Professional Documents
Culture Documents
ESTADSTICA BSICA
PARA
INGENIERA
Enero 2013
Contenido
-2-
Contenido
CONTENIDO
1.
INTRODUCCIN
1.1.
1.2.
1.3.
1.4.
1.5.
2.
ESTADSTICA DESCRIPTIVA
2.1. INTRODUCCIN ........................................................................................... 19
2.2 ESTADSTICA DESCRIPTIVA UNIDIMENSIONAL ......................................... 22
2.2.1. Tablas de frecuencias ............................................................................ 23
2.2.2. Histogramas ........................................................................................... 23
2.2.3. Polgono de frecuencias ......................................................................... 25
2.2.4. Diagrama de puntos ............................................................................... 25
2.2.5. Grfico de tartas..................................................................................... 26
2.2.6. Grfico de Pareto ................................................................................... 26
2.2.7. Medidas de posicin .............................................................................. 27
2.2.8. Medidas de dispersin ........................................................................... 29
2.2.9. Diagrama e tallos y hojas ....................................................................... 31
2.2.10. Diagrama de caja-y-bigotes.................................................................. 32
2.3. ESTADSTICA DESCRIPTIVA BIDIMENSIONAL ........................................... 33
2.3.1. Tablas de frecuencia de doble entrada .................................................. 33
2.3.2. Frecuencias marginales ......................................................................... 36
2.3.3. Frecuencias condicionales ..................................................................... 37
2.3.4. Representaciones grficas de las distribuciones bidimensionales .......... 38
2.3.5. Covarianza muestral .............................................................................. 40
2.3.6. Regresin lineal ..................................................................................... 40
2.4. PROBLEMAS Y CUESTIONES DE EXMENES ........................................... 41
3.
PROBABILIDADES
3.1. INTRODUCCIN ........................................................................................... 47
3.2. PROBABILIDAD ............................................................................................. 48
3.2. ESPACIOS DE PROBABILIDADES ............................................................... 48
3.4. PROBABILIZACIN DE ESPACIOS MUESTRALES ..................................... 52
Probabilizacin de Espacios Muestrales Discretos .......................................... 52
Probabilizacin de Espacios Muestrales Finitos Simtricos. Combinatoria ...... 53
Combinatoria ................................................................................................... 53
-3-
Contenido
4.
Contenido
5.
6.
-5-
Contenido
7.
8.
DISTRIBUCIONES EN EL MUESTRO
8.1.
8.2.
8.3.
8.4.
8.5.
8.6.
8.7.
8.8.
8.9.
8.10.
9.
Contenido
Contenido
11.4.
11.5.
11.6.
11.7.
-8-
1. Introduccin
1. INTRODUCCIN
Contenido
1.1.
1.2.
1.3.
1.4.
1.5.
1.1.
LA METODOLOGA ESTADSTICA
1)
2)
3)
-9-
1. Introduccin
EL OBJETO DE ESTA ENCUESTA ES OBTENER DATOS PARA LA REALIZACIN DE EJERCICIOS EN LAS CLASE DE
ESTADSTICA.
Pregunta 1. Indique su peso en kgs.
[________]
Pregunta 2. Indique su altura en cms.
[________]
Pregunta 3. Qu medios de transporte emplea para venir a la UPV?
1. Coche propio
2. Coche compartido
3. Bus
4. Metro o tranva
5. Bicicleta
6. Andando
7. Tren
8. Moto
9. Otro
1. Ftbol
2. Ftbol sala
3. Baloncesto
4. Tenis
5. Natacin
6. Bici
7. Gimnasia
8. Artes marciales
9. Vela
10. Marcha
11. Montaismo
12. Otros
1. Muy malos
2. Malos
3. Regular
4. Buenos
5. Muy buenos
-10-
1. Introduccin
1)
2)
3)
Una vez introducido los datos, hay que revisarlos por si hay alguien error o
valor raro que no fuera correcto.
4)
a)
b)
5)
-11-
1. Introduccin
Recogida
de los datos
Distribucin de
frecuencias
Analisis de
regressin
Organizacin y
representacin
Estadstica
predictiva
Histogramas
Metodologa
estadstica
Anlisis de
correlacin
Tendencia central
Diseo de
Experimentos
Descriptiva
Modelos
Inferencia
estadstica
Analisis de la
variancia
Estimacin
Pruebas de hiptesis
Variable
Dispersin
aleatoria Clculo de
probabilidades
Distribuciones
1.2.
EL MTODO CIENTFICO
-12-
1. Introduccin
Planteamiento del
problema
Formulacin del
modelo
Recogida de los
datos
Estimacin de los
parmetros
Hiptesis del
modelo
NO
Es vlido?
SI
Prediccin y
control
Por ejemplo, queremos ver la prediccin del peso de una persona sabiendo su
altura. Se trata de un problema de regresin y el proceso que seguimos es parecido
al de la figura anterior.
-13-
1. Introduccin
1.3.
SOFTWARE ESTADSTICO
Otro software estadstico muy bueno y que est disponible para toda la
comunidad de la UPV es el SPSS. Se lanza accediendo a UPVNET y a la carpeta de
programas cientficos. La nica limitacin es el nmero de usuarios que estn
utilizndolo al mismo tiempo. Eso depende de las licencias que haya contratado la
UPV.
Programas estadsticos adicionales son:
1. SAS. Dicen que es el mejor, pero tambin el ms caro.
-14-
1. Introduccin
1.4.
La estadstica hace mucho uso de clculos a partir de los datos. Por eso es
importante tener en cuenta las siguientes reglas por el redondeo de los datos:
Cifras significativas:
1. La primera cifra significativa es el 1er dgito a partir de la izquierda que
es diferente de 0.
2. Cifras significativas es el nmero de dgitos contados a partir de la
primera incluida.
Ejemplos: 34,5 tiene 3 cifras significativas; 3,450 tiene 4 cifras
significativas; 0,0023 tiene 2 cifras significativas; 0,00230 tiene 3
cifras significativas.
Redondeo de un nmero que est justo a la mitad del intervalo: la regla que
se solo seguir es redondear el nmero par ms prximo que antecede al 5.
Las mquinas redondean hacia arriba a partir del 5. Ejemplos: 33,45 se
redondea a 33,4; 33,35 podra redondearse a 33,4 33,3; pero est ms
prximo el valor de 33,4. Si fuera 33,445 se redondea a 33,4, ya que tiene
menos distancia al valor de 33,4.
-15-
1. Introduccin
3.
4.
5.
6.
7.
8.
9.
-16-
1. Introduccin
1.5.
ALFABETO GRIEGO
Mins.
Nombre
Alfa
Beta
Gamma
Delta
psilon
Zeta
Eta
Theta
Iota
Kappa
Lambda
Equivalente latino
a
b
c
d
e
f
m
n
Mu
Nu
Xi
Omicron
Pi
Rho
Sigma
Tau
Upsilon
Fi
Chi
Psi
Omega
x
y
z
Comentario
Probabilidad
Probabilidad
error
o
p
r
s
t
u
v
Desviacin tpica
-17-
1. Introduccin
-18-
2. Estadstica Descriptiva
2. ESTADSTICA DESCRIPTIVA
Contenido
2.1. INTRODUCCIN ........................................................................................... 19
2.2 ESTADSTICA DESCRIPTIVA UNIDIMENSIONAL ......................................... 22
2.2.1. Tablas de frecuencias ............................................................................. 23
2.2.2. Histogramas ............................................................................................ 23
2.2.3. Polgono de frecuencias .......................................................................... 25
2.2.4. Diagrama de puntos ................................................................................ 25
2.2.5. Grfico de tartas ...................................................................................... 26
2.2.6. Grfico de Pareto .................................................................................... 26
2.2.7. Medidas de posicin ................................................................................ 27
2.2.8. Medidas de dispersin ............................................................................. 29
2.2.9. Diagrama e tallos y hojas ........................................................................ 31
2.2.10. Diagrama de caja-y-bigotes ................................................................... 32
2.3. ESTADSTICA DESCRIPTIVA BIDIMENSIONAL........................................... 33
2.3.1. Tablas de frecuencia de doble entrada .................................................... 33
2.3.2. Frecuencias marginales........................................................................... 36
2.3.3. Frecuencias condicionales ...................................................................... 37
2.3.4. Representaciones grficas de las distribuciones bidimensionales ........... 38
2.3.5. Covarianza muestral................................................................................ 40
2.3.6. Regresin lineal ....................................................................................... 40
2.4. PROBLEMAS Y CUESTIONES DE EXMENES ........................................... 41
2.1. INTRODUCCIN
x1 , x2 , x3 ,..., xn
-19-
2. Estadstica Descriptiva
x1 , x2 , x3 ,..., x N
La simple enumeracin de estos datos no nos da mucha informacin acerca
del fenmeno que estamos observando, por lo cual siempre se prefiere condensar la
informacin de modo que su interpretacin sea ms sencilla.
La forma de condensacin puede ser grfica o numrica.
variable vamos a estudiar los procedimientos ms usuales.
Totalmente en desacuerdo
Ms bien en desacuerdo.
Indiferente.
Ms bien de acuerdo.
Totalmente de acuerdo
Pero la codificacin tambin podra haber sido con los cdigos -2, -1,
0, 1, 2.
ii.
Actividad 2.1.
-20-
2. Estadstica Descriptiva
dependientes/mltiples
1. Anlisis
de
componentes
principales
2. Anlisis
factorial
de
correspondencias
3. Anlisis multidimensional
1. Anlisis
cluster)
de
grupos
Relacin funcional
Anlisis
regresin
simple
de
Anlisis
regresin
mltiple
de
Y1
(mtrica)
Anlisis de la
varianza
(mtrica, no mtrica)
Y1 X 1 X 2 X n
(mtrica)
(mtrica, no mtrica)
Y1 X 1 X 2 X n
(mtrica)
Anlisis
multivariante de
la varianza
X1
(no mtrica)
Y1 Y2 Ym X 1 X 2 X n
(mtrica)
-21-
(no mtrica)
(anlisis
2. Estadstica Descriptiva
Relacin funcional
Y1 X 1 X 2 X n
Anlisis
discriminante
mltiple
(no mtrica)
(mtrica)
Y1 X 1 X 2 X n
Anlisis conjunto
(mtrica)
Y1 Y2 Ym X 1 X 2 X n
Correlacin
cannica
(mtrica, no mtrica)
(mtrica, no mtrica)
Y1 X 11 X 12 X 1n
Modelo
de
ecuaciones
estructurales
Y2 X 21 X 22 X 2 n
Y3 X 31 X 32 X 3n
(mtrica, no mtrica)
(mtrica, no mtrica)
Frecuencia relativa =
-22-
2. Estadstica Descriptiva
Una vez ordenados los datos de menor a mayor y agrupados en intervalos, se puede
formar la siguiente tabla de frecuencias,
Lmites
del
intervalo
Valor
de
clase
Frecuencia
Frecuencia
relativa
Frecuencia
acumulada
Frecuencia
acumulada
relativa
n1
n1
n
n1
n1
n
n1 n2
n1 n2
n
ai x bi
xi
ni
ni
fi
n
n1 n2 ni
n1 n2 ni
n
nk
nk
n
k
Sumas
2.2.2. Histogramas
-23-
2. Estadstica Descriptiva
a la longitud del intervalo de clase y con altura igual al nmero de datos de dicha
clase.
Con el histograma podemos ver qu intervalos son ms frecuentes que otros.
Para ello es importante el nmero de subdivisiones que hagamos, ya que si son
pocas, no veremos nada, y si son muchas, tampoco. Por lo general, el nmero de
intervalos se sita entre 5 y 20. Tambin est la opcin de tomar como nmero de
intervalos la raz cuadrada del nmero de datos.
Si en lugar de poner como altura de los rectngulos la frecuencia absoluta,
ponemos la frecuencia relativa, se tiene el "histograma de frecuencias relativas", cuya
forma es exactamente la misma que el histograma de frecuencias absolutas, slo que
hay un cambio de escalas en la ordenada.
Al punto medio de cada intervalo se le llama valor de clase y representa a
dicho intervalo.
Si empezando por la izquierda del histograma, vamos acumulando las
frecuencias de los siguientes rectngulos, y los representamos, tendremos una figura
con una serie de rectngulos escalonados. Esta figura recibe el nombre de
"histograma de frecuencias acumuladas", el cual puede ser de frecuencias absolutas
o relativas, segn lo que vayamos acumulando.
Si la variable es discreta, el valor de la clase coincide con el valor discreto,
entonces recurrimos a un "diagrama de barras", colocando encima de cada valor una
barra de longitud igual a la frecuencia del valor. Lo mismo hacemos si las clases
corresponden a valores de una variable cualitativa (tipo de defecto,)
-24-
2. Estadstica Descriptiva
Histogram
18
frequency
15
12
9
6
3
0
43
53
63
73
Peso
83
93
103
Cuando hay pocos datos se pueden representar con un diagrama de puntos, el cual
se forma haciendo coincidir un punto grueso con cada valor de X que aparece. En
caso de que haya dos iguales, se coloca un punto encima de otro.
-25-
2. Estadstica Descriptiva
-26-
2. Estadstica Descriptiva
Los parmetros de posicin que vamos a ver son: la media, la mediana, y la moda.
Si de una variable X, tenemos un conjunto de valores x1 , x2 ,..., xn , se define la
media como:
n
x
x=
i=1
n
Este valor coincide con la media aritmtica, pero como aqu slo son un parte
de los posibles valores de X, se denomina "media muestral".
Cuando el conjunto de valores de que disponemos son todos los de la
variable X, al conjunto de ellos se denomina "Poblacin", y su media recibe el nombre
de "media poblacional", representndola con el smbolo :
N
= m=
i=1
N
La media muestral representa el centro de masas de un histograma, y
corresponde al valor medio que toman los datos.
Es una medida poco robusta, ya que ante la aparicin de un valor anmalo, la
media se ve bastante modificada.
La "mediana" expresa aquel valor que por debajo de l hay 50% de los datos,
y por encima el 50% de los datos. Se representa por X , para una muestra, y el valor
depende de si el nmero de datos es impar o par. Si es impar la mediana coincide
con el valor central, previamente ordenados los valores de menor a mayor, y si es
-27-
2. Estadstica Descriptiva
par, se toma el punto medio de los valores centrales. De aqu que empleemos la
expresin:
X ( n+1 ) si n es impar
2
~
X = x + x
(n/2)
([n/2]+1)
si n es impar
~.
La "mediana poblacional" se representa por
La mediana es una medida robusta, esto es, se modifica poco ante la
aparicin de un dato anmalo.
La "moda" es aquel valor de X que se repite ms, es decir, el de ms
frecuencia. Si solamente hay una moda, se denomina "unimodal"; si hay varias, se
llama "multimodal". Vienen a ser los picos que forman un histograma de frecuencias
no acumulado.
En una distribucin simtrica, coinciden los tres parmetros, pero si hay una
cola hacia la derecha, lo que se llama "asimetra positiva", ocurre que:
moda < mediana < media
f(x)
x~
x
s
Asimtrica positiva
moda
media
mediana
-28-
2. Estadstica Descriptiva
f(x)
Asimtrica negativa
Coef .Asim.Pearson
x~
x
s
x
media
moda
mediana
Se define el "percentil p%" como aqul valor de X que deja a su izquierda un
p% de los datos. Si p = 25%, se le llama "primer cuartil" Q1 , si p= 50%, es el
"segundo cuartil " Q 2 , que coincide con la mediana, y para p=75% es el "tercer
cuartil" Q 3 . Los cuartiles dividen a los datos en 4 partes con igual nmero de ellos.
f(x)
CUARTILES
25%
25%
25%
25%
x
Q1
Q2
Q3
2. Estadstica Descriptiva
( x - )
2
=
i=1
( x - x )
2
s =
i=1
n-1
Dicho valor nos sirve para hacer estimaciones de la varianza poblacional y recibe el
nombre de "cuasivarianza o varianza muestral corregida:
La varianza es una medida cuyas unidades estn al cuadrado. Para hacerlas
homogneas con las unidades de los datos y de la media se define la "desviacin
tpica muestral" como la raz cuadrada con signo positivo de la varianza muestral.
As:
s = + s2
Cuanto mayor es la varianza, mayor es la dispersin de los datos.
Otra idea de la variabilidad de los datos la proporciona el "recorrido", que se
define como la diferencia entre el mximo y el mnimo de los valores observados. Se
expresa como:
R = xm ax - xmin
Si n=2 la informacin que dan R y s 2 acerca de la dispersin de los datos es
la misma, ya que utilizan los mismos datos, pero para n=3, R ya no emplea uno de
ellos, pero an es una buena aproximacin. Para n>10, el rango ya no es til para ver
la dispersin de los datos, y entonces se preferir el empleo de s 2 .
El "coeficiente de variacin" es una medida adimensional de la dispersin, se
define como el cociente entre la desviacin tpica y la media, esto es:
C.V. =
-30-
2. Estadstica Descriptiva
x x
Dm=
i 1
MEDIDA DE ASIMETRA
El coeficiente de asimetra es,
n
( x
g1 =
- x )3 /n
i= 1
( x - x )
g2 =
/n
i= 1
-31-
2. Estadstica Descriptiva
12 | 38
separando el tallo de las hojas mediante una barra vertical. Si tenemos el 115,
aparece otro tallo, y ahora la figura es:
11 | 5
12 | 38
De esta manera no perdemos los datos individuales, a la vez que se va
formando algo parecido a un histograma de frecuencias.
Cuando se quiere subdividir ms las clases, los diez dgitos de la derecha se
van agrupando de dos en dos, formando 5 nuevas clases. As:
Clase * = el 0 y el 1.
Clase T = el 2 y el 3.
Clase F = el 4 y el 5.
Clase S = el 6 y el 7.
Clase . = el 8 y el 9.
Tambin se puede hacer una agrupacin en dos: una del 0 al 4, y otra del 5 al
9.
Otra forma de representar los datos es mediante un diagrama de una Caja, cuyos
lados vienen dados por el primer cuartil y el tercer cuartil, y en su interior se dibuja el
segundo cuartil, esto es, la mediana. Partiendo de cada lado se dibujan unas lneas
que llegan hasta el 10 percentil, por un lado, y el 90 percentil por el otro. Para datos
extensos, se dibuja el 5 y el 95 percentiles. Concretamente, en el STATGRAPHICS
los bigotes se calculan con una longitud de 1,5 veces la anchura del rectngulo, y los
extiende hasta el ltimo punto que est dentro del bigote. De esta forma aquellos
puntos que quedan fuera de los bigotes, se consideran puntos anmalos, esto es,
puntos que posiblemente no pertenecen a la distribucin considerada.
-32-
2. Estadstica Descriptiva
Box-and-Whisker Plot
45
55
65
Peso
75
85
Cuando para cada elemento de la poblacin, o bien para cada unidad de estudio, se
observan dos caractersticas, y clasificamos cada unidad segn las dos
caractersticas, asignndola a una de las celdillas que resultan de dividir cada
caracterstica en un conjunto de intervalos, y contamos el nmero de unidades que
resultan en cada celdilla, se tiene una tabla de doble entrada o tambin se llama una
tabla de contingencia.
Como ejemplos tenemos:
- De cada alumno de una clase tomamos nota de su peso y su altura y lo
clasificamos en su celdilla correspondiente.
- Cada persona se puede clasificar segn que haya tomado o no la vacuna
contra la gripe y segn que haya o no contrado la enfermedad.
-33-
2. Estadstica Descriptiva
total
1
2
nij
ni
n j
I
total
2. Estadstica Descriptiva
f r ( xi , y j ) =
nij nij
=
n n
n
n
f ( x , y )= n = n = 1
ij
turno
A
B
C
Total
>=4
Total
310
390
220
920
50
40
60
150
30
60
90
180
40
50
10
100
20
10
20
50
450
550
400
1400
turno
>=4
.221
.036
.021
.029
.014
.279
.029
.043
.036
.007
.157
.043
.064
.007
.014
Total
-35-
Total
2. Estadstica Descriptiva
Si a partir de una tabla de doble entrada solamente queremos estudiar una de las
caractersticas, tomaremos las frecuencias que aparecen en el lado derecho de la
tabla, si deseamos estudiar la primera caracterstica, o bien la fila que el margen de
abajo, si deseamos estudiar las segunda caracterstica. Cada una de esas
frecuencias son las llamadas frecuencias marginales, ya que aparecen justamente
en los mrgenes de las tablas de doble entrada.
As la frecuencia relativa de la clase xi es:
f r ( xi ) =
ni
n
f r ( y j )=
n j
n
f ( x )= nn
n
=1
n
n
=1
n
n
f ( y )= n
r
.j
-36-
2. Estadstica Descriptiva
turno
>=4
Total
.321
.393
.286
Total
.657
.107
.129
.071
.036
f r ( xi / y j ) =
nij
n j
n
f ( x / y )= n
ij
n j
=1
n j
-37-
2. Estadstica Descriptiva
>=4
Total
.709
.073
.109
.091
.018
1.000
A
turno
B
C
Total
Cuando se tienen los datos como ( x1 , y1 ),( x2 , y2 ),...,( xn , yn ) una forma inmediata de
representacin son unos ejes coordenados en los que cada punto representado
corresponde a un elemento observado con la primera coordenada igual al valor de X
y la segunda coordenada igual al valor de Y. Por ejemplo, si de cada alumno de la
clase se ha observado el peso y la altura, cada punto representa a un alumno.
El inters de estas representaciones se basa en la necesidad de contestar a
las preguntas de:
- Existe una relacin lineal entre las dos caractersticas?
- Cul es el grado de relacin lineal que hay?
- Se puede predecir un valor a partir del otro?
El diagrama que resulta recibe el nombre de diagrama de dispersin. Un
ejemplo de diagrama de dispersin aparece en la Figura 2.7.
-38-
2. Estadstica Descriptiva
85
Peso
75
65
55
45
150
160
170
180
190
200
Altura
-39-
2. Estadstica Descriptiva
s xy =
1
( xi - x )( yi - y )
n 1 i
Como sxy tiene dimensiones, por ejemplo para (peso, altura) puede ser
kgs.cms, con objeto de tener una medida adimensional, se emplea el coeficiente de
correlacin muestral r xy que se define por:
2
s xy
r xy =
sx s y
r xy es un valor que siempre est entre -1 y +1. Cunto ms se acerca a la
unidad en valor absoluto, mayor es la relacin lineal que hay entre las dos variables.
Si vale cero, no hay ninguna relacin lineal entre las dos variables
-40-
2. Estadstica Descriptiva
y y rxy
sy
sx
(xx)
O bien,
y y
s xy
s x2
(xx)
APROBADOS
NOTABLES
SOBRESALIENTES
Total
fila
----------------------------------------------------|
3 |
15 |
22 |
6 |
----------------------------------------------------PRIVADO
|
3 |
24 |
8 |
5 |
----------------------------------------------------CONCERTADO |
4 |
8 |
17 |
5 |
----------------------------------------------------Total columna
10
47
47
16
PUBLICO
46
40
34
120
-41-
2. Estadstica Descriptiva
SUSPENSOS
APROBADOS
NOTABLES
SOBRESALIENTES
Total
fila
----------------------------------------------------|
3 |
15 |
22 |
6 |
----------------------------------------------------PRIVADO
|
3 |
24 |
8 |
5 |
----------------------------------------------------CONCERTADO |
4 |
8 |
17 |
5 |
----------------------------------------------------Total columna
10
47
47
16
PUBLICO
46
40
34
120
-42-
Tot fila
46
40
34
120
2. Estadstica Descriptiva
SOLUCIN
Las frecuencias de cada casilla (en porcentaje) son:
SUSPENSOS
APROBADOS
NOTABLES
SOBRESAL.
PBLICO
3/120
15/120
22/120
6/120
PRIVADO
3/120
24/120
8/120
5/120
CONCERTADO
4/120
8/120
17/120
5/120
Total columna
Total
fila
120
APROBADOS
NOTABLES
SOBRESAL.
Total fila
PBLICO
46/120
PRIVADO
40/120
CONCERTADO
34/120
Total columna
10/120
47/120
47/120
5/120
120
La distribucin condicional de las notas para los colegios privados (en porcentaje) es:
SUSPENSOS
APROBADOS
3/40
24/40
NOTABLES
SOBRESAL.
Total
fila
PBLICO
PRIVADO
8/40
5/40
40
CONCERTADO
Total columna
2.4.2.- A partir del diagrama siguiente, que representa los datos de consumo
elctrico mensual entre enero 2010 y junio 2011, elija la respuesta correcta a las
-43-
2. Estadstica Descriptiva
siguientes
preguntas:
Box-and-Whisker Plot
20
30
40
50
60
70
Consumo
1. El consumo medio ha sido:
a. 49.4
b. 56.5
c. 43.5
(0,25 puntos)
(0,25 puntos)
(0,25 puntos)
(0,25 puntos)
2. Estadstica Descriptiva
DIA
Martes
Mircoles
Jueves
Viernes
0
100
200
300
CONSUMO
-45-
400
500
2. Estadstica Descriptiva
(0.25 puntos)
(0.25
(0.25
-46-
3. Probabilidades
TEMA 3. PROBABILIDADES
Contenido
3.1. INTRODUCCIN ........................................................................................... 47
3.2. PROBABILIDAD ............................................................................................. 48
3.2. ESPACIOS DE PROBABILIDADES ............................................................... 48
3.4. PROBABILIZACIN DE ESPACIOS MUESTRALES ..................................... 52
Probabilizacin de Espacios Muestrales Discretos ............................................ 52
Probabilizacin de Espacios Muestrales Finitos Simtricos. Combinatoria ........ 53
Combinatoria ..................................................................................................... 53
3.5. PROBABILIDAD CONDICIONADA ................................................................ 54
3.6. TEOREMA DE LA INTERSECCIN............................................................... 56
3.7. TEOREMA DE LA PARTICIN TOTAL.......................................................... 56
3.8. SUCESOS INDEPENDIENTES...................................................................... 57
3.9. TEOREMA DE BAYES ................................................................................... 58
3.10. PROBLEMAS PROPUESTOS ..................................................................... 59
Probabilidad condicional.................................................................................... 61
3.11. PROBLEMAS Y CUESTIONES DE EXMENES ........................................ 66
3.1. INTRODUCCIN
El objeto central del Clculo de probabilidades y de la estadstica, lo constituyen los
llamados fenmenos aleatorios. Los fenmenos aleatorios son aquellos fenmenos
reales que se caracterizan por la impredecibilidad de sus resultados y por la llamada
regularidad estadstica.
El clculo de probabilidades se ha desarrollado en situaciones en las cuales
se realiza un experimento y se observa un resultado. Pero dicho resultado no se
puede predecir de antemano con exactitud. A estos experimentos los llamamos
Experimentos Aleatorios. Este concepto tiene otras caractersticas comunes. La
primera de ellas es que no podemos saber de antemano su resultado, a lo sumo
podemos describir un conjunto de posibles resultados. Segundo es que dicho
experimento lo podemos repetir exactamente en las mismas condiciones y el
resultado ser totalmente distinto. No obstante, a medida que el nmero de
repeticiones del experimento va aumentando se presenta un comportamiento
caracterstico de la frecuencia con que aparece cada resultado, que llamamos
"regularidad estadstica"
-47-
3. Probabilidades
3.2. PROBABILIDAD
Al repetir el experimento aleatorio, se observa que unos resultados aparecen ms
que otros, por lo cual cabe hablar de la posibilidad de que un suceso aparezca ms
veces que otro. Esto es, a cada suceso asociamos una medida de la posibilidad de
que tenga lugar. A esta medida se llama probabilidad de ocurrencia del suceso.
Tres puntos de vista o enfoques de la probabilidad:
Frecuencialista: la probabilidad de un suceso es el lmite al que tiende la
frecuencia relativa con que se presenta dicho suceso.
Objetivas: es el grado de evidencia de una proposicin cualquiera.
Subjetiva: es el grado de creencia personal en la veracidad de una
proposicin.
E= Espacio muestral
x
A
x
x
x
x
A=suceso compuesto
x=suceso elemental
-48-
3. Probabilidades
Actividad 3.1:
Cul es el espacio muestral al lanzar un dado?
Cul es el espacio muestral al lanzar una moneda?
Cul es el espacio muestral al medir el peso de un paquete de arroz?.
3)
3. Probabilidades
4)
5)
6)
A = es P( A )= P( A )
j
i j
3. Probabilidades
B
AB
La demostracin es:
A B = A ( A B), y A ( A B) =
la probabilidad ser la suma de probabilidades,
P(A B) = P(A) + P( A B)
pero tambin el suceso B se puede poner como
B = (A B) ( A B)
como son conjuntos disjuntos
P(B) = P(A B) + P( A B)
de donde despejando P( A B) queda:
3. Probabilidades
Actividad 3.2:
Un submarino lanza tres torpedos contra un barco. Cada uno de los torpedos
tiene una probabilidad de 0,7 de alcanzar el barco. Cul es la probabilidad
de hundir el barco?
Si de una baraja de 40 cartas extraemos 3 al azar, cul es la probabilidad
de que salgan 2 oros?
o Con reposicin,
o Sin reposicin.
3. Probabilidades
P(suceso A) =
casos favorables
casos posibles
Combinatoria
Variaciones sin repeticin de m elementos tomados de n en n.:
- V m,n = m(m - 1)(m - 2)...(m - n + 1)
- Pn = n!
Variaciones con repeticin de m elementos tomados de n en n:
- V m,n = mn
- Pn, , ,... =
n!
donde + + ... = n
! !...
m
m!
=
n n! (m - n)!
- C m,n =
-53-
3. Probabilidades
m + n - 1
- Cm,n =
Actividad 3.3:
Con las letras a, b, c, d
o Cuntas palabras de 2 letras se pueden formar?
o Cuntas palabras de 3 letras se pueden formar?
o Cuntas palabras de 4 letras se pueden formar?
o Si podemos repetir las letras, cuntas palabras de 2 letras se pueden
tener?
o Si no podemos repetir las letras, cuntas combinaciones de 2 letras
podra obtener?
o Si ahora podemos repetir las letras, Cuntas palabras podemos
obtener?
P A (B) = P(B/A) =
-54-
P(B A)
P(A)
3. Probabilidades
Actividad 3.4:
Al lanzar un dado, cul es la probabilidad de sacar un 2?
Si antes de mostrar el dado, yo lo veo y digo que es un nmero par, cul es
la probabilidad de que ahora sea el 2?
P(C B A)
P(A B C)
P(A)
P A (C B) =
=
P A (C/B) =
P(A B)
P(A B)
P A (B)
P(A)
P(C/B/A) = P(C/B A)
-55-
3. Probabilidades
A1 A2 ,....., An = E
Grficamente se representa en la Figura 3. 3.
E= Espacio muestral
A1
A2
Ai
AiB
An
3. Probabilidades
B = ( A1 B) ( A2 B) .... ( An B)
Los conjuntos Ai B son mutuamente excluyentes, luego la probabilidad del
suceso B tambin es:
P(B) = P( Ai B) = P( Ai )P(B/ Ai )
i
P(A/B) = P(A)
P(B/A) = P(B)
P(A/B) =
P(A B)
= P(A)
P(B)
de donde
P(A B) = P(A).P(B)
Todo ello se puede generalizar a ms sucesos, de esta forma si A1 , A2 ,.... An
son independientes, la probabilidad de la interseccin es el producto de
probabilidades:
Actividad 3.5:
Cul es la probabilidad de que al lanzar dos monedas una sea cara y la otra
cruz?
-57-
3. Probabilidades
P( Ai /B) =
P( Ai B)
P(B)
P( Ai /B) =
P( Ai B)
P( Ai ).P(B/ Ai )
=
P( Ai B) P( Ai )P(B/ Ai )
i
rbol de Bayes
Este tipo de problemas es muy interesante resolverlos mediante el rbol de
Bayes que se muestra a continuacin,
-58-
3. Probabilidades
P( A 1 B) P( A 1 )P(B / A 1 )
P(B / A 1 )
A1
P( A 1 )
P( A 2 B) P( A 2 )P(B / A 2 )
P(B / A 2 )
P( A 2 )
A2
Actividad 3.6:
En la urna U1 hay 2 bolas blancas y 2 negras, y en la urna U2 hay 3
blancas y 1 negra. Tomamos una bola de la urna U1 y la pasamos a la
urna U2. Despus sacamos una bola al azar de la urna 2 que resulta
ser blanca. Cul es la probabilidad de que la bola que haya pasado
de la urna U1 a la urna U2 sea negra?
Actividad 3.7:
Tres componentes de un sistema estn situados en serie. Si cada uno
de ellos tiene una probabilidad de funcionar del 90%, Cul es la
probabilidad de que funcione todo el sistema?
Y si los componentes estn situados en paralelo?
Y si los dos primeros estn en paralelo y la tercero esta en serie?
3. Probabilidades
b) BC
c) ACd) AC.
Solucin:
a) C
c) E
b) B
d)
3.10.2.
En una ciudad se publican tres peridicos A, B y C. Supongamos que el
60% de las familias de la ciudad estn suscritas al peridico A, el 40% estn
suscritas al peridico B y el 30% al peridico C. Supongamos tambin que el
20% de las familias estn suscritas a los peridicos A y B, el 10% a A y C, el
20% a B y C y el 5% a los tres peridicos A, B y C.
a. Qu porcentaje de familias de la ciudad estn suscritas al menos a
uno de estos tres peridicos?
b. Qu porcentaje de familias de la ciudad estn suscritas nicamente a
uno de los tres peridicos?
Solucin:
3.10.3.
a)
b)
c)
d)
e)
a) 0.85
b) 0.45.
3.10.4.
Una caja contiene 100 chips, de los cuales 75 funcionan correctamente y
25 son defectuosos. Se seleccionan aleatoriamente 12 chips. Calcular la
probabilidad de que al menos un chip seleccionado sea defectuoso.
Solucin: 0.9751.
3.10.5.
Si las letras a,a,e,i,i,c,d,t,t,s,s se ordenan aleatoriamente, cul es la
probabilidad de que formen la palabra "estadistica"?.
-60-
3. Probabilidades
Solucin: 4.008E-7.
3.10.6.
Los alumnos que se presentan a este examen realizan 3 actividades
culturales. El 60% de ellos va al cine, el 40% al teatro y el 30% a museos.
Adems el 25% van al cine y al teatro, el 20% al cine y a museos, el 10% a
museos y teatros y el 2% realiza las tres actividades. Qu porcentaje de
alumnos realizan al menos una de las tres actividades?
a) 06700
b) 07900
c) 07500
d) 07700
Probabilidad condicional
3.10.7.
Cuatro marcas de ordenadores A, B, C y D presentan una oferta para un
cierto contrato. Un anlisis de los xitos obtenidos anteriormente por estas firmas
en contratos similares nos permite establecer que las probabilidades de llevarse
este contrato para cada una de las marcas son:
P(A) = 0.35 P(B) = 0.15 P(C) = 0.3
P(D) = 0.2
3.10.8.
Se hizo una encuesta a cien clientes de un almacn, de los cuales
sesenta dijeron que visitaban el almacn por un anuncio del peridico y el resto
no haban visto el anuncio. As mismo, cuarenta clientes hicieron compra, y de
ellos treinta haban visto el anuncio.
a) Cul es la probabilidad de que una persona que no vio el anuncio, hiciera
compra?
b) Cul es la probabilidad de que una persona que vio el anuncio, comprase?
Solucin: a) 1/4 b) 1/2.
-61-
3. Probabilidades
3.10.9.
Se dispone de una caja que contiene 5.000 chips, de los cuales 1.000
han sido fabricados por la compaa X y el resto por la compaa Y. El 10% de
los chips fabricados por la compaa X y el 5% de los fabricados por la compaa
Y son defectuosos. Si un chip seleccionado al azar es defectuoso, calcular la
probabilidad de que proceda de la compaa X.
Solucin: 1/3.
3.10.10.
Un sistema recibe energa elctrica el 30% del tiempo, energa hidrulica
el 60% y energa mecnica el 10% restante. Cuando funciona elctricamente la
probabilidad de avera es 0.002, cuando lo hace hidrulicamente es 0.001 y
cuando lo hace mecnicamente es 0.05. Hallar la probabilidad de avera.
Solucin: 0.0062.
3.10.11.
Una compaa utiliza un test para la contratacin del personal. El test lo
aprueban el 60% de los aspirantes. De los que pasan el test el 80% completan la
formacin. En una prueba, se emple a aquellos aspirantes que no aprobaron el
test. La formacin fue terminada con xito solo por el 50% de este grupo. Si no
se usar ningn test, que porcentaje de aspirantes podra esperarse que
completarn la formacin.
Solucin: 0.68.
3.10.12.
Dos cajas contienen cerrojos grandes y cerrojos pequeos. Supongamos
que una caja tiene 60 cerrojos grandes y 40 cerrojos pequeos y que la otra caja
tiene 10 grandes y 20 pequeos. Seleccionamos una caja al azar y extraemos un
cerrojo de la misma. Calcular la probabilidad de que el cerrojo sea grande.
Solucin: 7/15.
3.10.13.
Un lote de circuitos contiene un 2% de defectuosos. Cada circuito es
comprobado antes de su uso. El tster no es totalmente fiable ya que la
probabilidad de que el tster indique que un circuito es correcto siendo correcto
es 0.95 y la probabilidad de que el tster indique que es defectuoso siendo
defectuoso es 0.94. Si el tster ha indicado que un circuito es defectuoso, cul
es la probabilidad de que efectivamente sea defectuoso?
Solucin: 0.2772.
-62-
3. Probabilidades
3.10.14.
De todos los estudiantes de una universidad, el 70% son mujeres y el
30% son hombres. Si el 20% de las mujeres y el 25% de los hombres fuman.
