Estadistica Descriptiva

ESTADSTICA
Descriptiva
Probabilidad
Inferencia
Escuela Tcnica Superior de

Ingenieros Industriales
Universidad Politcnica de Madrid
Edicin Curso 14/15
CURSO 2014/2015
ESTADISTICA
GRADO EN INGENIERIA EN TECNOLOGIAS INDUSTRIALES (GITI)

GRADO EN INGENIERIA QUIMICA (GIQ)
n,
Departamento de ingeniera de organizacio
administracion de empresas y estadstica.
PROGRAMA
1. ESTADISTICA DESCRIPTIVA. Descripcion de una variable: datos y distribucion
de frecuencias. Representaciones graficas: histogramas. Medidas de centralizacion y dispersion. Medidas de asimetra y curtosis. Diagramas de cajas y diagrama de tallos y
hojas. Transformaciones lineales y no lineales. Descripcion de varias variables. Graficos
de dispersion. Covarianza y correlacion. Matriz de varianzas y covarianzas. Transformaciones lineales de varias variables.
2. PROBABILIDAD Y VARIABLE ALEATORIA. Probabilidad. Definicion y propiedades. Probabilidad condicionada. Independencia de sucesos. Teorema de la probabilidad total y teorema de Bayes. Variables aleatorias discretas y continuas. Funciones
de probabilidad, densidad y distribucion. Esperanza, varianza y momentos. Transformaciones lineales y no lineales. Generacion de n
umeros aleatorios (Metodo de Monte
Carlo).
3. MODELOS UNIVARIANTES DE PROBABILIDAD. Distribucion binomial y
distribucion geometrica. Distribucion de Poisson y distribucion exponencial. Distribucion
normal.
4. MODELOS MULTIVARIANTES. Distribucion conjunta. Distribuciones marginales
y condicionadas. Independencia de variables aleatorias. Esperanza de vectores aleatorios.
Covarianza y correlacion. Matriz de varianzas. Esperanzas y varianzas condicionadas.
Suma de variables aleatorias. Teorema central del lmite. Relacion entre binomial, Poisson
y normal. Aplicacion a control de recepcion. Planes de muestreo simple por atributos.
Riesgo del comprador y riesgo del vendedor. La distribucion normal n-dimensional.
5. ESTIMACION
PUNTUAL. Muestra y poblacion. Muestreo aleatorio simple. La
identificacion del modelo. Metodo de los momentos. Metodo de maxima verosimilitud.
Propiedades de los estimadores. Distribucion de medias, varianzas y proporciones muestrales. Distribucion 2 .
6. INTERVALOS DE CONFIANZA. Intervalo para una proporcion. Intervalo para la
media de la distribucion de Poisson. Intervalos para medias de distribuciones normales:
varianza conocida y varianza desconocida. Distribucion t de Student. Intervalo para
varianzas de distribuciones normales. Intervalo general (asintotico) para la media.
7. CONTRASTES DE HIPOTESIS.
Contraste para la proporcion, contraste para la
media y la varianza de distribuciones normales. Contraste para la media de la distribucion
de Poisson. Comparacion de dos medias y comparacion de dos varianzas. Distribucion
F. Contrastes de bondad de ajustes de 2 y Kolmogorov-Smirnov.
LIBROS RECOMENDADOS
Fundamentos de Estadstica. Daniel Pe
na, Alianza Editorial (2010).
Problemas resueltos de Estadstica. J. Juan, J.G. Palomo, M.J. Sanchez, e I. Sanchez. Sntesis
(2000).
1. Estadstica descriptiva
Curso 2014-15
Estadstica
Datos
Nmero
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
...
391
Consumo
l/100Km
15
16
24
9
11
17
12
17
18
12
16
12
9
8
7
7
12
13
9
9
...
7
Cilindrada
cc
4982
6391
5031
1491
2294
5752
2294
6555
6555
1147
5735
1868
2294
1295
1163
1360
3802
3687
1475
1983
...
1753
Estadstica Descriptiva
Potencia
CV
150
190
200
70
72
153
90
175
190
97
145
91
75
67
65
61
90
95
71
115
...
75
Peso
kg
1144
1283
1458
651
802
1384
802
1461
1474
776
1360
860
847
666
612
667
1070
1261
741
890
...
735
Aceleracin
segundos
12
9
15
21
19
14
20
12
13
14
13
14
17
16
21
19
17
19
17
14
...
15
Ao
Pas
N Cilindros
70
70
70
71
71
71
72
72
72
72
73
73
74
74
74
74
75
75
75
75
...
82
EEUU
EEUU
EEUU
EEUU
EEUU
EEUU
EEUU
EEUU
EEUU
Japn
EEUU
Europa
EEUU
Europa
Japn
Japn
EEUU
EEUU
Europa
Europa
...
Japn
8
8
8
4
4
8
4
8
8
3
8
4
4
4
4
4
6
6
4
4
...
4
Tipos de datos
Cuantitativos
Continuos: consumo,
potencia,aceleracin, peso
Discretos: n de cilindros
Cualitativos
Ordinales: categora
No ordinales: pas, gasolina/gasoil
Distribucin de frecuencias:
consumo l/100 km
------------------------------------------------------------Limite
Limite
Punto
Frecuencia
Frecuencia
Clase
Inferior Superior Medio
Absoluta
Relativa
------------------------------------------------------------1
0,0
2,5
1,25
0
0,0000
2
2,5
5,0
3,75
6
0,0153
3
5,0
7,5
6,25
65
0,1662
4
7,5
10,0
8,75
126
0,3223
5
10,0
12,5
11,25
64
0,1637
6
12,5
15,0
13,75
62
0,1586
7
15,0
17,5
16,25
36
0,0921
8
17,5
20,0
18,75
26
0,0665
9
20,0
22,5
21,25
4
0,0102
10
22,5
25,0
23,75
2
0,0051
------------------------------------------------------------Total
391
1,0000
Histograma
150
120
90
60
30
0
0
10
15
20
25
consumo
5
Histogramas para coches

