., X) de X - B(l; q), de tamaño n = 100. La pregunta que nos hacemos
es: ¿Cuál es el número mínimo de pregunta aceitadas, entre las 100, para
poder afirmar (al nivel de significación 0,01) que p > 0,50? Planteada en tér-
mino de q, la pregunta ería: ¿Cuál es el número mínimo de preguntas acer-
tadas, entre la 100, para poder afirmar (al nivel de significación 0,01) que
q =3p+l > 3(0,50)+1=0625?
4 4 '
R= {x _O 625'
>
Za
(0, 625)(1- O, 625)}
100
• •
= q = Número100
A de aciertos
, y que Za= "V,01 = 2,33
7-
p =P(Po itivo) =
P(Enfermo)P(PositivolEnfermo) + P(No enfermo)P(PositivolNo Enfer-
mo)= r(0,95) + (1 - r)(0,02) = O 02 + 0,93r.
800
Zi- a = z0,99 =- 2,33, tenemo que rechazaremos H 0 si:
Número de pruebas po itivas O 094 < _2 33 (O, 094)(1- O, 094)
=>
800 ' ' 800
Número de pruebas positiva < 55,92
a) Asumimo que X - N(µ 1; CT1), Y - N(µ2; CT2) y que CT1 = CT2• Además,
podemos con iderar que las mue tras son independiente (los datos
no van emparejado ).
Queremos saber si se puede considerar estadísticamente probado (al
nivel a= 0,05) que µ 1 < ~- Tomaremo esto como hipótesis alternativa, de
modo que planteamo un contraste de H0 : µ 1 2:: ~ frente a H 1: µ 1 < µ2 , al ni-
vel de significación a= 0,05.
286 SOLUCIONES DE LOS EJERCICIOS
R={X-jkt.~-2; ,_.,, ~ ~ +H
En nuestro caso:
x - y = 14,2-15,4 =-1,2
s = (m-l)s~+(n-l)s; =Z,l 2
P m+n-2
tl8; 0,95 = -tl8; 0,05 = -1, 734
En nuestro caso:
S~ f Si= 0,56
21. Disponemos de una muestra aleatoria (X1, ••• , Xm) de X= «Cantidad de fer-
tilizante envasado con la primera máquina», de tamaño m = 10, y de otra
muestra aleatoria (Y1, • •• , Y) de Y= «Cantidad de fertilizante envasado con
la segunda máquina», de tamaño n = 10. Asumimos que X - N(A, a), que
Y - N(µ2 , a2), y que las muestras son independientes (ya que los datos no
van emparejados).
R ={ X- -
'fl:T}
Y- < tm+n- 2; 1- aSp ~ +-;;
-;;;.
x-y =29,8-30,~=-0,40
s = (m-l)s;+(n-l)si =l l 4
P m+n-2 '
t1s;o,90 =-lis; o.10 =-1, 330
t18: 0•90s P ~ = (-1,330)(1,14)~ 1~ + 1~ = -0,68
«Duración de las cintas de la marca A», y de otra muestra aleatoria (Y1 •••
Y), de tamaño n = 6, de Y= «Duración de las cintas de la marca B». Asumí-
"
mosque X - N(µ 1; a), Y - N(,µ,_; a2), y que a 1 = a2• Ademá , podemo con-
iderar que las mue tras on indepencliente (lo datos no van emparejado ).
Queremos saber i hay uficiente evidencia estadí tica (al nivel a =
0,10) para afirmar que µ 1 < µ 2. Tomaremos esto como hipóte is alternativa,
de modo que planteamos un contraste de H 0 : µ 1 ~ ~ frente a H 1: µ 1 < µ 2, al
nivel de ignificación a= 0,10.
Rechazaremo H0 i se verifica la región de rechazo:
R = { x-y
.
~ 1}
- - <t,,,+n- 2·1- a sp -+-
m n
En nuestro caso:
x -y= 238,83-241,83 = - 3
s;= -m1- -1 I(x¡ -xi= -m1- -1[Ix¡ - mx 2] = 34,88
s; = - 1- I(Y; -ji)2 = - 1-[I,y¡ -ny2 ]= 69, 70
n- l n-1
s = (m-l)s;+(n-l)s; = 7 23
P m+n-2
tJ0;0,90 = - tJ0;0,10 = - 1 372
SOLUCIONES DE LOS EJERCICIOS 289
23. a) Disponemos de una muestra aleatoria (X1, ... , Xm), de tamaño m = 10,
de X= «Puntuación de los chicos», y de otra muestra aleatoria (YL, .. .,
Y), de tamaño n = 10, de Y= «Puntuación de las chicas». Asumimos
que X - N(µ 1; CT1) , Y - NCJLi; a 2), y que al= CT2. Además, podemos
considerar que las muestras son independientes (los datos no van em-
parejados).
Queremo decidir si las aptitudes matemáticas son iguales o diferentes
en chicos y chicas (al nivel de significación a= 0,05). Para~ to, planteamos
un contraste de H0 : µ 1 = ~ frente a H 1: µ 1 '# ~. al nivel de significación a=
0,05.
Rechazaremos H0 si se verifica la región de rechazo:
En nuestro caso:
lx - yl = 189, 7 - 86 91 = 2, 8
st = - 1 - I.(x; -.x)2 = -
1-[I,x¡-mx2 ]=8,90
m-I m- 1
S2
2 1 " - 2 =1-[L,
=-L,(y¡-y) " y¡2 -ny-2 ] = 15,65
n-1 n- 1
s = (m - l)st + (n - l)sf = 3 50
P m+n - 2 '
tm+n- 2;al2 = tl 8;0,025 = 2, 1O1
4 - 1 11 1 12 - 3 - 1 - 3 5 3
{- -01 >
R = Id tn- l ;a/2
sd}
,¡;;,
En nuestro caso:
Id - 01 = 12, 8 - 01 = 2, 8
tn - l; a/2 = !9:0,025 = 2,262
s; = - 1- I(d; - d)2 = - 1- [Id;2 -nd2 ] = 28 62
n-1 n-1
tn-J· a/2
sd
r -- (2,262) fis,62. -
r;,:;; -3,83
· ~n ~10
x - y= 93 - 102 =-9
En nuestro ca o:
E to dato con tituyen una mue tra aleatoria (D 1, ••• , D,.), de tamaño n
= 10 de D = X - Y. Llamaremos µ 1 al nivel medio de cole terol ante de la
dieta, /1i al nivel medio de cole terol de pué de la dieta, y asumiremos que
X - Y - N(µ = µ 1 - µ 2 ; a").
Queremo estudiar i re ulta aceptable que µ 1 = tii (al nivel de ignifi-
cación O05)· o lo que es igual, queremo ver si no parece aceptable queµ
= O (al nivel de ignificación 0,05). Para e tudiar esto, planteamos un con-
traste de H0 : µ = Ofrente a H 1: µ -:t:- O, al nivel de significación 0,05.
Rechazaremos H0 i e verifica la región de rechazo:
En nue tro ca o:
ld-01=1- 5 51=5,5
t,, _ J; a /2 = !9; 0,025 =2,262
sd= /_I_'i,(d;-d)2 = - 1- [í.d(- nd2 ] = 10,78
i n-1 n- 1
sd 10 78
t11 _ 1. a 12 e =(2,262) r.n =7,71
· vn vlO
No e verifica la condición de la región de rechazo y nuestra conclu ión
e:
SOLUCIONES DE LOS EJERCICIOS 293
En nuestro caso:
(O, 90)(1- O, 90) _ (O, 90)(1- O 90) _ (2 58) (O, 90)(1- O, 90) = O 055
Za12 - Zo.oos - ,
n n 200 '
x - O 05 = p~ - O 05 = 2!!._ _ O 05 = - O 0055
' ' 1124 ' '
(0,05)(1- 0,05) (0,05)(1- 0,05) =-2,33 (0,05)(1- 0,05) = - 0 0151
z,-a n = Zo,99 n 1124
SOLUCIONES DE LOS EJERCICIOS 295
30. Disponemos de una muestra aleatoria (X1 ••• , Xm) de X= «Cantidad de re-
iduos químicos encontrados en pelícanos jóvenes», de tamaño m = 10, y de
otra muestra aleatoria (YI' .. ., Y) de Y= «Cantidad de residuos químicos en-
contrado en polluelos», de tamaño n = 13. Asumimos que X - N(µl'a1),
que Y - N(µ2 0'2), y que las muestras son independientes (ya que los datos
no van emparejados).