Determinar la probabilidad de que un estudiante elegido al azar sea:
a)
b)
c)
d)
3.10.15.
Un canal de comunicacin binario transporta informacin con dos tipos
de seal representados por 0 y 1. Debido a los ruidos, un 0 transmitido es
recibido a veces como 1 y un 1 transmitido es recibido a veces como 0. Para un
canal dado la probabilidad de que un 0 transmitido sea recibido como 0 es 0.94 y
la probabilidad de que un 1 transmitido sea recibido como 1 es 0.91. Por otra
parte la probabilidad de transmitir un 0 es 0.45. Si se enva una seal, calcular:
3.10.16.
Sea un canal de comunicacin, con tres tipos de seal 1,2 y 3 .Para i
=1,2,3, Ti es el suceso "el dgito i es transmitido y Ri es el suceso "el dgito i es
recibido". Sabemos que:
P(R1/T1 )=1- P(R2/T1 )=/2 P(R3/T1 )=/2
P(R1/T2)=/2 P(R2/T2)=1- P(R3/T2)=/2
P(R1/T3)=/2 P(R2/T3)=/2 P(R3/T3)=1-
Sabemos tambin que el 3 se transmite tres veces ms que el 1, y el 2 dos veces
ms que el 1.
a) Si se recibe un 1, cul es la probabilidad de que se haya enviado un 1?.
b) Calcular la probabilidad de que una transmisin sea errnea.
-63-
3. Probabilidades
3.10.17.
Supongamos dos lneas de fabricacin del mismo producto. La primera
lnea fabrica 20 unidades/hora, de las cuales el 90% son apropiadas para una
segunda operacin. La segunda lnea produce 90 unidades/hora, de las cuales
slo el 20% son apropiadas. Todas las unidades van a un almacn comn. Si al
extraer una pieza al azar, ha resultado ser apropiada, cul es la probabilidad
de que provenga de la primera lnea?
Solucin: 0.5
3.10.18.
Por un canal de comunicacin se transmite una de las sucesiones de
letras AAAA, BBBB o CCCC con probabilidades P1, P2 y P3 (P1+P2+P3 =1).
Cada letra transmitida se recibe correctamente con una probabilidad n y cada
una de las otras dos opciones errneas (las otras dos letras) se reciben con
probabilidad (1-n)/2. Se supone que las letras se distorsionan
independientemente unas de otras (incluso dentro de la misma secuencia). Se
pide:
a) Hallar la probabilidad de que se haya transmitido AAAA si se ha recibido
ABCA.
b) Establecer la decisin a tomar al recibir ABCA cuando n=0.7 y P1=P2=1/8.
c) Cul es la probabilidad de que una secuencia recibida contenga al menos un
error?
Solucin: a) 2nP1/(2nP1+(1-n)P2+(1-n)P3)
CCCC c) 0.76
3.10.19.
El Departamento de Control tcnico (DCT) realiza la clasificacin de los
aparatos fabricados. Cada aparato tiene, independientemente de los dems,
defectos con una probabilidad p. Durante una comprobacin el DCT revela la
existencia de defectos con una probabilidad igual a a. Adems, durante la
comprobacin un aparato en buen estado puede comportarse como defectuoso
con una probabilidad b. Todos los aparatos que en la comprobacin se
comportan incorrectamente son rechazados.
a) Hallar la probabilidad q0 de que un aparato no desechado tenga defectos y la
probabilidad q1 de que un aparato desechado tenga defectos.
b) Para qu condiciones q0 > q1 ?
-64-
3. Probabilidades
b) b>a
3.10.20.
En los ensayos de cierto equipo se ha determinado que la probabilidad
de buen funcionamiento de un rel, en ausencia de perturbaciones es 0.99,
si slo hay sobrecalentamiento se sita en 0.95, si slo hay vibraciones en 0.9 y
si
se dan ambas circunstancias baja a 0.8. Se supone que ambas
perturbaciones se presentan independientemente.
a) Hallar la probabilidad de que el rel falle en un ambiente donde la probabilidad
de sobrecalentamiento es 0.2 y la de vibraciones de 0.1.
b) Sabemos que se ha producido un fallo. Se ha detectado que ha habido
sobrecalentamiento. Cul es la probabilidad de que tambin hayan habido
vibraciones? Y si no se supiera nada sobre el sobrecalentamiento, cul
sera la probabilidad de que hubiera habido vibraciones?
c) Si se trabaja ahora en un entorno donde sobrecalentamiento y vibraciones no
son independientes, sino que, con las probabilidades del apartado a), la
probabilidad de que se den ambas a la vez es 0.05, cul es la probabilidad
de que el rel funcione correctamente?
Solucin: a) 0.0282 b) 0.3077 0.4255 c) 0.97
3.10.21.
Si A y B son dos sucesos independientes entonces: (determinar la
respuesta incorrecta)
a) A y B
b) P(A/B) P(A)
c) P(A/ B) P(A)
d) P(A/B) P(A)
3.10.22.
La probabilidad de que funcione una mquina cuando no existe ni
sobrecalentamiento ni vibraciones es del 99%. Si hay vibraciones y no
sobrecalentamiento, la probabilidad de que funcione es del 95%. Si hay
sobrecalentamiento y no vibraciones, la probabilidad de que funcione es del 90%.
Y si existen vibraciones y sobrecalentamiento a la vez, la probabilidad de que
funcione es del 80%. Calcular la probabilidad de que dicha mquina funcione un
da cualquiera en una fbrica en la cual la probabilidad de que existan
vibraciones es del 20% y la probabilidad de que exista sobrecalentamiento es del
15%.
a) 08965
-65-
3. Probabilidades
b) 09667
c) 09208
d) 08999
3.10.23.
Un proceso de fabricacin puede estar ajustado o desajustado. Cuando
est ajustado produce un 1% de piezas defectuosas y cuando est desajustado
un 10%. El proceso est desajustado el 25% del tiempo. En un momento
determinado, se toma una muestra de 10 piezas y no aparece ninguna
defectuosa. Calcular la probabilidad de que est ajustado en ese momento.
a) 0.8582
b) 0.8861
c) 0.9121
d) 0.9362
3.10.24.
Dados dos sucesos A y B pertenecientes al mismo espacio muestral E, la
probabilidad de que ocurra A es de 0.85 y la probabilidad de que ocurra B de
0.25. Entonces:
a)
b)
c)
d)
3.10.25.
Existe un test de control de piezas que rechaza piezas buenas un 5% de
las veces y piezas malas un 95%. Se sabe que en un proceso de fabricacin en
el que se aplica este test, la probabilidad de que una pieza que ha sido
rechazada sea buena es del 0.9%. Qu porcentaje de piezas defectuosas se
estn produciendo en dicho proceso?
a)
b)
c)
d)
85.28%
90.32%
14.73%
79.89%
3. Probabilidades
0,98
B
E
0,87
0,90
3. Probabilidades
C1
C2
0,5
SE
C3
0,15
0,4
C4
C5
SE
C6
0,02
C7
0,2
C8
SE
C9
0,2
0,3
18-40
220/420
150/420
41-55
0,45
50/420
>=56
0,78
50
0 ,78 = 0 ,0929
420
P( Superior ) C1 C 4 C 7
220
150
50
0,2
0,15
0,02 0,16
420
420
420
-68-
3. Probabilidades
p1
6
p1 P(B(6;0,5) 2) 0,5 2 (1 0,5) 4 0,2344
2
18-40
1-p1
otros
1/3
p2
1/3
41-55
1-p2
1/3
otros
p3
>=56
1-p3
6
p1 P(B(6;0,78 ) 2) 0,78 2 (1 0,78 ) 4 0,0214
2
otros
de
sin
estudios)=
1
0,2344
C1
3
0,4391
1
1
C1 C2 C3 1
0,2344 0,2780 0,0214
3
3
3
-69-
3. Probabilidades
c)
B=10000-5000-x
Prueba Correcto
0.95
Motor Correcto
Prueba
Defectuoso
0.05
0.8
B=-5000-x
B=-5000-x
Motor Defectuoso
0.2
Prueba
Defectuoso
0.95
Prueba Correcto
0.05
B=-5000-7000-x
E(B)=0.80.95(5000-x)-0.80.05(5000+x)-0.20.95(5000+x)-0.20.05(12000x)=1600
Despejando,
2530-x=1600, de donde el precio mximo a pagar por la prueba es 930 euros.
d)
MD=Motor defectuoso
MC=Motor correcto
PC=Prueba correcta
-70-
3. Probabilidades
3.11.4. Una empresa electrnica fabrica una placa base para un determinado tipo de
ordenador. Se sabe que el porcentaje de placas base defectuosas de toda la
produccin es del 2%. El coste de fabricacin de cada placa es de 100 y se
vende cada una a 300. Si al instalar en el ordenador se detecta que no funciona
bien, se debe reemplazar por otra que seguro que no es defectuosa, pero cuyo
coste de fabricacin es de 150. La empresa puede realizar un test antes de
venderla, pero este test, cuando la placa es correcta, falla en el 1% de los casos, y
cuando la placa realmente est mal, acierta en el 90% de los casos. Se pide:
a) Sabiendo que el test dice que una placa est bien, calcular la probabilidad de
que dicha placa realmente sea defectuosa. (0,75 puntos)
b) Calcular el porcentaje de veces que se equivoca el test. (0,75 puntos)
c) Si el test resulta positivo, se instala la placa tal y como est (aun pudiendo ser
defectuosa). Si el test resulta negativo, una reparacin de 10 asegura que la
placa estar bien. Cul es el precio mximo que debemos pagar por el test
para que, en promedio, sea rentable?(2 puntos)
d) Si la placa base internamente consta de 10 componentes idnticas e
independientes, que asumimos que estn montados en serie, y un requisito es
que la probabilidad de no fallo de la placa base es del 80%, cul debe ser la
probabilidad de no fallo de cada componente? (0,75 puntos)
Solucin Cuestin 1:
C1
C2
0,99
C
0,01
0,98
0,1
0,02
C3
D
0,9
a) P(D / )
C4
C3
0,020,1
0,002
0,0021
C1 C3 0,980,99 0,020,1 0,9722
-71-
3. Probabilidades
C1 =0,9702
C2 =0,0098
B1=300-100=200
0,99
C
0,01
0,98
0,1
0,02
C3 =0,002
B2=-100+300-10=190
B3=300-100-150=50
D
0,9
C4 =0,018
B4=-100+300-10=190
B1=300-100=200
B2=300-100-150=50
Para que funcione el sistema deben funcionar todos los elementos, por lo que la
probabilidad de funcionamiento del sistema es,
-72-
3. Probabilidades
0,75
0,95
5
0,93
SOLUCIN:
Llamando de R la probabilidad de no fallo de cada componente, la fiabilidad del
sistema es,
Rsys (1 (1 R1)(1 R2 ))(1 (1 R3 )(1 R4 ))R5
Sustituyendo valores,
0.90 (1 0.150.07)(1 0.25(1 R4 ))0.95
0.90 0.9895(1 0.25(1 R4 ))0.95
1 0.25(1 R4 ) 0.9574
(1 R 4 )
1 0.9574
0.1703
0.25
3. Probabilidades
SOLUCIN:
a) El rbol de probabilidades es,
C1
C2
C3
C4
0.95
+
0.05
0.90
C
0.95
0.10
0.95
0.05
0.10
0.05
0 .0 7
+ C5
- C6
0.93
D
0.90
+ C7
- 0.07
0.093
- C8
0.945
0.0428 0.0903 0.0047 0.0032 0.141
P(C / 1 )
-74-
3. Probabilidades
C1
C2
0.95
C
0.95
0.05
0.07
0.05
+ C3
D
0.93
- C4
-75-
3. Probabilidades
-76-
lim F(x) = 1 .
x +
3) El
lim F(x) = 0 .
x -
] - , a]+]a,b] =] - ,b]
] - ,a] ]a,b] =
y por el axioma tercera de la probabilidad,
Una variable aleatoria es discreta cuando toma un conjunto finito de valores. Tambin
se llama categrica.
-79-
F(x) =
P( x )
i
xi x
Actividad 4.1:
Dibujar la funcin de probabilidad de la variable aleatoria del dado.
Dibujar la funcin de distribucin de la variable aleatoria del dado.
Cunto vale P(X=6)?
Cunto vale F(2,5)?
Cunto vale F(3)?
Cunto vale P(X>=5)?
Cunto vale P(x<5)?
Calcular la funcin de distribucin de la variable aleatoria suma de puntos al lanzar
dos dados.
probabilidad
Prob. de Evento,Ensayos
0,1,10
0,3
0,2
0,1
0
0
-80-
10
probabilidad acumulativa
Binomial Distribucin
1
Prob. de Ev ento,Ensay os
0,1,10
0,8
0,6
0,4
0,2
0
0
10
x
Figura 4. 3. Funcin de distribucin discreta
Para una variable continua, la grfica no presenta ningn salto. Se trata del lmite de
la variable aleatoria discreta.
Funcin de densidad
Diremos que X es una v.a. continua, si existe una funcin f(x) no negativa, tal que
para todo a de la recta real se cumple que:
a
Fx (a) =
f(x)dx
f(x) =
dF(x)
dx
f(x) =
dF(x)
F(x + x) - F(x)
= lim
x
dx
x 0
f(x)dx
La funcin de densidad se puede tomar como el lmite de un histograma de
frecuencias cuando la base de los rectngulos es infinitesimal.
Para una variable discreta no existe la funcin de densidad, y la funcin que
expresa la cantidad de masa que hay en cada punto la denominamos "funcin de
probabilidad".
Actividad 4.2:
-82-
f(x)
x
0
3
Figura 4. 4 Distribucin triangular
o
o
f(x)
x
0
o
o
-83-
Exponencial Distribucin
densidad
0,1
Media
10
0,08
0,06
0,04
0,02
0
0
10
20
30
40
50
60
probabilidad acumulativa
Exponencial Distribucin
1
Media
10
0,8
0,6
0,4
0,2
0
0
10
20
30
40
50
60
x
Figura 4. 7. Funcin de distribucin
Fy ( a ) P( Y a )
Y sustituyendo la expresin de Y en funcin de X, tenemos que,
Fy ( a ) P( Y a ) P( g( X ) a ) P( X g 1( a )) Fx g 1( a )
-84-
X
Y
e
X(e)
Y=g(X(e))
f(x)
x
5 10 x 12
2
P( Y 34 ) P( 1,30 X 20 34 ) P( X
P( X 10 ,77 )
10 ,77
10
34 20
)
1,30
5 dx 0 ,148
2
Actividad 4.3:
Un casino plantea el siguiente juego de azar. Se hace una apuesta del resultado de
lanzar un dado. Se lanza una dado, si sale un 1, el casino dar 1000, si sale un 2
un 3, el casino dar 500, y si sale un 4, un 5 un 6, el casino dar 100. Cunto
tendremos que pagar por cada apuesta para participar en el juego?
-85-
E[g(x)] = g( xi )P( xi )
xi
E[g(x)] =
g(x)f(x)dx
Actividad 4.4:
La esperanza matemtica es un operador lineal, esto es, sea X una variable aleatoria,
y g 1 (x) y g 2 (x) dos funciones uniformes de la misma, entonces la esperanza
matemtica de una combinacin lineal de dichas funciones es:
Momentos
Dada la v.a. X, para el caso particular de que la funcin g(x) sea g(x) = x , la
esperanza matemtica de dicha funcin se denomina momento respecto al origen de
orden , y se escribe:
Si la v.a. es discreta, se tiene:
-86-
= E( X ) = xi P( xi )
xi
y si la v.a. es continua,
= E( X ) = x
f(x)dx
= xi P( xi )
xi
xf(x)dx
= E(X - ) = ( xi - ) P(xi )
xi
y si la v.a. es continua,
= E(X - ) =
(x - ) f(x)dx
1 = E(X - ) =
(x - )f ( x )dx =
ya que
xf ( x )dx - f ( x )dx = - 0
-87-
Valor medio
= E(X) =
xf ( x )dx
E(aX) = a.
2) El valor medio de una constante es la misma constante.
E(a) = a
3) El valor medio de una suma de variables aleatorias es la suma de sus
medias.
E( a1 X 1 + a 2 X 2 + ....+ a n X n ) = E( a1 X 1 ) + E( a 2 X 2 ) + ...+ E a n X n )
= a1 1 + a 2 2 + ...+ a n n
-88-
1
y
n
el valor medio es
E(x) = xi P( xi )= xi
i
1 x
=
n n
Actividad 4.5:
Mediana
Expresa el punto por debajo del cual est el 50% de los valores y por encima el 50 %
de los valores. Matemticamente, es aquel valor de x para el cual F(x), la funcin de
distribucin, vale 0,5.
F( xmed ) = 0,5
A aquel valor de x por debajo del cual hay una cantidad de masa de p%, se le
llama percentil p. De esta forma:
F( x p ) = p
La mediana es el percentil 50%.
La mediana es una medida muy robusta, ya que para un valor extremo
apenas se modifica.
Cuartiles
Si la cantidad de masa la dividimos en 4 partes, a cada uno de los puntos de
la divisin se le llama "cuartil". As el "tercer cuartil" es el que tiene por debajo de l
una cantidad de masa del 75%, es decir las 3/4 de los valores de x.
-89-
Moda
P( xi ) , para una distribucin discreta, o el valor mximo de la curva f(x). Esta curva
puede tener varios mximos, y entonces la distribucin se denomina "multimodal".
2 var( X ) D 2 ( X ) E( X )2
Si la v.a. es discreta:
2
2
2
= E(X - ) = ( xi - ) P( xi )
xi
y si la v.a. es continua:
+
2
= E(X - ) =
2
(x - )
f(x)dx
Como todos los valores estn elevados al cuadrado, siempre es una cantidad
positiva. Cuanto mayor sea dicha cantidad, mayor dispersin hay en los datos.
Esta medida tiene las siguientes propiedades:
1) La varianza de una constante es cero.
2
D (a) = E(a - a) = 0
2
2
2
2
2
2
2
2
D (aX) = E(aX - a x ) = E[ a (X - x ) ] = a E(X - x ) = a D (X)
3) La varianza de a X + b es:
2
2
2
D (aX + b) = a D (X)
2
2
2
2
D (X) = E(X - ) = E( X - 2x + ) =
= E( X 2 ) - 2E(X) + 2 = 2 - 12
2
2
2
D (X) = E( X ) - E(X)
Desviacin tpica
= D(X) = + var(x) = + 2
Si la desviacin tpica es grande, indica que hay una gran dispersin en los
datos.
Tanto la varianza como la desviacin tpica son medidas poco robustas, ya
que para valores extremos (muy altos o muy bajos) se modifica en gran manera su
valor.
Actividad 4.6
-91-
Coeficiente de variacin
C.V. =
Coeficiente de asimetra
(x - x ) /(N - 1)
3
CA =
i=1
(x - x )
CC =
/(N - 1)
i=1
Si es igual a 3, es el caso estndar, >3, est por encima del caso estndar, y <3 est
por debajo del caso estndar.
-92-
I x1,x2 = ( x1 , x2 )/ X 1 x1 , X 2 x2
es un suceso perteneciente a la -lgebra F, y por lo tanto, probabilizable.
Si las dos coordenadas son puntos discretos, entonces se dice que la v.a.
bidimensional es discreta, y si ambas son continuas, la v.a. bidimensional es
continua. Puede ser que una sea discreta y la otra continua, en cuyo caso cabe
hablar de v.a. mixtas.
Grficamente se representa en la Figura 4.9
-93-
Funcin de distribucin
lim F( x , x
1
)= 0
x1-
lim F( x , x
1
)= 0
x2 -
3)
lim F( x , x
x1+
x2 +
)= 1
-94-
Funcin de densidad
f( x1 , x2 ) 0 y
f( x1 , x2 )d x1 d x2 = 1
- -
F(a,b) =
f( x , x
1
- -
-95-
)d x1 d x2
f( x1 , x2 ) =
2
F( x1 , x2 )
x1 x2
P( x1 , x2 ) A) = A f( x1 , x2 )d x1 d x2
Para un rectngulo es:
b1 b2
P( a1 X 1 b1 ; a2 X 2 b2 ) =
f( x , x
1
)d x1 d x2
a1 a2
- - f( x1 , x2 )d x2 d x1
x1
F( x1 ) = lim F( x1 , x2 ) =
x2 +
f( x1 ) =
f( x1 , x 2 )d x 2
-96-
P( X 1i ) = P( x1i , x 2j )
j
x1
X1
Actividad 4.7:
P(X1=1).
PX2=2).
o
o
P(X1<=2).
P(X1=2,X2=2)
X2
0,28
0,18
0,24
0,15
0,09
2
1
0,06
X1
-97-
h 0
P( X 2 x2 x1 X 1 x1 + h)
P( x1 X 1 x1 + h)
condicionada se obtiene
imponiendo la condicin de que la suma de pesos debe ser la unidad, y para ello
nada ms que dividir cada peso P( x1 , x2 ) por el total, que corresponde a la
distribucin unidimensional. Esto es,
P( X 2 / x1 ) =
P( x 2 , x1 ) P( x2 ).P( x1 / x 2 )
P( x 2 ).P( x1 / x 2 )
=
=
P( x1 )
P( x1 )
P( x2j )P( x1 / x2j )
j
f( x2 / x1 ) =
f( x1 , x2 ) f( x2 )f( x1 / x2 )
f( x2 ).f( x1 / x2 )
=
=
f( x1 )
f( x1 )
f( x2 )f( x1 / x2 )d x2
-98-
X2
x1
x1+h
X1
Actividad 4.8:
X2
0,28
0,18
0,24
0,15
0,09
2
1
0,06
X1
Dada una variable aleatoria bidimensional ( X 1 , X 2 ) diremos que las v.a. marginales
2
X 1 , X 2 son independientes, cuando para cualquier ( x1 , x2 ) R se cumple que los
P( X 1 x1 X 2 x2 ) = P( X 1 x1 ).P( X 2 x2 )
-99-
F( x1 , x2 ) = F 1 ( x1 ). F 2 ( x2 )
Si la v.a. es continua, y las marginales son independientes, la funcin de
densidad es el producto de funciones de densidad marginales.
f( x1 , x2 ) = f 1 ( x1 ). f 2 ( x2 )
Tambin se cumple que:
f( x2 / x1 ) =
f( x1 , x2 ) f( x1 ).f( x2 )
=
= f( x2 )
f( x1 )
f( x1 )
f( x1 , x2 ) = f( x1 ).f( x2 / x1 ) = f( x2 ).f( x1 / x2 )
y si la v.a. es continua,
E[g( x1 , x 2 )] = R 2 g( x1 , x 2 )f( x1 , x 2 )d x1 d x 2
Adems de la propiedad de ser operador lineal, si las variables X 1 , X 2 son
independientes
g 1 ( x1 ) y g 2 ( x2 ) son
funciones
uniformes
de
X1 y X2 ,
E[ g 1 ( x1 ) g 2 ( x2 )] = E[ g 1 ( x1 )]E[ g 2 ( x2 )]
La media de la suma de v.a., sean varias independientes no, son suma de
valores medios.
Para distribuciones condicionales, el valor medio de una funcin es:
+
E[g( x1 )/ x2 ) =
g( x )
1
f c ( x1 / x2 )d x1
Momentos
Si la v.a. es continua,
u
v
u,v x1 . x2 f( x1 , x2 )d x1 d x2
1,0 = x1
0,1 = x2
1,0 = 0
-101-
0,1 = 0
2,0 = 2x1
0,2 = 2x2
Todo momento centrado se puede poner en funcin de los momentos
respecto al origen, desarrollando los polinomios y aplicando el operador valores
medio.
Matriz de varianzas-covarianzas
El momento centrado 1,1 = 11 cuya expresin es:
11 = E( X 1 - 1 )( X 2 - 2 ) = 12 cov( X 1 , X 2 )
recibe el nombre de covarianza y expresa el grado de relacin lineal que existe entre
X2
IV
II
III
X1
1
Figura 4. 15. Concepto de covariancia
-102-
11 = 12 = cov( X 1 , X 2 ) = E( X 1 X 2 ) - E( X 1 )E( X 2 )
Actividad 4.9:
X2
0,28
0,18
0,24
0,15
0,09
0,55 2
0,45 1
1
0,52
E( X1) 10,52 20,33 30,15 1,63
0,06
0,33
0,15
-103-
X1
Figura 4. 16 Covarianza
Actividad 4.10:
Coeficiente de correlacin
La covarianza es una cantidad al cuadrado, y para que sea adimensional, se divide
por sus desviaciones tpicas, recibiendo el nombre de "coeficiente de correlacin".
12 =
cov( X 1 , X 2 )
D( X 1 ).D( X 2 )
-104-
Actividad 4.11:
X2
0,28
0,18
0,24
0,15
0,09
2
1
0,06
X1
var( X 2 ) E( X 22 ) E( X 2 )
cov( X1 , X 2 )
var( X1 )var( X 2 )
0,1765
0,5330,548
0,327
-105-
Si la variable aleatoria Y viene dada por una combinacin lineal de las v.a. X1, X2 de
la forma
2
2
2
2
2
D ( a1 X 1 a2 X 2 ) = a1 D ( X 1 )+ a2 D ( X 2 )
2
2
D ( a1 X 1 + a2 X 2 ) = E( a1 X 1 + a2 X 2 - a1 1 - a2 2 ) =
= E( a1 ( X 1 - 1 )+ a2 ( X 2 - 2 ) )2 =
= E[ a12 ( x1 - 1 )2 + a22 ( x2 - 2 )2 + 2 a1 a2 ( x1 - 1 )( x2 - 2 )] =
= a12 12 + a22 22 + 2 a1 a2 E( x1 - 1 )( x2 - 2 ) =
= a12 12 + a22 22 + 2 a1 a2 cov( x1 , x2 )
Actividad 4.12:
Una variable X1 tiene de valor medio 4 y desviacin tpica 2. Otra variable aleatoria X2
tiene un valor medio de 3 y una desviacin tpica de 1, y la covariancia que hay entre
las dos variables se de 1,8. Calcular la variancia de la nueva variable aleatoria
Y=2X1-X2.
E ( x2 / x1 ) x2 f c ( x2 / x1 )dx2 h( x1 )
-106-
Actividad 4.12:
X2
0,28
0,18
0,24
0,15
0,09
2
1
1
E( X 2 / x1 2)
2i P( x 2i
0,06
X1
/ x 1 2)
x 2i
0,15
0,18
1
2
1,54
0,15 0,18
0,15 0,18
Si en lugar de una curva queremos encontrar la recta que minimiza la suma de los
cuadrados de los errores de prediccin de
x2 2
cov( x1 , x2 )
( x1 1 )
12
-107-
x1 / x2 .
Actividad 4.13:
X2
0,28
0,18
0,24
0,15
0,09
2
1
0,06
X1
r.r.m.c
x 2 2
cov( x1, x 2 )
( x1 1 )
12
X2
c.r.c. x 2 h( x1 ) E( X2 / x1 )
X1
-108-
4.10.1.
Si X es la variable aleatoria nmero de puntos al lanzar un dado,
determinar su valor medio y su varianza.
Solucin: E(x) = 7/2 D2(x) = 224/9
4.10.2.
Si se selecciona al azar un nmero entero entre 1 y 100, cul es el valor
esperado?
Solucin: 50.5
4.10.3.
Las lecturas sobre sensores son analgicas (continuas), y deben ser
convertidas a una escala discreta para permitir su procesamiento digital. Sea X la
lectura de un sensor. En un caso muy sencillo, supongamos que si la lectura
iguala o supera un valor lmite t=1/2, el valor almacenado es 1 y en caso
contrario es 0. Si la funcin de densidad de X es:
0 x 1
x
f ( x ) x 2 1 x 2
0
otroscasos
4.10.4.
El tiempo, X, que tarda una mquina en elaborar un producto tiene como
funcin de densidad:
2 e2 x
f ( x)
0
x0
otroscasos
4.10.5.
Un fabricante de motores produce un 30% de defectuosos. El coste es
de 4.000 . por unidad y el precio de venta es de 9.000 .. Si el motor es
defectuoso debe devolverse lo cobrado y pagar una indemnizacin de 6.000 .
a) Calcular el beneficio medio por motor.
-109-
b) Se puede hacer una prueba de control de calidad A que cuesta 2.000 . y que
determina con toda seguridad si el motor es o no es defectuoso. Estudiar si es
rentable la prueba.
c) Se puede utilizar una prueba alterativa B, que conduce a conclusiones
errneas en un 10% de los casos. Calcular el precio mximo que puede
pagarse por dicha prueba.
Solucin: a)500 b)300 c)990
4.10.6.
La longitud de una cierta pieza se distribuye con la siguiente funcin de
densidad:
f ( x) k ( x 2) 2
0
1 x 2
2 x 2.5
otros valores
4.10.7.
k (1 x 2 )
f ( x)
0
x 0,3
x 0,3
Hallar:
a) El valor de la constante k.
b) Probabilidad de que X est comprendida entre 1 y 2.
c) Probabilidad de que X sea menor que uno.
d) Sabiendo que X es mayor que 1, probabilidad de que sea menor que 2.
Solucin: a) 1/12 b) 5/18 c) 1/9 d) 5/16
-110-
4.10.8.
f ( x ) 2 - x
0
0 x 1
1 x 2
otros valores
x2
2
si
0 x 1; Fx ( x ) 1
( 2 x )2
2
si
1 x 2
4.10.9.
La variable X est definida en el intervalo ]-, a] con funcin de densidad
f(x). La expresin:
a
x f ( x)dx
facilita:
a) el valor de la funcin de distribucin en el punto x=a.
b) el valor de la desviacin tpica de X.
c) es una expresin que vale 1.
d) es el valor medio de la variable X.
4.10.10.
Se realiza un estudio sobre la duracin de las llamadas en una centralita
telefnica y se estima que su funcin de densidad de la variable es:
1 2x
e
f ( x) 2
0
x0
otros valores
4.10.11.
-111-
x 0.5
f ( x)
0
1 x 2
otrosvalores
4.10.12.
1
f ( x) 2 x
0
0 x 1
otros valores
Hallar su varianza.
Solucin: 4/45.
4.10.13.
De una estacin parte un tren cada 20 minutos. Un viajero llega de
imprevisto. Calcular:
a) Probabilidad de que espere el tren menos de 7 minutos
b) Valor medio del tiempo de espera
c) Probabilidad de que espere exactamente 12 minutos.
Solucin: a) 7/20 b) 10 c) 0.
4.10.14.
Se intenta estudiar el porcentaje de tiempo en el que se esta utilizando
un ordenador en un determinado departamento a lo largo de las semanas de
trabajo. Supongamos que el porcentaje de utilizacin del ordenador sigue una
funcin de densidad de probabilidad dada por:
3x 2
f ( x)
0
0 x 1
otros valores
4.10.15.
Un almacenista compra a principio de semana N kg. de un producto
perecedero a 200 pts/kg. y lo revende a 300 pts/kg. La demanda se distribuye
exponencialmente con media 100 kg/semana, y aquellos kilos que no vende se
estropean y pierden. Calcular cuntos kilos del producto debe comprar a la
semana para maximizar su beneficio.
-112-
4.10.16.
Un revendedor de entradas sabe que la demanda diaria en la reventa de
las mismas se distribuye aleatoriamente, siendo Prob(D> d)= e-0.05 d. Si el
revendedor compra en taquilla a 200 ptas. y revende con un beneficio del 20%,
pero debe quedarse con las que no puede vender, calcular cuntas entradas
debe comprar al da para maximizar su beneficio.
Solucin: 4 entradas diarias
4.10.17.
Si X es una variable aleatoria que mide la duracin real de una lmpara,
X=EXP(), determinar el valor medio de su duracin.
Solucin: 1/
4.10.18.
x
5
f ( x ) 5
6 x
5
0
0 x1
1 x 5
5 x6
otros
4.11.1 El espesor de una plancha de acero sigue una distribucin aleatoria segn la
figura de abajo. La plancha de acero es adecuada para su uso siempre que el
espesor sea mayor de 1,75 mm y menor de 3 mm. Se pide:
f(x)
3,5
-113-
Como el rea total bajo la funcin de densidad tiene que ser la unidad, la altura
de la figura debe ser,
( 2 1 )h
( 3,5 2 )h 1
2
De donde h=1/2.
La funcin de densidad ser:
a bx
f ( x ) h 1 / 2
0
x [ 1,2 ]
x [ 2;3,5 ]
resto
Aplicando la frmula de la ecuacin de una recta que pasa por 2 puntos, se tiene
y 0 h0
x 1 2 1
y
x 1
h y se tiene que y f ( x ) hx h
x 1
2 2
3 ,5
3 ,5
x3 x2 x2
x 1
1
E( x ) x f ( x )dx x( - )dx x dx
2 ,48
1
2
2 2
2
32 22 1 22 2
p p1 p2 P( X 1,75 ) P( X 3 )
1,75
3 ,5 1
x 1
dx
dx 0 ,14 0 ,25 0 ,39
3 2
2
1
x
2
para 239 x 254
5 ,35
150
f ( x ) 0 en otro caso
f(x)
E( X ) x
239
1
x
(2
)dx 246 ,15
5 ,35
150
D 2 ( X ) E( X 2 ) E( X )
Siendo E( X 2 )
254
239
x 2
1
x
(2
)dx 60608 ,2
5 ,35
150
1
x
(2
)dx 0 ,434
239 5 ,35
150
P( X 245 )
245
E( c ) 1,25 x 2
245
239
254
1
x
1
x
(2
)dx 1,3 x
(2
)dx 31920
245
5 ,35
150
5 ,35
150
15 x
si 5 x 15
50
f ( x ) 0 en otro caso
f(x)
1 p
7
13
( 15 x )2
15 x
22
82
f ( x )dx
dx
0 ,60
50
250
100 100
7
7
13
La media de X es,
15 x
15
x2
E( x ) x
dx (
x
)dx
50
50
5
5 50
15
15
15
15 x 2
x3
1515 2 15 3 155 2
53
8 ,333
100
150 100 150
502 150 5
c)
La varianza es,
D 2 ( X ) E( X 2 ) E( X )
15
E( x 2 ) x 2
5
15 x
15 2 x 3
dx (
x
)dx
50
50
5 50
15
15
15 x 3
x4
1515 3 15 4 155 3
54
75
150
200 150 200
150 200 5
Y la varianza es,
D 2 ( x ) 75 8 ,332 5,611
d)
x1 x2 x3 x4 x5
5
La media de y es,
E( y )
5E( x )
E( x ) 8 ,333
5
D( y )
e)
D 2 ( x1 ) D 2 ( x2 ) D 2 ( x3 ) D 2 ( x4 ) D 2 ( x5 )
55 ,611
1,059
2
5
25
-116-
15 x
15 x
15 x
E( B ) 2( 7 x )
dx 10
dx 2( x 13 )
dx 5 ,2 / pieza
50
50
50
5
7
13
7
13
15
0
x
x 1.9
x (1.9,2.1)
x 2.1
b) P(X=1.95)=0
2.1
c) P( 1.95 X 2.05 )
1.9
d)
1.9
2.1
E( X ) [ E( X )]
2
1.9
-117-
x (0.40 , 2.20),
caso contrario
x / k
f ( x)
0
Supuestos:
I.
II.
III.
IV.
V.
VI.
VII.
A los tubos con longitud mayor de 2.00 m, se les corta previamente el exceso
sobre los 2.00 m que se pierde y no se cobra. Los 2 m restantes se montan
como en el apartado anterior
Calcular:
a) El valor medio de la longitud de los tubos del contenedor.
b) El valor medio del beneficio por tubo del almacn.
Solucin:
f(x)
0,40
2,2
-118-
a)
Recordando que
f ( x)dx 1
tendremos
2, 2
x
1
1 2
2
2
0,4 k dx 2k x 0,4 2k (2,2 0,4 ) 1
2, 2
despejando k=2,34
2 ,2
2 ,2 x
1
1
E( X ) xf ( x )dx x dx x 3 ( 2 ,2 3 0 ,4 3 ) 1,5077
0 ,4 k
3k 0 ,4 3k
x
E ( Beneficio ) E ( B) B( x) f ( x)dx
x
b)
B= (cobrado-pagado)
en cada caso
B1 =0 -3x = -3x
B2 =50x-(3+10)x= 37x
0, 5
0, 5
2, 0
2, 0
2, 2
x
x
x
dx 37 x
dx (80 3x)
dx
0
,
5
2
,
0
2,34
2,34
2,34
2, 2
3 x3
37 x 3
1 80 x 2
300 x
f ( x ) k
para 100 mm x 200 mm
3
f ( x) 0
en otro caso
Consideramos que la pieza es correcta cuando su longitud est entre 105 mm y 190
mm. Se pide:
a) Calcular el porcentaje de piezas defectuosas.
b) Calcular la funcin de distribucin de la variable aleatoria longitud de la pieza.
c) Si la longitud de la pieza es mayor de 190 la prdida que se produce es de
2
10, si la longitud es menor de 105 mm la prdida es de 30x , y si la pieza
es correcta el beneficio es de 200x . Por trmino medio, cul ser el
beneficio por cada pieza producida?
-119-
Solucin:
La constante k la calculamos con la condicin de que la integral de la funcin de
densidad para todo su campo de existencia es igual a la unidad.