120
150
100
120
80
90
60
60
40
30
20
0
0
cilindrada
8
(X 1000)
80
120
160
200
240
potencia
80
80
60
60
40
40
20
20
40
0
0
0,4
0,8
1,2
peso
1,6
2
(X 1000)
11
15
19
23
27
aceleracion
Medidas de centro
x1 , x2 ,..., xn
Media aritmtica
x1 + x2 + + xn
x=
n
Media geomtrica
Media armnica
(si xi > 0 para todo i ) (si xi > 0 para todo i )
n
xG = n x1 x2 xn
xH =
1 1
1
+ ++
x1 x2
xn
xH xG x
7
Medidas de dispersin
x1, x2 ,..., xn
s=2
Desviacin Tpica
90
95
100
105
110
s=
s = 5.4
90
95
100
105
110
n
(x
i =1 i
x )2
n
Varianza : s 2
Media 100
Densidad de la tierra (Cavendish, 1798)

5,5
5,57
5,42
5,61
5,53
5,47
4,88
5,62
5,63
4,07
4,4
5,55
5,34
5,3
5,36
5,79
4,8
5,75
5,29
5,1
5,86
5,58
5,2
5,6
densidad
Media = 5.42
5,29
5,34
5,26
5,44
5,46
5,27
5,85
5,65
5,39
Desv. Tp. = 0.338

9
Desigualdad de Chebychev
fr (| x i x | ks ) > 1
235
240
245
x ks
250
x +ks
( xi x ) 2
s2
( xi x ) 2
1
fr (| xi x |> ks) 2
k
>
x x > ks
k2
255
2
n
x x ks
2 i =1 ( xi x )
s =
=
x x > ks
( xi x ) 2
2 2
x x > ks
i
= fr (| xi x |> ks) k 2 s 2
1
fr (| xi x | ks) > 1 2
k
10
Mediana y Cuartiles
x1, x2 ,..., xn
Datos ordenados
x(1) x( 2) x( n)
x( p )
Mediana
x +x
( p ) ( p +1)
2
Cuartiles
Q1 = x( r )
Q3 = x( s )
p + 1
r =
s = n r +1
n +1
: n impar
2
n
p = : n par
2
p=
11
Mediana y Cuartiles
x1 , x2 ,..., xn
Mediana : ( Med )
fr(xi Med) = 0.50
50%
25%
25%
235
Cuartiles
240
245
Q1
Med
Q1
Q3
fr(xi Q1 ) = 0.25
fr(xi Q3 ) = 0.75
250
255
Q3
12
Medidas caractersticas
Media
Desv. Tpica
Primer Cuartil
Mediana
Tercer Cuartil
Rango Intercuartlico
Consumo
11.2
3.9
8
10
13.5
5.5
Cilindrada Potencia
3181.2
104.2
1714.6
38.3
1721
75
2474
93
4334
125
2613
50
Peso
990.7
281.9
741.5
933
1203.5
462
Aceleracin
15.7
2.8
14
16
17
3
13
Diagrama de caja
Min {xi : xi LI}
Q1 Q2
Q3
Max {xi : xi LS}
atpicos
12
16
20
24
consumo
LI = Q1 -1.5 RI
RI = Q3 - Q1
LS = Q3+1.5 RI
14
Densidad de la tierra (Cavendish, 1798)