R={x-y>tm+n-2;asp ~ ~ +;}
296 SOLUCIONES DE LOS EJERCICIOS
10. Contrastes x2
1. Di ponemos de una mue tra aleatoria de n = 300 lanzamiento de un dado.
Los posibles resultados de estos lanzamientos on: 1, 2, 3, 4, 5 y 6.
Para decidir si el dado e regular o no, llevamo a cabo un contraste de
bondad de ajuste, al nivel de significación a= 0,05:
A. 1 2 3 4 5 6
O.1 43 49 56 45 66 41
e.1 50 50 50 50 50 50
e.1 = nP(A.)
1
=300(1/6) =50.
Rechazaremo H0 i e verifica la región de rechazo:
SOLUCIONES DE LOS EJERCICIOS 297
En nuestro caso:
En nuestro caso:
e.1 = nP(A.)
1
= lOOOP(A 1.),
y los valores de P(A) e han calculado a partir del modelo genético pro-
puesto, tomando q = 0,087.
Rechazaremos H0 si e verifica la región de rechazo:
R= {I, ( O; - ef > X2
e.
1
k-J - r ; a
}
SOLUCIONES DE LOS EJERCICIOS 299
En nuestro caso:
Las dos últimas clases las hemos agrupado para evitar frecuencias de-
masiado bajas.
Para decidir si el número de llamadas por minuto sigue una distribución
de Poisson, llevamos a cabo un contraste de bondad de ajuste, al nivel de
significación a= 0,05 (por ejemplo):
e.=
1
nP(A.)
l
= 120P(A.),
l
R= {r ( O; - e¡)2 > X2
e. k- 1- r ; a
}
'
En nuestro caso:
xt-1-ra
'
== xi-o
. ' 05 =9,488
Por lo tanto, no e verifica la condición de la región de rechazo, y nues-
tra conclusión es:
A B e
Mujere 340 400 260
Hombres 350 270 380
(O.. -e .. ) 2 2 }
R ={ L¡Lj IJ IJ > X ck-l)(p -1); a
e;j
En nuestro caso:
O A B AB
Comunidad 1 121 120 79 33
Comunidad 2 118 95 121 30
e .. o A B AB
Comunidad 1 117,67 105,85 98,47 31,02
Comunidad2 121,33 109,15 101,53 31,98
(0..-e ..)2 2 }
R ={ L; Lj 11 11
> X (k- l )(p- 1); a
eü
En nuestro caso:
A. o A B AB
O.1 121 120 79 33
P(A) 0,3367 0,3469 0,2310 0,0854
e.1 118,86 122,46 81,54 30,15
SOLUCIONES DE LOS EJERCICIOS 303
e.=
J
nP(A.)
1
= 353P(A.),
1
y los valores de P(A) se han calculado a partir de] modelo genético pro-
puesto, tomando p =0,2465 y q =O, 1732.
En nuestro caso:
En nuestro caso:
l.x - yl = 142,59-21,591= 21
s = (m - l)st+(n - l)s; = 4 , 42
P m + n-2
t,,,+11-2; a /2 = t l 4; 0,025 = 2,145
{-
R = d -O> tn- l;a
sd}
.Jii
SOLUCIONES DE LOS EJERCICIOS 305
En nuestro caso:
J =3,225
tn - 1; a = t 1; 0,05 = l, 895
2 1 - 2 1 2 -2
sd = - I ( d1 -d) = - [ I d1 -nd ]=173,53
n-l n-l
e) Disponemos de una muestra aleatoria den= 100 días, en los cuales re-
gistramos el número de accidentes que se han producido. El número de
accidentes diarios lo clasificamos en las siguientes clases:
Las tres últimas clases las hemos agrupado para evitar frecuencias de-
masiado bajas.
Para decidir i el número de accidentes diarios sigue una distribución de
Poisson, llevamos a cabo un contraste de bondad de ajuste, al nivel de sig-
nificación a= 0,05 (por ejemplo):
A 1. {O} { 1} {;;;: 2}
O.r 57 30 13
P(A r.) 0,5488 0,3293 0,1219
e.r 54,88 32,93 12,19
donde las frecuencias esperadas, bajo H0, han sido calculadas de la si-
guiente forma:
e., = nP(A.)
1
= IOOP(A.),
r
R= {r (O; - e, )2 > X2
e.
1
k-1- r ; a
}
En nuestro caso:
R= { L(O¡-e¡)2 >X2 }
e. k-l ;a
1
En nuestro caso:
A. L M N
O.1 10 50 40
P(A) 0,09 0,49 042
e, 9 49 42
308 SOLUCIONES DE LOS EJERCICIOS
e.=
1
nP(A.)
1
= IOOP(A.),
1
En nuestro caso:
xL-ra. = Xt.oos
'. =3,841
(O .. -e.. )2 2 }
R ={ L¡Lj l) l) > X ck- L)(p-l);a
eii
En nuestro caso:
O.1
Menos de 6 Entre 6 y 8 Má de 8
Monte 1 20 17 13
Monte 2 12 20 8
310 SOLUCIONES DE LOS EJERCICIOS
(0. . -e .. )2 2 }
R = { L; Li IJ e,j
11
> X (k-l J(p-l ); a
En nue tro ca o:
12. Disponemo de una muestra aleatoria den= 297 paciente de SIDA cla i-
ficado según dos características: «Posible presencia de anticuerpos TAT» y
«Po ible sarcoma de Kaposi».
Para decidir si existe relación entre e ta dos caracteásticas, planteamos
un contraste de independencia al nivel de ignificación a= 0,05:
O .. Sarcoma No sarcoma
Con anticuerpos TAT 10 21
Sin anticuerpos TAT 68 198
SOLUCIONES DE LOS EJERCICIOS 311
e .. Sarcoma No sarcoma
Con anticuerpos TAT 8,14 22,86
Sin anticuerpos TAT 69,86 196,14
(O .. - e..) 2 2 }
R = { L;L¡ 11
'' > X (k-l)(p - 1); a
e¡¡
En nuestro caso:
e..
1
Bajo Medio Alto
Superior 21,75 39,73 54,52
Media 43,50 79,46 109,04
Primaria 9,75 17,81 24,44
(0.. -e .. )2 2 }
R = { Li; L, j IJ I) > X ck-l )(p-l);a
eij
En nuestro caso:
A. o 1 2 3 4 5 ~6
O; 28 49 51 34 28 5 5
e.1 27,06 54,14 54,14 36,08 18,04 7,22 3,32
En nuestro caso:
[ l
2,6591
; 2,6591] ~ [0,38; 2,66]
En nuestro caso:
s = (m-l)st+(n-l)si = 2 , 05
P m+n-2
t48;0,05 = t50;0.05 = 1,676
Para decidir si las dos razas son similares en lo que se refiere a su con-
tenido en proteínas, planteamos un contraste de homogeneidad, al nivel de
significación a= 0,01 :
O ..
1
Muy bajo Bajo Medio Alto Muy alto
RazaA 7 16 32 18 6
RazaB 10 20 40 20 12
(o. - e··11 )2 }
R = {L¡L j
2
IJ > X (k- l)(p- l ); a
eü
En nuestro caso:
16. Disponemos de 3 muestra aleatoria (con 200 dato cada una) obre lo re-
ultados de la germinación con 3 producto diferente . El número total de
datos es n = 600.
