Referencia LLinas 12 - Metodos Estadisticos

Area
de Ciencias Basicas
ESPECIALIZACION EN
ESTADISTICA APLICADA
Universidad del Norte
Gua resumida sobre
Metodos Estadsticos
Teora y practica
s Solano
Dr. rer. nat Humberto LLina
Profesor de la Universidad del Norte
Barranquilla - Colombia
2005
Contenido
1 Estadstica descriptiva
1.1 Introducci
on . . . . . . . . .
1.2 Medidas estadsticas . . . . .
1.3 Analisis exploratorio de datos
Ejercicios . . . . . . . . . . . .
.
.
.
.
4
4
6
9
11
.
.
.
.
.
20
20
20
22
27
27
3 Distribuciones de probabilidad
3.1 Variables aleatorias discretas . . . . . . . . . . . . . . . . . . . . . . .
3.2 Variables aleatorias continuas . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
31
32
33
4 Distribuciones especiales
4.1 La distribuci
on uniforme (discreta) . . . . . . . .
4.2 La distribuci
on binomial . . . . . . . . . . . . . .
4.3 La distribuci
on de Poisson . . . . . . . . . . . . .
4.4 La distribuci
on hipergeometrica . . . . . . . . . .
4.5 Las distribuciones binomial negativa y geometrica
4.6 La distribuci
on uniforme (continua) . . . . . . . .
4.7 La distribuci
on normal . . . . . . . . . . . . . . .
4.8 Las distribuciones gamma y exponencial . . . . .
4.9 Resumen de las distribuciones especiales . . . . .
36
36
36
37
39
41
42
42
45
48
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 Probabilidad
2.1 Experimentos, espacios muestrales y eventos
2.2 Tecnicas de conteo . . . . . . . . . . . . .
2.3 Introducci
on a la probabilidad . . . . . . . .
2.4 Independencia . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
CONTENIDO
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
5 Distribuciones conjuntas
5.1 Vectores aleatorios discretos . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Vectores aleatorios continuos . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
54
54
56
57
6 Distribuciones muestrales
6.1 Conceptos basicos . . . . . . . . . . . . . . . . .
6.2 Distribuciones muestrales de algunos estadsticos
6.3 Aplicaciones . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
61
61
62
63
66
7 Intervalos de confianza
7.1 Estimaci
on . . . . . . . . . . . . . . . . . . . .
7.2 Intervalos de confianza . . . . . . . . . . . . .
7.3 Intervalos de confianza para algunos parametros
7.4 Aplicaciones . . . . . . . . . . . . . . . . . . .
7.5 Determinaci
on del tama
no de una muestra . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
71
71
72
72
74
77
78
8 Pruebas de hip
otesis
8.1 Conceptos de la prueba de hip
otesis . . . . . .
8.2 Pruebas para algunos parametros poblacionales
8.3 Aplicaciones . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
84
84
86
91
94
. . . .
datos
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
97
. 97
. 97
. 98
. 98
. 99
. 99
. 99
. 100
. 100
.
.
.
.
.
.
101
101
102
103
103
104
105
A Gua r
apida para trabajar con Statgraphics
A.1 Analisis de un solo conjunto de datos . . . . .
A.2 Analisis simultaneo de dos o mas conjuntos de
A.3 Graficos de dispersi
on . . . . . . . . . . . . .
A.4 Diagramas de presentaci
on . . . . . . . . . .
A.5 Variables numericas multidimensionales . . . .
A.6 Distribuciones de probabilidad . . . . . . . .
A.7 Inferencias basadas en una sola muestra . . .
A.8 Inferencias basadas en dos muestras . . . . .
A.9 Bondad de ajuste . . . . . . . . . . . . . . .
B Gua r
apida para trabajar con SPSS
B.1 Definici
on de las variables . . . . . . .
B.1.1 Transformaci
on de una variable
B.1.2 Recodificaci
on de una Variable
B.1.3 Filtrado de datos . . . . . . .
B.2 Analisis exploratorio de datos . . . . .
B.3 Inferencia sobre una o mas poblaciones
C Uso de la calculadora en la estadstica
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
106
Contenido
D Ap
endice de tablas
D.1 La funci
on de distribuci
on binomial . . . . . . . . . . .
D.2 La funci
on de distribuci
on de Poisson . . . . . . . . . .
D.3 La funci
on de distribuci
on normal . . . . . . . . . . . .
D.4 La funci
on gamma incompleta . . . . . . . . . . . . .
D.5 Valores crticos para la distribuci
on t de Student . . . .
on chi-cuadrada . . . .
on F . . . . . . . . . .
D.8 Algunos n
umeros aleatorios uniformemente distribuidos
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
108
108
110
112
114
115
116
118
122
Bibliografa & Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
CAPITULO
Estadstica descriptiva
1.1
Introducci
on
1. Por qu
e usted necesita conocer estadstica?
Tres razones fundamentales:
(a) Presentar y describir la informaci
on en forma adecuada.
(b) Inferir conclusiones sobre poblaciones grandes basandose solamente en la
informaci
on obtenida de subconjuntos de ellas.
(c) Utilizar modelos para obtener pron
osticos confiables.
2. T
erminos
Poblaci
on, muestra, datos, parametro, estadstico, Censo.
3. M
etodos estadsticos.
Metdos estadsticos = estadstica descriptiva + estadstica inferencial.
4. Organizaci
on de datos.
Por el tipo de dato, de acuerdo a escalas de medidas, mediante tablas y mediante
representaciones graficas.
5. Organizaci
on de datos de acuerdo al tipo.
Existen dos tipos de datos: categ
oricos (o cualitativos) y numericos (cuantitativos). Estos u
ltimos se clasifican a su vez en discretos y continuos.
6. Organizaci
on de datos de acuerdo a escalas de medidas.
s [11] o Weimer [23] para
Nominal, ordinal, de intervalo y de raz
on. Ver LLina
mayores detalles.
7. Organizaci
on de datos mediante tablas.
Se necesita concepto: Frecuencias absoluta, relativa, acumulada y acumulada
relativa. Dos tipos de tablas:
1.1 Introducci
on
(a) Tablas de frecuencias agrupadas.

Tablas con datos + frecuencias.
Ejemplo 1.1.1 La tabla de frecuencias (no agrupada) para el conjunto de datos
3 5 7 6 4 3 7 6 6 7 5 7 es
Dato
Frecuencia
3
2
4
1
5
2
6
3
7
4
(b) Tablas de frecuencias no agrupadas.

Intervalos de clase, lmites de clase, fronteras de clase, Marcas de clase, amplitud w. Para hallar n
umero de clases c: Regla de Sturges (c = (3, 3) log n + 1)
o c = n.
Ejemplo 1.1.2 (Datos con un solo lugar decimal) Forme una distribucion
de frecuencias considerando los siguientes datos:
8,9
6,8
10,2
9,5
11,5
11,5
7,8
11,2
10,0
14,9
12,2
7,5
13,5
10,0
14,1
6,0
10,0
15,8
12,2
11,5
SOLUCION:
Paso
Paso
Paso
Paso
1.
2.
3.
4.
El rango R es 9,8.
Por regla de Sturges, c = 5 (aproximar al entero m
as cercano).
R
w = c = 2 (aproximar al entero siguiente).
Como la unidad de medida es 0,1 (por tener los datos un solo lugar decimal)
y como el punto medio de cada unidad de medida es 0,05, entonces,
Frontera inf. de primera clase = dato menor 0, 05 = 5, 95.
En consecuencia, la tabla es
Clase
5,95 - 7,95
7,95 - 9,95
9,95 - 11,95
11,95 - 13,95
13,95 - 15,95
Cuenta
||||
||
||||| |||
|||
|||
Frecuencia
4
2
8
3
3
Marcas de clase X
6,95
8,95
10,95
12,95
14,95
8. Organizaci
on de datos mediante representaciones gr
aficas.
Hay graficas de varios tipos, entre los cuales se encuentran los siguientes: el
diagrama circular o de pastel, el pictograma, el diagrama de barras, el diagrama de
caja y bigote, el histograma, el polgono (de frecuencia o de frecuencias relativas),
la ojiva (o polgono de frecuencias acumuladas o polgono de frecuencias relativas
acumuladas) y el diagrama de tallo y hojas.
1.2 Medidas estadsticas
40
20
Frec.
acum.
Frec. acum.
Frec.
%)
(en %)
rel. (en
Frec.rel.
9. Histograma
16
30
12
20
10
0
5,95
7,95
9,95
11,95
13,95
8
4
0
5,95
15,95
7,95
9,95
11,95
13,95
15,95
Fronteras
Fronteras
Fronteras
Fronteras
(a) Histograma de frecuencias relativas
(b) Histograma de frecuencias acumuladas
10. Polgono y ojiva.
20
Frec.
acum.
Frec. acum.
Frecuencias
Frecuencias
16
12
4
2
0
4,95
6,95
8,95 10,95 12,95 14,95 16,95

Marcas de
Marcas
declase
clase
(c) Polgono de frecuencias
1.2
8
4
0
5,95
7,95
9,95
11,95
13,95
15,95
Fronteras superiores
Fronteras
superiores
(d) Ojiva
Medidas estadsticas
1. Medidas de tendencia central o de centralizaci

on.
La media aritmetica (ponderada), la mediana, la moda, el rango medio (promedio
de los datos mayor y menor), la media geometrica, la media arm
onica y la media
s [11] se hace una descripci
cuadratica. En LLina
on completa de estas medidas.
2. Medidas de colocaci
on o de posici
on relativa.
s [11] se hace una descripci
La mediana, los percentiles, deciles y . En LLina
on
completa de estas medidas.
3. Medidas de dispersi
on o de variabilidad.
El rango (diferencia entre datos mayor y menor), el rango intercuartil (diferencia
entre el tercer y el primer cuartil), la varianza, la desviaci
on estandar y el coeficiente
de varianci
on de Pearson (desviaci
on estandar dividida entre la media, multiplicada
por 100 por ciento). En LLinas [11] se explican con detalles todas estas medidas.
4. Aplicaciones de la desviaci
on est
andar poblacional.
Se utilizan dos reglas:
(a) Regla de Tchebychev (valida para cualquier poblaci
on).
Por lo menos el 100(1 1/k2)% de los valores de la poblaci
on se encuentran
en el intervalo [ k; + k].
k
100(1 1/k2)%
1,5
55,6%
2
75%
2,5
84%
3
88,9%
3,5
91,18%
4
93,7%
(b) Regla emprica (valida s

olo para poblaciones de forma acampanada).
El 68% de los datos de la poblaci
on se encuentran en [ ; + ] y el
95% de los datos en [ 2; + 2].
Ejemplo 1.2.1 Un inspector de control de calidad selecciona aleatoriamente 14 clavos
de una caja de 100 clavos de 1 pulgada (una pulg.=2,54 cm). Las longitudes, en cm,
son
2, 54
2, 55
2, 50
2, 60
2, 51
2, 52
2, 70
2, 40
2, 36
2, 53
2, 54
2, 52
2, 51
2, 55.
Si el inspector decide excluir los clavos que estan fuera del intervalo x 2s, entonces,
a lo m
as el 25% estar
an fuera del intervalo. Se verifica la regla de Tchebychev?
5. Coeficiente de variaci
on de Pearson.

desviaci
on estandar de los datos
CV =
100%.
media aritmetica de los datos
Ejemplo 1.2.2 Los siguientes datos representan el promedio de millas por galon
diario por cinco das para un determinado auto: 20, 25, 30, 15, 35. Por consiguiente,
el tama
no relativo de la dispersion media alrededor de la media con relacion a la
media es 31,6%.
Ejemplo 1.2.3 El gerente de operaciones de un servicio de paquetera desea adquirir

una nueva flota de autos. Cuando los paquetes se guardan con eficiencia en el interior de los autos (durante la preparacion de las entregas), se deben considerar dos
restricciones principales: el peso (en libras) y el volumen (en pies c
ubicos) de cada
paquete. Ahora, en una muestra de 200 paquetes, el peso promedio es 26 libras con
una desviacion estandar de 3,9 libras. Ademas, el volumen promedio de cada paquete
es 8,8 pies c
ubicos con una desviacion estandar de 2,2 pies c
ubicos. Por consiguiente,
con relacion a la media, el volumen de un paquete es mucho m
as variable que su peso.
Por que?
Ejemplo 1.2.4 Un inversionista potencial piensa adquirir acciones en una de dos

compa
nas A o B, listadas en la Bolsa de Valores de Nueva York. Si ninguna de las
compa
nas ofrece dividendos a sus clientes y ambas tienen igual clasificacion (seg
un
varios servicios de inversion) en terminos de crecimiento potencial, el posible inversionista quizas considere la volatilidad (variabilidad) de ambas acciones para ayudar
en la decision de inversion. En los u
ltimos meses, el precio promedio de las acciones en
la compa
na A fue de 50 dolares con una desviacion estandar de 10 dolares. Ademas,
durante el mismo periodo, el precio promedio de las acciones en la compa
na B fue
de 12 dolares con una desviacion estandar de 4 dolares. Entonces, en relacion con la
media, el precio de las acciones B es mucho m
as variable que el de las acciones A.
6. Medidas de formas.
Coeficiente de sesgo y medida de curtosis.
7. Simetra y asimetra.
Una distribuci
on de frecuencias sera simetrica o asimetrica seg
un lo sea su representaci
on grafica.1
Si una distribuc
on no es simetrica, se dice que es asimetrica a la derecha (positivamente) o a la izquierda (negativamente).2
En la figura 1.1 se ilustra el caso en que la distribuci
on de frecuencias tiene una
sola moda.
(e) Distribuci
on simetrica
(f) Distribuci
on asimetrica a la derecha
(g) Distribuci
on asimetrica a la izquierda
Fig. 1.1: Comparaci

on de tres distribuciones unimodales cuya forma difiere.
8. Coeficiente de sesgo Ap.
Se define como:
Media aritmetica Moda
.
Ap =
Desviaci
on estandar
Cuando Ap = 0, se dice que la distibuci
on es simetrica; cuando Ap < 0, se
dice que la distribuci
on es sesgada negativamente o a la izquierda y
1
2
En cualquier distribuci
on simetrica, la media coincide con la mediana.
En las medidas asimetricas unimodales la mediana est
a entre la media y la moda.
1.3 An
alisis exploratorio de datos
cuando Ap > 0, se dice que la distribuci

on es sesgada positivamente o a la
derecha.
9. Relaci
on emprica entre media, mediana y moda.
Para distribuciones campanoides, unimodales y moderadamente asimetricas se
cumple aproximadamente la relaci
on emprica
Media Moda 3(Media aritmetica Mediana),
Con lo anterior, el coeficiente de asimetra de Pearson la podemos calcular tambien
a traves de la f
ormula
Ap =
3(Media aritmetica Mediana)

.
Desviaci
on estandar
10. Medidas de curtosis o apuntamiento.

Se aplican a distribuciones campaniformes, es decir, unimodales simetricas o con
ligera asimetra.
1.3
An
Muchos autores presentan el diagrama de tallo y hoja como tecnica del analisis exploratorio de datos. Consiste en desarrollar un resumen de cinco n
umeros y construir un
diagrama de caja y bigotes.
1. Resumen de cinco n
umeros.
Consiste en cinco cantidades que se emplean para resumir los datos: valor mnimo,
primer cuartil (Q1), Mediana (Q2), tercer cuartil (Q3) y valor maximo.
2. Situaciones para reconocer la simetra de los datos.
Si la distribuci
on es simetrica:
La distancia de Q1 a la mediana es igual a la distancia de la mediana a Q3.
La distancia del valor mnimo a Q1 es igual a la distancia de Q3 al valor

maximo.
La mediana y el rango medio son iguales. (Estas medidas son iguales a la

media de los datos.)
3. Situaciones para reconocer la no simetra de los datos.
Si la distribuci
on no es simetrica:
En las distribuciones sesgadas a la derecha, la distancia de Q3 al valor maximo
excede la distancia del valor mnimo a Q1. Ademas, la mediana es menor
que el rango medio.
En las distribuciones sesgadas a la izquierda, la distancia del valor mnimo a
Q1 excede la distancia de Q3 al valor maximo. Ademas, el rango medio es
menor que la mediana.
1.3 An
10
Diagrama de caja y bigotes

Mediana
Valor atpico
(moderado)
1,5 R.I
1,5 R.I
Media
3 R.I
2200
2,200
Primer
2400
2,400 Tercer 2600
2,600
cuartil
cuartil
Valores atpicos
(extremos)
2800
2,800
3000
3,000
Salarios mensuales
Fig. 1.2: Diagrama de caja y bigotes

4. Diagrama de caja y bigotes.
(R.I. significa el rango intercuartil, los segmentos horzontales son los llamados
bigotes y los valores que estan por fuera de los bigotes se llaman valores atpicos).
5. Diagramas de cajas m
ultiples (o comparativos).
La figura 1.3 contiene los diagramas de caja de las calificaciones en un examen
de matematicas para quince estudiantes de primer curso de primaria, quince de
segundo y quince de tercero.
Primero
Segundo
Tercero
40
50
60
70
80
Calificaciones
90
100
Calificaciones
Fig. 1.3: Diagrama de caja y bigotes de las calificaciones en un examen

En el diagrama puede apreciarse que no hay valores atpicos en ninguno de los tres
grupos. Los estudiantes del tercer curso consiguieron la mejor mediana, pero sus
calificaciones tienen una variabilidad considerablemente mayor que la de los otros
grupos. Otro hecho que llama la atenci
on es la gran cantidad de calificaciones
Cap. 1. Ejercicios
11
bajas obtenidas por los estudiantes de primer curso. Finalmente, podemos afirmar
que las distribuciones de frecuencias de los tres conjuntos de datos estan sesgadas
a la izquierda.
Ejercicios
1. Diga si la afirmacion dada es verdadera o falsa. Justifique siempre su respuesta. En caso
que sea falso, de un contraejemplo.
(a) Si la desviacion estandar de un conjunto de datos es 0, entonces, los datos son iguales.
(b) No existen datos de tal forma que sean iguales el rango y la varianza.
(c) Existen datos con desviacion estandar negativa.
(d) En una distribuci
on simetrica, la media, la mediana y la moda son iguales.
(e) La desviacion estandar esta dada por las mismas unidades que la media.
(f) Toda informacion numerica proporciona datos cuantitativos.
(g) Toda informacion no numerica ofrece datos cuantitativos.
(h) Cuando todos los datos son categoricos, la moda es la u
nica medida de tendencia
central que se puede utilizar.
(i) Si el primer cuartil en el primer examen de estadstica fue de 3,0, entonces, este valor
indica que el 25% de los estudiantes ganaron el examen.
2. Clasifique los datos siguientes en cuantitativos (numericos) y cualitativos (categoricos).
En caso de ser numerico, como discretos o continuos:
(a) Estaturas en centmetros de cuatro jugadores de f
utbol.
(b) Las temperaturas promedios diarias en el u
ltimo mes.
(c) Clasificacion etnica de 30 empleados.
(d) N
umeros telef
onicos de ciertas personas.
(e) Distancia (en metros) recorrido por un atleta en una temporada.
(f) Peso perdido (en kilogramos) por 10 personas debido a una dieta.
(g) Fecha de cumplea
nos de determinadas personas.
(h) Calificaciones (E, S, A, D, I) de unos estudiantes de bachillerato.
3. Se clasific
o a los estudiantes de un programa universitario de acuerdo a con el semestre
que cursa y su preferencia deportiva. Los resultados estan registrados en la siguiente tabla.
F
utbol
Beisbol
Voleivol
Basquetbol
Natacion
Primero
15
12
5
26
7
Segundo
14
22
5
7
8
Tercero
5
6
9
6
4
Cuarto
9
6
5
7
2
(a) Que porcentaje de los estudiantes de primer semestre prefieren el f

utbol?
(b) Que porcentaje de los aficionados a la natacion son de segundo semestre?
(c) Que porcentaje del total de los estudiantes prefieren el basquetbol?
(d) Que porcentaje de los estudiantes son de cuarto semestre?
Cap. 1. Ejercicios
12
(e) Que porcentaje del total de estudiantes son de tercer o cuarto semestre?
(f) Que porcentaje prefiere la natacion, el voleibol o el beisbol?
4. Los siguientes datos representan las cuentas telef
onicas mensuales, en miles de pesos, de
25 residentes de un peque
no pueblo:
21,48
20,35
26,83
21,15
30,22
30,96
25,12
25,49
33,38
23,47
20,80
20,77
27,81
23,83
19,98
19,80
25,35
35,87
36,05
23,48
22,02
28,50
25,81
26,66
21,07
(a) Que porcentaje del grupo pago mas de 21.000 pesos?

(b) Que porcentaje pago mas de 22.000 pesos pero menos de 27.000 pesos?
5. Los datos que se indican a continuacion representan el costo (en miles de pesos) de la
energa electrica durante un determinado mes del a
no para una muestra aleatoria de 50
apartamentos en cierta ciudad importante:
128
153
135
111
143
144
197
191
148
187
168
127
137
213
166
109
82
129
130
139
167
96
158
165
149
141
171
108
157
95
149
202
119
185
163
206
178
183
90
150
175
147
151
116
154
123
102
114
172
130
(a) Obtenga una tabla de frecuencias con 7 intervalos de clase.

(b) Grafique el correspondiente histograma de frecuencias, el polgono de frecuencias
relativas y la ojiva con frecuencias acumuladas relativas.
(c) Alrededor de que cantidad parece concentrarse el costo mensual de energa electrica?
(d) Seg
un su opinion, cual de las graficas representa mejor la distribuci
on de los costos
de energa electrica?
6. Responda las siguientes preguntas. Justifique sus respuestas.
(a) Que escala de medida se requiere para la mediana? Y para la moda?
(b) En que condiciones coinciden la media, la mediana y la moda de una muestra?
(c) En que caso sera demasiado grande la diferencia entre la media y la mediana?
7. Una empresa de servicio electrico de una ciudad le realiza la lectura del contador de luz a
un usuario, obteniendo los siguientes datos:
Fecha
Agosto 27
Agosto 30
Septiembre 4
Lectura
00553 Kwh
00571 Kwh
00605 Kwh
El recibo de pago le llego al usuario con lectura de 00638 Kwh, realizada el 9 de septiembre,
pero la empresa no dejo constancia de lectura, hecho que motiv
o el reclamo del usuario
alegando que le estaban cobrando de mas. Tiene la raz
on el usuario? Explique.
8. Los neumaticos de cierta marca tiene una duracion de vida con media de 29.000 kilometros
y desviacion tpica de 3.000 kilometros.
(a) Encontrar un intervalo en el que se pueda garantizar que se encuentra por lo menos
el 75% de los tiempos de vida de los neumaticos de esta marca.
Cap. 1. Ejercicios
13
(b) Usando la regla imprica y suponiendo que la poblacion tiene forma acampanada,
encontrar un intervalo en el cual se estime que se encuentra aproximadamente el 95%
de los tiempos de vida de los neumaticos de esta marca.
9. Los valores de presion sangunea se reportan a veces a los 5 mm Hg mas cercanos (100,
105, 110, etc.). Suponga que los valores reales de presion sangunea para nueve individuos
seleccionados al azar son:
130,0
113,7
122,0
108,3
131,5
133,2
118,6
127,4
138,4
(a) Cual es la mediana de los valores reportados de presion sangunea?

(b) Suponga que la presion del octavo individuo es 127,6 en lugar de 127,4 (un peque
no
cambio en su valor). Como afectara esto a la mediana de los valores reportados?
Que dice esto sobre la sensibilidad de la mediana para redondear o agrupar los datos?
10. La propagaci
on de grietas por fatiga en diversas partes de aeronaves ha sido objeto de
profundo estudio en a
nos recientes. Los datos que aparecen a continuacion constan de
tiempo de propagaci
on (horas de vuelo/104 ) para llegar a un tama
no de grieta dado en
agujeros sujetadores que se usan en aeronaves militares:
0,915
1,132
0,937
1,140
0,983
1,153
1,007
1,253
0,736
1,394
0,863
1,011
0,865
1,064
0,913
1,109
(a) Calcule los valores de la media y mediana muestrales.

(b) En cuanto se puede reducir la observaci
on muestral mas grande, sin afectar el valor
de la mediana?
11. Una manifestacion interesante de la variacion surge cuando se efect
uan los analisis de
emision de gases en los vehculos automotores. Los requisitos de costo y tiempo del
procedimiento federal de prueba (PFT) en cierto pais evitan la difusion de su uso en los
programas de inspeccion vehicular. Como resultado, muchas agencias han desarrollado
analisis menos costosos y mas rapidos con la esperanza de reproducir los resultados.
Seg
un un artculo de una prestigiosa revista, se dice que la eceptaci
on del PFT como
patron de excelencia ha conducido a la creencia de que las mediciones repetidas en el
mismo vehculo daran resultados identicos (o casi). Los autores del artculo aplicaron el
PFT a siete vehculos caracterizados como grandes emisores. Los resultados de uno de
esos vehculos son los siguientes:
HC (g/mi)
CO (g/mi)
32,2
232
32,5
236
13,8
118
18,3
149
(a) Calcule las desviaciones estandar muestrales de las observaciones de HC y CO. Parece
justificada la creencia general?
(b) Compare los coeficientes de variacion de cada conjunto de datos para determinar
cuales presentan mayor o menor variacion.
12. Un taller de mecanica acepta una orden por 10.000 ruedas de 2 pulgadas de diametro.
Las especificaciones de tama
no del producto podran ser mantenidas solo si el diametro
medio es de 2 pulgadas y la desviacion estandar es muy peque
na. En este caso, cual es
el margen de tolerancia permitido para la desviacion estandar?
13. A continuacion se presentan algunas medidas estadsticas (mediana, primer y tercer cuartil)
y una tabla de frecuencia agrupada, para las edades de un grupo de personas que hay
en una sala de concierto. A partir de estos datos, responder las preguntas que aparecen
abajo. Mediana = 20, primer cuartil = 17,5 y tercer cuartil = 23.
Cap. 1. Ejercicios
14
Edades
11,5 - 14,5
14,5 - 17,5
17,5 - 20,5
20,5 - 23,5
23,5 - 26,5
26,5 - 29,5
Frecuencia
2
8
11
10
8
1
Frecuencia
relativa
0,0500
0,2000
0,2750
0,2500
0,2000
0,0250
Frecuencia
acumulada
2
10
21
31
39
40
Frec. acum.
relativa
0,0500
0,2500
0,5250
0,7750
0,9750
1,0000
(a) Cual era el n

umero exacto de personas que haban en la sala del concierto?
(b) Cual es la media aproximada de las personas que asistieron al concierto?
(c) Que edad tienen el 77,5% de las personas?
(d) Que porcentaje de personas tienen una edad entre 11,5 y 20,5?
(e) Que porcentaje de personas tienen una edad mayor de 23,5?
(f) Cuantas personas tienen una edad entre 17,5 y 20,5?
(g) Cuantas personas tienen una edad mayor que 14,5?
(h) Que interpretacion tiene el valor de la mediana y el de los cuartiles?
14. Los siguientes datos representan los rendimientos porcentuales anuales en cuentas de
mercado de dinero de una muestra de 15 bancos comerciales en el area metropolitana de
una ciudad a una determinada fecha:
Nombre del Banco
Banco su cuenta
The Bank
Mein Bank
Your Bank
El Banco del pueblo
Aero Bank
Union Bank
Bank del cliente
Rendimiento
3,10
2,63
2,79
3,25
1,90
2,79
2,90
2,73
Nombre del banco

Banco el Pais
Banco la Clave
Banco del Norte
Banco del Sur
Banco Nacional
Nuestro Banco
Banco el dinero
Rendimiento
2,28
3,01
2,53
2,00
3,05
2,02
3,05
(a) Proporcione el resumen de cinco n

umeros.
(b) Construya el diagrama de caja y bigotes y describa la forma.
(c) Si alguien le dijera:los rendimientos del mercado de dinero no varan mucho de un
banco a otro, con base en estos datos, que dira?
15. Una de las metas de toda administracion es ganar lo mas posible en relaci
on con el
capital invertido en la empresa. Una medida del exito en alcanzarla es el retorno sobre
la aportaci
on, que es la relaci
on de la ganancia neta entre el valor de las acciones. A
continuacion se muestran los porcentajes de ganancia sobre las acciones para 25 empresas.
11,4
5,1
16,6
15,8
17,3
5,0
52,7
31,1
30,3
17,3
6,2
12,8
12,3
19,2
12,2
9,0
14,7
14,5
19,6
9,6
9,2
22,9
8,6
41,6
11,2
Forme el resumen de cinco n

umeros, trace un diagrama de caja y bigotes y determine si
hay valores atpicos. Como podra un analista financiero usar esta informacion?
s 16. Considere la variable anchura que contiene el conjunto de datos que encontramos en el
archivo calles.sf3 y que corresponde al ancho de 112 calles de Madrid (Espa
na).
Cap. 1. Ejercicios
15
(a) Forme la tabla de frecuencias con 8 clases para los datos, en donde la primera frontera
inferior sea 0 y la u
ltima frontera superior sea 40. A partir de ella, responda las
siguientes preguntas:
i.
ii.
iii.
iv.
v.
vi.
Cuantas calles tienen un ancho entre 5 y 25 kilometros?

Que porcentaje de calles tienen un ancho entre 10 y 30 kilometros?
Cuantas calles tienen un ancho mayor de 20 kilometros?
Que porcentaje de calles tienen un ancho mayor 25 kilometros?
Cuantas calles tienen un ancho menor de 15 kilometros?
Que porcentaje de calles tienen un ancho menor de 35 kilometros?
(b) Con 8 clases (en donde la primera frontera inferior sea 0 y la u

ltima frontera superior
sea 40), construir los histogramas de frecuencias absolutas y de frecuencias absolutas
acumuladas, los polgonos de frecuencia y de frecuencias relativas y las ojivas de frecuencias acumuladas y de frecuencias relativas acumulada. A partir de estos graficos,
responda las siguientes preguntas:
i.
ii.
iii.
iv.
Aproximadamente cuantas calles tienen un ancho mayor que 16,9 kilometros?

Aproximadamente cuantas calles tienen un ancho menor que 12,5 kilometros?
Que porcentaje aproximado de calles tienen un ancho mayor de 7,7 kilometros?
Que porcentaje aproximado de calles tienen un ancho menor de 13,8 kil
ometros?
(c) Estudie la simetra de la distribuci

on de los datos.
(d) Existen valores atpicos? Cuantos? Cuales?
(e) Existe alguna transformacion que mejora la simetra? Y la presencia de valores
atpicos? Indique en caso positivo la transformacion seleccionada.
s 17. En el archivo de datos autos.sf3 mostramos las distancias recorridas (dadas en millas
por galon) de 154 modelos de autom
oviles sacados al mercado entre los a
nos 1978 y
1982 por diferentes fabricantes: americanos (origen=1), europeos (origen=2) y japoneses
(origen=3). Tambien aparecen los respectivos cilindrajes de los autos, las potencias, etc.
(a) Construya un diagrama de caja y bigotes para los datos de la distancia recorrida y a
partir de el, responda las siguientes preguntas: Entre cuales valores vara la distancia
recorrida? Cuanto recorre el 50% central de los autos? Hay valores atpicos? Es
simetrica o asimetrica la distribuci
on de los datos? En caso de ser asimetrica, es
asimetrica a la izquierda o a la derecha? Cuales son los valores de la media y de la
mediana?
(b) Estudie el grado de simetra de los datos de la distancia recorrida de cuatro maneras
diferentes (compare sus respuestas):
i. Utilizando las medidas estadsticas (media, mediana, moda, sesgo, etc. )
ii. Construyendo un histograma de frecuencias con 5 clases.
iii. Construyendo un un histograma con 13 clases. Porque este histograma resulta
mas adecuado que el que construy
o con 5 clases?
iv. Construyendo un grafico de simetra con la opci
on graphical options . . . symmetry
plot de Statgraphics.
s 18. Se han medido los diametros (en milmetros) de 50 tornillos y se han obtenido los resultados
que mostramos en el archivo tornillos.sf3.
(a) Forme la tabla de frecuencias con 6 clases para los datos y, a partir de ella, responda
las siguientes preguntas:
i. Cuantos tornillos tienen un diametro entre 29 y 32 milmetros?
Cap. 1. Ejercicios
ii.
iii.
iv.
v.
vi.
Que porcentaje de tornillos

Cuantos tornillos tienen un
Cuantos tornillos tienen un
16
tienen un diametro entre 30 y 34 milmetros?

diametro mayor de 32 milmetros?
tienen un diametro mayor 34 milmetros?
diametro menor de 31 milmetros?
tienen un diametro menor de 33 milmetros?
(b) Con 6 clases, construir los histogramas de frecuencias absolutas y de frecuencias

absolutas acumuladas, los polgonos de frecuencia y de frecuencias relativas y las
ojivas de frecuencias acumuladas y de frecuencias relativas acumulada. A partir de
estos graficos, responda las siguientes preguntas:
i. Aproximadamente cuantos tornillos tienen un diametro mayor que 34,4 milmetros?
ii. Aproximadamente cuantos tornillos tienen un diametro menor que 32,2 milmetros?
iii. Que porcentaje aproximado de tornillos tienen un diametro mayor de 31,6
milmetros?
iv. Cuantos tornillos tienen un diametro menor de 32,8 milmetros?
on de los datos.
s 19. Los datos del archivo fotocopia.sf3 muestran el gasto en fotocopias (en miles de pesos)
de 70 estudiantes universitarios durante un determinado a
no.
inferior sea 0 y la u
ltima frontera superior sea $ 1.400.000. A partir de ella, responda
las siguientes preguntas:
i. Cuantos estudiantes han gastando entre $ 175.000 y $ 525.00 en el a
no?
ii. Que porcentaje de estudiantes han gastando entre $ 700.000 y $ 1.225.000 en
el a
no?
iii. Cuantos estudiantes han gastando mas de $ 1.050.000 en el a
no?
iv. Que porcentaje de estudiantes han gastando mas de $ 350.000 en el a
no?
v. Cuantos estudiantes han gastando menos de $ 875.000 en el a
no?
vi. Que porcentaje de estudiantes han gastando menos de $ 525.000 en el a
no?
(b) Con 8 clases (en donde la primera frontera inferior sea 0 y la u
ltima frontera superior
sea $ 1.400.000), construir los histogramas de frecuencias absolutas y de frecuencias
absolutas acumuladas, los polgonos de frecuencia y de frecuencias relativas y las
ojivas de frecuencias acumuladas y de frecuencias relativas acumulada. A partir de
estos graficos, responda las siguientes preguntas:
i. Aproximadamente cuantos estudiantes han gastando mas de $ 767.810 en el
a
no?
ii. Aproximadamente cuantos estudiantes han gastando menos de $ 391.821 en el
a
no?
iii. Que porcentaje aproximado de estudiantes han gastando mas de $ 601.583 en
el a
no?
iv. Cuantos estudiantes han gastando menos de $ 1.104.220 en el a
no?
on de los datos.
(d) Existen valores atpicos? Cuantos? Cuales?
(e) Realice una transformacion logartmica de los datos e interprete los resultados. Comente las diferencias con los datos sin transformar.
s 20. En el archivo de datos doscientos.sf3 proporcionamos las sesenta y nueve mejores marcas
de todos los tiempos en la prueba de 200 metros lisos masculinos (las marcas se dan en
segundos), as como el nombre del atleta y la fecha en que se consiguio la marca.
Cap. 1. Ejercicios
17
inferior sea 19,2 segundos y la u
ltima frontera superior sea 20,2 segundos. A partir
de ella, responda las siguientes preguntas:
i.
ii.
iii.
iv.
v.
vi.
Cuantos atletas han recorrido entre 19,325 y 19,7 segundos?

Que porcentaje de atletas han recorrido entre 19,45 y 19,95 segundos?
Cuantos atletas han recorrido mas de 19,7 segundos?
Que porcentaje de atletas han recorrido mas de 19,45 segundos?
Cuantos atletas han recorrido menos de 19,95 segundos?
Que porcentaje de atletas han recorrido menos de 19,825 segundos?
(b) Con 8 clases (en donde la primera frontera inferior sea 19,2 segundos y la u
ltima frontera superior sea 20,2 segundos.), construir los histogramas de frecuencias absolutas
y de frecuencias absolutas acumuladas, los polgonos de frecuencia y de frecuencias
relativas y las ojivas de frecuencias acumuladas y de frecuencias relativas acumulada.
A partir de estos graficos, responda las siguientes preguntas:
i.
ii.
iii.
iv.
Aproximadamente cuantos atletas han recorrido mas de 19,818 segundos?