200
100
( 300 x )
dx 1
x
Integrando,
200
k - ( 300 x )2
k 200 2 100 2 k
30000 1
3
2
2 6
100 3 2
De donde k=0.0002
a)
1 p 0 ,0002
105
( 300 x )
dx 0 ,864
3
( 300 x )
0 ,0002 ( 300 x )2
0 ,0002
F ( x ) 0 ,0002
dx
[ 40000 ( 300 x )2 ]
100
3
3
2
6
100
X
E( B )
( 30 x
100
190
105
200 x0 ,0002
)0 ,0002
( 300 x )
dx
3
200
( 300 x )
( 300 x )
dx ( 10 )0 ,0002
dx
190
3
3
4060 / pieza
-120-
5.1.
DISTRIBUCIN DICOTMICA
X D(p)
si toma nicamente dos valores posibles:
X = 1 , con probabilidad "p",
X = 0 , con probabilidad "q",
donde p + q = 1 .
Se suele asociar el "1" con la presencia de un cierto suceso, y "0" por su
ausencia. Por ejemplo, una pieza mecnica puede ser defectuosa, 1, o no tener
defecto, 0. Al lanzar una moneda aparece la cara, y lo asociamos con el "1", y en
caso contrario, lo asociamos con el "0".
-121-
xi
de donde
2
2
2
2
1 = p; 2 = E( X ) = xi P( xi ) = 1 .p + 0 .q = p
2
2
= p - p = p.(1 - p) = p.q
5.2.
DISTRIBUCIN BINOMIAL
X B(n, p)
Al realizar una vez el experimento aleatorio puede ocurrir el suceso A o el
suceso contrario. Al efectuar n repeticiones, una posible secuencia puede ser:
A A A A A.......A A
Supongamos que queremos calcular la probabilidad de que al repetir n veces
el experimento aleatorio, aparezcan veces el suceso A, esto es P(X = ) . Ello
significa en una secuencia de aparicin de los sucesos, hay -veces el A y, por lo
n -
, y como
n!
! (n - )!
Luego la probabilidad de obtener exactamente veces el suceso A, es
n
P(X = ) = p (1 - p )n-
que recibe el nombre de "frmula binomial".
-122-
i=1
i=1
2
2
D (X) = D ( X 1 + X 2 + ...+ X n ) = D2 ( X i )= pq = npq
Actividad 5.1:
Probabilidad de que al lanzar 5 monedas salgan dos caras.
5.3.
DISTRIBUCIN HIPERGEOMTRICA
Sea E una poblacin finita cuyos elementos son de dos tipos: el A o el A . El nmero
de veces que aparece el suceso A al realizar n extracciones sin reemplazamiento, se
denomina v.a. hipergeomtrica y se representa por:
X H(N,n, p)
Por ejemplo, supongamos un lote de N piezas, de las cuales hay N 1
defectuosas y N 2 correctas. Si tomamos n piezas al azar del lote y contamos el
nmero de piezas defectuosas que aparecen de entre esas "n", dicho nmero se
denomina variable hipergeomtrica.
-123-
n-
N1
N2
N 1 N 2
P(X = ) = n -
N1 + N 2
E(X) = np
y que su varianza es:
2
D (x) = npq.
N -n
N -1
N
10
n
la variable hipergeomtrica se aproxima a la binomial B(n,p). Es decir, las
extracciones sin reemplazamiento equivalen a extracciones con reemplazamiento, ya
-124-
Actividad 5.2:
Probabilidad de que al extraer al azar 3 cartas de una baraja de 40 cartas, dos de
ellas sean oros.
5.4.
DISTRIBUCIN DE POISSON
n.p = .
Para obtener la funcin de probabilidad de la v.a. de Poisson, partimos de la
frmula de la binomial, y hacemos tender el lmite para cuando n y p 0 , as:
n
P(X = ) = p (1 - p )n- =
n!
n(n - 1)...(n - + 1)
n -
n -
=
p (1 - p ) =
p (1 - p )
! (n - )!
!
Haciendo tender n , p 0, q 1 , y queda
-
.
P(X = ) = e
!
La media es
E(X) = 1 =
y la varianza es
-125-
2
2
2
2
D (X) = 2 - 1 = + - =
- t
e ( t )
P( X t = ) =
!
Actividad 5.3:
o
5.5.
En una fbrica donde hay muchas mquinas se sabe que por trmino medio se
averan 2 al da. Se pide:
o
De una determinada pliza de seguros se sabe que reclaman por trmino medio 4 al
mes. Si por cada pliza hay que indemnizar con 1000, cunto dinero tenemos que
preparar para poder pagar al final del mes con una probabilidad del 95%?
DISTRIBUCIN BINOMIAL-NEGATIVA
El nmero de veces que hay que repetir un experimento aleatorio hasta que aparece
"r" veces el suceso A de probabilidad p, se llama variable aleatoria binomial
negativa, y se representa por:
X BN(r, p)
La funcin de probabilidad P(X = ) , se calcula pensando que para que en la
repeticin nmero haya aparecido el suceso A "r" veces, en los - 1 primeros
tiene que haber aparecido de cualquier forma r-1 veces el suceso A, y en la repeticin
el suceso A, de aqu:
-126-
- 1 r -1 -r
- 1 r -r
p q .p =
p q
P(X = ) =
r
1
r
1
E(X) =
r
p
y su varianza
2
D (X) =
rq
2
p
E ( x)
1
p
D2 ( X )
p
q2
Actividad 5.4:
Cuntas veces, por trmino medio, hemos de tirar un dado para que salga por
primera vez el 1?
Cuntas veces por trmino medio hemos de tirar un dado para que salga por
segundo vez el 1?
5.6.
DISTRIBUCIN MULTINOMIAL
nmero de veces que aparece el suceso A1, x2 el nmero a veces que aparece el
suceso A2, y xk el nmero de veces que aparece el suceso Ak, al repetir n veces el
experimento aleatorio,
La variable k-dimensional (x1, x2, ...,xk) recibe el nombre de variable aleatoria
multinomial, con funcin de probabilidad,
P( x1 1 ; x2 2 ;...; xk k )
n!
p11 p2 2 pk k
1! 2 ! ... k !
1 2 3 .... k n
p1 p2 p3 ... pk 1
Cuando k=2 se trata de la variable binomial, que tal como dice el nombre cuenta
dos sucesos aleatorios.
El valor medio de cada marginal viene dado por:
E ( xi ) npi
La variancia de cada marginal es:
D 2 ( xi ) npi qi
La covariancia (mide la relacin lineal que hay entre dos variables) entre dos
marginales es:
cov( xi , x j ) npi p j
Por ejemplo, si lanzamos n veces un dado, la variable aleatoria que cuenta el
nmero de 1's, 2's, 3's, 4's, 5's y 6's, es una variable aleatoria multinomial.
Actividad 5.5:
-128-
5.7.
PROBLEMAS PROPUESTOS
5.7.1.- Si X es la variable aleatoria nmero de veces que hay que lanzar un dado
hasta obtener por primera vez un seis, determinar su valor medio.
Solucin: 6
5.7.2.- Un interruptor debe ser reemplazado despus del primer fallo. La probabilidad
de que funcione adecuadamente en cualquier utilizacin es 0,995. Si X indica el
nmero de veces que el interruptor ha funcionado correctamente hasta su
reemplazamiento, calcular su valor medio y su varianza.
Solucin: E(X) = 199 Var(X) = 39800
b) 6
soliciten?
Solucin: 0,0003
N MEDIO DE REPARACIONES
EN UNA SEMANA
motor
1 = 2.0
diseo
2 = 0.5
hidrulica
3 = 1.3
tren de aterrizaje
4 = 0.2
5.7.7.- Los fallos de fluido elctrico en una estacin de trabajo siguen una distribucin
de Poisson y tienen un promedio de 1,5 fallos al mes.
a) Cul es el nmero de fallos esperado en un ao?
b) Cul es la probabilidad de que se produzcan ms de 20 fallos en un ao?
c) Cul es la probabilidad de que el prximo fallo ocurra antes de 2 meses?
d) Cul es la probabilidad de que ocurra antes de tres meses pero no antes de
2 meses?
Solucin: a) 18 b) 0,2776 c) 0,9502 d) 0,0387
5.7.8.- Las mquinas de 5 fbricas diferentes se rompen con una frecuencia media de
-130-
1.2, 3.2, 0.7, 3.5 y 2.4 veces al da. Los procesos de rotura en los diferentes sitios son
independientes, y cada proceso se asume que satisface las condiciones de un
experimento de Poisson:
a) Cul es la probabilidad de que el nmero total de roturas en un da dado
exceda de 12 unidades?,
b) Despus de una rotura en cualquier fbrica cul es la probabilidad de que la
prxima rotura (sea cual sea la fbrica) ocurra en las dos horas siguientes?
Solucin: a) 0.3113 b) 0.60
4
x
x
4 x
Solucin: P( x) (0.2) (0.8)
5.7.11.- Una compaa de seguros, que cuenta con 10.000 asegurados, determina
que el 0,005% de la poblacin fallece cada ao de un cierto tipo de accidente:
a) Calcular la probabilidad de que la compaa de seguros tenga que pagar a los
beneficiarios de 3 o ms de los asegurados contra tal tipo de accidente en un
ao determinado.
b) Cul es el nmero de accidentes al ao por trmino medio?
Solucin: a) 0,0144 b) 0,5
-131-
5.7.13.- Una partida de bujas con alta proporcin de inservibles (20%) sale al
mercado en paquetes de 4 unidades y en cajas de 10 paquetes. Calcular la
probabilidad de que:
a) Elegido un paquete al azar contenga 2 o ms bujas inservibles.
b) Elegida una caja al azar contenga ms de 10 bujas inservibles.
c) Elegida una caja al azar contenga 3 paquetes sin bujas inservibles.
Solucin: a) 0'1808 b) 0'1608
c) 0'2062
5.7.15.- Una fbrica encuentra que el 20% de los diskettes que produce son
defectuosos. Si se eligen diez diskettes al azar de un lote, hallar la probabilidad de
que:
a) Hayan exactamente dos defectuosos.
b) Que dos o ms sean defectuosos.
Solucin: a) 0.3 b) 0.62419
-132-
5.7.20.- En una fbrica el nmero de accidentes por semana sigue una distribucin
de Poisson de parmetro =2. Se pide:
a) Probabilidad de que en una semana haya algn accidente
b) Probabilidad de que hayan 4 accidentes en el transcurso de 2 semanas
c) Probabilidad de que hayan 2 accidentes en una semana y otros 2 en la
siguiente
d) Es lunes, y ya ha habido un accidente. Calcular la probabilidad de que en esa
semana no haya ms de tres accidentes.
-133-
-134-
5.7.24.- De un paquete de bolgrafos en los que hay un 18% que no funcionan, cul
es la probabilidad de tener que probar 6 de ellos hasta encontrar 3 que funcionen?.
a) 0.0116
b) 0.0326
c) 0.0097
d) 0.0177
5.7.25.- El nmero medio de defectos por metro cuadrado de una superficie cermica
es de 0.29, cul es la probabilidad de que una superficie de 50 m 2 encontremos 12
o mas defectos?
a) 0.9389
b) 0.2911
c) 0.8200
d) 0.7799
-135-
a) 8
b) 7
c) 5
d) 3
-136-
Solucin: 0.12
b)
c)
5.7.33.- Si de cada 200 diskettes hay uno con virus, cuntos discos debemos
verificar para tener una probabilidad de 0.85 de encontrar al menos uno con virus?
Solucin: 379
superior al 99%?
Solucin: a) X= B(3000, 0.005) , N(15, 3.863) b) 2976 unidades
5.7.37.- Una determinada normativa oficial exige que para unos envos de disquetes,
el porcentaje de defectuosos no puede exceder del 10%; con el fin de controlar el
cumplimiento de dicho requisito un servicio de control inspecciona cada partida
seleccionando N disquetes al azar y rechazando el envo si encuentra ms de 2
defectuosos.
a) Calcular cunto debe valer N para que la probabilidad de aceptar un envo
que no satisfaga el requisito de calidad exigido sea inferior al 5 %.
b) Los disquetes se agrupan en cajas de 10 unidades que se envan en
paquetes de 50 cajas. Una caja se considera defectuosa si tiene ms de 1
disquete defectuoso. Si un envo tiene un 10% de disquetes defectuosos cul
es la probabilidad de que un paquete no tenga ninguna caja defectuosa? (definir
-138-
5.7.38.- Para controlar la calidad de las partidas de cierto tipo de piezas que se
reciben en una factora se utiliza el siguiente plan de muestreo en dos etapas:
1 - Se toma una primera muestra de 50 piezas. La partida se acepta si todas las
piezas resultan correctas y se rechaza si hay ms de 2 defectuosas.
2- En el resto de los casos se toma una muestra de otras 50 piezas,
aceptndose definitivamente la partida si en el total de las dos muestras hay
menos de 3 piezas defectuosas y rechazndose en el caso contrario.
a) Qu probabilidad tiene el plan anterior de aceptar una partida que tenga un
1% de piezas defectuosas?.
b) Si todas las partidas que llegan a la factora tienen un 1% de piezas
defectuosas, en promedio qu nmero de piezas se examinarn por partida?
Solucin: a) 0.9285 b) 69.04 unidades revisadas
5.7.39.- Se sabe que una mecangrafa comete en promedio un error cada 1000
caracteres tecleados. Calcular la probabilidad de que en un escrito que contiene 3000
letras haya ms de dos errores.
Solucin: 0.577
5.7.40.- Una pea juega a las quinielas 1000 boletos cada semana manteniendo 6
partidos fijos rellenando al azar los resultados (1, X 2) de los 8 restantes.
Supongamos que la pea acierta siempre los resultados de los 6 fijos:
a) Cmo se distribuye la variable aleatoria X: nmero de aciertos en una
quiniela?
b) Un boleto resulta premiado si ha acertado al menos 12 resultados, cmo se
distribuye la variable aleatoria Y: nmero de boletos premiados obtenidos en una
semana?
c) La pea juega todos los aos de la forma indicada las 40 jornadas en las que
hay quinielas, cmo se distribuye la variable aleatoria Z: nmero de semanas
en que la pea obtiene algn premio a lo largo del ao? (definir tambin la
poblacin y sucesos de estudio en todos los casos, y no considerar el partido del
-139-
5.7.41.- Un campo de naranjos es atacado por una plaga de mosca del Mediterrneo
y se sabe que cada mosca deposita sus huevos (es decir "pica") en una sola naranja.
Suponiendo que en el huerto hay 200.000 naranjas y que es atacado por 50.000
moscas
a) Cul es la probabilidad de que una naranja tenga ms de una picada?.
b) Si las naranjas del huerto se vendieran en bolsas de 10 unidades cul sera
la probabilidad de que hubiera 10 naranjas sanas en la bolsa? (definir las
poblaciones y variables aleatorias de estudio en cada caso, as como los
supuestos para las que estn justificadas las distribuciones propuestas).
Solucin: a) 0.0265 b) 0.082
5.7.42.- Se sabe que el 1 por mil de las ostras que se encuentran en determinada
zona tiene una perla en su interior. Para hacer una determinada joya se precisan 5
ostras. cul es el nmero mnimo de ostras que hay que coger si se desea tener una
probabilidad superior al 95% de reunir las 5 perlas necesarias?.
Solucin: 9000 ostras
-140-
Solucin: 21.57
5.7.45.- Para poder aceptar las partidas de diskettes que ofrece un nuevo proveedor,
una multinacional exige que el porcentaje de diskettes con algn sector defectuoso
no puede exceder el 2.5%.
Con el fin de controlar el cumplimiento de este requisito, un servicio de control en
recepcin inspecciona cada envo, seleccionando N diskettes al azar y rechazando
dicho envo si encuentra ms de dos diskettes defectuosos.
a) Calcular cunto debe valer N para que la probabilidad de aceptar un envo
que no satisfaga el requisito exigido sea inferior al 5%. (Utilizar aproximacin de
Poisson).
b) Los diskettes se comercializan en paquetes de 10 unidades, y a su vez los
paquetes se envan en cajas de 15 paquetes cada una. Un paquete se considera
-141-
b3)
Cul es la probabilidad de que una caja no tenga ningn paquete
defectuoso?
Solucin: a) N>248 b3) 0.044
5.7.46.- Un canal binario simtrico transmite los dgitos 0 y 1. Se supone que hay una
probabilidad de 0,2 de que al transmitir uno de los nmeros se reciba otro a causa de
ruidos o perturbaciones. supongamos que se enva un mensaje importante y para
transmitir "0" enviamos "000" y anlogamente para "1" enviamos "111". Se supone
que el receptor al traducir la seal recibida utiliza la regla de la mayora.
Ejemplo:
Si se recibe "110" se traduce como 1
Si se recibe "010" se traduce como 0
... ... ...
Cul es la probabilidad de que al traducir una seal sea errnea?
Solucin: 10.4%
-142-
5.8.
SOLUCIN
a) Llamando a X= nmero de roscas de mtrica 6, sta sigue una distribucin
binomial de parmetros,
X B(n 10;
2500
) B(10; 0,5)
5000
La probabilidad pedida es
10
P( X 5) 0,55 0,55 2520,510 0,2461
5
b) Llamando ahora a X= nmero de roscas de mtrica 5, sta sigue una distribucin
binomial de parmetros,
X B(n 100;
150
) B(100; 0,03)
5000
Y esta distribucin, como n>30 y p<0,1 y np<5, se puede aproximar a una distribucin
de Poisson de parmetros Ps( 3) . La probabilidad pedida es,
-143-
7 1
0,5 4 (1 0,5)7 4 200,57 0,1563
P( X 7)
4 1
P( X 1 0, X 2 5, X 3 5)
10!
0,030 0,55 0,475 0,1806
0! 5! 5!
P( Ps (0,03n) 4) 0,10
Buscando en las tablas se tiene que 0,03n 8 de donde,
8
266,67 267
0,03
5.8.2.a) En la empresa FORD ESPAA S.A. se lleva a cabo el control de calidad del
proceso de imprimacin de las carroceras contando los defectos de todo tipo
(rayas, manchas, pelusas, crteres,) que aparecen en las carroceras antes
-144-
-145-
a) Cuntos operarios tendr que contratar como mnimo para asegurarse que,
con una probabilidad del 95%, todas las unidades que llegan en un da
cualquiera sern procesadas? (1.25 puntos)
a=9
y su valor medio
E(X)=r/P= 1/0,03=33,33
E(X)=r/P= 2/0,03=66,66
-146-
15
La P( X 1) 0,051 (1 0,05)14 0,3658
1
b) El nmero de llamadas hasta obtener 10 con una duracin inferior a 10 ser una
variable X=BN(r=10;P=0,95)
y su valor medio E(X)=r/P=10/0,95=10,526
-147-
-148-
Contenido
6.1.
DISTRIBUCIN UNIFORME ................................................................... 149
6.2.
DISTRIBUCIN EXPONENCIAL ............................................................. 150
Tasa de fallos .................................................................................................. 152
6.3.
DISTRIBUCIN NORMAL UNIDIMENSIONAL ....................................... 154
6.3.1. Variable normal tipificada ...................................................................... 155
6.3.2. Variable normal general......................................................................... 158
6.3.3. Teorema central del lmite ..................................................................... 160
Aproximacin de la binomial a la normal ........................................................ 161
Aproximacin de la Poisson a la normal .......................................................... 162
Correccin por continuidad.............................................................................. 163
6.4.
LA DISTRIBUCIN NORMAL BIDIMENSIONAL ..................................... 165
Distribuciones marginales ............................................................................... 166
Distribuciones condicionales ........................................................................... 166
6.5. PROBLEMAS PROPUESTOS .................................................................... 169
Distribucin uniforme....................................................................................... 169
Distribucin exponencial.................................................................................. 170
Distribucin Normal ......................................................................................... 172
Distribuciones bidimensionales ....................................................................... 182
6.6. PROBLEMAS Y CUESTIONES DE EXMENES ........................................ 185
6.1.
DISTRIBUCIN UNIFORME
fx(x)
-149-
El valor de la altura de la funcin de densidad tiene que ser de tal forma que el rea
bajo dicha funcin y el eje de abscisas sea la unidad. De aqu que la funcin de
densidad sea,
f(x)
1
ba
F ( x ) f ( x )dx x
1
xa
dx
ba
ba
E( X ) x f ( x )dx
1
1 x2
b2 a2
ba
x
dx
ba
b a 2 a 2( b a )
2
D 2 ( X ) E( X m x ) 2 E( X 2 ) E( X )
2
( b a )2
12
Actividad 6.1:
A partir de un valor al azar entre 0 y 1, obtener un valor al azar de una
uniforme entre 1 y 6.
6.2.
DISTRIBUCIN EXPONENCIAL
E(X) =
2
D (X) =
fX(x)
1/
2/
3/
4/
5/
6/
FX(x)
1
1/
2/
3/
4/
5/
6/
P(X(t) = ) =
- t
e .( t )
!
suceso, se cumple que ese tiempo ser mayor que uno en concreto "t", siempre y
cuando de o a t, no haya ocurrido nada, esto es:
0
- t
e .( t )
= e-t
0!
Actividad 6.2:
A partir de un valor al azar de una uniforme entre 0 y 1, obtener un valor al
azar de una exponencial de media 20.
Cul es la probabilidad de obtener un valor menor que la media de una
distribucin exponencial?
Cunto vale la mediana de una distribucin exponencial de media 20?
Tasa de fallos
Se trata del nmero de fallos por unidad de tiempo que tiene lugar en una poblacin
de muchos elementos. Matemticamente se define como un lmite de la probabilidad
que un elemento falle en el intervalo de t a t+t, cuando sabemos que el elemento
estaba funcionando en el instante t, todo eso dividido por incremento de t y cuando
este incremento tiende a cero. La expresin que resulta es:
-152-
h(t)=
Tasa de fallos
(funcin de azar)
precoces
accidentales
fatiga
t=tiempo
Figura 6. 4. Tasa de fallos
A esta curva se llama curva en baera. En ella se distinguen claramente tres zonas:
1. Zona A, de fallos precoces o infantiles. Es la etapa de fallos en garanta. Al
principio hay muchos elementos que fallan y poco a poco va decreciendo la
velocidad de fallos.
2. Zona B, de fallos accidentales. Los fallos en esta etapa son accidentales o
debidos al azar. Es la etapa de madurez o periodo de vida til y la tasa de
fallos h(t) es constante en el tiempo.
3. Zona C, de fallos por envejecimiento. A partir de una determinada edad
aparecen fallos por desgaste o envejecimiento de los elementos.
La distribucin exponencial es representativa de los fallos accidentales, donde h(t)
es constante. As, para la distribucin exponencial la tasa de fallo es:
-153-
6.3.
-154-
f(x) =
1
2
fZ(z)
-3
-2
-1
El rea que hay bajo la curva f(x), la cual tiene forma de campana, y la recta
real vale la unidad.
+
f(x)dx = 1
f(x) = f(-x)
3) Tiene un mximo en el punto x=0.
4) Para x < 0 es creciente y para x > 0 es decreciente.
5) En x = -1 y x = +1 hay puntos de inflexin, y es cncava para | x |> 1 , y convexa
en aquellos puntos en que | x |< 1 .
Todas estas propiedades corroboran la forma de campana que tiene la
funcin de densidad.
La media es y la varianza son:
E(X)= 1 = 0
6826%
9544%
9973%
-3
-2
-1
+1
+2 +3
F(x) =
1 - 1 x2
e 2 dx
2
fZ(z)
FZ(z)
-3
-2
-1
fZ(z)
-3
-2
-1
1 z
f(x)dx =
f(x)dx = 1 -
Actividad 6.3:
Calcular las siguientes probabilidades de una normal tipificada:
o P(Z<1)
-157-
o
o
o
P(Z>2)
P(-1<Z<+1)
P(-1.25<Z<2.37)
Z0.90
Y = aX + b
resulta la distribucin normal general, cuyo campo de existencia es toda la recta real.
El valor medio de Y es,
de donde "a" puede ser positivo o negativo, pero su mdulo coincide con la
desviacin tpica de y, as:
Y X
esto es
| a |=
La variable Y se representa por Y N(; ) , ya que conociendo y
conocemos todas sus caractersticas.
La funcin de densidad de Y es, a partir de la frmula del cambio de variable,
f y (y) = f x (x(y))
x=
-158-
dx
1
= f x (x(y))
dy
dy
dx
y-
| |
despejando x,
f y (y) =
1 (y - )2
e2
1 (y - )2
1
1
=
e 2 2
| a | 2
F(y) =
1
2
1 y-
-
dy
Como para cada valor de y habra que tener una tablas con todas las
reas a la izquierda, lo que se hace es tipificar la variable y calcular el rea de la
normal tipificada. "Tipificar" o "estandarizar" una variable significa restar su valor
medio y dividirla por la desviacin tpica. As,
Y - a -
P(Y a) = P
y la variable
Y-
tiene una distribucin N(0;1) , por lo tanto:
a-
a-
P(Y a) = P N(0;1)
=
Actividad 6.4:
De una variable aleatoria normal de media 15 y desviacin tpica 1.5, calcular
las siguientes probabilidades:
P(Y<16)
P(Y>12.5)
P(12<Y<17)
su vez otra distribucin normal. Esto es, si X 1 , X 2 ,..., X n son v.a. normales
Xi N(i ; i) , e independientes,
Y = a1 X 1 + a2 X 2 + ....+ an X n
entonces Y sigue una distribucin normal con
y = a1 1 + a2 2 + ...+ an n
2 2
2 2
2 2
2
D (Y) = a1 1 + a2 2 + ....+ an n
Sn =
Y - i
n
2
i
i=1
-160-
D(Y) = n
De aqu que:
Sn =
Y - n
Y B(n, p) Y = X 1 + X 2 + ....+ X n
2
X i D(p) E( X i ) = p D ( X i ) = pq
Sn =
Y - np
N(0;1)
npq
-161-
Distribucin Binomial
0,4
B(10,01)
B(40,02)
0,3
PX(x)
0,2
0,1
0
10
x
20
Y PS( ) ; Y = X 1 + X 2 + ... X
2
X i PS(1) ; E( X i ) = 1 ; D ( X i ) = 1
cuando
Sn =
Y - 1
1
y-
N(0;1)
lo cual es equivalente a
PS( ) - - - - - - - - - -- > N( , )
La aproximacin es bastante buena a partir de > 5 .
-162-
Distribucin de Poisson
0,3
Ps(10)
Ps(2)
0,25
0,2
PX(x)
0,15
0,1
0,05
0
0
10
15
20
25
x
Figura 6. 8. Aproximacin de la Poisson a la Normal
e88c
1 0 ,8159 0 ,1841
c!
c 0
10
P( X 10 ) 1 P( X 10 ) 1
10 8
P( X 10 ) P Z
P( Z 0 ,7071 ) 0 ,2398
8
-163-
Histogram for X
16
Error sin la correccin por continuidad
12
frequency
10,5
8
0
9 10 11
X
10,5 8
P( Z 0,8839) 0,1884
P( X 10) P( X 10,5) P Z
8
Y esto es mucho mejor aproximacin al valor exacto de 0,1841 que sin hacer
esta correccin por continuidad.
De esta forma, si el rea pedida hubiera sido,
P(a X b)
Al pasar a una variable continua, y teniendo en cuenta que las desigualdades
puede ser estrictas o no, para el caso anterior la correccin por continuidad es,
-164-
P(a<X<b)
10
11
P(X=10)
9,5 10,5
Figura 6. 10. Correccin por continuidad
6.4.
f(y) =
1
- (y - ) V -1(y - )
e2
n
1/2
2 | det V |
1 = E( y1 ) = b1
2 = E( y 2 ) = b2
y la matriz V de varianzas-covarianzas es:
11 12
V=
12 22
Calculando la inversa de V y el determinante de V , la funcin de densidad
bidimensional es:
f( y1 , y 2 ) =
1
2 1 2 1 - 2
y - 2
y - y - y -
1
1 1 - 2 1 1 2 2 + 2 2
2
2(1- ) 1
1 2 2
-165-
f(y1,y2)
y2
y1
Figura 6. 11. Distribucin normal bidimensional
Distribuciones marginales
Las distribuciones marginales siguen otra distribucin normal, es decir,
Y 1 N( 1 ; 1 ) e Y 2 N( 2 , 2 )
Hay que pensar que la proyeccin de la campana de Gauss sobre cualquiera
de los planos de Y 1 Y 2 define otra campana de Gauss.
Distribuciones condicionales
Dada la campana de Gauss en tres dimensiones, si efectuamos un corte infinitesimal,
la forma que tiene la distribucin de masas es otra campana de Gauss. La funcin de
densidad condicional de Y 2 sabiendo un valor de y1 es:
-166-
f c ( y 2 / y1 ) =
f( y 2 , y1 )
f( y1 )
f c ( y 2 / y1 ) =
1
2
2 1-
2
y 2 - 2 + ( y1 - 1 )
1
1
exp -
2
2
2
2 1-
2 ( y - );
2
Y 2 / y1 N 2 +
1 1 2 1 -
1
2
Y 1 / y 2 N 1 + ( y 2 - 2 ); 1 1 -
2
-167-
f(y1,y2)
y2
y1
f(y2 / y1)
y2
E(Y2 / y1)
y1
Figura 6.12. Distribucin condicional de Y2 dado y1.
-168-
f(y1 / y2)
y2
E(y1/ y2)
y1
Figura 6.13. Distribucin condicional de Y1 dado y2
Distribucin uniforme
6.5.1.
Se ha desarrollado un programa de simulacin para una determinada
investigacin que tarda en ejecutarse entre 10 y 30 segundos, siguiendo una
distribucin uniforme. Qu nmero mximo de simulaciones se pueden hacer
para que la probabilidad de tardar ms de 45 minutos sea inferior a 1.5% ?
Solucin: 127
6.5.2.
La venta diaria de una fbrica de montaje de ordenadores se adapta a
una distribucin uniforme entre 20 y 40 unidades.
a) Despus de transcurridos 182 das de venta, cul es la probabilidad de
haber vendido ms de 5.600 ordenadores, suponiendo las ventas
independientes de un da para otro?.
b) Cuntos das de venta debemos considerar para asegurar, con un 67% de
probabilidad, la venta de ms de 6.000 unidades?
Solucin: a) 0.036
b) ms de 202 das
6.5.3.
El tiempo que tarda un programa en ejecutar un determinado
procedimiento sigue un modelo uniforme de 0 a 12 milisegundos. Calcula:
-169-
b) 3 y 9
Distribucin exponencial
6.5.4.
La distribucin exponencial se utiliza a menudo para modelizar la
duracin de un sistema. En este caso, la variable X indica el tiempo que funciona
el sistema antes de fallar. Si la duracin de un sistema, en aos, sigue una
distribucin exponencial de media E(X)=6 meses:
a) cul ser la funcin de densidad de la variable aleatoria X?
b) Y la desviacin tpica?
c) cul ser la probabilidad de que el sistema funcione por lo menos durante 1
ao?
Solucin: b) =1/2 c) 0.1353
6.5.5.
Si el tiempo de vida de una mquina sigue una distribucin exponencial,
siendo el tiempo medio entre fallos (MTBF) de 200 horas Cual es la
probabilidad de que transcurran ms de 200 horas sin que se produzca una
avera?
Solucin: 0'37
6.5.6.
Se ha comprobado que la vida de un diseo de un sistema informtico
sigue una distribucin exponencial con media de 8 aos (sin que se modifique
substancialmente el diseo). Se pide:
a) Calcular la probabilidad de que un diseo tenga una vida entre 3 y 12 aos.
b) La probabilidad de que un diseo que ha vivido sin modificarse ms de 10
aos, perdure 15 aos ms.
Solucin: a) 0,47 b) 0,15335
6.5.7.
Una empresa de fabricacin de carcasas de ordenador, tiene tres plantas
de proceso, y todas reciben planchas de metal para cortar y confeccionar las
carcasas (en kg.). La cantidad de Kg. de plancha de metal que puede procesar
una planta en un da se puede representar mediante una funcin exponencial
con un promedio de 4 (en miles de Kg.), para cada una de las tres plantas. Si las
plantas trabajan de forma independiente, calcular la probabilidad de que sean
exactamente dos de las tres plantas las que procesen ms de 4 (miles de Kg.) en
-170-
un da determinado.
Solucin: 0.26
6.5.8.
La duracin X de unos componentes electrnicos flucta aleatoriamente,
verificndose que Prob(X>x)= e-x. Se sabe que las componentes duran en
promedio 400 horas de funcionamiento. Qu porcentajes de las componentes
duran ms de 400 horas?
Solucin: 0.37
6.5.9.
La probabilidad de que la vida de unos componentes electrnicos sea
superior a t, decrece exponencialmente a medida que aumenta dicho parmetro,
fluctuando aleatoriamente, verificndose que P( V > t )=e -t. Se sabe que en el
50% de los casos la vida no sobrepasa 100 horas de funcionamiento.
Calcular la probabilidad de que con dos componentes, la vida del conjunto
sobrepase 100 horas:
a) Situados en paralelo.
b) Situados en serie.
Solucin: a) 0.75
b) 0.25
6.5.10.
En el servicio tcnico de mantenimiento y reparacin de una compaa
de ordenadores, el tiempo en horas que transcurre entre dos avisos consecutivos
de avera sigue una distribucin exponencial con media de un cuarto de hora, en
cualquier momento del da. Se pide :
a) Probabilidad de que si a las diez y media se recibe una llamada de aviso, la
prxima se reciba despus de las 11h.
b) Cul es el nmero mximo de avisos que se recibirn entre las once y media
y las trece horas con una probabilidad del 98%?
Solucin: a) 0,1353
b) Aprox. 11 avisos.
6.5.11.
El personal de una empresa de ingeniera usa un terminal para realizar
clculos tcnicos. El tiempo que cada tcnico emplea en una sesin es en
promedio 20 minutos. (Asumiendo que dicho tiempo sigue una distribucin
exponencial con f ( x ) ex ;x>0).
a) Calcular la probabilidad de que un tcnico emplee menos de 20 minutos en su
sesin.
-171-
b) Cuando un tcnico va a usar el terminal, encuentra que est ocupado por otro
que lleva ya media hora. Cul es la probabilidad de que tenga que esperar
ms de 10 minutos antes de que quede libre?
c) Sabiendo que una maana deben realizarse 10 sesiones en el terminal (cada
una de las cuales empieza nada ms terminar la anterior), calcular
aproximadamente la probabilidad de que todas ellas puedan finalizarse a lo
largo de las 4 horas de la jornada de la maana.
Solucin: a) 0.6321 b) P(X>10) c) 0.7364
6.5.12.
Un dispositivo est formado por dos componentes electrnicos iguales A
y B montados en serie. La duracin en horas de funcionamiento de dichos
componentes flucta aleatoriamente siguiendo una distribucin exponencial de
parmetro z. Si por motivos de seguridad es necesario que el dispositivo tenga
una fiabilidad del 99.4% a las t horas de funcionamiento, qu fiabilidad se
requiere a las t horas para cada uno de los dos componentes?
Solucin: 0.997
6.5.13.
La duracin de un determinado componente electrnico sigue una
distribucin exponencial de media 1000 horas. Un componente de este tipo lleva
funcionando 300 horas. Cul es la probabilidad de que siga funcionando
durante ms de 700 horas adicionales?
Solucin: 0.496
Distribucin Normal
6.5.14.
a)
b)
c)
d)
e)
6.5.15.
a) P(1 X 8)
-172-
b) P(X 1)
c) P(X -1)
Solucin: a) 0.9104 b) 0.0228 c) 0.00135.
6.5.16.
Los lmites medios de tolerancia de un interruptor son 400,5 amperios.
Si un interruptor se dispara a una intensidad menor de 39,5 o mayor de 40,5 se
considera defectuoso. Si los puntos de ruptura de los interruptores de una partida
se distribuyen normalmente con media 39,5 y desviacin tpica 0,2, cul ser el
porcentaje de interruptores defectuosos en esa partida?
Solucin: 0,5
6.5.17.
En la produccin de piezas para un motor de combustin interna, los
pesos presentan bastante dispersin. Una dispersin demasiado grande
provoca un mal funcionamiento. Supongamos que un fabricante concreto desea
rechazar el 3% de los cojinetes de menor peso y el 3% de los cojinetes de mayor
peso. Si el peso medio es 4,72 Kg, la desviacin tpica es 0,006 kg y la
distribucin de los pesos es normal, determinar el peso mximo y el peso mnimo
para que una pieza sea aceptada.
Solucin: 4.7087 y 4.7313
6.5.18.
Se admite que los pesos, expresados en kilogramos, de los jvenes
varones de un cierto grupo, se distribuyen segn una ley normal N(69, 6). Se
desea poder afirmar que la probabilidad de que el peso X de un joven, tomado al
azar de ese grupo, sea mayor que una cantidad L es 0.9. Calcular L.
Solucin: 61.29
6.5.19.
Los coeficientes intelectuales de los alumnos de un colegio siguen la ley
normal y se sabe que P(X>1.4)=0.1056 y P(X>1)=0.4013. Calcular los
parmetros de la distribucin.
Solucin: N=0.9 a=0.4
6.5.20.
Dada una variable aleatoria normal X tal que P(X15)=0.1 y
P(X20)=0.95, calcular:
a) P(X13)
b) un valor a tal que P(Xa)=0.05
c) un valor b tal que P(X>b)=0.5.
-173-
6.5.21.
La seal recibida por la pantalla de un ordenador se considera apta si la
desviacin del voltaje observado respecto del terico no es mayor de 10 voltios.
Las desviaciones observadas obedecen a una ley normal de media 0 y
desviacin tpica 5. Calcular que porcentaje de seales recibidas por la pantalla
se consideran aptas.
Solucin: 97,7%
6.5.22.
En un sistema binario, la informacin se representa mediante seales
elctricas (por ejemplo voltaje). Un voltaje representa el bit 0 y otro el bit 1.