Para decidir i los porcentaje de germinación on lo mi mos (es decir,
son homogéneos) con los tres productos, planteamos un contraste de ho-
mogeneidad, al nivel de significación a= 0,05:
H0 : «Los porcentajes de germinación son homogéneos»
H,: «Lo porcentajes de germinación no son homogéneo »
La tabla de frecuencias observadas es:
O; Germinadas No germinadas
A 190 10
B 170 30
e 180 20
er Germinadas No germinada
A 1O 20
B 180 20
e 180 20
En nue tro ca o:
De0a4 De 4a7 De 7 a 10
Grupo 1 38,57 46,14 19,29
Grupo 2 37,83 45,25 18,92
Grupo 3 25,59 30,61 12.80
(0..- e..)1 2 }
R = { L.¡L j IJ IJ > X cH)(p-1): a
eij
318 SOLUCIONES DE LOS EJERCICIOS
En nuestro caso:
Aceptamos H0 :::::} Podemos aceptar que los tres grupos son homogéneos
en sus calificaciones (al nivel de significación 0,05).
18. a) Disponemo de una muestra aleatoria den= 78 cm.3, en los cuales re-
gistramos el número de virus obtenidos. El número de virus obtenidos
lo clasificamos en las siguientes clases:
{O} {l} {~ 2}
Las tres últimas clases las hemos agrupado para evitar frecuencias de-
masiado bajas.
Para decidir si el número de virus por cm. 3 sigue una distribución de Pois-
son, llevamo a cabo un contra te de bondad de ajuste, al nivel de signifi-
cación a= 0,01:
A. {O} {1} {~ 2}
O; 45 24 9
P(A.) 0,5488 · 0,3293 0,1219
e.1 ' 42 81 25,69 9 51
R={L(O¡-e¡)2 >X2 }
e. k- l- r;a
1
En nuestro caso:
Aceptamos H0 => Podemos aceptar que el número de virus por cm. 3 si-
gue una distribución de Poisson (al nivel de significación 0,01).
Las cuatro últimas clases las hemos agrupado para evitar :frecuencias de-
masiado bajas.
Para decidir si el número de defectos congénitos sigue una distribución
de Poisson, Uevamo a cabo un contraste de bondad de ajuste, al nivel de
significación a= 0,01 (por ejemplo):
320 SOLUCIONES DE LOS EJERCICIOS
A. {O} { 1} {~ 2}
84 9 7
0,7408 0,2222 00370
74,08 22,22 3,70
R={~(O;
,L.,
-e,.)2 >X2 . }
lc- 1- r.a
e,.
En nue tro ca o:
e.=
1
nP(A.)
1
= lOOP(A.), 1
En nuestro caso:
Las tres últimas clases las hemos agrupado para evitar frecuencias de-
masiado bajas.
Para decidir si el número de accidentes diarios sigue una distribución de
Poisson llevamos a cabo un contraste de bondad de ajuste al nivel de sig-
nificación a= O, 10:
e.t = nP(A.)
t
= 200P(A.),
1
R ={"'
.t.J
(O¡ - e¡)2 > X2k-1-r; cr }
e;
En nuestro caso:
(0.. - e .. )2 2 }
R = { L¡L j ') eij I) > Xck- l )(p-l);a
En nuestro caso:
cov
.x; /J, = b cov X, Y
A
/30 = a= y- ----5.1.
A
=--
vr vx
x = 1,46; y= 1,02
vr = !rr. x;- nx2 ] = 0,029
n
SOLUCIONES DE LOS EJERCICIOS 325
. = .!.[LX;Y;
COY x Y
n - nxy] = -0, 038
Por tanto:
A A
y=/30 +/31x=l,02-
-o' 038 (1,46)+ -O' 038 x=2 93-1,31x
0,029 0,029
En nuestro caso:
s~ = -n -2
1 - I(y; -y¡) 2 = 0,006
A
[
-
- [ A
- t,,_2;a/2 s.R
Yo + .!. + (x0 -.x) 2 ] -
-
n nvx
/3",_- b
_ COY
---
x, y
v.,,
En nuestro caso:
x= 4; y= 5,79
v.,,= .!..[I,x¡- n.x2 ]= 6,67
n
vy = .!..cr.
n
y¡- ny 2] = 0,628
COVx
.
y= .!..[L
n
X¡y¡- nxy]= 2,04
Por tanto:
b) Ahora tenemos que deshacer los cambios para obtener el modelo de re-
gre ión exponencial que realmente nos interesa:
En nuestro caso:
/31 -1
0,31
SR~l/(nv.,,) - .Jo,0052.J11(9)(6,67)
33,31
Rechazamos H0 ~ Aceptamos H 1 ~
Podemos concluir que /31 '* O (al nivel de significación 0,05).
En nuestro caso:
x=19,5; J=37,37
1 - 2 ]=8
vx=-[Lx(-n.x
n
vy = .!_[L y( - ny2]= 22,61
n
COV x,y = .!_[L X;Y;- nxy]= 12,91
n
Por tanto:
r. = covx,y = 12,91 =o 96
x,y ~ vxvy ..j(8)(22,61) '
Este valor es muy próximo al, lo cual indica que el modelo de regresión
lineal es muy adecuado para predecir la longitud en función de la anchura.
_ ¡ ~"'
_
R - F - ~~,
e- -
L,¡=¡n¡ X¡. - X ..)2
m-1
~n 1 ( ••
L,,=1 L,1= 1 x,1
n- m
_ - .
x ,_
)2
>
F:n-l; n- m;a
¡
En nuestro caso, tenemos:
~m -
-
X .. --
L,i= I lt¡X¡ 3 14
· -- '
n
I.;: 1 n;(x;.- x_.)2 = 368,80
I.;: 1 I,1~1(x;¡ - x;) = I;: 1(n; -
2 l)s( = 1669,17
Suma de Cuadrado
Fuente de variación cuadrados G.l. medio Estadístico
Entre grupo 368,80 5 73,76 F= 92,54
Dentro de lo grupo 1.669,17 2.094 0,7971
Total 2.037,97 2.099
X o 1 2 3 4 5 6 7 8 9
Y 26 3 26,1 24,7 22,8 22,1 20,4 19,0 17,7 19,3 17,5
11. _ _ COV x, y
/JI - b- - -
Vx
En nuestro caso:
x=4,5; y= 21,59
vx = .!..[L x¡- nx 2 ] = 8,25
n
Vy = .!..u::. y¡- ny 2 ]= 9,91
n
COV x Y=
•
.!..r:r.
n
X ;Y; - nxy] = -8, 74
Por tanto:
" " -8 74 -8 74
y= /30 +/31x =21,59- - ' - (4,5)+ - ' -x= 26,36 - 1,06x
· 8,25 8,25
R={ SR"11f(nvx)
/3, <t 11-2;1- a
}
330 SOLUCIONES DE LOS EJERCICIOS
En nuestro caso:
s; =_!_
n- 2
I.(y¡ -y¡) 2 = 0,81
A cov x,y
/31 = b = - -
vx
En nuestro caso:
.x= 13; y= 51
vx = .!._[I.
n
xt- n.x J= 9 2
vy = .!._[L l - ny 2 ] = 137,33
n
cov x
. >' = n.!.rr X¡Y; - nxy] = 33,33
Por tanto:
33,33 33,33
y= /30 + /31x
A A
En nuestro caso:
R= {F=
~"' e- - )2
_¿,,i=lni X¡.-X •.
~ '." ~~¡ (
m-1
.. _ - . )2
¿,,= J _¿,, ¡ = I XIJ X,.
>F
m- l ;n- m;a
¡
n-m
332 SOLUCIONES DE LOS EJERCICIOS
Suma de Cuadrado
Fuente de variación cuadrados G.l. medio E tadístico
Entre grupo 6,0815 3 2,0272 F= 76115
Dentro de lo grupo 0,3995 15 0,0266
Total 6,4810 18
~i=t
~m e- -
n,. x,.. - x .. )2 )
(
R= F = ¿"' ¿''.~(l.--.)2 >F,n- 1:n-m;a
r=l J= I X'l X, .
n- m
Suma de Cuadrado
Fuente de variación cuadrados G.l. medio Estadístico
Entre grupos 10,93 3 3,64 F= 0,72
Dentro de los grupos 1.785,17 351 5,09
Total 1.796,10 354
Fm- l· n-m·a
1 ,
= F:i-351· 0 05 ~ F:i-=· O 05 =2,6049
1 , 1 t t t
En nuestro caso:
x- y=33 - 30 = 3
s = (m - l)s~ + (n - l)s; = 11 08
P m+n - 2 '
t l32; 0,IO ~ tl 00; 0,10 = 1,290
_{ _ ·
R- F -
""'m eX¡- . - X-.. )2
"'-i=Jni
°"'~' °"'~
"'-1=1 "'-J=I
m-1
1 ( .. _
x,J
- .