Que porcentaje aproximado de atletas han recorrido mas de 19,845 segundos?
Que porcentaje aproximado de atletas han recorrido mas de 19,782 segundos?
Aproximadamente cuantos atletas han recorrido menos de 20,03 segundos?

on de los datos.
(d) Se detecta algo peculiar en la distribuci
on de estos datos?
(e) Se detecta alg
un valor potencialmente atpico? Cual es?
s 21. En el archivo de datos Cavendish.sf3 presentamos 29 medidas de la densidad de la tierra

obtenidas por Henry Cavendish en 1798 empleando una balanza de torsi
on. La densidad
de la tierra se proporciona como un m
ultiplo de la densidad del agua.
(a) Utilice los diagramas de tallo y hojas y de cajas para determinar si existe alg
un valor
atpico.
(b) Proponga, razonando la respuesta, un valor para la densidad de la tierra.
s 22. En el archivo de datos autos.sf3 mostramos las distancias recorridas (dadas en millas
por galon) de 154 modelos de autom
oviles sacados al mercado entre los a
nos 1978 y
1982 por diferentes fabricantes: americanos (origen=1), europeos (origen=2) y japoneses
(origen=3). Tambien aparecen los respectivos cilindrajes de los autos, las potencias, etc.
(a) Considere por separado los conjuntos de distancias recorridas de los modelos de cada
uno de los cinco a
nos.
i. Analice grafica y numericamente cada uno de estos conjuntos.
ii. Utilizando la opci
on Plot . . . Exploratory Plots . . . Multiple Box-and-Whishker
Plot . . . Data=distancia . . . Level codes=year . . . obtenga los diagramas de cajas
(m
ultiples) de los cinco conjuntos de distancias recorridas con respecto a cada
uno de los a
nos. Que se observa? Conoce alguna raz
on que pueda explicar
lo que resulta de los analisis numericos y de la observaci
on de los diagramas de
cajas?
(b) Ahora, construya el diagrama de caja m
ultiple de la distancia recorrida de los autom
oviles seg
un su cilindrada.
i. Teniendo en cuenta cada uno de los diagramas, responda las preguntas formuladas en la parte (a).
Cap. 1. Ejercicios
18
ii. Compare entre s los distintos diagramas y responda las siguientes preguntas:
D
onde es mas fuerte la asimetra? D
onde es menor? D
onde no existe? Vara
bastante los valores de la media y de la mediana para los diferentes grupos?
(c) Construya el diagrama de caja m
ultiple de la potencia de los autom
oviles seg
un su
origen y responda las preguntas formuladas en el inciso anterior.
s 23. En el archivo de datos gemelos.sf3 mostramos los resultados de tests de inteligencia

realizados a parejas de gemelos monozigoticos. Los gemelos monozigoticos se forman
por la division en dos de un mismo ovulo ya fecundado y, por tanto, tienen la misma
carga genetica. Al mismo tiempo, por razones obvias, es muy frecuente que compartan el
entorno vital y es difcil separar ambos factores. En el conjunto de datos, los datos de la
columna A corresponden al gemelo criado por sus padres naturales, los de la columna B al
criado por un familiar u otra persona. Mediante la opci
on Compare . . . Two Samples . . .
Two Sample Comparison . . . Sample 1=A . . . Sample 2=B . . . Ok, resuelva lo siguiente:
(a) Compare la simetra de los datos de la columna A y B.
(b) Construya un diagrama de caja m
ultiple para los datos de la columna A y B y describa
sus interesantes propiedades.
(c) Como interpreta el coeficiente de variacion de ambos conjuntos de datos?
s 24. En 1893 Lord Rayleigh investigo la densidad del nitrogeno empleando en su obtencion
distintas fuentes. Previamente haba comprobado la gran discrepancia existente entre la
densidad del nitrogeno producido tras la eliminacion del oxgeno del aire y el nitrogeno
producido por la descomposici
on de ciertos compuestos qumicos. Los datos del archivo
Rayleigh.sf3 muestran esta diferencia de forma clara. Esto llevo a Lord Rayleigh a investigar detenidamente la composici
on del aire libre de oxgeno y al descubrimiento de un
nuevo elemento gaseoso, el arg
on.
(a) Analice numerica y graficamente estos datos. Preste especial atenci
on a los diagramas
de tallo y hojas y al diagrama de cajas. Hay alguna peculiaridad de la poblacion de
pesos que se manifieste en un diagrama y no en el otro?
(b) Realice diagramas de cajas dividiendo los datos en los pesos obtenidos a partir de aire
y los obtenidos a partir de compuestos qumicos del nitrogeno. Que se observa?
s 25. Una de las medidas de seguridad de los reactores nucleares frente a desajustes en el proceso
de generacion de energa o de extraccion de esta es el disparo del reactor. Esta medida
consiste en la detencion del proceso de fusion mediante la inserci
on en el n
ucleo del reactor
de venenos neutronicos. El n
umero de disparos no previstos de un reactor en un periodo es
un indicador de problemas de comportamiento y de fiabilidad en la planta. En el archivo
de datos disparos.sf3 proporcionamos, para dos a
nos diferentes (1984 y 1993), el n
umero
de disparos no previstos en sesenta y seis reactores nucleares de los Estados Unidos de
Norteamerica.
(a) Analice numerica y graficamente, por separado, el n
umero de disparos de reactor en
cada uno de los dos a
nos considerados.
(b) Compare graficamente las distribuciones de ambas variables Se aprecian diferencias
importantes entre ellas? Que conclusiones le merece esta comparaci
on?
s 26. Sea una variable X que presenta los valorees x1 , x2 , x3 , x4 , x5 con frecuencias absolutas
n1 = 1, n2 = 2, n3 = 8, n4 = 5 y n5 = 6.
(a) Representar la variable X mediante digramas de barras horizontales.
(b) Hacer la representaci
on con barras horizontales apiladas.
Cap. 1. Ejercicios
19
(c) Representar la variable X mediante digramas de barras verticales.

(d) Representar la variable X mediante un diagrama de barras varticales con la lnea base
situada a la altura del punto 4.
(e) Representar la variable X mediante un diagrama de barras horizontales con rectangulos
de error representados por lneas y definidos por la variable Y cuyos valores son 1,5;
2,5; 3,5; 3 y 2.
s 27. La encuesta de poblacion activa elaborada por una empresa referente al cuarto trimestre
de 1.970 presenta para el n
umero de activos por ramas los siguientes datos:
RAMA DE ACTIVIDAD
Agricultura, caza y pesca
Fabriles
Construccion
Comercio
Transporte
Otros servicios
MILES DE ACTIVOS
3706,3
3437,8
1096,3
1388,3
648,7
2454,8
(a) Realizar un grafico de sectores con porcentajes del n

umero de activos por ramas.
(b) Realizar el grafico conlas etiquetas de las ramas de actividad sobre los sectores.
(c) Desplazar el sector relativo a la rama con menor n
umero de activos.
CAPITULO
Probabilidad
2.1
Experimentos, espacios muestrales y eventos
1. Experimentos determinsticos y aleatorios.

(a) Experimento: cualquier acci
on que genera observaciones.
(b) Experimento determinstico: al repetirse bajo las mismas condiciones,
genera siempre los mismos resultados (como, por ejmplo, las leyes fsicas).
stico): Al repertirse bajo las mismas
(c) Experimento aleatorio (o estoca
condiciones, no genera siempre los mismos resultados.
2. Espacio muestral, evento y evento elemental.
(a) Espacio muestral : Conjunto de todos los posibles resultados de un
experimento aleatorio.
(b) Evento: cualquier subconjunto de .
(c) Evento elemental: evento con un solo elemento.
2.2
T
ecnicas de conteo
Conteo por enumeraci

on de elementos, conteo a traves de diagramas de arbol, teorema
fundamental del conteo, principio de adici
on, conteo de permutaciones y el conteo de
combinaciones.
1. Permutaci
on.
Arreglo ordenado de una cantidad finita de objetos distintos.
2. Situaciones especiales (relacionadas con permutaciones).
Permutaciones sin repetici
on de n objetos tomados todos a la vez.
Permutaciones sin repetici

on de n objetos tomados de k en k (k n).
2.2 Tecnicas de conteo
21
Permutaciones circulares.
Permutaciones con repetici

on de n objetos tomados de k en k (k es cualquier
n
umero natural).
Permutaciones de n objetos de los cuales hay n1 de un primer tipo, n2 de
un segundo tipo, . . ., nk de un k-esimo tipo, donde n1 + n2 + + nk = n.
Maneras de hacer una partici

on de un conjunto.
S
olo ilustraremos la primera.
3. Permutaciones sin repetici

on de n objetos tomados todos a la vez.
El n
umero de permutaciones de un conjunto de n elementos distintos es igual1 a
n! := 1 2 (n 1) n, siendo 0! := 1.
Ejemplo 2.2.1 Suponga que una empresa dispone de ocho m
aquinas atornilladoras
y de ocho espacios en el area de producci
on. Entonces, hay 8! = 40.320 maneras de
ordenar las ocho m
aquinas en los ocho espacios disponibles.
4. Combinaci
on.
Cualquier escogencia de k objetos de un conjunto de n objetos distintos, sin
importar el orden en que los k objetos son escogidos (una combinaci
on puede ser
con repetici
on o sin repetici
on).
5. F
ormula para calcular el n
umero de combinaciones.
El n
umero de combinaciones de k objetos seleccionados, sin repetici
on, de un
2
conjunto de n elementos, es

n
n!
n
:=
:= 1.
, siendo
k
0
k!(n k)!
Y el n
umero de combinaciones de k objetos seleccionados con repetici
on, de un
conjunto de n elementos, es

n
n+k1
(n + k 1)!
, siendo
:= 1.
=
k!(n 1)!
0
k
Ejemplo 2.2.2 (Combinaciones tomadas de 2 en 2, sin repetici
on) Hay 10 posibles formas de escoger dos letras de un total de 5, cuando el orden no importa y la
seleccion es sin repeticion.
Ejemplo 2.2.3 (Combinaciones tomadas de 2 en 2, con repetici

on) Hay 15 posibles formas de escoger dos letras de un total de 5, cuando el orden no importa y la
seleccion es con repeticion.
El smbolo ! se conoce con el nombre de factorial. Cuando escribamos, por ejemplo, 5!

leeremos 5 factorial. Algunos valores factoriales son los siguientes:
1! = 1,
2
Los n
umeros
2! = 2 1 = 2,

n
k
3! = 3 2 1 = 6,
4! = 4 3 2 1 = 24,
se conocen con el nombre de coeficiente binomial.
etc.
2.3 Introducci
on a la probabilidad
2.3
22
Introducci
En general, hay 4 formas de calcular o estimar la probabilidad, a saber, mediante

los siguientes metodos (que se relacionan todos entre s): axiomatico, de la frecuencia relativa, clasico y subjetivo.
S
olo explicaremos brevemente los metodos emprico y clasico.
6. Propiedades de la probabilidad.
(a) P() = 0 y P() = 1.
(b) Si los eventos A, B y C son mutuamente excluyentes,3 entonces, P(A B
C) = P(A) + P(B) + P(C).
(c) P(A) = 1 P(A), siendo A el complemento de A.
(d) 0 P(A) 1.
(e) P(A) = P(A B) + P(A B).

n para 2 eventos o fo
rmula de Silvester:
(f) Teorema de adicio
P(A B) = P(A) + P(B) P(A B).
n para 3 eventos o fo
rmula de Silvester:
(g) Teorema de adicio
P(ABC) = P(A)+P(B)+P(C)P(AB)P(AC)P(BC)+P(ABC).
7. M
etodo emprico.
Utiliza datos que se han observado empricamente, registra la frecuencia con que
ha ocurrido alg
un evento en el pasado y estima la probabilidad de que el evento
ocurra nuevamente con base en estos datos hist
oricos.
8. Frecuencia relativa de un evento.
Supongamos que un experimento aleatorio se repite n veces y que un evento
A asociado con estas n repeticiones ocurre exactamente k veces. Entonces, la
k
.
frecuencia relativa del evento A es fn = n
Ejemplo 2.3.1 La tabla 2.1 muestra experimentos hechos por tres investigadores:
Observese que en cada una de las investigaciones, la frecuencia relativa del n
umero de
caras es aproximadamente 0,5, que es la probabilidad de obtener una cara.
9. Probabilidad emprica.
Sea A un evento asociado con un experimento. Entonces, la probabilidad P(A) es
aproximadamente igual a la frecuencia relativa de A si efectuamos el experimento
muchas veces.
Al usar esta definici
on, tener en cuenta:
Esta probabilidad es solo una estimaci
on del valor real.
3
Es decir, todas las posibles intersecciones son vacas.
2.3 Introducci
Hecho
por
Buffon
K. Pearson
K. Pearson
23
N
umero de
Lanzamientos
4.040
12.000
24.000
N
umero
de caras
2.048
6.019
12.012
Frecuencia
relativa
de caras
0,5069
0,5016
0,5005
Fig. 2.1: Lanzamientos de una moneda realizada por 3 investigadores

A mayor n
umero de experimentos mejor sera la estimaci
on.
Los experimentos deben repetirse siempre bajo las mismas condiciones.

10. Probabilidad (cl
asica) un evento elemental.
Sea un espacio muestral finito y no vaco. Entonces,
P(evento elemental) =
1
.
N
umero de elementos de
(2.1)
Ejemplo 2.3.2 Consideremos el experimento de lanzar una moneda. Entonces, la

probabilidad de obtener cara, simbolizado por P(C), y la de obtener sello, simbolizado
por P(S), esta dado por P(C) = P(S) = 12 = 0, 5. Estas probabilidades las interpretamos de la siguiente manera: En un gran n
umero de lanzamientos aparecera una cara
aproximadamente en la mitad de los lanzamientos y sello en la otra mitad. O tambien
podemos decir: si la moneda se lanza repetidamente, entonces, el 50% (que resulta de
multiplicar 0,5 por 100) de las veces resultar
a cara y en el otro 50%, sello.
11. Probabilidad (cl

asica) de un evento.
Sea finito, no vaco y supongamos que (2.1) se cumple para cada evento elemental de . Entonces, para cada evento A de , tenemos
P(A) =
N
umero de elementos de A
.
N
umero de elementos de
(2.2)
Ejemplo 2.3.3 Dos dados no falsos se lanzan. Sea B el evento de obtener por lo
menos un 11. Entonces, la probabilidad de que la suma sea por lo menos un 11 es
3
1
P(B) = 36
= 12
.
Ejemplo 2.3.4 En la primera epoca del desarrollo de un yacimiento de petr
oleo, una
empresa estimo en 0,1 la probabilidad de que las reservas econ
omicamente recuperables excedieran los 2.000 millones de barriles. La probabilidad de que las reservas
excediesen los 1.000 millones de barriles se estimo en 0,5. Dada esta informaci
on, la
probabilidad estimada de que las reservas se encuentren entre 1.000 y 2.000 millones
de barriles es 0, 5 0, 1 = 0, 4.
Ejemplo 2.3.5 Un estante tiene 6 libros de matematicas y 4 de fsica. Si todos

los libros de matematicas son diferentes y los libros de fsica tambien, entonces, la
probabilidad de que 3 libros determinados de matematicas esten juntos es P(A) =
8! 3!
10! = 0, 0666.
2.3 Introducci
24
Ejemplo 2.3.6 Una caja de doce lapiceros tiene dos que estan defectuosos. Se extraen tres lapiceros sin reemplazo. Entonces, la probabilidad de que dos salgan defec10
= 0, 045.
tuosos es P(A) = 220
12. Probabilidad condicional de A dado B.

Se define como P(A/B) = P(AB)
P(B) si P(B) > 0.
Ejemplo 2.3.7 Una persona lanza una moneda tres veces. Entonces, la probabilidad
1
de obtener 3 caras dado que salio por lo menos una cara es 1/8
7/8 = 7 .
13. Teorema de multiplicaci

on para 2 eventos.
Si A y B son dos eventos de un espacio muestral 6= y si P(B A) > 0,
entonces,
P(B A) = P(B/A) P(A) o por P(B A) = P(A/B) P(B).
Ejemplo 2.3.8 Supongamos que una caja tiene diez bolas, de los cuales tres estan
defectuosas. Se sacan dos bolas, una detr
as de la otra y sin reemplazo. Sean A el
evento la primera bola sacada esta defectuosa y B el evento la segunda bola sacada
esta defectuosa. Entonces, la probabilidad de sacar una bola defectuosa seguida de
otra defectuosa es
P(A B) = P(A) P(B/A) =
3 2
.
10 9

on para 3 eventos.
Si P(A1 A3) > 0, entonces,
P(A1 A3) = P(A1) P(A2/A1) P(A3/A1 A2).
Como podemos observar claramente, en este teorema hemos considerando que A1 es el evento
que primero sucede, luego sucede A2 ; posteriormente, A3 .
Ejemplo 2.3.9 Una caja contiene 6 fichas rojas, 4 blancas y 5 azules. Halle la
probabilidad de que se extraigan en el orden roja (R), blanca (B) y azul (A) si las
fichas no se reemplazan es P(R B A) = 0, 044.
15. Teorema de la probabilidad total.

Si los eventos A1, A2, . . ., An forman una partici
on4 de un espacio muestral y
si P(Ai) > 0 para todo i = 1, . . . , n, entonces, para cada evento B de , se tiene
que
P(B) = P(B/A1) P(A1) + P(B/A2) P(A2) + + P(B/An) P(An).
Ejemplo 2.3.10 La caja I contiene 3 fichas rojas(R) y 2 azules (A), en tanto que la
caja II contiene 2 fichas rojas y 8 azules. Se lanza una moneda no falsa de tal forma
que si cae cara, entonces, se saca una ficha de la caja I y, por el contrario, si cae sello,
se saca una ficha de la caja II. Supongamos que quien lanza la moneda no revela si
resulta cara o sello (de tal forma que la caja de la cual se saco una ficha no se revela).
4
Es decir, todas las posibles intersecciones son vacas y la uni

on de todos los eventos son iguales
a .
2.3 Introducci
25
Fig. 2.2: Diagrama para la situaci

on del ejemplo 2.3.10
Entonces, la probabilidad de haber sacado una ficha roja es
P(R) = P(R/I) P(I) + P(R/II) P(II) = 0, 4.
Ejemplo 2.3.11 Un editor enva propaganda de un libro de estadstica al 70% de

aquellos profesores que estan a cargo de esa materia. El 40% de aquellos que recibieron
la propaganda se decidieron a utilizar el libro, inclusive, el 20% de los que no recibieron
la propaganda tambien utilizaran el libro. Entonces, la probabilidad de utilizar el
libro es 0,34 (se aplica el teorema de la probabilidad; tambien se puede calcular la
probabilidad con ayuda del diagrama de arbol que aparece en la figura 2.3).
Fig. 2.3: Diagrama para la situaci

on del ejemplo 2.3.11
16. Regla o teorema de Bayes.
Sea A1, A2, . . . , An una partici
on5 de un espacio muestral . Entonces, para
cada evento B con P(B) > 0 y para todo k = 1, . . . , n, se tiene
P(Ak/B) =
P(B/Ak) P(Ak)
.
P(B/A1) P(A1) + P(B/A2) P(A2) + + P(B/An) P(An)
Para poder aplicar la regla de Bayes, recomendamos dibujar siempre un diagrama

de arbol.
5
Es decir, todas las posibles intersecciones son vacas y la uni

on de todos los eventos son iguales
a .
2.3 Introducci
26
Ejemplo 2.3.12 Considere la situaci

on del ejemplo 2.3.10. Entonces, la probabilidad
de haber escogido la caja I (es decir, que el resultado de la moneda sea cara) es
P(I/R) =
P(R/I) P(I)
=
P(R/I) P(I) + P(R/II) P(II)
3
5
3
5
1
2
1
2
1
5
1
2
3
= 0, 75.
4
Ejemplo 2.3.13 Un analista de bolsa examina las perspectivas de las acciones de un

gran n
umero de compa
nas. Cuando se investigo el comportamiento de estas acciones
un a
no antes, se descubri
o que el 15% experimentaron un crecimiento superior al de la
media, el 40% inferior y el 45% restante se mantuvieron alrededor de la media. El 30%
de los valores que crecieron por encima de la media fueron clasificados como buenas
adquisiciones por el analista, al igual que el 15% de las que crecieron alrededor de
la media y el 20% de las que tuvieron un crecimiento inferior. Al aplicar el teorema
de Bayes, la probabilidad de que un valor clasificado como buena adquisicion por
el analista crezca por encima de la media del mercado es igual a 0,3658.
Ejemplo 2.3.14 En cierta ciudad, aproximadamente el 10% de los habitantes esta

afectado por una rara enfermedad (A), para la cual se ha desarrollado una prueba de
diagnostico. A traves de esta prueba se ha determinado que el 85% de los individuos
que padecen la enfermedad, presentan un resultado positivo (B), mientras que el
20% de los individuos sin la enfermedad muestran un resultado de prueba positivo.
Supongamos que se hace una prueba en un individuo seleccionado al azar. Todas
las probabilidades mencionadas en el problema se pueden identificar en el siguiente
diagrama de arbol que se muestra en la figura 2.4.
Fig. 2.4: Diagrama de arbol para los datos del ejemplo 2.3.12.
(a) La probabilidad de que el resultado sea positivo es
P(B) = P(A) P(B/A) + P(A) P(B/A) = 0, 085 + 0, 18 = 0, 265.
(b) Si el resultado es positivo, entonces, la probabilidad de que el individuo tenga
2.4 Independencia
27
la enfermedad es (por el teorema de Bayes):

P(A/B) =
2.4
0, 085
P(A B)
=
= 0, 3207.
P(B)
0, 265
Independencia
1. Independencia.
A, B son (estocasticamente) independientes, si y s
olo si P(A/B) = P(A) y son
dependientes en cualquier otro caso. Es decir, el evento A es independiente del
evento B si la probabilidad de A no se ve afectada por la ocurrencia o no de B.
on para eventos independientes.
Dos eventos A, B de un espacio muestral 6= son independientes si y s
olo si
P(A B) = P(A)P(B).
3. Teorema de independencia.
Sean A, B eventos de un espacio muestral 6= . Entonces, las siguientes cuatro
proposiciones son equivalentes:
(a) A y B son independientes.
(b) A y B son independientes.
(c) A y B son independientes.
(d) A y B son independientes.
Ejercicios
1. Una universidad realiza tres tipos de pruebas a 100 aspirantes y obtiene los siguientes
resultados: 2 fracasaron en las tres pruebas; 7, en la primera y en la segunda; 8, en la
segunda y en la tercera; 10, en la primera y en la tercera; 25, en la primera; 30, en
la segunda; 25, en la tercera. Determine el n
umero de aspirantes que conforman los
siguientes eventos:
(a) Fracasaron exactamente en una prueba.
(b) Aprobaron las tres pruebas.
(c) Fracasaron en la primera y en la tercera, pero no en la segunda.
(d) Fracasaron en la segunda y en la tercera, pero no en la primera.
(e) Fracasaron en al menos una prueba.
(f) Aprobaron al menos una prueba
(g) Aprobaron la segunda o la tercera, pero no la primera.
2. Un equipo de f
utbol ha determinado contratar un futbolista de talla internacional para el
proximo campeonato. Sean A, B y C eventos que representan el hecho de que el futbolista
contratado ha jugado en el Real Madrid, en el Milan y en el Bayern de Munich, respectivamente. Utilice las operaciones de union, interseccion y complemento para describir, en
terminos de A, B y C, dibuje un diagrama de Venn y sombree la region correspondiente
a cada uno.
(a) Por lo menos el futbolista ha jugado en uno de los tres equipos mencionados anteriormente.
Cap. 2. Ejercicios
28
(b) El futbolista ha jugado en los tres equipos mencionados anteriormente.

(c) El futbolista ha jugado en el Real Madrid y no en el Milan.
(d) El futbolista solo ha jugado en el Bayern de Munich.
(e) El futbolista ha jugado exactamente en uno de los tres equipos mencionados anteriormente.
3. Los estudiantes de un curso de estadstica se clasifican como estudiantes de administraci
on, economa o ingeniera; como repitente o no repitente y tambien como hombre o
mujer. Encuentre el n
umero total de clasificaciones posibles para los estudiantes de dicho
curso.
4. Supongamos que 7 personas se quieren organizar en una fila. De cuantas maneras
diferentes pueden hacerlo?
5. La mayor accionista de una determinada empresa decide que en el futuro se divida el presupuesto de publicidad entre tres agencias. Seis son las agencias que se estan considerando
para este trabajo. Cuantas son las posibles elecciones de tres agencias?
6. Las placas para autos en Barranquilla antes tenan dos letras y cuatro n
umeros. El sistema
de nomenclatura cambio y ahora son de tres letras y tres n
umeros. Con el sistema actual,
aumento o disminuyo el n
umero de placas que se pueden emitir? En que porcentaje?
7. En una comunidad el 30% de las personas son fumadoras, 55% son bebedoras y 20%
tanto fumadoras como bebedoras. Calcule la probabilidad de que una persona elegida al
azar (a) fume pero no beba, (b) ni fume ni beba, (c) fume o no beba. Interprete siempre
sus resultados.
8. Para un control de calidad se seleccionan aleatoriamente dos abanicos sin reemplazo de un
lote. Si uno de los dos abanicos esta defectuoso, todo el lote se rechaza. Si una muestra
de 200 abanicos contiene cinco defectuosos calcule la probabilidad de que la muestra sea
rechazada.
9. La siguiente tabla recoge las proporciones de adultos en cierta ciudad, clasificadas en
aquellos que fuma o no fuman y aquellos que tiene problemas de salud.
Problemas
S
No
Fuman
0,15
0,18
No fuman
0,09
0,58
(a) Cual es la probabilidad de que un adulto de esta poblacion elegido al azar tenga
problemas de salud?
(b) Cual es la probabilidad de que un adulto de esta poblacion elegido fume?
(c) Cual es la probabilidad de que un adulto de esta poblacion elegido al azar que no
fume tenga problemas de salud?
10. En cierta empresa, 31% de los empleados son europeos, 42% son asiaticos y 27% son
latinoamericanos. De los empleados europeos, 34% son mujeres; de los asiaticos, 42%
son mujeres; mientras que de los latinoamericanos, 72% son mujeres.
(a) Cual es la probabilidad de que un empleado seleccionado al azar sea una (mujer)
europea? (Hombre) asiatico?
(b) Cual es la probabilidad de que un empleado seleccionado al azar sea una mujer?
Hombre?
(c) Si un empleado seleccionado al azar es una mujer, cual es la probabilidad de que sea
europea? Asiatica? Latinoamericana?
Cap. 2. Ejercicios
29
(d) Repita el inciso anterior, teniendo en cuenta que el empleado seleccionado sea un
hombre.
11. Una empresa fabrica computadores, cuyo disco duro tienen capacidad de 20 GB y otros
con capacidad de 30 GB. En el mes anterior, 35% de los computadores vendidos han sido
los que tienen disco duro de 20 GB. De los compradores de computadores con disco duro
de 20 GB, 45% compran los que tienen una memoria RAM de 356 MB, mientras que
el 30% de los compradores de computadores con disco duro de 30 GB tambien lo hacen
as. Si sabemos que un comprador seleccionado al azar ha comprado un computador con
memoria RAM de 356 MB, cual es la probabilidad de que tenga un computador con disco
duro de 30 GB?
12. Una prestigiosa Universidad de Barranquilla utiliza tres hoteles locales para proporcionar
hospedaje nocturno a sus profesores invitados. Supongamos que a 25% de los profesores
se les asignan habitaciones en el Hotel Las Nieves, al 45% en el Hotel El Mar y al 30%
en el Hotel San Felipe. Si hay una decorado especial en 3% de la habitaciones del Hotel
Las Nieves, 5% del Hotel El Mar y en 8%de las habitaciones del Hotel San Felipe, cual
es la probabilidad de que
(a) a un cliente se le asigne una habitacion con decorado especial?
(b) a una persona con una habitacion que tiene un decorado especial se le haya acomodado
en el Hotel El Mar?
13. Una emisora de bonos municipales tiene tres categoras de clasificacion (A, B y C).
Suponga que el a
no pasado, de los bonos municipales que se emitieron en cierto pais,
70% tuvieron clasificacion A, 20% clasificacion B y 10% clasificacion C. De los bonos
municipales con clasificacion A, 50% fueron emitidos en ciudades, 40% en suburbios y
10% en areas rurales. De los bonos municipales con clasificacion B, 60% fueron emitidos
en ciudades, 20% en suburbios y 20% en areas rurales. De los bonos municipales con
clasificacion C, 90% fueron emitidos en ciudades, 5% en suburbios y 5% en areas rurales.
(a) Que proporcion de bonos municipales emiten las ciudades? Los suburbios? Las
areas rurales?
(b) Si una ciudad emitiera un nuevo bono municipal, cual seria la probabilidad de que
tuviera clasificacion A?
14. Se les pregunto a los suscriptores de un periodico local si lean regularmente, ocasionalmente o nunca la seccion de deportes y, tambien, si haban practicado f
utbol durante el
a
no anterior. La proporciones obtenidas en la encuesta figuran en la siguiente tabla.
F
utbol
S
No
Lee regularmente
0,21
0,10
Lee ocasionalmente
0,16
0,04
Nunca lee
0,31
0,18
(a) Cual es la probabilidad de que un suscriptor elegido al azar nunca lea la seccion de
deportes?
(b) Cual es la probabilidad de que un suscriptor elegido al azar haya jugado f
utbol durante
el a
no pasado?
(c) Cual es la probabilidad de que un suscriptor que nunca lea la seccion de deportes
haya jugado f
utbol durante el a
no pasado?
(d) Cual es la probabilidad de que un suscriptor que ha jugado f
utbol durante el a
no
pasado nunca lea la seccion de deportes?
(e) Cual es la probabilidad de que un suscriptor que no lea regularmente la seccion de
deportes haya jugado f
utbol durante el a
no pasado?
Cap. 2. Ejercicios
30
15. Suponga que las proporciones de fenotipos sanguneos en determinada poblacion son los
siguientes: A : 35%, B : 28%, AB : 13% y O : 24%. Supongamos que los fenotipos de
dos personas seleccionadas al azar son independientes entre s. Cual es la probabilidad
de que ambos fenotipos sean O?
16. Se clasifican muestras de hule de espuma de tres proveedores de acuerdo a si cumplen o
no con las especificaciones. Los resultados de 100 muestras se resumen a continuacion:
Proveedor
1
2
3
S cumple
17
18
50
No cumple
3
10
2
Si A denota el evento de que una muestra es del proveedor 1 y si B denota el evento de

que una muestra cumple con las especificaciones, determine si A y B son independientes.
Son independientes A y B?
17. Se selecciono una muestra de 570 encuestados en una cierta ciudad para recoger informacion acerca del comportamiento de los consumidores. Entre las preguntas estaba:
Disfruta usted comprando ropa? De 270 hombres, 165 respondieron que s. De 300
mujeres, 224 respondieron que s.
(a) Suponga que el participante elegido es mujer. Cual es la probabilidad de que no
disfrute comprando ropa?
(b) Suponga que el participante elegido disfruta comprando la ropa. Cual es la probabilidad de que la persona sea hombre?
(c) Los eventos disfrutar comprando ropa y sexo del participante, son estadsticamente
independientes? Explique.
18. Una compa
na de seguros estima que el 30% de los accidentes de automovil son debidos
al estado de embriaguez del conductor y que el 20% provocan heridos. Ademas, el 40% de
los accidentes que dan lugar a heridos son debidos al estado de embriaguez del conductor
(a) Cual es la probabilidad de que un accidente elegido al azar haya sido causado por el
estado de embriaguez del conductor y haya dado lugar a heridos?
(b) Son los sucesos debido al estado de embriaguez del conductor y da lugar a heridos
independientes?
(c) Si un accidente elegido al azar es causado por el estado de embriaguez del conductor,
cual es la probabilidad de que haya dado lugar a heridos?
(d) Cual es la probabilidad de que un accidente elegido al azar haya sido provocado por
el estado de embriaguez del conductor y no haya dado lugar a heridos?
CAPITULO
Distribuciones de probabilidad
3.1
Variables aleatorias discretas
1. Variable aleatoria.
X : R. Se clasifica en discreta o continua.
2. Variable aleatoria discreta.
Tiene una cantidad o finita o (infinita) enumerable de valores.
3. Funci
on de probabilidad f de X.
Una funci
on f : R [0, 1] tal que

P(X = x), si x = x1, x2, . . .;
f(x) =
0,
de otra forma.
Es claro que:
(a) f(x) 0 para todo valor x real.
P
(b)
f(x) = 1.
xR
(c) La gr
afica de f es un histograma de probabilidad.
4. Funci
on de distribuci
on acumulada de X.
Una funci
on F : R [0, 1] definida por
X
F(t) = P(X t) =
f(x),
x; xt
5. Propiedades de F.
(a) 0 F(t) 1.
(b) F es creciente y escalonada.

(c) F() = 1 y F() = 0.
para todo t real.
3.2 Variables aleatorias continuas
32
6. Comentarios generales.
(a) P(X = a) no siempre es cero.
(b) P(a < X b) = F(b) F(a).
(c) P(a X b) 6= F(b) F(a).
(d) P(a X b) 6= P(a < X b).

7. C
omo se calcula f a partir de F?
Si a es el valor maximo posible de X que es estrictamente menor que a, entonces,
f(a) = F(a) F(a)
8. Esperanza y varianza.
X
E(X) =
xk f(xk),
V(X) =
X
k
(xk )2 f(xk).
9. Propiedades de la esperanza y varianza.

(a) E(aX + b) = aE(X) + b.
(b) V(aX + b) = a2V(X).

2
(c) V(X) = E(X2) E(X) .
3.2
Variables aleatorias continuas
1. Variable aleatoria.
X : R. Se clasifica en discreta o continua.
2. Variable aleatoria continua.
Tiene una cantidad infinita no enumerable de valores.
3. Funci
on de densidad f de X.
Una funci
on f : R [0, ) que cumple las dos condiciones:
(a) P(a X b) =
Rb
f(x) dx, para todo a y b reales.
(b) El area bajo toda la grafica de f es 1, es decir,
f(x) dx = 1.
La gr
afica de f es una curva.
4. Funci
on de distribuci
on acumulada de X.
Una funci
on F : R [0, 1] definida por
F(t) = P(X t) =
Zt
f(x) dx,
para todo t real.
Cap. 3. Ejercicios
33
5. Propiedades de F.
(a) 0 F(t) 1.
(b) F es creciente y continua.

(c) F() = 1 y F() = 0.
6. Comentarios generales.
(a) P(X = a) siempre es cero.
(b) P(a < X b) = F(b) F(a).
(c) P(a X b) = F(b) F(a).
(d) P(a X b) = P(a < X b) = P(a X < b) = P(a < X < b).
7. C
omo se calcula f a partir de F?
f(x) = F (x), para todo valor de x en donde exista la derivada.
8. Esperanza y varianza.
E(X) =
x f(x) dx,
V(X) =
(x )2 f(x) dx.
9. Propiedades de la esperanza y varianza. Las mismas que en el caso discreto.
Ejercicios
1. Son las siguientes afirmaciones verdaderas o falsas? Justifique cada respuesta.
(a) Toda variable aleatoria es un n
umero.
(b) Si f es la funcion de probabilidad de una variable aleatoria discreta X y 0 es un posible
valor de X, entonces, f(0) = 0.
(c) Para cualquier variable aleatoria discreta X se cumple que P(X = 1) = 1, en donde 1
es un posible valor de X.
(d) Si F es la funcion de distribuci
on acumulada de una variable aleatoria X discreta,
entonces, F es una funcion escalonada.
(e) Si X es una variable aleatoria discreta con funcion de distribuci
on acumulada F, entonces, se cumple que P(3 X < 5) = F(5) F(3).
(f) Si f es la funcion de densidad de una variable aleatoria continua X, entonces, f(x) =

P(X = x), para todo n
umero real x.
(g) Para cualquier variable aleatoria continua X se cumple que P(X = 1) = 1.