Supongamos que deseamos representar los bits 0 y 1 por los voltajes 2 y 3
respectivamente. Debido a las fluctuaciones del voltaje en un circuito, la terminal
de entrada de un circuito digital no siempre recibe el voltaje destinado ya que es
frecuentemente distorsionada debido a ruidos en el canal. Muy a menudo, el
ruido se modela como una variable aleatoria distribuida normalmente y se
denomina ruido Gaussiano. Si el ruido es Gaussiano con media N=0 y desviacin
tpica a=0,22, y la terminal de entrada reconoce el bit 0 si el voltaje recibido es
menor de 2,6 y el bit 1 si el voltaje recibido es mayor o igual que 2,6, calcular la
probabilidad de que el receptor reconozca:
a) un 1 cuando se ha transmitido un 0
b) un 0 cuando se ha transmitido un 1.
Solucin: 0.0032 0.0344
6.5.23.
El tiempo medio de CPU necesario para la ejecucin de una clase de
programas en un ordenador central es 2,52 minutos y la desviacin tpica es 0,37
minutos. Si el tiempo de ejecucin se distribuye normalmente, Cul es la
probabilidad de que un programa seleccionado aleatoriamente requiera entre 2
y 4 minutos de CPU? cul es la probabilidad de que la diferencia en valor
absoluto entre el tiempo de ejecucin y la media sea menor o igual que 1
minuto?
Solucin: 0.92 0.9931
6.5.24.
El nivel de decibelios de un escape averiado sigue una distribucin
normal con media 90.4 decibelios y varianza 5.8 decibelios2 . Si se toma el valor
medio de dos medidas, en lugar de una medida nica cul ser su distribucin?
qu sucede a la varianza cuando se promedian dos medidas, en lugar de tomar
una nica?.
Solucin: N(90'4,1'70)
-174-
6.5.25.
Un ingeniero de proyectos que est colaborando en el diseo de una
refinera petroqumica. Se deben realizar cuatro actividades secuencialmente y
sin solapamiento. Las duraciones de las actividades se supone que son
variable aleatoria independientes normalmente distribuidas:
ACTIVIDAD
MEDIA
DESVIACIN TPICA
50 das
5 das
20 das
3 das
70 das
10 das
40 das
4 das
6.5.26.
Los dimetros de los ejes fabricados para una determinada aplicacin
estn distribuidos normalmente con una media de 3'810 cm y una desviacin
tpica de 0'051. Las arandelas de los ejes tienen dimetros interiores que estn
normalmente distribuidos con una media de 3'942 cm y una desviacin tpica de
0'025. Dados un eje y una arandela seleccionados al azar, cul es la
probabilidad de que el eje no entre en la arandela?
Solucin: 0'0102
6.5.27.
El peso neto de un paquete es una variable aleatoria N(20,2) y el del
envase es una variable aleatoria N(1, 0'2). Colocamos 13 de estos paquetes
sobre un soporte de madera que pesa 50 Kg. Cul es la probabilidad de que al
ponerlos en un montacargas cuya carga lmite es de 300 Kg. este no arranque?
Solucin: 0'9990.
6.5.28.
Los dimetros de los tornillos de una caja, medidos en cm siguen una
distribucin N(2,0'03) y los dimetros interiores de las tuercas de otra caja siguen
una distribucin N(2'02, 0'04). Un tornillo y una tuerca ajustarn si el dimetro
interior de la tuerca es mayor que el dimetro del tornillo y la diferencia entre
estos dimetros no es mayor de 0'05 cm. Si se seleccionan al azar un tornillo y
una tuerca cul es la probabilidad de que ajusten?
Solucin: 0'3811
6.5.29.
6.5.30.
La dimensin principal de cierta pieza producida en una fbrica se
distribuye normalmente con media 150 y varianza 0,16. Se sabe que las piezas
son aceptables si la longitud se halla comprendida entre 149.2 y 150.4. Calcular
la probabilidad de que al menos el 90% de las piezas de un lote sean correctas:
a) En el caso de que el tamao del lote sea 10.
b) En el caso de que sea 100.
Solucin: a) 0.4342 b) 0.0239 (0.0178 sin aplicar la correccin por continuidad)
6.5.31.
La resistencia elctrica de las lmparas fabricadas segn un determinado
proceso, se distribuye normalmente con =2.000 y =200. Dichas lmparas se
empaquetan en lotes de 100 unidades. Una lmpara se considera defectuosa si
su resistencia es inferior a 1900 y un lote se considera de baja calidad si 20 o
ms lmparas son defectuosas. Calcular la probabilidad p de que un lote sea
defectuoso.
Solucin: 0'993
6.5.32.
Si el tiempo de vida de un componente elctrico sigue una distribucin
exponencial, siendo el tiempo medio entre fallos es de 100 horas. Calcular la
probabilidad de que transcurran ms de 200 horas sin averas.
a) 03679
b) 01353
c) 06065
d) 00183
6.5.33.
Una mquina fabrica piezas cuya longitud sigue una distribucin Normal.
La probabilidad de que una pieza tenga una longitud mayor que 10 cm es del
668%, y la probabilidad de que sea menor que 5 cm es del 1587%. Si una pieza
se considera correcta cuando su longitud se encuentra entre 3 y 12 cm. Calcular
el porcentaje de piezas defectuosas fabricadas por la mquina.
a) 00290
b) 01919
c) 00668
-176-
d) 01857
6.5.34.
El peso en vaco de una bombona de butano sigue una distribucin
normal de media 6 Kg y desviacin tpica 1 Kg. El peso del gas es una variable
normal e independiente de la anterior de media 13 Kg y desviacin tpica 15 Kg.
Si el butanero pesa 8694 Kg y el montacargas no soporta ms de 100 Kg.
Calcular la probabilidad de que el montacargas suba.
a) 00005
b) 00040
c) 00322
d) 00427
6.5.35.
HIJOS DE ILUMINADA S.A. es una empresa que se dedica a producir
bombillas. En una de sus lneas se fabrican bombillas de 40 Vatios y se
introducen en paquetes de 40 bombillas. El filamento de las mismas tiene una
resistencia con distribucin NORMAL N(605,1.18) ohmios, y una bombilla se
considera correcta cuando su resistencia esta situada entre los valores 607.86
y 600.96.Cul es la probabilidad de que elegido un paquete (de 40 bombillas)
al azar, contenga 2 ms bombillas defectuosas (por la resistencia)?
a)
b)
c)
d)
0.81142
0.00849
0.18858
0.04084
6.5.36.
Disponemos de un montacargas que soporta 100 Kg, y queremos
utilizarlo para que, en un 95% de las veces, pueda subir 3 paquetes de cemento.
Para su traslado, los paquetes son colocados sobre un palet de madera. El peso
individual de cada paquete tiene una distribucin normal N(20,0.5)Kg. Cul
debe ser el peso mximo del palet?
a)
b)
c)
d)
37.53
36.51
38.57
29.53
6.5.37.
Una determinada mquina fabrica lminas de acero cuyo espesor sigue
una distribucin normal N(0.1, 0.005) cm. La mquina se considera que funciona
mal, y por tanto se debe revisar, si al tomar una muestra, el espesor promedio de
las lminas es superior a 0.1041cm. Calcular el nmero de piezas que
deberemos tomar para que, cuando la mquina funcione bien, slo tengamos
que revisarla en un 5% de las veces.
a)
9
-177-
b)
c)
d)
6
4
8
6.5.38.
La media de una variable aleatoria normal que modeliza el tiempo de
ejecucin de un determinado algoritmo es de 5 veces la desviacin tpica. Se
cumple adems que P(X6)=0.84134. Calcular la media y la desviacin tpica.
Solucin: 5 y 1
6.5.39.
El tiempo de transmisin va modem de un fichero con una gran cantidad
de informacin, que se realiza semanalmente en una empresa (45 veces al ao),
se distribuye normalmente con una media de 168 seg. y una desviacin tpica de
5 seg. Calcular:
a) El nmero de veces con un tiempo de transmisin entre 165 y 175 seg.
b) El nmero de veces con un tiempo de transmisin mayor que 180 seg.
Solucin: a) 29 b) 0.369
6.5.40.
En un multiplexor de gran potencia, se pueden establecer 4600
conexiones por minuto. El nmero de conexiones por minuto se ha podido
estudiar, que es una variable aleatoria que sigue una distribucin de Poisson de
valor =4489. Calcular la probabilidad de que en un minuto el multiplexor est
saturado de llamadas.
Solucin: 0.0480
6.5.41.
Una empresa de fabricacin de mesas de ordenador, posee dos plantas
de produccin (A y B), en la planta A, la altura de las mesas fluctan con media
75 cm. y =1.2 cm, y en la planta B, la altura de las mesas fluctan con media 77
cm. y =0.9 cm. Suponiendo que ambas variables se distribuyen normalmente,
determinar la probabilidad de que al seleccionar al azar una mesa de la planta A
y otra de la planta B, resulte la mesa de la planta A mas alta que la de la planta
B.
Solucin: 0.0918
6.5.42.
La dimensin de un determinado componente electrnico (para
incorporarlo en la placa base) fabricada por una determinada firma, exige que
est comprendida entre 149.2 mm y 150.4 mm (fuera de estos limites hay
problemas). Se comienza a trabajar con un proveedor cuya dimensin de la
componente se distribuye normalmente con media 150 mm y varianza 0.16 mm.
-178-
6.5.43.
El tiempo medio de CPU necesario para la ejecucin de una clase de
programas en un ordenador central es 2.52 minutos y la desviacin tpica es 0.37
minutos. Si el tiempo de ejecucin se distribuye normalmente.
a) Determinar la probabilidad de que un programa seleccionado aleatoriamente
requiera entre 2 y 4 minutos de CPU.
b) Calcular la probabilidad de que la diferencia en valor absoluto entre el tiempo
de ejecucin y la media sea menor o igual que 1 minuto.
Solucin: a) 0.92 b) 0.9931
6.5.44.
La variable X se distribuye normalmente con media 200. Se sabe que la
probabilidad de que X sea superior a 250 es 0.2. Calcular cuntos valores
independientes de X deben observarse para tener una probabilidad mayor que
0.5 de que el mayor de ellos sea superior a 300.
Solucin: 15 (clave: P(xmax>300)=1-P(Todos<300))
6.5.45.
Unas 180 personas matriculadas en la universidad estn en una cola
para pagar las matrculas de los cursos; el importe no es el mismo en cada caso
pero se estima una media por persona de 85.000 ptas. y una desviacin de
12.300 ptas. Qu probabilidad hay de que el cajero haya recibido en total ms
de 15 millones de ptas.?
Solucin: 0.9656
6.5.46.
Se calcula que durante el prximo mes de enero las ventas de una
empresa de ordenadores bajarn entre 350 y 610 millones de ptas., con una
probabilidad del 80%, siendo la cifra ms probable de disminucin de ventas los
480 millones de pts. cul es la probabilidad de que las ventas disminuyan
menos de 500 millones de pts. aceptando un modelo de distribucin
aproximadamente normal?
Solucin: 0.5792
6.5.47.
programa sigue una distribucin de Poisson de media 0.8 errores por pgina del
listado. Calcula la probabilidad de que:
a) Haya algn error en una pgina.
b) En un procedimiento de diez pginas haya ms de diez errores.
c) En las 500 pginas de que consta el programa haya menos de 350 errores.
Solucin: a) 0.55067 b) 0.18411 c) 0.005868
6.5.48.
Se ha calculado, de acuerdo con experiencias anteriores, que dos de
cada cinco alumnos matriculados en una determinada asignatura, no acudirn a
realizar el examen. Teniendo en cuenta que los alumnos son convocados en
distintas aulas de examen, a cuntos debe convocarse en un aula, con
capacidad para 120 personas, para poder asegurar espacio para todos los que
se presenten, con una probabilidad de 0.975?
Solucin: 180 alumnos
6.5.49.
La resistencia de un montacargas de una fbrica es de 10 Tm.; en el
mismo se cargan paquetes de peso aleatorio distribuido uniformemente entre 40
y 60 Kg. Determinar el nmero mximo de paquetes que pueden cargarse
manteniendo la probabilidad de rebasar la carga crtica inferior al 1 por mil.
Solucin: 195 paquetes.
6.5.50.
El nmero de placas base correctas que se elaboran en una fbrica de
componentes de ordenador cuadruplica al de placas defectuosas. Se pide:
a) La probabilidad de que de 200 placas producidas en un da ms de 40 y
menos de 70 sean defectuosas.
b) Las placas que deben producirse en un da para, con un 90% de probabilidad,
asegurar ms de 100 placas correctas con el fin de satisfacer la demanda.
Solucin: a) 0.464 b) 133 piezas
6.5.51.
El peso de las naranjas que llegan a una envasadora se distribuye
normalmente con media 150 gr. y desviacin tpica 30 gr. Calcular el nmero
mnimo de naranjas que es necesario introducir en una bolsa para que la
probabilidad de que sta pese menos de 5 Kg. sea inferior al 1%.
Solucin: 37 naranjas
6.5.52.
6.5.53.
Un fabricante exige a sus proveedores de placas de montaje que un
determinado orificio de las mismas tenga un dimetro comprendido entre 96 y
102 micras, debiendo desecharse las que no verifiquen esta condicin.
Si un proveedor sabe que las placas que produce son de una calidad tal, que el
10% de ellas tienen el orificio con un dimetro mayor de 100 micras y que el 5%
de las placas lo tienen inferior a 97 micras, y suponiendo que dicho dimetro se
distribuye normalmente, determinar el porcentaje de placas que deben ser
desechadas por el proveedor. Qu debera hacer ste para disminuir dicho
porcentaje?.
Solucin: 0.6%
6.5.54.
Un determinado microprocesador tiene una probabilidad de error de
clculo de una entre un milln. Para un determinado proceso se realizan
4.800.000 operaciones y el efecto de cada error es restar una dcima de unidad
de su valor correcto. Cul es la probabilidad de que el nmero obtenido sea
exactamente una unidad por debajo del valor real?
Solucin: 0.015
6.5.55.
Por un punto de una carretera pasa en promedio un coche cada 20
segundos en un sentido y un coche cada 15 segundos en el sentido contrario.
a) Qu tiempo transcurrir en promedio entre el paso por el punto de dos
coches consecutivos, sea cual sea el sentido en el que circulen? (Indicar con
precisin las hiptesis realizadas para responder a esta cuestin.)
b) t segundos despus del paso de un coche llega por un lateral a dicho punto
un peatn que desea cruzar. Cmo se distribuir la variable aleatoria "tiempo
desde que llega hasta que pasa un coche"? Justificar la respuesta.
c) Si el peatn necesita disponer de 10 segundos sin que pase ningn vehculo
para poder cruzar cul es la probabilidad de que pueda cruzar nada ms
llegar sin tener que esperar?
Solucin: a) 8.6 seg c) 0.31
-181-
6.5.56.
Una industria dispone de dos envasadoras de un producto qumico. La
primera dosifica el 75% de la produccin y la segunda el resto. Se sabe que el
peso de producto por envase es una variable N(170,7) en la primera envasadora
y N(176,7) en la segunda. Se consideran como incorrectos aquellos paquetes
cuyo contenido neto es superior a 180 gr. Se pide:
a) Calcular la probabilidad que tiene cada envasadora de producir una paquete
incorrecto
b) Si se elige un paquete al azar y resulta ser incorrecto, hallar la probabilidad de
que haya sido envasado por la segunda mquina
c) Si se eligen 5 paquetes al azar, calcular la probabilidad de que 2 de ellos
hayan sido envasados por la 1 mquina.
Solucin: a) 0.0764 y 0.2843 b) 0.55 c) 0.0330
Distribuciones bidimensionales
6.5.57.
Un sistema electrnico contiene cuatro componentes. Sea Xj el tiempo
transcurrido hasta que falla la componente j (j=1,2,3,4). Suponemos que X 1,X2,X3
y X4 son variable aleatoria independientes y cada una de ellas tiene como
funcin de distribucin F. El sistema funciona mientras funcione el componente 1
y al menos uno de los otros tres componentes. Determinar la funcin de
distribucin de la variable aleatoria X que indica el tiempo de duracin del
sistema.
Solucin: FX(t)=1-(1-F(t))(1-F(t)3) t>0
6.5.58.
Dos sistemas de ignicin son utilizados en un satlite, como un
dispositivo redundante para ayudar a garantizar la ignicin. Si ambos sistemas
poseen tiempos de supervivencia distribuidos exponencialmente, el primero con
una media de 3 aos y el segundo con una media de 4 aos, cul es la
probabilidad de que al menos uno sobreviva 2 aos?.
Solucin: 0'8086.
6.5.59.
Sea X la temperatura en F e Y la cantidad de lluvia en pulgadas/acre de
una ciudad seleccionada aleatoriamente. Se sabe que:
Cov(X,Y)=8'12
Var(X)=78'24
-182-
Var(Y)=2'17
6.5.60.
Sean X1, X2 y X3 tres variables aleatorias independientes e idnticamente
distribuidas. Cada una de ellas tiene una distribucin uniforme sobre el intervalo
(0,1). Determinar el valor de E[(X1-2X2+X3)2].
Solucin: 0.5
6.5.61.
Sean X e Y dos variable aleatoria tales que Var(X)=9 Var(Y)=4 y
cov(X,Y)=-1. Calcular:
a) Var(X+Y)
b) Var(X-3Y+4).
Solucin: a) 11 b) 51
6.5.62.
Sean X e Y dos variables aleatorias, que pueden ser dependientes, tales
que Var(X)=Var(Y). Demostrar que la covarianza de las variables aleatorias X+Y
y X-Y es nula.
6.5.63.
El coste de fabricar un pequea pieza para una mquina de corte es una
variable aleatoria (X) con funcin de densidad f(x) = x/2 - 5 en el intervalo [10,12]
y nula en el resto. El precio de venta es otra variable aleatoria (Y), que se puede
calcular en funcin del coste de fabricacin, segn la expresin: precio de venta
(Y) = coste(x) + 10% coste(x). Calcular la probabilidad de que el precio de venta
de una pieza sea inferior 13.
a)
b)
c)
d)
6.5.64.
0.8265
0.9649
0.7641
0.5153
de X.
c) Pasa siempre por el punto medio de la distribucin de (X,Y)
d) Tiene pendiente negativa si el coeficiente de correlacin entre X e Y es
prximo a cero.
6.5.65.
Un ingeniero que est diseando la cabina de un avin, considera que el
brazo del piloto alcanza una longitud X y su altura sentado es Y. Estas variables
siguen una distribucin normal bivariante siendo X=88'9 y=91'44 X=4'06
Y=3'3 =0'8 . Hallar la probabilidad de que un piloto seleccionado al azar:
a) alcance con el brazo una longitud de ms de 96'52
b) tenga sentado una altura de ms de 96'52.
Solucin: a) 0'0307 b) 0'0618
6.5.66.
Una empresa grande de ingeniera y arquitectura pasa un conjunto de
tests a los aspirantes a entrar en la seccin de diseo. Los ndices importantes
son la destreza manual X y la visin espacial Y que se consideran juntos. Datos
anteriores sugieren que estas dos variables tienen una distribucin normal
bivariante con parmetros X=75, Y=60, X=10, Y=15 y =0,6.
a) Obtener la distribucin condicional de la puntuacin conseguida en visin
espacial, Y, para una destreza manual baja X=50, y para una destreza manual
alta X=90.
b) Si se requiere una puntuacin mnima en visin espacial de 80 para ser
aceptado cul es la probabilidad de que sea aceptado un aspirante con una
puntuacin en destreza manual de 50? y con una puntuacin de 90? existe
alguna relacin entre las variables X e Y?.
Solucin: a) N(37'5,12) N(73'5,12) b) 2x10-4 0'2946
6.5.67.
Dado un lote especfico de engranajes, se cree que la duracin del
tratamiento de calor a que ha sido sometido, X, y la profundidad del
endurecimiento Y tienen una distribucin normal bivariante con X =18 segundos,
Y =7'87 mm, X = 4'8, Y = 2'03 y = 0'87 .
a) Obtener la recta de regresin E(Y/X=x) que proporciona el valor esperado de
la distribucin condicional de la profundidad del endurecimiento para los
distintos tiempos.
b) Obtener la distribucin condicional del endurecimiento para una duracin
del tratamiento de 15 segundos.
c) Si X=15, cul es la probabilidad de que la profundidad del endurecimiento
-184-
c) 0'8204; d) 17'44
6.5.68.
Se supone que la resistencia a la rotura de las soldaduras, Y, y el
dimetro de las soldaduras, X, siguen una distribucin normal bivariante. El
modelo tiene los parmetros X=0'201 pulgadas, Y=2240 p.s.i., X=0'046,
y=342 y =0'75.
a) Obtener E(Y/X=x)
b) si se observa un dimetro de 0'184 cul es la distribucin condicional de la
resistencia a la rotura?
c) Si X=0'184, cul es la probabilidad de que la resistencia a la rotura sea
mayor de 1500 p.s.i.?
Solucin: a) E(Y/X=x)=2240+5576'08(x-0'201) b) N(2145'20,226'211) c) 0'9978
6.5.69.
En los mensajes que se transmiten en una red de ordenadores se tiene
constatado que la Carga del Sistema (X) y el Tiempo de Respuesta (Y) fluctan
aleatoriamente con media mx = 20.5 trabajos y my = 5.2 seg., desviaciones tpicas
x =5.7 trabajos y y =1.3 seg. y coeficiente de correlacin r=0.85. Entre que
limites fluctuara el Tiempo de Respuesta del 95% de los mensajes cuando hay
una carga de 22 trabajos?
Solucin: 4.125 y 6.865
6.5.70.
En una red de ordenadores se ha realizado un estudio de regresin
comprobndose que la relacin entre la carga del sistema y el tiempo de
respuesta de cualquier consulta, se ajusta mediante la recta
TIEMPO_RESPUESTA en funcin de la CARGA_SISTEMA, con un coeficiente
de correlacin de 0.9, y se sabe que cuando la carga del sistema es de 6
trabajos, el tiempo medio de respuesta de cualquier consulta flucta en el 95%
de los casos entre 15 y 35 segundos. cunto vale la desviacin tpica de la
variable TIEMPO_RESPUESTA?
Solucin: 11.47
c) Para el sistema en serie, para que la vida del sistema dure ms de 100
minutos se debe cumplir que los dos componentes duren ms de 100
minutos, y como son componentes independientes, la probabilidad es,
P( X 100) P( X1 100 X2 100) P( X1 100)P( X2 100) e 100 e 100 e 2100 e 20,008100
e 1,6 0,2019
1
1
D2 (S) D2 ( X1 X2 ... X50 ) D2 ( X1 ) D2 ( X2 ) ... D2 ( X50 ) 50 2 50
781250 min
0,0082
-186-
883,88 883,88
0,396 ( 0,283) 0,6539 0,3886 0,2653
6.6.2. En el envasado de una marca de frutos secos, por normativa uno de los
parmetros a controlar es el peso de cada paquete. Esta variable sigue una
distribucin Normal de media 110 g y de desviacin tpica 2 g.
a. Calcular la probabilidad de que un paquete pese ms de 113 g. (0,5 puntos)
Llamando X al peso por cada paquete y siguiendo esta una distribucin del tipo
X~N(110,2), la probabilidad pedida es:
-187-
00 0 0 0
09
)=N(53,6, 7,3)
por lo que la
6.6.3. El 50% de unos cartuchos de tinta para impresin duran 10 horas. Admitiendo
que la duracin de los cartuchos sigue una distribucin exponencial, se pide:
a) Calcular la probabilidad de que un cartucho recin instalado permita imprimir
durante ms de 18 horas. (1 punto)
b) Cul es la probabilidad de que con los 20 cartuchos que vienen en una caja
podamos imprimir durante ms de 300 horas. (1 punto)
-188-
Solucin:
a) La funcin de distribucin de la exponencial es Fx ( x) 1 ex . Para x=10
1 e 10 0,5 y despejando el valor de es
ln0,5
0,0693
10
Y X1 X2 ... X20
E( Y )
E( X ) 200,0693 288,6
1
i1
20
var( Y )
var( X ) 200,0693
1
i1
4164,51
D( Y) 64,5
P( Y 300) P Z
P( Z 0,1767) 0,4299
64,5
-190-
7.
Contenido
7.1.
7.2.
7.3.
7.4.
7.1.
DISTRIBUCIN CHI-CUADRADO
2n Z 12 Z 22 ... Z n2
La funcin de densidad es asimtrica a la derecha.
Chi-Cuadrado Distribucin
densidad
0,24
0,2
Grad. de libertad
3
5
9
15
30
3
5
9
15
0,16
0,12
0,08
30
0,04
0
0
20
40
60
80
E( 2n ) n
y la variancia viene dada por,
D 2 ( 2n ) 2n
-191-
( n 1)
s2
2n 1
2
P( 2n 2n( ) )
Actividad 7.1:
Calcular la probabilidad P( 32 5 )
32;0 ,10 .
7.2.
DISTRIBUCIN t
tn
Z
2n
n
-192-
t de Student Distribucin
densidad
0,4
Grad. de libertad
2
5
9
17
30
0,3
0,2
0,1
30
0
-8
-4
x
Figura 7. 2. Funcin de densidad de la t de Student
E [ tn ] 0
La varianza de la tn es,
D 2 ( tn )
n
para n>2
n2
P( tn tn )
La media muestral est relacionada con una distribucin t cuando la
desviacin tpica no es conocida y se estima a partir de la desviacin tpica muestral,
ms concretamente, la expresin,
t n 1
Actividad 7.2:
Calcular la probabilidad de P(t3> 2,33)
Calcular la probabilidad de P(t5<-1,96)
Calcular la probabilidad de P(|t7|>2,1)
-193-
t 90,10
7.3.
DISTRIBUCIN F
2n1
Fn1 ,n2
2
n2
n1
n2
Numerador g.l.,Denominad
10,10
5,9
13,16
densidad
0,8
0,6
0,4
0,2
0
0
x
Figura 7. 3. Funcin de densidad de una F
E [ Fn1 ,n2 ]
n2
para n2 >2
n2 2
D 2 ( Fn1 ,n2 )
2n22 ( n1 n2 2 )
n1 ( n2 2 )( n2 4 )
y la varianza es,
-194-
s12
s22
12
Fn1 1,n2 1
22
Actividad 7.3:
7.4.
F70;9,05
PROBLEMAS PROPUESTOS
-195-
-196-
8. Distribuciones en el muestreo
8. DISTRIBUCIONES EN EL MUESTRO
Contenido
8.1.
8.2.
8.3.
8.4.
8.5.
8.6.
8.7.
8.8.
8.9.
8.10.
8.1.
Poblacin y muestra
El conjunto de todos los elementos bajo estudio se denomina Poblacin, y a una
parte de ellos recibe el nombre de Muestra. Por ejemplo si queremos estudiar el
nivel de renta en la Comunidad Valenciana, la poblacin es el conjunto de individuos
que pertenecen a dicha Comunidad y una muestra es una parte de esa poblacin,
elegida al azar, a partir de la cual se quiere deducir las caractersticas de toda la
poblacin.
Conociendo cada elemento de la poblacin, conocemos todas las
caractersticas y parmetros de la misma. Una poblacin se puede caracterizar por
una funcin de distribucin, la cual depende de un conjunto de parmetros. As:
F(x; 1 , 2 ,..., k )
Si todos los elementos de la poblacin son conocidos, los parmetros
1 , 2 ,..., k son perfectamente conocidos. A estos parmetros se denominan
"parmetros poblacionales" y se representan por letras griegas.
El problema estriba en que no podemos conocer todos los elementos de la
poblacin, debido a uno de los siguientes motivos:
-197-
8. Distribuciones en el muestreo
x = ( x1 , x2 ,..., xn )
A cualquier funcin de estos valores,
( x1 , x 2 ,..., x n ) , se denomina
"estadstico".
El problema se reduce a obtener un estadstico, funcin de los datos
muestrales, que nos d una aproximacin del parmetro poblacional, lo cual se
expresa por:
1 = 1( x1 , x 2 ,..., x n )
La cantidad 1 vara para cada x1 , x2 ,..., xn , luego se puede considerar como
una funcin o transformacin de n-variables aleatorias, y por lo tanto, tendr una
media, una varianza, as como su propia F( 1 ) ,
E( 1 )
2
D ( 1 )
-198-
8. Distribuciones en el muestreo
n=10
Muestra
2
Muestra
m
x1
s1
x2
s2
xm
sm
.
.
.
.
Histogram
Histogram
Histogram
600
80
80
400
300
200
frequency
frequency
frequency
500
60
40
20
60
40
20
0
100
-1
-3,7
-1,7
0,3
2,3
-0,5
4,3
0,5
1,5
0,3
0,6
0,9
1,2
1,5
1,8
SIGMAS
MEANS
-199-
8. Distribuciones en el muestreo
Tipos de muestreo
Los muestreos pueden ser probabilsticos y no probabilsticos. Entre los
probabilsticos, los ms utilizados son:
8. Distribuciones en el muestreo
Distribuciones muestrales
En este apartado supondremos que la poblacin estudiada sigue una distribucin
normal, N( ; ) , y que de ella, extraemos unos valores ( x1 , x2 ,..., xn ) al azar e
independientemente. Cada X i se puede considerar, antes de que aparezca el valor
concreto, como N( ; ) , es decir, son variables aleatorias independientes con la
misma distribucin normal.
POBLACIN
MUESTRA
PX ( x )
fX(x)
(X1, X2, ..., Xn)
1/n
X
Caractersticas muestrales
(variables aleatorias)
Caractersticas poblacionales
(constantes)
(media)
x (media muestral)
(varianza)
s n2 (varianza muestral)
s n21 (cuasivarianza)
(desviacin tpica)
p (proporcin)
f (proporcin muestral)
8.2.
E( 2n ) = n
2
2
D ( m ) = 2n
-201-
8. Distribuciones en el muestreo
( x - x )
S n2
( x - x )
S n21
n 1
( x - x )
2
sigue una distribucin n-1 .
2
n ( xi - x )2
i
2
2
s = n-1
o por (n-1),
(n - 1) ( xi - x )2
i
(n - 1)
= (n - 1)
= 2n-1
Actividad 8.1:
-202-
8. Distribuciones en el muestreo
8.3.
E( x ) = ; D2 ( x ) =
Como x =
1
1
1
x1 + x2 + ...+ xn es una combinacin de variables normales, x
n
n
n
X N(E( x ); D( x )) N( ;
)
n
o bien tipificando,
x-
= N(0;1)
n
Si es desconocida y empleamos los datos de la muestra para estimarla, y
la sustituimos por s, la desviacin tpica muestral, se obtiene que en lugar de una
N(0;1) sigue una distribucin t de Student de n-1 grados de libertad.
Una distribucin t de Student se define como un cociente de
tn =
N(0,1)
2n
n
-203-
8. Distribuciones en el muestreo
E( t n ) = 0
2
D ( tn )= n - 2
x-
= t n -1
s
n
Actividad 8.2:
___________________________________________________________________
8.4.
2n
n1
F n1,n2 = 2
n2
Sea X N( 1 ; 1 ) y otra poblacin Y N( 2 ; 2 ) , e independientes. Si de la
primera poblacin extraemos una m.a.s ( x1 , x2 ,..., xn ) y de la segunda otra m.a.s.
8. Distribuciones en el muestreo
Esto es:
2
s1
12 =
F n -1,n -1
2
1
s2
22
Para cada muestra
2
( n1 - 1) s12 = 2n1-1
1
2
( n2 - 1) s22 = 2n2-1
dividiendo cada
s1 =
F n1-1,n2-1
2
s2
Por lo general, se suele colocar la varianza muestral mayor en el numerador,
y la menor en el denominador.
Actividad 8.3:
De dos poblaciones normales con la misma variancia sacamos una muestra de cada
una de ellas. La primera de tamao 7, y la segunda de tamao 9. Cul es la
probabilidad que la variancia de la primera muestra sea mayor que el doble que la
variancia de la segunda muestra.
-205-
8. Distribuciones en el muestreo
8.5.
DISTRIBUCIN DE LA PROPORCIN
Proporcin de defectuosas
X N np; np(1 p)
X
n
p(1 p)
f N p;
X N (c; c )
La proporcin de defectos b(defectos por unidad) es
X
n
f N u ;
8. Distribuciones en el muestreo
Actividad 8.4:
8.6.
Una mquina produce piezas con una proporcin de defectuosas del 2%. Si de esta
mquina extraemos una muestra de 60 piezas, cul ser la probabilidad que la
proporcin de piezas defectuosas en la muestra sea mayor del 3%?
Si de una poblacin que sigue una N(1 , 1) extraemos una muestra aleatoria simple
de tamao n1 , y de otra poblacin con distribucin N(2 , 2) se extrae otra muestra
aleatoria simple de tamao n2, y para cada una de dichas muestras calculamos las
medias muestrales, cada una de ellas sigue una distribucin,
x1 N ( 1 ,
1
n1
x2 N ( 2 ,
2
n2
12 22
x1 x2 N 1 2 ;
n1 n2
s2 s2
x1 x2 N 1 2 ; 1 2
n1 n2
2 s 2
8. Distribuciones en el muestreo
( x1 x2 ) ( 1 2 )
t n1 n2 2
1 1
s
n1 n2
Actividad 8.5:
De una poblacin normal N(40;3) sacamos una muestra de tamao 10, y de otra
poblacin normal N(45; 3,5) sacamos una muestra de tamao 13. Cul es la
probabilidad que la media muestral de la segunda muestra sea mayor que la media
de la primera muestra.
8.7.
Proporcin de defectuosas
Si de un lote de gran tamao en el cual conocemos la proporcin de defectuosas p1,
tomamos una muestra de tamao n1, la fraccin de defectuosas es,
f1
x1
n1
f1 N ( p1 ,
p1 (1 p1 )
)
n1
f 2 N ( p2 ,
p 2 (1 p 2 )
)
n2
8. Distribuciones en el muestreo
p (1 p1 ) p 2 (1 p 2 )
f1 f 2 N p1 p 2 , 1
n1
n2
x1 x2
n1 n1
1 1
f1 f 2 N 0; p (1 p )
n1 n1
f1
x1
n1
p
f1 N p1 , 1
n1
p
p
f1 f 2 N p1 p 2 , 1 2
n1 n2
x1 x2
n1 n1
Donde:
8. Distribuciones en el muestreo
1 1
f1 f 2 N 0; p
n1 n1
Observar que estar frmulas son las mismas que para la diferencia de proporciones
de defectuosas sin mas que cambiar la pq por p, y donde p es la proporcin (nmero)
de defectos por unidad.
Actividad 8.6:
8.8.
Una maquina hace piezas con una proporcin de defectos del 5%, y otra mquina
hace las mismas piezas con una proporcin de defectos del 3%. Si cogen una
muestra de 50 unidades de la primera mquina y 70 piezas de la segunda mquina,
cul ser la probabilidad que la proporcin de defectos observada en la primera
muestra sea mayor que la proporcin de defectos de la segunda muestra?
N n
. As, las expresiones de dichas varianzas son:
N 1
D2 ( x)
n N 1
D2 ( f )
2 N n
Para el total T
pq N n
n N 1
x
i 1
de la muestra es,
-210-
8. Distribuciones en el muestreo
D 2 (T ) n 2
8.9.
N n
N 1
PROBLEMAS PROPUESTOS
8.9.1.- Dada una poblacin NORMAL N(5,2), cul es la probabilidad de que la media
muestral para una muestra de tamao 4 sea superior a 6? Y si el tamao es 25?
Solucin: 0.1587 0.0062
-211-
8. Distribuciones en el muestreo
8.9.5.- Un fabricante produce lmparas elctricas con una vida media de 2.000 horas
y una desviacin tpica de 200 horas. Mediante la modificacin del proceso de
fabricacin se piensa elevar la media a 2.200 horas conservando la dispersin. Si se
tena una muestra de 10 lmparas producidas antes del cambio, se toma una
muestra de 30 despus del mismo y se halla la diferencia entre las medias
muestrales, cul es la probabilidad de que esta diferencia est entre 195 y 205?
Se admite una distribucin NORMAL para la vida de las lmparas.
Solucin: 0.056
8.10.
8.10.1.- El espesor de unas planchas de acero sigue una distribucin normal con
varianza 5,4. Se pide:
a) Si tomamos una muestra de tamao n=20, cul es la probabilidad de que la
desviacin tpica sea superior a 3. (1 punto)
b) Cul debe ser el nmero de planchas a medir para que la probabilidad de
que la media muestral de estas planchas difiera de la media poblacional en
ms de 2 unidades sea inferior al 10%? (1punto)
Solucin :
(n 1)s 2
a) P( s 3) P
919
P192 31,66 0,034
5,4
P( x 2) 0,10
-212-
8. Distribuciones en el muestreo
P( x 2) 0,90
2
x
2
P
0,90
n
n
n
1,645
n
Despejando n se tiene,
1,645 5,4
2
-213-
8. Distribuciones en el muestreo
por lo que la
8. Distribuciones en el muestreo
de B? (2 puntos)
Solucin:
x A N (100; 2
5)
x B N (102; 2
5)
E x A x B E x A E x B 100 102 2
2 x A x B 2 x A 2 x B (4 / 5) (4 / 5) 1,6
-215-
8. Distribuciones en el muestreo
-216-
Contenido
9.1
ESTIMACIN PUNTUAL ......................................................................... 217
9.2.
ESTIMACIN POR INTERVALOS DE CONFIANZA ............................... 220
9.2.1. Intervalo de confianza para la media poblacional .................................. 221
9.2.2. Intervalo de confianza para la varianza poblacional ............................... 223
9.2.3. Intervalo de confianza para el cociente de varianzas poblacionales ..... 224
9.2.4. Intervalo de confianza para la proporcin .............................................. 225
9.2.5. Intervalo de confianza para la diferencia de proporciones ..................... 227
9.2.6. Intervalo de confianza para la diferencia de medias poblacionales ........ 228
9.3.