X,.
)2
>F
¡
m- l;n- m;a
· n-m
""'"i=I' n;X¡_-
x = "'- 27,43
.. n
I;: 1 n;(x;. - x.i = 298,57
I ;'! 1 LJ'.= 1(x¡¡ - X¡_)2 = I ;'! 1(n¡- l)s¡ =3890
Suma de Cuadrado
Fuente de variación cuadrados G.l. medio Estadístico
Entre grupos 298,57 ' 2 149,3 F= 1,23
Dentro de los grupos 3.890 32 121,56
Total 4.188,57 34
Fm- l"n-
t m·r a =fi -32· 0 05 ~ Jii-30· 0 05 =3,3158
1 1 , 1 J l
cov cov
/3,-
A A
x= o,4951; y= 11,876
v_. 1 ~ 2 -nx-2 ]= 0,0o38
= -["-'x;
n
vy = !cI.
n
y;- ny = 0,5310
2]
Por tanto:
En nuestro caso:
/3, 10,76 = 5 52
(O, 38).Jl /(10)(0, 0038)
t,,_2; a = ts;0.01 = 2,896
¡
R= F =
"m e- - )2
ki= l n i X¡.-X . .
¿,'." L,~~(~.--. )2
r= I J= I X,1 x,.
>Fm- 1:n- m;a
¡
n-m
-
X
-
.. -
"'" -
k¡: ¡ n¡X¡ . - 113
- '
n
I.;: 1 n;(x;. - x_.)2 = 7,81
I.;: 1 I. 1~1(xij - x;,) 2 = I;: 1(n; - l)s¡ = 1,0343
Suma de Cuadrado
Fuente de variación cuadrados G.l. medio Estadístico
Entre grupos 7,81 2 3,9050 F= 109 38
Dentro de los grupos 1,0343 29 0,0357
Total 8,8443 31
338 SOLUCIONES DE LOS EJERCICIOS
/3"i_- b
_ COV
---
x ,y
vx
En nuestro caso:
x= 0,325; y= O, 755
vx = .!:.n [I x¡- nx 2] = o, 0206
vy = _!:_[L yt- ny2 ] = 0,0372
n
cov x
.
Y= .!.[L
n
X;Y; - nxy] = -0,0271
Por tanto:
En nuestro caso:
/31 = - 1, 32 = - 13 31
SR -Jll(nvx) (0, 045),Jl/(10)(0,0206) '
t n-2: l-cr = ts;0.95 = - ts:0,05 = -1,860
Por tanto, se cumple la condición de la región de rechazo, y nuestra con-
clusión es:
13. a) Disponemos de una muestra aleatoria (X1, ... , X), de tamaño m = 10,
de X = «Peso de varones adultos de A», y de otra muestra aleatoria (Y1,
... , Y), de tamaño n = 12, de Y= «Peso de varones adultos de B». Asu-
mimos que X - N(µ 1; o) Y - N~; a 2) y que a 1 = a2• Además, po-
demos considerar que las muestras son independientes (lo datos no van
emparejados).
Queremos saber si se puede considerar estadísticamente probado (al
nivel a= 0,10) que µ 1 < ~- Tomaremos esto como hipótesis alternativa, de
modo que planteamos un contraste de H 0 : µ 1 ~ ~ frente a H 1: µ 1 < ~. al ni-
vel de ignificación a= 0,10.
Rechazaremos H 0 si e verifica la región de rechazo:
x - y= 70 5 - 71 = -0,5
s = (m - l)s¡ + (n - I)s; =2 70
P m +n - 2 '
t20; 0,90 = - t20; 0,10 = - 1,325
{
R = F=
,~,.
"""' e- - )
¿,,i= lni X ¡,- X .. 2
~~,
m (- l.. _ -. )2 >F111- l; ll- m; a
¿,,,= I ¿,,1= 1 XIJ X ,.
¡
n- m
"'C"m -
x = _¿_, i= 1 n ;X ;. 71, 2826
.. n
r ~:.n¡(x¡_ - x.) = 226,8261
2
Suma de Cuadrado
Fuente de variación cuadrados G.l. medio E tadí tico
Entre grupos 226,8261 3 75 6087 F= 10,34
Dentro delo grnpo 307,2 42 7,3143
Total 534,0261 45
TABLA 1
Distribución binomial B(n; p)
20 0,9801 0 ,9026 0,8100 0,7225 0,6400 0,5625 0 ,4900 0,4444 0 ,4225 0 ,3600 0 ,3025 0 ,2601 0, 2500
1 0 ,0198 0,0950 0,1800 0 ,2550 0 ,)200 0,3750 0.4200 O,HH 0 ,4550 0 ,4800 0 ,4950 0,4998 0,5000
2 0,0001 0 ,0025 0,0100 0,0225 0,0400 0,0625 O.O'IOO 0.11 11 0 .1225 0.1600 0,2025 0 ,2401 0,2500
30
1
0,970l
0,0294
0.8574 º·
72'1()
0,1)54 0 ,2430
0 ,6 141
0 ,3251
0 ,5120
0,3840
0.4219
0,4219
0 .1410
0,4410
0.296J
0,4444
0,2746
0,4436
0,2160
0,020
0,1664
0,4084
O, ll27
O,l8H
0,1250
0,3751
2 0,0003 0.0071 0,0270 0,0574 0,0960 0,1406 0 , 1890 0 ,2222 0,2J~g 0,2880 O,H41 0,3674 0,1150
3 0,0000 0 ,0001 0,0010 0.0034 0,0080 0,0156 0.0270 0 .0l70 0,0429 0,0640 0,0911 0,1176 0,1250
40 0,9606 0,8145 0 ,6561 0,5220 0,4096 0,3164 0.2401 o,1g15 0, 1785 0. 12'16 0,0915 · 0 ,0677 0.062S
l 0,0388 0. 1715 o,2g16 0 ,)685 0 ,4096 0,4219 0,4116 0 ,195 1 0,3845 0,)<56 0,2995 0 ,2600 0,2SOO
2 0,0006 O,Oll5 0,0486 0 ,0975 0 , 1516 0,2109 0,2646 0.296} 0,310 5 0,;456 0,)675 0,3747 O,l750
3
4
0,0000
0,0000
0.0005
0,0000
0,0036
0,0001
0,0115
0,0005
0 .0256
0,0016'
0 ,0469
0,00)9
0,0756
0,0081
0,0988
0.012)
º· 111 5
0,0150
0,15)6
0,0256
0,2005
0,0410
0,2400
0 ,0516
0,2500
0 .0625
so 0.95 10 0,77)8 0,5'l05 0,44)7 0 ,)277 0.2l73 0,1681 0,1)17 0 ,1160 0,0778 U.OSOl O,OH5 Ó,0)12
l 0,0480 0 .2036 0, )280 0,)915 0 .4096 0 ,3955 0.3602 0.32'12 0 ,3124 0,2592 0 .2059 0,1657 0 ,1562
2 0,0010 0,02 14 0,0729 0,1)82 0,2048 0 .2637 0 ,3087 0 .}292 o ,; J64 0,3456 0 .3169 o.11ss 0.3125
J 0 ,0000 0,0011 0,0081 0,0244 o.Os12 0 .0879 O, ll2J 0, 1646 0. 1~11 0,2)04 0,2757 0 ,3060 0,)125
4 0.0000 0.0000 0.0004 0,0022 0,0064 0,0146 O.o284 0,04 12 0 .041!8 0,0768 0, 1128 0 , 1470 0,1 562
5 0.0000 0,0000 0.0000 0 ,0001 0,0003 0,0010 0,0024 0 .004 1 O.OOSl 0 .0102 0 .0185 0 ,028:Í 0.0312
60 0,9415 0,7J51 0,5}14 0 ,3771 0 ,2621 0,1780 0,1 176 o .08711 0,0JS4 0,0467 0,0277 0 ,0176 0 ,0 156