5,5
5,57
5,42
5,61
5,53
5,47
4,88
5,62
5,63
4,07
4,4
5,55
5,34
5,3
5,36
5,79
4,8
5,75
5,29
5,1
5,86
5,58
5,2
5,29
5,34
5,26
5,44
5,46
5,6
5,27
5,85
5,65
5,39
densidad
Media = 5.42
Desv. Tp. = 0.338
15
Diagrama de caja mltiple

EEUU
Europa
Japn
0
12
16
20
24
consumo
16
Diagrama de caja mltiple

EEUU
Europa
Japn
500
800
1100
1400
1700
2000
peso
17
Consumo segn ao de fabricacin

70
71
72
73
74
75
76
77
78
79
80
81
82
0
12
16
20
24
consumo
18
Diagrama de Caja Mltiple

EEUU
Grecia
OCDE
Europa Oriental
Japn
Asia/Pacfico
frica
Gabn
Oriente Medio
America Latina
Barbados
12
16
20
Producto interior bruto per capita
24
X1000
19
Diagrama de tallos y hojas

LO|4,07
1
1
1
1
2
3
12
(9)
8
2
4|
4|
4|
4|
4|8
5|1
5|222233333
5|444455555
5|666677
5|88
Media 5,419
Des. Tpica 0,339
Mnimo 4,07
Mximo 5,86
Cuartil 1 5.3
Mediana 5.46
Cuartil 3 5.61
20
Medidas caractersticas de
forma: asimetra y curtosis)
Coeficiente
Coeficiente de curtosis o
de asimetra
m
C AS = 33
s
apuntamiento
m
C AP = 44
s
( xi x ) 4
( xi x )3
=
ns 3
ns 4
Momento
respecto al origen
Momentos
respecto a la media
i=1 xik
n
ak =
i=1 ( xi x ) k
n
mk =
21
Modelo ideal
CAP = 3
CAS = 0
1000
frecuencia
800
600
400
200
0
230
235
240
245
250
255
260
30
30
25
frecuencia
25
20
15
10
5
20
15
10
5
0
0
100
200
300
CAS > 0
400
500
600
700
220
230
240
250
260
270
280
CAP < 3
22
Transformaciones de datos
Transformaciones Lineales
yi = a + bxi
y = a + bx
s y = b sx
La " forma" de la distribucin no cambia
(Asimetra y curtosis no cambia)
Transformaciones no-lineales
yi = h( xi )
y h( x )
Cambia la " forma" de la distribucin
(coeficientes de asimetra y curtosis cambian)
23
Efecto de la transformacin de datos

150
240
200
120
160
90
120
60
80
30
40
0
-10
10
30
50
70
yi = log xi
24
Transformaciones Box-Cox
1,5
1
0,5
0
xip 1
yi =
p
-0,5
-1
-1,5
p = 0 yi = log xi
25
Datos
Variables
Y1
x11
Y2 Yk
x21 xk1
2 x12
x22 xk 2
n x1n
x2 k
xkn
x1
x2
xn
26
Vector de Medias
x1i

x2 i
x i = ;

x
ki
x1

n
x x2
i =1 i
=
x=
n

x
n
27
Covarianza
consumo
24
20
Coche
Peso
Consumo
16
1
2
x1
x2
y1
y2
xn
yn
12
8
4
0
500
800
1100
1400
1700
2000
peso
s xy
n
(x
i =1 i
x )( yi y )
n
28
Matriz de Varianzas
x1i
1 x 2i
2
S =
n i =1
x
ki
n
x1
x2
( x1i x1
x k
x 2i x 2
x ki x k )
( x1i x1 ) 2
1 n ( x x1 )( x 2i x 2 )
= 1i
n i =1
( x x )( x x )
ki
k
1
1i
( x1i x1 )( x 2i x 2 )
( x 2i x 2 ) 2
( x 2i x 2 )( x ki x k )
s12
s
= 12