TEST DE HIPTESIS ............................................................................. 230
Conceptos ....................................................................................................... 230
Obtencin de los tests .................................................................................... 234
9.4. TEST DE HIPTESIS PARMETRICOS ..................................................... 235
9.4.1.
Contrastes de la media de una poblacional normal .......................... 235
9.4.2.
Test de hiptesis para la varianza poblacional ................................. 240
9.4.3.
Test de hiptesis para el cociente de varianzas poblacionales ........ 241
9.4.4.
Contrastes de proporciones ............................................................. 242
9.4.5.
Test de hiptesis para la diferencia de medias poblacionales con
muestras independientes ................................................................................ 246
9.4.6.
Test para la diferencia de medias poblacionales con datos
apareados ....................................................................................................... 247
9.4.7.
Test para la diferencia de proporciones ........................................... 248
9.4.8.
Test de ajuste a una distribucin...................................................... 250
9.4.9.
Test de independencia ..................................................................... 252
9.5. PROBLEMAS PROPUESTOS ..................................................................... 255
Test de hiptesis ................................................................................................. 256
Tabla de contingencia ......................................................................................... 260
Test de ajuste a una distribucin ......................................................................... 261
9.6. PROBLEMAS Y CUESTIONES DE EXMENES ......................................... 262
9.1
ESTIMACIN PUNTUAL
Sea X una v.a. cuya funcin de distribucin F(x;) depende del parmetro poblacional
, y una muestra aleatoria simple (x1, x2, , xn) extrada de la misma poblacin. El
proceso de estimacin consiste en elegir una funcin de dichos datos muestrales,
de manera que sus valores se aproximen lo mejor posible al valor
verdadero y desconocido del parmetro .
-217-
Cul es el criterio para saber que nos aproximamos lo mejor posible al valor
verdadero del parmetro?
Llamando a
2
se sigue el criterio de elegir de forma que minimice la cantidad ( - ) , o lo que
es equivalente, que minimice por trmino medio esa cantidad. Esto se puede
expresar como:
0,4
N(0,1)
N(0,2)
0,3
fx(x)
0,2
0,1
0
-10
-6
-2
10
x
Figura 9. 1. Dispersin de los estimadores
Observamos que
ser preferible al , ya que est centrado en el valor verdadero,
y tiene una dispersin menor que la del estimador .
Si el valor medio del estimador coincide con el parmetro a estimar, se dice
que el estimador es centrado o insesgado,
E( ) =
Caso contrario existe un sesgo b( ) que se define como,
-218-
b( ) E( )
0,4
N(0,2)
N(2,1)
0,3
fx(x)
0,2
0,1
0
-10
-6
-2
10
Supongamos ahora que las distribuciones de los estadsticos fueran las que
aparecen en la Figura 9. 2. Aqu no tendramos un criterio claro para elegir, ya que si
uno es preciso, el otro es ms exacto.
La exactitud del estimador es la propiedad de proporcionar valores cerca del
valor verdadero, y la precisin se refiere a la dispersin de dichos valores.
x x
xx
x
x
x
x xx
x x
Exacto y preciso
Para comparar estos estadsticos debemos elegir otros criterios, por ejemplo,
el que sea Uniformemente de Mnima Varianza (UMV), es decir, entre todos los
posibles estimadores ser mejor el que tenga una varianza ms pequea.
Luego en primer lugar, nos interesa estudiar aquellos estimadores que sean
insesgados y de mnima varianza.
-219-
E( - )2 b()2 D2 ()
Para cada estimador
nos interesa conocer su funcin de distribucin, su
media y su varianza o desviacin tpica. La varianza del estimador viene dada por
la expresin
, cuya expresin depende, por lo general, de un parmetro
poblacional. Por ejemplo, la varianza de la media muestral es,
D 2 (x)
2
n
EE ( x )
9.2.
s
n
P( L1 (x) L2 (x)) = 1 -
Cuanto menor sea el intervalo, mayor es la precisin del estimador.
Si cambia la muestra, tambin cambia los valores L1 y L2 , de manera que
tenemos unos intervalos aleatorios.
A la cantidad 1 - se denomina "coeficiente o nivel de confianza" y es el
coeficiente o nivel de significacin. Por lo general, es el 5% el 1%. Si tomamos
= 5% significa que de cada 100 intervalos que obtengamos para estimar , 95
contendrn al valor verdadero y desconocido del parmetro y 5 no lo contendrn.
-220-
x-
= N(0;1)
n
y podemos obtener dos valores de la N(0;1) tales que
x-
P - z/2
+ z/2 = 1 -
despejando queda:
-221-
P - z/2
x - + z/2
= 1 -
n
n
de donde:
P x - z/2
x + z/2
= 1 -
n
n
x-
= t n -1
s
n
y obtenemos unos valores de la t n-1 tales que:
x-
/2
/2
P - t n -1
+ t n -1 = 1 -
despejando queda:
s
s
P x - tn-/21
x + tn-/21
= 1 -
n
n
L1 ( x ) x - t n-/21
L2 ( x ) x t n-/21
s
n
s
n
z / 2
tn/2-1
-222-
s
n
N n
por poblacin
N 1
z / 2
N n
N 1
t n/2-1
N n
N 1
z 2
n
s t / 2 s z 2
n n 1
2
(n 1)
s2
= 2n-1
s2
P 2 (n 1) 2 2 = 1 -
n -1,
2
n-1,1- 2
-223-
despejando
2
1
1
= 1-
P 2
(n 1) s 2 2
n -1,
2
n-1,1- 2
2
(n 1) s 2
(
n
1
)
s
= 1-
P
2 2
2
n -1,
n -1,12
2
Sea X 1 una m.a.s. extrada de una poblacin N(1; 1) , y X 2 otra m.a.s. extrada de
una poblacin N(2 ; 2) , se tiene que:
s12
12 =
s 22
F n1-1,n 2 -1
22
y podemos obtener unos valores de la F tal que:
P F 1n-1-1,/2n 2 -1
/2 = 1 -
F n1-1,n 2 -1
s
s12
2
1
2
2
2
2
12
2
1
1
2
P 1-/2 2 /2
= 1-
s1
F
F
n
n
1-1,n 2 -1
1-1,n 2 -1
s 22
s12
s12
2
2
s 22
s2
1
P /2
2 1-/2 = 1 -
F n1-1,n 2 -1 2 F n1-1,n 2 -1
-224-
Actividad 9.1:
En una planta de envasado de agua se toman al azar de la cadena de produccin 15
botellas, y se analiza para cada una de ellas el contenido de calcio en mg/l.,
resultando los siguientes valores:
25 29,4 28,1 27,5 31 27,7 24,7 33,1 32,2 29,4 33,3 28,4 31 26,8 33,3
Se pide:
a) Estimar la media poblacional y su error de estimacin con un nivel de
significacin del 5%.
b) Calcular un intervalo de confianza para la media poblacional, con un
coeficiente de confianza del 95%.
c) De antemano se sabe que la varianza es 9, cunto vale el intervalo de
confianza al 95% para la media poblacional?
d) Cuntas botellas se deben examinar para estimar la media poblacional con
un error menor del 1 mg/l y un nivel de confianza del 95%?
p z/2
p q
p0 p z/2
n
p q
n
p f
x
n
p z/2
p
p
p0 p z/2
n
n
-225-
pq
n
z/2
N n
, y el error es,
N 1
z/2
pq
n
N n
N 1
z/2
p
n
z/2
p
n
N n
N 1
Actividad 9.2:
De una produccin de componentes electrnicos se examinaron 75, y resultaron 5
defectuosos.
a) Calcular un intervalo de confianza para la proporcin de componentes
defectuosos.
b) Cuntas piezas se deben examinar para estimar el valor verdadero de la
proporcin de piezas defectuosas con un error menor de 0,01 y una confianza
de 95%?
c) Calcular el tamao muestral si no conocemos un valor previo de p.
d) Calcular el tamao muestral si tenemos una estimacin previa de p=0,04.
-226-
X1 X 2
n1
n2
tambin sigue una distribucin normal, y un intervalo de confianza para la diferencia
de proporciones viene dado por,
p 1 - p 2 z / 2
p 1 q1
n1
p 2 q 2
n2
p1 - p 2 p 1 - p 2 z / 2
p 1 q1
n1
p 2 q 2
n2
Donde,
p 1 f1
x1
n2
p 2 f 2
x2
n2
p 1 - p 2 z / 2
p 1
n1
p 2
n2
p1 - p 2 p 1 - p 2 z / 2
p 1
n1
p 2
n2
Actividad 9.3:
De una muestra de 400 alumnos de la ETSII, 27 de ellos dijeron que fumaban
habitualmente, en cambio de una muestra de 500 alumnos de la Bellas Artes dijeron
que fumaban 35. Se pueden considerar que el porcentaje de fumadores en BBAA
es bastante superior al de la ETSII?
-227-
2 2
x1 x2 N 1 2 ; 1 2
n1 n2
x1 - x2 z/2
12 + 22 -
12 + 22
x1 x2 z/2
1
2
n1
n2
n1
n2
/2
x1 - x2 t n1+n 2 2
s12
n1
s 22
n2
1 2 x1 - x2 tn1/2+n 2 2
s12
n1
s 22
n2
( n1 - 1) s12 + ( n2 - 1) s 22
s =
n1 + n2 - 2
2
x1 - x2 t n1+n 2-2 s
1
n1
1
n2
1 2 x1 - x2 tn1/2+n 2-2 s
1
n1
1
n2
Actividad 9.4:
1. Un almacenista de pilas alcalinas desea conocer la duracin media de las pilas que
ofrece un nuevo proveedor. Para ello ha tomado 12 pilas al azar y ha medido el
tiempo de duracin en horas. Los resultados han sido:
-228-
Duracin(hrs.)
27.5
31.2
33.4
29.8
25.4
30.5
31.7
26.3
29.2
32.1
30.8
28.6
a)
b)
c)
d)
f)
primero.
Contrastar la hiptesis de igualdad de varianzas.
Chico
1
2
3
4
5
6
7
8
9
10
Material A
13,2
8,2
10,9
14,3
10,7
6,6
9,5
10,8
8,8
13,3
Material B
14,0
8,8
11,2
14,2
11,8
6,4
9,8
11,3
9,3
13,6
Diferencia(B-A)
0,8
0,6
0,3
-0,1
1,1
-0,2
0,3
0,5
0,5
0,3
9.3.
TEST DE HIPTESIS
Conceptos
Una hiptesis es una afirmacin acerca de algo. Por ejemplo, el parmetro es igual
a cero. Bajo esta suposicin estudiamos los datos y su comportamiento, y si no hay
mucha discrepancia entre lo observado y lo esperado, aceptamos tal afirmacin,
cuanto menos decimos que no hay suficiente evidencia como para rechazar la
hiptesis establecida.
En consecuencia, se plantea el problema como una toma de una de las dos
decisiones siguientes:
-230-
vs
vs
H1(>0)
H1(<0)
o bien
o bien
H0(=0)
H0(=0)
vs
vs
H1(>0)
H1(<0)
que son test unilaterales, porque los valores alternativos estn a un lado del valor
supuesto.
La hiptesis alternativa es la ms fuerte, y se suele colocar como hiptesis
nula aquella cuyas consecuencias econmicas sean ms graves. Es decir, la
hiptesis nula tiende a ser ms conservadora, de modo que no cambia su
formulacin a menos de que no haya evidencias objetivas muy fuertes en su contra.
-231-
Decisin\Espacio paramtrico
0 0
d0
0, decisin correcta
d1
Error 1 ()
1 1
W(d1,0)
Error 2 ()
W(d0,1)
0, decisin correcta
= P(x X 0 (s)/ 1 )
-232-
x/n
x/n
LI
LS
Para un contraste de hiptesis nos interesara que tanto como sean cero,
o ambos lo ms pequeo posible. Lo primero no se puede conseguir salvo que
analicemos toda la poblacin. Para conseguir lo segundo bastara con aumentar
suficientemente el tamao de la muestra con lo que aumentamos nuestra informacin
y reducimos la probabilidad de equivocarnos. De tal forma que si hacemos =0, se
cumple, para una misma n, que =1; y al contrario, si hacemos que =0, para una
misma n, se cumple que =1.
La Potencia del test se define como:
-233-
Pa
1
1-
Pr
1
1-
1-
1-
0
Curva Caracterstica
Curva de Potencia
Intervalo Esperado
LI
LS
Pero si el valor observado cae fuera del intervalo esperado, esto est en
contradiccin con la hiptesis nula, lo cual nos lleva a rechazarla. Por lo general, el
intervalo esperado corresponde al 1 - de los datos, siendo = 5% .
Tambin se puede decir que si la probabilidad de obtener un valor mayor que
-234-
es muy pequeo, p - value < , entonces es algo raro, bajo el supuesto de que se
cumpla la hiptesis nula, lo cual nos lleva a rechazarla.
Es decir, que admitimos un cierto nivel de discrepancia entre lo esperado y lo
observado, pero si la discrepancia es muy grande, esto lleva a rechazar la hiptesis
nula.
Con este razonamiento encontramos los principales test, que vemos a
continuacin.
T=
x - 0
= N(0;1) Z
n
y bajo el supuesto de la hiptesis nula, se cumple que:
| T 0 |> z/2
entonces se rechaza la hiptesis nula.
Si la varianza poblacional es desconocida, empleamos el estadstico t:
-235-
T=
x - 0
= t n -1
s
n
| T0 |> tn-/21
rechazamos la hiptesis nula.
Grficamente es segn la Figura 9. 9.
Zona de rechazo
Zona de aceptacin
LI
LS
Pr
1
s
t
0
-236-
Con este planteamiento tambin se puede resolver un test a un slo lado, por
ejemplo
T=
x - 0
n
las zonas de aceptacin y de rechazo son segn la Figura 9. 11.
Zona de rechazo
Zona de aceptacin
LI
Figura 9. 11. Test unilateral
Esto significa que el rea en lugar de repartirse a ambos lados, slo est
en el lado de H 1 , ya que bajo H0 ( > 0) , lo normal es que la t observ. se vaya hacia la
izquierda de la figura.
De esta forma, si:
T observ.> - z
aceptamos la H0.
De forma anloga, si el test de hiptesis es,
Zona de rechazo
Zona de aceptacin
LI
LS
Actividad 9.5
Un proveedor de pilas alcalinas del tamao de R6 asegura que pueden funcionar por
trmino medio hasta 40 horas. El comprador de las pilas, para contrastar tal
afirmacin, prueba 9 de ellas y observa el tiempo de duracin de cada uno de ellas.
El resultado ha sido:
40,5 39,5
41
42
37
35
43
41,5 42,5
X 0 ( s) x / 0 z / 2
x 0 z / 2
n
n
LCI= 0 z / 2
-238-
0
n
Rechazamos H0
LCS
Aceptamos H0
LCI
Muestra 1
Muestra 2
Clculo de la
Para el test H0(=0) frente a H1(0), si la media en lugar de 0 cambia a
1 , la probabilidad de que un punto muestral est dentro de los lmites de aceptacin
es,
P ( LCI x LCS ) P z
x z
2 n
0
2 n 1
) y el valor de la
1 0 z / 2
1
0 z / 2
n
n
n
n
Tamao muestral
Si nos dan dos puntos de la curva caracterstica (0 ,1 ) y (1;) , el tamao
de muestra para realizar el contraste de hiptesis, se obtiene imponiendo que la
-239-
curva caracterstica pase por esos dos puntos y despejando el valor de n se tiene,
z / 2 z
n
d
Donde d
1 0
z z
/ 2 2 2
es el descentrado relativo, y 1 0 .
empleamos el estadstico
2
observ
. = ( n 1)
s2
2
0
2n-1
nula H 0 ( 2 = 02 ) .
Para el contraste de
2
2
2
2
H 0 ( = 0 ) frente a H 1( > 0 )
2
si el valor de la observ
. se va hacia la derecha, da ms peso a H 1 que a H 0 , luego el
-240-
1-
2n-1()
2n-1
Actividad 9.6.
La duracin de las pilas alcalinas se sabe que tiene una desviacin tpica de 3
minutos. Para comprobar que una nueva remesa de pilas tienen la misma dispersin,
se prueba 11 de ellas y la desviacin tpica muestral ha sido s=3,7. Se puede decir
que la dispersin es mucho mayor en esta segunda remesa?
s12
F observ.=
12 =
F n -1,n -1
2
s2
22
que bajo el supuesto de que 12 = 22 , el estadstico se reduce a:
-241-
F observ.=
s12
= F n1-1,n 2-1
s 22
Fn(1)1, n2 1
Fn1 1, n 2 1
Actividad 9.7.
De una remesa de 11 pilas alcalinas la desviacin tpica ha sido de 3,7 y de una
segunda remesa de 13 pilas alcalinas la desviacin tpica ha sido de 4,6. Se puede
decir que la dispersin de la segunda remesa es mucho mayor que la dispersin de la
primera?
z=
X - n p0
np0 (1 - p0 )
Esta cantidad Z sigue una distribucin N(0;1), de forma que el valor observado
cabe esperar que est dentro del campo de existencia de la normal tipificada, con
una probabilidad del 95% (tomando = 0,05 ). En caso de que ocurra lo esperado,
no hay razn para rechazar la hiptesis nula de que p = p0 . Es decir, la regin de
aceptacin del test es,
| z | > z/2
Actividad 9.8
De un contenedor con 10000 piezas se afirma que el porcentaje de defectuosas es
del 2%. Para contrastarlo se toma una muestra de 50 unidades y se observa que hay
2 defectuosas.
a) Es eso coherente con la hiptesis nula de que el porcentaje es del 2%?
b) Cunto vale el p-valor del test?
c) Si viniera un contenedor con un porcentaje del 5%, cul ser la probabilidad
de aceptar la hiptesis nula?
d) Si queremos que la probabilidad anterior fuera de 0,40 qu tamao de
muestra debemos tomar?
-243-
LCS p 0 z / 2
p0 q0
n
LCI p 0 z / 2
p0 q0
n
p0q0
pq
p p0 z / 2 0 0 / p1 )
n
n
P( LCI f LCS / p1 ) P( p0 z / 2
p1 q1
),
n
p q
p q
p 0 z / 2 0 0 p1
p 0 z / 2 0 0 p1
n
n
p1 q1
p1 q1
n
n
p f
x
n
-244-
Rechazamos la H0
f=x/n
LCS p 0 z / 2
p 0 q0
n
LCI p 0 z / 2
Muestra 1
p 0 q0
n
Tiempo
Muestra 2
Aceptamos la H0
Figura 9. 15. Grfico de control para la proporcin de defectuosas
Tamao muestral
Si nos dan dos puntos de la curva caracterstica (0 ,1 ) y (1;) , el tamao
de muestra para realizar el contraste de hiptesis, se obtiene imponiendo que la
curva caracterstica pase por esos dos puntos y despejando el valor de n se tiene,
z / 2 p0 q0 z pq
p
0
n /2 0
p
0
-245-
9.4.5.
Test de hiptesis para la diferencia de medias poblacionales con
muestras independientes
Si partimos de dos poblaciones de dos poblaciones que siguen distribuciones
N(1,1) y N(2 , 2) respectivamente, para realizar el contraste de,
H (1 2 )
frente a
H (1 2 )
( x1 x2 ) ( 1 2 )
12 22
n1 n2
Y el estadstico
( x1 x 2 ) ( 1 2 )
s
1
1
n1 n2
t n1 / 2n2 2 T t n1 / 2n2 2
Aceptamos la hiptesis nula de igualdad de medias.
Para el contraste unilateral
H (1 2 )
frente
Aceptamos la H0 cuando
-246-
H (1 2 )
T t n1 n2 2
9.4.6. Test
apareados
para
la
diferencia
de medias
poblacionales con
datos
d i x1i x2i
son por trmino medio cero. Es decir, el test de diferencias de medias,
H (1 2 )
frente a H (1 2 )
Se reduce al test
H ( d 0)
frente a H ( d 0)
T
n
Donde d
di
i 1
y sd
(d
i 1
d 0
sd
d )2
n 1
-247-
Actividad 9.9.
En la tabla siguiente se recogen medidas de desgaste de las suelas de zapatos de 10
chicos. Las suelas se fabricaron de dos materiales sintticos A y B. La pregunta a
contestar es, hay diferencias entre el material A y el B en cuanto a desgaste de la
suela de zapato.
Chico
1
2
3
4
5
6
7
8
9
10
Material A
13,2
8,2
10,9
14,3
10,7
6,6
9,5
10,8
8,8
13,3
Material B
14,0
8,8
11,2
14,2
11,8
6,4
9,8
11,3
9,3
13,6
Diferencia(B-A)
0,8
0,6
0,3
-0,1
1,1
-0,2
0,3
0,5
0,5
0,3
Las mediciones son las alturas que restan en las suelas de los zapatos.
El material se asign de forma aleatoria a cada zapato.
a) Suponiendo que los datos fueran independientes, hay diferencias entre el
material A y B?
b) Como los datos se han obtenido a pares (son dependientes), qu material es
el mejor?
-248-
H ( p1 p2 )
frente a H ( p1 p2 )
El cual equivale a,
H ( p1 p2 0)
frente a H ( p1 p2 0)
( f1 f 2 ) (0)
1 1
p (1 p )
n1 n2
donde
x1 x 2
n1 n2
f1
x1
n1
f2
x2
n2
Actividad 9.10
Se quiere comprobar si dos lotes con un determinado tipo de componente presenta el
mismo porcentaje de unidades defectuosas. Para comprobarlo se sacan 40 piezas
del primer lote y resulta que hay 2 defectuosas; y despus se sacan 50 piezas del
segundo lote y resulta que hay 4 piezas defectuosas.
a) Podemos afirmar que el porcentaje es el mismo?
b) Cunto vale el p-valor del test?
-249-
P( X x i )
1
para
6
x i 1,2,3,4,5,6
1
nP( xi ) 60 10
6
Si observamos que las frecuencias fluctan alrededor del valor de 10, diremos
que no hay motivo para pensar que el dado est trucado. Pero si las frecuencias que
observamos se separan mucho de 10, habr motivo para pensar que el dado
realmente est trucado, ya que existen valores que se escapan de lo que cabe
esperar.
Cmo decimos que hay mucha diferencia respecto de lo que esperamos?
Para medir est diferencia empleamos el estadstico Chi-cuadrado, cuya
expresin es,
k
c
i 1
(Oi E i ) 2
k21
Ei
donde:
o i = frecuencia observada del valor xi .
-250-
Si
c2 k21,
aceptamos la H0
Si
c2
rechazamos la H0.
k21,
p valor P k21 c2
Y si,
El p-valor > aceptamos la H0
El p-valor < rechazamos la H0 .
En la siguiente hoja de clculo EXCEL hemos realizado la aplicacin de este
test.
OBSERVADO ESPERADO CONTRIBUCION
9
10
0,1
13
10
0,9
7
10
0,9
14
10
1,6
12
10
0,4
5
10
2,5
Suma
6,4
p-valor,
0,269218814
Por lo tanto no podemos rechazar que el dado sea correcto con =0,05.
-251-
c
i 1
(Oi E i ) 2
k2 s 1
Ei
La pregunta que se formula es tiene algo que ver el turno de trabajo con el
que aparezcan ms o menos defectos de calidad? En definitiva, se trata de
comprobar si la caracterstica A es independiente de la caracterstica B, es decir,
plantemos un test de independencia entre las dos caractersticas.
Recordamos la notacin expuesta en el tema de estadstica descriptiva
bidimensional.
1
total
1
2
i
nij
ni
n j
I
total
Y llamando a:
pi = probabilidad de pertenecer a la clase i de la caracterstica A.
p j = probabilidad de pertenecer a la clase j de la caracterstica B.
P( Ai B j )
Y bajo el supuesto de independencia, se cumple que,
pij P( Ai B j ) P( Ai )P( B j ) pi p j
Y las hiptesis son,
H 0 ( pij pi p j
i, j ) frente a H 1 ( pij pi p j
a menos un par i, j )
c2
(oij eij ) 2
i 1 j 1
eij
Donde:
o ij = frecuencia observada en la casilla i,j.
e ij = frecuencia esperada en la casilla i,j.
-253-
eij pij n pi p j n
Siendo
pi
ni
n
p j
n j
n
eij
ni n j
ni n j
n
n n
n
Y bajo la H0 la cantidad c2 se distribuye segn una Chi-cuadrado de (r-1)(c1) grados de libertad. La regla de decisin es,
Si c ( r 1)( c 1), aceptamos la H0.
2
O bien calculando el
p valor P (2r 1 )( c1 ) c2 ,
Actividad 9.11:
Se toma una muestra de estudiantes de diferentes grupos de clase de aula y se les
pide su opinin en cuanto a una propuesta de cambio del plan de estudios. Los
resultados son los siguientes:
-254-
Clase
1
2
3
4
A favor
120
70
60
40
En contra
80
130
70
60
Podemos decir que algunos grupos de clase estn ms a favor de la propuesta que
otros?
Se ha preguntado a un grupo de hombres y mujeres si fuman cigarrillos de forma
habitual. Los resultados han sido:
Mujer
Hombre
Fuma
9
20
No fuma
11
40
Hay diferencias entre los hombres y las mujeres en cuanto al hbito de fumar
cigarrillos?
9.5.2.
Para estudiar el espesor de la capa de imprimacin de la carrocera de
un determinado modelo de automvil se examinaron 10 vehculos obtenindose
los siguientes valores
{ 45, 40, 44, 43, 45, 43, 46, 45, 44, 45 }
medidos en micras. En el supuesto de que sigan una distribucin NORMAL :
a) Calcular un intervalo de confianza al nivel =0'05 para el promedio del
espesor.
b) Lo mismo para la varianza del espesor.
Solucin: a) [42.78; 45.21] b) [1.37; 9.63]
-255-
9.5.3.
Una resistencia elctrica ha sido medida 6 veces, resultando los valores
en ohmios :
{ 1'5, 1'6, 1'4, 1'5, 1'3, 1'1 }
Calcular el intervalo de confianza para la media con =0'05.
Solucin:[1.21,1.59]
9.5.4.
Para un intervalo de confianza de un determinado parmetro con un nivel
de confianza del 90%; indicar cul de las siguientes afirmaciones es correcta:
a) contiene con una probabilidad del 90% el valor real y desconocido del parmetro
poblacional a estimar.
b) es la regin de aceptacin de un test de hiptesis al 10%.
c) estima puntualmente con una probabilidad del 90% el parmetro muestral.
d) ninguna de las anteriores.
Test de hiptesis
9.5.5.
Una muestra de 16 transistores de cierto tipo ha presentado una vida
media de 734 horas. Puede aceptarse que la media poblacional es de 740
horas con un nivel de significacin =0'05?
a) Supuesta normalidad y conocido =12 horas.
b) Supuesta normalidad y conocido s'=12 horas.
Solucin: a) no [728.12,739.88] b) si [727.61,740.39]
9.5.6.
Sea X una variable aleatoria de distribucin NORMAL N(m,1). Con el fin
de contrastar la hiptesis de que la media poblacional es m=2 frente a m2 se
toma una muestra, siendo esta:
{ 2'1, 2'2, 2'5, 1'9, 1'2 }
Puede aceptarse la hiptesis nula con =0'05?
Solucin: si 1.98 [1.1235,2.8765]
9.5.7.
Tras numerosas comprobaciones, el nmero de pulsaciones por minuto
de varones de 20 a 25 aos se distribuye segn una NORMAL N(72,9). Si una
muestra de 100 jugadores de ftbol da como media 64 pulsaciones por minuto,
debemos considerar esta diferencia como significativa con =0'05?
Solucin: no 64 70.5195
-256-
9.5.8.
El contenido de un determinado elemento en un acero es una variable
aleatoria NORMAL N(35,1). Se sospecha que una modificacin del proceso da
lugar a un aumento del contenido medio del elemento en cuestin, y se sabe que
es imposible que lo disminuya.
a) Plantear el Test de hiptesis que confirme el aumento de dicho elemento.
Tomar =0'05.
b) Calcular la probabilidad de aceptar la hiptesis nula para diferentes valores
de la media.
La modificacin no altera las dispersiones.
Muestra {35'5, 34'0, 36'8, 37'0, 35'8, 37'5, 34'5, 38'0, 37'5, 36'0}
Solucin: a) x 35.62 b) {35,0.975} {35.62,0.5} {36.0,0.115} {36.2,0.033}
9.5.9.
9.5.10.
Una empresa anuncia que el 10% de las unidades de un artculo en
venta procede de sus fbricas, frente a un competidor que asegura que dicho
porcentaje es menor. Se toma una muestra de 100 artculos, de los cuales slo 3
son de la primera empresa. Puede aceptarse que sta tiene razn? Tomar
=0'05.
Solucin: no 0.03 0.05065
9.5.11.
En el proceso de fabricacin de tornillos se desea que la proporcin
mxima de tornillos defectuosos producidos debe ser de un 5o/o. En un control de
fabricacin tomamos una muestra de 100 tornillos y encontramos uno
defectuoso.
a) Se puede afirmar que el proceso esta fuera de control? Tomar =0'05.
b) Qu ocurre si la direccin quiere mas precisin en el test?
-257-
9.5.14.
La variabilidad de un proceso en condiciones de produccin correctas es
de 3 unidades. Se dispone de una muestra de tamao n=15, con los siguientes
valores:
{ 27, 17, 18, 30, 17, 22, 16, 23, 26, 20, 22, 16, 23, 21, 17 }
Funciona correctamente el proceso? Tomar =0'05.
Solucin: no [3.6185, 16.7907]
9.5.15.
Para contrastar
Ho : =1
H1 : =2
9.5.16.
Una partida de gran tamao de piezas se considera vlida si tiene menos
de un 2% de piezas defectuosas (H0 :p002). Para su control se toman 9 piezas
y se acepta la partida si todas las piezas son correctas. Cul es la probabilidad
-258-
9.5.17.
HIJOS DE ILUMINADA S.A. es una empresa que se dedica a producir
bombillas. En una de sus lineas se fabrican bombillas de 40 Watios. El filamento
de las mismas tiene una resistencia con distribucin NORMAL N(605,1.18)
ohmios, y una bombilla se considera correcta cuando su resistencia esta situada
entre los valores 607.86 y 600.96. Para comprobar que el proceso de
fabricacin esta bajo control, es decir, que la media vale 605, los operarios de la
linea realizan un test consistente en tomar muestras de tamao 7 de forma
peridica, y si la resistencia media esta situada entre los valores 606.338 y
603.662 se acepta que el proceso esta bajo control. Determinar la probabilidad
de cometer el error de primera especie, y el de segunda especie cuando el valor
de la media poblacional es de 606.5.
a)
b)
c)
d)
=0.00270, =0.44540
=0.02571, =0.35942
=0.02571, =0.44540
=0.00270, =0.35942
9.5.18.
Para contrastar la hiptesis de igualdad de precisin de dos mtodos de
anlisis, utilizamos la distribucin:
a) N(m1+m2, 12 22 )
b) n21 n2
c) Fn1 ,n2
d) t n1 n2
9.5.19.
Se quiere contrastar la hiptesis nula de que la proporcin de piezas
defectuosas en una partida es menor o igual al 1%, contra la alternativa de que
es mayor. Para ello se realiza el siguiente plan: se van tomando piezas de la
partida hasta que aparezca una defectuosa. Si el nmero de piezas tomadas
hasta ese momento es menor o igual que 2 se acepta la partida y en caso
contrario se rechaza. Calcular el error de segunda especie para una proporcin
de piezas defectuosas del 10%.
a) 0.1900
b) 0.1000
-259-
c) 0.0975
d) 0.0950
9.5.20.
Una determinada mquina fabrica lminas de acero cuyo espesor sigue
una distribucin normal N(0.1, 0.005) cm. La mquina se considera que funciona
mal, y por tanto se debe revisar, si al tomar una muestra, el espesor promedio de
las lminas es superior a 0.1041cm. Si al tomar una muestra el promedio de
longitud es inferior a 0.1041cm y por tanto no revisamos la mquina, cul de
estas afirmaciones es cierta?
a)
b)
c)
d)
Tabla de contingencia
9.5.21.
La siguiente tabla muestra la frecuencia con la que se dan las distintas
calidades de piezas en dos mquinas de una determinada empresa. Se
pretende comprobar mediante un test 2 si existen diferencias significativas entre
las dos mquinas en cuanto a nmero de piezas fabricadas de cada calidad.
Calcular el nivel de significacin de dicho test.
Mquina A
Mquina B
Piezas
intiles
15
42
Piezas
reciclables
33
61
Piezas
correctas
60
82
a) 005
b) 010
c) 025
d) 050
9.5.22.
Un estudio realizado sobre el nmero de accidentes mortales de
automvil durante el ltimo puente festivo, muestra los siguientes resultados, en
funcin del tamao del coche y el estado del conductor y los pasajeros:
PEQUEO
MEDIANO
GRANDE
al menos uno
49
35
18
ninguno
71
65
62
-260-
PEQUEO
MEDIANO
GRANDE
al menos uno
46
34
20
Ninguno
74
66
60
N. de muestras
100
80
15
-261-
9.5.24.
El n de llamadas va modem que recibe un ordenador por unidad de
tiempo se ha muestreado dando los siguientes resultados:
N llamadas
Frecuencia
----------------------------------------------0
144
1
136
2
74
3
32
4
11
5
2
6
1
Pudiendo aceptarse que la variable tiene una distribucin de Poisson, calcular el valor
de .
Solucin: 1`1
b)
c)
-262-
x A xB N A B ,
A2
nA
2
500 400
n BB N (350 200,
)
5
4
c)
P( S A2 11,4S B2 ) P( S A2 / S B2 11,4) P(
P( F( n A 1), ( n B 1) 11,4
S A2 / A2
B2
11
,
4
)
S B2 / B2
A2
400
) P( F4,3 9,12) 0,05
500
9.6.2. El tiempo que tarda en realizar la entrega de los paquetes a los clientes de la
ciudad de Valencia una empresa de mensajera ubicada en el polgono de la
Fuente del Jarro es, de forma habitual, una variable con distribucin N(m=35min,
=10min). La semana pasada se incorporaron al trabajo tres repartidores nuevos
con poca experiencia, hecho que podra afectar a los tiempos de entrega
empeorndolos. Para hacer un control verificamos el tiempo de entrega de 4
paquetes seleccionados aleatoriamente y obtenemos los siguientes valores
expresados en minutos (40; 15; 42; 70).
a.
b.
c.
d.
Cuntos envos deberamos controlar para estimar la media real del nuevo
tiempo de espera con error absoluto menor de 2 minutos y un nivel de
confianza del 80%? (0,75 puntos)
SOLUCIN:
a) Se trata de un test sobre la media m de una poblacin normal
Es un test unilateral porque el cambio solo es previsible que se d en un
sentido (aumentar) por lo tanto tenemos
H0: m=m0=35 minutos
H1: m>35
Dado que conocemos la desviacin tpica =10, la regla de decisin es
-263-
Aceptar H0 si
x m0 z
Calculamos x 41,75 y
n
35 1,645
10
43,225
4
x z / 2
41,75 2,57
(41,75 12,85 )
10
4
(28,90 54,60)
2
n-1; /2
3. 505583
2
3 0025
(n 1) s 2
n-1;1-/2
3 .505583
32 0975
3. 505583
3 .505583
2
9384
0216
(16163; 7021944)
z
1,285 . 10
d) n / 2
41,28 42 entregas
2
e
SOLUCIN:
H0(p=0005) vs H1(p>0005)
a)
b)
El 49% de las veces que apliquemos este test, aceptaremos que la proporcin
de piezas defectuosas es p=0005 cuando en realidad es 001 (por lo tanto nos
estaremos equivocando)
c) Tal y como dice el enunciado, si nos sale X1, rechazamos la H0.
El nico tipo de error que podemos cometer es el de primera especie ya que
hemos RECHAZADO.
P0 (1 P0 )
n
0,10 1,645
0,10 . 0,90
0,169
50
0,169 0,15
) (0,38) 0,6480
0,05
z2 / 2 p (1 p )
1,2852 . 0,10 . 0,90
n0
92,77 93 envios
0,042
e2
Si tomamos como estimacin previa de P el valor muestral 0,12 sale 108,98
109
Envos.
d) El intervalo de confianza es
p z / 2
p (1 p )
012 .088
012 2,57
(00019; 02381)
n
50
9.6.5. El nmero de llamadas diarias realizadas con el mvil por las alumnas de 1
de GITI podemos admitir que es una variable de Poisson de media 2,5
llamadas/da y el de las llamadas realizadas por los chicos tiene una distribucin
de Poisson de promedio 1,5 llamadas/da.
Al entrar al examen todos dejan su mvil en la mesa del profesor. Elegido uno
de los mviles al azar, queremos verificar la hiptesis nula de que pertenece a una
chica frente a la alternativa de que es de un chico.