l 0,0511 0,232 1 O,l54l 0,399) 0,19}2 0,)560 0.1025 0,2614 0,2H7 0,1866 0, 1359 0 ,1014 0 .0938
2 0,0014 O.OJOS 0,0984 0,1762 0,24n o.2966 0,12(1 0 ,}292 O,l 2RO 0.}110 0,2780 0 ,2417 0 .2J«
J 0,0000 0.0021 0,0146 0 .0415 0.0819 0,ll18 0,1852 0,2195 0 ,2155 0,2765 0,)0l2 0.112 1 0,)125
4 u.0000 0 ,0001 0,0012 0,0055 0 ,0 154 o.ono 0,0595 0 .0823 0 ,0951 O, ll82 0, 11161 0 .2249 0,2)44
s 0,0000 0.0000 0,0001 0,0004 0 ,0015 0,0044 0.0102 0 .0165 0,0205 0,0:169 0 ,0609 0 ,0864 0,0918
6 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0 ,0014 0 ,0018 0 :0041 0,008) 0 .0119 0 ,0 1$6
- --
70 0,9121 0.6981 0.4781 0.1206 0.2097 -O, UJ5 0 ,0824 O,OS8S 0,0490 0.02110 0,0152 O.OO'lO 0 .0078
1 0 ,0659 0 ,2573 0,17200,3960 0,,3670 O.l115 0.2471 0,2048 0,1848 0 ,1306 0,0872 0 ,0601 0,0541
2 0.0020 0 ,0406 ,0 ,1140
0,2097 0 ,275} O,JI 15 0,)177 0 ,1073 0 .2985 0,2613 0,2140 0 .1 740 0 ,1641
3 0,0000 0,0036 0,02300 ,0617 0 ,1147 0,1730 0 ,2269 0 .2561 0,2679 0 ,2903 0 , 19 18 0,2786 0 ,27l4
4
5
0,0000
0.0000
0 ,0002
0 .0000
0,0026
0,0002
0 ,0109
0,0012
0 ,0287
0,0041
0,0577
0,0115
0 ,0972
0.0250
0.1280
0 ,0)84
º·
1442
0.0466
0, 19)5
0 ,0774
0 ,2388
0,1 172
0,2676
0 ,1 54]
0 ,27)4
0, 1641
6 0,0000 0,0000 0,00000 .0001 0,0004 O,OOIJ 0,0016 O,OOl>4 0,00,.4 0 ,0 17Z 0,0320 0,0494 0 ,0547
7 0 ,0000 0 ,0000 0,0000 0,0000 0.0000 0 ,0001 0.0002 0 ,0005 0,0006 0,0016 0,0037 0 .0068 0,0078
8 O 0,9121 0,6614 0;4105 0 ,2125 0 ,1678 0,1001 0,0576 0 ,0190 0,0}19 0 ,0 168 0,0084 0 ,0046 0 ,0019
1 0 ,0746 0,2791 O,JS26 0,1847 O,H55 0,2670 0 , 1977 0,1561 0 , l l7l 0 .0896 0,0548 0,0352 0.01 12
2 0,0026 0,05 15 0,1488 0,2)76 0,2916 O,l1U 0,2965 0.27J 1 0 ,2;5 7 0,2090 0, 1569 0 ,118) 0.1094
J 0 ,0001 0,0054 o.om 0 ,0839 0,1468 0 ,2076 0,25(1 0,2711 0 .2786 0,2787 0 ,2568 0,2271 0 ,2188
4 0,0000 0 .0004 0,0046 0,0185 0 ,04S9 0 ,0865 O, ll61 0 ,1707 0, 1875 0,2122 0,2627 0 ,2730 0 ,2JJ4
s 0,0000 0 ,0000 0,0004 0,0026 0 .0092_ 0,02;1 0,0467 0,9683 0 ,0808 0 ,12l9 0,1719 0,2008 0 ,2 1811
6 0,0000 0.0000 0,0000 0.0002 0 ,0011 0,0038 0.0100 0,0171 0.02 17 0,041} 0,070) 0 ,1008 0 ,1094
7 0,0000 0.0000 0,0000 0,0000 0,0001 0,0004 0,0012 0,0024 O,OOJJ 0,0079 0,0164 0,0277 0.0) 12
8 0 ,0000 0,0000 0,0000 0,0000 0 ,0000 0,0000 0 ,0001 0,0002 0,0002 0,0001 0,0017 o.oon 0 .0039
99 0,9115 0 .6l02 0,1874 0,2116 O,IJ42 0,07,t 0,0404 0 ,0260 0 ,0207 0,0101 0,0046 0,0021 0.0020
f 0,08l0 0,2985 0,)874 0,)679 0,3020 0 ,22Sl 0,1556 0 , 11 71 0 ,1004 0,060S 0 ,0139 0.0202 0,0176
2 0,0034 0 ,0629 0,1722 0,2597 0,3020 0,lOOJ 0,2668 0 ,234 1 0 ,2 162 0,1612 0,1 110 0,0776 omo;
.; 0 ,0001 0,0077 0 ,0446 0,1069 0 , 1762 0,2136 0,2668 0 ,273 1 0.2716 0,2508 0 ,2119 0 ,1739 0 ,1641
4 0,0000 0,0006 0,0074 0,028} 0,0661 0 ,1168 0,1715 0,2048 0,2194 0,2508 0,2600 0,2506 0 ,2461
s -0.0000 0 ,0000 0,0008 0 ,0050 0,0 165 0,0389 0,01l5 0,1024 0 , 1181 0, 1672 0,2128 0 ,2408 0 ,2461
6 0,0000 0,0000 0.0001 0,0006 0 .0028 0 .0087 0.0210 0.0341 0 ,04 24 0.0741 0,1160 0, 1542 0 ,1641
7 0 .0000 0 ,0000 0,0000 0 ,0000 0,0001 0,0012 Q,0019 0 ,0071 0,0098 0 ,0212 0.0407 o.0636 0,07Ql
8 0.0000 0,0000 0.0000 0,0000 0,0000 0 ,0001 0,0004 0,0009 O,OO l l 0,00)5 0,008) 0,015l 0,0 176
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0 ,0000 0 .0001 0,0001 0 ,0001 0,0008 0 ,0016 0 ,0020
10 O 0,90« M987 0,3487 0,1969 0. 1074 0 .056l 0 ,0282 0,017J 0 ,0IJS 0.0060 0,0025 0,0012 0 .0010
1 0 ,0914 0,)151 0,)874 0,)474 0,2684 0,1877 0,1211 0.0867 0,0725 0,040) 0,0207 0 ,0114 0,0098
:z 0,0042 0,0746 0, 1937 0,2759 0,3020 0 ,2816 0,2ll5 0, 1951 0,1157 0,1209 0,016) 0 ,0495 0,0439
J 0 ,0001 0,0105 0,0574 0,1298 0 ,201) 0,250) 0 ,2668 0 ,2601 0,2522 0,2150 0,1 665 0, 1267 0,1172
4 0,0000 0 ,0010 0.0112 0,0401 0.0881 0 , 1460 0.2001 0 .2276 0.2J77 0,2508 0,2384 0,2130 0,2051
5 0,0000 0,0001 0,0015 0,0085 0 ,0264 0 ,0584 0 , !029 0.1366 0, 1516 0 ,2007 0,2l40 0 ,2456 0 ,2461
6 0,0000 0 ,0000 0,0001 0 ,0012 0,0055 0,0162 0 ,0168 0,0569 0 ,0689 O, I I IS 0 ,1596 ll,1966 0,20Sl
7 0,0000 0,0000 0.0000 0.0001 0.0008 0 ,0031 0,0090 0.016l 0,0212 0,0425' 0,0746 0, 1080 0.1172
8 0 ,0000 0,0000 0,0000 0,0000 0,0001 0 ,0004 0 ,0011 0 .0010 0 ,0043 0 ,0106 0,0229 0,0189 0,0439
9 0,0000 0,0000 0,0000 0,0000 0 ,0000 0 ,0000 0 ,0001 0 ,0001 0.0005 0.0016 0,0042 0 ,008) 0,0098
10 0,0000 0 ,0000 0,0000 '0.0000 0.0000 0 .0000 0,0000 0,0000 0 ,0000 0,0001 0 ,0001 0_:_0008 0 ,0010
346 TABLAS
TABLA 2
Distribución de Poi on P(..l.)