(h) Si F es la funcion de distribuci
on acumulada de una variable aleatoria X continua,
entonces, F es una funcion escalonada
(i) Si X es una variable aleatoria continua con funcion de distribuci
on acumulada F,
entonces, se cumple que P(4 X < 8) = F(8) F(4).
(j) Si X es cualquier variable aleatoria y si la variable aleatoria X + 4 tiene esperanza 1,

entonces, la esperanza de X es 5.
Cap. 3. Ejercicios
34
2. Una pizzera, que atiende pedidos por correo, tiene cinco lneas telef
onicas. Sea X la
variable aleatoria que representa al n
umero de lneas en uso en un momento especfico.
Supongamos que la funcion de probabilidad f de X esta dada en la siguiente tabla:
Valor x de X
f(x)
0
0,20
1
0,25
2
0,10
3
0,15
4
0,09
5
0,21
Calcule la probabilidad de cada uno de los siguientes eventos:

(a) A = a lo sumo 2 lneas estan en uso.
(b) B = menos de 4 lneas estan en uso.
(c) C = por lo menos 3 lneas estan en uso.
(d) D = entre 2 y 4 (ambos inclusive) lneas estan en uso.
(e) E = entre 2 y 5 (ambos inclusive) lneas no estan en uso.
(f) F = por lo menos 3 lneas no estan en uso.
3. La funcion de probabilidad de la variable aleatoria X que representa al n
umero de imperfecciones por 4 metros de un papel especial en rollos continuos de ancho uniforme, esta
dada por
x
f(x)
0
0,21
1
0,28
2
0,10
3
0,25
4
0,16
Determine la funcion de distribuci

on acumulada de X y representela graficamente.
4. Una fabricante de lapiceros tiene un programa de control de calidad que incluye la inspeccion de lapiceros recibidos para revisar que no tengan defectos. Supongamos que, en
cierto da, el recibe lapiceros en lotes de cinco y se seleccionan dos lapiceros de un lote
para inspeccionarlos. Podemos representar los posibles resultados del proceso de selecci
on
por pares. Por ejemplo, el par (3, 4) representa la seleccion de los lapiceros 3 y 4 para
inspeccionarlos.
(a) Haga una lista de los resultados diferentes.
(b) Supongamos que los lapiceros 3 y 4 son los u
nicos defectuosos de un lote de cinco y
se van a escoger dos lapiceros al azar. Defina la variable aleatoria X como el n
umero
de de lapiceros defectuosos observado entre los inspeccionados. Encuentre la funcion
de probabilidad de X.
(c) Encuentre la funcion de distribuci
on acumulada F de X y representela graficamente.
5. Al invertir en unas acciones particulares, una persona puede tener una ganancia en un a
no
de $8.000.000 con probabilidad de 0,4 o tener una perdida de $2.000 con probabilidad de
0,6. Cual es la ganancia esperada de esta persona? Interprete su respuesta.
6. El n
umero total de horas, medidas en unidades de 10 horas, que una familia utiliza una
lavadora en un perodo de 6 meses es una variable continua X con funcion de densidad
si 0 < x < 1,
x,
f(x) = 2 x si 1 x < 2,
0,
de otro modo.
(a) Haga un bosquejo de la grafica de f.
(b) Cual es la probabilidad de que en un perodo de 6 meses, una familia utilice su

lavadora menos de 15 horas? Entre 5 y 12 horas?
Cap. 3. Ejercicios
35
7. Suponga que la temperatura de reaccion (en grados centgrados) de cierto proceso qumico
es una variable aleatoria continua X con funcion de densidad

1 x, si k x k,
f(x) =
0,
de otra manera.
(a) Halle el valor de k para que f sea en realidad una densidad y, luego, trace la grafica
de f.
(b) Calcule la probabilidad de que la temperatura de reaccion sea estrictamente positiva.
(c) Calcule la probabilidad de que la temperatura de reaccion se encuentre entre 0 y 1/2
grados centgrados.
(d) Calcule probabilidad de que la temperatura de reaccion sea menor que 1/4 grados
centgrados o mayor que 1/4 grados centgrados.
8. Un maestro universitario nunca termina su clase antes de que suene la campana y siempre
termina su clase por lo menos 2 minutos despues de que suena la campana. Sea X el
tiempo (en minutos) que transcurre entre la campana y el termino de la clase, y suponga
que la funcion de densidad de X es

kx2 , si 0 x 2,
f(x) =
0,
de otra manera.
(a) Encuentre el valor de k y luego grafique f.
(b) Cual es la probabilidad de que la clase termine por lo menos 1 minuto despues de
que suene la campana?
(c) Cual es la probabilidad de que la clase contin
ue entre 60 y 90 segundos despues de
que suene la campana?
(d) Cual es la probabilidad de que la clase contin
ue por lo menos 90 segundos despues
de que suene la campana?
9. Un vendedor recibe un salario anual de 12.000.000 de pesos, mas un 5% del valor de
las ventas que realiza. Las ventas anuales pueden representarse mediante una variable
aleatoria con media 20.000.000 de pesos y desviacion tpica de 2.000.000 de pesos. Halle
la media y la desviacion del ingreso anual de este vendedor.
CAPITULO
Distribuciones especiales
1. Distribuciones especiales discretas:

Uniforme discreta, de Bernoulli, binomial, de Poisson, hipergeometrica, binomial
negativa, geometrica, etc.
2. Distribuciones especiales continuas:
Uniforme continua, normal, gamma, exponencial, t de Student, Chi-cuadrada, F
de Weibull, etc.
4.1
La distribuci
on uniforme (discreta)
1. Definici
on.
Una variable aleatoria discreta X con los valores enteros sobre el intervalo [a, b]
n uniforme discreta sobre el conjunto de los n
tiene distribucio
umeros en1
,
teros que estan en el intervalo [a, b], cuando se tiene que P(X = x) = ba+1
para todo x entero que esta en el intervalo [a, b]. Ademas,
E(X) =
4.2
a+b
2
V(X) =
(b a + 1)2 1
.
12
La distribuci
on binomial
1. Experimento de Bernoulli.
Aquel con s
olo dos resultados posibles: exito y fracaso y en donde un exito
ocurre con probabilidad p, siendo 0 < p < 1.
2. Experimento binomial.
Es un experimento de Bernoulli que se ejecuta n veces, de tal manera que las
diferentes ejecuciones se efect
uen independientemente unas de las otras.
3. Distribuci
on binomial.
Si se realiza n veces un experimento de Bernoulli con probabilidad de exito p y si
4.3 La distribuci
on de Poisson
37
X denota al n
umero total de exitos obtenidos, entonces, la probabilidad de que se
obtengan k exitos es
k
nk
P(X = k) = n
,
k = 0, 1, 2, . . . , n.
k p (1 p)
n
La correspondiente distribuci
on de X se conoce con el nombre de distribucio
binomial con parametros n y p. Ademas, E(X) = np y V(X) = np(1 p).
Fig. 4.1: Distribuci

on binomial para varios n pero fijo np = 3.
Ejemplo 4.2.1 Una moneda no falsa es lanzada 10 veces. Consideraremos el evento
cara como un exito y sello como un fracaso. Es claro que p = 0, 5, n = 10 y
las condiciones basicas que caracterizan a la distribucion binomial se satisfacen. Por
consiguiente,
(a) La probabilidad de tener exito exactamente 7 veces es 0,1172.
(b) La probabilidad de tener a lo m
as 7 exitos es 0,945.
(c) La probabilidad de tener por lo menos 3 exitos es 0,945 y la probabilidad de
ning
un exito es 9.766 104 .
4.3
La distribuci
on de Poisson
1. Experimento y proceso de Poisson.

Consideremos las siguientes variables aleatorias:
(a) El n
umero de partculas emitidas por cierta sustancia radioactiva en un determinado lapso de tiempo.
(b) El n
umero de llamadas que llegan a una central telef
onica en cierto intervalo
de tiempo.
4.3 La distribuci
on de Poisson
38
(c) El n
umero de
ordenes de devoluci
on de piezas que recibe una empresa en
una semana.
(d) El n
umero de veces que falla una pieza de un equipo durante un perodo de
tres meses.
(e) El n
umero de huelgas anuales en un empresa.
Cada una de estas variables aleatorias esta asociada a unos procesos llamados
procesos de Poisson.
2. Distribuci
on de Poisson.
Consideremos un proceso de Poisson con parametro > 0 (es decir, es el n
umero
promedio de ocurrencias por unidad de tiempo) y sea X el n
umero de eventos
que ocurren en un intervalo de tiempo [0, t]. Entonces, la probabilidad de que
ocurran k eventos en el intervalo [0, t] esta dada por
P(X = k) =
1 k
e ,
k!
k = 0, 1, 2, 3, . . . .
siendo e la base del logaritmo natural. La correspondiente distribuci

on de X se
n de Poisson con parametro . E(X) =
conoce con el nombre de distribucio
V(X) = .
Fig. 4.2: Distribuciones de Poisson para varios valores del par

ametro .
Ejemplo 4.3.1 Los sabados por la ma
nana, los clientes entran en una peque
na tienda
de un centro comercial suburbano a una tasa esperada de 0,50 por minuto. Halle la
probabilidad de que el n
umero de clientes que entran en un intervalo especfico de 10
minutos es (a) 3, (b) a lo m
as 3.
SOLUCION:
Las hipotesis del proceso de Poisson parecen ser razonables en este contexto. Damos
por sentado que los clientes no llegan en grupos (o podemos contar al grupo entero
como un solo cliente) y que la entrada de un cliente no aumenta ni disminuye la
4.4 La distribuci
on hipergeometrica
39
probabilidad de que llegue otro. Para obtener , observamos que auna tasa media de
0,50 por minuto durante un periodo de 10 minutos, podemos esperar = (0, 50)(10) =
5 entradas. Sea X la variable aleatoria que representa al n
umero de clientes que entran
en un intervalo especfico de 10 minutos. Por tanto, (a) P(X = 3) = 0, 1403 y (b)
P(X 3) = 0, 2650.
Ejemplo 4.3.2 La distribucion de Poisson ha resultado ser muy u

til en problemas
de lneas de espera o colas. Los clientes llegan a una m
aquina fotocopiadora a una
tasa media de 2 cada 5 minutos. En la practica, se pueden representar los procesos
de llegada de esta clase mediante una distribucion de Poisson. Asumiendo que este es
el caso,
(a) La probabilidad de que no haya llegadas en un perodo de cinco minutos es 0,135.
(b) La probabilidad de que haya 1 llegada es 0,271.
(c) La probabilidad de que haya estrictamente m
as de dos llegadas es 0,323.
3. Teorema de aproximaci
on de la binomial a la Poisson.
Sea X una variable aleatoria binomial con parametros n y p. Si n es grande
(n 100), p peque
na (p 0, 01) y np tiene un tama
no moderado (np 20),
entonces, la distribuci
on binomial con parametros n y p puede aproximarse bien por
la distribuci
on de Poisson con parametro = np. Es decir, bajo estas condiciones
se cumple que
b(k; n; p) p(k; np),
k = 0, 1, 2, 3, . . .
o, que es equivalente,
B(k; n; p) P(k; np),
k = 0, 1, 2, 3, . . . .
Ejemplo 4.3.3 Una cierta compa

na electr
onica produce 15.000 unidades de un tipo
especial de tubo al vaco. Se ha observado que, en promedio, 3 tubos de 300 son
defectuosos. La compa
na empaca los tubos en cajas de 600. Cu
al es la probabilidad
de que en una caja de 600 tubos hayan (a) 5 tubos defectuosos, (b) por lo menos 3
defectuosos y (c) a lo m
as 1 defectuoso?
SOLUCION:
Sea X la variable aleatoria que representa al n
umero de tubos defectuosos. Entonces,
X es una variable binomial con par
ametros n = 600 y p = 0, 01. Aplicando el teorema
de aproximacion, tenemos (a) P(X = 5)0, 161, (b) P(X 3) = 0, 938 y (c) P(X 1) =
0, 017.
4.4
La distribuci
on hipergeom
etrica
1. Experimento hipergeom
etrico.
trico con parametros n, M y N
En general, un experimento hipergeome
esta basado en las siguientes suposiciones (vease la figura 4.3):
(H1) La poblaci
on o conjunto donde deba hacerse el muestreo es una poblaci
on
finita con N elementos.
4.4 La distribuci
on hipergeometrica
40
(H2) Cada elemento de la poblaci

on puede ser caracterizado como un exito o un
fracaso.
(H3) Hay M exitos en la poblaci
on.
(H4) Se elige una muestra sin reemplazo de n individuos, de tal forma que sea
igualmente probable seleccionar cada subconjunto de tama
no n.
Fig. 4.3: Esquema gr

afico de un experimento hipergeometrico
2. Distribuci
on hipergeom
etrica.
Sea X el n
umero de exitos obtenidos en una muestra escogida al azar al realizar un
experimento hipergeometrico con parametros n, M y N. Entonces, la probabilidad
de elegir de manera exacta k exitos en n intentos esta dada por

M NM
P(X = k) =
nk

N
n
donde k = 0, 1, 2, . . . , n y
n N.
(4.1)
n
hipergeometrica con parametros n, M y N.

Nn
M
M
M
y
V(X) =
1
n
.
E(X) = n
N
N1
N
N
Las distribuciones binomial e hipergeometrica coinciden cuando
n
N
0, 05.
Ejemplo 4.4.1 Una cantidad de 8 componentes electricas estan sujetas a un control

de calidad. Fue encontrado que 3 de las componentes no estaban defectuosas y las
componentes que quedaban s lo estaban. Si una muestra aleatoria de 3 componentes
son escogidas de este lote, cual es la probabilidad de que (a) exactamente 2 de ellas
esten defectuosas?, (b) a lo m
as 1 de ellas este defectuosa?
SOLUCION:
Sea X la variable aleatoria que representa al n
umero de componentes defectuosas.
Aplicando la distribucion hipergeometrica con par
ametros n = 3, N = 8 y M = 3,
tenemos que (a) P(X = 2) = 0, 26786 y (b) P(X 1) = 0, 714286.
Ejemplo 4.4.2 Una compa

na recibe un pedido de 20 artculos. Dado que la inspeccion de cada artculo es cara, se sigue la poltica de analizar una muestra de 6
artculos de cada envo (seleccionada sin reemplazo y sin orden), aceptando la remesa
si no hay m
as de un artculo defectuoso en la muestra. Entonces, la probabilidad de
que sea aceptado un pedido con cinco artculos defectuosos es de 0,516.
4.5 Las distribuciones binomial negativa y geometrica
4.5
41
Las distribuciones binomial negativa y geom

etrica
1. Experimento binomial negativo.

Un experimento binomial negativo con parametros r y p esta caracterizado
por las siguientes condiciones:
(BN1) El experimento consta de una serie de experimentos de Bernoulli y que son
independientes entre s.
(BN2) La probabilidad de exito p de cada experimento de Bernoulli es siempre la
misma.
(BN3) El experimento contin
ua hasta que un total de r exitos se haya observado,
siendo r un entero no negativo dado.
2. Distribuci
on binomial negativa.
Sea X el n
umero de fracasos que preceden al r-esimo exito en un experimento
binomial negativo con parametros r y p. Entonces, la probabilidad de que hayan
k fracasos antes del r-esimo exito esta dada por

k+r1 r
p (1 p)k,
k = 0, 1, 2, . . . .
P(X = k) =
r1
n
binomial negativa con parametros r y p. Ademas,
E(X) =
r(1 p)
p
V(X) =
r(1 p)
.
p2
Ejemplo 4.5.1 Una pareja desea tener exactamente dos ni

nas en su familia. Tendr
an
hijos (ni
nos y ni
nas) hasta que se satisfaga esta condici
on. Suponga que la probabilidad de que el hijo que nazca varon es igual a 0,5 y que X es la variable aleatoria que
representa a n
umero de varones que nacen antes de que nazca la segunda hembra.
Entonces,
(a) La probabilidad de que la familia tenga k hijos varones es P(X = k) = (k +
1) (0, 5)k+2 .
(b) La probabilidad de que la familia tenga a lo m
as 4 hijos es P(X 2) = 0, 688.
(c) Se esperara esta familia tenga E(X) = 2 varones.
(d) Se esperara que esta familia tenga E(X + 2) = 4 hijos.
3. Distribuci
on geom
etrica.
Caso especial de la distribuci
on binomial negativa con parametros r = 1 y p.
Sea X el n
umero de fracasos que preceden al primer exito en un experimento
binomial negativo con parametros 1 y p. Entonces, la probabilidad de que haya k
fracasos antes del primer exito esta dada por
P(X = k) = bn(k; 1, p) = p (1 p)k,
k = 0, 1, 2, . . . .
n
1p
1p
trica con parametros p. Ademas, E(X) = p y V(X) = p2 .
geome
4.6 La distribuci
on uniforme (continua)
4.6
42
La distribuci
on uniforme (continua)
1. Definici
on.
n uniforme con los parametros
Una variable aleatoria continua X tiene distribucio
a y b con a < b si posee la densidad

1
, si a x b,
f(x) = ba
0,
de otro modo.
La media y la varianza de X vienen dadas, respectivamente, por
E(X) =
4.7
a+b
,
2
V(X) =
(a b)2
.
12
La distribuci
on normal
1. Densidad con par

ametros R y 2 > 0.
Esta dada por
(x) =
1
22
(x) 2
2 2
para todo x R.
La funci
on de distribuci
on acumulada normal la simbolizaremos por .
2. Propiedades de la distribuci
on normal.
(a) Si X es normal con y 2, entonces, E(X) = y V(X) = 2.
(b) Hay toda una familia de distribuciones normales. Cada distribuci
on normal
especfica se distingue por y (comparese con la figura 4.4).
(c) En la figura 4.4 podemos observar que:
i. La densidad normal es creciente para x < y decreciente para x > .
Es decir, el punto mas alto de la densidad normal se obtiene cuando
x = (vease la figura 4.4a,b).
ii. La densidad normal es simetrica con respecto a .
iii. Las colas, es decir, los extremos o los lados de la densidad normal se
prolongan al infinito en ambas direcciones y nunca tocan el eje horizontal
(vease la figura 4.4a,b).
iv. La desviaci
on estandar determina el ancho de la curva.
(d) La media, la mediana y la moda son todas iguales (vease la figura 4.4a).
(e) En la figura 4.4c) ilustramos la grafica de la distribuci
on acumulada normal
para 1 < 2.
3. La distribuci
on normal est
andar.
Aquella con esperanza 0 y varianza 1.
4. Propiedades de la distribuci
on normal est
andar.
4.7 La distribuci
on normal
43
(a) con = 1 y = 3, 0 y 3.
(b) con = 0 y = 0, 3, 1 y 3.
(c) con 1 < 2 .
Fig. 4.4: Gr
aficas de y para diferentes valores de los par
ametros y .
Simetrica con respecto a 0.
De la figura 4.5: El area de la regi

on I es igual al area de la regi
on II.
5. Conversi
on a la distribuci
on normal est
andar.
Sea X una variable aleatoria que tiene distribuci
on normal con parametros y 2.
Entonces,
Z
tiene distribuci
on normal estandar.

(b) Para todo a real, se cumple que P(X a) = P Z a
.
(a) La variable Z =
Ejemplo 4.7.1 Una compa

na fabrica focos con vida media de 500 horas y desviacion
estandar de 100. Si se supone que los tiempos de vida u
til de los focos se distribuyen
normalmente, esto es que los tiempos de vida forman una distribucion normal, entonces, la probabilidad de que cierta cantidad de focos duren entre 650 y 780 horas
es aproximadamente 0,0642.
6. Teorema de aproximaci
on de la binomial a la normal.
Consideremos un experimento binomial con parametros n y p. Entonces, si (a)
n 30 o (b) np 5 y n(1 p) 5, entonces, la distribuci
on binomial se puede
4.7 La distribuci
on normal
44
Fig. 4.5: Las

areas de las regiones I y II son iguales en la distibuci
on normal est
andar
aproximar a la distribuci
on normal con = np y 2 = np(1 p). Si X es una
variable aleatoria que tiene distribuci
on binomial con parametros n y p, entonces,
!
k + 0, 5 np
.
P(X k) = B(k; n; p) p
np(1 p)
Ejemplo 4.7.2 Un fabricante sabe por experiencia que, de 17.000 productos, el 4%

es rechazado por defectos. Si un nuevo lote de 800 unidades se van a inspeccionar,
entonces, la probabilidad aproximada de que menos de 35 unidades sean rechazadas
es aproximadamente 0,6736.
7. Las medidas de curtosis y la distribuci

on normal.
Con la curtosis se estudia la deformaci
on, en sentido vertical, respecto a la normal,
de una distribuci
on (vease la figura 4.6).
(a) Platic
urtica.
(b) Mesoc
urtica.
(c) Liptoc
urtica.
Fig. 4.6: Diversos tipos de curvas clasificadas de acuerdo a su apuntamiento.

8. Medidas de curtosis.
Sea X una variable aleatoria continua o discreta. Entonces, el coeficiente de
curtosis de X se define como la diferencia de la divisi
on de la cuarta potencia
de la esperanza de la variable X E(X) y el cuadrado de la varianza de X y 3, es
decir,

E [X E(X)]4
=
3.
[V(X)]2
4.8 Las distribuciones gamma y exponencial
45
De igual manera, el coeficiente de curtosis de un conjunto de datos x1, . . .,

xn con frecuencias f1, . . . , fn se define como la diferencia de la divisi
on entre la
media aritmetica de los datos (x1 x)4, . . ., (xn x)4 y el cuadrado de la varianza
de los datos originales. Es decir,

f1(x1 x)4 + + fn(xn x)4 /N
=
3,
(Varianza de los datos x1, . . ., xn)2
siendo N := f1 + + fn. El coeficiente de curtosis estandarizado,
simbolizado por s se define como el cociente entre el coeficiente de curtosis y
la raiz cuadrada de 6/N. Es decir,
.
s = p
6/N
Una distribuci
on es mesoc
urtica (apuntamiento igual al de la normal ) cuando = 0; es leptoc
urtica (apuntamiento mayor que el de la normal) si > 0 y es platic
urtica (apuntamiento
menor que el de la normal) si < 0.
4.8
Las distribuciones gamma y exponencial
1. La funci
on gamma y sus propiedades.
n gamma : (0, ) R se define como
La funcio
Z
et t1 dt, para todo > 0.
() :=
0
2. Propiedades de la funci
on gamma.
(a) Para cualquier > 0, se cumple que ( + 1) = ().
(b) Para cualquier n
umero natural n, tenemos que (n) = (n 1)!.

1
(c) 2 = .
3. La distribuci
on gamma.
n gamma con parametros > 0 y
Una variable aleatoria X tiene distribucio
> 0 si su funci
on de densidad esta dada por

1
x1 ex/ para x > 0
f(x; ; ) =: ()
0,
de otra manera.
n gamma
Cuando = 1, la distribuci
on se conoce con el nombre de distribucio
2
estandar. Ademas, E(X) = y V(X) = .

4. La distribuci
on gamma incompleta.
Sea X una variable aleatoria que tiene distribuci
on gamma estandar con parametro
n gamma incompleta
. La siguiente funci
on F recibe el nombre de funcio
F(t; ) =
Zt
0
1
ex x1 dx,
()
x > 0,
46
(a) = 1, 2, 3 y = 1.
(b) = 2 y = 2, 1, 12 .
Fig. 4.7: Densidad f de la distribuci

on gamma para diferentes valores de y .
Hay tablas muy completas para la funci
on gamma incompleta. En el apendice presentamos
una peque
na tabulaci
on de esta funci
on para = 1, 2, . . . , 10 y x = 1, 2, . . . , 15 (vease la
tabla D.4 del apendice).
5. C
alculo de probabilidades a partir de la gamma.
Ejemplo 4.8.1 Suponga que el tiempo de reaccion X a cierto estmulo en un individuo seleccionado al azar tiene distribucion gamma estandar con par
ametro = 2.
Sea F la funci
on gamma incompleta de X. Teniendo en cuenta la tabla D.4 del apendice,
entonces, la probabilidad de el tiempo de reaccion se encuentre entre 3 y 5 (ambos
inclusive) es P(3 X 5) = F(5; 2) F(3; 2) = 0, 159.
La funci
on gamma incompleta tambien la podemos utilizar para calcular probabilidades en las que aparezcan distribuciones gamma que no sean estandar.
47
Teorema 4.8.2 Sea X una variable aleatoria que tiene distribuci

on gamma
con par
ametros y . Si F es la funci
on gamma incompleta de una variable
aleatoria gamma est
andar con par
ametro , entonces, para todo t > 0, se
cumple que

t
; .
P(X t) = F
Ejemplo 4.8.3 Suponga que el tiempo X de supervivencia en semanas de un rat

on
macho seleccionado al azar y expuesto a 240 rads de radiaci
on gamma tiene una
distribucion gamma con = 8 y = 15. Determine la probabilidad de que un rat
on
sobreviva (a) entre 60 y 120 semanas y (b) por lo menos 30 semanas.
SOLUCION:
Sea F la funci
on gamma incompleta de una variable aleatoria gamma estandar con
par
ametro = 8. Entonces, la probabilidad de que un rat
on sobreviva entre 60 y 120
semanas es

60
120
;8 F
; 8 = 0, 496.
P(60 X 120) = F
15
15
6. La densidad exponencial con par

ametro > 0.
Esta dada por

0,
para x < 0,
f(x; ) =
x
e , para x 0.
La distribuci
on exponencial es un caso especial de la distribuci
on gamma en la que
= 1 y se ha reemplazado por 1/. En este caso, E(X) = 1 y V(X) = 12 .
Fig. 4.8: Distribuci

on exponencial para = 2, 1, 12 , siendo = 1/.
Ejemplo 4.8.4 El tiempo de atencion al cliente en un servicio de informaci
on
una biblioteca sigue una distribucion exponecial, con un tiempo de servicio medio
5 minutos. Entonces, la probabilidad de que una consulta de un cliente dure m
as
10 minutos es 0,135335.
de
de
de
4.9 Resumen de las distribuciones especiales
4.9
48
Resumen de las distribuciones especiales
En las tablas 4.1 y 4.2 (al final de este captulo) presentamos un resumen de las distribuciones continuas y discretas, respectivamente, mas importantes.
NOMBRE
FUNCION
1
f(x) = ba
,
a<x<b
Uniforme
Normal
1 ,e
22
f(x) =
xR
Normal
est
andar
Gamma
Exponencial
t de Student
PARAMETROS
(x) 2
2 2
an :=
x2
n
(n+1)/2
,
( n+1
2 )
,
( n
n
2)
an := 2n/2
n
2
a<b
a+b
2
R,
2 > 0
> 0,
>0
>0
1
2
nN
0,
n
n2 ,
n2
n3
n>0
2n
m, n N
n
n2 ,
2n2 (m+n2)
,
m(n2)2 (n4)
n3
n5
xR
1 n
1 x/2
2
e
,
an x
Chi-cuadrada
V(X)
(ab)2
12
x2
f(x) = 12 e 2 ,
xR
f(x) = 1() x1 ex/,
x>0
f(x) = ex,
x>0

f(x) = an 1 +
E(X)
, x>0
F de Fisher
f(x) =
an :=
an x 2 1
(n+mx)(m+n)/2
( m+n
mm/2 nn/2
2 )
( m
n
2 ) (2)
, x>0
Tabla 4.1: Resumen de distribuciones continuas
Cap. 4. Ejercicios
49
Ejercicios
1. Con el proposito de establecer el grado de aceptaci
on de su producto, una empresa selecciona una muestra de 1.000 consumidores de una poblacion de 1.000.000, de forma tal que
cada uno de los elementos de la poblacion tiene la misma probabilidad de ser seleccionado.
A cada consumidor seleccionado se le pregunta si prefiere el producto producido por esta
empresa o no. Es este un experimento binomial? Explique su respuesta.
2. Un fabricante de celulares, desea controlar la calidad de su producto y rechazar cualquier
lote en el que la proporcion de celulares defectuosos sea demasiado alta. Con este fin, de
cada lote grande (digamos, 20.000 celulares) selecciona y prueba 25. Si por lo menos 3
de estos estan defectuosos, todo el lote sera rechazado.
(a) Cual es la probabilidad de que un lote sea rechazado si 5% de los celulares estan
defectuosos?
(b) Cual es la probabilidad de que un lote sea rechazado si 10% de los celulares estan
defectuosos?
(c) Cual es la probabilidad de que un lote sea rechazado si 30% de los celulares estan
defectuosos?
3. Una empresa se dedica a la instalacion de nuevos paquetes computacionales. Se ha
comprobado que en el 10% de 250 instalaciones es necesario volver para realizar algunas modificaciones. En una semana determinada se realizaron 10 instalaciones. Asumir
independencia en los resultados de esas instalaciones.
(a) Cual es la probabilidad de que sea necesario volver en cinco casos?
(b) Cual es la probabilidad de que no sea necesario volver en ninguno los casos?
(c) Cual es la probabilidad de que sea necesario volver en mas de un caso?
4. En un lote de 1.000 bombillas fabricadas por una compa
na, 10 son defectuosas. Utilice
la aproximaci
on de la distribuci
on binomial por la de Poisson para calcular la probabilidad
de que en una muestra de 20 bombillas, (a) 2, (b) 0, (c) por lo menos 3 sean defectuosas.
5. En cierto estudio se reporta que de cada 100 personas, una fuma. Consideremos una
muestra aleatoria de 2.000 personas.
(a) Cual es la distribuci
on aproximada del n
umero de quienes fuman?
(b) Utiliza la aproximaci
on de la parte (a) para calcular la probabilidad aproximada de
que entre 8 y 20 (ambos inclusive) personas fumen.
(c) Utiliza nuevamente la aproximaci
on de la parte (a) para calcular la probabilidad aproximada de que estrictamente entre 12 y 30 personas fumen.
6. Suponga que los buses llegan a cierto terminal de transporte, seg
un un proceso de Poisson,
con tasa = 8 buses por hora, de modo que el n
umero de llegadas por un periodo de t
horas es una variable aleatoria de Poisson con parametro = 8t.
(a) Cual es la probabilidad de que exactamente 5 buses peque
nos lleguen durante un
perodo de una hora? Por lo menos 5? A lo mas 10?
(b) Cuales son el valor esperado y la desviacion estandar del n
umero de buses que llegan
durante un perodo de 90 minutos?
(c) Cual es la probabilidad de que por lo menos 20 buses lleguen durante un perodo de
2 horas y media? De que a lo sumo 10 lleguen durante este perodo?
Cap. 4. Ejercicios
50
7. Un fabricante de computadores se preocupa por el mal funcionamiento de cierto programa

estadstico en un modelo en particular. El mal funcionamiento puede producir en raras
ocasiones un bloqueo en el sistema operativo. Suponga que la distribuci
on del n
umero de
computadores por a
no que tienen un mal funcionamiento del paquete estadstico es la de
Poisson con = 5.
(a) Cual es la probabilidad de que a lo mas dos computadores por a
no tenga un bloqueo
en el sistema operativo?
(b) Cual es la probabilidad de que mas de un computador por a
no tenga un bloqueo en
el sistema operativo?
8. Una empresa recibe un pedido de 1.000 artculos. Se analiza una muestra aleatoria de
15 artculos y se acepta el pedido si menos de tres resultan defectuosos. Cual es la
probabilidad de aceptar un envo que contenga un 5% de artculos defectuosos?
9. Cada uno de los 13 computadores de cierta marca ha sido devuelto a un proveedor debido al mal funcionamiento de ciertos programas bajo un determinado sistema operativo.
Supongamos que 7 de estos 13 tienen problemas con la memoria RAM y los otros 6 tienen
problemas con los ejecutables EXE. Si se examinan al azar y sin reemplazo 6 de estos
computadores, cual es la probabilidad de que (a) exactamente 3, (b) a lo mas 2, (c)
estrictamente entre 2 y 5 computadores tengan problemas con la memoria RAM?
10. Una determinada empresa esta interesada en evaluar su procedimiento de inspeccion actual
en embarques de 50 artculos identicos. El procedimiento es tomar una muestra de cinco
y pasar el embarque si no se encuentra mas de dos defectuosos. Que proporcion del 20%
de embarques defectuosos se aceptara?
11. El 10% de los motores armados en una fabrica de montaje estan defectuosos. Si se
seleccionan en forma aleatoria uno por uno y se prueba, calcule la probabilidad de localizar
el tercer motor sin defecto (a) en el quinto ensayo,(b) en el quinto ensayo o antes.
12. De acuerdo con un estudio geologico, en un pozo de exploraci
on petrolera hay 0,2 de probabilidad de encontrar petroleo. Calcule la probabilidad de localizar petroleo por primera
vez en el tercer pozo que se perfore.
13. Se sabe que en cierto proceso de fabricaci
on, en promedio, uno de cada 100 artculos esta
defectuoso. Cual es la probabilidad de que el sexto artculo que se inspecciona sea el
primer defectuoso que se encuentra.
14. Suponga que el tiempo de reaccion X (en minutos) a cierto medicamento tiene una
distribuci
on uniforme continua en el intervalo [5, 5]. Calcule la probabilidad de que la
temperatura de reaccion
(a) sea estrictamente menor que 0
(b) se encuentre entre 2, 5 y 2, 5.
(c) se encuentre entre k y k + 4 si k satisface 5 < k < k + 4 < 5.
15. El tiempo X (minutos) para que un profesor prepare un cuestionario tiene una distribuci
on
uniforme continua en el intervalo [20, 40].
(a) Escriba la funcion de densidad, la funcion de distribuci
on acumulada y trace sus
respectivas graficas.
(b) Cual es la probabilidad de que el tiempo de preparaci
on exceda a 35 minutos?
(c) Cual es la probabilidad de que el tiempo de preparaci
on se encuentre a 2 minutos
del tiempo medio?
Cap. 4. Ejercicios
51
(d) Para cualquier k tal que 25 < k < k + 2 < 35, cual es la probabilidad de que el
tiempo de preparaci
on este entre k y k + 2 minutos?
16. Se regula una maquina despachadora de cafe para que sirva un promedio de 200 mililitros
por vaso. Si la cantidad de bebida se distribuye normalmente con una desviacion estandar
de 15 mililitros,
(a) que fracci
on de los vasos contendran mas de 191 mililitros?
(b) Cual es la probabilidad de que un vaso contenga entre 209 y 224 mililitros?
(c) Cuantos vasos probablemente se derramaran si se utilizan vasos de 230 mililitros
para las siguientes 1.000 bebidas?
(d) Por debajo de que valor obtendremos un 25% de las bebidas mas peque
nas?
17. La vida promedio de cierta maquinaria electrica es 10 a
nos con una desviacion estandar
de dos a
nos. El fabricante reemplaza gratis todas las maquinarias que fallen dentro del
tiempo de garanta. Si esta dispuesto a reemplazar solo 3% de las maquinarias que fallan
y si la duracion de una maquinaria sigue una distribuci
on normal, de que duracion debe
ser la garanta que ofrezca?
18. Los coeficientes de inteligencia de 600 aspirantes a cierta beca escolar en una universidad
extranjera se distribuyen aproximadamente normal con media de 115 y desviacion estandar
de 12. Si la universidad requiere un coeficiente de inteligencia de al menos 95, cuantos
de estos aspirantes seran rechazados sobre esta base sin importar sus otras calificaciones?
19. Suponga que 90% de todas los trabajadores que hay en una determinada empresa no
fuman. Considere una muestra aleatoria de 200 trabajadores y represente con X a la
cantidad de trabajadores que fuman. Cual es la probabilidad aproximada de que X (a)
sea a lo sumo 30? (b) sea mas de 30? (c) este entre 15 (inclusive) y 25 (no inclusive)?
20. Suponga que solo 80% de todos las personas mayores de 18 a
nos que viven en cierto
pueblo cerca del mar saben nadar. Se selecciona al azar una muestra de 200 personas
mayores de 18 a
nos del pueblo. Cual es la probabilidad de que
(a) entre 50 y 100 (ambos inclusive) de las personas mayores de 18 a
nos del pueblo no
sepan nadar?
(b) menos de 140 de las personas mayores de 18 a
nos del pueblo sepan nadar? Y mas
de 150?
21. Suponga que el tiempo (en horas) tomado por una cocinea para preparar una deliciosa
comida es una variable aleatoria X que tiene una distribuci
on gamma con parametros
= 2 y = 1/2. Cual es la probabilidad de que tarde (a) a lo sumo 1 hora, (b) por lo
menos 2 horas,(c) entre 0,5 y 1,5 horas para preparar la comida?
22. Un reconocido cientfico ha determinado que el tiempo de supervivencia (en semanas)
de un animal cuando se le somete a cierta exposici
on de radiacion gamma tiene una
distribuci
on gamma con = 5 y = 10.
(a) Cual es el tiempo medio de supervivencia de un animal seleccionado al azar del tipo
que se utilizo en el experimento?
(b) Cual es la desviacion estandar del tiempo de supervivencia?
(c) Cual es la probabilidad de que un animal sobreviva mas de 30 semanas?
23. El tiempo de respuesta de una computadora es una aplicacion importante de las distribuciones gamma y exponencial. Suponga que un estudio de cierto sistema de computadoras
revela que el tiempo de respuesta en segundos tiene una distribuci
on exponencial con una
media de tres segundos. Cual es la probabilidad de que el tiempo de respuesta (a) exceda
5 segundos, (b) no exceda 10 segundos?
Cap. 4. Ejercicios
52
24. Suponga que la vida de cierto tipo de batera tiene una tasa de falla constante anunciada
de 0,01 por hora y que tiene distribuci
on exponencial.
(a) Cual es el tiempo medio de falla?
(b) Cual es la probabilidad de que pasen 300 horas antes de que se observen dos fallas?
s 25. Utilizando la opcion Plot. . .Probability Distributions. . .Binomial de Statgraphics, realizar:

(a) Los ejemplos 3.5.4 y 3.5.6 de [11].
(b) Los ejercicios 37, 39 (partes b y c), 43 (partes a,b,c y d) y 51 de [11].
s 26. Utilizando la opcion Plot. . .Probability Distributions. . .Poisson de Statgraphics, realizar

los ejemplos 3.6.2, 3.6.3, 3.6.4, 3.6.5, 3.6.9 y 3.6.10 de [11].
s 27. Utilizando la opcion Plot. . .Probability Distributions. . .Poisson de Statgraphics, realizar

los ejercicios 53, 55, 57, 61 (incisos a y c) y 63 de [11].
s 28. Utilizando la opcion Plot. . .Probability Distributions. . .Hypergeometric de Statgraphics,

realizar:
(a) Los ejemplos 3.7.1, 3.7.3, 3.7.4 y 3.7.5 de [11].
(b) Los ejercicios 65, 67, 69, 73 y 77 (inciso b) de [11].
s 29. Utilizando la opcion Plot. . .Probability Distributions. . .Negative Binomial de Statgraphics,

realizar:
(a) El ejemplo 3.8.2 (incisos b y c) de [11].
(b) Los ejercicios 80 y 84 de [11].
s 30. Utilizando la opcion Plot. . .Probability Distributions. . .Geometric de Statgraphics, realizar:

(a) El ejemplo 3.8.6 (incisos a,b) de [11].
(b) Los ejercicios 81, 85, 87 y 89 de [11].
s 31. Utilizando la opcion Plot. . .Probability Distributions. . .Uniform de Statgraphics, realizar:

(b) Los ejercicios 24, 25 (inciso b), 26 y 28 (incisos a y b) de [11].
s 32. Utilizando la opcion Plot. . .Probability Distributions. . .Normal de Statgraphics, realizar:

(a) Los ejemplos 4.4.2, 4.4.4, 4.4.6 y 4.4.7 de [11].
(b) Los ejercicios 30 (incisos a, b, c y d), 32 (incisos b y c), 35, 36 y 41 (incisos a y b)
de [11].
s 33. Utilizando la opcion Plot. . .Probability Distributions. . .Gamma de Statgraphics, realizar:

(b) Los ejercicios 50, 51, 53 y 55 (inciso c) de [11].
s 34. Utilizando la opcion Plot. . .Probability Distributions. . .Exponential de Statgraphics, realizar:

(b) Los ejercicios 57, 58, 59 (inciso b), 60, 61 y 63 (inciso b) de [11].
FUNCION
Uniforme
f(xk) =
De dos
puntos
Bernoulli
Binomial
Poisson
Hipergeometrica
Binomial
negativa
Geometrica
1
n,
PARAMETROS
x1 < x 2 < < x n
E(X)
n
1 P
xk
n
k=1
Cap. 4. Ejercicios
NOMBRE
V(X)
n
1 P 2
xk
n
k=1
n
2
P
1
xk
n
k = 1, 2, . . . , n
nN
f(x1) = p,
f(x2) = 1 p
f(0) = p,
f(1)= 1 p
k
nk
f(k) = n
k p (1 p)
k = 0, 1, 2, . . . , n
1 k
f(k) = k!
e
k = 0, 1, 2, 3, . . .
NM
(M
k ) ( nk )
N
(n )
k N0, k n, k M
r
k
f(k) = k+r1
r1 p (1 p)
k = 0, 1, 2, . . .
f(k) = p (1 p)k
k = 0, 1, 2, . . .
x1 < x2
0<p<1
p
x1p + x2(1 p)
(x1 x2)2p(1 p)
p(1 p)
0<p<1
nN
>0
np
np(1 p)
M N0, N N, n N
nMN
r > 0,
0<p<1
0<p<1
k=1
M
N
r(1p)
p
1p
p
Nn
N1
M
N
r(1p)
p2
M
N
1p
p2
Tabla 4.2: Resumen de distribuciones dicretas
53
CAPITULO
Distribuciones conjuntas
5.1
Vectores aleatorios discretos
1. Vectores aleatorios.
Vectores (es decir, tuplas ordenadas), digamos, de la forma (X1 , X2 , . . . , Xn ) cuyas componentes X1 , X2 , . . ., Xn son variables aleatorias. Pueden ser discretos, continuos o
mixtos.
2. Vectores aleatorios discretos.
Si todas las componentes del vector son discretas.
3. Funci
on de probabilidad conjunta f de (X, Y).
Una funcion f : R2 [0, 1] tal que
f(xi , yk ) := P(X = xi , Y = yk ),
para todo i, j = 1, 2, . . ..
Es claro que:
(a) f(xi , yk ) 0 para todo valor xi de X y para todo valor yk de Y.
PP
(b)
f(xi , yk ) = 1.
i
4. Funci
on de distribuci
on acumulada de X.
Una funcion F : R2 [0, 1] definida por
F(x, y) = P(X x, Y y) =
X X
f(xi , yk ).
xi con yk con
xi x yk y
para todo x y y reales.