-266-
Siendo X=Ps()
9.6.6. El espesor de unas planchas de acero sigue una distribucin normal con
varianza 5,4. Se pide:
a) Si tomamos una muestra de tamao n=20, cul es la probabilidad de que la
desviacin tpica sea superior a 3. (1 punto)
b) Cul debe ser el nmero de planchas a medir para que la probabilidad de
que la media muestral de estas planchas difiera de la media poblacional en
ms de 2 unidades sea inferior al 10%? (1punto)
Solucin 3:
(n 1)s 2
a) P(s 3) P
919
2
P 19
31,66 0,034
5,4
-267-
2
x
2
P
0,90
n
n
n
1,645
Despejando n se tiene,
n
1,645 5,4
2
5
0,167 . Con un 0,08 el valor de la z es
30
p z / 2
0,286
pq
0,167(1 0,167)
0,167 1,75
0,167 0,119
n
30
0,048
z / 2
p q N n
n N 1
Sustituyendo valores,
0,167(1 0,167) 5000 n
0,032 1,962
simplificando
n
4999
8,42
5000 n
n
5000
539,79 . Esto , tomaremos n=540 elementos.
9,42
c)
Solucin 5:
a) Se trata de un test bilateral sobre la media de una poblacin Normal con
conocida, dado que no hay indicios de que el cambio haya sido en un determinado
sentido
H0: m=2 H1: m2
Y la regala de decisin
0,5
Aceptar H 0 si x m0 z / 2
2 1,645
1,74 2,26)
n
10
-269-
Como x 2,49 (1,74 2,26) debemos rechazar la hiptesis nula y aceptar que ha
habido un cambio en la media.
b) Recordemos que
0,5
10
) (1,74 2,26)
2,26 2,5
1,74 2,5
) (
) (1,52) (4,81) 0,0643 0 0,0643
0,158
0,158
2,25) / m 2) P(N(2,
0,5
9
) (1,5 2,25)
1,5 2
2,25 2
1 P(N(2, 0,167) (1,5 2,25) 1 (
) (
) 1 (1,497) ( 2,99)
0
,
167
0,167
-270-
Contenido
10.1. ANLISIS DE LA VARIANZA (I). UN FACTOR CONTROLADO. ................... 271
10.1.1. Generalidades ................................................................................ 271
10.1.2. Modelo terico. Hiptesis del modelo.............................................. 273
10.1.3. Hiptesis nula ................................................................................. 276
10.1.4. Ecuacin fundamental .................................................................... 277
10.1.5. Test F ............................................................................................. 277
10.1.6. Comparacin de medias. Test L.S.D. (diferencia mnima significativa)
.................................................................................................................... 278
10.2. ANLISIS DE LA VARIANZA (II). DOS FACTORES CONTROLADOS .......... 280
10.2.1. Introduccin. Planes factoriales ...................................................... 280
10.2.2. Anova para dos factores con repeticiones ...................................... 281
10.2.3. Concepto de Interaccin ................................................................. 281
10.2.4. Modelo y supuestos tericos........................................................... 283
10.2.5. Hiptesis Nulas ............................................................................... 284
10.2.6. Descomposicin de las Sumas de Cuadrados. Test F .................... 284
10.2.7. Comparacin de Medias. Test L.S.D............................................... 284
10.2.8. Validacin del modelo ...................................................................... 287
10.2.9. Igualdad de las varianzas ................................................................ 287
10.2.10. Estimacin de los efectos .............................................................. 288
10.2.11. Predicciones .................................................................................. 289
10.3. PROBLEMAS Y CUESTIONES DE EXAMEN ................................................ 290
Tipo de hojalata
pH
Temperatura de conservacin
cuyos efectos se desean estudiar.
Para cada factor, se considerarn en el estudio diferentes niveles (si el factor
es cuantitativo) o variantes (si el factor es cualitativo). As por ejemplo:
Factor tipo de hojalata (cualitativo): Se desean estudiar tres tipos distintos A, B
y C (3 variantes).
Factor pH (cuantitativo): Se estudiarn conservas a pH 4'5 y pH 5'5 (2
niveles).
Factor temperatura de almacenamiento (factor cuantitativo): Se almacenarn
los botes a 0 C, 15 C y 30 C (3 niveles).
A cada combinacin de variantes de los diferentes factores se le denomina
tratamiento, por ejemplo un tratamiento ser: bote hojalata tipo B con pH del lquido
de gobierno 4'5 almacenado a 15 C. En total existirn en este caso 3x2x3=18
tratamientos diferentes.
Una experiencia podra consistir en preparar 5 botes (repeticiones) con cada
uno de los 18 tratamientos posibles, con lo que constara en total de 18x5 = 90 botes
o unidades experimentales.
-272-
El objetivo en una experiencia de este tipo sera el analizar cules de los tres
factores tienen una influencia significativa sobre el grado de corrosin del bote al
cabo de, por ejemplo, un mes de almacenamiento.
En aquellos factores cuyo efecto sea significativo, se desear adems, precisar la
naturaleza del mismo, determinando, qu variantes difieren significativamente entre s
* Resumen:
-
Variante
Poblacin
Muestra
N(1,)
N(i,)
N(I,)
(X11X1J)
(X21X2J)
(XI1XIJ)
x1
x4
x2
x5
x3
(1)
-274-
i
i
x ij
donde jj es una perturbacin aleatoria que origina las diferencias existentes entre las
observaciones de una misma variante o tratamiento; adems (ij) =0
Con respecto a los residuos ij se harn, adems, las siguientes hiptesis:
a) Homocedasticidad: 2ij = 2 (ij) = 2 i, j no dependiendo por tanto de la
variante i considerada.
Esta hiptesis hace necesaria la comprobacin previa, mediante el test de
Bartlett u otros similares, de la homogeneidad de las varianzas en los diferentes
grupos o variantes.
b) Incorrelacin: Cov (ij,ij) = 0 si ii' y/o jj'; es decir, todos los residuos estn
mutuamente incorrelacionados.
c) Normalidad: los IxJ residuos ij tienen una distribucin conjunta normal
multivariante N(0,2 I)
Las hiptesis b) y c) implican la independencia de los residuos.
El modelo terico anterior puede formularse de una forma alternativa que resulta
aconsejable por su ms fcil generalizacin al caso de varios factores.
Sea = i /I el promedio de los valores medios de las diferentes variantes i=i es la diferencia entre la media de la variante i y el promedio general; i mide por lo
tanto el efecto especfico (positivo, negativo o nulo) de la variante i del factor.
Evidentemente, se verifica i = (i - ) = i - I = 0
Como i = + i, el modelo terico puede formularse como sigue
Xij = + i + I
Con i = 0
-275-
ij
i
Xij
Donde:
Xij = j-ava observacin de la variante i del factor
= promedio general
i = efecto especfico de la variante i del factor
ij = residuos N (0,) e independientes entre s.
-276-
X ..
Xi .
ij X ij
IJ
j X ij
J
media de la variante i
ij
SCT
SCF
SCR
10.1.5. Test F
Si a las sumas de cuadrados anteriores (SCF y SCR) las dividimos por sus grados de
libertad correspondientes (I-1) e I(J-1) respectivamente) obtenemos los cuadrados
medios CMF y CMR.
Se demuestra que si la hiptesis nula es cierta i 0
-277-
CMF
F( I 1 ),I ( J 1 )
CMR
DMS QI,I ( J 1 )
CMR
J
-278-
Cuadrado
medio
FACTOR
CMF
SCF
I-1
ERROR
SCR
I(J-1)
TOTAL
SCT
IJ-1
F calculada F tablas
SCF
I 1
SCR
CMR
I( J 1 )
CMF
CMR
F( I 1 ),I ( J 1 )
EJEMPLO:
Se desea estudiar la influencia de la materia prima sobre la resistencia de unas
piezas de plstico. Para ello se realizaron experiencias utilizando cuatro materias
primas diferentes. Con cada materia prima se fabricaron cinco piezas midindose
finalmente la resistencia en cada una de las veinte piezas fabricadas. Los resultados
fueron:
MAT PRIMA 1
6,0
6,2
6,5
6,8
6,0
MAT PRIMA 2
6,2
6,1
5,9
6,0
6,0
MAT PRIMA 3
5,9
6,0
6,0
6,2
5,8
-279-
MAT PRIMA 4
5,0
5,1
4,2
4,6
4,5
-280-
FACTOR B
FACTOR
A
B1
B2
Bj
BJ
A1
=n
=n
A2
A3
Ai
= n
Xijk.
AI
-281-
En este primer caso, cualquiera que sea el pH, la hojalata A presenta mayor
corrosin que la hojalata B y, adems, LA DIFERENCIA ENTRE UNA Y OTRA
HOJALATA ES LA MISMA PARA CUALQUIER pH.
En el caso de la Figura 10.4, influyen los dos factores (hojalata A mayor corrosin
que la B, y a mayor pH menor corrosin) pero no hay interaccin entre ellos.
En el caso de la Figura 10.5, el efecto del factor hojalata depende del valor del pH
que consideremos. As, a pH bajo presenta menor corrosin la hojalata B, a pH
intermedio el grado de corrosin es el mismo y a pH alto presenta menor corrosin la
hojalata B. Obsrvese que en este caso no tiene sentido preguntarse qu hojalata es
ms resistente si no se especifica cul va a ser el pH a emplear en la conserva.
-282-
-283-
( )
ij
( )
ij
Supuestos:
( ijk ) 0
ijk N ( 0 , )
independientes e incorrelacionados
H1: i 0
j 0
j 0
( )ij 0
( )ij 0
( X ijk
ijk
SCT
SCF1
SCF2
(IJN - 1)
(I - 1)
(J - 1)
SCint
(I - 1)(J - 1)
SCR
IJ(N - 1) gl
FGLF
,GLR significativo al nivel
075
125
150
68
60
62
60
45
66
91
75
86
72
71
60
90
98
94
64
75
70
105
95
99
48
55
50
Solucin
El modelo es:
0
0
( ) 0
i
ij
( )
ij
ijk N ( 0 , ) independientes.
-285-
O.V.
SC
GL
CM
Fc
Ft
Total
709696
23
Catalizado
r
153513
'01
5'29 * *
51171 1239 F30'16
Mtodo
343204
'01
8'53 * *
343204 8312 F10'16
CxM
146913
'01
5'29 * *
48971 1186 F30'16
Error
66066
16
Interaccin
4129
Interpretacin de Resultados
Interaction Plot
rendimiento
101
m e todo
A
B
91
81
71
61
51
0,75
1,25
1,50
dosis
a) La interaccin es significativa, luego no existe una concentracin de catalizador
ptima. La concentracin de 1'50, que con el mtodo A da el rendimiento promedio
mximo (99'67 gr), con el mtodo B da el mnimo rendimiento promedio (51 gr).
Luego habr que estudiar el efecto del catalizador en cada uno de los mtodos.
-286-
6163,02
2054,34
2,20
0,1280
RESIDUOS
14953,9
16
934,616
-------------------------------------------------------------------------------TOTAL (CORREGIDO)
26674,9
23
-------------------------------------------------------------------------------Los cocientes F estn basados en el error cuadrtico medio residual.
-287-
Como todos los p-values son superiores a 0,05, no hay ningn efecto
significativo y eso quiere decir que las varianzas de todas las poblaciones son
iguales.
i i -
Su estimacin es:
i xi - x
( )ij ij - ( i j )
Y su estimacin es,
^
)
i
( )ij xij - ( x
j
Para el ejemplo anterior, la tabla de las medias es,
Tabla de Medias por mnimos cuadrados para Rendimiento
con 95,0 Intervalos de confianza
-------------------------------------------------------------------------------Error
Lmite
Lmite
Nivel
Frecuencia Media
Estndar
Inferior
Superior
-------------------------------------------------------------------------------Media Total
24
73,2917
Dosis
0,75
6
60,1667
2,62335
54,6054
65,7279
1
6
75,8333
2,62335
70,2721
81,3946
1,25
6
81,8333
2,62335
76,2721
87,3946
1,5
6
75,3333
2,62335
69,7721
80,8946
Mtodo
A
12
85,25
1,85499
81,3176
89,1824
B
12
61,3333
1,85499
57,4009
65,2657
Dosis segn Mtodo
0,75
A
3
63,3333
3,70997
55,4685
71,1981
0,75
B
3
57,0
3,70997
49,1352
64,8648
1
A
3
84,0
3,70997
76,1352
91,8648
1
B
3
67,6667
3,70997
59,8019
75,5315
1,25
A
3
94,0
3,70997
86,1352
101,865
1,25
B
3
69,6667
3,70997
61,8019
77,5315
1,5
A
3
99,6667
3,70997
91,8019
107,531
1,5
B
3
51,0
3,70997
43,1352
58,8648
--------------------------------------------------------------------------------
-288-
Esto significa que cuando tomamos el mtodo A, por trmino medio, con
respecto a la media general, la variable observada aumenta con 11,96.
El efecto de
1 ,25
A
( )A;1,25 xA;1,25 - ( x
1,25 ) 94 ,0 - ( 73,29 11,96 8 ,54 ) 0 ,21
10.2.11. Predicciones
Si por ejemplo hemos comprobado que la mejor combinacin de los factores es el
nivel i para el factor A y el nivel j para el factor B, la prediccin de la media de los
resultados con esa combinacin de los factores,
^
( )
i
ij
j
ij
El error de prediccin viene dado por el CMresidual , es decir, la varianza del
residuo.
En el ejemplo anterior, cuando el mtodo sea el A y la dosis sea 1,25, la
prediccin del valor medio es,
^
A
A;1,25
94 1,96
41,29
94 7 ,27 [ 86 ,73; 101,27 ]
3
Con un nivel de confianza del 95%, y donde 3 es el nmero de datos con los
que se ha calculado la media de 94.
-289-
4,73289
----
----
----
RESIDUAL
833,325
---3,32002
-------------------------------------------------------------------------------TOTAL
1061,3
260
PUNTUACIN
5,8
4,8
3,8
2,8
1,8
1
CIUDAD
-290-
Grfico de interacciones
PUNTUACIN
6,2
SEXO
H
M
5,2
4,2
3,2
2,2
1
CIUDAD
4,73289
1,18322
0,36
0,8395
RESIDUAL
833,325
251
3,32002
-------------------------------------------------------------------------------TOTAL
1061,3
260
--------------------------------------------------------------------------------
-291-
-------------------------------------------------------------------------------Source
Sum of Squares
Df
Mean Square
F-Ratio
P-Value
-------------------------------------------------------------------------------MAIN EFFECTS
A:Ciudad
60,8444
1
60,8444
21,37
0,0000
B:Nivel
84,6889
2
42,3444
14,87
0,0000
INTERACTIONS
AB
29,4889
2
14,7444
5,18
0,0076
RESIDUAL
239,2
84
2,84762
-------------------------------------------------------------------------------TOTAL (CORRECTED)
414,222
89
--------------------------------------------------------------------------------
-292-
Valoracin
6,8
5,8
4,8
3,8
2,8
A
Nivel
Means and 95,0 Percent LSD Intervals
Valoracin
5,8
5,3
4,8
4,3
3,8
3,3
1
Ciudad
-293-
Interaction Plot
Valoracin
7,1
Nivel
A
B
M
6,1
5,1
4,1
3,1
1
Ciudad
Fuente
Plstico
Volmen
Plstico x Volmen
Residual
Total
SC
2287,17
1613,64
2284,61
639,33
6824,75
Gl
2
3
6
24
35
CM
1143,585
537,88
380,7683
26639
Fc
42929
20191
14294
Para el volumen:
0, 05
3, 24
Grfico de interaccin
106
Resistencia
96
Plstico
A
B
C
86
B
76
66
56
0,75
1,25
1,5
Volmen
Mejor combinacin (mayor resistencia) : Plstico A y Volumen 1,5 litros
Para el plstico C el volumen que ofrece mayor resistencia es de 1 litro
10.3.4. Una cooperativa agrcola vende tres tipos de fitoreguladores (A, B y C) para
regular el crecimiento de trigo. Para determinar cul es el ms efectivo, se
seleccionan al azar 12 parcelas de trigo con caractersticas similares. En tres de
ellas se aplica el fitoregulador A, en otras tres parcelas el fitoregulador B y en otras
seis, el C. En todos los casos, la aplicacin se realiza por medio de un atomizador
a una dosis de 10 mg/ha. Los resultados obtenidos, medidos como longitud media
(mm) de 10 plantas seleccionadas al azar al cabo de 3 semanas de aplicacin
(variable longitud) son los indicados en la tabla. Los datos se analizan con
ANOVA utilizando Statgraphics, obtenindose el grfico que se muestra a
continuacin.
-295-
780
680
580
480
380
280
A
fitoregulador A
373
365
312
fitoregulador B
739
711
695
fitoregulador
fitoregulador C
615
844
711
648
809
663
Prctica 2:
- Cul de las siguientes afirmaciones es correcta?
(2,5
puntos)
a) A la vista de la grfica se deduce que el p-valor del test del ANOVA es superior
a 0,05.
b) A la vista de la grfica se deduce que el p-valor del test del ANOVA es inferior a
0,05.
c) A partir de la grfica no es posible deducir ninguna de las dos respuestas
anteriores.
d) Depende del nivel de significacin del test, el cual no se puede deducir del
grfico.
Solucin: los intervalos LSD se han construido con un nivel de confianza 1- =95%,
de modo que =0,05. Dado que los intervalos LSD no se solapan significa que
alguna de las medias es significativamente distinta de las dems considerando
=0,05, por lo que se rechaza la hiptesis nula H0: mA=mB=mC. Consecuentemente,
p-valor< , de modo que la respuesta correcta es la b).
-296-
c) El de tipo B C.
d) Cualquiera de los tres, ya que se acepta la hiptesis nula H0: mA=mB=mC.
Solucin: la c) ya que se solapan sus intervalos LSD, por lo que debe aceptarse la
hiptesis de que mB=mC.
- Una de las hiptesis del ANOVA es que la poblacin de datos de la variable longitud
se ajusta a un modelo Normal en cada uno de los tres fitoreguladores ensayados.
Cmo se podra verificar si esta hiptesis es admisible?
(2,5 puntos)
a) La hiptesis de normalidad es admisible dado que los intervalos LSD son
simtricos.
b) Habra que estudiar si los 12 datos de la tabla se ajustan bien a un modelo
Normal.
c) Habra que calcular los residuos del ANOVA y estudiar si stos se ajustan bien a
un modelo Normal.
d) No hay suficientes datos para estudiar si el modelo Normal es admisible.
Solucin: los intervalos LSD son siempre simtricos, por lo que la respuesta a) es
falsa. Dado que la media de A es significativamente menor que las otras dos,
tampoco es correcto utilizar directamente los 12 datos de la tabla, pues tenemos una
mezcla de dos poblaciones con distinta media. La respuesta correcta es la c), pues
hay tcnicas que permiten estudiar si el modelo Normal es admisible aunque slo
tengamos 12 datos.
10.3.5. Una industria qumica desea estudiar el efecto del tipo de catalizador y de la
concentracin de un cierto aditivo denominado NCV en la calidad final del producto
elaborado. Para ello se ha diseado un experimento ensayando tres catalizadores
diferentes: A, B y C (factor CAT) combinados con tres concentraciones de aditivo:
4, 5 y 6 (factor NCV). Cada uno de los nueve tratamientos se ensay dos veces,
midindose en cada prueba un parmetro de calidad final (variable LAT). Tras la
realizacin del experimento y la recogida de datos se llev a cabo un Anlisis de la
Varianza cuya tabla resumen se muestra a continuacin:
Sum of Squares
Df
Mean Square
F-Ratio
-----------------------------------------------------------------MAIN EFFECTS
A:CAT
77,7733
___
________
_____
B:NCV
_______
___
41,4867
_____
-297-
INTERACTIONS
AB
RESIDUAL
_______
___
________
16,56
___
________
_____
-----------------------------------------------------------------TOTAL (CORRECTED)
250,52
___
------------------------------------------------------------------
Sum of Squares
Df
Mean Square
F-Ratio
-----------------------------------------------------------------MAIN EFFECTS
A:CAT
77,7733
38,8866
21,13
B:NCV
82,9734
41,4867
22,55
73,2133
18,303
9,95
16,56
1,84
INTERACTIONS
AB
RESIDUAL
-----------------------------------------------------------------TOTAL (CORRECTED)
250,52
17
------------------------------------------------------------------
-298-
LA T
11,3
9,3
7,3
5,3
ALG
CAT
Respuesta: Este grfico muestra los intervalos LSD (Least Significant Differences)
para el factor CAT, obtenidos con un nivel de confianza del 95%. A la vista del grfico
se deduce que el valor medio de la variable LAT es significativamente distinto entre
los catalizadores A y el B, as como tambin entre B y C ya que sus intervalos LSD
no se solapan. Sin embargo, no hay diferencias significativas entre A y C porque sus
respectivos intervalos se solapan. Por tanto, se deduce que:
mB < (mA = mC)
La informacin deducida del grfico es coherente con el hecho de que el factor CAT
resulta estadsticamente significativo, pues ello indica que al menos uno de los
catalizadores tendr un valor medio significativamente distinto de los dems.
Soluciones
a) Los dos factores y la interaccin son significativas (p-valor<005), lo que implica
que las ciudades y los distintos niveles adquisitivos valoran al poltico de diferente
manera.
La interaccin significara que los distintos niveles no valoran igual en las dos
ciudades.
b) Dado que la interaccin es significativa no podemos mirar en los intervalos LSD ya
que nos dan los valores del factor sin tener en cuenta la relacin con la otra variable.
Si miramos en la grfica Interaction Plot vemos que la valoracin ms alta es en la
ciudad 1 con nivel adquisitivo Alto y Medio, que tienen idntica valoracin.
Si hubiramos mirado en los LSD (que no es lo correcto aunque en este caso difieren
poco) slo es la ciudad 1 con nivel alto.
-299-
-300-
11.1.
Y = + X +
donde es una variable normal de media 0 y de varianza . X es un valor fijo, y
, son los parmetros que definen la recta, que se llama recta de regresin.
Como
media:
E(Y) = + X + E( ) = +
y varianza
2
2
2
D (Y) = D ( ) =
Y = + X +
son:
1)
2)
3)
4)
5)
Y = + 1 X 1+ 2 X 2 +
entonces se dice que el modelo es de regresin lineal mltiple.
Las hiptesis a aadir son:
11.2.
6)
7)
y
ei
y
X
Figura 11. 2. Recta de ajuste
Y = + X
y el error es
= Y - Y = y - - X
que por trmino medio tendr un valor al cuadrado de:
E(y - - X )2
y debemos elegir los parmetros y de forma que
mnimo E(Y - - X )2
Para ello hacemos
E
E
= 0;
=0
b=
S xy
2
S xx
y = a + bx
Donde,
n
S xy2 ( xi x )( yi y )
i 1
n
S xx2 ( xi x ) 2
i 1
Y = 0 + 1 X 1+ 2 X 2 +
y la condicin a cumplir es mn E(Y - 0 - 1 X 1 - 2 X 2 ) , y obtenemos unos valores
2
11.3.
muestra de n
E(a) =
n
2
D (a) =
2 xi2
i=1
n( x - n x )
2
2
i
i=1
E(b) =
2
D (b) =
2
n
x -nx
2
i
i=1
2
i
2 =
i=1
n2
a - E(a)
= t n- 2
D(a)
-305-
b - E(b)
= t n- 2
D(b)
o bien:
a -
b-
= t n- 2 ;
= t n- 2
D(a)
D(b)
las primeras hiptesis que se plantean es si
a -0
D(a)
lo cual da un nmero. Si ste est dentro del campo de existencia de la t, al 95%,
decimos que no hay razn para rechazar que = 0 .
Para contrastar H o ( = 0) observamos la cantidad
b -0
D(b)
lo cual da otro nmero. Si ste se encuentra dentro del campo de existencia al 95%
de una t n- 2 , decimos que no hay razn para rechazar que = 0 .
En la prctica, el valor de
b
se le llama t-value, y se calcula la probabilidad
D(b)
de que una t n- 2 sea, en mdulo, mayor que la t-value. Si dicha probabilidad es menor
que 0,05, rechazamos la hiptesis nula de que el coeficiente es cero.
-306-
Coefficients
Least Squares
Standard
Parameter Estimate
Error
Statistic
P-Value
Intercept
-78,486
19,6355
-3,99714
0,0002
Slope
0,833335
0,110693
7,52833
0,0000
Analysis of Variance
Source
Sum of Squares Df
P-Value
Model
2815,93
2815,93
0,0000
Residual
2782,35
56
49,6848
Total (Corr.)
5598,28
57
56,68
The StatAdvisor
The output shows the results of fitting a linear model to describe the relationship between Peso and
Altura. The equation of the fitted model is
Peso = -78,486 + 0,833335*Altura
Since the P-value in the ANOVA table is less than 0,05, there is a statistically significant relationship
between Peso and Altura at the 95,0% confidence level.
The R-Squared statistic indicates that the model as fitted explains 50,2999% of the variability in Peso.
The correlation coefficient equals 0,709224, indicating a moderately strong relationship between the
variables. The standard error of the estimate shows the standard deviation of the residuals to be
7,04874. This value can be used to construct prediction limits for new observations by selecting the
Forecasts option from the text menu.
-307-
The mean absolute error (MAE) of 5,20749 is the average value of the residuals. The Durbin-Watson
(DW) statistic tests the residuals to determine if there is any significant correlation based on the order in
which they occur in your data file. Since the P-value is greater than 0,05, there is no indication of serial
autocorrelation in the residuals at the 95,0% confidence level.
H 0 ( 1 = 2 = 0)
frente que al menos uno de
12
1
22
( y - y )
12 =
i=1
-308-
( y - y
i
22 =
i=1
n-2
Standard
Parameter
Estimate
Error
Statistic
P-Value
CONSTANT
-101,667
36,5018
-2,78526
0,0074
Altura
0,621629
0,144015
4,31641
0,0001
Edad
3,3533
1,18711
2,82477
0,0066
Sexo=2
-7,22088
3,53274
-2,04399
0,0458
Analysis of Variance
Source
Sum of Squares Df
P-Value
Model
3434,97
1144,99
0,0000
Residual
2163,31
54
40,0613
Total (Corr.)
5598,28
57
28,58
-309-
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship
between Peso and 3 independent variables. The equation of the fitted model is
Peso = -101,667 + 0,621629*Altura + 3,3533*Edad - 7,22088*Sexo=2
Since the P-value in the ANOVA table is less than 0,05, there is a statistically significant relationship
between the variables at the 95,0% confidence level.
The R-Squared statistic indicates that the model as fitted explains 61,3576% of the variability in Peso.
The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of
independent variables, is 59,2108%. The standard error of the estimate shows the standard deviation of
the residuals to be 6,3294. This value can be used to construct prediction limits for new observations by
selecting the Reports option from the text menu. The mean absolute error (MAE) of 4,85517 is the
average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there
is any significant correlation based on the order in which they occur in your data file. Since the P-value is
greater than 0,05, there is no indication of serial autocorrelation in the residuals at the 95,0% confidence
level.
In determining whether the model can be simplified, notice that the highest P-value on the independent
variables is 0,0458, belonging to Sexo=2. Since the P-value is less than 0,05, that term is statistically
significant at the 95,0% confidence level. Consequently, you probably don't want to remove any
variables from the model.
11.4.
Aparte de contrastar las hiptesis nulas de que los coeficientes de regresin son cero
o no, hay que comprobar las hiptesis del modelo acerca de los residuos. Esto es:
1) Son normales
2) Media cero.
3) Varianza constante.
4) Incorrelacionados.
5) No hay valores anmalos.
1) Normalidad
Para comprobar la normalidad de los residuos se realiza un grfico probabilstico
normal, como el de la figura siguiente:
-310-
99,9
99
percentage
95
80
50
20
5
1
0,1
-13
-8
-3
2
RESIDUALS
12
17
Si los puntos estn situados sobre una recta, decimos que los datos se
ajustan a una distribucin normal.
2) Media cero
Se puede calcular el intervalo de confianza del residuo. Si el intervalo de confianza al
95% incluye al 0, decimos que la media es 0 con un nivel de significacin del 5%.
3) Varianza constante
Para ello realizamos un grfico de dispersin de ei frente a x. Por ejemplo, si el
grfico fuera como el de la figura siguiente:
-311-
significa que los residuos estn correlacionados, ya que primero son negativos, luego
positivos, negativos, etc.. Es decir, no hay independencia de los residuos.
Este caso particular corresponde a una situacin en que la nube de puntos
(X,Y) tiene la forma de una parbola, pero se ha ajustado una recta, tal como en la
figura de abajo:
comportamiento sistemtico.
5) Valores anmalos
Se pueden determinar dibujando los residuos en funcin de x, y observando aquellos
puntos que sean muy extremos, tanto por arriba, como por abajo de la media.
Tambin se pueden estandarizar los residuos, y observar aquellos cuyos valores
sean ms de 3 en mdulo.
11.5.
INTERVALOS DE PREDICCIN
Una vez que el modelo ha pasado la etapa de validacin, se puede emplear para
realizar predicciones de y0 , conociendo un valor de x0 . Se pueden efectuar dos tipos
de predicciones:
a)
b)
Para el segundo caso habr una mayor imprecisin que para el primero,
puesto que resulta ms difcil predecir un valor puntual, que una media, en donde los
valores altos y bajos se pueden compensar.
El intervalo de prediccin para la media de y0 es:
/2
a + b x0 + t n2
1 ( x0 x )2
n
s
xx
a + bx0 + t n2
1 ( x0 x )2
1 + +
n
s
xx
donde
n
2
S xx = ( xi x )
i=1
-313-
Peso
75
65
55
45
150
160
170
180
190
200
Altura
Fi
gura 11. 8. Intervalos de prediccin.
-314-
Plantear el
problema
Formular el
modelo
y=a+bx+e
Calcular
coeficientes
Validacin del
modelo
NO
Ok?
SI
Previsin y control
11.6.
BONDAD DE AJUSTE
Para dos modelos de regresin que cumplan las hiptesis, )cul de los dos es el
mejor? o bien para uno de ellos, )cunto de bien se ajustan los datos al modelo?
Para determinar el grado de ajuste de los puntos se calcula el coeficiente de
determinacin R 2 , el cual viene dado por:
2
R = 1
-315-
= 1
2
adjus.
2
var.residual
= 1 2
var.total
Y
y = 0 + 1 x1 +
Suma de cuadrados:
y = 0 + 1 x1 + 2 x2 +
Suma de cuadrados
1
> F 1,
g.l.mod elo 2
SCR 2
g.l.modelo 2
-316-
11.7.
Estimacin
Estadstico
estndar
P-Valor
----------------------------------------------------------------------------CONSTANTE
6343.96
1127.17
5.62823
0.0000
AUTOMOVIL
0.610523
0.024924
24.4954
0.0000
MOTOS
0.110201
0.0565941
1.94722
0.0575
----------------------------------------------------------------------------Anlisis de Varianza
----------------------------------------------------------------------------Fuente
Suma de cuadrados
P-Valor
----------------------------------------------------------------------------Modelo
9.02343E10
4.51172E10
Residuo
1.37954E9
47
2.9352E7
1537.11
0.0000
----------------------------------------------------------------------------Total (Corr.)
9.16139E10
49
-317-
1. Cules son las variables que presentan una influencia significativa sobre el nivel
de renta provincial? (2,5 puntos)
a)
b)
c)
d)
AUTOMOVIL y MOTOS
AUTOMOVIL
MOTOS
El modelo no es significativo
-0.153461
98.4942
6343.96
1537.11
6343.96
7505.533
7009.5835
55.1005
Parameter
Standard
Error
Statistic
Estimate
P-Value
----------------------------------------------------------------------------CONSTANT
mpg
Pais
161,85
6,75849
23,9477
0,0000
-2,56657
0,196964
-13,0306
0,0000
1,43398
2,909
0,492947
0,6228
----------------------------------------------------------------------------Analysis of Variance
----------------------------------------------------------------------------Source
Sum of Squares
Df
Mean Square
F-Ratio
P-Value
----------------------------------------------------------------------------Model
55446,7
27723,3
Residual
33589,4
147
228,499
121,33
0,0000
----------------------------------------------------------------------------Total (Corr.)
89036,1
149
-319-
-320-
Estimacin
Estadstico
estndar
P-Valor
----------------------------------------------------------------------------CONSTANTE
48,1936
3,9133
12,3153
0,0000
1,69589
0,204582
8,28954
0,0000
0,656915
0,0442342
14,8508
0,0000
0,250018
0,184711
1,35356
0,2089
-----------------------------------------------------------------------------
Anlisis de Varianza
----------------------------------------------------------------------------Fuente
Suma de cuadrados
P-Valor
----------------------------------------------------------------------------Modelo
2667,65
889,217
Residuo
48,1106
5,34562
166,34
0,0000
----------------------------------------------------------------------------Total (Corr.)
2715,76
12
-321-
Estimacin
Estadstico
estndar
P-Valor
----------------------------------------------------------------------------CONSTANTE
52,5773
2,28617
22,998
0,0000
1,46831
0,121301
12,1047
0,0000
0,66225
0,0458547
14,4424
0,0000
-----------------------------------------------------------------------------
Anlisis de Varianza
----------------------------------------------------------------------------Fuente
Suma de cuadrados
P-Valor
----------------------------------------------------------------------------Modelo
2657,86
1328,93
Residuo
57,9045
10
5,79045
229,50
0,0000
----------------------------------------------------------------------------Total (Corr.)
2715,76
12
-322-
A.
B. La ecuacin matemtica que se debera utilizar para predecir el valor del calor
desprendido en la fase de fraguado es:
(0,25 puntos)
a. Calor=48,1936+0,656915B+1,69589A
b. Calor=52,5773+0,66225B+1,46831A
significativo)
(el coeficiente de C no es
c. Calor=48,1936+0,250018C+0,656915B+1,69589A
d. Ninguno de los anteriores
(0,25 puntos)
a. Decremento medio en el valor del calor por cada unidad que aumenta
el parmetro A
b. Incremento medio en el valor del calor por cada unidad que
aumenta el parmetro A manteniendo constante el resto de
variables independientes.
c. Incremento medio en el valor del calor por cada unidad que aumenta el
parmetro A
d. Ninguna de los anteriores
(0,25
103,63563
a. 105,81471 (sustituyndolas variables significativas en el modelo
segundo que es el apropiado)
-323-
b. 106,45871
c. 105,635774
Parameter
Standard
Error
Statistic
Estimate
P-Value
----------------------------------------------------------------------------CONSTANT
-258,333
125,178
-2,06372
0,0691
73,0
11,1942
6,52125
0,0001
-1,21667
0,211749
-5,7458
0,0003
conc
conc^2
----------------------------------------------------------------------------Analysis of Variance
----------------------------------------------------------------------------Source
Sum of Squares
Df
Mean Square
F-Ratio
P-Value
----------------------------------------------------------------------------Model
Residual
299756,0
149878,0
45876,0
5097,33
29,40
0,0001
----------------------------------------------------------------------------Total (Corr.)
345632,0
11
a) conc = 20
b) conc = 30
c) conc = 40
d) conc = 20 o bien conc = 40
e) ninguna de las anteriores
Solucin: las dos variables del modelo son estadsticamente significativas ya que su pvalor es menor a 0,05. La ecuacin resultante ser: Longitud = 258,333 + 73 conc
1,217 conc2
Para determinar el mximo relativo de esta ecuacin, hay que derivar e igualar a
cero:
d(long)/dc = 73 2 1,217 conc = 0 conc = 73/(21,217) = 30 g/l.