Jk
P(X = k)=e- i -
k!
2 3 4 5 6 7 8 9 10 ll 12
14 15 16 17 18 19 20 21 22 23 24
TABLA 3
Distribución normal N(O; 1)
J.,.--=-
t
1
./ 2rr
e-•'Jl dz=oc
"'
0,4960
º·º
0,1
0,5000
0,4602 0,4562
0,4920
0,4522
0,4880
0,1483
0,4840 0,4801 0,4761 0,4721
0,4443 0,4404 0,4364 0,4325
0,4681
0,4286
0,4641
0,4247
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 · 0,3974 0,3936 0,3897 0,3859
0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
1,1 0,1357 0,1335 0,1314 0,]292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869. 0,0853 0,0838 0,0823
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
1,5 0,0668 0,0655 0,0643 0,0630 0.0618 0,0606 0,0594 0,0582 0,0571 0,0559
1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
1,7 0,0446 0,0436 0,0427 0,0418 . 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
1.9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2.3 0,0107 O,OI04 0,0102 0.00990 0,00964 0,00939 0,00914 0,00889 0,00866 0,00842
2,4 0,00820 0,00798 0,00776 0,00755 -0,00734 0,00711 0,00695 0,00676 0,00657 0,00639
2,5 0,00621 0,00604 0,00587 0,00570 0,00554 0,00539 0,00523 0,00508 0,00494 0,00480
2,6 0.00466 0,00453 0,00440 0,00427 0,00415 0.00402 0,00391 0,00379 0,00368 0,00357
2,7 0,00347 0,00336 0,00326 0,00317 0,00307 0,00298 0,00289 0,00280 0,00272 0,00264
2,8 0,00256 0,00248 0,00240 0,00233 0,00226 0,00219 0,00212 0,00205 0,00199 0,00193
2,9 0,00187 0,00181 0,00175 0,00169 0,00164 0,00159 0,00154 0,00149 0,00144 0,00139
Za 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
3 0,00135 0,01968 0,03687 0,01483 0,03337 0,03233 0,01159 0.01108 0,04723 0,04481
4 0,0 4317 0,04201 o,0•133 o,os354 o,os541 0,05340 o,os211 0,05130 0,06793 0,08479
5 0,06287 0,06170 0,07996 0,01579 0,07333 0,07190 0,01107 0,0!599 0,01332 0,0ª182
6 0,09987 0,09530 0,09282 0,09149 0,010777 0,010402 0,0 10206 0,010104 0,0 11 523 0,0 11260
348 TABLAS
TABLA 4.
D istribución r de Pearson
o x!a: X
~ 0,995 0,99 0,98 0,9i5 0,95 0,90 0,10 0,05 0,025 0,02 O,oJ
1 0,()-1393 0,03157 O,Q.l628 0,0.;982 0,00393 0,0158 2,706 3,841 5,024 5,412 6,635
2 0,0100 0,0201 0,0404 0,0506 0,103 0,211 4,605 5,991 7,378 7,824 9,210
3 O,Oil7 0,115 0,185 0,216 0,352 0,584 6,251 7,815 9,348 9,837 11,345
4 0,207 0,297 0,429 0,484 0,711 1,064 7,779 9,488 11,143 11,668 13,2i7
5 0,412 0,554 0,752 0,831 1,145 1,610 9,236 11,070 12,832 13,388 15,086
6 0,676 0,872 1,134 1,237 1,635 2,204 10,645 12,592 14,449 15,033 16,812
7 0,989 1,239 1,564 1,690 2,167 2,833 12,017 14,067 16 013 16,622 18,475
8 1,344 1,646 2,032 2,180 2,733 3,490 13,362 15,507 17,535 18,168 20,090
9 1,735 2,088 2,532 2,700 3,325 4,168 14,684 16,919 19,023 19,679 21,666
10 2,156 2,558 3,059 3,247 3,940 4,865 15,987 18,307 20,483 21,161 23,209
11 2,603 3,053 3,609 3,81 6 4,575 5,578 17,275 19,675 21,920 22,618 24,725
12 3,074 3,571 4,178 4.404 5,226 6,304 18,549 21,026 23,337 24,054 26,217
13 3,565 4,107 4,765 5.009 5,892 7,042 19,812 22,362 24,736 25,472 27,688
14 4,075 4,660 5,368 5,629 6,571 7,790 21,064 23,685 26,119 26,873 29,141
15 4,601 5,229 5,985 6,262 7,261 8,547 22,307 24,996 27,488 28,259 30,578
16 5,142 5,812 6,614 6,908 7,962 . 0,312 23,542 26,296 28,845 29,633 32,000
17 5,697 6,408 7,255 7,564 8,672 10,085 24,769 27,587 30,191 30,995 33,409
18 6,265 7,015 7,906 8,231 9,390 10,865 25,989 28,869 31,526 32,346 34,605
19 6,844 7,633 8,567 8,907 10,117 ll,651 27';204 30,144 32,852 33,687 36,191
20 7,434 8,260 9,237 9,591 10,851 12,443 28,412 31,410 34,170 35,020 37,566
21 8,034 8,897 9,915 10,283 11,591 13,240 29,615 32,671 35,479 36,343 38,932
22 8,643 9,542 10,600 10,982 12,338 14,041 30,813 33,924 36,781 37,659 40,289
23 9,260 10,196 11,293 11,688 13,091 14,848 32,007 35,172 38,076 38,968 41,638
24 9,886 10,856 11,992 12,401 13,848 15,659 33,196 36,415 39,364 40,270 42,980
25 10,520 11,524 12,697 13,120 14,611 16,473 34,382 37,652 40,646 41,566 44,314
26 11,160 12,198 13,409 13,844 15,379 17,292 35,563 38,885 41,923 42,856 45,642
27 11,808 12,879 14,125 14,573 16,151 18,114 36,741 40,113 43,194 44,140 46,963
28 12,461 13,565 14,847 15,308 16,928 18,939 37,916 41,337 44,461 45,419 48,278
29 13,121 14,256 15,574 16,047 17,708 19,768 39,087 42,557 45,722 46,693 49,588
30 13,787 14,953 16,306 16,791 18,493 20,599 40,256 43,773 46,979 47,962 50,892
TABLAS 349
TABLA 5
Di tribución t de Student
~ 0,40 0,30 0,20 0,10 0,050 0,025 0,010 0,005 0,001 0,0005
l 0,325 0,727 1,376 3,078 6,314 12,71 31.82 63,66 318,3 636,6
2 0,289 0,617 1,061 1,886 2,920 4,303 6,965 9,925 22,33 31,60
3 0,277 0,584 0,978 1,638 2,353 3,182 4,541 5,841 10,22 12,94
4 0,271 0,569 0,941 1,533 2,132 2,776 3,747 4,604 7,173 8,610
5 0,267 0,559 0,920 1,476 2,015 2,571 3,365 4,032 5,893 6,859
6 0,265 0,553 0,906 1,440 1,943 2,447 3,143 3,707 5,208 5,959