5. Funci
on de probabilidad marginal.
(a) De la variable X:
fX (xi ) := P(X = xi ) =
X
k
f(xi , yk ),
para todo i = 1, 2, . . ..
5.1 Vectores aleatorios discretos
55
(b) De la variable Y:
fY (yk ) := P(Y = yk ) =
para todo k = 1, 2, . . ..
f(xi , yk )
6. Funci
on de dist. acumulada marginal.
FX (t) := P(X t) :=
fX (xi ),
xi t
FY (t) := P(Y t) :=
fY (yk ).
yk t
7. Funci
on de probabilidad condicional de Y, dado X = x.
h(y/x) =
8. Independencia.
X y Y independientes
f(x, y)
,
fX (x)
para todo y real.
f(x, y) = fX (x) fY (y).
9. Covarianza de X y Y.
Si X y Y tienen varianza finita, entonces,

Cov(X, Y) := E [X E(X)][Y E(Y)] = E(XY) E(X)E(Y).
10. Coeficiente de correlaci

on de X y Y.
Si X y Y tienen varianza finita y positiva, entonces,
Cov(X, Y)
.
Corr(X, Y) := p
V(X) V(Y)
11. Propiedades.
(a) X, Y independientes Cov(X, Y) = 0.
(b) X, Y independientes Corr(X, Y) = 0.
(Recproco no es cierto)
(Recproco no es cierto)
(c) 1 Corr(X, Y) 1.
(d) Corr(X, Y) = 1 o 1 existen m, r reales con m 6= 0, tales que Y = mX + r.
12. Esperanza y varianza condicional de Y dado que X = x.

E(Y/X = x) =
X
y
y h(y/x),
V(Y/X = x) =
X
y
2
(y E(Y/X = x) h(y/x).
13. Propiedades de la esperanza y de la varianza condicional.

(a) E(Y) = E E(Y/X) .

2

2
(b) V(Y/X) = E Y E(Y/X)
= E(Y 2 /X) E(Y/X) .

(c) E V(Y/X) = E(Y 2 ) E [E(Y/X)]2 .

(d) V E(Y/X) = E [E(Y/X)]2 [E(Y)]2 .

(e) V(Y) = E V(Y/X) V E(Y/X) .
5.2 Vectores aleatorios continuos
5.2
56
Vectores aleatorios continuos
1. Vector aleatorio.
Vectores (es decir, tuplas ordenadas), digamos, de la forma (X1 , X2 , . . . , Xn ) cuyas componentes X1 , X2 , . . ., Xn son variables aleatorias. Pueden ser discretos, continuos o
mixtos.
2. Vectores aleatorios continuos.
Si todas las componentes del vector son continuas.
3. Funci
on de densidad conjunta f de (X, Y).
Una funcion f : R2 [0, ) que cumple las dos condiciones:
(a) P(a X b, c Y d) =
Rb Rd
f(x, y) dx dy.
ac
(b) El volumen bajo toda la superficie de f es 1, es decir,
f(x, y) dx dy = 1.
4. Funci
on de distribuci
on acumulada de X.
Una funcion F : R2 [0, 1] definida por
F(s, t) = P(X s, Y t) =
Zt
Zs
f(x, y) dx dy,
para todo s y t reales.

5. Funci
on de densidad marginal.
(a) De la variable X:
fX (x) :=
f(x, y) dy,
para todo x real.
f(x, y) dx,
para todo y real.
(b) De la variable Y:
fY (y) :=
6. Funci
on de dist. acumulada marginal.
FX (t) := P(X t) :=
Zt
fX (x) dx,
FY (t) := P(Y t) =
7. Funci
on de probabilidad condicional de Y, dado X = x.
h(y/x) =
8. Independencia.
Igual que en el caso discreto.
9. Covarianza de X y Y.
f(x, y)
,
fX (x)
para todo y real.
Zt
fY (y) dy.
Cap. 5. Ejercicios
57
10. Coeficiente de correlaci

on de X y Y.
11. Propiedades.
12. Esperanza y varianza condicional de Y dado que X = x.
E(Y/X = x) =
V(Y/X = x) =
y h(y/x) dy,
2
y E(Y/X = x) h(y/x) dy.
13. Propiedades de la esperanza y de la varianza condicional.

Las mismas que en el caso discreto.
Ejercicios
1. Un investigador sospecha que en cierto pas, el n
umero diario de cigarrillos que fuman
los estudiantes durante la semana de examenes finales (variable X) puede depender del
n
umero de examenes que el estudiante debe realizar en el da (variable Y). La tabla de
abajo muestra las probabilidades conjuntas estimadas en un estudio:
f(x, y)
X=0
1
2
3
Y=0
0,09
0,06
0,14
0, 04
1
0,07
0,01
0,03
0,04
2
0,01
0,07
0,06
0,04
3
0,06
0,07
0,07
0,14
(a) Halle la funcion de probabilidad marginal de X y la de Y.

(b) Cual es la probabilidad que un estudiante seleccionado al azar fume por lo menos 2
cigarrillos y tenga que hacer 3 examenes en un da?
2. Un agente inmobiliario esta interesado en averiguar cual es la relaci
on entre el n
umero
de lneas de un anuncio en prensa sobre un apartamento y el volumen de demanda de
informacion por parte de posibles inquilinos. Representemos el volumen de demanda
mediante la variable aleatoria X, que toma el valor 0 si despierta poco interes, 1 para
un interes moderado, y 2 si despierta un fuerte interes. Sea Y la variable aleatoria que
representa al n
umero de lneas del anuncio. El agente estima que la funcion de probabilidad
conjunta es la que aparece en la tabla de abajo.
f(x, y)
X=0
1
2
Y=3
0,08
0,13
0,10
4
0,07
0,22
0,15
5
0,04
0,10
0,11
(a) Si F es la funcion acumulada conjunta de X y Y, halle F(1, 4) e interprete el resultado.

(b) Halle la funcion de probabilidad marginal de Y y, con ello, halle la probabilidad de que
Y = 5.
3. Una vinatera cuenta con instalaciones para atender a clientes que llegan en autom
ovil y
a quienes llegan caminando. En un da seleccionado aleatoriamente, sean X y Y, respectivamente, los perodos de tiempo que se utilizan para cada caso. La funcion de densidad
conjunta de X y Y es

2
(x + 2y), si 0 x 1, 0 y 1,
f(x, y) = 3
0,
de otro modo.
Cap. 5. Ejercicios
58
(a) Verifique si f satisface las propiedades de una funcion de densidad conjunta.

(b) Halle la funcion de densidad marginal de X y y la de Y.
4. Un centro de servicios trabaja con dos lneas. En un da seleccionado al azar, sean X y Y
las respectivas proporciones de tiempo de que la primera y segunda lneas esten en uso.
Suponga que X y Y tienen funcion de densidad conjunta

3 2
(x + y2 ), si 0 x 1 y 0 y 1.
f(x, y) = 2
0,
de otro modo.
(a) Determine la probabilidad de que ninguna lnea este ocupada mas de la mitad del
tiempo.
(b) Calcule la probabilidad de que la primera lnea este ocupada mas del 65% del tiempo.
5. Sean X y Y dos variables aleatorias continuas con funcion de densidad conjunta

k(6 x y), si 0 < x < 2 y 2 < y < 4,
f(x, y) =
0,
de otro modo.
Halle el valor de k y encuentre P(1 < Y < 3/X = 2).
6. La tabla siguiente muestra, para los poseedores de entre una y tres tarjetas de credito, las
probabilidades conjuntas del n
umero de tarjetas de que dispone (variable X) y el n
umero
de compras a credito realizadas durante una semana (variable Y).
f(x, y)
Y=1
2
3
Y=0
0,03
0,08
0,13
1
0,07
0,03
0,02
2
0,04
0,09
0,07
3
0,06
0,07
0,08
4
0,10
0,08
0,05
(a) Para una persona elegida aleatoriamente de este grupo, cual es la funcion de probabilidad del n
umero de compras semanales?
(b) Para una persona de este grupo que posea tres tarjetas, cual es la funcion de probabilidad del n
umero de compras semanales?
(c) Son estadsticamente independientes el n
umero de tarjetas disponibles y el n
umero
de compras realizadas?
7. Sea X el tiempo de reaccion (en segundos) de un producto a cierto estimulante y Y
la temperatura, en grados celsius, a la que la reaccion comienza a suceder. Estas dos
variables aleatorias tienen la funcion de densidad conjunta

kxy, si 0 < x < 1 y 0 < y < 1.
f(x, y) =
0,
de otro modo,
(a) Halle el valor de k.
(b) Encuentre la densidad marginal de X y la de Y.
(c) Encuentre la funcion de distribuci
on acumulada de Y.
(d) Encuentre la probabilidad de que la pieza 2 tenga una duracion de vida entre 0,5 y 3
a
nos.
(e) Son X y Y son independientes?
Cap. 5. Ejercicios
59
8. Mara y Josefa, dos distinguidas profesoras entregan sus examenes finales a la secretaria
de matematicas para que sean pasados al computador. Sea X = n
umero de errores en la
escritura del examen de la profesora Mara y Y el n
umero de errores en el de la profesora
Josefa. Suponga que X y Y son independientes y que cada una tiene distribuci
on de
Poisson con parametro 2.
(a) Cual es la funcion de probabilidad conjunta de X y Y?
(b) Cual es la probabilidad de que a lo sumo se cometa en total un error en ambos
examenes?
9. Una persona tiene dos bateras para un reloj en particular. Sean X y Y las variables
aleatorias que representan a las duracion de la primera y segunda bateras, respectivamente
(ambas en horas). Ademas, X y Y son independientes y cada una tiene una distribuci
on
exponencial con parametro 1.
(a) Cual es la funcion de probabilidad conjunta de X y Y?
(b) Cual es la probabilidad de que cada batera dure a lo sumo 20 horas?
(c) Cual es la probabilidad que la duracion total de las dos bateras sea a lo sumo 30
horas?
(d) Cual es la probabilidad que la duracion total de las dos bateras este entre 20 y 30
horas?
10. Sean X y Y variables aleatorias que denotan las longitudes de dos dimensiones de una
pieza maquinada, respectivamente. Si X y Y son independientes y, ademas, la distribuci
on
de X es normal con media 10,5 milmetros y varianza 0,0025 milmetros cuadrados, y
la distribuci
on de Y es normal con media 3,2 milmetros y varianza 0,0036 milmetros
cuadrados, determine la probabilidad de que (a) 10, 4 < X < 10, 6, (b) 3, 15 < Y < 3, 25.
11. Sea X el n
umero de veces en que cierta secretaria se levanta de su puesto para ir al ba
no:
1, 2 o 3 veces en una hora dada. Sea Y el n
umero de veces en que el jefe le llama la
atenci
on a la secretaria. Supongamos que la funcion de probabilidad conjunta de X y Y
esta dada por
f(x, y)
Y=1
2
3
X=1
0,01
0,10
0,07
2
0,09
0,06
0,10
3
0,05
0,18
0,34
(a) Encuentre la funcion de probabilidad marginal de X y la de Y.

(b) Son X y Y independientes?
(c) Encuentre P(Y = 2/X = 3) e interprete su valor.
(d) Encuentre la covarianza de las variables X y Y.
12. Una profesora ha realizado un examen parcial que tiene dos partes. Para un estudiante
seleccionado al azar, sea X el n
umero de puntos ganados en la primera parte, Y el n
umero
de puntos ganados en la segunda parte y suponga que la funcion de probabilidad conjunta
de X y Y esta dada por
f(x, y)
X=0
1,5
2,5
Y=0
0,06
0,15
0,14
1,0
0,02
0,10
0,01
2,0
0,04
0,01
0,10
2,5
0,02
0,20
0,15
Cap. 5. Ejercicios
60
(a) Si la nota final del examen parcial es el n

umero total de puntos ganado en las dos
partes, cual es la nota final esperada por el estudiante?
(b) Si se registra el maximo de las dos calificaciones, cual es la nota final esperada por
el estudiante?
(c) Calcule la covarianza y el coeficiente de correlacion para X y Y.
13. De una caja que contiene 3 focos rojos y 4 focos amarillos se selecciona una muestra
aleatoria de 2 focos sin reemplazo y al mismo tiempo. Si X es el n
umero de focos rojos y
Y el de focos amarillos en la muestra, encuentre:
(a) La funcion de distribuci
on conjunta de X y Y.
(b) P(X + Y 1) e interprete este valor.
(c) La funcion de probabilidad condicional de Y, sabiendo que X = 2.
(d) La probabilidad de que Y = 0, sabiendo que X = 2.

(e) Encuentre la covarianza de las variables X y Y.
14. Si X y Y son variables aleatorias independientes con densidades marginales

2y
8
,
si
1
<
x
<
2.
3
3 , si 1 < y < 2.
y
fY (y) =
fX (x) = 3x
0,
de otro modo,
0,
de otro modo,
respectivamente, encuentre el coeficiente de correlacion de X.
s 15. Utilizando la opcion Plot. . .Probability Distributions de Statgraphics, realizar los ejercicios
8 (inciso b), 9 (incisos b, c y d) y 10.
s 16. Suponga que X1 , X2 y X3 son variables aleatorias representan el espesor (en milesimas de
milmetro) de un sustrato, una capa activa y una capa de recubrimiento de un producto
qumico. Suponga que X1 , X2 y X3 son independientes y que tienen una distribuci
on
normal con medias 1 = 10.000, 2 = 1.000, 3 = 80 y desviaciones estandar 1 = 250,
2 = 20 y 3 = 4, respectivamente. Las especificaciones para el espesor del sustrato, la
capa activa y la capa de recubrimiento deben estar son 9.200 < x1 < 10.800, 950 < x2 <
1.050 y 75 < x3 < 85, respectivamente.
(a) Utilizando la opci
on Plot. . .Probability Distributions de Statgraphics, determine que
proporcion de los productos qumicos cumple con todas las especificaciones.
(b) Cual de los tres espesores es el que tiene la menor probabilidad de cumplir con las
especificaciones?
s 17. Cierta fabrica manufacturera tiene tres departamentos de produccion independientes (y

solo tres). Las toneladas de producto obtenidas en un da determinado en el primer departamento siguen una distribuci
on gamma de parametros = 2 y = 1, las obtenidas en
el segundo departamento siguen una gamma con = 3 y = 1 las obtenidas en el tercer
departamento siguen una gamma con = 4 y = 1. Utilice la opci
on Plot. . .Probability
Distributions de Statgraphics para calcular la probabilidad de que la fabrica produzca en
un da determinado mas de 4 toneladas de producto en total.
CAPITULO
Distribuciones muestrales
6.1
Conceptos b
asicos
1. T
ecnicas de muestreo aleatorio.
Muestreo aleatorio simple, muestreo estratificado, muestreo por conglomerados y muestreo
sistematico. Solo se tratara el muestreo aleatorio simple.
2. Muestreo aleatorio simple.
Un procedimiento de muestreo aleatorio simple es aquel en el que todas las posibles
muestras del mismo tama
no tienen la misma probabilidad de ser escogidas. A las muestras obtenidas por procedimientos de este tipo se las denomina muestras aleatorias
simples.
Este metodo se usa con tanta frecuencia que, en muchos casos, el adjetivo simple se elimina
de ambos terminos definidos anteriormente.
Ejemplo 6.1.1 Se asume que una cadena nacional de comidas rapidas desea seleccionar aleatoriamente 5 de los 10 estados de un pas para tomar muestras sobreel gusto
de los consumidores. Una muestra aleatoria simple garantizar
a que las 10
= 252
5
muestras de tama
no 5 tengan la misma probabilidad de ser utilizada en el estudio.
En este caso, la probabilidad de escoger una muestra aleatoria simple de tama
no 5
sera 0,00397 y la probabilidad de escoger una muestra aleatoria simple de tama
no 7
sera 0,00833.
.
3. Tablas de n
umeros aleatorios.
meros aleatorios consiste en una tabla de n
Una tabla de nu
umeros que se hace
y se presenta en tal forma que cada uno de los n
umeros 0 a 9 aparecen en ella con una
frecuencia aproximadamente igual. Es decir, cada uno de estos n
umeros aparecen en la
tabla con la misma probabilidad.
4. Estadsticos y distribuciones muestrales.
Supongamos que se ha extrado una muestra aleatoria de una poblacion y que se desea
hacer inferencia sobre ciertas caractersticas de la distribuci
on de la poblacion. Esta inferencia estara basada en alg
un estadstico muestral, es decir, en alguna funcion
particular de la informacion muestral.
6.2 Distribuciones muestrales de algunos estadsticos
62
Matem
aticamente, un estadstico muestral puede definirse de la siguiente manera: Sean
X1 , . . . , Xn variables aleatorias de tal forma que el vector aleatorio (X1 , . . . , Xn ) conforme
una muestra aleatoria extraida de alguna poblaci
on. Entonces, un estadstico muestral
para esta muestra es un funcon que depende s
olo de las variables aleatorias X1 , . . . , Xn .
5. Ejemplos tpicos de estadsticos.

La media muestral, la mediana muestral, la moda muestral, el rango muestral, la varianza
muestral, la desviacion estandar muestral y la proporcion muestral, entre otros.
6. Distribuci
on muestral.
n muestral,
La distribuci
on de un estadstico muestral recibe el nombre de distribucio
n en el muestreo y se define como la distribuci
o distribucio
on de probabilidades de
los valores que puede tomar el estadstico a lo largo de todas las posibles muestras con el
mismo n
umero de observaciones que pueden ser extradas de la poblacion.
6.2
Distribuciones muestrales de algunos estadsticos
Al final de este captulo se presentan unas tablas que ilustran la forma de las distribuciones
muestrales de algunos estadsticos. Algunos comentarios:
En la tabla 6.1 aparece un resumen acerca de la distribuci
on muestral de la media muestral.
En la tabla 6.2 aparece un resumen de la distribuci
on muestral de la diferencias de medias
muestrales (muestras independientes).
Al definir X1 X2 =: X y al considerar el problema de determinar la distribuci
on muestral de
X para el caso en que las muestras sean dependientes o pareadas, los diferentes supuestos
que se deben tener en cuenta coinciden con los que aparecen en la tabla 6.1.
on muestral de la proporcion muestral
y de la diferencia de proporciones muestrales.
on muestral de la varianza muestral y
de la raz
on de varianzas muestrales. Importante, tener en cuenta que, para la distribuci
on
chi-cuadrada con grados de libertad se cumple que, si > 40, entonces,
2,
2
1
+ z
9
2
9
!3
6.3 Aplicaciones
6.3
63
Aplicaciones
Ejemplo 6.3.1 Supongamos que el incremento porcentual de los salarios de los funcionarios
de todas las corporaciones medianas se distribuye siguiendo una normal con media 12, 2%
y desviacion tpica 3, 6%. Se toma una muestra aleatoria de nueve observaciones de esta
poblacion de incrementos porcentuales de salario. Cu
al es la probabilidad de que la media
muestral sea mayor del 10%?
SOLUCION:
Como no conocemos el tama
no de la poblacion, supondremos que esta es infinita. Tenemos
que = 12, 2, = 3, 6 y n = 9. Entonces,
P(X > 10) = 1 P(Z 1, 83) = 0, 9664.
Ejemplo 6.3.2 Una empresa emplea 1.500 personas. La cantidad promedio gastada, durante un a
no determinado, en servicios medicos personales por empleado fue de 2.575 d
olares
y la desviacion tpica de 525 dolares. Cu
al es la probabilidad de que una muestra aleatoria
de 100 empleados (seleccionados sin reemplazo) arroje una media comprendida entre 2.500
y 2.700 dolares?
SOLUCION:
Tenemos que N = 1.500, = 2.575, = 525 y n = 100. Teniendo en cuenta que la poblacion
dada es finita y que la varianza poblacional se conoce, entonces, la probabilidad requerida
es
P(2.500 < X < 2.700) = P(Z < 2, 46) P(Z < 1, 48) = 0, 9237.
Ejemplo 6.3.3 Suponga que de una poblacion normal con media 20 se toma una muestra
de tama
no 16. Si la desviacion estandar muestral es 4, encuentre la probabilidad de que la
media muestral sea estrictamente mayor que 21,753.
SOLUCION:
Tenemos que = 20, s = 4 y n = 16. Debido a que la poblacion es normal con varianza
desconocida y a que n < 30, entonces, la distribucion muestral de la media muestral es la t
de Student con n 1 = 15 grados de libertad. Entonces, la pobabilidad pedida sera
P(X > 21, 753) = P(t15 > 1, 753) = 0, 05 = 5%.
Ejemplo 6.3.4 Se toma una muestra de 250 casas de una poblacion de edificios antiguos
para estimar la proporci
on de casas de este tipo cuya instalaci
on electrica resulta insegura.
Supongamos que, de hecho, el 30% de todos los edificios de esta poblacion tienen una
instalaci
on insegura. Hallar la probabilidad de que la proporci
on de edificios de la muestra
con instalaci
on insegura este entre 0,25 y 0,35.
SOLUCION:
Tenemos que p = 0, 30 y n = 250. Por consiguiente, la probabilidad requerida es
P(0, 25 < p < 0, 35) = P(Z < 1, 72) P(Z < 1, 72) = 0, 9146.
Ejemplo 6.3.5 Los hombres y mujeres adultos radicados en una ciudad grande del norte
de cierto pais difieren en sus opiniones sobre la promulgacion de la pena de muerte para
personas culpables de asesinato. Se cree que el 12% de los hombres adultos estan a favor de
la pena de muerte, mientras que solo el 10% de las mujeres adultas lo estan. Si se pregunta
a dos muestras aleatorias, una de 150 hombres y otra de 100 mujeres, su opinion sobre
la promulgacion de la pena de muerte para personas culpables de asesinato, determine la
probabilidad de que el porcentaje de hombres a favor sea al menos 3% mayor que el de
mujeres.
SOLUCION:
6.3 Aplicaciones
64
Representemos con p1 el porcentaje de hombres a favor de la pena de muerte y con p2 el

de mujeres. Por lo tanto, la probabilidad pedida sera
P(p1 p2 0, 03) = P(Z 0, 25) = 0, 4013.
Ejemplo 6.3.6 La tabla de abajo recoge los datos de consumo de gasolina correspondiente
a una muestra aleatoria de 8 automoviles norteamericanos de dos modelos diferentes. Se
formaron pares con las dos muestras y cada elemento de un determinado par fue conducido
por la misma ruta y por el mismo piloto.
xi (auto A)
yi (auto B)
19,4
19,6
18,8
17,5
20,6
18,4
17,6
17,5
19,2
18,0
20,9
20,0
18,3
18,8
20,4
19,2
(a) Determine la media y la desviacion muestral de las diferencias en el consumo de gasolina.

(b) Suponiendo que la distribucion de las diferencias poblacionales es normal con media
-0,807, encuentre la probabilidad de que el consumo promedio de gasolina del auto A
sea mayor que el del auto B.
SOLUCION:
(a) Haciendo di = xi yi , tenemos que d = 0, 775 y sd = 0, 903.
(b) Tenemos que A B = 0, 807. Sean XA y XB las variables que representan al
consumo promedio de gasolina de los autos A y B, respectivamente. Nos piden calcular
P(XA > XB ) o, que es lo mismo, P(XA XB > 0). Hagamos D = XA XB . Entonces,
teniendo en cuenta la tabla t de Student (con n 1 = 7 grados de libertad) encontramos
que
P(D > 0) = P(t > 2, 3645) = 0, 025.
Ejemplo 6.3.7 En un estudio para comparar los pesos promedios de ni

nos y ni
nas de sexto
grado en una escuela de instruccion media, se usara una muestra aleatoria de 20 ni
nos y otra
igual de 25 ni
nas. Se sabe que, tanto para ni
nos y ni
nas, los pesos siguen una distribucion
normal. El promedio de los pesos de todos lo ni
nos de sexto grado de esa escuela es de 100
libras y su desviacion estandar es de 14,142, mientras que el promedio de los pesos de todas
las ni
nas del sexto grado es de 85 libras y su desviacion estandar es de 12,247. Encuentre
la probabilidad de que el promedio de los pesos de los 20 ni
nos sea al menos 20 libras m
as
grande que el de los de las 25 ni
nas.
SOLUCION:
Supongamos que X1 representa el promedio de los pesos de 20 ni
nos y X2 , el promedio de
los pesos de una muestra de 25 ni
nas. Nos piden calcular P(X1 X2 > 20). Como las dos
poblaciones en cuestion son normales y con varianzas conocidas, entonces,
P(X1 X2 > 20) = P(Z 1, 25) = 0, 1056.
Ejemplo 6.3.8 Suponga que dos drogas A y B, de las que se dice que reducen el tiempo
de respuesta de las ratas a determinado estmulo, se estan comparando en un experimento
de laboratorio. El experimentador supone que las respectivas poblaciones de los tiempos
de respuesta al estmulo estan distribuidos normalmente y tienen varianzas iguales. Se
administra la droga A a 12 ratas y la droga B a 13. Cuando se lleva a cabo el experimento,
la reducci
on promedio de tiempo de respuesta al estmulo por parte de las ratas que estan
recibiendo la droga A es 30,45 milisegundos con una desviacion tpica de 5 milisegundos.
Los datos correspondientes a la droga B son 24,9 y 6 milisegundos. Cu
al es la probabilidad
de que la diferencia entre la reducci
on promedio de tiempo de respuesta al estmulo por
6.3 Aplicaciones
65
parte de las ratas que estan recibiendo la droga A y la reducci

on promedio de tiempo de
respuesta al estmulo por parte de las ratas que estan recibiendo la droga B sea menor o
igual a la que se observo en el experimento? Suponga que no hay diferencia alguna entre las
dos drogas con respecto a la reducci
on promedio en tiempos de respuestas y que las drogas
son igualmente efectivas.
SOLUCION:
Sean XA y XB la reducci
on promedio de tiempo de respuesta al estmulo por parte de las ratas
que estan recibiendo la droga A y la droga B, respectivamente. Como las dos poblaciones en
cuestion son normales y los tama
nos de las muestras son grandes (observe que los tama
nos
de ambas muestras son mayores o iguales que 30), entonces,
P(XA XB 5, 55) = P(Z 1, 31) = 0, 9049.
Ejemplo 6.3.9 Repita el ejemplo 6.3.8, pero ahora suponiendo que las poblaciones no
tienen distribucion normal y que los tama
nos muestrales son menores que 30, digamos
nA = 12 y nB = 13.
SOLUCION:
Como las dos poblaciones en cuestion son normales y los tama
nos de las muestras son
peque
nas (observese que los tama
nos muestrales son estrictamente menores que 30), entonces:
La distribucion muestral de XA XB es aproximadamente la t de Student con 23
grados de libertad.
Debido a que no hay diferencia alguna entre las dos drogas con respecto a la reducci
on
promedio en tiempos de respuestas y que las drogas son igualmente efectivas, entonces,
A = B . Por consiguiente, la media de la distribucion muestral de XA XB es 0.
La varianza muestral combinada s2 es 30,74.
Por consiguiente,
P(XA XB 5, 55) = P(t 2, 5) = 0, 01.
Ejemplo 6.3.10 Repita el ejemplo 6.3.8, pero ahora suponiendo que las poblaciones no
tienen distribucion normal, que los tama
nos muestrales son menores que 30 (digamos nA =
12 y nB = 13) y que las varianzas poblacionales son diferentes.
SOLUCION:
En este caso:
La distribucion muestral de XA XB es aproximadamente la t de Student con 23
grados de libertad.
De nuevo, la media de la distribucion muestral de XA XB es 0.
Por consiguiente,
P(XA XB 5, 55) = P(t 2, 52) 0, 01.
Ejemplo 6.3.11 En una prueba sobre la efectividad de dos tipos de pldoras para dormir,
A y B, se utilizaran dos grupos independientes de personas con insomnio. A un grupo de
tama
no 61 se le administrar
a la pldora A y al otro grupo, de tama
no 41, se le administrar
a
la B, registr
andose el n
umero de horas de sue
no de cada individuo participante en el estudio.
Suponiendo que el n
umero de hora de sue
no de quienes usan cada tipo de pldora se distribuye
normalemente y que 2A = 2B , entonces, la probabilidad de que la razon de las varianzas
muestrales de A y B sea mayor que 1,64 esta dada por

P(s2A /s2B > 1, 64) = P F(60, 40) > 1, 64 = 0, 05.
Cap. 6. Ejercicios
66
Ejercicios
1. Un fabricante declara que la duracion de las bujas que el fabrica sigue una distribuci
on
normal con una media de 36.000 kilometros y una desviacion estandar de 4.000 kilometros.
Para una muestra aleatoria de dieciseis bujas, se obtuvo una duracion media de 34.500
kilometros. Si la afirmacion del fabricante es correcta, cual es la probabilidad de obtener
una media muestral tan peque
na como esta o menor?
2. Los tiempos requeridos para que unos trabajadores terminen cierta labor, se distribuyen
normalmente con media de 30 minutos y una desviacion estandar de 9 minutos. Si de la
planta de trabajadores se toma una muestra aleatoria de 25, encuentre la probabilidad de
que la media del tiempo requerido para concluir la tarea en la muestra, este entre 28 y 33
minutos.
3. Un estudio de transito revela que el n
umero promedio de ocupantes de un auto es 1,75.
En una muestra de 50 autos con desviacion estandar 0,65, seleccionada de una poblacion
normal, encuentre la probabilidad de que el n
umero promedio de ocupantes sea mayor que
2.
4. Una muestra aleatoria de seis autos de un determinado modelo consumen las siguientes
cantidades en kilometros por litro:
18, 6
18, 4
19, 2
20, 8
19, 4
20, 5.
Determine la probabilidad de que el consumo de gasolina medio muestral de los autom

oviles de este modelo sea menor que 17,6 kilometros por litro, suponiendo que la
distribuci
on de la poblacion es normal con media 17.
5. Se desea estudiar una muestra de 20 personas para saber la proporcion de ellas que tienen
mas de 40 a
nos. Sabiendo que la proporcion en la poblacion es del 40%, cual es la
probabilidad de que la proporcion en la muestra sea menor del 50%?
6. Hallar la probabilidad de que en 200 lanzamientos de una moneda no falsa, el n
umero de
caras este comprendido en el 40% y el 60%.
7. Se identificaron dos poblaciones de alumnos de u
ltimo a
no de un colegio. La variable de
interes en la investigaci
on consista en los puntajes obtenidos en una prueba de rendimiento
en estadstica que hicieron los estudiantes de las dos poblaciones. Los investigadores
suponan que los puntajes de las dos poblaciones estaban distribuidos normalmente con
las siguientes medias y varianzas: 1 = 50, 21 = 40, 2 = 40, 22 = 60. Una muestra
aleatoria de tama
no n1 = 10 se saca de la poblacion 1 y una de tama
no n2 = 12 de
poblacion 2. Cual es la probabilidad de que la diferencia entre las medias muestrales este
entre 5 y 15?
8. Suponga que dos drogas A y B, de las que se dice que reducen el tiempo de respuesta de
las ratas a determinado estmulo, se estan comparando en un experimento de laboratorio.
El experimentador supone que las respectivas poblaciones de los tiempos de respuesta
al estmulo estan distribuidos normalmente y tienen varianzas iguales. Se administra la
droga A a 12 ratas y la droga B a 13. Cuando se lleva a cabo el experimento, la reducci
on
promedio de tiempo de respuesta al estmulo por parte de las ratas que estan recibiendo
la droga A es 30,45 milisegundos con una desviacion tpica de 5 milisegundos. Los datos
correspondientes a la droga B son 24,9 y 6 milisegundos. Cual es la probabilidad de que
la diferencia entre la reducci
on promedio de tiempo de respuesta al estmulo por parte de
las ratas que estan recibiendo la droga A y la reducci
on promedio de tiempo de respuesta
al estmulo por parte de las ratas que estan recibiendo la droga B sea menor o igual a la
que se observo en el experimento? Suponga que no hay diferencia alguna entre las dos
drogas con respecto a la reducci
on promedio en tiempos de respuestas y que las drogas
son igualmente efectivas.
1.
2.
ES 2
CONOCIDA?
Si
Normal
No
3.
4.
5.
No
normal
o
desconocida
Si
6.
No
7.
DE
TAMANO
LA MUESTRA?
No importa
DISTRIBUCION
MUESTRAL?
Normal
Z=
Grande
(n 30)
Peque
no
(n < 30)
Normal
Z=
Grande
(n 30)
Peque
no
(n < 30)
Grande
(n 30)
Peque
no
(n < 30)
t?
Z O
Cap. 6. Ejercicios
FORMA DE LA
POBLACION?
/ n
x
/ n
t de Student,
=n1
grados de libertad
Normal
t=
s/ n
Z=
/ n
Callej
on sin
salida
Normal
Z=
s/ n
Callej
on sin
salida
Tabla 6.1: Resumen de la distribuci

on muestral de la media muestral
67
SON 21 y 22
CONOCIDAS?
SON 21 y 22
IGUALES?
TAMANO
DE AMBAS
MUESTRAS?
DISTRIBUCION
MUESTRAL?
No
normal
Si
No importa
Grandes
Normal
2.
No
3.
Si
No importa
No importa
(n1 30, n2 30)

Grandes
Z=
Normal
(n1 30, n2 30)