-325-
-326-
Anexo A
-327-
Anexo A
DISTRIBUCIN DE POISSON
c
P( X c )
i 0
0,02
0,04
0,06
0,08
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,55
0,60
0,65
0,70
0,75
0,80
0,85
0,90
1,00
1,10
1,20
1,30
1,40
1,50
1,60
1,70
1,80
1,90
2,00
2,10
2,20
2,30
2,40
2,50
2,60
2,70
2,80
2,90
3,00
3,10
3,20
3,30
3,40
3,50
3,60
3,70
3,80
3,90
4,00
4,10
4,20
4,30
4,40
4,50
4,60
4,70
4,80
4,90
c=0
0,9802
0,9608
0,9418
0,9231
0,9048
0,8607
0,8187
0,7788
0,7408
0,7047
0,6703
0,6376
0,6065
0,5769
0,5488
0,5220
0,4966
0,4724
0,4493
0,4274
0,4066
0,3679
0,3329
0,3012
0,2725
0,2466
0,2231
0,2019
0,1827
0,1653
0,1496
0,1353
0,1225
0,1108
0,1003
0,0907
0,0821
0,0743
0,0672
0,0608
0,0550
0,0498
0,0450
0,0408
0,0369
0,0334
0,0302
0,0273
0,0247
0,0224
0,0202
0,0183
0,0166
0,0150
0,0136
0,0123
0,0111
0,0101
0,0091
0,0082
0,0074
c=1
0,9998
0,9992
0,9983
0,9970
0,9953
0,9898
0,9825
0,9735
0,9631
0,9513
0,9384
0,9246
0,9098
0,8943
0,8781
0,8614
0,8442
0,8266
0,8088
0,7907
0,7725
0,7358
0,6990
0,6626
0,6268
0,5918
0,5578
0,5249
0,4932
0,4628
0,4337
0,4060
0,3796
0,3546
0,3309
0,3084
0,2873
0,2674
0,2487
0,2311
0,2146
0,1991
0,1847
0,1712
0,1586
0,1468
0,1359
0,1257
0,1162
0,1074
0,0992
0,0916
0,0845
0,0780
0,0719
0,0663
0,0611
0,0563
0,0518
0,0477
0,0439
c=2
1,0000
1,0000
1,0000
0,9999
0,9998
0,9995
0,9989
0,9978
0,9964
0,9945
0,9921
0,9891
0,9856
0,9815
0,9769
0,9717
0,9659
0,9595
0,9526
0,9451
0,9371
0,9197
0,9004
0,8795
0,8571
0,8335
0,8088
0,7834
0,7572
0,7306
0,7037
0,6767
0,6496
0,6227
0,5960
0,5697
0,5438
0,5184
0,4936
0,4695
0,4460
0,4232
0,4012
0,3799
0,3594
0,3397
0,3208
0,3027
0,2854
0,2689
0,2531
0,2381
0,2238
0,2102
0,1974
0,1851
0,1736
0,1626
0,1523
0,1425
0,1333
c=3
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9999
0,9997
0,9995
0,9992
0,9988
0,9982
0,9975
0,9966
0,9956
0,9942
0,9927
0,9909
0,9889
0,9865
0,9810
0,9743
0,9662
0,9569
0,9463
0,9344
0,9212
0,9068
0,8913
0,8747
0,8571
0,8386
0,8194
0,7993
0,7787
0,7576
0,7360
0,7141
0,6919
0,6696
0,6472
0,6248
0,6025
0,5803
0,5584
0,5366
0,5152
0,4942
0,4735
0,4532
0,4335
0,4142
0,3954
0,3772
0,3594
0,3423
0,3257
0,3097
0,2942
0,2793
-328-
i e
i!
c=4
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9999
0,9998
0,9997
0,9996
0,9994
0,9992
0,9989
0,9986
0,9982
0,9977
0,9963
0,9946
0,9923
0,9893
0,9857
0,9814
0,9763
0,9704
0,9636
0,9559
0,9473
0,9379
0,9275
0,9162
0,9041
0,8912
0,8774
0,8629
0,8477
0,8318
0,8153
0,7982
0,7806
0,7626
0,7442
0,7254
0,7064
0,6872
0,6678
0,6484
0,6288
0,6093
0,5898
0,5704
0,5512
0,5321
0,5132
0,4946
0,4763
0,4582
c=5
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9999
0,9999
0,9998
0,9997
0,9997
0,9994
0,9990
0,9985
0,9978
0,9968
0,9955
0,9940
0,9920
0,9896
0,9868
0,9834
0,9796
0,9751
0,9700
0,9643
0,9580
0,9510
0,9433
0,9349
0,9258
0,9161
0,9057
0,8946
0,8829
0,8705
0,8576
0,8441
0,8301
0,8156
0,8006
0,7851
0,7693
0,7531
0,7367
0,7199
0,7029
0,6858
0,6684
0,6510
0,6335
0 1 2 3 4 5 6 7 8 9 10
c=6
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9999
0,9997
0,9996
0,9994
0,9991
0,9987
0,9981
0,9974
0,9966
0,9955
0,9941
0,9925
0,9906
0,9884
0,9858
0,9828
0,9794
0,9756
0,9713
0,9665
0,9612
0,9554
0,9490
0,9421
0,9347
0,9267
0,9182
0,9091
0,8995
0,8893
0,8786
0,8675
0,8558
0,8436
0,8311
0,8180
0,8046
0,7908
0,7767
c=7
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9999
0,9998
0,9997
0,9996
0,9994
0,9992
0,9989
0,9985
0,9980
0,9974
0,9967
0,9958
0,9947
0,9934
0,9919
0,9901
0,9881
0,9858
0,9832
0,9802
0,9769
0,9733
0,9692
0,9648
0,9599
0,9546
0,9489
0,9427
0,9361
0,9290
0,9214
0,9134
0,9049
0,8960
0,8867
0,8769
c=8
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
0,9999
0,9999
0,9998
0,9998
0,9997
0,9995
0,9994
0,9991
0,9989
0,9985
0,9981
0,9976
0,9969
0,9962
0,9953
0,9943
0,9931
0,9917
0,9901
0,9883
0,9863
0,9840
0,9815
0,9786
0,9755
0,9721
0,9683
0,9642
0,9597
0,9549
0,9497
0,9442
0,9382
Anexo A
DISTRIBUCIN DE POISSON
c
P( X c )
i 0
5,00
5,10
5,20
5,30
5,40
5,50
5,60
5,70
5,80
5,90
6,00
6,10
6,20
6,30
6,40
6,50
6,60
6,70
6,80
6,90
7,00
7,20
7,40
7,60
7,80
8,00
8,20
8,40
8,60
8,80
9,00
9,20
9,40
9,60
9,80
10,0
10,2
10,4
10,6
10,8
11,00
11,20
11,40
11,60
11,80
12,00
12,20
12,40
12,60
12,80
13,00
13,20
13,40
13,60
13,80
14,00
14,20
14,40
14,60
14,80
15,00
c=0
0,0067
0,0061
0,0055
0,0050
0,0045
0,0041
0,0037
0,0033
0,0030
0,0027
0,0025
0,0022
0,0020
0,0018
0,0017
0,0015
0,0014
0,0012
0,0011
0,0010
0,0009
0,0007
0,0006
0,0005
0,0004
0,0003
0,0003
0,0002
0,0002
0,0002
0,0001
0,0001
0,0001
0,0001
0,0001
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
c=1
0,0404
0,0372
0,0342
0,0314
0,0289
0,0266
0,0244
0,0224
0,0206
0,0189
0,0174
0,0159
0,0146
0,0134
0,0123
0,0113
0,0103
0,0095
0,0087
0,0080
0,0073
0,0061
0,0051
0,0043
0,0036
0,0030
0,0025
0,0021
0,0018
0,0015
0,0012
0,0010
0,0009
0,0007
0,0006
0,0005
0,0004
0,0003
0,0003
0,0002
0,0002
0,0002
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
c=2
0,1247
0,1165
0,1088
0,1016
0,0948
0,0884
0,0824
0,0768
0,0715
0,0666
0,0620
0,0577
0,0536
0,0498
0,0463
0,0430
0,0400
0,0371
0,0344
0,0320
0,0296
0,0255
0,0219
0,0188
0,0161
0,0138
0,0118
0,0100
0,0086
0,0073
0,0062
0,0053
0,0045
0,0038
0,0033
0,0028
0,0023
0,0020
0,0017
0,0014
0,0012
0,0010
0,0009
0,0007
0,0006
0,0005
0,0004
0,0004
0,0003
0,0003
0,0002
0,0002
0,0002
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0000
0,0000
c=3
0,2650
0,2513
0,2381
0,2254
0,2133
0,2017
0,1906
0,1800
0,1700
0,1604
0,1512
0,1425
0,1342
0,1264
0,1189
0,1118
0,1052
0,0988
0,0928
0,0871
0,0818
0,0719
0,0632
0,0554
0,0485
0,0424
0,0370
0,0323
0,0281
0,0244
0,0212
0,0184
0,0160
0,0138
0,0120
0,0103
0,0089
0,0077
0,0066
0,0057
0,0049
0,0042
0,0036
0,0031
0,0027
0,0023
0,0020
0,0017
0,0014
0,0012
0,0011
0,0009
0,0008
0,0007
0,0006
0,0005
0,0004
0,0003
0,0003
0,0002
0,0002
-329-
i e
i!
c=4
0,4405
0,4231
0,4061
0,3895
0,3733
0,3575
0,3422
0,3272
0,3127
0,2987
0,2851
0,2719
0,2592
0,2469
0,2351
0,2237
0,2127
0,2022
0,1920
0,1823
0,1730
0,1555
0,1395
0,1249
0,1117
0,0996
0,0887
0,0789
0,0701
0,0621
0,0550
0,0486
0,0429
0,0378
0,0333
0,0293
0,0257
0,0225
0,0197
0,0173
0,0151
0,0132
0,0115
0,0100
0,0087
0,0076
0,0066
0,0057
0,0050
0,0043
0,0037
0,0032
0,0028
0,0024
0,0021
0,0018
0,0016
0,0013
0,0012
0,0010
0,0009
c=5
0,6160
0,5984
0,5809
0,5635
0,5461
0,5289
0,5119
0,4950
0,4783
0,4619
0,4457
0,4298
0,4141
0,3988
0,3837
0,3690
0,3547
0,3406
0,3270
0,3137
0,3007
0,2759
0,2526
0,2307
0,2103
0,1912
0,1736
0,1573
0,1422
0,1284
0,1157
0,1041
0,0935
0,0838
0,0750
0,0671
0,0599
0,0534
0,0475
0,0423
0,0375
0,0333
0,0295
0,0261
0,0230
0,0203
0,0179
0,0158
0,0139
0,0122
0,0107
0,0094
0,0083
0,0072
0,0063
0,0055
0,0048
0,0042
0,0037
0,0032
0,0028
0 1 2 3 4 5 6 7 8 9 10
c=6
0,7622
0,7474
0,7324
0,7171
0,7017
0,6860
0,6703
0,6544
0,6384
0,6224
0,6063
0,5902
0,5742
0,5582
0,5423
0,5265
0,5108
0,4953
0,4799
0,4647
0,4497
0,4204
0,3920
0,3646
0,3384
0,3134
0,2896
0,2670
0,2457
0,2256
0,2068
0,1892
0,1727
0,1574
0,1433
0,1301
0,1180
0,1069
0,0966
0,0872
0,0786
0,0708
0,0636
0,0571
0,0512
0,0458
0,0410
0,0366
0,0326
0,0291
0,0259
0,0230
0,0204
0,0181
0,0161
0,0142
0,0126
0,0111
0,0098
0,0087
0,0076
c=7
0,8666
0,8560
0,8449
0,8335
0,8217
0,8095
0,7970
0,7841
0,7710
0,7576
0,7440
0,7301
0,7160
0,7017
0,6873
0,6728
0,6581
0,6433
0,6285
0,6136
0,5987
0,5689
0,5393
0,5100
0,4812
0,4530
0,4254
0,3987
0,3728
0,3478
0,3239
0,3010
0,2792
0,2584
0,2388
0,2202
0,2027
0,1863
0,1710
0,1566
0,1432
0,1307
0,1192
0,1085
0,0986
0,0895
0,0811
0,0734
0,0664
0,0599
0,0540
0,0487
0,0438
0,0393
0,0353
0,0316
0,0283
0,0253
0,0226
0,0202
0,0180
c=8
0,9319
0,9252
0,9181
0,9106
0,9027
0,8944
0,8857
0,8766
0,8672
0,8574
0,8472
0,8367
0,8259
0,8148
0,8033
0,7916
0,7796
0,7673
0,7548
0,7420
0,7291
0,7027
0,6757
0,6482
0,6204
0,5925
0,5647
0,5369
0,5094
0,4823
0,4557
0,4296
0,4042
0,3796
0,3558
0,3328
0,3108
0,2896
0,2694
0,2502
0,2320
0,2147
0,1984
0,1830
0,1686
0,1550
0,1424
0,1305
0,1195
0,1093
0,0998
0,0910
0,0828
0,0753
0,0684
0,0621
0,0562
0,0509
0,0460
0,0415
0,0374
Anexo A
P( X c )
DISTRIBUCIN DE POISSON
i1
i e
i!
1,00
28
26
0,95
0,90
24
0,85
0,80
22
0,75
20
0,70
19
0,65
18
0,60
17
16
0,55
15
0,50
0,45
0,40
0,35
0,30
0,25
c=
0,20
0,15
10
12
11
13
14
0,10
0,05
0,00
0
-330-
10
11
12
13
14
15
16
17
18
19
20 M z
Anexo A
( z) P( Z z)
1
2
t2
2
dt
-3
-2,9
-2,8
-2,7
-2,6
0,0013
0,0019
0,0026
0,0035
0,0047
0,0010
0,0018
0,0025
0,0034
0,0045
0,0007
0,0018
0,0024
0,0033
0,0044
0,0005
0,0017
0,0023
0,0032
0,0043
0,0003
0,0016
0,0023
0,0031
0,0041
0,0002
0,0016
0,0022
0,0030
0,0040
0,0002
0,0015
0,0021
0,0029
0,0039
0,0001
0,0015
0,0021
0,0028
0,0038
0,0001
0,0014
0,0020
0,0027
0,0037
0,0000
0,0014
0,0019
0,0026
0,0036
0.0
0,1
0,2
0,3
0,4
0,5000
0,5398
0,5793
0,6179
0,6554
0,5040
0,5438
0,5832
0,6217
0,6591
0,5080
0,5478
0,5871
0,6255
0,6628
0,5120
0,5517
0,5910
0,6293
0,6664
0,5160
0,5557
0,5948
0,6331
0,6700
0,5199
0,5596
0,5987
0,6368
0,6736
0,5239
0,5636
0,6026
0,6406
0,6772
0,5279
0,5675
0,6064
0,6443
0,6808
0,5319
0,5714
0,6103
0,6480
0,6844
0,5359
0,5753
0,6141
0,6517
0,6879
-2,5
-2,4
-2,3
-2,2
-2,1
0,0062
0,0082
0,0107
0,0139
0,0179
0,0060
0,0080
0,0104
0,0136
0,0174
0,0059
0,0078
0,0102
0,0132
0,0170
0,0057
0,0075
0,0099
0,0129
0,0166
0,0055
0,0073
0,0096
0,0125
0,0162
0,0054
0,0071
0,0094
0,0122
0,0158
0,0052
0,0069
0,0091
0,0119
0,0154
0,0051
0,0068
0,0089
0,0116
0,0150
0,0049
0,0066
0,0087
0,0113
0,0146
0,0048
0,0064
0,0084
0,0110
0,0143
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
-2,0
-1,9
-1,8
-1,7
-1,6
0,0228
0,0287
0,0359
0,0446
0,0548
0,0222
0,0281
0,0351
0,0436
0,0537
0,0217
0,0274
0,0344
0,0427
0,0526
0,0212
0,0268
0,0336
0,0418
0,0516
0,0207
0,0262
0,0329
0,0409
0,0505
0,0202
0,0256
0,0322
0,0401
0,0495
0,0197
0,0250
0,0314
0,0392
0,0485
0,0192
0,0244
0,0307
0,0384
0,0475
0,0188
0,0239
0,0301
0,0375
0,0465
0,0183
0,0233
0,0294
0,0367
0,0455
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
0,9279
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
-1,4
-1,3
-1,2
-1,1
0,0668
0,0808
0,0968
0,1151
0,1357
0,0655
0,0793
0,0951
0,1131
0,1335
0,0643
0,0778
0,0934
0,1112
0,1314
0,0630
0,0764
0,0918
0,1093
0,1292
0,0618
0,0749
0,0901
0,1075
0,1271
0,0606
0,0735
0,0885
0,1057
0,1251
0,0594
0,0721
0,0869
0,1038
0,1230
0,0582
0,0708
0,0853
0,1020
0,1210
0,0571
0,0694
0,0838
0,1003
0,1190
0,0559
0,0681
0,0823
0,0985
0,1170
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
-1,0
-0,9
-0,8
-0,7
-0,6
0,1587
0,1841
0,2119
0,2420
0,2743
0,1562
0,1814
0,2090
0,2389
0,2709
0,1539
0,1788
0,2061
0,2358
0,2676
0,1515
0,1762
0,2033
0,2327
0,2643
0,1492
0,1736
0,2005
0,2297
0,2611
0,1469
0,1711
0,1977
0,2266
0,2578
0,1446
0,1685
0,1949
0,2236
0,2546
0,1423
0,1660
0,1922
0,2207
0,2514
0,1401
0,1635
0,1894
0,2177
0,2483
0,1379
0,1611
0,1867
0,2148
0,2451
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
-0,5
-0,4
-0,3
-0,2
-0,1
-0.0
0,3085
0,3446
0,3821
0,4207
0,4602
0,5000
0,3050
0,3409
0,3783
0,4168
0,4562
0,4960
0,3015
0,3372
0,3745
0,4129
0,4522
0,4920
0,2981
0,3336
0,3707
0,4090
0,4483
0,4880
0,2946
0,3300
0,3669
0,4052
0,4443
0,4840
0,2912
0,3264
0,3632
0,4013
0,4404
0,4801
0,2877
0,3228
0,3594
0,3974
0,4364
0,4761
0,2843
0,3192
0,3557
0,3936
0,4325
0,4721
0,2810
0,3156
0,3520
0,3897
0,4286
0,4681
0,2776
0,3121
0,3483
0,3859
0,4247
0,4641
2,5
2,6
2,7
2,8
2,9
3
0,9938
0,9953
0,9965
0,9974
0,9981
0,9987
0,9940
0,9955
0,9966
0,9975
0,9982
0,9990
0,9941
0,9956
0,9967
0,9976
0,9982
0,9993
0,9943
0,9957
0,9968
0,9977
0,9983
0,9995
0,9945
0,9959
0,9969
0,9977
0,9984
0,9997
0,9946
0,9960
0,9970
0,9978
0,9984
0,9998
0,9948
0,9961
0,9971
0,9979
0,9985
0,9998
0,9949
0,9962
0,9972
0,9979
0,9985
0,9999
0,9951
0,9963
0,9973
0,9980
0,9986
0,9999
0,9952
0,9964
0,9974
0,9981
0,9986
1,0000
-331-
Anexo A
DISTRIBUCIN 2n DE PEARSON
1,00
0,95
0,90
0,85
0,80
0,75
0,70
P(n2 x ) e t / 2
0
t n / 21
dt
2 n / 2
n/ 2
n=1
n=2
n=3
n=4
n=5
n=6
n=7
n=8
n=9
n=10
n=12
0,65
0,60
0,55
0,50
0,45
0,40
n=14
n=16
n=18
n=20
n=22
n=24
n=26
n=28
0,35
n=30
0,30
0,25
0,20
0,15
0,10
0,05
0,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
-332-
Anexo A
DISTRIBUCIN
e t / 2
120
125
P(n2 x )
DE PEARSON (Cont.)
tn / 21
dt
2n / 2 n / 2
1,00
0,95
0,90
0,85
n=30
n=35
0,80
n=40
n=45
0,75
n=50
0,70
2
n=55
0,65
n=60
0,60
n=65
n=70
0,55
n=75
n=80
0,50
n=85
0,45
n=90
0,40
n=95
0,35
n=100
0,30
0,25
0,20
0,15
0,10
0,05
0,00
10
15
20
25
30
35
40
45
50
55
60
65
70
-333-
75
80
85
90
95
100
105
110
115
130
135
140
Anexo A
P( X x )
t2
2 2 n2
dt
2n ()
0.9995 0.999
0.995
0.99
0.975
0.95
0.90
0.50
0.10
0.050
0.025
0.01
0.005
0.001 0.0005
1
2
3
4
5
0.000
0.001
0.015
0.064
0.158
0.000
0.002
0.024
0.091
0.210
0.000
0.010
0.072
0.207
0.412
0.000
0.020
0.115
0.297
0.554
0.001
0.051
0.216
0.484
0.831
0.004
0.103
0.352
0.711
1.146
0.016
0.211
0.584
1.064
1.610
0.455
1.386
2.366
3.357
4.352
2.706 3.842
4.605 5.992
6.251 7.815
7.779 9.488
9.236 11.071
5.024
7.378
9.348
11.143
12.833
6.635
9.210
11.345
13.277
15.086
7.879
10.597
12.838
14.860
16.750
10.827
13.815
16.266
18.466
20.515
12.115
15.201
17.731
19.998
22.106
6
7
8
9
10
0.299
0.485
0.710
0.972
1.265
0.381
0.599
0.857
1.152
1.479
0.676
0.989
1.344
1.735
2.156
0.872
1.239
1.647
2.088
2.558
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
5.348
6.346
7.344
8.343
9.342
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
16.812
18.475
20.090
21.666
23.209
18.548
20.278
21.955
23.589
25.188
22.457
24.321
26.124
27.877
29.588
24.102
26.018
27.867
29.667
31.419
11
12
13
14
15
1.587
1.935
2.305
2.697
3.107
1.834
2.214
2.617
3.041
3.483
2.603
3.074
3.565
4.075
4.601
3.054
3.571
4.107
4.660
5.229
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
10.341
11.340
12.340
13.339
14.339
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
24.725
26.217
27.688
29.141
30.578
26.757
28.300
29.819
31.319
32.802
31.264
32.909
34.527
36.124
37.698
33.138
34.821
36.477
38.109
39.717
16
17
18
19
20
3.536
3.980
4.439
4.913
5.398
3.942
4.416
4.905
5.407
5.921
5.142
5.697
6.265
6.844
7.434
5.812
6.408
7.015
7.633
8.260
15.339
16.338
17.338
18.338
19.337
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
32.000
33.409
34.805
36.191
37.566
34.267
35.718
37.156
38.582
39.997
39.252
40.791
42.312
43.819
45.314
41.308
42.881
44.434
45.974
47.498
21
22
23
24
25
5.895
6.404
6.924
7.453
7.991
6.447 8.034
6.983 8.643
7.529 9.260
8.085 9.886
8.649 10.520
8.897
9.543
10.196
10.856
11.524
10.283
10.982
11.689
12.401
13.120
11.591
12.338
13.091
13.848
14.611
13.240
14.042
14.848
15.659
16.473
20.337
21.337
22.337
23.337
24.337
29.615
30.813
32.007
33.196
34.382
32.671
33.925
35.173
36.415
37.653
35.479
36.781
38.076
39.364
40.647
38.932
40.289
41.638
42.980
44.314
41.401
42.796
44.181
45.558
46.928
46.796
48.268
49.728
51.179
52.619
49.010
50.510
51.999
53.478
54.948
12.198
12.879
13.565
14.256
14.954
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
25.337
26.336
27.336
28.336
29.336
35.563
36.741
37.916
39.088
40.256
38.885
40.113
41.337
42.557
43.773
41.923
43.195
44.461
45.722
46.979
45.642
46.963
48.278
49.588
50.892
48.290
49.645
50.994
52.336
53.672
54.051
55.475
56.892
58.301
59.702
56.407
57.856
59.299
60.734
62.160
26 8.537 9.222
27 9.093 9.803
28 9.656 10.391
29 10.227 10.986
30 10.804 11.588
11.160
11.808
12.461
13.121
13.787
40 16.906 17.917 20.707 22.164 24.433 26.509 29.051 39.335 51.805 55.759 59.342 63.691 66.766 73.403 76.096
50 23.461 24.674 27.991 29.707 32.357 34.764 37.689 49.335 63.167 67.505 71.420 76.154 79.490 86.660 89.560
60 30.339 31.738 35.534 37.485 40.482 43.188 46.459 59.335 74.397 79.082 83.298 88.379 91.952 99.608 102.69
7
70 37.467 39.036 43.275 45.442 48.758 51.739 55.329 69.335 85.527 90.531 95.023 100.43 104.22 112.32 115.58
80 44.792 46.520 51.172 53.540 57.153 60.392 64.278 79.334 96.578 101.88 106.62 112.32 116.32 124.84 128.26
90 52.277 54.156 59.196 61.754 65.647 69.126 73.291 89.334 107.56 113.15 118.14 124.11 128.29 137.20 140.78
100 59.895 61.918 67.328 70.065 74.222 77.929 82.358 99.334 118.49 124.34 129.56 135.81 140.17 149.45 153.16
-334-
Anexo A
DISTRIBUCIN t de Student
P( X x )
(1 t 2 / n)
n1
2
n1
)
2
(n / 2) n
dt
n
x
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
16
18
20
22
24
26
28
30
0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
0,5317 0,5353 0,5367 0,5374 0,5379 0,5382 0,5384 0,5386 0,5387 0,5388 0,5389 0,5390 0,5391 0,5391 0,5392 0,5393 0,5393 0,5394 0,5394 0,5394 0,5395 0,5395
0,5628 0,5700 0,5729 0,5744 0,5753 0,5760 0,5764 0,5768 0,5770 0,5773 0,5774 0,5776 0,5777 0,5778 0,5780 0,5781 0,5782 0,5783 0,5784 0,5785 0,5785 0,5786
0,5928 0,6038 0,6081 0,6104 0,6119 0,6129 0,6136 0,6141 0,6145 0,6148 0,6151 0,6153 0,6155 0,6157 0,6160 0,6162 0,6164 0,6165 0,6166 0,6167 0,6168 0,6169
0,6211 0,6361 0,6420 0,6452 0,6472 0,6485 0,6495 0,6502 0,6508 0,6512 0,6516 0,6519 0,6522 0,6524 0,6528 0,6531 0,6533 0,6535 0,6537 0,6538 0,6539 0,6540
0,6476 0,6667 0,6743 0,6783 0,6809 0,6826 0,6838 0,6847 0,6855 0,6861 0,6865 0,6869 0,6873 0,6876 0,6881 0,6884 0,6887 0,6890 0,6892 0,6894 0,6895 0,6896
0,6720 0,6953 0,7046 0,7096 0,7127 0,7148 0,7163 0,7174 0,7183 0,7191 0,7197 0,7202 0,7206 0,7210 0,7215 0,7220 0,7224 0,7227 0,7229 0,7231 0,7233 0,7235
0,6944 0,7218 0,7328 0,7387 0,7424 0,7449 0,7467 0,7481 0,7492 0,7501 0,7508 0,7514 0,7519 0,7523 0,7530 0,7536 0,7540 0,7544 0,7547 0,7549 0,7551 0,7553
0,7148 0,7462 0,7589 0,7657 0,7700 0,7729 0,7750 0,7766 0,7778 0,7788 0,7797 0,7804 0,7810 0,7815 0,7823 0,7829 0,7834 0,7839 0,7842 0,7845 0,7848 0,7850
0,7333 0,7684 0,7828 0,7905 0,7953 0,7986 0,8010 0,8028 0,8042 0,8054 0,8063 0,8071 0,8078 0,8083 0,8093 0,8100 0,8106 0,8111 0,8115 0,8118 0,8121 0,8124
0,7500 0,7887 0,8045 0,8130 0,8184 0,8220 0,8247 0,8267 0,8283 0,8296 0,8306 0,8315 0,8322 0,8329 0,8339 0,8347 0,8354 0,8359 0,8364 0,8367 0,8371 0,8373
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
0,7651 0,8070 0,8242 0,8335 0,8393 0,8433 0,8461 0,8483 0,8501 0,8514 0,8526 0,8535 0,8544 0,8551 0,8562 0,8571 0,8578 0,8584 0,8589 0,8593 0,8597 0,8600
0,7789 0,8235 0,8419 0,8518 0,8581 0,8623 0,8654 0,8678 0,8696 0,8711 0,8723 0,8734 0,8742 0,8750 0,8762 0,8772 0,8779 0,8785 0,8791 0,8795 0,8799 0,8802
0,7913 0,8384 0,8578 0,8683 0,8748 0,8793 0,8826 0,8851 0,8870 0,8886 0,8899 0,8910 0,8919 0,8927 0,8940 0,8950 0,8958 0,8965 0,8970 0,8975 0,8979 0,8982
0,8026 0,8518 0,8720 0,8829 0,8898 0,8945 0,8979 0,9005 0,9025 0,9041 0,9055 0,9066 0,9075 0,9084 0,9097 0,9107 0,9116 0,9123 0,9128 0,9133 0,9138 0,9141
0,8128 0,8638 0,8847 0,8960 0,9030 0,9079 0,9114 0,9140 0,9161 0,9177 0,9191 0,9203 0,9212 0,9221 0,9235 0,9245 0,9254 0,9261 0,9267 0,9272 0,9276 0,9280
0,8222 0,8746 0,8960 0,9076 0,9148 0,9196 0,9232 0,9259 0,9280 0,9297 0,9310 0,9322 0,9332 0,9340 0,9354 0,9365 0,9374 0,9381 0,9387 0,9392 0,9396 0,9400
0,8307 0,8844 0,9062 0,9178 0,9251 0,9300 0,9335 0,9362 0,9383 0,9400 0,9414 0,9426 0,9435 0,9444 0,9458 0,9468 0,9477 0,9484 0,9490 0,9495 0,9499 0,9503
0,8386 0,8932 0,9152 0,9269 0,9341 0,9390 0,9426 0,9452 0,9473 0,9490 0,9503 0,9515 0,9525 0,9533 0,9546 0,9557 0,9565 0,9572 0,9578 0,9583 0,9587 0,9590
0,8458 0,9011 0,9232 0,9349 0,9421 0,9469 0,9504 0,9530 0,9551 0,9567 0,9580 0,9591 0,9601 0,9609 0,9622 0,9632 0,9640 0,9647 0,9652 0,9657 0,9661 0,9665
2
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
0,8524 0,9082 0,9303 0,9419 0,9490 0,9538 0,9572 0,9597 0,9617 0,9633 0,9646 0,9657 0,9666 0,9674 0,9686 0,9696 0,9704 0,9710 0,9715 0,9720 0,9724 0,9727
0,8585 0,9147 0,9367 0,9482 0,9551 0,9598 0,9631 0,9655 0,9674 0,9690 0,9702 0,9712 0,9721 0,9728 0,9740 0,9750 0,9757 0,9763 0,9768 0,9772 0,9776 0,9779
0,8642 0,9206 0,9424 0,9537 0,9605 0,9649 0,9681 0,9705 0,9723 0,9738 0,9750 0,9759 0,9768 0,9774 0,9786 0,9794 0,9801 0,9807 0,9812 0,9816 0,9819 0,9822
0,8695 0,9259 0,9475 0,9585 0,9651 0,9694 0,9725 0,9748 0,9765 0,9779 0,9790 0,9799 0,9807 0,9813 0,9824 0,9832 0,9838 0,9843 0,9848 0,9851 0,9854 0,9857
0,8743 0,9308 0,9521 0,9628 0,9692 0,9734 0,9763 0,9784 0,9801 0,9813 0,9824 0,9832 0,9840 0,9846 0,9855 0,9863 0,9869 0,9874 0,9877 0,9881 0,9884 0,9886
0,8789 0,9352 0,9561 0,9666 0,9728 0,9767 0,9795 0,9815 0,9831 0,9843 0,9852 0,9860 0,9867 0,9873 0,9882 0,9888 0,9894 0,9898 0,9902 0,9905 0,9907 0,9909
0,8831 0,9392 0,9598 0,9700 0,9759 0,9797 0,9823 0,9842 0,9856 0,9868 0,9877 0,9884 0,9890 0,9895 0,9903 0,9910 0,9914 0,9918 0,9921 0,9924 0,9926 0,9928
0,8871 0,9429 0,9631 0,9730 0,9786 0,9822 0,9847 0,9865 0,9878 0,9888 0,9897 0,9903 0,9909 0,9914 0,9921 0,9927 0,9931 0,9935 0,9937 0,9940 0,9942 0,9944
0,8908 0,9463 0,9661 0,9756 0,9810 0,9844 0,9867 0,9884 0,9896 0,9906 0,9914 0,9920 0,9925 0,9929 0,9936 0,9941 0,9945 0,9948 0,9950 0,9952 0,9954 0,9956
0,8943 0,9494 0,9687 0,9779 0,9831 0,9863 0,9885 0,9901 0,9912 0,9921 0,9928 0,9933 0,9938 0,9942 0,9948 0,9952 0,9956 0,9958 0,9961 0,9963 0,9964 0,9965
3
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,8976 0,9523 0,9712 0,9800 0,9850 0,9880 0,9900 0,9915 0,9925 0,9933 0,9940 0,9945 0,9949 0,9952 0,9958 0,9962 0,9965 0,9967 0,9969 0,9971 0,9972 0,9973
0,9007 0,9549 0,9734 0,9819 0,9866 0,9894 0,9913 0,9927 0,9936 0,9944 0,9949 0,9954 0,9958 0,9961 0,9966 0,9969 0,9972 0,9974 0,9976 0,9977 0,9978 0,9979
0,9036 0,9573 0,9753 0,9835 0,9880 0,9907 0,9925 0,9937 0,9946 0,9953 0,9958 0,9962 0,9965 0,9968 0,9972 0,9975 0,9978 0,9979 0,9981 0,9982 0,9983 0,9984
0,9063 0,9596 0,9771 0,9850 0,9893 0,9918 0,9934 0,9946 0,9954 0,9960 0,9965 0,9968 0,9971 0,9974 0,9977 0,9980 0,9982 0,9984 0,9985 0,9986 0,9987 0,9988
0,9089 0,9617 0,9788 0,9864 0,9904 0,9928 0,9943 0,9953 0,9961 0,9966 0,9970 0,9974 0,9976 0,9978 0,9982 0,9984 0,9986 0,9987 0,9988 0,9989 0,9990 0,9990
0,9114 0,9636 0,9803 0,9876 0,9914 0,9936 0,9950 0,9960 0,9966 0,9971 0,9975 0,9978 0,9980 0,9982 0,9985 0,9987 0,9989 0,9990 0,9991 0,9992 0,9992 0,9993
0,9138 0,9654 0,9816 0,9886 0,9922 0,9943 0,9956 0,9965 0,9971 0,9976 0,9979 0,9982 0,9984 0,9986 0,9988 0,9990 0,9991 0,9992 0,9993 0,9993 0,9994 0,9994
0,9160 0,9670 0,9829 0,9896 0,9930 0,9950 0,9962 0,9970 0,9975 0,9979 0,9982 0,9985 0,9987 0,9988 0,9990 0,9992 0,9993 0,9994 0,9994 0,9995 0,9995 0,9996
0,9181 0,9686 0,9840 0,9904 0,9937 0,9955 0,9966 0,9974 0,9979 0,9983 0,9985 0,9987 0,9989 0,9990 0,9992 0,9993 0,9994 0,9995 0,9996 0,9996 0,9996 0,9997
0,9201 0,9701 0,9850 0,9912 0,9943 0,9960 0,9971 0,9977 0,9982 0,9985 0,9988 0,9989 0,9991 0,9992 0,9994 0,9995 0,9996 0,9996 0,9997 0,9997 0,9997 0,9997
4
4,1
4,2
4,3
4,4
4,5
4,6
4,7
4,8
4,9
0,9220 0,9714 0,9860 0,9919 0,9948 0,9964 0,9974 0,9980 0,9984 0,9987 0,9990 0,9991 0,9992 0,9993 0,9995 0,9996 0,9996 0,9997 0,9997 0,9998 0,9998 0,9998
0,9239 0,9727 0,9869 0,9926 0,9953 0,9968 0,9977 0,9983 0,9987 0,9989 0,9991 0,9993 0,9994 0,9995 0,9996 0,9997 0,9997 0,9998 0,9998 0,9998 0,9998 0,9999
0,9256 0,9739 0,9877 0,9932 0,9958 0,9972 0,9980 0,9985 0,9988 0,9991 0,9993 0,9994 0,9995 0,9996 0,9997 0,9997 0,9998 0,9998 0,9998 0,9999 0,9999 0,9999
0,9273 0,9750 0,9884 0,9937 0,9961 0,9975 0,9982 0,9987 0,9990 0,9992 0,9994 0,9995 0,9996 0,9996 0,9997 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999
0,9289 0,9760 0,9891 0,9942 0,9965 0,9977 0,9984 0,9989 0,9991 0,9993 0,9995 0,9996 0,9996 0,9997 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
0,9304 0,9770 0,9898 0,9946 0,9968 0,9979 0,9986 0,9990 0,9993 0,9994 0,9995 0,9996 0,9997 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 1,0000