7 0,263 0,549 0,896 1,415 1,895 2,365 2,998 3,499 4,785 5,405
8 0,262 0,546 0,889 1,397 1,860 2,306 2,896 3,355 4,501 5,041
9 0,261 0,543 0,883 1,383 1,833 2,262 2,821 3,250 4,297 4,781
10 0,260 0,542 0,879 1,372 1,812 2,228 2,764 3,169 4,144 4,587
11 0,260 0,540 0,876 1,363 1,796 2,201 2,718 3,106 4,025 4,437
12 0,259 0,539 0,873 1,356 1,782 2,179 2,681 3,055 3,930 4,318
13 0,259 0,538 0,870 1,350 1,771 2,160 2,650 3,012 3,852 4,221
14 0,258 0,537 0,868 1,345 1,761 2,145 2,624 2,9i7 3,787 4,140
15 0,258 0,536 0,866 1,341 1,753 2,131 2.602 2,947 3,733 4,073
16 0,258 0,535 0,865 1,337 1.746 2,120 2,583 2,921 3,686 4,015
17 0,257 0,534 0,863 1,333 l,740 2,110 2.567 2,898 3,646 3,965
18 0,257 0,534 0,862 1,330 1,734 2.101 2,552 2,878 3,611 3,922
19 0,257 0,533 0,861 1,328 1.729 2,093 2,539 2,861 3,579 3,883
20 0,257 0,533 0,860 1,325 1.725 2.086 2,528 2,845 3,552 3,850
21 0,257 0,532 0,859 1,323 1,721 2,080 2.518 2,831 3,527 3,819
22 0,256 0,532 0,858 1,321 1,717 2,074 2,508 2,819 3,~05 3,792
23 0,256 0,532 0,858 1,319 1,714 2,069 2,500 2,807 3,485 3,,67
24 0,256 0,531 0,857 1.318 1,711 2,064 2,492 2,797 3,467 3,745
25 0,256 0,531 0,856 1,316 1,708 2,060 2,485 2,787 3,450 3,725
26 0,256 0,531 0,856 1,315 1.706 2,056 2,479 2,779 3,435 3,707
27 0,256 0,531 0,855 1,314 1,703 2,052 2,473 2,771 3,421 3,690
28 0,256 0,530 0,855 1,313 1,701 2,048 2,467 2,763 3.408 3,674
29 0,256 0,530 0,854 1,311 1,699 2,045 2.46:: 2.756 3,396 3.659
30 0.256 0,530 0,854 1,310 1,697 2.042 2,457 2.750 3,385 3,646
40 0,255 0,259 0,851 1,303 l,648 2,021 2,423 2,704 3,307 3,551
50 0.255 o,;23 0,849 1,298 1,676 2,009 2,403 2,678 3.262 3,495
60 0,254 0,527 0,848 1,296 1,671 2.000 2.390 2,660 3,232 3,460
80 0,254 0,527 0,846 1,292 1,664 1,990 2,374 2,639 3,195 3,415
100 0.254 0.256 0,845 1,290 l,660 1.984 2,365 2,626 3,174 3,389
200 0,254 0,525 0,843 l,286 1,653 1.972 2.345 2,601 3,131 3,339
500 0.253 0,525 0,842 1,283 1.648 1,965 2,334 2,586 3,106 3,310
00 . 0,253 0.524 0,842 1,282 1,645 1.960 2,326 2,576 3,090 3,291
350 TABLAS
TABLA 6
D istribución F de Fisher-Snedecor
P(F,11;n2 ;;:::: F.,;n2:a.) = ex
a. = 0,10
~ 2
1 2 3 4 5 6 7 8 9
TABLA 6 (Cont.)
Distribución F de Fi her-Snedecor
ex= 0,10
10 12 15 20 24 30 40 60 120 00
60,195 60,705 61,220 61,740 62,002 62,265 62,529 62,794 63,061 63,328
9,3916 9,4081 9,4247 9,4413 9,4496 9,4579 9,4663 9,4746 9,4829 9,4913
5,2304 5,2156 5,2003 5,1845 5,1764 5,1681 5,1597 5,1512 5,1425 5,1337
3,9199 3,8955 3,8689 3,8443 3,8310 3,8174 3,8036 3,7896 3,7753 3,7607
3,2974 3,2682 3,2380 3,2067 3,1905 3,1741 3,1573 3,1402 3,1228 3,1050
2,9369 2,9047 2,8712 2,8363 2,8183 2,8000 2,7812 2,7620 2,7423 2,7222
2,7025 2,6681 2,6322 2,5947 2,5753 2,5555 2,5351 2,5142 2,4928 2,4708
2,5380 2,5020 2,4642 2,4246 2,4041 2,3830 2,3614 2,3391 2,3162 2,2926
2,4163 2,3789 2,3396 2,2983 2,2768 2,2547 2,2320 2,2085 2,1843 2,1592
2,3226 2,2841 2,2435 2,2007 2,1784 2,1554 2,1317 2,1072 2,0818 2,0554
2,2482 2,2087 2,1671 2,1230 2,1000 2,0762 2,0516 2,0261 1,.9997 l,9721
2,1878 2,1474 2,1049 2,0597 2,0360 2,0115 1,9861 1,9597 1,9323 1,9036
2,1376 2,0966 2,0532 2,0070 1,9827 1,9$76 1,.9315 1,9043 1,8759 1,8462
2,0954 2,0537 2,0095 1,9625 1,9377 1,9119 1,8852 1,8572 1,8280 1,7973
2,0593 2,0171 1,9722 1,9243 1,8990 1,8728 1,8454 1,8168 1,7867 1,7551
2,0281 1,9854 1,9399 1,8913 l,8656 1,8388 1,8108 1,7816 1,7507 1,7182
2,0009 1,9577 1,9117 1,8624 1,8362 1,8090 1,7805 1,7506 l,il91 1,6856
1,9770 1,9333 1,8868 1,8368 l,8103 1,7827 1,7537 1,7232 1,6910 1,6567
1,9557 1.9117 1,8647 1,8142 1,7667 1,7382 1,7083 1,6988 1,6659 1,6308
1,9367 1,8924 l,8449 l,7938 1,7873 1,7592 1,7298 1,6768 1,6433 1,6074
1,9197 1,8750 1,8272 1,7756 1,7481 1,7193 1,6890 1,6569 l ,6228 l,5862
1,9043 1,8593 1,8111 1,7590 1,7312 1,7021 1,6714 1,6339 1,6042 1,5668
1,8903 1,8450 1,7964 1,7439 1,7159 1,6864 1,6554 1,6224 1,5871 1,5490
1,8775 1,8319 1,7831 1,7302 1,7019 1,6721 1,6407 1,6073 1,5715 1,5327
1,8658 l,8200 1,7708 1,7175 1,6890 1,6589 1,6272 1,5934 1,5570 1,5176
1,8550 1,8090 1,7596 1,7059 l,6771 1,6468 1,6147 1,5805 1,5437 1,5036
1,8451 1,7989 1,7492 I.6951 1,6662 1,6356 1,6032 1,5686 1,5313 1,4906
1,8359 1,7895 1,7395 1,6852 1,6560 1,6252 1,5925 1,5575 1,5198 1,4784
1,8274 1,7808 1,7306 1,6759 1,6465 1,6155 1,5825 1,5472 1,5090 1,4670
l,8195 1,7727 1,7223 1,6673 1,6377 l,6065 1,5732 l,5376 1,4989 1,4564
1,7627 1,7146 1,6624 1,6052 1,5741 1,5.411 1,5056 1,4672 1,4248 1,3769
1,7070 1,6574 1,6034 1,5435 1,5107 1,4755 1,4373 1,3952 1,3476 1,2915
1,6524 1,6012 1,5450 1,4821 1,4472 1,4094 1,3676 1,3203 1,2646 1,1926
1,5987 1,5458 1,4871 1,4206 1,3832 1,3419 1,2951 1,2400 1,1686 1,0000
352 TABLAS
TABLA 7
Distribución F de Fisher-Snedecor
P(Fn,;n, ~ F,,,; ni:J = ex
ex= 0,05
~ll 1
1 2
236,77
6
238,88
7
240,54
8 9
TABLA 7 (Cont.)