No importa
t?
Z O
Z=
Normal
Z=
Normal
4.
Si
Peque
no
t de Student con
(n1 < 30, n2 < 30)
= n 1 + n2 2
Peque
no
grados de libertad
t de Student con
t=
No
5.
No
(n1 < 30, n2 < 30)
s2
1
n1
s2
+ n2
(s 2 /n 1 ) 2
1
n 1 1
2
(s 2 /n 2 ) 2
2
+ n
2 1
s2 =
t=
(redondear al en(tero m
as cercano)
(X1 X2 )(1 2 )
r
2
1
n1
Cap. 6. Ejercicios
1.
FORMA
DE AMBAS
POBLACIONES?
+ n2
(X1 X2 )(1 2 )
r
s2
1
n1
s2
+ n2
(X1 X2 )(1 2 )
r
2
1
n1
+ n2
2
(x1 x2 )(1 2 )
r
,
s2
s2
+n
n
(n1 1)s21 +(n2 1)s22

n1 +n2 2
(x1 x2 )(1 2 )
r
s2
1
n1
s2
+ n2

on muestral de la diferencias de medias muestrales
68
Cap. 6. Ejercicios
1.
2.
3.
4.
ESTADISTICO?
SUPUESTO?
Proporci
on
muestral
Diferencia de
proporciones
muestrales
n 30
np 5, n(1 p) 5
n1 30, n2 30
n1p1 5, n1(1 p1) 5,
n2p2 5, n2(1 p2) 5
DISTRIBUCION
MUESTRAL?
Normal
Normal
Normal
Normal
Z?
Z=
Z =
q pp
p(1p)
n
(p p2 ) (p1 p2 )
r 1
p 1 (1p 1 )
p (1p )
+ 2 n 2
n
1

on muestral de la proporci
on muestral y de la diferencia de proporciones muestrales
69
Cap. 6. Ejercicios
ESTADISTICO?
1.
Varianza
FORMA DE LA
POBLACION?
Normal
muestral
2.
DISTRIBUCION
MUESTRAL?
Chi-cuadrada con
=n1
grados de libertad
Raz
on de
Ambas
F de Fisher con
varianzas
muestrales
normales
1 = n1 1, 2 = n2 1
grados de libertad
F?
2 O
2 =
F=
(n1)s2
2
s21 /21
s22 /22
Regla:
1
F1(a, b) = F (b,a)

on muestral de la varianza muestral y de la raz
on de varianzas muestrales
70
CAPITULO
Intervalos de confianza
7.1
Estimaci
on
1. T
erminos b
asicos.
n estadstica es el proceso mediante el cual intentamos determinar
(a) La estimacio
el valor de un parametro de la poblacion, sin hacer un censo, a partir de la informaci
on
de una muestra.
n es el valor numerico que creemos que tiene el parametro.
(b) Una estimacio
(c) el estimador es el estadstico de la muestra, utilizada para hacer una estimaci
on.
(d) Un estimador puntual de un parametro poblacional es una funcion de la muestra
que da como resultado un u
nico valor.
n puntual
(e) Un valor en particular de un estimador puntual se llama una estimacio
del parametro.
2. Pautas para escoger un estimador.
(a) Insesgamiento.
b es un estimador insesgado de , si E()
b = . Evidentemente, si E()
b 6= ,
el estimador se dice que es sesgado. LLamaremos sesgo a la diferencia entre la

b y el parametro , es decir,
media del estimador
b = E()
b .
Sesgo ()
La media, la varianza y la proporcion muestrales son estimadores insesgados de los

correspondientes parametros poblacionales, pero la desviacion tpica muestral no es
un estimador insesgado de la desviacion tpica poblacional.
(b) Eficiencia.
b1 y
b2 dos estimadores insesgados de , obtenidos en muestras del mismo
Sean
b1 es ma
b2 si V(
b1 ) < V(
b2 ).
s eficiente que
tama
no. Entonces,
Al tomar muestras de una poblacion de una poblacion normal, la media muestral

es mas eficiente que la mediana.
7.2 Intervalos de confianza
72
(c) Estimador insesgado de mnima varianza.

b es un estimador insesgado de y no hay ning
Si
un otro estimador insesgado que
b es el estimador insesgado de
tenga menor varianza, entonces, se dice que
mnima varianza de . Algunos ejemplos de estimadores insesgados de mnima
varianza son:
i. La media muestral cuando la muestra proviene de una distribuci
on normal.
ii. La varianza muestral cuando la muestra proviene de una una distribuci
on normal.
iii. La proporcion muestral binomial.
(d) Consistencia.
b de es consistente para si sus valores tienden a acerUn estimador puntual
carse al parametro poblacional conforme se incrementa el tama
no de la muestra.
De otro modo, el estimador se llama inconsitente.
Al muestrear de una poblacion normal, la desviacion tpica muestral es consistente
para la desviacion tpica poblacional (esto tambien es cierto para el caso de la media y la varianza para sus correspondientes parametros poblacionales). Tambien la
proporcion muestral es consistente para la proporcion poblacional.
7.2
Intervalos de confianza
1. Estimador y estimaci
on por intervalos.
(a) Un estimador por intervalos de un parametro poblacional es una regla (basada
en la informacion muestral) para determinar un rango, o un intervalo, en el cual
posiblemente se encuentre dicho parametro.
n por intervalos.
(b) La estimaci
on correspondiente se denomina estimacio
2. Intervalo de confianza.
Sea un parametro desconocido. Supongamos que con ayuda de la informacion muestral,
podemos encontrar dos variables aleatorias U y V, con U menor que V, tales que P(U <
< V) = 1 , para un (0, 1). Entonces,
(a) La fracci
on 1 recibe el nombre de grado de confianza , se llama nivel
de significancia y el intervalo de U hasta V es un estimador por intervalos
de del (1 )100%.
(b) Si u y v representan a un valor particular de U y V, respectivamente, entonces, el
intervalo de u a v de denomina intervalo de confianza del (1 )100% para .
Si se extraen muestras aleatorias de la poblacion un n
umero elevado de veces, el parametro
estara contenido en un (1)100% de los intervalos calculados de este modo. El intervalo
de confianza obtenido de esta manera se escribe u < < v.
7.3
Intervalos de confianza para algunos par

ametros
Al final de este captulo se presentan unas tablas que ilustran la forma de los intervalos de
confianza para algunos parametros. Algunos comentarios:
En la tabla 7.1 aparece un resumen acerca los intervalos de confianza para la media
poblacional.
En la tabla 7.2 aparece un resumen acerca los intervalos de confianza para la diferencias
de medias poblacionales (muestras independientes).
7.3 Intervalos de confianza para algunos par

ametros
73
Los diferentes supuestos que se deben tener en cuenta para poder determinar el intervalo de
confianza para el correspondiente parametro poblacional (para el caso en que las muestras
escogidas sean dependientes o pareadas) coinciden con los que aparecen en la tabla 7.1.
En la tabla 7.3 aparece un resumen acerca los intervalos de confianza para la proporcion
poblacional y para la diferencia de proporciones poblacionales.
En la tabla 7.4 aparece un resumen acerca los intervalos de confianza para varianza poblacional y para la raz
on de varianzas poblacionales. Importante, tener en cuenta que, para
la distribuci
on chi-cuadrada con grados de libertad se cumple que, si > 40, entonces,
2,
2
+ z
1
9
2
9
!3
7.4 Aplicaciones
7.4
74
Aplicaciones
Ejemplo 7.4.1 Un fabricante produce bolsas de az

ucar refinado. El peso del contenido de
estas bolsas tiene una distribucion normal con desviacion tpica 15 gramos. Los contenidos
de una muestra aleatoria de 25 bolsas tienen un peso medio de 100 gramos. Calcular un
intervalo de confianza del 95% para el verdadero peso medio de todas las bolsas de az
ucar
producidas por el fabricante.
SOLUCION:
Dado que buscamos un intervalo de confianza del 95%, tenemos que 1 = 95%, por lo
que = 5% = 0, 05. Debido a que Z/2 = Z0,025 = 1, 96, el intervalo de confianza del 95%
para la media poblacional es
94, 14 < < 105, 88.
Con esto podemos concluir que, con una confianza del 95%, el verdadero peso medio de
todas las bolsas de az
ucar producidas por el fabricante se encuentra entre 94,12 y 105,88
gramos.
Ejemplo 7.4.2 Una muestra aleatoria de seis autos colombianos de un determinado modelo
consumen las siguientes cantidades en kilometros por litro: 18,6; 18, 4; 19,2; 20,8; 19,4 y 20,5.
Calcule un intervalo de confianza del 90% para el consumo de gasolina medio poblacional
de los autos de este modelo, suponiendo que la distribucion de la poblacion en cuesti
on es
normal.
SOLUCION:
En este caso, n = 7, x = 19, 48 y s = 0, 98 kilometros por litro y t/2 = t0,05 = 2, 015 con
n 1 = 6 grados de libertad. Entonces, el intervalo buscado sera
18, 67 < < 20, 29.
Por lo tanto, con una confianza del 95%, podemos afirmar que el consumo de gasolina medio
poblacional se encuentra entre 18,67 y 20,29 kilometros por litro.
Ejemplo 7.4.3 En una muestra aleatoria de 85 soportes para la pieza de un motor de

automovil, 10 tienen un peque
no defecto. Calcule un intervalo de confianza del 95% para la
proporci
on p de piezas de motor en la poblacion que tienen un peque
no defecto.
SOLUCION:
Debido a que n = 85, entonces, una estimacion puntual de la proporci
on de piezas de
=
0,
12.
Debido a que
motor en la poblacion que tienen un peque
no defecto es p = 10
85
Z/2 = Z0,025 = 1, 96, entonces, un intervalo de confianza para p es
0, 05 < < 0, 19.
Es decir, con una confianza del 95%, podemos afirmar que la verdadera proporci
on de piezas
de motor en la poblacion que tienen un peque
no defecto esta entre el 5% y el 19%.
Ejemplo 7.4.4 Considerese el proceso de fabricaci

on de soportes para piezas de motores
descrito en el ejemplo 7.4.3. Supongase que se hace una modificaci
on al proceso de acabado
de la superficie y que, de manera subsecuente, se toma una segunda muestra aleatoria
de 85 ejes. Si el n
umero de soportes defectuosos en esta segunda muestra es 8, calcule un
intervalo de confianza del 95% para la diferencia en la proporci
on de los soportes defectuosos
producidos por ambos procesos.
SOLUCION:
En este caso, tenemos que
n1 = 85,
p1 =
10
= 0, 12,
85
n2 = 85,
p2 =
8
= 0, 09.
85
7.4 Aplicaciones
75
Debido a que Z/2 = Z0,025 = 1, 96, entonces, un intervalo de confianza para la diferencia
entre las proporciones poblacionales p1 p2 es
0, 06 < p1 p2 < 0, 12.
Ese intervalo de confianza incluye al cero, as que, con base en los datos muestrales, parece
poco probable que los cambios hechos en el proceso de acabado de la superficie hayan
reducido el n
umero de soportes defectuosos para piezas producidos por el proceso.
Ejemplo 7.4.5 Para una muestra aleatoria de 321 fumadores, el n

umero medio de horas
de absentismo laboral al mes fue de 3,01 y la desviacion tpica muestral fue de 1,09 horas al
mes. Para una muestra aleatoria independiente de 94 trabajadores que nunca han fumado,
el n
umero medio de horas fue de 2,88 y la desviacion tpica muestral fue de 1,01 horas al
mes. Calcular un intervalo de confianza del 99% para la diferencia entre las dos medias
poblacionales.
SOLUCION:
Dado que los tama
nos muestrales son grandes, podemos utilizar las varianzas muestrales en
lugar de las varianzas poblacionales desconocidas. Tenemos:
n1 = 321,
n2 = 94,
x1 =3,01,
x2 =2,88,
s1 = 1, 09;
s2 = 1, 01
y para un intervalo de confianza del 95%, se tiene que Z/2 = Z0,025 = 1, 96. Por consiguiente, el intervalo es
0, 11 < 1 2 < 0, 37.
Dado que el cero esta dentro del intervalo de confianza, no hay suficiente evidencia en los
datos como para rechazar la idea de que ambas poblaciones tienen la misma media.
Ejemplo 7.4.6 En un estudio sobre los efectos de la planificaci

on en el rendimiento financiero de los bancos, se extrajo una muestra aleatoria de seis instituciones financieras que
contaban con un sistema de planificaci
on formal, y se comprobo que el porcentaje medio
anual de crecimiento de los ingresos netos en dicha muestra era de 9,972 con una desviacion
tpica de 7,470. La media de dicho crecimiento en otra muestra aleatoria independiente
de nueve bancos que no recurran a la planificaci
on fue de 2,098 con una desviacion tpica
de 10,834. Suponiendo que las dos poblaciones son normales y tienen la misma varianza,
calcular un intervalo de confianza del 90% para la diferencia de medias.
SOLUCION:
Los datos muestrales son
n1 = 6,
n2 = 9,
x1 = 9, 972,
x2 = 2, 098,
s1 = 7, 470;
s2 = 10, 834.
Debido a que el valor de la varianza muestral combinada es s2 = 93, 7 y a que t/2 =

t0,05 = 1, 771 con 13 grados de libertad, entonces, el intervalo de confianza del 90% para la
diferencia de los incrementos medios porcentuales es
1, 161 < 1 2 < 16, 909.
El intervalo incluye el cero, lo cual sugiere que no existe evidencia suficiente en la muestra
como para rechazar la idea de la igualdad de medias entre ambas poblaciones.
Ejemplo 7.4.7 El departamento de zoologa de cierto instituto llevo a cabo un estudio para
estimar la diferencia en la cantidad de cierta sustancia qumica medida en dos estaciones
diferentes de un ro. La sustancia se mide en miligramos por litro. Se reunieron 15 muestras
7.4 Aplicaciones
76
de la estaci
on 1 y 12 muestras de la estaci
on 2. Las 15 muestras de la estacion 1 tuvieron
un contenido promedio de sustancia qumica de 3,84 miligramos por litro y una desviacion
estandar de 3,07 miligramos por litro, mientras que las 12 muestras de la estaci
on 2 tuvieron
un contenido promedio de 1,49 miligramos por litro y una desviacion estandar de 0,80
miligramos por litro. Encuentre un intervalo de confianza del 95% para la diferencia en el
contenido promedio real de sutancia en estas dos estaciones. Suponga que las observaciones
vienen de poblaciones normalmente distribuidas con varianzas diferentes.
SOLUCION:
Tenemos que
n1 = 15,
x1 = 3, 84,
s1 = 3, 07,
n2 = 12,
x2 = 1, 49,
s2 = 0, 80.
Como las varianzas poblacionales se suponen diferentes, solo podemos encontrar un intervalo
de confianza de 95% aproximado basado en la distribucion t de Student con 16 grados de
libertad. Debido a que t/2 = t0,025 = 2, 120 para = 16 grados de libertad, entonces, el
intervalo buscado es
0, 60 < 1 2 < 4, 10.
Por ello tenemos una confianza del 95% de que el intervalo de 0,60 a 4,10 miligramos por
litro contiene la diferencia de los contenidos promedio reales de sustancia para estos dos
lugares. Como el 0 no esta incluido en el intervalo, podemos afirmar que estos dos contenidos
promedios son diferentes.
Ejemplo 7.4.8 Una muestra aleatoria de tabletas para el dolor de estomago tiene una
desviacion tpica de 0,8% en la concentraci
on del ingrediente activo. Hallar un intervalo de
confianza del 90% para la varianza y para la desviacion poblacional.
SOLUCION:
Tenemos que n = 15 y s = 0, 8. Debido a que 2 = 20,05 = 23, 68 y 21 = 20,95 = 6, 57
2
2
con 14 grados de libertad, el intervalo de confianza del 90% para la varianza poblacional
viene dado por
0, 378 < 2 < 1, 364.
Por consiguiente, con una confianza del 90%, la varianza poblacional de la concentraci
on
del ingreso activo esta entre 0,378 y 1,364. Dado que la desviacion tpica es igual a la
raz cuadrada, podemos obtener un intervalo de confianza del 90% para la desviacion tpica
poblacional tomando races cuadradas. El resultado es
0, 61 < < 1, 17.
Por tanto, nuestro intervalo de confianza del 90% para la desviacion tpica poblacional de
la concentraci
on porcentual del ingrediente activo de estas tabletas va del 61% al 1,17%.
Ejemplo 7.4.9 En el ejemplo 7.4.7 se construyo un intervalo de confianza para la diferencia
en el contenido medio de sustancia qumica, que se mide en miligramos por litro, en dos
estaciones sobre un ro mediante la suposici
on de que poblaciones en cuestion son normales
con varianzas diferentes. Justifique esta suposici
on mediante la construcci
on de un intervalo
de confianza del 98% para 1 /2 , donde 1 y 2 son las desviaciones poblacionales del
contenido de sustancia qumica en las estaciones 1 y 2, respectivamente.
SOLUCION:
Del ejemplo 7.4.7 se tiene que
n1 = 15,
x1 = 3, 84,
s1 = 3, 07,
n2 = 12,
x2 = 1, 49,
s2 = 0, 80.
Para un intervalo de confianza del 98%, = 0, 02. Por tanto, al interpolar en la tabla
de la distribucion F que aparece en el apendice, encontramos que F0,01 (14, 11) 4, 30 y
7.5 Determinaci
on del tama
no de una muestra
77
F0,01 (11, 14) 3, 87. Por tanto, el intervalo de confianza del 98% para 1 /2 es
1, 851 <
1
< 7, 549.
2
Como este intervalo no permite la posibilidad de que 1 /2 sea igual a 1, es correcto suponer
que 1 6= 2 o 21 6= 22 en el ejemplo 7.4.7
7.5
Determinaci
on del tama
no de una muestra
1. Tama
no muestral de los intervalos de confianza para la media.
on de , entonces, se puede tener una confianza de
Si se utiliza x como una estimaci
(1 )100% de que el error |x | no excedera una cantidad especfica e cuando el
tama
no de la muestra es (redondear al entero mas cercano):
n=
Z/2
e
2
Cuando 2 sea desconocida, se toma una muestra preliminar de tama

no n 30, se calcula
la desviaci
on muestral s (para proporcionar una estimaci
on de la desviaci
on poblacional )
y se reemplaza por s.
Ejemplo 7.5.1 La longitud de barras de metal producidas por una cadena es una
variable aleatoria con distribucion normal y desviacion estandar 1,8 milmetros. Basandose
en una muestra aleatoria de 9 observaciones, se calcuo el siguiente intervalo del 99%
para la longitud media poblacional:
194, 65 197, 75.
Supongamos que un director de producci
on cree que el intervalo es demasiado amplio,
y exige un intervalo con el mismo nivel de confianza, pero cuya longitud a cada lado
de la media muestral no sea superior a 0,5 milmetros. Cu
antas observaciones debe
tener la muestra para construir tal intervalo?
SOLUCION:
Tenemos que e = 0, 50, = 1, 8 y Z/2 = Z0,005 = 2, 575. Por tanto, para satisfacer la
peticion del director, se necesita una muestra aleatoria de al menos 86 observaciones.
Este gran incremento en el tama
no muestral representa el costo adicional de conseguir
una mayor precision en la estimacion de la verdadera media, reflejada en un intervalo
de confianza m
as corto.
2. Tama
no de la muestra para estimar proporciones poblacionales.
Si se utiliza p como una estimaci
on de p, entonces, se puede tener una confianza de
(1 )100% de que el error |p p| no excedera una cantidad especfica e cuando el
tama
no de la muestra es
Z2/2 p(1 p)
.
n=
e2
Si p es desconocida, hecemos p = 0, 5.
Ejemplo 7.5.2 Supongase que, basado en 142 observaciones, se ha construido el
siguietne intervalo de confianza del 95% para la proporci
on de directores de recursos
humanos que consideraban que el expediente academico era muy importante en la
evaluacion de un candidato:
0, 533 p 0, 693.
Cap. 7. Ejercicios
78
Supongamos ahora que queremos construir un intervalo de confianza del 95% cuya
longitud a cada lado de la proporci
on muestral no sea superior a 0,06. Cu
antas observaciones necesitamos?
SOLUCION:
Tenemos que e = 0, 06 y Z/2 = Z0,025 = 1, 95. Debido a que desconocemos la estiumero mnimo
macion p de p, hacemos p = 0, 5 y, con ello, podemos concluir que un n
de 267 observaciones garantiza un intervalo de confianza con la longitud exigida.
Ejercicios
1. Un bi
ologo desea hacer una estimaci
on con un intervalo de confianza del 95% de la cantidad promedio de agua que consume cierta especie animal en condiciones experimentales.
De alguna manera, el investigador logra determinar que la poblacion de valores de consumo diario de agua esta distribuida normalmente. Una muestra aleatoria de 36 animales
arroja una media de 16,5 gramos con una desviacion estandar de 2 gramos.
2. esuelva nuevamente el ejercicio 1 pero utilizando un grado de confianza del 99%. Compare
los resultados encontrados en ambos ejercicios.
3. Los contenidos de 7 recipientes similares de acido sulf
urico son 9,8; 10,2; 10,4; 9,8; 10,0;
10,2 y 9,6 litros. Encuentre un intervalo de confianza del 95% para la media de todos los
recipientes, suponiendo que la poblacion de valores tiene distribuci
on normal.
4. Las empresas de b
usqueda de ejecutivos se especializan en ayudar a las empresas a ubicar
y asegurar talento para la alta gerencia. Tales firmas son responsables de la ubicacion de
muchos de los mejores directores ejecutivos de la nacion. Una reconocida revista reporto
que uno de cada cuatro directores ejecutivos es una persona con mas de 35 a
nos de
edad. Si en una muestra aleatoria de 350 comp
nas de cierto pais, 77 tienen directores
ejecutivos con mas de 35 a
nos de edad, un intervalo de confianza del 99% apoyara la
afirmacion?
5. Se extrajeron dos muestras aleatorias independientes de estudiantes universitarios de estadstica de sexo masculino y femenino. De 120 hombres, 107 esperaban disfrutar de un
trabajo de tiempo completo en un maximo de 6 a
nos. De 141 mujeres encuestadas, 73
tenan esta esperanza. Hallar un intervalo de confianza del 95% para la diferencia entre
las proporciones poblacionales.
6. Se llevan a cabo pruebas de resistencia a la tensi
on sobre dos diferentes clases de tubos
de aluminios utilizados en la fabricaci
on de alas de aeroplanos comerciales. Los datos
obtenidos son como se muestran a continuacion:
Clase de
tubo
Tubo 1:
Tubo 2:
Tama
no de
la muestra
n1 = 10,
n2 = 12,
Media de la resistencia
a la tensi
on (kg/mm2 )
x1 = 87, 6,
x2 = 74, 5,
Desviaci
on
estandar (kg/mm2 )
s1 = 1, 09;
s2 = 1, 5
Si 1 y 2 representan los promedios verdaderos de las resistencias a la tensi

on para las
dos clases de tubos, encuentre un intervalo de confianza del 90% para la diferencia de las
medias 1 2 .
7. Un bi
ologo deseaba estudiar los efectos de ciertas drogas sobre el consumo de agua en
una especie particular de animales de laboratorio. La droga A que contiene un agente
que produce sed, se administro a una muestra aleatoria simple de nA = 25 animales. La
droga B que no contiene tal agente, se administro a una muestra aleatoria independiente
de nB = 22 animales similares. El bi
ologo registro la cantidad de agua consumida por
cada animal durante un periodo de tiempo determinado despues de la administracion de
Cap. 7. Ejercicios
79
las drogas. Las cantidades promedio de agua consumida por animal en cada uno de los dos
grupos fueron respectivamente de xA = 50 mililitros (ml) y xB = 25 ml y las desviaciones
tpicas de sA = 5, 3 ml y de sB = 5, 6 ml. Construya un intervalo de confianza del 95%
para 1 2 suponiendo que las poblaciones en cuestion son normales con varianzas
iguales.
8. Un fabricante de detergente lquido esta interesado en la uniformidad de la maquina
utilizando para llenar las botellas. De manera especfica, es deseable que la desviaci
on
estandar del proceso de llenado sea menor que 0,5 onzas de lquido. De otro modo,
existe un porcentaje mayor del deseable de botellas con un contenido menor de detergente.
Supongase que la distribuci
on del volumen de llenado es aproximadamente normal. Al
tomar una muestra aleatoria de 20 botellas, se obtiene una varianza muestral s2 = 0, 00153
(onzas de fluido)2 . Calcule un intervalo de confianza del 90% para .
9. Una compa
na fabrica propulsores para uso en motores de turbina. Una de las operaciones
consiste en esmerilar el terminado de una superficie particular con una aleaci
on de titanio.
Pueden emplearse dos procesos de esmerilado, y ambos pueden producir partes que tienen
la misma rigurosidad superficial promedio. Al ingeniero de manufactura le gustara seleccionar el proceso que tenga la menor variabilidad en la rigurosidad de la superficie. Para
ello toma una muestra de n1 = 12 partes del primer proceso, la cual tiene una desviaci
on
estandar muestral de s1 = 5, 1 micropulgadas, y una muestra aleatoria de n2 = 15 partes
del segundo proceso, la cual tiene una desviacion estandar muestral de s2 = 4, 7 micropulgadas. Se desea encontrar un intervalo de confianza del 90% para el cociente de las dos
varianzas 21 /22 . Supongase que los dos procesos son independientes y que la rigurosidad
de la superficie esta distribuida normalmente.
1.
2.
ES 2
CONOCIDA?
Si
Normal
No
3.
4.
5.
No
normal
o
desconocida
Si
6.
No
7.
DE
TAMANO
LA MUESTRA?
No importa
Grande
(n 30)
Peque
no
(n < 30)
Grande
(n 30)
Peque
no
(n < 30)
Grande
(n 30)
Peque
no
(n < 30)
DISTRIBUCION
MUESTRAL?
Normal
Normal
INTERVALO DE
CONFIANZA?
x Z/2 n < < x + Z/2 n
x Z/2 sn < < x + Z/2 sn
t de Student,
=n1
grados de libertad
Normal
x Z/2 n < < x + Z/2 n
Callej
on sin
salida
Normal
x Z/2 sn < < x + Z/2 sn
Cap. 7. Ejercicios
FORMA DE LA
POBLACION?
x t/2 sn < < x + t/2 sn
Callej
on sin
salida
Tabla 7.1: Resumen acerca los intervalos de confianza para la media poblacional
80
21 y 22
CONOCIDAS?
21 y 22
IGUALES?
TAMANO
DE AMBAS
MUESTRAS?
DISTRIBUCION
MUESTRAL?
No
normal
Si
No importa
Grandes
Normal
2.
q 2
(x1 x2) Z/2 n11 +
(n1 30, n2 30)

No
No importa
Grandes
Normal
(n1 30, n2 30)

3.
Si
No importa
No importa
Normal
Si
Peque
no
t de Student con
(n1 < 30, n2 < 30)
= n 1 + n2 2
grados de libertad
Normal
4.
No
INTERVALO DE
CONFIANZA?
22
n2q< 1 2
2
2
< (x1 x2) + Z/2 n11 + n22
q 2
s
s2
(x1 x2) Z/2 n11 + n22 < 1 2
q 2
s
s2
< (x1 x2) + Z/2 n11 + n22
q 2
2
(x1 x2) Z/2 n11 + n22 < 1 2
q 2
2
< (x1 x2) + Z/2 n11 + n22
q
s2
s2
(x1 x2) t/2 n
+n
< 1 2
1
2
q
< (x1 x2) + t/2

s2 =
5.
No
Peque
no
(n1 < 30, n2 < 30)
s2
n1
<
Cap. 7. Ejercicios
1.
FORMA
DE AMBAS
POBLACIONES?
<
<
<
s2
n2 ,
(n1 1)s21 +(n2 1)s22

n1 +n2 2
t de Student con
=
s2
1
n1
s2
+ n2
(s 2 /n 1 ) 2
1
n 1 1
2
(s 2 /n 2 ) 2
2
+ n
2 1
(redondear al en(tero m
as cercano)
q 2
s
(x1 x2) t/2 n11 +
s22
n2
< 1 2 <
q 2
s
s2
< (x1 x2) + t/2 n11 + n22
Tabla 7.2: Resumen acerca los intervalos de confianza para la diferencias de medias poblacionales
81
Cap. 7. Ejercicios
ESTADISTICO?
1.
2.
3.
4.
Proporci
on
muestral
Diferencia de
proporciones
muestrales
SUPUESTOS?
n 30
np 5,
n(1 p) 5
n1 30,
DISTR.
MUESTRAL?
Normal
Normal
Normal
n2 30
n1p1 5,
n1(1 p1) 5,
n2p2 5,
n2(1 p2) 5
INTERVALO DE
CONFIANZA?
q
q
p(1p)
p Z/2 p(1p)
p
+
Z
<
p
<
/2
n
n
q
(p1 p2) Z/2

Normal
p1 (1p1 )
n1
p2 (1p2 )
n2
q
1)
< (p1 p2) + Z/2 p1 (1p
+
n1
< p1 p2 <
p2 (1p2 )
n2
Tabla 7.3: Resumen acerca los intervalos de confianza para la proporci

on poblacional y para la diferencia de proporciones poblacionales
82
Cap. 7. Ejercicios
ESTADISTICO?
1.
Varianza
FORMA DE LA
POBLACION?
Normal
muestral
DISTRIBUCION
MUESTRAL?
Chi-cuadrada con
INTERVALO DE
CONFIANZA?
(n1)s2
2
=n1
< 2 <
(n1)s2
21
2
grados de libertad
2.
Raz
on de
varianzas
muestrales
Ambas
normales
F de Fisher con
1 = n1 1, 2 = n2 1
grados de libertad
s21
s22
1
F (1 ,2 )
2
<
21
2
<
s21
s22
F 2 (2, 1)
Regla:
1
F1(a, b) = F (b,a)
Tabla 7.4: Resumen acerca los intervalos de confianza para varianza poblacional y para la raz
on de varianzas poblacionales
83
CAPITULO
Pruebas de hip
otesis
8.1
Conceptos de la prueba de hip

otesis
1. Hip
otesis estadsticas.
tesis estadstica: afirmacion sobre uno o mas parametros de una o mas
(a) hipo
poblaciones.
tesis nula H0 : la hipotesis que se debe comprobar.
(b) la hipo
tesis alternativa H1 : se establece como el complemento de H0 .
(c) La hipo
2. Comentarios.
(a) H0 siempre se refiere a un valor especfico del parametro de poblacion (como, por
ejemplo, ), no al estadstico muestral (como X).
(b) H0 siempre debe contener un signo igual respecto al valor especificado del parametro
poblacional (por ejemplo,1 H0 : = 36, H0 : 36 o H0 : 36).
(c) H1 nunca debe contener un signo igual respecto al valor especificado de parametro
de poblacion (por ejemplo, H0 : 6= 36, H0 : < 36 o H0 : > 36).
3. Errores de tipo I y de tipo II.
Decisi
on sobre H0
Aceptar H0
Rechazar H0
H0 es verdadera
Decisi
on correcta
1 se llama grado de confianza
Error de tipo I
se llama nivel de significancia
H0 es falsa
Error de tipo II
Probabilidad =
Decisi
on correcta
1 se llama potencia
Fig. 8.1: Errores de tipo I y II y sus correspondientes probabilidades
En general, si es un par
ametro poblacional y si k es cualquier n
umero real, entonces, la
hip
otesis alternativa H1 : 6= k se llama alternativa bilateral y las hip
otesis alternativas
H1 : < k y H1 : > k, alternativas unilaterales.
8.1 Conceptos de la prueba de hip

otesis
85
4. Estadstico de prueba y regi

on crtica.
Un estadstico de prueba es un estadstico (es decir, una funcion que solo depende de
la informacion muestral) que se utiliza para determinar si se rechaza, o no, la hipotesis nula.
n crtica es el conjunto de todos los valores del estadstico de prueba para los
La regio
cuales la hipotesis nula sera rechazada.
Entonces, la hip
otesis nula ser
a rechazada si y s
olo si el valor observado o calculado del
estadstico de prueba se ubica en la regi
on de rechazo.
5. Valor P o p-valor.
El p-valor o valor p es el mnimo nivel de significancia bajo la cual H0 es rechazada.
Tenemos que
(a) P-valor Rechazar H0 al nivel .
(b) P-valor > No rechazar H0 al nivel .
6. Comentarios acerca de los t

erminos aceptar y rechazar.
Al aceptar una hipotesis nula, no estamos asegurando necesariamente que haya mucho
en su favor. Una afirmacion mas precisa, aunque mas pedante, sobre la situaci
on puede ser
los datos disponibles no proporcionan suficiente evidencia para rechazar la hipotesis nula,
dado que queremos fijar en la probabilidad de rechazar una hipotesis nula que es cierta.
Por esta raz
on, algunos autores prefieren la frase no se rechaza la hipotesis nula en
lugar de se acepta la hipotesis nula. Nosotros seguiremos usando aceptar como una
manera eficiente de expresar esta idea, pero es importante tener en cuenta la interpretacion
de la frase.
La situacion es muy similar a la de un tribunal de justicia, donde el acusado, al prinicipio,
goza de la presuncion de inocencia, y la acusacion debe presentar evidencia contraria lo
suficientemente clara como para conseguir un veredicto de culpabilidad.
En el contexto de la prueba de hipotesis clasica, la hipotesis nula se considera cierta
inicialmente. La tarea de persuadirnos de lo contrario corresponde a los datos de la
muestra.
8.2 Pruebas para algunos par

ametros poblacionales
8.2
86
Pruebas para algunos par

CONTRASTES PARA LA MEDIA POBLACIONAL
1. Tener en cuenta los supuestos de la tabla relacionada con distribuci

on muestral de medias.
2. Las distribuciones a utilizar seran la normal o la t de Student con = n 1 grados de
libertad.
3. La region crtica es la region sombreada que aparece en la figura 8.2.
4. A los valores a, b, c y d que aparecen en la figura 8.2 se les llamara valores crticos.
HIPOTESIS
NULA?
H0 : k
H0 : k
H0 : = k
1.
2.
3.
HIPOTESIS
ALTERNATIVA?
H1 : < k
H1 : > k
H1 : 6= k
REGION
CRITICA?
Figura 8.2(a)
Figura 8.2(b)
Figura 8.2(c)
VALOR
CRITICO?
a = Z o a = t
b = Z o b = t
c = Z/2 y d = Z/2
o
c = t/2 y d = t/2
Tabla 8.1: Resumen acerca contrastes relacionadas con la media poblacional
0,4
0,4
0,4
0,3
0,3
0,3
0,2
0,2
0,2
0,1
0,1
0,1
0
-5
-3
-1
(a) H1 : < k
0
-5
-3
-1
(b) H1 : > k
-5
-3
-1
c
d1
(c) H1 : 6= k
Fig. 8.2: Regi

on crtica para diferentes pruebas relacionadas con medias

87
CONTRASTES PARA LA DIFERENCIA DE MEDIAS POBLACIONALES

(MUESTRAS INDEPENDIENTES)
on muestral de diferencia de medias.
2. Utilizaremos la normal o la t de Student (los grados de libertad dependen de la situacion
que tengamos en el problema).
HIPOTESIS
NULA?
H0 : 1 2 k
H0 : 1 2 k
H0 : 1 2 = k
1.
2.
3.
HIPOTESIS
ALTERNATIVA?
H1 : 1 2 < k
H1 : 1 2 > k
H1 : 1 2 6= k
REGION
CRITICA?
Figura 8.3(a)
Figura 8.3(b)
Figura 8.3(c)
VALOR
CRITICO?
a = Z o a = t
b = Z o b = t
c = Z/2 y d = Z/2
o
c = t/2 y d = t/2
Tabla 8.2: Resumen acerca contrastes relacionadas con la media poblacional
0,4
0,4
0,4
0,3
0,3
0,3
0,2
0,2
0,2
0,1
0,1
0,1
0
-5
-3
-1
(a) H1 : 1 2 < k
0
-5
-3
-1
(b) H1 : 1 2 > k
-5
-3
-1
c
d1
(c) H1 : 1 2 6= k
Fig. 8.3: Regi

on crtica para diferentes pruebas relacionadas con medias poblacionales
INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS

POBLACIONALES (MUESTRAS DEPENDIENTES O PAREADAS)
Al definir X1 X2 =: X y al considerar el problema de determinar la distribuci

on muestral de
X, los diferentes supuestos que se deben tener en cuenta, coinciden con los que aparecen en la
tabla 6.1 y los contrstes son los mismos que los que ilustran en la tabla 8.2.

88
INTERVALO DE CONFIANZA PARA LA PROPORCION POBLACIONAL

on muestral de proporciones muestrales.
2. La distribuci
on a utilizar sera la normal.
HIPOTESIS
NULA?
H0 : p k
H0 : p k
H0 : p = k
1.
2.
3.
HIPOTESIS
ALTERNATIVA?
H1 : p < k
H1 : p > k
H1 : p 6= k
REGION
CRITICA?
Figura 8.4(a)
Figura 8.4(b)
Figura 8.4(c)
VALOR
CRITICO?
a = Z
b = Z
c = Z/2 y d = Z/2
Tabla 8.3: Resumen acerca contrastes relacionadas con la proporci

on poblacional
0,4
0,4
0,4
0,3
0,3
0,3
0,2
0,2
0,2
0,1
0,1
0,1
0
-5
-3
-1
(a) H1 : p < k
0
-5
-3
-1
(b) H1 : p > k
-5
-3
-1
c
d1
(c) H1 : p 6= k
Fig. 8.4: Regi

on crtica para diferentes pruebas relacionadas con proporciones poblacionales
INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE PROPORCIONES
POBLACIONALES
on muestral de diferencia de proporciones muestrales.
2. La distribuci
on a utilizar sera la normal.