0,9319 0,9779 0,9903 0,9950 0,9971 0,9982 0,9988 0,9991 0,9994 0,9995 0,9996 0,9997 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 1,0000 1,0000
0,9333 0,9788 0,9909 0,9953 0,9973 0,9983 0,9989 0,9992 0,9994 0,9996 0,9997 0,9997 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 1,0000
0,9346 0,9796 0,9914 0,9957 0,9976 0,9985 0,9990 0,9993 0,9995 0,9996 0,9997 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 1,0000
0,9359 0,9804 0,9919 0,9960 0,9978 0,9986 0,9991 0,9994 0,9996 0,9997 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 1,0000
5
5,1
5,2
5,3
5,4
5,5
5,6
5,7
5,8
5,9
0,9372 0,9811 0,9923 0,9963 0,9979 0,9988 0,9992 0,9995 0,9996 0,9997 0,9998 0,9998 0,9999 0,9999 0,9999 1,0000
0,9384 0,9818 0,9927 0,9965 0,9981 0,9989 0,9993 0,9995 0,9997 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999
0,9395 0,9825 0,9931 0,9967 0,9983 0,9990 0,9994 0,9996 0,9997 0,9998 0,9999 0,9999 0,9999 0,9999 1,0000
0,9406 0,9831 0,9934 0,9970 0,9984 0,9991 0,9994 0,9996 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999
0,9417 0,9837 0,9938 0,9972 0,9985 0,9992 0,9995 0,9997 0,9998 0,9998 0,9999 0,9999 0,9999 1,0000
0,9428 0,9842 0,9941 0,9973 0,9986 0,9992 0,9995 0,9997 0,9998 0,9999 0,9999 0,9999 0,9999
0,9438 0,9848 0,9944 0,9975 0,9987 0,9993 0,9996 0,9997 0,9998 0,9999 0,9999 0,9999 1,0000
0,9447 0,9853 0,9946 0,9977 0,9988 0,9994 0,9996 0,9998 0,9999 0,9999 0,9999 1,0000
0,9457 0,9858 0,9949 0,9978 0,9989 0,9994 0,9997 0,9998 0,9999 0,9999 0,9999
0,9466 0,9862 0,9951 0,9979 0,9990 0,9995 0,9997 0,9998 0,9999 0,9999 0,9999
6
6,1
6,2
6,3
6,4
6,5
6,6
6,7
6,8
6,9
0,9474 0,9867 0,9954 0,9981 0,9991 0,9995 0,9997 0,9998 0,9999 0,9999 1,0000
0,9483 0,9871 0,9956 0,9982 0,9991 0,9996 0,9998 0,9999 0,9999 0,9999
0,9491 0,9875 0,9958 0,9983 0,9992 0,9996 0,9998 0,9999 0,9999 0,9999
0,9499 0,9879 0,9960 0,9984 0,9993 0,9996 0,9998 0,9999 0,9999 1,0000
0,9507 0,9882 0,9961 0,9985 0,9993 0,9997 0,9998 0,9999 0,9999
0,9514 0,9886 0,9963 0,9986 0,9994 0,9997 0,9998 0,9999 0,9999
0,9521 0,9889 0,9965 0,9986 0,9994 0,9997 0,9998 0,9999 1,0000
0,9528 0,9892 0,9966 0,9987 0,9994 0,9997 0,9999 0,9999
0,9535 0,9895 0,9967 0,9988 0,9995 0,9998 0,9999 0,9999
0,9542 0,9898 0,9969 0,9988 0,9995 0,9998 0,9999 0,9999
7
7,2
7,4
7,6
7,8
8
-335-
Anexo A
DISTRIBUCIN t de Student
P( X x )
(1 t 2 / n)
n 1
2
n1
)
2
(n / 2) n
n
x
0
35
40
45
50
55
60
65
70
75
80
85
90
95
100
110
120
0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
0,85
0,9
0,95
0,5198
0,5395
0,5592
0,5787
0,5980
0,6170
0,6358
0,6542
0,6723
0,6899
0,7071
0,7238
0,7400
0,7557
0,7709
0,7854
0,7994
0,8129
0,8257
0,5198
0,5396
0,5592
0,5788
0,5981
0,6171
0,6359
0,6544
0,6724
0,6901
0,7073
0,7241
0,7403
0,7560
0,7712
0,7858
0,7998
0,8132
0,8261
0,5198
0,5396
0,5593
0,5788
0,5981
0,6172
0,6360
0,6545
0,6726
0,6902
0,7075
0,7242
0,7405
0,7562
0,7714
0,7860
0,8001
0,8135
0,8264
0,5198
0,5396
0,5593
0,5789
0,5982
0,6173
0,6361
0,6546
0,6727
0,6904
0,7076
0,7244
0,7407
0,7564
0,7716
0,7863
0,8003
0,8138
0,8267
0,5198
0,5396
0,5593
0,5789
0,5982
0,6173
0,6362
0,6546
0,6728
0,6905
0,7077
0,7245
0,7408
0,7566
0,7718
0,7864
0,8005
0,8140
0,8269
0,5199
0,5397
0,5594
0,5789
0,5983
0,6174
0,6362
0,6547
0,6728
0,6905
0,7078
0,7246
0,7409
0,7567
0,7719
0,7866
0,8006
0,8141
0,8270
0,5199
0,5397
0,5594
0,5789
0,5983
0,6174
0,6363
0,6548
0,6729
0,6906
0,7079
0,7247
0,7410
0,7568
0,7720
0,7867
0,8008
0,8143
0,8272
0,5199
0,5397
0,5594
0,5790
0,5983
0,6175
0,6363
0,6548
0,6729
0,6907
0,7080
0,7248
0,7411
0,7569
0,7721
0,7868
0,8009
0,8144
0,8273
0,5199
0,5397
0,5594
0,5790
0,5984
0,6175
0,6363
0,6549
0,6730
0,6907
0,7080
0,7248
0,7412
0,7570
0,7722
0,7869
0,8010
0,8145
0,8274
0,5199
0,5397
0,5594
0,5790
0,5984
0,6175
0,6364
0,6549
0,6730
0,6908
0,7081
0,7249
0,7412
0,7570
0,7723
0,7870
0,8011
0,8146
0,8275
0,5199
0,5397
0,5594
0,5790
0,5984
0,6175
0,6364
0,6549
0,6731
0,6908
0,7081
0,7249
0,7413
0,7571
0,7723
0,7870
0,8011
0,8147
0,8276
0,5199
0,5397
0,5594
0,5790
0,5984
0,6176
0,6364
0,6549
0,6731
0,6909
0,7082
0,7250
0,7413
0,7571
0,7724
0,7871
0,8012
0,8147
0,8277
0,5199
0,5397
0,5595
0,5790
0,5984
0,6176
0,6364
0,6550
0,6731
0,6909
0,7082
0,7250
0,7414
0,7572
0,7724
0,7871
0,8013
0,8148
0,8277
0,5199
0,5397
0,5595
0,5791
0,5984
0,6176
0,6365
0,6550
0,6732
0,6909
0,7082
0,7251
0,7414
0,7572
0,7725
0,7872
0,8013
0,8149
0,8278
0,5199
0,5397
0,5595
0,5791
0,5985
0,6176
0,6365
0,6550
0,6732
0,6910
0,7083
0,7251
0,7415
0,7573
0,7726
0,7873
0,8014
0,8150
0,8279
0,5199
0,5397
0,5595
0,5791
0,5985
0,6177
0,6365
0,6551
0,6732
0,6910
0,7083
0,7252
0,7415
0,7574
0,7726
0,7874
0,8015
0,8150
0,8280
0,5199
0,5398
0,5596
0,5793
0,5987
0,6179
0,6368
0,6554
0,6736
0,6915
0,7088
0,7258
0,7422
0,7580
0,7734
0,7881
0,8023
0,8159
0,8289
1
1,05
1,1
1,15
1,2
1,25
1,3
1,35
1,4
1,45
1,5
1,55
1,6
1,65
1,7
1,75
1,8
1,85
1,9
1,95
0,8379
0,8495
0,8606
0,8710
0,8809
0,8902
0,8990
0,9072
0,9148
0,9220
0,9287
0,9349
0,9407
0,9461
0,9510
0,9556
0,9598
0,9636
0,9672
0,9704
0,8383
0,8500
0,8610
0,8715
0,8814
0,8907
0,8995
0,9077
0,9154
0,9226
0,9293
0,9355
0,9413
0,9466
0,9516
0,9561
0,9603
0,9641
0,9677
0,9709
0,8387
0,8503
0,8614
0,8719
0,8818
0,8911
0,8999
0,9081
0,9158
0,9230
0,9297
0,9359
0,9417
0,9470
0,9520
0,9565
0,9607
0,9646
0,9681
0,9713
0,8389
0,8506
0,8617
0,8722
0,8821
0,8914
0,9002
0,9085
0,9162
0,9233
0,9300
0,9363
0,9421
0,9474
0,9523
0,9569
0,9611
0,9649
0,9684
0,9716
0,8392
0,8508
0,8619
0,8724
0,8824
0,8917
0,9005
0,9087
0,9164
0,9236
0,9303
0,9366
0,9423
0,9477
0,9526
0,9572
0,9613
0,9652
0,9687
0,9719
0,8393
0,8510
0,8621
0,8726
0,8826
0,8919
0,9007
0,9090
0,9167
0,9239
0,9306
0,9368
0,9426
0,9479
0,9528
0,9574
0,9616
0,9654
0,9689
0,9721
0,8395
0,8512
0,8623
0,8728
0,8828
0,8921
0,9009
0,9092
0,9169
0,9241
0,9308
0,9370
0,9428
0,9481
0,9530
0,9576
0,9617
0,9656
0,9691
0,9723
0,8396
0,8513
0,8624
0,8730
0,8829
0,8923
0,9011
0,9093
0,9170
0,9242
0,9309
0,9372
0,9429
0,9483
0,9532
0,9577
0,9619
0,9657
0,9692
0,9724
0,8397
0,8515
0,8626
0,8731
0,8830
0,8924
0,9012
0,9095
0,9172
0,9244
0,9311
0,9373
0,9431
0,9484
0,9534
0,9579
0,9621
0,9659
0,9694
0,9725
0,8398
0,8516
0,8627
0,8732
0,8832
0,8925
0,9013
0,9096
0,9173
0,9245
0,9312
0,9375
0,9432
0,9486
0,9535
0,9580
0,9622
0,9660
0,9695
0,9727
0,8399
0,8517
0,8628
0,8733
0,8833
0,8926
0,9014
0,9097
0,9174
0,9246
0,9313
0,9376
0,9433
0,9487
0,9536
0,9581
0,9623
0,9661
0,9696
0,9728
0,8400
0,8517
0,8629
0,8734
0,8834
0,8927
0,9015
0,9098
0,9175
0,9247
0,9314
0,9377
0,9434
0,9488
0,9537
0,9582
0,9624
0,9662
0,9697
0,9729
0,8401
0,8518
0,8629
0,8735
0,8834
0,8928
0,9016
0,9099
0,9176
0,9248
0,9315
0,9378
0,9435
0,9489
0,9538
0,9583
0,9625
0,9663
0,9698
0,9729
0,8401
0,8519
0,8630
0,8736
0,8835
0,8929
0,9017
0,9100
0,9177
0,9249
0,9316
0,9378
0,9436
0,9490
0,9539
0,9584
0,9626
0,9664
0,9698
0,9730
0,8402
0,8520
0,8631
0,8737
0,8836
0,8930
0,9018
0,9101
0,9178
0,9250
0,9318
0,9380
0,9438
0,9491
0,9540
0,9585
0,9627
0,9665
0,9700
0,9731
0,8403
0,8521
0,8632
0,8738
0,8837
0,8931
0,9020
0,9102
0,9180
0,9252
0,9319
0,9381
0,9439
0,9492
0,9541
0,9587
0,9628
0,9666
0,9701
0,9732
0,8414
0,8531
0,8643
0,8749
0,8849
0,8944
0,9032
0,9115
0,9193
0,9265
0,9332
0,9394
0,9452
0,9505
0,9554
0,9599
0,9641
0,9678
0,9713
0,9744
2
2,05
2,1
2,15
2,2
2,25
2,3
2,35
2,4
2,45
2,5
2,55
2,6
2,65
2,7
2,75
2,8
2,85
2,9
2,95
0,9733
0,9760
0,9785
0,9807
0,9827
0,9846
0,9862
0,9877
0,9891
0,9903
0,9914
0,9923
0,9932
0,9940
0,9947
0,9953
0,9959
0,9964
0,9968
0,9972
0,9738
0,9765
0,9790
0,9812
0,9832
0,9850
0,9866
0,9881
0,9894
0,9906
0,9917
0,9926
0,9935
0,9943
0,9949
0,9955
0,9961
0,9966
0,9970
0,9974
0,9742
0,9769
0,9793
0,9815
0,9835
0,9853
0,9869
0,9884
0,9897
0,9909
0,9919
0,9929
0,9937
0,9945
0,9951
0,9957
0,9962
0,9967
0,9971
0,9975
0,9745
0,9772
0,9796
0,9818
0,9838
0,9856
0,9872
0,9886
0,9899
0,9911
0,9921
0,9931
0,9939
0,9946
0,9953
0,9959
0,9964
0,9968
0,9972
0,9976
0,9748
0,9774
0,9798
0,9820
0,9840
0,9858
0,9874
0,9888
0,9901
0,9913
0,9923
0,9932
0,9940
0,9948
0,9954
0,9960
0,9965
0,9969
0,9973
0,9977
0,9750
0,9776
0,9800
0,9822
0,9842
0,9859
0,9875
0,9890
0,9902
0,9914
0,9924
0,9933
0,9941
0,9949
0,9955
0,9961
0,9966
0,9970
0,9974
0,9977
0,9752
0,9778
0,9802
0,9824
0,9843
0,9861
0,9877
0,9891
0,9904
0,9915
0,9925
0,9934
0,9942
0,9950
0,9956
0,9961
0,9966
0,9971
0,9975
0,9978
0,9753
0,9779
0,9803
0,9825
0,9844
0,9862
0,9878
0,9892
0,9905
0,9916
0,9926
0,9935
0,9943
0,9950
0,9957
0,9962
0,9967
0,9971
0,9975
0,9978
0,9754
0,9781
0,9805
0,9826
0,9846
0,9863
0,9879
0,9893
0,9906
0,9917
0,9927
0,9936
0,9944
0,9951
0,9957
0,9963
0,9968
0,9972
0,9976
0,9979
0,9756
0,9782
0,9806
0,9827
0,9847
0,9864
0,9880
0,9894
0,9906
0,9918
0,9928
0,9937
0,9945
0,9952
0,9958
0,9963
0,9968
0,9972
0,9976
0,9979
0,9757
0,9783
0,9807
0,9828
0,9847
0,9865
0,9881
0,9895
0,9907
0,9918
0,9928
0,9937
0,9945
0,9952
0,9958
0,9964
0,9968
0,9973
0,9976
0,9979
0,9757
0,9784
0,9807
0,9829
0,9848
0,9866
0,9881
0,9895
0,9908
0,9919
0,9929
0,9938
0,9946
0,9952
0,9959
0,9964
0,9969
0,9973
0,9977
0,9980
0,9758
0,9784
0,9808
0,9830
0,9849
0,9866
0,9882
0,9896
0,9908
0,9919
0,9929
0,9938
0,9946
0,9953
0,9959
0,9964
0,9969
0,9973
0,9977
0,9980
0,9759
0,9785
0,9809
0,9830
0,9849
0,9867
0,9882
0,9896
0,9909
0,9920
0,9930
0,9939
0,9946
0,9953
0,9959
0,9965
0,9969
0,9973
0,9977
0,9980
0,9760
0,9786
0,9810
0,9831
0,9851
0,9868
0,9883
0,9897
0,9910
0,9921
0,9931
0,9939
0,9947
0,9954
0,9960
0,9965
0,9970
0,9974
0,9977
0,9981
0,9761
0,9787
0,9811
0,9832
0,9851
0,9869
0,9884
0,9898
0,9910
0,9921
0,9931
0,9940
0,9948
0,9954
0,9960
0,9966
0,9970
0,9974
0,9978
0,9981
0,9772
0,9798
0,9821
0,9842
0,9861
0,9878
0,9893
0,9906
0,9918
0,9929
0,9938
0,9946
0,9953
0,9960
0,9965
0,9970
0,9974
0,9978
0,9981
0,9984
3
3,05
3,1
3,15
3,2
3,25
3,3
3,35
3,4
3,45
3,5
3,55
3,6
3,65
3,7
3,75
3,8
3,9
4
0,9975
0,9978
0,9981
0,9983
0,9985
0,9987
0,9989
0,9990
0,9992
0,9993
0,9994
0,9994
0,9995
0,9996
0,9996
0,9997
0,9997
0,9998
0,9998
0,9977
0,9980
0,9982
0,9985
0,9987
0,9988
0,9990
0,9991
0,9992
0,9993
0,9994
0,9995
0,9996
0,9996
0,9997
0,9997
0,9998
0,9998
0,9999
0,9978
0,9981
0,9983
0,9985
0,9987
0,9989
0,9991
0,9992
0,9993
0,9994
0,9995
0,9995
0,9996
0,9997
0,9997
0,9997
0,9998
0,9998
0,9999
0,9979
0,9982
0,9984
0,9986
0,9988
0,9990
0,9991
0,9992
0,9993
0,9994
0,9995
0,9996
0,9996
0,9997
0,9997
0,9998
0,9998
0,9999
0,9999
0,9980
0,9982
0,9985
0,9987
0,9989
0,9990
0,9991
0,9993
0,9994
0,9995
0,9995
0,9996
0,9997
0,9997
0,9998
0,9998
0,9998
0,9999
0,9999
0,9980
0,9983
0,9985
0,9987
0,9989
0,9991
0,9992
0,9993
0,9994
0,9995
0,9996
0,9996
0,9997
0,9997
0,9998
0,9998
0,9998
0,9999
0,9999
0,9981
0,9983
0,9986
0,9988
0,9989
0,9991
0,9992
0,9993
0,9994
0,9995
0,9996
0,9996
0,9997
0,9997
0,9998
0,9998
0,9998
0,9999
0,9999
0,9981
0,9984
0,9986
0,9988
0,9990
0,9991
0,9992
0,9993
0,9994
0,9995
0,9996
0,9997
0,9997
0,9997
0,9998
0,9998
0,9998
0,9999
0,9999
0,9982
0,9984
0,9986
0,9988
0,9990
0,9991
0,9993
0,9994
0,9995
0,9995
0,9996
0,9997
0,9997
0,9998
0,9998
0,9998
0,9999
0,9999
0,9999
0,9982
0,9984
0,9987
0,9989
0,9990
0,9992
0,9993
0,9994
0,9995
0,9996
0,9996
0,9997
0,9997
0,9998
0,9998
0,9998
0,9999
0,9999
0,9999
0,9982
0,9985
0,9987
0,9989
0,9990
0,9992
0,9993
0,9994
0,9995
0,9996
0,9996
0,9997
0,9997
0,9998
0,9998
0,9998
0,9999
0,9999
0,9999
0,9983
0,9985
0,9987
0,9989
0,9991
0,9992
0,9993
0,9994
0,9995
0,9996
0,9996
0,9997
0,9997
0,9998
0,9998
0,9998
0,9999
0,9999
0,9999
0,9983
0,9985
0,9987
0,9989
0,9991
0,9992
0,9993
0,9994
0,9995
0,9996
0,9996
0,9997
0,9997
0,9998
0,9998
0,9998
0,9999
0,9999
0,9999
0,9983
0,9985
0,9987
0,9989
0,9991
0,9992
0,9993
0,9994
0,9995
0,9996
0,9997
0,9997
0,9998
0,9998
0,9998
0,9999
0,9999
0,9999
0,9999
0,9983
0,9986
0,9988
0,9989
0,9991
0,9992
0,9993
0,9994
0,9995
0,9996
0,9997
0,9997
0,9998
0,9998
0,9998
0,9999
0,9999
0,9999
0,9999
0,9984
0,9986
0,9988
0,9990
0,9991
0,9993
0,9994
0,9995
0,9995
0,9996
0,9997
0,9997
0,9998
0,9998
0,9998
0,9999
0,9999
0,9999
0,9999
0,9987
0,9989
0,9990
0,9992
0,9993
0,9994
0,9995
0,9996
0,9997
0,9997
0,9998
0,9998
0,9998
0,9999
0,9999
0,9999
0,9999
1,0000
-336-
dt
Anexo A
DISTRIBUCIN t de Student
P( X x )
(1
t 2 n21 ( n21 )
)
dt
n
( n2 ) n
tn()
0.0005
0.001
0.005
1
2
3
4
5
0.01
0.025
0.05
0.1
0.2
0.25
0.3
0.4
0.45
0.475
31.821
6.965
4.541
3.747
3.365
12.706
4.303
3.182
2.776
2.571
6.314
2.920
2.353
2.132
2.015
3.078
1.886
1.638
1.533
1.476
1.376
1.061
0.978
0.941
0.920
1.000
0.816
0.765
0.741
0.727
0.727
0.617
0.584
0.569
0.559
0.325
0.289
0.277
0.271
0.267
0.158
0.142
0.137
0.134
0.132
0.079
0.071
0.068
0.067
0.066
6
7
8
9
10
5.959
5.408
5.041
4.781
4.587
5.208
4.785
4.501
4.297
4.144
3.707
3.499
3.355
3.250
3.169
3.143
2.998
2.896
2.821
2.764
2.447
2.365
2.306
2.262
2.228
1.943
1.895
1.860
1.833
1.812
1.440
1.415
1.397
1.383
1.372
0.906
0.896
0.889
0.883
0.879
0.718
0.711
0.706
0.703
0.700
0.553
0.549
0.546
0.543
0.542
0.265
0.263
0.262
0.261
0.260
0.131
0.130
0.130
0.129
0.129
0.065
0.065
0.065
0.064
0.064
11
12
13
14
15
4.437
4.318
4.221
4.140
4.073
4.025
3.930
3.852
3.787
3.733
3.106
3.055
3.012
2.977
2.947
2.718
2.681
2.650
2.624
2.602
2.201
2.179
2.160
2.145
2.131
1.796
1.782
1.771
1.761
1.753
1.363
1.356
1.350
1.345
1.341
0.876
0.873
0.870
0.868
0.866
0.697
0.695
0.694
0.692
0.691
0.540
0.539
0.538
0.537
0.536
0.260
0.259
0.259
0.258
0.258
0.129
0.128
0.128
0.128
0.128
0.064
0.064
0.064
0.064
0.064
16
17
18
19
20
4.015
3.965
3.922
3.883
3.850
3.686
3.646
3.610
3.579
3.552
2.921
2.898
2.878
2.861
2.845
2.583
2.567
2.552
2.539
2.528
2.120
2.110
2.101
2.093
2.086
1.746
1.740
1.734
1.729
1.725
1.337
1.333
1.330
1.328
1.325
0.865
0.863
0.862
0.861
0.860
0.690
0.689
0.688
0.688
0.687
0.535
0.534
0.534
0.533
0.533
0.258
0.257
0.257
0.257
0.257
0.128
0.128
0.127
0.127
0.127
0.064
0.064
0.064
0.064
0.063
21
22
23
24
25
3.819
3.792
3.768
3.745
3.725
3.527
3.505
3.485
3.467
3.450
2.831
2.819
2.807
2.797
2.787
2.518
2.508
2.500
2.492
2.485
2.080
2.074
2.069
2.064
2.060
1.721
1.717
1.714
1.711
1.708
1.323
1.321
1.319
1.318
1.316
0.859
0.858
0.858
0.857
0.856
0.686
0.686
0.685
0.685
0.684
0.532
0.532
0.532
0.531
0.531
0.257
0.256
0.256
0.256
0.256
0.127
0.127
0.127
0.127
0.127
0.063
0.063
0.063
0.063
0.063
26
27
28
29
30
3.707
3.689
3.674
3.660
3.646
3.435
3.421
3.408
3.396
3.385
2.779
2.771
2.763
2.756
2.750
2.479
2.473
2.467
2.462
2.457
2.056
2.052
2.048
2.045
2.042
1.706
1.703
1.701
1.699
1.697
1.315
1.314
1.313
1.311
1.310
0.856
0.855
0.855
0.854
0.854
0.684
0.684
0.683
0.683
0.683
0.531
0.531
0.530
0.530
0.530
0.256
0.256
0.256
0.256
0.256
0.127
0.127
0.127
0.127
0.127
0.063
0.063
0.063
0.063
0.063
40
60
120
3.551
3.460
3.373
3.290
3.307
3.232
3.160
3.090
2.704
2.660
2.617
2.576
2.423
2.390
2.358
2.326
2.021
2.000
1.980
1.960
1.684
1.671
1.658
1.645
1.303
1.296
1.289
1.282
0.851
0.848
0.845
0.842
0.681
0.679
0.677
0.674
0.529
0.527
0.526
0.524
0.255
0.254
0.254
0.253
0.126
0.126
0.126
0.126
0.063
0.063
0.063
0.063
0.001
0.002
0.01
0.02
0.05
0.1
0.2
0.4
0.5
0.6
0.8
0.9
0.95
-337-
Anexo A
DISTRIBUCIN F de snedecor
P( X x )
n1
n2
n1
n12 n22 t 2
(
n1
n2
,
2
2
) (n2 n1t )
n1 n 2
dt
Fn(,)n
1
2
0.01
0.05
0.01
0.05
0.01
0.05
0.01
0.05
0.01
0.05
7
0.01
0.05
0.05
0.01
0.05
0.01
1
2
3
4
5
6
7
8
9
161.45
18.51
10.13
7.71
6.61
5.99
5.59
5.32
5.12
10
11
12
13
14
15
16
17
18
19
4.96
4.84
4.75
4.67
4.60
4.54
4.49
4.45
4.41
4.38
10.04
9.65
9.33
9.07
8.86
8.68
8.53
8.40
8.29
8.18
4.10
3.98
3.89
3.81
3.74
3.68
3.63
3.59
3.55
3.52
7.56
7.21
6.93
6.70
6.51
6.36
6.23
6.11
6.01
5.93
3.71
3.59
3.49
3.41
3.34
3.29
3.24
3.20
3.16
3.13
6.55
6.22
5.95
5.74
5.56
5.42
5.29
5.19
5.09
5.01
3.48
3.36
3.26
3.18
3.11
3.06
3.01
2.96
2.93
2.90
5.99
5.67
5.41
5.21
5.04
4.89
4.77
4.67
4.58
4.50
3.33
3.20
3.11
3.03
2.96
2.90
2.85
2.81
2.77
2.74
5.64
5.32
5.06
4.86
4.69
4.56
4.44
4.34
4.25
4.17
3.22
3.09
3.00
2.92
2.85
2.79
2.74
2.70
2.66
2.63
5.39
5.07
4.82
4.62
4.46
4.32
4.20
4.10
4.01
3.94
3.14
3.01
2.91
2.83
2.76
2.71
2.66
2.61
2.58
2.54
5.20
4.89
4.64
4.44
4.28
4.14
4.03
3.93
3.84
3.77
3.07
2.95
2.85
2.77
2.70
2.64
2.59
2.55
2.51
2.48
5.06
4.74
4.50
4.30
4.14
4.00
3.89
3.79
3.71
3.63
20
21
22
23
24
25
26
27
28
29
4.35
4.32
4.30
4.28
4.26
4.24
4.23
4.21
4.20
4.18
8.10
8.02
7.95
7.88
7.82
7.77
7.72
7.68
7.64
7.60
3.49
3.47
3.44
3.42
3.40
3.39
3.37
3.35
3.34
3.33
5.85
5.78
5.72
5.66
5.61
5.57
5.53
5.49
5.45
5.42
3.10
3.07
3.05
3.03
3.01
2.99
2.98
2.96
2.95
2.93
4.94
4.87
4.82
4.76
4.72
4.68
4.64
4.60
4.57
4.54
2.87
2.84
2.82
2.80
2.78
2.76
2.74
2.73
2.71
2.70
4.43
4.37
4.31
4.26
4.22
4.18
4.14
4.11
4.07
4.04
2.71
2.68
2.66
2.64
2.62
2.60
2.59
2.57
2.56
2.55
4.10
4.04
3.99
3.94
3.90
3.85
3.82
3.78
3.75
3.73
2.60
2.57
2.55
2.53
2.51
2.49
2.47
2.46
2.45
2.43
3.87
3.81
3.76
3.71
3.67
3.63
3.59
3.56
3.53
3.50
2.51
2.49
2.46
2.44
2.42
2.40
2.39
2.37
2.36
2.35
3.70
3.64
3.59
3.54
3.50
3.46
3.42
3.39
3.36
3.33
2.45
2.42
2.40
2.37
2.36
2.34
2.32
2.31
2.29
2.28
3.56
3.51
3.45
3.41
3.36
3.32
3.29
3.26
3.23
3.20
30
31
32
33
34
38
42
46
50
60
4.17
4.16
4.15
4.14
4.13
4.10
4.07
4.05
4.03
4.00
7.56
7.53
7.50
7.47
7.44
7.35
7.28
7.22
7.17
7.08
3.32
3.30
3.29
3.28
3.28
3.24
3.22
3.20
3.18
3.15
5.39
5.36
5.34
5.31
5.29
5.21
5.15
5.10
5.06
4.98
2.92
2.91
2.90
2.89
2.88
2.85
2.83
2.81
2.79
2.76
4.51
4.48
4.46
4.44
4.42
4.34
4.29
4.24
4.20
4.13
2.69
2.68
2.67
2.66
2.65
2.62
2.59
2.57
2.56
2.53
4.02
3.99
3.97
3.95
3.93
3.86
3.80
3.76
3.72
3.65
2.53
2.52
2.51
2.50
2.49
2.46
2.44
2.42
2.40
2.37
3.70
3.67
3.65
3.63
3.61
3.54
3.49
3.44
3.41
3.34
2.42
2.41
2.40
2.39
2.38
2.35
2.32
2.30
2.29
2.25
3.47
3.45
3.43
3.41
3.39
3.32
3.27
3.22
3.19
3.12
2.33
2.32
2.31
2.30
2.29
2.26
2.24
2.22
2.20
2.17
3.30
3.28
3.26
3.24
3.22
3.15
3.10
3.06
3.02
2.95
2.27
2.25
2.24
2.23
2.23
2.19
2.17
2.15
2.13
2.10
3.17
3.15
3.13
3.11
3.09
3.02
2.97
2.93
2.89
2.82
80
100
200
1000
3.96
3.94
3.89
3.85
3.84
6.96
6.90
6.76
6.66
6.63
3.11
3.09
3.04
3.00
3.00
4.88
4.82
4.71
4.63
4.61
2.72
2.70
2.65
2.61
2.60
4.04
3.98
3.88
3.80
3.78
2.49
2.46
2.42
2.38
2.37
3.56
3.51
3.41
3.34
3.32
2.33
2.31
2.26
2.22
2.21
3.26
3.21
3.11
3.04
3.02
2.21
2.19
2.14
2.11
2.10
3.04
2.99
2.89
2.82
2.80
2.13
2.10
2.06
2.02
2.01
2.87
2.82
2.73
2.66
2.64
2.06
2.03
1.98
1.95
1.94
2.74
2.69
2.60
2.53
2.51
4052.2 199.50 4999.3 215.71 5403.5 224.58 5624.3 230.16 5763.9 233.99 5858.9 236.77 5928.3 238.88 5980.9
98.50 19.00 99.00 19.16 99.16 19.25 99.25 19.30 99.30 19.33 99.33 19.35 99.36 19.37 99.38
34.12 9.55 30.82 9.28 29.46 9.12 28.71 9.01 28.24 8.94 27.91 8.89 27.67 8.85 27.49
21.20 6.94 18.00 6.59 16.69 6.39 15.98 6.26 15.52 6.16 15.21 6.09 14.98 6.04 14.80
16.26 5.79 13.27 5.41 12.06 5.19 11.39 5.05 10.97 4.95 10.67 4.88 10.46 4.82 10.29
13.75 5.14 10.92 4.76
9.78
4.53
9.15
4.39
8.75
4.28
8.47
4.21
8.26
4.15
8.10
12.25 4.74
9.55
4.35
8.45
4.12
7.85
3.97
7.46
3.87
7.19
3.79
6.99
3.73
6.84
11.26 4.46
8.65
4.07
7.59
3.84
7.01
3.69
6.63
3.58
6.37
3.50
6.18
3.44
6.03
10.56 4.26
8.02
3.86
6.99
3.63
6.42
3.48
6.06
3.37
5.80
3.29
5.61
3.23
5.47
-338-
para .
Anexo A
DISTRIBUCIN F de Snedecor
(Continuacin)
P( X x )
n1
n2
n1
n12 n22 t 2
( 21
n
n2
2
) (n2 n1t )
n1 n 2
dt
Fn(,)n
1
10
12
0.01
0.05
0.01
100
0.05
0.01
0.05
0.05
0.01
1
2
3
4
5
6
7
8
9
241.88
19.40
8.79
5.96
4.74
4.06
3.64
3.35
3.14
10
11
12
13
14
15
16
17
18
19
2.98
2.85
2.75
2.67
2.60
2.54
2.49
2.45
2.41
2.38
4.85
4.54
4.30
4.10
3.94
3.80
3.69
3.59
3.51
3.43
2.91
2.79
2.69
2.60
2.53
2.48
2.42
2.38
2.34
2.31
4.71
4.40
4.16
3.96
3.80
3.67
3.55
3.46
3.37
3.30
2.83
2.70
2.60
2.51
2.44
2.38
2.33
2.29
2.25
2.21
4.52
4.21
3.97
3.78
3.62
3.49
3.37
3.27
3.19
3.12
2.77
2.65
2.54
2.46
2.39
2.33
2.28
2.23
2.19
2.16
4.41
4.10
3.86
3.66
3.51
3.37
3.26
3.16
3.08
3.00
2.70
2.57
2.47
2.38
2.31
2.25
2.19
2.15
2.11
2.07
4.25
3.94
3.70
3.51
3.35
3.21
3.10
3.00
2.92
2.84
2.64
2.51
2.40
2.31
2.24
2.18
2.12
2.08
2.04
2.00
4.12
3.81
3.57
3.38
3.22
3.08
2.97
2.87
2.78
2.71
2.59
2.46
2.35
2.26
2.19
2.12
2.07
2.02
1.98
1.94
4.01
3.71
3.47
3.27
3.11
2.98
2.86
2.76
2.68
2.60
2.54
2.40
2.30
2.21
2.13
2.07
2.01
1.96
1.92
1.88
3.91
3.60
3.36
3.17
3.00
2.87
2.75
2.65
2.57
2.49
20
21
22
23
24
25
26
27
28
29
2.35
2.32
2.30
2.27
2.25
2.24
2.22
2.20
2.19
2.18
3.37
3.31
3.26
3.21
3.17
3.13
3.09
3.06
3.03
3.00
2.28
2.25
2.23
2.20
2.18
2.16
2.15
2.13
2.12
2.10
3.23
3.17
3.12
3.07
3.03
2.99
2.96
2.93
2.90
2.87
2.18
2.16
2.13
2.11
2.09
2.07
2.05
2.04
2.02
2.01
3.05
2.99
2.94
2.89
2.85
2.81
2.78
2.75
2.72
2.69
2.12
2.10
2.07
2.05
2.03
2.01
1.99
1.97
1.96
1.94
2.94
2.88
2.83
2.78
2.74
2.70
2.66
2.63
2.60
2.57
2.04
2.01
1.98
1.96
1.94
1.92
1.90
1.88
1.87
1.85
2.78
2.72
2.67
2.62
2.58
2.54
2.50
2.47
2.44
2.41
1.97
1.94
1.91
1.88
1.86
1.84
1.82
1.81
1.79
1.77
2.64
2.58
2.53
2.48
2.44
2.40
2.36
2.33
2.30
2.27
1.91
1.88
1.85
1.82
1.80
1.78
1.76
1.74
1.73
1.71
2.54
2.48
2.42
2.37
2.33
2.29
2.25
2.22
2.19
2.16
1.84
1.81
1.78
1.76
1.73
1.71
1.69
1.67
1.65
1.64
2.42
2.36
2.31
2.26
2.21
2.17
2.13
2.10
2.06
2.03
30
31
32
33
34
38
42
46
50
2.16
2.15
2.14
2.13
2.12
2.09
2.06
2.04
2.03
2.98
2.96
2.93
2.91
2.89
2.83
2.78
2.73
2.70
2.09
2.08
2.07
2.06
2.05
2.02
1.99
1.97
1.95
2.84
2.82
2.80
2.78
2.76
2.69
2.64
2.60
2.56
1.99
1.98
1.97
1.96
1.95
1.92
1.89
1.87
1.85
2.66
2.64
2.62
2.60
2.58
2.51
2.46
2.42
2.38
1.93
1.92
1.91
1.90
1.89
1.85
1.83
1.80
1.78
2.55
2.52
2.50
2.48
2.46
2.40
2.34
2.30
2.27
1.84
1.83
1.82
1.81
1.80
1.76
1.73
1.71
1.69
2.39
2.36
2.34
2.32
2.30
2.23
2.18
2.13
2.10
1.76
1.75
1.74
1.72
1.71
1.68
1.65
1.62
1.60
2.25
2.22
2.20
2.18
2.16
2.09
2.03
1.99
1.95
1.70
1.68
1.67
1.66
1.65
1.61
1.57
1.55
1.52
2.13
2.11
2.08
2.06
2.04
1.97
1.91
1.86
1.82
1.62
1.61
1.59
1.58
1.57
1.53
1.49
1.46
1.44
2.01
1.98
1.96
1.93
1.91
1.84
1.78
1.73
1.68
60
80
100
200
1000
1.99
1.95
1.93
1.88
1.84
1.83
2.63
2.55
2.50
2.41
2.34
2.32
1.92
1.88
1.85
1.80
1.76
1.75
2.50
2.42
2.37
2.27
2.20
2.18
1.82
1.77
1.75
1.69
1.65
1.64
2.31
2.23
2.19
2.09
2.02
2.00
1.75
1.70
1.68
1.62
1.58
1.57
2.20
2.12
2.07
1.97
1.90
1.88
1.65
1.60
1.57
1.52
1.47
1.46
2.03
1.94
1.89
1.79
1.72
1.70
1.56
1.51
1.48
1.41
1.36
1.35
1.88
1.79
1.74
1.63
1.54
1.52
1.48
1.43
1.39
1.32
1.26
1.24
1.75
1.65
1.60
1.48
1.38
1.36
1.39
1.32
1.28
1.19
1.08
1.01
1.60
1.49
1.43
1.28
1.11
1.01
6055.9 243.90 6106.7 246.47 6170.0 248.02 6208.7 250.10 6260.4 251.77 6302.3 253.04 6333.9 254.31 6365.6
99.40 19.41 99.42 19.43 99.44 19.45 99.45 19.46 99.47 19.48 99.48 19.49 99.49 19.50 99.50
27.23 8.74 27.05 8.69 26.83 8.66 26.69 8.62 26.50 8.58 26.35 8.55 26.24 8.53 26.13
14.55 5.91 14.37 5.84 14.15 5.80 14.02 5.75 13.84 5.70 13.69 5.66 13.58 5.63 13.46
10.05 4.68
9.89
4.60
9.68
4.56
9.55
4.50
9.38
4.44
9.24
4.41
9.13
4.37
9.02
7.87
4.00
7.72
3.92
7.52
3.87
7.40
3.81
7.23
3.75
7.09
3.71
6.99
3.67
6.88
6.62
3.57
6.47
3.49
6.28
3.44
6.16
3.38
5.99
3.32
5.86
3.27
5.75
3.23
5.65
5.81
3.28
5.67
3.20
5.48
3.15
5.36
3.08
5.20
3.02
5.07
2.97
4.96
2.93
4.86
5.26
3.07
5.11
2.99
4.92
2.94
4.81
2.86
4.65
2.80
4.52
2.76
4.41
2.71
4.31
para .
Anexo A
-340-
Bibliografa
BIBLIOGRAFA
PEA, DANIEL (1986), Estadstica, modelos y mtodos. Vol. 1 Fundamentos, Alianza
Universidad Textos, Madrid.
MONTGOMERY, DOUGLAS C. Y RUNGER, GEORGE C, (2003), Probabilidad y estadstica
aplicadas a la ingeniera, Limusa-Wiley, Mxico.
ROMERO, RAFAEL Y ZNICA, LUISA ROSA (2008), Mtodos estadsticos e ingeniera,
Editorial UPV- 637, Valencia.
Formulario y tablas de estadstica, Editorial UPV n 104, Valencia.
-341-