s
1k
s1k
s 2k

s k2
s12
s 22
s2k
( x1i x1 )( x ki x k )
( x 2i x 2 )( x ki x k )
( x ki x k ) 2
29
Grficos de dispersin: ejemplo coches

consumo
cilindrada
potencia
peso
aceleracion
30
Matriz de varianzas: ejemplo coches

consumo
c.c.
pot.
peso
acel.
5.824,4
127,3
971,5
5,0
15,2
E
5
.
824
,
4
2
,
94
6
58
.
965
,
4
451
.
461
,
0
2
.
597
,
4
S = 127,3
58.965,4 1.465,2
9.312,8
73,5
7.949,5
328,0
971,5 451.461,0 9.312,8
7,6
2.597,4
73,5
328,0
5,0
31
Propiedades de S2
x11 x1
~ = x12 x1
X
x x
1
1n
1 ~T~
S2 = X
X
n
x 21 x 2
x 22 x 2
x2n x2
x k1 x k
xk 2 xk
x kn x k
Cuadrada k x k
Simtrica
Semidef. positiva
S 2 es semidefinida positiva :
w k , w T S 2 w 0
1 ~T~
1 ~ T ~
w TS 2 w = w T ( X
X)w = (X
w) (Xw)
n
n
~ w, w T S 2 w = 1 v T v =
v=X
n
i=1 vi2 0
n
32
Correlacin
Obs.
1
2
24
consumo
20
16
12
8
4
Var 1
x1
x2
Var 2
y1
y2
xn
yn
0
500
800
1100
1400
1700
2000
peso
rxy =
s xy
sx s y
n
(x
i =1 i
x )( yi y )
i=1 ( xi x ) 2 i=1 ( yi y ) 2
n
Adimensional
-1 rxy +1
|rxy| = 1 yi = a + b xi
33
Matriz de correlaciones
ejemplo coches
consumo
c.c.
pot.
peso
0,873
0,854
0,885
1
1
0,898
0,934
0,873
R = 0,854
0,898
1
0,863
0,934
0,863
1
0,885
0,466 0,549 0,696 0,422
Acel.
0,466
0,549
0,696
0,422
1
Las variables estn muy correlacionadas
34
Transformaciones Lineales
yi = a1x1i + a2 x2i + + ak xki = (a1
x1i

x2i
ak ) = a T x i

x
ki
a2
y i =1 a T x i a T ( i =1 x i )
i =1 i
y=
=
=
= aT x
n
T
( y y ) 2 i =1 ( yi y )( yi y ) i =1 (a T x i a T x)(x T
i a x a)
2
i =1 i
s =
=
=
n
n (x x)(x x)T
i
i
= a T i =1
a = a TS 2a
35
Transformaciones lineales II
y1i = a11x1i + a12 x2i + + a1k xki
y1i a11 a12

y2i a21 a22

=
y a
mi m1 am 2
y2i = a21x1i + a22 x2i + + amk xki
ymi = am1x1i + am 2 x2i + + amk xki
a1k x1i

a2 k x2i

amk xki
y i = Ax i
y i Axi = A(i=1 xi ) = Ax
y = i =1 = i =1
n
(y y )(y i y )T
i =1 i
=
n
S 2Y
( Ax i Ax)(x iT A T x T A T )
i =1 (x i x)(x i x) T
i =1
A
=
=A
n
= AS 2X A T
SX2
36
Coef. correlacin
r 2 = 0 . 80
r =1
2
r2 = 0
r 2 = 0 . 50
37
Mortalidad infantil (muertes por 1000 nacimientos vivos)
Falta de linealidad
200
200
100
100
Regin econmica
Regin
econmica
Amrica
Latina
Regin econmica
Oriente Medio
frica
Asia / Pacfico
Europa Oriental
OCDE
-100
-10000
10000
20000
Producto interior bruto per-capita
30000
-100
2.0
2.5
3.0
3.5
4.0
4.5
Log(10) de PIB_CAP
38
Ejercicios propuestos
Captulo 1. Descriptiva
1.1 Calcule la media, mediana y desviacion tpica de los datos siguientes: 28, 22, 35, 42, 44, 53, 58, 41,
40, 32, 31, 38, 37, 61, 25, 35.
(a) Directamente. (b) Construya un diagrama de tallo y hojas y un histograma de estos datos.
1.2 En un departamento cuatro profesores imparten clases en grupos con 10, 18, 22 y 150 alumnos
respectivamente. Si se pregunta a los profesores por el tama
no de su clase cual sera el valor medio
y la desviacion tpica obtenida? Y si se pregunta a todos los alumnos del departamento?
1.3 Si y =
1
, obtener expresiones aproximadas para la media y la varianza de y en funci
on de las de x.
x
1.4 Si y = log x, obtener expresiones aproximadas para la media y la varianza de y en funci