HIPOTESIS
NULA?
H0 : p1 p2 k
H0 : p1 p2 k
H0 : p1 p2 = k
1.
2.
3.
HIPOTESIS
ALTERNATIVA?
H1 : p1 p2 < k
H1 : p1 p2 > k
H1 : p1 p2 6= k
89
REGION
CRITICA?
Figura 8.7(a)
Figura 8.7(b)
Figura 8.7(c)
VALOR
CRITICO?
a = Z
b = Z
c = Z/2 y d = Z/2
Tabla 8.4: Resumen acerca contrastes relacionadas con la diferencia de proporciones

poblacionales
0,4
0,4
0,4
0,3
0,3
0,3
0,2
0,2
0,2
0,1
0,1
0,1
0
-5
-3
-1
(a) H1 : p1 p2 < k
0
-5
-3
-1
(b) H1 : p1 p2 > k
-5
-3
-1
c
d1
(c) H1 : p1 p2 6= k
Fig. 8.5: Regi

on crtica para diferentes pruebas relacionadas con diferencia de proporciones poblacionales
CONTRASTES PARA LA VARIANZA POBLACIONAL

on muestral de la
varianza muestral
2. La distribuci
on a utilizar sera la chi-cuadrada con = n 1 grados de libertad.
5. Es importante tener en cuenta que, para la distribuci
on chi-cuadrada con grados de
libertad se cumple que, si > 40, entonces,
r !3
2
2
2
, 1
.
+ z
9
9
1.
2.
3.
HIPOTESIS
NULA?
H0 : 2 k
H0 : 2 k
H0 : 2 = k
HIPOTESIS
ALTERNATIVA?
H1 : 2 < k
H1 : 2 > k
H1 : 2 6= k
REGION
CRITICA?
Figura 8.6(a)
Figura 8.6(b)
Figura 8.6(c)
VALOR
CRITICO?
a = 21
b = b = 2
2
c = 1(/2) y d = 2/2
Tabla 8.5: Resumen para pruebas relacionadas con la varianza poblacional

90
0,4
0,4
0,4
0,3
0,3
0,3
0,2
0,2
0,2
0,1
0,1
0,1
0
-5
-3
-1
0
-5
-3
-1
-5
(b) H1 : 2 > k
(a) H1 : 2 < k
-3
-1
c
d1
(c) H1 : 2 6= k
Fig. 8.6: Regi

on crtica para pruebas relacionadas con la varianza poblacional
CONTRASTES PARA LA RAZON DE VARIANZAS POBLACIONALES

on muestral de la raz
on
de varainzas muestrales.
2. La distribuci
on a utilizar sera la F de Fisher con 1 = n1 1 y 2 = n2 1 grados de
libertad.
HIPOTESIS
NULA?
H0 : 21 22
H0 : 21 22
H0 : 21 = 22
1.
2.
3.
HIPOTESIS
ALTERNATIVA?
H1 : 21 < 22
H1 : 21 > 22
H1 : 21 6= 22
REGION
CRITICA?
Figura 8.7(a)
Figura 8.7(b)
Figura 8.7(c)
VALOR
CRITICO?
a = F1
b = F
c = F1(/2) y d = F/2
Tabla 8.6: Resumen de pruebas relacionadas con raz

on de varianzas
0,4
0,4
0,4
0,3
0,3
0,3
0,2
0,2
0,2
0,1
0,1
0,1
0
-5
-3
-1
(a) H1 : 21 < 22
0
-5
-3
-1
(b) H1 : 21 > 22
-5
-3
-1
c
d1
(c) H1 : 21 6= 22
Fig. 8.7: Regi

on crtica para pruebas relacionadas con raz
on de varianzas
8.3 Aplicaciones
8.3
91
Aplicaciones
Ejemplo 8.3.1 Como parte de un proceso de ensamblaje, se usa un taladro para hacer
agujeros en una lamina de metal. Cuando el taladro funciona adecuadamente, los diametros
de estos agujeros tienen una distribucion normal con media de 2 centmetros y desviacion
tpica de 0,06 centmetros. Periodicamente, se miden los diametros de una muestra aleatoria de agujeros para controlar que el taladro funciona adecuadamente. Asumamos que la
desviacion tpica no vara. Una muestra aleatoria de nueve medidas da un diametro medio
de 1,95 centmetros. Probar la hipotesis de que la media poblacional es 2 centmetros frente
a la alternativa de que no es as. Use un nivel de significancia de 0,05.
SOLUCION:
Sea el diametro medio poblacional (en centmetros). Entonces, queremos contrastar las
hipotesis
H0 : = 2
versus
H1 : 6= 2.
Tenemos que la poblacion es normal, = 0, 06 (conocida), n = 6 y x = 1, 95. El valor del

estadstico de prueba esta dado por Z = 2, 50 y para una prueba al nivel del 5%, tenemos
que = 0, 05 y Z/2 = Z0,025 = 1, 96. Entonces, se rechaza la hipotesis nula al nivel de
significancia del 5%.
Ejemplo 8.3.2 De una muestra aleatoria de 802 clientes de supermercados, suponga que
378 pagaron sus artculos con tarjetas de credito. Contrastar el nivel del 10%, la hipotesis
nula de que al menos la mitad de los compradores pagan sus artculos con tarjetas de credito
frente a la alternativa de que la proporci
on poblacional es menor de la mitad.
SOLUCION:
Sea p la proporci
on poblacional de compradores que pagan sus artculos con tarjetas de
credito. Queremos probar la hipotesis
H0 : p 0, 50
versus
H1 : p < 0, 50.
Tenemos que p0 = 0, 50, n = 802 ( 30), p = 378/802 = 0, 471. El valor del estadstico
de prueba es Z = 1, 64. Para una prueba al nivel del 10%, tenemos que = 0, 10 y
Z = Z0,10 = 1, 28. Entonces, se rechaza la hipotesis nula al nivel de significancia del 10%.
Ejemplo 8.3.3 Un rector de cierta universidad afirma que la proporci

on de hombres que
tienen auto en el campus es mayor a la proporci
on de mujeres que tienen auto en el campus.
Un profesor de estadstica se interesa en la afirmaci
on y entrevista aleatoriamente a 100
hombres y a 100 mujeres. Encuentra que 34 hombres y 27 mujeres tienen autos en el
campus. Puede concluirse con un nivel del 5% que la afirmaci
on del rector es falsa?
SOLUCION:
Sean p1 y p2 las proporciones poblacionales de hombres y mujeres, respectivamente, que
tienen auto en el campus. Entonces, queremos contrastar la hipotesis nula
H0 : p1 p2 0
versus
H1 : p1 p2 > 0.
Los datos muestrales son

34
27
= 0, 34, n2 = 100, p2 =
= 0, 27.
100
100
Con estos valores, el estimador com
un bajo la hipotesis nula es p0 = 0, 305 y el estadstico
de prueba esta dado por Z = 1, 075. Para una prueba al nivel del 5%, tenemos que = 0, 05
y Z = Z0,05 = 1, 64. Entonces, al nivel de significancia del 5%, no se rechaza la hipotesis
nula de que la proporci
on de hombres que tienen auto en el campus es menor o igual a la
proporci
on de mujeres que tienen auto en el campus. Es decir, los datos muestran que la
afirmaci
on del rector es falsa.
n1 = 100,
p1 =
8.3 Aplicaciones
92
Ejemplo 8.3.4 En un establecimiento escolar suburbano, se seleccion

o al azr una muestra aleatoria de 25 alumnos de quinto grado (grupo 1) de una poblacion de estudiantes
perteneciente a familias en que ambos padres trabajan. Se seleccion
o tambien una muestra
aleatoria al azar de 15 estudiantes (grupo 2) del mismo grado y establecimiento escolar entre
aquellos estudiantes que pertenecen a familias en que solamente el padre trabaja. El analisis
de los puntajes de rendimiento escolar (en escala de 1 a 100) de los dos grupos dio los siguientes resultados: un puntaje promedio de 78 para el grupo 1 y de 85 para el grupo 2. La
experiencia muestra que las poblaciones de puntajes para ambos grupos estan distribuidas
en forma aproximadamente normal, con varianzas de 21 = 81 y 22 = 25. Utilizando un
nivel de significancia del 5% y con base en estos datos, determinar si se puede concluir que la
media de la poblacion de la que se seleccion
o el grupo 1 es inferior a la media de la poblacion
de la que se seleccion
o el grupo 2.
SOLUCION:
Sean 1 y 2 las respectivas medias poblacionales de puntajes promedios. Al plantear las
hipotesis del problema, obtenemos
H0 : 1 2
H1 : 1 < 2
o su equivalente
o su equivalente
H0 : 1 2 0;
H1 : 1 2 < 0.
Ahora, tenemos que

n1 = 25,
n2 = 15,
x1 = 78,
x2 = 85,
21 = 78;
22 = 85.
El valor del estadstico de prueba esta dado por Z = 3, 16. Para una prueba al nivel del
5%, tenemos que = 0, 05 y Z = Z0,05 = 1, 64. Entonces, se rechaza la hipotesis nula al
nivel de significancia del 5%. Por lo tanto, se concluye que en ese establecimiento escolar,
los puntajes promedios generales de rendimiento de los estudiantes de quinto grado que
pertenecen a familias en que ambos padres trabajan son inferiores a los de los estudiantes
que pertenecen a familias en que solamente el padre trabaja.
Ejemplo 8.3.5 Se llevo a cabo un experimento para comparar el deterioro abrasivo de dos
materiales laminados diferentes. Se probaron doce piezas del material 1, exponiendo cada
una a una m
aquina para medir el deterioro. De la misma manera, se probaron diez piezas
del material 2. En cada caso, se observo la profundidad del deterioro. Las muestras del
material 1 dieron un deterioro promedio (registrado) de 85 unidades con una desviacion
estandar muestral de 4, mientras que las muestras del material 2 dieron un promedio de 81
y una desviacion estandar muestral de 5. Puede concluirse en el nivel de significancia del
5% que el deterioro abrasivo del material 1 excede al del material 2 por m
as de 2 unidades?
Asuma que las poblaciones son aproximadamente normales con varianzas iguales.
SOLUCION:
Sean 1 y 2 las respectivas medias poblacionales para las piezas de los materiales 1 y 2.
Queremos contrastar la hipotesis
H0 : 1 2 = 0
versus
H1 : 1 2 > 0.
Tenemos que
n1 = 12,
n2 = 10,
x1 = 85,
x2 = 81,
s1 = 4;
s2 = 5.
La varianza poblacional com

un se estima como s2 = 20, 05. Ademas, el valor del estadstico
de prueba esta dado por t = 1, 04. Para una prueba al nivel del 5%, tenemos que = 0, 05
y t = t0,05 = 1, 725 con 20 grados de libertad. Entonces, no puede rechazarse la hipotesis
nula de igualdad de medias frente a la alternativa unilateral al nivel del 5%. Por lo tanto,
no se esta en condiciones de concluir que el deterioro abrasivo del material 1 excede al del
material 2 por m
as de dos unidades.
8.3 Aplicaciones
93
Ejemplo 8.3.6 El departamento de zoologa de cierto instituto llevo a cabo un estudio para
estimar la diferencia en la cantidad de cierta sustancia qumica medida en dos estaciones
diferentes de un ro. La sustancia se mide en miligramos por litro. Se reunieron 15 muestras
de la estaci
on 1 y 12 muestras de la estaci
on 2. Las 15 muestras de la estacion 1 tuvieron
un contenido promedio de sustancia qumica de 3,84 miligramos por litro y una desviacion
estandar de 3,07 miligramos por litro, mientras que las 12 muestras de la estaci
on 2 tuvieron
un contenido promedio de 1,49 miligramos por litro y una desviacion estandar de 0,80
miligramos por litro. Al nivel del 5% determine si los contenidos promedios reales de sutancia
en estas dos estaciones son diferentes. Suponga que las observaciones vienen de poblaciones
normalmente distribuidas con varianzas diferentes.
SOLUCION:
Sean 1 y 2 las respectivas medias poblacionales para contenidos promedios reales de
sutancia en las dos estaciones. Queremos contrastar la hipotesis
H0 : 1 2 = 0
versus
H1 : 1 2 6= 0.
Tenemos que
n1 = 15,
x1 = 3, 84,
s1 = 3, 07,
n2 = 12,
x2 = 1, 49,
s2 = 0, 80.
El valor del estadstico de prueba esta dado por t = 2, 846. Para una prueba al nivel del 5%,
tenemos que = 0, 05 y t/2 = t0,025 = 2, 120 con 16 grados de libertad. Entonces, puede
rechazarse la hipotesis nula de igualdad de medias frente a la alternativa bilateral al nivel
del 5%. Por lo tanto, podemos concluir que los contenidos promedio reales de sustancia
para estos dos lugares son diferentes (comp
arese este resultado con el obtenido en el ejemplo
7.4.7).
Ejemplo 8.3.7 Con el fin de cumplir las normas establecidas, es importante que la varianza
en el porcentaje de impurezas de unas remesas de productos qumicos no supere el 4%.
Una muestra aleatoria de 20 envos dio una varianza muestral de 5,62 en el porcentaje de
impureza. Al nivel del 10%, contrastar la hipotesis nula de que la varianza de la poblacion
no es mayor que 4. Supongase que la distribucion de la poblacion es normal.
SOLUCION:
Sea 2 la varianza poblacional de la concentraci
on de impureza. Queremos contrastar la
hipotesis
H0 : 4
versus
H1 : > 4.
Tenemos que s2 = 5, 62, n = 20 y 20 = 4. El valor del estadstico de prueba esta dado

por 2 = 26, 695. Para una prueba al nivel del 10%, tenemos que = 0, 10 y 2 (19) =
20,10 (19) = 27, 20 con 19 grados de libertad. Entonces, no puede rechazarse la hipotesis
nula al nivel del 10%. Por lo tanto, los datos no contienen una evidencia particularmente
importante contra la hipotesis de que la varianza poblacional del porcentaje de impureza no
es mayor que 4.
Ejemplo 8.3.8 Se compararon las varianzas de los vencimientos de dos tipos de bonos.
Para una muestra aleatoria de 17 bonos del primer tipo, la varianza de los vencimientos (en
a
nos al cuadrado) fue de 123,35. Para una muestra aleatoria independiente de 11 bonos
del segundo tipo, la varianza de los vencimientos fue de 8,02. Al nivel del 2%, determinar
si las dos varianzas poblacionales son diferentes. Asuma que las dos poblaciones tienen
distribucion normal.
SOLUCION:
Sean 21 y 22 las respectivas varianzas poblacionales. Queremos contrastar la hipotesis
H0 : 21 = 22
versus
H1 : 21 6= 22 .
Cap. 8. Ejercicios
94
Para este ejemplo,

n1 = 17,
s21 = 123, 35,
n2 = 11,
s22 = 8, 02.
El valor del estadstico de prueba esta dado por F = 15, 38. Para una prueba al nivel
del 2%, tenemos que = 0, 02 e, interpolando, F/2 (16, 10) = F0,01 (16, 10) = 4, 53 con
1 16 y 2 = 10 grados de libertad. Podemos rechazar la hipotesis nula al nivel del 5%.
Por consiguiente, hay abrumadora evidencia de que las varianzas en los vencimientos son
diferentes para estos dos tipos de bonos.
Ejercicios
1. Una muestra aleatoria de 100 muertes registradas en cierto pas durante el a
no pasado
mostro una vida promedio de 71,8 a
nos. Suponiendo una desviacion estandar poblacional
de 8,9 a
nos, parecera esto indicar que la vida promedio hoy en da es mayor que 70 a
nos?
Utilice un nivel de significancia del 5%.
2. Un doctor afirma que el 12% de todas las citas son canceladas durante un periodo de seis
semanas. Se sabe que fueron canceladas 21 de las 200 citas del doctor. Haga una prueba
con un nivel de significancia del 5% para determinar si la verdadera proporcion de todas
las citas que son canceladas es diferente del 12%.
3. De una muestra aleatoria de 203 anuncios publicados en revistas colombianas, 52 eran
de deportes. De una muestra aleatoria independiente de 270 anuncios publicados en
revistas brasileras, 56 eran de deportes. Usando un nivel del 5%, constrastar frente a una
alternativa bilateral, la hipotesis nula de que las proporciones de anuncios c
omicos de las
revistas colombianas y americanas son iguales.
4. Se llevo a cabo un estudio entre expertos matematicos para conocer su opinion sobre
las mujeres matematicas. Se les pidio que evaluaran en una escala de 1 (totalmente en
desacuerdo) a 5 (totalmente de acuerdo) la afirmacion: Las mujeres matematicas tienen
la misma oferta de trabajo que los hombres. Para una muestra aleatoria de 186 hombres
de esta profesion, la respuesta media fue de 4.059 con una desviacion tpica de 0,839. Para
una muestra aleatoria independiente de 172 mujeres matematicas, la respuesta media fue
3.680 con una desviacion tpica de 0,966. Utilize un nivel de significancia del 5% para
contrastar la hipotesis nula de que las dos medias poblacionales son iguales frente a la
alternativa de que la verdadera media es mayor para los hombres.
5. Se llevo a cabo un estudio que pretenda valorar el efecto de la presencia de un moderador
sobre el n
umero de ideas generadas por un grupo. Se observaron cuatro miembros, con y
sin moderadores. Para una muestra aleatoria de cuatro grupos con moderador, el n
umero
medio de ideas generadas por grupo fue de 78, con una desviacion tpica de 24,4. Para
una muestra aleatoria independiente de cuatro grupos sin moderardor, el n
umero medio de
ideas generadas por grupo fue de 63,5, con una desviacion tpica de 20,2. Asumiendo que
las distribuciones poblacionales son normales con igual varianza, contrastar la hipotesis
nula de que las medias poblacionales son iguales frente a la alternativa de que la verdadera
media es mayor para los grupos con moderador. Use un nivel de significancia del 10%.
6. La varianza calculada de los puntajes en lectura de los estudiantes de tercer grado del
sistema escolar A, obtenidos durante 10 a
nos, es 1,44. Una muestra aleatoria de 21
estudiantes de tercer grado de otro sistema escolar (B) con quienes se practico la misma
prueba de lectura, arrojo una varianza de s2 = 1, 05. Proporcionan estos datos evidencia
suficiente como para concluir, al nivel de significancia 0,05, que los puntajes de los alumnos
de tercer grado del sistema B son menos variables de que los de los estudiantes del sistema
A? Suponga que los puntajes de los estudiantes de tercer del sistema B estan normalmente
distribuidos.
Cap. 8. Ejercicios
95
7. Al probar la diferencia en el desgaste abrasivo de los dos materiales en el ejemplo 8.3.5, se

asumi
o que las varianzas poblacionales desconocidas eran iguales. Es esta justificacion
correcta? Utilice un nivel de significancia del 10%.
8. En 1879, A.A. Michelson hizo 100 determinaciones de la velocidad de la luz en el aire
empleando una modificacion del metodo propuesto por el fsico frances Foucault. Los
datos estan en miles de km/s. Los datos estan recogidos en la primera columna del
archivo luz.sf. Suponiendo que los datos corresponden a una distribuci
on normal,
(a) estimar la media y la desviacion tpica de la distribuci
on.
(b) Obtener un intervalo de confianza del 95% para la media y la desviacion tpica de la
distribuci
on.
(c) Contrastar2 la hipotesis nula H0 : = 299.782, 5Km/s frente a H1 : 6= 299.782, 5
con = 0, 05.
9. En 1879, el fsico norteamericano Albert A. Michelson tom
o 100 medidas de la velocidad
de la luz en el aire empleando una modificacion del metodo propuesto por el fsico frances
Foucault. Las medidas que tom
o se proporcionan en la primera columna del archivo
luz.sf3 (en miles de km/s).
(a) Analice numerica y graficamente estos datos. Genere el histograma, el diagrama de
cajas y el diagrama de tallo y hojas y proporcione los principales estadsticos que
caracterizan a este conjunto de datos.
(b) Contraste la normalidad de los datos graficamente (grafico probabilista normal).
(c) Admitiendo que estos datos proceden de una distribuci
on normal proporcione los
valores de los estimadores de la misma por el metodo de maxima verosimilitud.
10. Simon Newcomb midio el tiempo que una se
nal luminosa tardaba en recorrer una distancia
de 7.400 metros. Los datos se proporcionan en nanosegundos (hay 109 nanosegundos en
un segundo) y estan recogidos en la segunda columna del archivo luz.sf3.
(a) Analice numerica y graficamente estos datos. Se detecta alg
un valor atpico mediante
los diagramas de cajas y de tallo y hojas?
(b) Transforme estos datos a velocidades y analcelos Se detecta alg
un valor atpico
mediante los diagramas de cajas y de tallo y hojas?
(c) Si hubiere valores atpicos elimnelos del analisis y compruebe la normalidad de los
datos restantes mediante diferentes graficos.
(d) Admitiendo que estos datos proceden de una distribuci
on normal, proporcione los
valores de los estimadores de la misma por el metodo de maxima verosimilitud.
(e) Compare graficamente los datos de la velocidad de la luz de Newcomb y de Michelson
(diagramas de cajas e histogramas).
11. Se ha registrado el n
umero de ni
nas en familias de 12 hijos nacidas entre 1879 y 1936 para
unas comunidades de granjeros que habitaban en los Estados Unidos de Norteamerica y
Canada. Los datos se muestran en el archivo demografia.sf3.
(a) Analice numerica y graficamente estos datos. Admitiendo equiprobabilidad de nacimiento
de ni
no y ni
na en cualquier embarazo que tipo de distribuci
on deberan seguir estos
datos?
(b) Estime la fracci
on media de ni
nas en ese tipo de familias.
2
Actualmente se toma 299.792,5 km/s como la velocidad de la luz en el vaco.
Cap. 8. Ejercicios
96
12. Los circuitos integrados se construyen sobre obleas de silicio, que son discos de 20 cm de
diametro y muy poco espesor (entre 200-300 micras). En una de las etapas iniciales de
fabricaci
on se toman obleas de silicio y se introducen en una esmeriladora (grinder) hasta
conseguir el espesor deseado. En el archivo obleas.sf3 se presentan 150 medidas de espesor
de obleas de silicio, que corresponden a una planta holandesa de fabricaci
on de circuitos
integrados de Philips. El espesor deseado es 245 micras. Realizar la estimaci
on puntual
y obtener los intervalos de confianza para la media y la desviacion tpica ( = 0, 01)
suponiendo distribucion normal. Contrastar la hipotesis nula H0 : = 245 micras frente
a H1 : 6= 245 con = 0, 05.
13. Los laboratorios Merck llevaron a cabo un experimento para evaluar el efecto de un nuevo
medicamento. Se inyecto a diecinueve ratas de pantano una dosis de 12,5 mg de la droga.
Se eligieron al azar, de la camada de cada una de estas ratas, un macho y una hembra
para tirarlos a una piscina. Cada rata era colocada en un extremo de la piscina y se la
dejaba nadar hasta que escapaba por el otro extremo. Si no consegua escapar al cabo
de un cierto tiempo se le daba otra oportunidad. El experimento se repeta hasta que
la rata consegua escapar tres veces. El archivo de datos merck.sf3 presenta el n
umero
de pruebas necesarias para que cada animal consiguiese los tres exitos. Hay evidencia
de diferencias en el n
umero de intentos que necesitan machos y hembras para superar la
prueba?
14. En el archivo de datos gemelos.sf3 mostramos los resultados de tests de inteligencia
realizados a parejas de gemelos monozigoticos. Los gemelos monozigoticos se forman
por la division en dos de un mismo ovulo ya fecundado y, por tanto, tienen la misma
carga genetica. Al mismo tiempo, por razones obvias, es muy frecuente que compartan el
entorno vital y es difcil separar ambos factores. En el conjunto de datos, los datos de la
columna A corresponden al gemelo criado por sus padres naturales, los de la columna B
al criado por un familiar u otra persona.
(a) Analice numerica y graficamente, por separado, los datos correspondientes a cada
uno de estos dos tipos de gemelos.
(b) Calcule el coeficiente de correlacion entre los cocientes de inteligencia de ambos tipos
de gemelos.
(c) Estudie si existen diferencias significativas entre los promedios de inteligencia de ambos tipos de gemelos.
15. El Insitol es un alcohol cclico de estructura compleja que se utiliza para combatir la
depresion. Tambien se ha utilizado en investigaci
on psiquiatrica contra el panico. Para
probar esta teora se ha realizado un estudio doblemente ciego placebo con 21 pacientes a
los que se haba diagnosticado panico. Los pacientes apuntaban en un diario sus ataques
de panico. En el archivo insitol.sf3 se muestran los datos correspondientes a una semana
durante la cual se les haba administrado una dosis de placebo y otra semana en la cual
se les haba administrado Insitol. Estudie si el uso de Insitol reduce significativamente el
n
umero de ataques de panico.
16. Se ha investigado la relaci
on entre la temperatura media del aire y la temperatura de la
envoltura de gusanos en el Artico.

En diferentes das se han tomado las temperaturas
medias del aire y dentro de la envoltura de estos gusanos (grados centgrados). Los datos
del archivo gusanos.sf3 indican que la temperatura del gusano dentro de la envoltura es
superior a la temperatura del aire exterior.
(a) Estime la diferencia media entre las temperaturas de la envoltura y del aire exterior.
(b) Contraste si la temperatura dentro de la envoltura es superior en al menos cuatro
grados centgrados a la temperatura media del aire.
A
Gua r
apida para trabajar con
Statgraphics
A.1
An
alisis de un solo conjunto de datos
1. Abrir el archivo de datos calles.sf3.

2. Seleccionamos Describe . . . Numeric Data . . . One-Variable Analysis.
3. Elegimos Data = Longitud y pulsamos la opci
on OK.
4. Sale la llamada ventana del analisis. Los conos principales de esta ventana son:
Input dialog (cono de dialogos): para seleccionar o cambiar variables dentro del
archivo y analisis seleccionado.
Tabular options (cono de opciones tabulares): medidas estadsticas, percentiles,
tablas de frecuencia, inferencias, etc.
Graphical options (cono de opciones graficas): diagramas de dispersion, histogramas, etc.
Save results (cono de salvar resultados): permite salvar los resultados del analisis.
5. Transformacion de una variable:1 OneVariable Analysis, activar el boton Transform y, en
Operators, elegir logaritmo.
A.2
An
alisis simult
aneo de dos o m
as conjuntos de datos
1. Compare . . . Two Samples . . . Two Sample Comparison . . .

2. Para obtener diagramas de cajas m
ultiples: Compare . . . Multiple Samples . . . MultipleSample Comparison . . . Multiple Data Columns . . . Ok . . . Samples= (en esta u
ltima
opci
on mencionar los datos que queremos comparar)
3. Para obtener diagramas de cajas m
ultiples: Plot . . . Exploratory Plots . . . Multiple Boxand-Whishker Plot . . . Data=distancia . . . Level codes=year . . .
1
Por ejemplo, si quisieramos trabajar con el logaritmo de la variable escribimos LOG(longitud)

en vez de longitud
A.3 Gr
aficos de dispersi
on
A.3
98
Gr
aficos de dispersi
on
Con la opci
on Plot. . .Scatterplots se pueden realizar:
1. Graficos univariantes (Univariate Plot). Por ejemplo, abrir archivo de datos autos.sf3 y
utilizar la variable mpg.
2. Graficos bidimensionales X-Y simples (X-Y plot) y m
ultiples (Multiple X-Y Plot). Por
ejemplo, abrir archivo de datos autos.sf3 y hacer Y=mpg y X=potencia. Sobre la grafica,
pulsar boton derecho del raton y elegir Pane options. Aparece una pantalla con varios
campos. Elegir Point Codes=model.
3. Graficos tridimensionales X-Y-Z simples (X-Y-Z plot) y m
ultiples (Multiple X-Y-Z Plot).
Por ejemplo, abrir archivo de datos autos.sf3 y hacer X=accel, Y=cilindro, Z=price.
Sobre la zona grafica: boton derecho, Pane options, Point Codes=origin.
4. Graficos de matriz (Matriz Plot).
5. Graficos en coordenadas polares (Polar Coordinates Plot).
A.4
Diagramas de presentaci
on
Con la opci
on Plot. . .Business Charts se pueden realizar (abrir siempre el archivo autos.sf3):
1. Graficos de barras simples (Barchart). Por ejemplo, realizar un grafico de barras para la
variable origin del archivo autos.sf3, que contiene el pas de origen de los autos. Los
valores de la variable origin son 1 para los autos norteamericanos, 2 para autos europeos y
3 para autos japoneses. En esta opci
on sale, entre otros, el campo Counts (Frecuencias)
que permite introducir la variable que contiene las frecuencias absolutas de los valores de
la variable a graficar. Como las frecuencias absolutas de de los valores de la variable origin
son: 85 para autos norteamericanos, 26 para autos europeos y 44 para autos japoneses,
entonces, por esta raz
on, debemos escribir en este campo join3(85;26;44). Ademas, el
campo Labels (Etiquetas) permite introducir el nombre de la variable que contiene las
etiquetas a utilizar para cada barra del grafico. Como las etiquetas de los valores de la
variable origin estan contenidas carmakers, que son America, Europe y Japan, hacemos
Labels=carmakers.
2. Graficos de barras m
ultiples (Multiple Barchart). Por ejemplo, realizaremos un grafico
de barras dobles para las variables origin y year del archivo autos.sf3, que contienen el
pas de origen de los autos y el a
no de construccion, respectivamente. Los valores de la
variable year son los intervalos 1978, [1979,1980] y [1981,1982]. Aparecen, entre otros,
los siguientes campos:
Columns (Columnas): En este campo se introducen las variables que contienen las
frecuencias absolutas de los valores de las variables a graficar, o una expresi
on de
Statgtraphics que contiene operadores y que genera sus valores. Como las frecuencias absolutas de de los valores de la variable origin son: 85 para autos norteamericanos, 26 para autos europeos y 44 para autos japoneses, y como las frecuencias
absolutas de los valores de la variable year son: 36 para 1978, 58 para [1979,1980]
y 61 para [1981,1982], entonces, por esta raz
on, debemos escribir en este campo
join3(85;26;44) y join3(36;58;61).
Labels (Etiquetas): Hacemos Labels=carmakers.
3. Graficos de sectores (Piechart). Por ejemplo, realizaremos un grafico de sectores para la
variable origin del archivo autos.sf3, que contienen el pas de origen de los autos y el a
no
de construccion, respectivamente. Los valores de la variable origin son 1 para los autos
A.5 Variables numericas multidimensionales
99
norteamericanos, 2 para autos europeos y 3 para autos japoneses. Aparecen, entre otros,
los siguientes campos:
Counts (Frecuencias): En este campo se introducen las variables que contienen las
frecuencias absolutas de los valores de las variables a graficar, o una expresi
on de
Statgtraphics que contiene operadores y que genera sus valores. Como las frecuencias absolutas de de los valores de la variable origin son: 85 para autos norteamericanos, 26 para autos europeos y 44 para autos japoneses, entonces, por esta raz
on,
debemos escribir en este campo join3(85;26;44).
Labels (Etiquetas): En este campo se debe introducir el nombre de la variable que
contiene las etiquetas a utilizar para cada grupo de barras del grafico. Como las
etiquetas de los valores de la variable origin estan contenidas carmakers, que son
America, Europe y Japan, hacemos Labels=carmakers.
4. Graficos de componentes de lneas (Component Line Chart)
5. Graficos de escogencias alta y baja (High-Low-Chose Chart).
A.5
Variables num
ericas multidimensionales
Seleccione la siguiente secuencia de opciones: Describe. . .Numeric Data. . .Multiple-Variable

Analysis y aparecen todas las variables del archivo. Aparece una ventana de dialogo en cuyo
campo Data introducimos la variables origin, price y year. Luego, pulsamos el boton OK.
A.6
Distribuciones de probabilidad
Plot . . . Probability Distributions. Escogemos la distribuci

on deseada. Los valores de los
parametros que definen la distribuci
on (estan fijados por defecto por el programa) los podemos modificar si pulsamos el boton derecho del raton y escogemos la opci
on Analysis Options.
A.7
Inferencias basadas en una sola muestra
1. Se escoge Describe . . . Numeric Data . . . One Variable Analysis. Elegimos la variable que
va a ser objeto del analisis y pulsar OK. Al pulsar el cono Tabular options aparecen, entre
otros:
Confidence Intervals.
Calcula intervalos para la media (Confidence Interval for Mean) y la desviacion tpica
(Confidence Interval for Standard Deviation) de la distribuci
on. Pulsando el boton
derecho del raton y escogiendo Pane Options se puede modificar el nivel de confianza
(Confidence Level) y el tipo de intervalo (Interval Type).
Hypothesis Testing
Se realizan los contrastes de la media y de la desviacion tpica. Pulsando el boton
derecho del raton y escogiendo Pane options se pueden modificar el valor del
parametro para la hipotesis nula (por ejemplo Mean = 0 ), del nivel de significancia (Alpha) y de la hipotesis alternativa:
2. Calculo de la curva de potencia.
Describe . . . Hypothesis Test . . . Normal Mean y en Null Hypothesis se elige el valor
de la media bajo la hipotesis nula. En la casilla Sample Sigma se escoge el valor de la
desviacion tpica de la poblacion. El tama
no de muestra se fija a traves de Sample Size.
Seleccionando el cono de graficos se selecciona la u
nica grafica posible (curva de potencia
- Power Curve) y se pulsa OK.
A.8 Inferencias basadas en dos muestras
A.8
100
Inferencias basadas en dos muestras
1. Elegir Compare . . . Two Samples, en donde aparecen cuatro (4) opciones: Two Sample
Comparison, Paired-Sample Comparison, Hypotesis Tests, Sample-Size Determination.
2. Cuando seleccionamos Two Sample Comparison2 el programa pide al usuario que especifique las dos columnas de datos a comparar (Sample 1 y Sample 2 ). Seleccionando
Tabular options aparece, entre otros:
Comparison of Means: Intervalo de confianza para la diferencia de medias y contraste
de igualdad de medias.
Comparison of Standard Deviations: Intervalo de confianza para el cociente de
varianzas y contraste de igualdad de varianzas.
Kolmogorov-Smirnov Test: Prueba de hipotesis para saber si las distribuciones de
ambas muestras son identicas.
A.9
Bondad de ajuste
1. Se selecciona Describe. . . Distribution Fitting . . .Uncensured Data. Al pulsar OK se obtiene, entre otras, la salida de las contrastes de bondad de ajuste.
2. Si, estando situados sobre esta salida, pulsamos el boton derecho del raton y elegimos
la opci
on Analysis Options del men
u emergente resultante, obtenemos la caja de dialogo
Probability Distributios Options, que presenta todas las posibles distribuciones a considerar
para el ajuste (observamos que por defecto el ajuste se realiza a una distribuci
on normal).
3. Tambien aparecen los siguientes campos:
Number of Trials (n
umero de ensayos).
Se rellena con el n
umero de tiradas cuando la distribuci
on elegida para el ajuste es
binomial;
Number of Successes (n
umero de eventos).
Se rellena con el n
umero de exitos cuando la distribuci
on elegida es una binomial
negativa.
Population Size (tama
no de la poblacion).
Se rellena con el tama
no de la poblacion cuando la distribuci
on elegida es una
hipergeometrica.
4. La opci
on tabular Tests for Normality : realiza los contrastes de normalidad.
5. Opci
on tabular Goodness-of-Fit Tests: realiza los contrastes de la bondad de ajuste de
los datos a una distribuci
on dada.
El procedimiento es identico cuando seleccionamos la opci

on Paired-Sample Comparison
B
Gua r
apida para trabajar con
SPSS
B.1
Definici
on de las variables
Para definir cada variable hay dos procedimientos:

Hacer doble clic sobre el encabezamiento de la variable o
Seleccionar, en la parte inferior, la pesta
na vista de variables.
Cuando se hace esto, observamos que hay una fila para cada variable del conjunto de datos
y que existen 10 columnas: Nombre, Tipo, Anchura, Decimales, Etiqueta, Valores, Perdidos,
Columnas, Alineacion y Medida. La definicion de una variable se basa en las opciones que se
ofrecen en esa ventana:
1. Asignar un nombre a cada variable, cumpliendo las siguientes reglas:
Nombres con no mas de 8 caracteres (el primero debe ser una letra o @).
No utilizar smbolos como &, /, $, etc.
No utilizar nunca espacios en blanco.
No utilizar expresiones como ALL, AND, BY, EQ, GE, GT, LE, NE, NOT, OR, TO,
o WITH.
2. Asignar un tipo a cada variable, indicando el maximo n
umero de dgitos que deseamos
para anotar las observaciones de la variable y el tipo de la variable con la que vamos a
trabajar (alfanumerica, fecha, moneda o numerica) indicando en este caso el n
umero de
cifras decimales con que queremos que aparezca en el editor. SPSS permite trabajar con
los siguientes tipos de variables:
Numericas: formato numerico estandar.
Coma: comas de separaci

on cada tres posiciones. Un punto para la parte decimal.
Punto: al contrario que el anterior.
Notacion Cientfica: uso de la E para exponente.
Cadena: variable alfanumerica (de mas de 8 caracteres se considera larga).
B.1 Definici
on de las variables
102
Ademas estan los formatos de fecha, dolar y moneda personalizada.