Distribución F de Fisher-Snedecor
a. = 0,05
10 12 15 20 24 30 40 60 120 00
241,88 243,91 245,95 248,01 249,05 250,09 251,14 252,20 253,25 254,32
19,396 19,413 19,429 19,446 19,454 19,462 19,471 19,479 19,487 19,496
8,7855 8,7446 8,7029 8,6602 8,6385 8,6166 8,5944 8,5720 8,5494 8,5265
5,9644 5,9117 5,8578 5,8025 5,7744 5,7459 5,7170 5,6878 5,6581 5,6281
4,7351 4,6777 4,6188 4,5581 4,5272 .4,4957 4,4638 4,4314 4,3984 4,3650
4,0600 3,9999 3,9381 3,8742 3,8415 3,8082 3,7743 3,i398 3,7047 3,6688
3,6365 3,5747 3,5108 3,4445 3,4105 3,3758 3,3404 3,3043 3,2674 3,2298
3,3472 3,2840 3,2184 3,1503 3,1152 3,0794 3,0428 3,0053 2,9669 2,9276
3,1373 3,0729 3,0061 2,9365 2,9005 2,8637 2,8759 2,7872 2,7475 2,7067
2,9782 2,9130 2,8450 2,7740 2,7372 2,6996 2,6609 2,6211 2,5801 2,5379
2,8536 2,7876 2,7186 2,6464 2,6090 2,5705 2,5309 2,4901 2,4480 2,4045
2,7534 2,6866 2,6169 2,5436 2,5055 2,4663 2,4259 2,3842 2,3410 2,2962
2,6710 2,6037 2,5331 2,4589 2,4202 2,3803 2,3392 2,2966 2,2524 2,2064
2,6021. 2,5342 2,4630 2,3879 2,3487 2,3082 2,2664 2,2230 2,1778 2,1307
2,5437 2,4753 2,4035 2,3275 2,2878 2,2468 2,2043 2,1601 2,1141 2,0658
2,4935 2,4247 2,3522 2,2756 2,2354 2,1938 2,1507 2,1058 2,0589 2,0096
2,4499 2,3807 2,3077 2,2304 2,1898 2,1477 2,1040 2,0584 2,0 107 1,9604
2,4117 2,3421 2,2686 2,1906 2,1497 2,1071 2,0629 2,0166 1,9681 1,9168
2,37í9 2,3080 2,2341 2,1555 2,1141 2,0712 2,0264 1,9796 1,9302 1,8780
2,3479 2,2776 2,2033 2,1242 2,0825 2,0391 1,9938 l,9464 1,8963 1,8432
2.3210 2,2504 2,1757 2,0960 2,0540 2,0102 1,9645 1,9165 1,8657 1,8117
2,2967 2.2258 2,1508 2.0707 2,0283 1,9842 1,9380 1,8895 1,8380 1,7831
2,2747 2,2036 2,1882 2,0476 2,0050 1,9605 1,9139 1,8649 1,8128 1,7570
2,2547 2,1834 2,1077 2,0267 1,9838 1,9390 1,8920 1,8424 1,7897 1,7331
2,2365 2,1649 2,0889 2,0075 i°.9643 1,9192 1,8718 1,8217 1,7684 1,7110
2,2197 2,1479 2,0716 1,9898 1.9464 1,9010 1,8533 1,8027 1,7488 1,6906
2,2043 2,1323 2,0558 l,9736 1,9299 1,8842 1,8361 1,7851 1.7307 1,6717
2,1900 2,1179 2,0411 l,9586 l,9147 1,8687 1,8203 1.7689 1,7138 1,6541
2,1768 2,1045 2,0275 1,9446 1,9005 1,8543 1,8055 1,7537 l,6981 1,6377
2,1646 2,0921 · 2,0148 1,9317 1,8874 1,8409 1,7918 1,7396 1,6835 1,6223
2,0772 2,0035 1,9245 1,8389 1,7929 1,7444 1,6928 1,6373 1,5766 1,5089
1,9926 I.9174 l,8364 1,7480 1,7001 1,6491 1.5943 l,5343 1,4673 1,3893
1.9105 1,8337 1,7505 1,6587 1,6084 1.5?43 1,4952 l,4290 1,3519 1,2539
1,8307 l,7522 1,6664 1,5705 1,5173 1,4591 1,3940 1,3180 1,2214 l,0000
354 TABLAS
TABLA 8
Distribución F de Fisher-Snedecor
P(Fn,; n2;., Fn,: n2;«) = O::
C(= 0,01
~ 2
1 2 3 4 5 6 7 8 9
TABLA 8 (Cont.)
Distribución F de Fisher-Snedecor
o:=0,01
10 12 15 20 24 30 40 60 120 00
6055,8 6106,3 6157,3 6708,7 6234,6 6260,7 6286,8 6313,0 6339,4 6366,0
99,399 99,416 99,432 99,449 99,458 99,466 99,474 99,483 99,491 99,501
27,229 27,052 26,872 26,690 26,598 26,505 26,411 26,316 26,221 26,125
14,546 14,374 14,198 14,020 13,929 13,838 13,745 13,652 15,558 13,463
10,051 9,8883 9,7222 9,5527 9,4665 9,3793 9,2912 9,2020 9,1118 9,0204
7,8741 7,7183 7,5590 7,3958 7,3127 7,2285 7,1432 7,0568 6,9690 6,8801
6,6201 6,4691 6,3143 6,1554 6,0743 5,9921 5,9084 5';8236 5,7372 5,6495
5,8143 5,6668 5,5151 5,3591 5,2793 5,1980 5,1156 5,0316 4,9460 4,8588
5,2565 5,1114 4,9621 4,8080 4,7290 4,6486 4,5667 4,4831 4,3978 4,3105
4,0492 4,7059 4,5582 4,4054 4,3269 4,2469 4,1653 4,0819 3,9965 3,9090
4,5393 4,3974 4,2509 4,0990 4,0209 3,9411 3,8596 3,7761 3,6904 3,6025
4,2961 4,1553 4,0096 3,8584 3,7805 3,7008 3,6192 3,5355 5,4494 3,3608
4,1003 3,9603 3,8154 3,6646 3,5868 3,5070 3,4253 3,3413 3,8548 3,1654
3,9394 3,8001 3,6557 3,5052 3,4274 3,3476 3,2656 3,1813 3,0942 3,0040
3,8049 3,6662 3,5222 3,3719 3,2940 3,2141 3,1319 3,0471 2,9595 2,8684
3,6909 3,5527 3,4089 3,2588 3,1808 3,1007 3,0182 2,9330 2,8447 2,7528
3,5931 3,4552 3,3117 3,1615 3,0835 3,0032 2,9205 2,8348 2,7459 2,6530
3,5082 3,3706 3,2273 3,0771 2,9990 2,9185 2,8354 2,7493 2,6597 2,5660
3,4338 3,2965 3,1533 3,0031 2,9249 2,8442 2,7608 2,6742 2,5839 2,4893
3,3682 3,2311 3,0880 2,9377 2,8594 2,7785 2,6947 2,60í7 2,5168 2,4212
3,3098 3,1729 3,0299 2,8796 2,8011 2,7200 2,6359 2,5484 2,4568 2,3603
3,2576 3,1209 2,9780 2,8274 2,7488 2,6675 2,5831 2,4951 2,4029 2,3055
3,2106 3,0740 2,9311 2,7805 2,7017 2,6202 2,5355 2,4471 2,3542 2,2559
3,1681 3,0316 2.8887 2,7380 2,6591 2,5773 2,4923 2,4035 2,3099 2,2107
3,1294 2,9931 2,8502 2,6993 2,6203 2,5383 2,4530 2,3637 2,2695 2,1694
3,0941 2,9579 2,8150 2,6640 2,5848 2,5026 2,4170 2,32i3 2,2325 2,1315
3,0618 2,9256 2,7827 2,6316 2,5522 2,4699 2,3840 2,2938 2,1984 2,0965
3,0320 2,8959 2,7530 2,6017 2.5223 2,4397 2,3535 2,2629 2,1670 2,0642
3,0045 2,8685 2,7256 2,5742 2,4946 2,4118 2,3253 2,2344 2,1378 2,0342
2,9791 2,8431 2,7002 2,5487 2,4689 2,3860 2,2992 2,2079 2,1107 2,0062
2,8005 2,6648 2,5216 2,3689 2,2880 2,2034 2,1162 2,0194 1,9172 1,8047
2,6318 2,4961 2,3523 2,1978 2,1154 2,0285 1,9360 1,8363 1,7263 1,6006
2,4721 2,3363 2,1915 2,0346 1,9500 1,8600 1,7628 1,0557 1,5530 1,3805
2,3209 2,1848 2,0385 1,8783 1,7908 1,6964 1.5923 1,4730 1,3246 1,0000
,
Indice analítico