on de las de
x.
1.5 En un taller mecanico una pieza pasa primero por una m
aquina 1 y luego por la m
aquina 2. La
tabla muestra los tiempos X e Y (en minutos) empleados por diez piezas en cada maquina.
X
Y
5
10
15
15
10
15
10
10
10
10
5
15
10
20
10
15
15
20
10
20
Se pide:
1. (a) Obtener la distribuci
on de frecuencias conjunta de los tiempos de ambas m
aquinas.
(b) Obtener la distribucion marginal de la maquina 1, dando su media y su varianza.
(c) Calcular la covarianza entre ambas variables, interpretando el resultado.
(d) Si el coste de cada pieza en pesetas es 0.8X + 0.6Y , obtener la distribucion de frecuencias del
coste, calculando su media y su varianza.
1.6 Es posible que la varianza de una variable x sea 4, la de y sea 9 y la de z = x + y sea igual a 2?
Justificar la respuesta.
1.7 Demostrar que al multiplicar x por k1 e y por k2 , el coeficiente de correlaci
on entre ambas no vara
(k1 y k2 deben tener el mismo signo).
1.8 Demostrar que si entre dos variables existe una relaci
on exacta y = a + bx, con b > 0, el coeficiente
de correlaci
on es uno.
1.9 Demostrar que el coeficiente de correlaci
on es siempre en valor absoluto menor que uno.
1.10 En un proceso de fabricacion se han medido tres variables y calculado la matriz de varianzas con
el resultado siguiente:
2 3 1
3 4 2
1 2 2
Podemos afirmar que hay un error en los calculos? Por que?
1.11 A la variable x de media x = 100 se le ha aplicado una transformacion con el logaritmo decimal
obteniendose la nueva variable y = log10 (x). La media de la nueva variable es y = 2.5. Es posible
este resultado?
1.12 En la figura se presenta el diagrama de tallos y hojas de los residuos obtenidos de un dise
no factorial.
Representa el diagrama de caja (box plot) de los datos. (Nota.- La rama -6|91 representa los valores
-0.69 y -0.61).
2
2
4
10
18
29
(16)
36
27
20
14
6
-6
-5
-4
-3
-2
-1
-0
0
1
2
3
4
|
|
|
|
|
|
|
|
|
|
|
|
91
00
766320
98754310
98654321100
9977666554433211
015566677
2333478
134789
23455699
011355
2. Probabilidad y
variable aleatoria
Curso 2014-15
Estadstica
2. 1 Probabilidad
Probabilidad y variable aleatoria
Experimento Aleatorio
EL trmino experimento aleatorio se

utiliza en la teora de la probabilidad para
referirse a un proceso cuyo resultado no es
conocido de antemano con certeza.
Suma de valores en el lanzamiento de 2
dados.
Ejemplos
Nmero de piezas defectuosas en
una muestra de 100 piezas.
Nmero de llamadas a una centralita
telefnica en un da.
Energa elctrica consumida en
Madrid durante un periodo de
tiempo.
Espacio Muestral
Conjunto formado por todos los posibles
resultados de un experimento aleatorio.
DISCRETOS:
Lanzamiento de un DADO: S = {1,2,3,4,5,6}
Piezas defectuosas en una muestra de 100
S = {0,1,2,...,100}
Llamadas a una centralita durante un da
S = {0,1,2,3,...,}
CONTINUOS:
Energa consumida en Madrid: S={[0, )}
Suceso
Cualquier subconjunto del espacio muestral.
Obtener un nmero par al lanzar un dado:

A = {2,4,6}
Observar menos de 5 piezas defectuosas en una

muestra de 100:
B = {0,1,2,3,4}
Tener ms de 50 llamadas de telfono en una hora:

C = {51,52,...,}
Tener una demanda de energa elctrica entre 300

Mwh y 400 Mwh : D =(300,400)
Operaciones
Sean A y B dos subconjuntos de S
Unin
A B = {x : (x A) o (x B)}
Interseccin
A
A B = {x : (x A) y (x B)}
Complementario
A= {x : x A}
7
AB
AB
Propiedades
Dados tres sucesos A,B y C de un espacio muestral S
A B = B A
Conmutativa :
A B = B A
A ( B C ) = ( A B) C
Asociativa :
A ( B C ) = ( A B) C
A ( B C ) = ( A B) ( A C )
Distributiva :
A ( B C ) = ( A B) ( A C )
A B = A B
Leyes de De Morgan :
A B = A B
9
Axiomas de Probabilidad
Dado un espacio muestral S, una funcin de probabilidad
asigna valores P(A) a cada suceso A S y satisface :
1.
0 P(A) 1
2.
P(S) = 1
3. Para una secuencia de sucesos A1,A2 , , An

que cumplen Ai A j = cuando i j
n
P ( Ai ) = i =1 P( Ai )
n
i =1
10
Problema fundamental
Dado un espacio muestral discreto con resultados
A1, A2, ..., An disjuntos, el experimento aleatorio
queda caracterizado si asignamos un valor P(Ai) no
negativo a cada resultado Ai de forma que
P(A1)+P( A2)+ ...+P(An)=1.

Ejemplo. Se lanza dos veces una moneda.
{XX,XC,CX,CC}
Se asigna probabilidad 1/4 a cada uno de los cuatro
resultados.
Es una asignacin correcta?
11
Propiedades elementales
1. P () = 0.
2. P ( A) = 1 P( A).
3. Si A B entonces P(A) P(B).
4. Para dos sucesos cualesquiera A, B S ,
P ( A B) = P ( A) + P( B) P( A B).
5. Para n sucesos A1,A2 ,...,An S ,
n
i =1
i =1
P( Ai ) = P( Ai ) P( Ai A j ) +
n
i =1 j > i
P(A A
i
i =1 j >i k > j
Ak ) + + (1) n +1 P( A1 A2 An )
12
Asignacin de probabilidades
1. Clsica (Laplace): Equiprobabilidad
2. Frecuencialista (von Mises, 1931)
3. Subjetiva
13
Clsica: sucesos equiprobables

Sea un experimento con un nmero finito N
de resultados excluyentes y equiprobables,
la probabilidad del suceso A es
P( A) =
N ( A)
,
N
donde N es el nmero de resultados

posibles del experimento y N(A) el nmero
de resultados favorables al suceso A.
14
Ejemplos (equiprobabilidad)
Lanzamiento de una moneda. S={C,X}
P(C ) =
1
2
Lanzamiento de un dado. S={1,2,3,4,5,6}

P (" Nmero par " ) =
3 1
= .
6 2
Extraccin de una de las 40 cartas de la

baraja, S={1 Oros,2 Oros,...., Rey Bastos}
P ( Bastos ) =
10 1
= .
40 4
15
Lanzamiento de dos dados

1er Dado
2 Dado
1
2
3
4
5
6
1
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
2
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
3
(3,1)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
4
(4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)
5
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
6
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)
P(suma 7) = 6/36 = 1/6
16
Urna: 2 Negras y 3 Blancas

B1
B1
B2
B3
N1
N2
1 Bola
B1,B2
B1,B3
B1,N1
B1,N2
B2
B3
B2,B1 B3,B1
B3,B2
B2,B3
B2,N1 B3,N1
B2,N2 B3,N2
N1
N2
N1,B1 N2,B1
N1,B2 N2,B2
N1,B3 N2,B3
N2,N1
N1,N2
Se extraen dos bolas al azar, una detrs de

otra, sin reposicin.
P(1 Blanca y 2 Negra) = 6/20 = 3/10
17
Urna: 2 Negras y 3 Blancas
2 Bola
1 Bola
B1
B2
B3
N1
N2
B1
B1,B1
B1,B2
B1,B3
B1,N1
B1,N2
B2
B2,B1
B2,B2
B2,B3
B2,N1
B2,N2
B3
B3,B1
B3,B2
B3,B3
B3,N1
B3,N2
N1
N1,B1
N1,B2
N1,B3
N1,N1
N1,N2
N2
N2,B1
N2,B2
N2,B3
N2,N1
N2,N2
Se extraen dos bolas al azar, una detrs de

otra, con reposicin.
P(1 Blanca y 2 Negra) = 6/25
18
Combinatoria: 5 objetos tomados de dos en dos