Si no escogemos el tipo, el sistema lo asigna automaticamente, siendo el formato por
defecto: Numerica 8.2 que significa: Anchura: 8 y Decimales: 2; es decir, una amplitud
de columna de 8 espacios, siendo los 2 u
ltimos para los decimales.
3. Asignar una Etiqueta a cada variable de no mas de 120 caracteres (entre 30 y 40 es el
valor recomendado) que nos permita tener mas informacion sobre esa variable.
4. Asignar Valores: se trata de asignar etiquetas a los valores de cada variable. No es
obligatorio, pero s muy u
til en algunos casos.
5. Definir Perdidos: permite definir los valores de los datos especificados como perdidos
por el usuario. Sit
uese en el campo correspondiente a Perdidos de cualquier variable y
pulse sobre el recuadro coloreado, aparece: Los c
odigos asignados a los valores ausentes
deben de ser coherentes con el tipo de variables declarado: numericos para las numericas
y alfanumericos para las alfanumericas (maximo 9 caracteres). Se pueden introducir hasta
3 valores perdidos (individuales) de tipo discreto, un rango de valores perdidos o un
rango mas un valor de tipo discreto. Solo pueden especificarse rangos para las variables
numericas. Estos valores ausentes son denominados por SPSS valores ausentes definidos
por el usuario (user-defined missing values), a diferencia de los definidos por el sistema
(system-missing values o sysmis). Estos u
ltimos corresponden a los que establece el
sistema para los espacios en blanco y caracteres ilegales que puedan haber en el archivo
de datos. Aparecen en los listados representados por comas.
6. Definir Columnas: consiste en especificar la amplitud de la columna. Podemos hacerlo
tambien desde el propio archivo de datos.
7. Definir Alineacion: seleccionar la justificacion de las entradas de la columna: Izquierda,
Derecha y Centrado.
8. Especificar medida. Se puede seleccionar uno de los tres niveles de medida:
Escala: los valores de datos son numericos en una escala de intervalo. Las variables
de escala deben ser numericas.
Ordinal: los valores de datos representan categoras con un cierto orden intrnseco
(bajo, medio, alto; totalmente de acuerdo, de acuerdo, en desacuerdo). Las variables
ordinales pueden ser de cadena o valores numericos. Notar que para variables de
cadena ordinales, se asume que el orden alfabetico de los valores de cadena indica el
orden correcto de las categoras; en el caso de bajo, medio y alto el orden sera alto,
bajo y medio (orden que no es correcto), por lo que es mas fiable utilizar c
odigos
numericos para representar datos ordinales que usar etiquetas de estos c
odigos.
Nominal: los valores de datos representan categoras sin un cierto orden intrnseco.
Las variables nominales pueden ser de cadena o valores numericos que representan
categoras diferentes, por ejemplo 1 = Hombre y 2 = Mujer.
B.1.1
Transformaci
on de una variable
Elegimos Transformar . . . Calcular, y realizamos los siguientes pasos:

1. Asignar un nombre y un tipo (por defecto sera numerica) a la nueva variable en el cuadro
de texto de la Variable de destino.
2. Definir la expresion numerica que va a permitir calcular los valores de la misma. Para ello
utilizaremos los nombres de las variables del archivo (podemos escribirlos o seleccionarlos
del listado que aparece), constantes, operadores y funciones.
3. Pulsar Aceptar.
B.1 Definici
on de las variables
103
Para construir estas expresiones pueden usarse operadores aritmeticos como +, , *, /, ** y

funciones como SQRT, EXP, LG10, LN, ARTAN, COS, SIN, ABS, MOD10, TRUNC, RND,
entre otras:
MOD10 (Resto resultante de dividir entre 10).
TRUNC (Parte entera de un n
umero).
RND (Redondeo al entero mas cercano).
Pulsando el boton derecho sobre le nombre de la funcion, aparece su descripci
on. El argumento
de las funciones debe ir entre parentesis. Existen funciones particulares como UNIFORM y
NORMAL, que se utilizan para la generacion de variables aleatorias. Son de bastante utilidad
en estudios de simulaci
on.
Es importante tener cuidado con el orden de utilizacion de los operadores y no olvidar que
los valores antiguos pierden su vigencia al recodificar una variable sobre el mismo nombre.
El boton SI . . . permite realizar modificaciones similares, pero sujetas a que se verifique una
condicion logica. Se incluiran aquellos casos que verifiquen la condicion. Los que no la cumplan
pasaran a ser valores ausentes definidos por el sistema.
Una expresion logica es una expresion que puede ser evaluada como verdadera o falsa en funcion
de los valores de las variables en ella relacionadas. El nexo de las variables son los operadores de
relaci
on: = , >= , <= , < , > , ~= . Es posible formar expresiones complejas, utilizando los
operadores logicos: AND (&), OR ( | ), NOT (~).
B.1.2
Recodificaci
on de una Variable
A partir de una variable podemos crear otra cuyos valores sean una recodificacion de los de
la primera. Esta recodificacion podemos hacerla tanto en la misma variable como en variables
diferentes. Para ello, seleccionaremos Transformar . . . Recodificar . . . En distintas variables. Se
abre una ventana en la que deberemos asignar un nombre (y una etiqueta si queremos) a la
nueva variable.1
B.1.3
Filtrado de datos
El programa SPSS permite seleccionar determinados casos para un proximo proceso, bien temporalmente o de forma permanente, sobre la base de un criterio logico o de una decision aleatoria.
Para ello seleccionaremos el men
u Datos . . . Seleccionar casos. La seleccion de individuos puede
ser temporal (filtrados) o permanente (eliminados). En la seleccion permanente eliminamos del
archivo activo los individuos deseados, mientras que en la temporal, la seleccion es recuperable
(los casos son filtrados). En esta u
ltima situacion, los individuos (casos) del archivo que no
satisfacen la condicion apareceran marcados como excluidos mediante una lnea que cruza en
diagonal su n
umero de fila. Aparece tambien una variable llamada filter $ que el sistema crea
para controlar el filtrado de datos.
Especificaciones:
Todos los casos: indica que quiere procesar todos los casos del archivo de datos de trabajo.
Si se satisface la condicion: indica que quiere procesar solo los casos que satisfagan una
condicion logica. Para especificar o cambiar la condicion, pulse en Si. Esta alternativa
crea la variable filter $, que el sistema crea para controlar el filtrado de datos.
1
Cuidado!, si se selecciona . . . borrar

as la variable original.
B.2 An
104
Muestra aleatoria de casos: indica que queremos seleccionar los casos de forma aleatoria
para su procesamiento. Si ha tecleado las especificaciones de muestreo, estas apareceran
junto al boton de comando Muestra. Si no, o si quiere cambiarlas, pulse en Muestra(vease
mas adelante). Esta alternativa tambien crea la variable filter $.
Basandose en el rango del tiempo o de los casos: permite seleccionar los casos deseados
siempre que sean consecutivos.
Usar variable de filtro: indica que quiere utilizar los valores de una variable numerica
existente para controlar el filtrado de casos. Seleccione la variable de la lista de la izquierda.
Los casos cuyo valor sea 0, o ausentes, en la variable de filtro se excluyen del analisis.
B.2
An
Primero abrir el archivo de datos.

1. Tablas de frecuencias: Analizar . . . Estadsticos descriptivos . . . Frecuencias. SPSS
tambien cuenta con el men
u alternativo Analizar . . . Tablas personalizadas que posibilita
alterar el formato del resultado.
2. Estadsticos: Analizar . . . Estadsticos descriptivos . . . Descriptivos donde hay que seleccionar la variable o variables de interes y despues Opciones para escoger los estadsticos
que interesan. Sin embargo con este men
u no se pueden obtener los percentiles. Para
obtenerlos hay que usar Analizar . . . Estadsticos descriptivos . . . Frecuencias y entrar en
la opci
on Estadsticos en donde se seleccionan los percentiles deseados.
3. Gr
aficos de sectores: Graficos . . . Sectores y seleccionaremos una o varias variables
apareciendo un cuadro de dialogo, cuyas opciones pasamos a comentar:
(a) Res
umenes para grupos de casos: Genera un grafico en el que cada sector corresponde a un valor de la variable seleccionada. El tama
no del sector se determina por
la opci
on Los sectores representan, esta opci
on aparece en el cuadro de dialogo que
surge despues de pulsar el boton Definir del cuadro anterior. Tambien es posible que
los sectores representen otra cosa, como la media de los valores de otra variable, el
valor maximo, etc.; esto se consigue con la opci
on Otra funcion resumen. Se puede
tambien editar el grafico haciendo doble clic sobre el, con posibilidad de cambiar
colores, tramas, desgajar sectores, etc.
(b) Res
umenes para distintas variables. Permite que los sectores representen variables
en lugar de grupos de casos. Cada sector representa una funcion de una determinada
variable (por ejemplo, la suma de los valores de sus casos).
(c) Valores individuales de los casos. Se resume una u
nica variable, los casos ya son
valores agrupados de la variable. Cada sector representa el valor de un caso individual. Con Graficos . . . Interactivos . . . Sectores podemos obtener representaciones
con efectos mas llamativos.
4. Diagramas de barras: Graficos . . . Barras y Graficos . . . Interactivos . . . Barras.
5. Histogramas: Graficos . . . Histograma o Graficos . . . Interactivos . . . Histograma.
6. Gr
aficos de tallo y hojas: Analizar . . . Estadsticos descriptivos . . . Explorar.
7. Diagramas de caja: Graficos . . . Diagrama de cajas.
8. Diagramas de dispersi
on: Graficos . . . dispersion . . . simple o Graficos . . . Interactivos
. . . Diagrama de dispersion, en donde aparece un cuadro de dialogo en el que se puede
elegir que variable ocupara el eje X y que otra el eje Y.
B.3 Inferencia sobre una o m

as poblaciones
B.3
105
Inferencia sobre una o m

as poblaciones
Primero abrir el archivo de datos.

1. An
alisis de una muestra: Analizar . . . Comparar medias . . . Prueba T para una muestra.
Aparece una pantalla en cuyo campo Contrastar Variables introducimos las varaibles que
queremos contrastar. En esta ventana, seleccione Opciones, para introducir el grado de
confianza deseado (por defecto es del 95%). Al final se pulsa Aceptar.
2. An
alisis de dos muestras emparejadas o relacionadas (Prueba T para muestras
relacionadas). Para efectuar la prueba T para muestras relacionadas se necesita una
columna en los datos para cada una de las variables a comparar. Seleccionamos Analizar
. . . Comparar medias . . . Prueba T para muestras relacionadas. Aparece la ventana en
donde seleccionamos las variables en cuya comparaci
on estamos interesados. Al hacer
la primera seleccion en la columna de variables, esta aparece en el recuadro selecciones
actuales como variable 1, y al realizar la segunda seleccion aparecera como variable 2. En
ese momento, ya seleccionadas las dos, es cuando las podemos introducir en la columna
variables relacionadas. Se pulsa Aceptar.
3. An
alisis de dos muestras independientes (Prueba T para muestras independientes).
El programa necesita una columna en el editor de datos que contenga los valores de la
variable cuyas medias en las dos poblaciones se desea comparar, y otra que indica la
poblacion o grupo a que pertenece cada individuo. A continuacion, seleccionamos Analizar
. . . Comparar medias . . . Prueba T para muestras independientes. Aparece una ventana en
donde, en primer lugar seleccionamos una variable numerica y con el puntero la situamos
en la ventana de Contrastar variables. A continuacion, seleccionamos una u
nica variable
de agrupacion y pulsamos Definir grupos. En esta ventana debemos especificar los dos
grupos de la variable de contraste, eligiendo entre:
Usar valores especificados. Escribimos un valor para el Grupo 1 y otro para el Grupo
2. Los casos con otros valores quedaran excluidos.
Punto de corte. Escribimos un n
umero que divida los valores de la variable de
agrupacion en dos conjuntos.
Si la variable de agrupacion es de cadena corta, por ejemplo, SI y NO, podemos escribir
una cadena para el Grupo 1 y otra para el Grupo 2. Los casos con otras cadenas quedaran
excluidos del analisis. Una vez completada la ventana y tras pulsar Continuar, volvemos
a la ventana de Prueba T para muestras independientes. Pulsando el boton Opciones
podemos introducir un valor entre 1 y 99 para el coeficiente de confianza de un intervalo,
cuyo valor por defecto es del 95%. Tras pulsar el boton Aceptar.
4. Pruebas de normalidad. Analizar . . . Estadsticos descriptivos . . . Explorar. Aparece la
ventana Explorar. En el caso de una muestra situamos la variable en la ventana Dependientes, y dejamos Factores en blanco. Para dos muestras independientes, situamos la
variable a contrastar en la ventana Dependientes, y la variable que forma los grupos en la
de Factores. Para dos muestras emparejadas situamos una variable con la diferencia de las
dos originales en la ventana Dependientes, y dejamos Factores en blanco. A continuacion,
debemos pulsar el boton Graficos y en la nueva ventana escoger la opci
on de Histograma
y activar la opci
on de Graficos con pruebas de normalidad.
C
Uso de la calculadora en la
estadstica
Las explicaciones las basaremos en la utilizacion de las calculadoras Casio fx-82MS, fx-83MS,
fx-85MS, fx-270MS, fx-300MS y fx-350MS.
C
alculos estadsticos
Para realizar calculos estadsticos en la calculadora, tenga en cuenta los siguientes comentarios:
Utilice mode
2 para ingresar el modo estadstico SD.
Utilice shift
clr
= para borrar la memoria.
Ingrese los datos usando la secuencia de tecla siguiente: <Dato> dt .

Tenga en cuenta la tabla siguiente para los calculos que se necesiten:
Para llamar este tipo de valor:
P 2
x
P
x
n
x
n
n1
Ejemplo C.0.1 Calcule n,
55, 53, 53, 54 y 52.
SOLUCION:
x,
Realice esta operacion:

shift
shift
shift
shift
shift
shift
s-sum
s-sum
s-sum
s-var
s-var
s-var
1
2
3
1
2
3
x2 , x, n y n1 para los datos siguientes: 55, 54, 51,
Primero, ingresamos al modo SD con las teclas mode
2.
Luego, borramos la memoria con la secuencia de teclas shift
clr
=.
Posteriormente, ingresamos los datos: 55 dt 54 dt 51 dt 55 dt 53 dt 53 dt

54 dt 52 dt
Por u
ltimo, calculamos las medidas estadsticas pedidas:
107
P 2
Suma de los cuadrados de los valores
x = 22.805
P
Suma de valores
x = 427
N
umero de datos n = 8
Media aritmetica x = 53, 375
Desviacion estandar poblacional n = 1, 316956719
Desviacion estandar muestral n1 = 1, 407885953
shift
shift
shift
shift
shift
shift
s-sum
s-sum
s-sum
s-var
s-var
s-var
1
2
3
1
2
3
=
=
=
=
=
=
Precauciones con el ingreso de datos

dt
dt ingresa el mismo dato dos veces.
Tambien puede ingresar m

ultiples entradas del mismo dato usando shift ; . Por ejemplo, para ingresar el dato 110 diez veces presiones 110 shift ; 10 dt .
Mientras ingresa datos o despues de completar el ingreso de datos, puede usar las teclas
y para ir visualizando a trav
es de los datos que ha ingresado.
Si ingresa m
ultiples ingresos del mismo dato usando shift ; para especificar la frecuencia de datos (n
umero de temes de datos) como se describe anteriormente, pasando
a traves de los datos muetra el tem de dato y una pantalla separada para la frecuencia
de datos (freq).
Los datos visualizados pueden editarse, si as lo desea. Ingrese el valor nuevo y presione
la tecla = para reemplazar el valor antiguo por el valor nuevo. Esto tambien significa
que si desea realizar alguna otra operacion (calculo, llamada de resultados de calculos estadsticos, etc.), siempre debera presionar primero la tecla ac para salir de la presentaci
on
de datos.
Presionando la tecla dt en lugar de = despues de cambiar un valor sobre la presentaci
on,
registra el valor que ha ingresado como un elemento de dato nuevo, y deja el valor antiguo
tal como esta.
Puede borrar el valor del dato visualizado usando y , y luego presionando shift
cl . Borrando un valor de dato ocasiona que todos los valores siguientes se desplacen
hacia arriba.
Despues de ingresar los datos en el modo SD, no podra visualizar o editar mas los datos
temes de datos individuales, despues de cambiar a otro modo.
D
Ap
endice de tablas
D.1
La funci
on de distribuci
on binomial
La funcion tabulada es la funcion de distribuci

on acumulada
n
X
n k
B(k; n, p) =
p (1 p)nk
k
k=0
para n = 5, 10, 15, 20 y 25.
(a) Tabla binomial para n = 5

k
0
1
2
3
4
5
0,05
0,774
0,977
0,999
1,000
1,000
1,000
0,10
0,590
0,919
0,991
1,000
1,000
1,000
0,20
0,328
0,737
0,942
0,993
0,999
1,000
0,25
0,237
0,633
0,896
0,984
0,999
1,000
0,30
0,168
0,528
0,837
0,969
0,998
1,000
p
0,40
0,078
0,337
0,683
0,913
0,990
1,000
0,50
0,031
0,188
0,500
0,812
0,969
1,000
0,60
0,010
0,087
0,317
0,663
0,922
1,000
0,70
0,002
0,031
0,163
0,472
0,832
1,000
0,75
0,001
0,016
0,104
0,367
0,763
1,000
0,80
0,000
0,007
0,058
0,263
0,672
1,000
0,90
0,000
0,000
0,009
0,081
0,410
1,000
0,95
0,000
0,000
0,001
0,023
0,226
1,000
(b) Probabilidades binomiales acumuladas para n = 10

k
0
1
2
3
4
0,05
0,599
0,914
0,988
0,999
1,000
0,10
0,349
0,736
0,930
0,987
0,998
0,20
0,107
0,376
0,678
0,879
0,967
0,25
0,056
0,244
0,526
0,776
0,922
0,30
0,028
0,149
0,383
0,650
0,850
p
0,40
0,006
0,046
0,167
0,382
0,633
0,50
0,001
0,011
0,055
0,172
0,377
0,60
0,000
0,002
0,012
0,055
0,166
0,70
0,000
0,000
0,002
0,011
0,047
0,75
0,000
0,000
0,000
0,004
0,020
0,80
0,000
0,000
0,000
0,001
0,006
0,90
0,000
0,000
0,000
0,000
0,000
0,95
0,000
0,000
0,000
0,000
0,000
5
6
7
8
9
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,994
0,999
1,000
1,000
1,000
0,980
0,996
1,000
1,000
1,000
0,953
0,989
0,998
1,000
1,000
0,834
0,945
0,988
0,998
1,000
0,623
0,828
0,945
0,989
0,999
0,367
0,618
0,833
0,954
0,994
0,150
0,350
0,617
0,851
0,972
0,078
0,224
0,474
0,756
0,944
0,033
0,121
0,322
0,624
0,893
0,002
0,013
0,070
0,264
0,651
0,000
0,001
0,012
0,086
0,401
D.1 La funci
on de distribuci
on binomial
109
(c) Probabilidades binomiales acumuladas para n = 15

k
0
1
2
3
4
0,05
0,463
0,829
0,964
0,995
0,999
0,10
0,206
0,549
0,816
0,944
0,987
0,20
0,305
0,167
0,398
0,648
0,836
0,25
0,013
0,080
0,236
0,461
0,686
0,30
0,005
0,035
0,127
0,297
0,515
p
0,40
0,000
0,005
0,027
0,091
0,217
0,50
0,000
0,000
0,004
0,018
0,059
0,60
0,000
0,000
0,000
0,002
0,009
0,70
0,000
0,000
0,000
0,000
0,001
0,75
0,000
0,000
0,000
0,000
0,000
0,80
0,000
0,000
0,000
0,000
0,000
0,90
0,000
0,000
0,000
0,000
0,000
0,95
0,000
0,000
0,000
0,000
0,000
5
6
7
8
9
1,000
1,000
1,000
1,000
1,000
0,998
1,000
1,000
1,000
1,000
0,939
0,982
0,996
0,999
1,000
0,852
0,943
0,983
0,996
0,999
0,722
0,869
0,950
0,985
0,996
0,403
0,610
0,787
0,905
0,966
0,151
0,304
0,500
0,696
0,849
0,034
0,095
0,213
0,390
0,597
0,004
0,015
0,050
0,131
0,278
0,001
0,004
0,017
0,057
0,148
0,000
0,001
0,004
0,018
0,061
0,000
0,000
0,000
0,000
0,002
0,000
0,000
0,000
0,000
0,000
10
11
12
13
14
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,999
1,000
1,000
1,000
1,000
0,991
0,998
1,000
1,000
1,000
0,941
0,982
0,996
1,000
1,000
0,783
0,909
0,973
0,995
1,000
0,485
0,703
0,873
0,965
0,995
0,314
0,539
0,764
0,920
0,987
0,164
0,352
0,602
0,833
0,965
0,013
0,056
0,184
0,451
0,794
0,000
0,005
0,036
0,171
0,537
(d) Probabilidades binomiales acumuladas para n = 20

k
0
1
2
3
4
0,05
0,358
0,736
0,925
0,984
0,997
0,10
0,122
0,392
0,677
0,867
0,957
0,20
0,012
0,069
0,206
0,411
0,630
0,25
0,003
0,024
0,091
0,225
0,415
0,30
0,001
0,008
0,035
0,107
0,238
p
0,40
0,000
0,001
0,004
0,016
0,051
0,50
0,000
0,000
0,000
0,001
0,006
0,60
0,000
0,000
0,000
0,000
0,000
0,70
0,000
0,000
0,000
0,000
0,000
0,75
0,000
0,000
0,000
0,000
0,000
0,80
0,000
0,000
0,000
0,000
0,000
0,90
0,000
0,000
0,000
0,000
0,000
0,95
0,000
0,000
0,000
0,000
0,000
5
6
7
8
9
1,000
1,000
1,000
1,000
1,000
0,989
0,998
1,000
1,000
1,000
0,804
0,913
0,968
0,990
0,997
0,617
0,786
0,898
0,959
0,986
0,416
0,608
0,772
0,887
0,952
0,126
0,250
0,416
0,596
0,755
0,021
0,058
0,132
0,252
0,412
0,002
0,006
0,021
0,057
0,128
0,000
0,000
0,001
0,005
0,017
0,000
0,000
0,000
0,001
0,004
0,000
0,000
0,000
0,000
0,001
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
10
11
12
13
14
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,999
1,000
1,000
1,000
1,000
0,996
0,999
1,000
1,000
1,000
0,983
0,995
0,999
1,000
1,000
0,872
0,943
0,979
0,994
0,998
0,588
0,748
0,868
0,942
0,979
0,245
0,404
0,584
0,750
0,874
0,048
0,113
0,228
0,392
0,584
0,014
0,041
0,102
0,214
0,383
0,003
0,010
0,032
0,087
0,196
0,000
0,000
0,000
0,002
0,011
0,000
0,000
0,000
0,000
0,000
15
16
17
18
19
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,994
0,999
1,000
1,000
1,000
0,949
0,984
0,996
0,999
1,000
0,762
0,893
0,965
0,992
0,999
0,585
0,775
0,909
0,976
0,997
0,370
0,589
0,794
0,931
0,988
0,043
0,133
0,323
0,608
0,878
0,003
0,016
0,075
0,264
0,642
D.2 La funci
on de distribuci
on de Poisson
110
(e) Probabilidades binomiales acumuladas para n = 25

k
0
1
2
3
4
0,05
0,277
0,642
0,873
0,966
0,993
0,10
0,072
0,271
0,537
0,764
0,902
0,20
0,004
0,027
0,098
0,234
0,421
0,25
0,001
0,007
0,032
0,096
0,214
0,30
0,000
0,002
0,009
0,033
0,090
p
0,40
0,000
0,000
0,000
0,002
0,009
0,50
0,000
0,000
0,000
0,000
0,000
0,60
0,000
0,000
0,000
0,000
0,000
0,70
0,000
0,000
0,000
0,000
0,000
0,75
0,000
0,000
0,000
0,000
0,000
0,80
0,000
0,000
0,000
0,000
0,000
0,90
0,000
0,000
0,000
0,000
0,000
0,95
0,000
0,000
0,000
0,000
0,000
5
6
7
8
9
0,999
1,000
1,000
1,000
1,000
0,967
0,991
0,998
1,000
1,000
0,617
0,780
0,891
0,953
0,983
0,378
0,561
0,727
0,851
0,929
0,193
0,341
0,512
0,677
0,811
0,029
0,074
0,154
0,274
0,425
0,002
0,007
0,022
0,054
0,115
0,000
0,000
0,001
0,004
0,013
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
10
11
12
13
14
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,994
0,998
1,000
1,000
1,000
0,970
0,980
0,997
0,999
1,000
0,902
0,956
0,983
0,994
0,998
0,586
0,732
0,846
0,922
0,966
0,212
0,345
0,500
0,655
0,788
0,034
0,078
0,154
0,268
0,414
0,002
0,006
0,017
0,044
0,098
0,000
0,001
0,003
0,020
0,030
0,000
0,000
0,000
0,002
0,006
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
15
16
17
18
19
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,987
0,996
0,999
1,000
1,000
0,885
0,946
0,978
0,993
0,998
0,575
0,726
0,846
0,926
0,971
0,189
0,323
0,488
0,659
0,807
0,071
0,149
0,273
0,439
0,622
0,017
0,047
0,109
0,220
0,383
0,000
0,000
0,002
0,009
0,033
0,000
0,000
0,000
0,000
0,001
20
21
22
23
24
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,991
0,998
1,000
1,000
1,000
0,910
0,967
0,991
0,998
1,000
0,786
0,904
0,968
0,993
0,999
0,579
0,766
0,902
0,973
0,996
0,098
0,236
0,463
0,729
0,928
0,007
0,034
0,127
0,358
0,723
D.2
La funci
on de distribuci
on de Poisson
La funcion tabulada es la funcion de distribuci

on acumulada
n k
X
n
P(k; ) =
e
k k!
k=0
para algunos valores de .
(a) Tabla de Poisson para 1

k
0
1
2
3
0,1
0,905
0,995
1,000
1,000
0,2
0,819
0,982
0,999
1,000
0,3
0,741
0,963
0,996
1,000
0,4
0,670
0,938
0,992
0,999
0,5
0,607
0,910
0,986
0,998
0,6
0,549
0,878
0,977
0,997
0,7
0,497
0,844
0,966
0,994
0,8
0,449
0,809
0,953
0,991
0,9
0,407
0,772
0,937
0,987
1
0,368
0,736
0,920
0,981
4
5
6
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,999
1,000
1,000
0,999
1,000
1,000
0,998
1,000
1,000
0,996
0,999
1,000
D.2 La funci
on de distribuci
on de Poisson
111
(b) Tabla de Poisson para 2 20

k
0
1
2
3
4
2
0,135
0,406
0,677
0,857
0,947
3
0,050
0,199
0,423
0,647
0,815
4
0,018
0,092
0,238
0,433
0,629
5
0,007
0,040
0,125
0,265
0,440
6
0,002
0,017
0,062
0,151
0,285
7
0,001
0,007
0,030
0,082
0,173
8
0,000
0,003
0,014
0,042
0,100
9
0,000
0,001
0,006
0,021
0,055
10
0,000
0,000
0,003
0,010
0,029
15
0,000
0,000
0,000
0,000
0,001
20
0,000
0,000
0,000
0,000
0,000
5
6
7
8
9
0,983
0,995
0,999
1,000
1,000
0,916
0,966
0,988
0,996
0,999
0,785
0,889
0,949
0,979
0,992
0,616
0,762
0,867
0,932
0,968
0,446
0,606
0,744
0,847
0,916
0,301
0,450
0,599
0,729
0,830
0,191
0,313
0,453
0,593
0,717
0,116
0,207
0,324
0,456
0,587
0,067
0,130
0,220
0,333
0,458
0,003
0,008
0,018
0,037
0,070
0,000
0,000
0,001
0,002
0,005
10
11
12
13
14
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,997
0,999
1,000
1,000
1,000
0,986
0,995
0,998
0,999
1,000
0,957
0,980
0,991
0,996
0,999
0,901
0,947
0,973
0,987
0,994
0,816
0,888
0,936
0,966
0,983
0,706
0,803
0,876
0,926
0,959
0,583
0,697
0,792
0,864
0,917
0,118
0,185
0,268
0,363
0,466
0,011
0,021
0,039
0,066
0,105
15
16
17
18
19
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,999
1,000
1,000
1,000
1,000
0,998
0,999
1,000
1,000
1,000
0,992
0,996
0,998
0,999
1,000
0,978
0,989
0,995
0,998
0,999
0,951
0,973
0,986
0,993
0,997
0,568
0,664
0,749
0,819
0,875
0,157
0,221
0,297
0,381
0,470
20
21
22
23
24
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,998
0,999
1,000
1,000
1,000
0,917
0,947
0,967
0,981
0,989
0,559
0,644
0,721
0,787
0,843
25
26
27
28
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,994
0,998
1,000
1,000
0,970
0,980
0,997
0,999
0,902
0,956
0,983
0,994
0,586
0,732
0,846
0,922
0,212
0,345
0,500
0,655
0,034
0,078
0,154
0,268
0,994
0,997
0,998
0,999
0,888
0,922
0,948
0,966
29
30
31
32
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,998
1,000
1,000
1,000
0,966
0,987
0,996
0,999
0,788
0,885
0,946
0,978
0,414
0,575
0,726
0,846
1,000
1,000
1,000
1,000
0,978
0,987
0,992
0,995
33
34
35
36
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,993
0,998
1,000
1,000
0,926
0,971
0,991
0,998
1,000
1,000
1,000
1,000
0,997
0,999
0,999
1,000
D.3 La funci
on de distribuci
on normal
D.3
112
La funci
on de distribuci
on normal
La funcion tabulada es la funcion (z) =
Rz
et
/2
dt. Observe que (z) es la probabilidad
de que una variable aleatoria Z, distribuida normalmente con media 0 y varianza 1, sea menor o
igual a z. Es decir, (z) = P(Z z).
(a) Areas de curva normal est

andar para valores negativos de Z
z
-3,4
-3,3
-3,2
-3.1
-3,0
0,00
0,0003
0,0005
0,0007
0,0010
0,0013
0,01
0,0003
0,0005
0,0007
0,0009
0,0013
0,02
0,0003
0,0005
0,0006
0,0009
0,0013
0,03
0,0003
0,0004
0,0006
0,0009
0,0012
0,04
0,0003
0,0004
0,0006
0,0008
0,0012
0,05
0,0003
0,0004
0,0006
0,0008
0,0011
0,06
0,0003
0,0004
0,0006
0,0008
0,0011
0,07
0,0003
0,0004
0,0005
0,0008
0,0011
0,08
0,0003
0,0004
0,0005
0,0007
0,0010
0,09
0,0003
0,0004
0,0005
0,0007
0,0010
-2,9
-2,8
-2,7
-2,6
-2,5
0,0019
0,0026
0,0035
0,0047
0,0062
0,0018
0,0025
0,0034
0,0045
0,0060
0,0017
0,0024
0,0033
0,0044
0,0059
0,0017
0,0023
0,0032
0,0043
0,0057
0,0016
0,0023
0,0031
0,0041
0,0055
0,0016
0,0022
0,0030
0,0040
0,0054
0,0015
0,0021
0,0029
0,0039
0,0052
0,0015
0,0021
0,0028
0,0038
0,0051
0,0014
0,0020
0,0027
0,0037
0,0049
0,0014
0,0019
0,0026
0,0036
0,0048
-2,4
-2,3
-2,2
-2,1
-2,0
0,0082
0,0107
0,0139
0,0179
0,0228
0,0080
0,0104
0,0136
0,0174
0,0222
0,0078
0,0102
0,0132
0,0170
0,0217
0,0075
0,0099
0,0129
0,0166
0,0212
0,0073
0,0096
0,0125
0,0162
0,0207
0,0071
0,0094
0,0122
0,0158
0,0202
0,0069
0,0091
0,0119
0,0154
0,0197
0,0068
0,0089
0,0116
0,0150
0,0192
0,0066
0,0087
0,0113
0,0146
0,0188
0,0064
0,0084
0,0110
0,0143
0,0183
-1,9
-1,8
-1,7
-1,6
-1,5
0,0287
0,0359
0,0446
0,0548
0,0668
0,0281
0,0352
0,0436
0,0537
0,0655
0,0274
0,0344
0,0427
0,0526
0,0643
0,0268
0,0336
0,0418
0,0516
0,0630
0,0262
0,0329
0,0409
0,0505
0,0618
0,0256
0,0322
0,0401
0,0495
0,0606
0,0250
0,0314
0,0392
0,0485
0,0594
0,0244
0,0307
0,0384
0,0475
0,0582
0,0239
0,0301
0,0375
0,0465
0,0571
0,0233
0,0294
0,0367
0,0455
0,0559
-1,4
-1,3
-1,2
-1,1
-1,0
0,0808
0,0968
0,1151
0,1357
0,1587
0,0793
0,0951
0,1131
0,1335
0,1562
0,0778
0,0934
0,1112
0,1314
0,1539
0,0764
0,0918
0,1093
0,1292
0,1515
0,0749
0,0901
0,1075
0,1271
0,1492
0,0735
0,0885
0,1056
0,1251
0,1469
0,0722
0,0869
0,1038
0,1230
0,1446
0,0708
0,0853
0,1020
0,1210
0,1423
0,0694
0,0838
0,1003
0,1190
0,1401
0,0681
0,0823
0,0985
0,1170
0,1379
-0,9
-0,8
-0,7
-0,6
-0,5
0,1841
0,2119
0,2420
0,2743
0,3085
0,1814
0,2090
0,2389
0,2709
0,3050
0,1788
0,2061
0,2358
0,2676
0,3015
0,1762
0,2033
0,2327
0,2643
0,2981
0,1736
0,2005
0,2296
0,2611
0,2946
0,1711
0,1977
0,2266
0,2578
0,2912
0,1685
0,1949
0,2236
0,2546
0,2877
0,1660
0,1922
0,2206
0,2514
0,2843
0,1635
0,1894
0,2177
0,2483
0,2810
0,1611
0,1867
0,2148
0,2451
0,2776
-0,4
-0,3
-0,2
-0,1
-0,0
0,3446
0,3821
0,4207
0,4602
0,5000
0,3409
0,3783
0,4168
0,4562
0,4960
0,3372
0,3745
0,4129
0,4522
0,4920
0,3336
0,3707
0,4009
0,4483
0,4880
0,3300
0,3669
0,4052
0,4443
0,4840
0,3264
0,3632
0,4013
0,4404
0,4801
0,3228
0,3594
0,3974
0,4364
0,4761
0,3192
0,3557
0,3936
0,4325
0,4721
0,3156
0,3520
0,3897
0,4286
0,4681
0,3121
0,3483
0,3859
0,4247
0,4641
D.3 La funci
on de distribuci
on normal
113
(b) Areas de curva normal est

andar para valores positivos de Z
z
0,0
0,1
0,2
0,3
0,4
0,00
0,5000
0,5398
0,5793
0,6179
0,6554
0,01
0,5040
0,5438
0,5832
0,6217
0,6591
0,02
0,5080
0,5478
0,5871
0,6255
0,6628
0,03
0,5120
0,5517
0,5910
0,6293
0,6664
0,04
0,5160
0,5557
0,5948
0,6331
0,6700
0,05
0,5199
0,5596
0,5987
0,6368
0,6736
0,06
0,5239
0,5636
0,6026
0,6406
0,6772
0,07
0,5279
0,5675
0,6064
0,6443
0,6808
0,08
0,5319
0,5714
0,6103
0,6480
0,6844
0,09
0,5359
0,5753
0,6141
0,6517
0,6879
0,5
0,6
0,7
0,8
0,9
0,6915
0,7257
0,7580
0,7881
0,8159
0,6950
0,7291
0,7611
0,7910
0,8186
0,6985
0,7324
0,7642
0,7939
0,8212
0,7019
0,7357
0,7673
0,7967
0,8238
0,7054
0,7389
0,7704
0,7995
0,8264
0,7088
0,7422
0,7734
0,8023
0,8289
0,7123
0,7454
0,7764
0,8051
0,8315
0,7157
0,7486
0,7794
0,8078
0,8340
0,7190
0,7517
0,7823
0,8106
0,8365
0,7224
0,7549
0,7852
0,8133
0,8389
1,0
1,1
1,2
1,3
1,4
0,8413
0,8643
0,8849
0,9032
0,9192
0,8438
0,8665
0,8869
0,9049
0,9207
0,8461
0,8686
0,8888
0,9066
0,9222
0,8485
0,8708
0,8907
0,9082
0,9236
0,8508
0,8729
0,8925
0,9099
0,9251
0,8531
0,8749
0,8944
0,9115
0,9265
0,8554
0,8770
0,8962
0,9131
0,9278
0,8577
0,8790
0,8980
0,9147
0,9292
0,8599
0,8810
0,8997
0,9162
0,9306
0,8621
0,8830
0,9015
0,9177
0,9319
1,5
1,6
1,7
1,8
1,9
0,9332
0,9452
0,9554
0,9641
0,9713
0,9345
0,9463
0,9564
0,9649
0,9719
0,9357
0,9474
0,9573
0,9656
0,9726
0,9370
0,9484
0,9582
0,9664
0,9732
0,9382
0,9495
0,9591
0,9671
0,9738
0,9394
0,9505
0,9599
0,9678
0,9744
0,9406
0,9515
0,9608
0,9686
0,9750
0,9418
0,9525
0,9616
0,9693
0,9756
0,9429
0,9535
0,9625
0,9699
0,9761
0,9441
0,9545
0,9633
0,9706
0,9767
2,0
2,1
2,2
2,3
2,4
0,9772
0,9821
0,9861
0,9893
0,9918
0,9778
0,9826
0,9864
0,9896
0,9920
0,9783
0,9830
0,9868
0,9898
0,9922
0,9788
0,9834
0,9871
0,9901
0,9925
0,9793
0,9838
0,9875
0,9904
0,9927
0,9798
0,9842
0,9878
0,9906
0,9929
0,9803
0,9846
0,9881
0,9909
0,9931
0,9808
0,9850
0,9884
0,9911
0,9932
0,9812
0,9854
0,9887
0,9913
0,9934
0,9817
0,9857
0,9890
0,9916
0,9936
2,5
2,6
2,7
2,8
2,9
0,9938
0,9953
0,9965
0,9974
0,9981
0,9940
0,9955
0,9966
0,9975
0,9982
0,9941
0,9956
0,9967
0,9976
0,9982
0,9943
0,9957
0,9968
0,9977
0,9983
0,9945
0,9959
0,9969
0,9977
0,9984
0,9946
0,9960
0,9970
0,9978
0,9984
0,9948
0,9961
0,9971
0,9979
0,9985
0,9948
0,9961
0,9971
0,9979
0,9985
0,9951
0,9963
0,9973
0,9980
0,9986
0,9952
0,9964
0,9974
0,9981
0,9986
3,0
3,1
3,2
3,3
3,4
0,9987
0,9990
0,9993
0,9995
0,9997
0,9987
0,9991
0,9993
0,9995
0,9997
0,9987
0,9991
0,9994
0,9995
0,9997
0,9988
0,9991
0,9994
0,9996
0,9997
0,9988
0,9992
0,9994
0,9996
0,9997
0,9989
0,9992
0,9994
0,9996
0,9997
0,9989
0,9992
0,9994
0,9996
0,9997
0,9989
0,9992
0,9994
0,9996
0,9997
0,9990
0,9993
0,9995
0,9996
0,9997
0,9990
0,9993
0,9995
0,9997
0,9998
D.4 La funci
on gamma incompleta
D.4
114
La funci
on gamma incompleta
La funcion tabulada es
F(t; ) =
Zt
1
ex x1 dx,
()
x > 0,
t
1
2
3
1
0,632
0,865
0,950
2
0,264
0,594
0,801
3
0,080
0,323
0,577
4
0,019
0,143
0,353
5
0,004
0,053
0,185
6
0,001
0,017
0,084
7
0,000
0,005
0,034
8
0,000
0,001
0,012
9
0,000
0,003
0,004
10
0,000
0,000
0,001
4
5
6
0,982
0,993
0,998
0,908
0,960
0,983
0,762
0,875
0,938
0,567
0,735
0,849
0,371
0,560
0,715
0,215
0,384
0,554
0,111
0,238
0,394
0,051
0,133
0,256
0,021
0,068
0,153
0,008
0,032
0,084
7
8
9
0,999
1,000
1,000
0,993
0,997
0,999
0,970
0,986
0,994
0,918
0,958
0,979
0,827
0,900
0,945
0,699
0,809
0,884
0,550
0,687
0,793
0,401
0,547
0,676
0,271
0,407
0,544
0,170
0,283
0,413
10
11
12
1,000
1,000
1,000
1,000
1,000
1,000
0,997
0,999
1,000
0,990
0,995
0,998
0,971
0,985
0,992
0,993
0,962
0,980
0,870
0,921
0,954
0,780
0,857
0,911
0,667
0,768
0,845
0,542
0,659
0,758
13
14
15
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
0,999
1,000
1,000
0,996
0,998
0,999
0,989
0,994
0,997
0,974
0,986
0,992
0,946
0,968
0,982
0,900
0,938
0,963
0,834
0,891
0,930

on t de Student
D.5
115
Valores crticos para la distribuci

on t de Student
Para > 120, tenemos que t () z .

0,4
0,3
0,2
0,1
0
-5
-3
-1
0,10
0,05
0,025
0,01
0,005
0,001
0,0005
1
2
3
4
5
3,078
1,886
1,638
1,533
1,476
6,314
2,920
2,353
2,132
2,015
12,706
4,303
3,182
2,776
2,571
31,821
6,965
4,541
3,747
3,365
63,657
9,925
5,841
4,604
4,032
318,31
22,326
10,213
7,173
5,893
636,620
31,598
12,924
8,610
6,869
6
7
8
9
10
1,440
1,415
1,397
1,383
1,372
1,943
1,895
1,860
1.833
1,812
2,447
2,365
2,306
2,262
2,228
3,143
2,998
2,896
2,821
2,764
3,707
3,499
3,355
3,250
3,169
5,208
4,785
4,501
4,297
4,144
5,959
5,408
5,041
4,781
4,587
11
12
13
14
15
1,363
1,356
1,350
1,345
1,341
1,796
1,782
1,771
1,761
1,753
2,201
2,179
2,160
2,145
2,131
2,718
2,681
2,650
2,624
2,602
3,106
3,055
3,012
2,977
2,947
4,025
3,930
3,852
3,787
3,733
4,437
4,318
4,221
4,140
4,073
16
17
18
19
20
1,337
1,333
1,330
1,328
1,325
1,746
1,740
1,734
1,729
1,725
2,120
2,110
2,101
2,093
2,086
2,583
2,567
2,552
2,539
2,528
2,921
2,898
2,878
2,861
2,845
3,686
3,646
3,610
3,579
3,552
4,015
3,965
3,922
3,883
3,850
21
22
23
24
25
1,323
1,321
1,319
1,318
1,316
1,721
1,717
1,714
1,711
1,708
2,080
2,074
2,069
2,064
2,060
2,518
2,508
2,500
2,492
2,485
2,831
2,819
2,807
2,797
2,787
3,527
3,505
3,485
3,467
3,450
3,819
3,795
3,767
3,745
3,725
26
27
28
29
30
1,315
1,314
1,313
1,311
1,310
1,706
1,703
1,701
1,699
1,697
2,056
2,052
2,048
2,045
2,042
2,479
2,473
2,467
2,462
2,457
2,779
2,771
2,763
2,756
2,750
3,435
3,421
3,408
3,396
3,385
3,707
3,690
3,674
3,659
3,646
32
34
36
38
40
1,309
1,307
1,306
1,304
1,303
1,694
1,691
1,688
1,686
1,684
2,037
2,032
2,028
2,024
2,021
2,449
2,441
2,434
2,429
2,423
2,738
2,728
2,719
2,712
2,704
3,365
3,348
3,333
3,319
3,307
3,622
3,601
3,582
3,566
3,551
50
60
120
(= z)
1,299
1,296
1,282
1,282
1,676
1.671
1,658
1,645
2,009
2,000
1,980
1,960
2,403
2,390
2,358
2,326
2,678
2,660
2,617
2,576
3,262
3,232
3,160
3,090
3,496
3,460
3,373
3,291

on chi-cuadrada
D.6
116

on chi-cuadrada
0,4
0,3
0,2
0,1
0
-5
-3
-1
12
(a) Valores crticos 2()
0,995
0,99
0,98
0,975
0,95
0,90
0,80
0,75
0,70
0,50
1
2
3
4
5
0,000
0,010
0,0717
0,207
0,412
0,000
0,0201
0,115
0,297
0,554
0,000
0,0404
0,185
0,429
0,752
0,001
0,0506
0,216
0,484
0,831
0,00393
0,103
0,352
0,711
1,145
0,0158
0,211
0,584
1,064
1,610
0,0642
0,446
1,005
1,649
2,343
0,102
0,575
1,213
1,923
2,675
0,148
0,713
1,424
2,195
3,000
0,4550
1,386
2,366
3,357
4,351
6
7
8
9
10
0,676
0,989
1,344
1,735
2,156
0,872
1,239
1,646
2,088
2,558
1,134
1,564
2,032
2,532
3,059
1,237
1,690
2,180
2,700
3,247
1,635
2,167
2,733
3,325
3,940
2,204
2,833
3,490
4,168
4,865
3,070
3,822
4,594
5,380
6,179
3,455
4,255
5,071
5,899
6,737
3,828
4,671
5,527
6,393
7,267
5,348
6,346
7,344
8,343
9,342
11
12
13
14
15
2,603
3,074
3,565
4,075
4,601
3,053
3,571
4,107
4,660
5,229
3,609
4,178
4,765
5,368
5,985
3,816
4,404
5,009
5,629
6,262
4,575
5,226
5,892
6,571
7,261
5,578
6,304
7,042
7,790
8,547
6,989
7,807
8,634
9,467
10,307
7,584
8,438
9,299
10,165
11,036
8,148
9,034
9,926
10,821
11,721
10,341
11,340
12,340
13,339
14,339
16
17
18
19
20
5,142
5,697
6,844
6,844
7,434
5,812
6,408
7,633
7,633
8,260
6,614
7,255
8,567
8,567
9,237
6,908
7,564
8,907
8,907
9,591
7,962
8,672
10,117
10,117
10,851
9,312
10,085
11,651
11,651
12,443
11,152
12,002
13,716
13,716
14,578
11,912
12,792
14,562
14,562
15,452
12,624
13,531
15,352
15,352
16,266
15,338
16,338
18,338
18,338
19,337
21
22
23
24
25
8,034
8,643
9,260
9,886
10,520
8,897
9,542
10,196
10,856
11,524
9,915
10,600
11,293
11,992
12,692
10,283
10,982
11,688
12,401
13,120
11,591
12,338
13,091
13,848
14,611
13,240
14,041
14,848
15,659
16,473
15,445
16,314
17,187
18,062
18,940
16,344
17,240
18,137
19,037
19,939
17,182
18,101
19,021
19,943
20,867
20,337
21,337
22,337
23,337
24,337
26
27
28
29
30
11,160
11,808
12,461
13,121
13,787
12,198
12,879
13,565
14,256
14,953
13,409
14,125
14,847
15,574
16,306
13,844
14,573
15,308
16,047
16,791
15,379
16,151
16,928
17,708
18,493
17,292
18,114
18,939
19,768
20,599
19,820
20,703
21,588
22,475
23,364
20,843
21,749
22,657
23,567
24,478
21,792
22,719
23,647
24,577
25,508
25,336
26,336
27,336
28,336
29,336
31
32
33
34
35
14,457
15,134
15,815
16,501
17,191
15,655
16,362
17,073
17,789
18,508
17,538
18,291
19,046
19,806
20,569
19,280
20,072
20,866
21,664
22,465
21,433
22,271
23,110
23,952
24,796
36
37
38
39
40
17,887
18,584
19,289
19,994
20,706
19,233
19,960
20,691
21,425
22,164
21,336
22,105
22,878
23,654
24,433
23,269
24,075
24,884
25695
26,509
25,643
26,492
27,343
28,196
29,050

on chi-cuadrada
117
(b) Valores crticos 2() (continuaci

on)
0,30
0,25
0,20
0,10
0,05
0,025
0,02
0,01
0,005
0,001
1
2
3
4
5
1,074
2,408
3,665
4,878
6,064
1,323
2,773
4,108
5,385
6,626
1,642
3,219
4,642
5,989
7,289
2,706
4,605
6,251
5,779
9,236
3,841
5,991
7,815
9,488
11,070
5,024
7,378
9,348
11,143
12,832
5,412
7,824
9,837
11,668
13,388
6,635
9,210
11,345
13,277
15,086
7,879
10,597
12,838
14,860
16,750
10,827
13,815
16,268
18,465
20,517
6
7
8
9
10
7,231
8,383
9,524
10,656
11,781
7,841
9,037
10,219
11,389
12,549
8,558
9,803
11,030
12,242
13,442
10,645
12,017
13,362
14,684
15,987
12,592
14,067
15,507
16,919
18,307
14,449
16,013
17,535
19,023
20,483
15,033
16,622
18,168
19,679
21,161
16,812
18,475
20,090
21,666
23,209
18,548
20,278
21,955
23,589
25,188
22,457
24,322
26,125
27,877
29,588
11
12
13
14
15
12,899
14,011
15,119
16,222
17,322
13,701
14,845
15,984
17,117
18,245
14,631
15,812
16,985
18,151
19,311
17,275
18,549
19,812
21,064
22,307
19,675
21,026
22,362
23,685
24,996
21,920
23,337
24,736
26,119
27,488
22,618
24,054
25,472
26,873
28,259
24,725
26,217
27,688
29,141
30,578
26,757
28,300
29,819
31,319
32,801
31,264
32,909
34,528
36,123
37,697
16
17
18
19
20
18,418
19,511
20,601
21,689
22,775
19,369
20,489
21,605
22,718
23,828
20,465
21,615
22,760
23,900
25,038
23,542
24,769
25,989
27,204
28,412
26,296
27,587
28,869
30,144
31,410
28,845
30,191
31,526
32,852
34,170
29,633
30,995
32,346
33,687
35,020
32,000
33,409
34,805
36,191
37,566
34,267
35,718
37,156
38,582
39,997
39,252
40,790
42,312
43,820
45,315
21
22
23
24
25
23,858
24,939
26,018
27,096
28,172
24,935
26,039
27,141
28,241
29,339
26,171
27,301
28,429
29,553
30,675
29,615
30,813
32,007
33,196
34,382
32,671
33,924
35,172
36,415
37,652
35,479
36,781
38,076
39,364
40,646
36343
37,659
38,968
40,270
41,566
38,932
40,289
41,638
42,980
44,314
41,401
42,796
44,181
45,558
46,928
46,797
48,268
49,728
51,179
52,620
26
27
28
29
30
29,246
30,319
31,391
32,461
33,530
30,434
31,528
32,620
33,711
34,800
31,795
32,912
34,027
35,139
36,250
35,563
36,741
37,916
39,087
40,256
38,885
40,113
41,337
42,557
43,773
41,923
43,194
44,461
45,722
46,979
42,856
44,140
45,419
46,693
47,962
45,642
46,963
48,278
49,588
50,892
48,290
49,645
50,993
52,336
53,672
54,052
55,476
56,893
58,302
59,703
31
32
33
34
35
41,422
42,585
43,745
44,903
46,059
44,985
46,194
47,400
48,602
49,802
48,231
49,480
50,724
51,966
53,203
52,190
53,486
54,774
56,061
57,340
55,000
56,328
57,646
58,964
60,272
36
37
38
39
40
47,212
48,363
49,513
50,660
51,805
50,998
52,192
53,384
54,572
55,758
54,437
55,667
56,896
58,119
59,342
58,619
59,891
61,162
62,426
63,691
61,581
62,880
64,181
65,473
66,766

on F
D.7
118

on F
Siempre se cumple que F (a, b) =
1
F1 (b,a) .
0,4
0,3
0,2
0,1
0
-5
-3
-1
(a) Valores crticos F(1, 2) para = 0, 05

2
1
5
1
2
3
161,4
18,51
10,13
199,5
19,00
9,55
215,7
19,16
9,28
224,6
19,25
9,12
230,2
19,30
9,01
234,0
19,33
8,94
236,8
19,35
8,89
238,9
19,37
8,85
240,5
19,38
8,81
4
5
6
7,71
6,61
5,99
6,94
5,79
5,14
6,59
5,41
4,76
6,39
5,19
4,53
6,26
5,05
4,39
6,16
4,95
4,28
6,09
4,88
4,21
6,04
4,82
4,15
6,00
4,77
4,10
7
8
9
5,59
5,32
5,12
4,74
4,46
4,26
4,35
4,07
3,86
4,12
3,84
3,63
3,97
3,69
3,48
3,87
3,58
3,37
3,79
3,50
3,29
3,73
3,44
3,23
3,68
3,39
3,18
10
11
12
4,96
4,84
4,75
4,10
3,98
3,89
3,71
3,59
3,49
3,48
3,36
3,26
3,33
3,20
3,11
3,22
3,09
3,00
3,14
3,01
2,91
3,07
2,95
2,85
3,02
2,90
2,80
13
14
15
4,67
4,60
4,54
3,81
3,74
3,68
3,41
3,34
3,29
3,18
3,11
3,06
3,03
2,96
2,90
2,92
2,85
2,79
2,83
2,76
2,71
2,77
2,70
2,64
2,71
2,65
2,59
16
17
18
4,49
4,45
4,41
3,63
3,59
3,55
3,24
3,20
3,16
3,01
2,96
2,93
2,85
2,81
2,77
2,74
2,70
2,66
2,66
2,61
2,58
2,59
2,55
2,51
2,54
2,49
2,46
19
20
21
4,38
4,35
4,32
3,52
3,49
3,47
3,13
3,10
3,07
2,90
2,87
2,84
2,74
2,71
2,68
2,63
2,60
2,57
2,54
2,51
2,49
2,48
2,45
2,42
2,42
2,39
2,37
22
23
24
4,30
4,28
4,26
3,44
3,42
3,40
3,05
3,03
3,01
2,82
2,80
2,78
2,66
2,64
2,62
2,55
2,53
2,51
2,46
2,44
2,42
2,40
2,37
2,36
2,34
2,32
2,30
25
26
27
4,24
4,23
4,21
3,39
3,37
3,35
2,99
2,98
2,96
2,76
2,74
2,73
2,60
2,59
2,57
2,49
2,47
2,46
2,40
2,39
2,37
2,34
2,32
2,31
2,28
2,27
2,25
28
29
30
4,20
4,18
4,17
3,34
3,33
3,32
2,95
2,93
2,92
2,71
2,70
2,69
2,56
2,55
2,53
2,45
2,43
2,42
2,36
2,35
2,33
2,29
2,28
2,27
2,24
2,22
2,21
40
60
4,08
4,00
3,23
3,15
2,84
2,76
2,61
2,53
2,45
2,37
2,34
2,25
2,25
2,17
2,18
2,10
2,12
2,04
120
3,92
3,84
3,07
3,00
2,68
2,60
2,45
2,37
2,29
2,21
2,17
2,10
2,09
2,01
2,02
1,94
1,96
1,88

on F
119
(b) Valores crticos F(1, 2) para = 0, 05

2
10
12
15
20
1
24
30
40
60
120
1
2
3
241,9
19,40
8,79
243,9
19,41
8,74
245,9
19,43
8,70
248,0
19,45
8,66
249,1
19,45
8,64
250,1
19,46
8,62
251,1
19,47
8,59
252,2
19,48
8,57
253,3
19,49
8,55
254,3
19,50
8,53
4
5
6
5,96
4,74
4,06
5,91
4,68
4,00
5,86
4,62
3,94
5,80
4,56
3,87
5,77
4,53
384
5,75
4,50
3,81
5,72
4,46
3,77
5,69
4,43
3,74
5,66
4,40
3,70
5,63
4,36
3,67
7
8
9
3,64
3,35
3,14
3,57
3,28
3,07
3,51
3,22
3,01
3,44
3,15
2,94
3,41
3,12
2,90
3,38
3,08
2,86
3,34
3,04
2,83
3,30
3,01
2,79
3,27
2,97
2,75
3,23
2,93
2,71
10
11
12
2,98
2,85
2,75
2,91
2,79
2,69
2,85
2,72
2,62
2,77
2,65
2,54
2,74
2,61
2,51
2,70
2,57
2,47
2,66
2,53
2,43
2,62
2,49
2,38
2,58
2,45
2,34
2,54
2,40
2,30
13
14
15
2,67
2,60
2,54
2,60
2,53
2,48
2,53
2,46
2,40
2,46
2,39
2,33
2,42
2,35
2,29
2,38
2,31
2,25
2,34
2,27
2,20
2,30
2,22
2,16
2,25
2,18
2,11
2,21
2,13
2,07
16
17
18
2,49
2,45
2,41
2,42
2,38
2,34
2,35
2,31
2,27
2,28
2,23
2,19
2,24
2,19
2,15
2,19
2,15
2,11
2,15
2,10
2,06
2,11
2,06
2,02
2,06
2,01
1,97
2,01
1,96
1,92
19
20
21
2,38
2,35
2,32
2,31
2,28
2,25
2,23
2,20
2,18
2,16
2,12
2,10
2,11
2,08
2,05
2,07
2,04
2,01
2,03
1,99
1,96
1,98
1,95
1,92
1,93
1,90
1,87
1,88
1,84
1,81
22
23
24
2,30
2,27
2,25
2,23
2,20
2,18
2,15
2,13
2,11
2,07
2,05
2,03
2,03
2,01
1,98
1,98
1,96
1,94
1,94
1,91
1,89
1,89
1,86
1,84
1,84
1,81
1,79
1,78
1,76
1,73
25
26
27
2,24
2,22
2,20
2,16
2,15
2,13
2,09
2,07
2,06
2,01
1,99
1,97
1,96
1,95
1,93
1,92
1,90
1,88
1,87
1,85
1,84
1,82
1,80
1,79
1,77
1,75
1,73
1,71
1,69
1,67
28
29
30
2,19
2,18
2,16
2,12
2,10
2,09
2,04
2,03
2,01
1,96
1,94
1,93
1,91
1,90
1,89
1,87
1,85
1,84
1,82
1,81
1,79
1,77
1,75
1,74
1,71
1,70
1,68
1,65
1,64
1,62
40
60
2,08
1,99
2,00
1,92
1,92
1,84
1,84
1,75
1,79
1,70
1,74
1,65
1,69
1,59
1,64
1,53
1,58
1,47
1,51
1,39
120
1,91
1,83
1,83
1,75
1,75
1,67
1,66
1,57
1,61
1,52
1,55
1,46
1,50
1,39
1,43
1,32
1,35
1,22
1,25
1,00

on F
120
(c) Valores crticos F(1, 2) para = 0, 01

2
1
5
1
2
3
4052
98,50
34,12
4999,5
99,00
30,82
5403
99,17
29,46
5625
99,25
28,71
5764
99,30
28,24
5859
99,33
27,91
5928
99,36
27,67
5981
99,37
27,49
6022
99,39
27,35
4
5
6
21,20
16,26
13,75
18,00
13,27
10,92
16,69
12,06
9,78
15,98
11,39
9,15
15,52
10,97
8,75
15,21
10,67
8,47
14,98
10,46
8,26
14,80
10,29
8,10
14,66
10,16
7,98
7
8
9
12,25
11,26
10,56
9,55
8,65
8,02
8,45
7,59
6,99
7,85
7,01
6,42
7,46
6,63
6,06
7,19
6,37
5,80
6,99
6,18
5,61
6,84
6,03
5,47
6,72
5,91
5,35
10
11
12
10,04
9,65
9,33
7,56
7,21
6,93
6,55
6,22
5,95
5,99
5,67
5,41
5,64
5,32
5,06
5,39
5,07
4,82
5,20
4,89
4,64
5,06
4,74
4,50
4,94
4,63
4,39
13
14
15
9,07
8,86
8,68
6,70
6,51
6,36
5,74
5,56
5,42
5,21
5,04
4,89
4,86
4,69
4,56
4,62
4,46
4,32
4,44
4,28
4,14
4,30
4,14
4,00
4,19
4,03
3,89
16
17
18
8,53
8,40
8,29
6,23
6,11
6,01
5,29
5,18
5,09
4,77
4,67
4,58
4,44
4,34
4,25
4,20
4,10
4,01
4,03
3,93
3,84
3,89
3,79
3,71
3,78
3,68
3,60
19
20
21
8,18
8,10
8,02
5,93
5,85
5,78
5,01
4,94
4,87
4,50
4,43
4,37
4,17
4,10
4,04
3,94
3,87
3,81
3,77
3,70
3,64
3,63
3,56
3,51
3,52
3,46
3,40
22
23
24
7,95
7,88
7,82
5,72
5,66
5,61
4,82
4,76
4,72
4,31
4,26
4,22
3,99
3,94
3,90
3,76
3,71
3,67
3,59
3,54
3,50
3,45
3,41
3,36
3,35
3,30
3,26
25
26
27
7,77
7,72
7,68
5,57
5,53
5,49
4,68
4,64
4,60
4,18
4,14
4,11
3,85
3,82
3,78
3,63
3,59
3,56
3,46
3,42
3,39
3,32
3,29
3,26
3,22
3,18
3,15
28
29
30
7,64
7,60
7,56
5,45
5,42
5,39
4,57
4,54
4,51
4,07
4,04
4,02
3,75
3,73
3,70
3,53
3,50
3,47
3,36
3,33
3,30
3,23
3,20
3,17
3,12
3,09
3,07
40
60
7,31
7,08
5,18
4,98
4,31
4,13
3,83
3,65
3,51
3,34
3,29
3,12
3,12
2,95
2,99
2,82
2,89
2,72
120
6,85
6,63
4,79
4,61
3,95
3,78
3,48
3,32
3,17
3,02
2,96
2,80
2,79
2,64
2,66
2,51
2,56
2,41

on F
121
(d) Valores crticos F(1, 2) para = 0, 01

2
10
12
15
20
1
24
30
40
60
120
1
2
3
6056
99,40
27,23
6106
99,42
27,05
6157
99,43
26,87
6209
99,45
26,69
6235
99,46
26,60
6261
99,47
26,50
6287
99,47
26,41
6313
99,48
26,32
6339
99,49
26,22
6366
99,50
26,13
4
5
6
14,55
10,05
7,87
14,37
9,89
7,72
14,20
9,72
7,56
14,02
9,55
7,40
13,93
9,47
7,31
13,84
9,38
7,23
13,75
9,29
7,14
13,65
9,20
7,06
13,56
9,11
6,97
13,46
9,02
6,88
7
8
9
6,62
5,81
5,26
6,47
5,67
5,11
6,31
5,52
4,96
6,16
5,36
4,81
6,07
5,28
4,73
5,99
5,20
4,65
5,91
5,12
4,57
5,82
5,03
4,48
5,74
4,95
4,40
5,65
4,86
4,31
10
11
12
4,85
4,54
4,30
4,71
4,40
4,16
4,56
4,25
4,01
4,41
4,10
3,86
4,33
4,02
3,78
4,25
3,94
3,70
4,17
3,86
3,62
4,08
3,78
3,54
4,00
3,69
3,45
3,91
3,60
3,36
13
14
15
4,10
3,94
3,80
3,96
3,80
3,67
3,82
3,66
3,52
3,66
3,51
3,37
3,59
3,43
3,29
3,51
3,35
3,21
3,43
3,27
3,13
3,34
3,18
3,05
3,25
3,09
2,96
3,17
3,00
2,87
16
17
18
3,69
3,59
3,51
3,55
3,46
3,37
3,41
3,31
3,23
3,26
3,16
3,08
3,18
3,08
3,00
3,10
3,00
2,92
3,02
2,92
2,84
2,93
2,83
2,75
2,84
2,75
2,66
2,75
2,65
2,57
19
20
21
3,43
3,37
3,31
3,30
3,23
3,17
3,15
3,09
3,03
3,00
2,94
2,88
2,92
2,86
2,80
2,84
2,78
2,72
2,76
2,69
2,64
2,67
2,61
2,55
2,58
2,52
2,46
2,49
2,42
2,36
22
23
24
3,26
3,21
3,17
3,12
3,07
3,03
2,98
2,93
2,89
2,83
2,78
2,74
2,75
2,70
2,66
2,67
2,62
2,58
2,58
2,54
2,49
2,50
2,45
2,40
2,40
2,35
2,31
2,31
2,26
2,21
25
26
27
3,13
3,09
3,06
2,99
2,96
2,93
2,85
2,81
2,78
2,70
2,66
2,63
2,62
2,58
2,55
2,54
2,50
2,47
2,45
2,42
2,38
2,36
2,33
2,29
2,27
2,23
2,20
2,17
2,13
2,10
28
29
30
3,03
3,00
2,98
2,90
2,87
2,84
2,75
2,73
2,70
2,60
2,57
2,55
2,52
2,49
2,47
2,44
2,41
2,39
2,35
2,33
2,30
2,26
2,23
2,21
2,17
2,14
2,11
2,06
2,03
2,01
40
60
2,80
2,63
2,66
2,50
2,52
2,35
2,37
2,20
2,29
2,12
2,20
2,03
2,11
1,94
2,02
1,84
1,92
1,73
1,80
1,60
120
2,47
2,32
2,34
2,18
2,19
2,04
2,03
1,88
1,95
1,79
1,86
1,70
1,76
1,59
1,66
1,47
1,53
1,32
1,38
1,00
D.8 Algunos n
D.8
122
Algunos n
85387
84176
27258
99398
51571
03311
51746
46950
57714
16955
67223
19399
00512
59504
98182
65167
61319
54499
43166
35082
69143
32096
54297
30482
08881
79485
26830
86223
01400
98031
29842
41061
55061
99485
78016
21717
82977
16788
73127
48126
72752
69090
39620
81725
89364
93551
54988
49831
02150
11649
67846
35595
85418
54688
71845
29891
05420
57061
54000
46812
84341
77711
26134
57770
02395
24201
84526
03326
27655
16895
16619
31316
59457
64936
82573
75412
55438
62347
01737
80732
87968
07730
32825
34453
85157
01861
82100
05330
84752
40610
67406
40224
93777
73445
44156
04116
62772
70321
21531
24597
78961
26467
67186
93823
30750
53533
39945
28171
76089
20787
04189
47701
23340
46971
79798
77201
64637
29134
41087
68257
00830
24580
59578
75387
34235
05258
08535
24990
40671
37329
77107
12748
66042
59173
19838
71766
06341
62660
40651
17471
54437
72513
01749
15794
81649
82232
58893
68622
70494
49794
99115
59161
01883
36913
05212
14476
18350
05877
92309
75074
02465
49689
60958
79956
34977
08342
20236
98409
48319
81912
79424
79548
53026
92735
04055
39569
53691
30042
54955
83974
80594
47623
73342
43707
58805
60061
14040
77080
76961
69427
72431
08645
62665
21163
99469
20949
82855
68543
41044
56932
04316
78684
69235
81201
01206
28546
18535
04314
08715
06881
61904
92708
77713
66097
99246
44984
20572
53530
84050
83121
13912
42509
15270
33767
94324
54130
07751
56607
14656
30878
90410
46371
11979
77166
96675
20389
53258
98075
62870
08809
80336
65076
90879
50555
59638
87960
70970
84355
44368
92013
50789
97066
23433
60169
59973
82748
97794
49176
47771
98298
10343
50140
94567
14385
19235
39081
35590
82493
82633
04638
23462
40182
17186
96114
33993
20523
63902
63463
99899
69182
48658
26373
20878
20069
41921
19166
80883
60582
86514
88223
26027
55749
46786
32371
29101
88068
74097
11570
58382
48589
62825
62078
17109
01784
46457
92317
53511
42930
24428
13378
95536
40310
09245
05734
21759
34613
86069
71778
10630
97359
46819
83644
08636
92058
38577
04459
31363
38678
20520
73252
56033
12507
94145
58414
49076
90343
99405
94180
88908
17213
47064
09321
51318
24545
25248
59747
39104
66053
27289
07379
56556
76412
41289
56255
23112
29545
54972
45615
63317
89932
05038
41838
15564
74600
18443
68590
81618
40206
87138
93646
99186
15237
05076
82113
73113
37378
25660
25498
99344
96862
23414
33110
13213
78638
84837
15356
07235
14376
87132
81070
90064
46607
84405
84900
89150
55909
15346
42660
86359
46398
78275
30145
46944
85883
77017
71205
00097
21272
60310
10355
39161
89266
13499
18404
50139
94887
35268
85354
60458
00291
47790
22199
44649
70963
77475
90822
85537
28169
44345
35204
90017
95130
14615
47891
18157
27223
25231
69860
13856
35387
83606
66888
63673
98192
81818
73966
82194
52490
34036
26719
54272
44298
24499
70549
60652
28102
69235
05947
97769
79684
05833
98769
96412
37914
30757
65186
57021
81593
87974
58566
37944
93240
40189
16094
66855
76776
39797
29336
70842
63253
28345
32675
64103
71398
81647
32222
45118
75868
65925
01454
21288
64693
72128
12849
34048
09715
94990
75394
29454
21513
Bibliografa &Referencias
[1] Anderson, D.; Sweeney, D.; Williams, T., Estadstica para administracion y
economa. International Thomson Editores, 1999.
[2] Berk, K.; Carey, P., Analisis de datos con Microsoft Excel. International Thomson
Editores, 2001.
[3] Berenson, M.; Levine, D.; Krehbiel, T., Estadstica para administracion. Prentice
Hall, 2001.
[4] Canavos, G,, Probabilidad y Estadstica: Aplicaciones y Metodos. Mc Graw-Hill, 1988.
[5] DeGroot, M., Probabilidad y Estadstica. Addison-Wesley Iberoamericana, 1988.
[6] Devore, J., Probabilidad y estadstica para ingeniera y ciencias. International Thomson
Editores, 2001.
[7] Freund. J., Estadstica elemental. Prentice Hall, 1994.
[8] Kreyszig, E., Introduccion a la estadstica matematica: Principios y metodos. Ed. Limusa,
1991.
[9] Levin, R.; Rubin, D., Estadstica para Administracion y Economa. Prentice Hall, 2004.
[10] Lizasoain, L.; Joaristi, L., Gestion y analisis de datos con SPSS. International Thomson Editores, 2003.
s, H.; Rojas, C., Estadstica descriptiva y distribuciones de probabilidad. Ediciones
[11] LLina
Uninorte, 2005.
s, H., Gua resumida sobre Metodos Estadsticos: Teora y pactica. Notas de clases
[12] LLina
para la Especializaci
on en Estadstica Aplicada, 2005.
[13] Milton, S.; Arnold, J., Probabilidad y estadstica con aplicaciones para ingeniera y
ciencias computacionales. Mc Graw-Hill, 2003.
[14] Montgomery, D.; Runger, G. , Probabilidad y estadstica aplicadas a la ingeniera.
Ed. Limusa, 2002.
[15] Newbold, P., Estadstica para los Negocios y la Economa. Prentice Hall, 1998.
rez, C., Estadstica practica con Statgraphics. Prentice Hall, 2002.
[16] Pe
Bibliografa & Referencias
124
rez, C., Tecnicas estadsticas con SPSS. Prentice Hall, 2001.

[17] Pe
[18] Pitman, J., Probability. Berlin-Heidelberg-New York: Springer-Verlag, 1993.
[19] Ross, S., A first Course in Probability. Prentice Hall, 2002.
[20] Visauta, B., Analisis estadstico con SPSS para windows. Mc Graw-Hill, 2002.
[21] Wackerly, D.; Mendenhall, W.; Scheaffer, R., Estadstica matematica con aplicaciones. International Thomson Editores, 2002.
[22] Walpole, R.; Myers, R.; Myers, S., Probabilidad y Estadstica para ingenieros.
Prentice Hall, 1999.
[23] Weimer, R., Estadstica. Ed. Cecsa, 1996.

Referencia LLinas 12 - Metodos Estadisticos

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Referencia LLinas 12 - Metodos Estadisticos

Încărcat de

Drepturi de autor:

Formate disponibile

Area

Gua resumida sobre

Bibliografa & Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

(a) Tablas de frecuencias agrupadas.

(b) Tablas de frecuencias no agrupadas.

1.2 Medidas estadsticas

(a) Histograma de frecuencias relativas

(b) Histograma de frecuencias acumuladas

10. Polgono y ojiva.

8,95 10,95 12,95 14,95 16,95

(c) Polgono de frecuencias

1. Medidas de tendencia central o de centralizaci

1.2 Medidas estadsticas

(b) Regla emprica (valida s

Ejemplo 1.2.3 El gerente de operaciones de un servicio de paquetera desea adquirir

Ejemplo 1.2.4 Un inversionista potencial piensa adquirir acciones en una de dos

1.2 Medidas estadsticas

Fig. 1.1: Comparaci

cuando Ap > 0, se dice que la distribuci

3(Media aritmetica Mediana)

10. Medidas de curtosis o apuntamiento.

La distancia del valor mnimo a Q1 es igual a la distancia de Q3 al valor

La mediana y el rango medio son iguales. (Estas medidas son iguales a la

Diagrama de caja y bigotes

Fig. 1.2: Diagrama de caja y bigotes

Fig. 1.3: Diagrama de caja y bigotes de las calificaciones en un examen

(a) Que porcentaje de los estudiantes de primer semestre prefieren el f

(a) Que porcentaje del grupo pago mas de 21.000 pesos?

(a) Obtenga una tabla de frecuencias con 7 intervalos de clase.

(a) Cual es la mediana de los valores reportados de presion sangunea?

(a) Calcule los valores de la media y mediana muestrales.

(a) Cual era el n

Nombre del banco

(a) Proporcione el resumen de cinco n

Forme el resumen de cinco n

Cuantas calles tienen un ancho entre 5 y 25 kilometros?

(b) Con 8 clases (en donde la primera frontera inferior sea 0 y la u

Aproximadamente cuantas calles tienen un ancho mayor que 16,9 kilometros?

(c) Estudie la simetra de la distribuci

Que porcentaje de tornillos

tienen un diametro entre 30 y 34 milmetros?

(b) Con 6 clases, construir los histogramas de frecuencias absolutas y de frecuencias

Cuantos atletas han recorrido entre 19,325 y 19,7 segundos?

Aproximadamente cuantos atletas han recorrido mas de 19,818 segundos?

(c) Estudie la simetra de la distribuci

s 21. En el archivo de datos Cavendish.sf3 presentamos 29 medidas de la densidad de la tierra

s 23. En el archivo de datos gemelos.sf3 mostramos los resultados de tests de inteligencia

(c) Representar la variable X mediante digramas de barras verticales.

(a) Realizar un grafico de sectores con porcentajes del n

Experimentos, espacios muestrales y eventos

1. Experimentos determinsticos y aleatorios.

Conteo por enumeraci

Permutaciones sin repetici

2.2 Tecnicas de conteo

Permutaciones con repetici

Maneras de hacer una partici

3. Permutaciones sin repetici

Ejemplo 2.2.3 (Combinaciones tomadas de 2 en 2, con repetici

El smbolo ! se conoce con el nombre de factorial. Cuando escribamos, por ejemplo, 5!

se conocen con el nombre de coeficiente binomial.

En general, hay 4 formas de calcular o estimar la probabilidad, a saber, mediante

(e) P(A) = P(A B) + P(A B).

Es decir, todas las posibles intersecciones son vacas.