SIN REEMPLAZAMIENTO
1
1
2
3
4
5
(1,2)
(1,3)
(1,4)
(1,5)
Primera extraccin
2
3
4
(2,1)
(3,1)
(4,1)
(3,2)
(4,2)
(2,3)
(4,3)
(2,4)
(3,4)
(2,5)
(3,5)
(4,5)
CON REEMPLAZAMIENTO
5
(5,1)
(5,2)
(5,3)
(5,4)
1
2
3
4
5
1
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
Primera Extraccin
2
3
4
(2,1)
(3,1)
(4,1)
(2,2)
(3,2)
(4,2)
(2,3)
(3,3)
(4,3)
(2,4)
(3,4)
(4,4)
(2,5)
(3,5)
(4,5)
Nmero = 20
1
2
3
4
5
(1,2)
(1,3)
(1,4)
(1,5)
Nmero = 25
Primera extraccin
2
3
4
(2,3)
(2,4)
(2,5)
(3,4)
(3,5)
5
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(4,5)
Nmero = 10
1
2
3
4
5
1
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
Primera extraccin
2
3
4
(2,2)
(2,3)
(2,4)
(2,5)
(3,3)
(3,4)
(3,5)
(4,4)
(4,5)
(5,5)
Nmero = 15
19
Combinatoria: Nmero posible de

reordenaciones de n objetos tomados de r en r
IMPORTA
EL ORDEN
SIN
REEMPLAZAMIENTO
n!
(n r )!
NO IMPORTA
EL ORDEN
n

r
CON
REEMPLAZAMIENTO
nr
n + r 1
20
1 - 6 - 21 - 29 - 33 -43
La primitiva. Se eligen 6 nmeros distintos del 1 al 49,

ambos inclusive.
Probabilidad de acertar los 6.
Probabilidad de acertar 5.
Probabilidad de acertar 4.
Probabilidad de no acertar ninguno.
Probabilidad de que salga un nmero concreto, por
ejemplo el nmero 1.
21
Primitiva
P(Acertar 6) =
1
1
=
= 0,000000072
49 13.983.816

6
6 43

4
2
13.545
= 0,00097
P(Acertar 4) = =
13.983.816
49

6
6 43
5 1
258
= 0,000018
P(Acertar 5) = =
13.983.816
49

6
43

6
6.096.454
= 0,44
P(Ninguno) = =
49 13.983.816

6
48

5
6
= 0,1224
P(Salga el 1) = =
49 49

6
22
En una estacin de metro hay 5 pasajeros esperando a un

tren con 10 vagones, si cada pasajero elige un vagn al azar,
cul es la probabilidad de que todos elijan un vagn
diferente?
P ( A) =
N ( A) 10 9 8 7 6
=
= 0.3024
5
N
10
De un lote con 100 piezas se toman al azar 10, si todas las

piezas elegidas son buenas se acepta el lote y se rechaza en
caso contrario. Cul es la probabilidad de aceptar un lote
con 10 piezas defectuosas?
100 100!
90
90!
=
N =
; N ( A) = =
10 10! 90!
10 80!10!
N ( A) 90! 90! 90 89 81
P( A) =
=
=
= 0.330
N
80! 100! 100 99 91
23
Cumpleaos
Probabilidad de que en un grupo de r = 25 personas
haya al menos dos con el mismo cumpleaos.
1
... 365
A1
A2
... Ar
r
A = " No haya ninguna coincidencia"
365 (365 - 1) (365 r + 1)
365 r
P( A ) = 1 - P(A) ,
r = 25 P( A ) = 0.578
P ( A) =
24
Probabilidad y Frecuencia Relativa

La probabilidad P(A) de un suceso A es el
lmite
P ( A) = lim
nA
n
dnde nA es el nmero de veces que ha

ocurrido A al repetir el experimento n
veces en idnticas condiciones.
25
N de Caras / N de Lanzam ientos
Frecuencia relativa de caras

1,00
0,50
0,00
0
50
100
150
200
N de lanzam iento
26
Total sorteos 1.380 (2000 - 104; 2001 - 74)

27
28
Probabilidad Condicionada
Fumadores
(F)
No Fumadores
(N)
TOTAL
Mujeres
(M)
Hombres
(H)
TOTAL
0,12
0,18
0,30
0,39
0,31
0,70
0,51
0,49
1,00
0,18
P
(
F
|
H
)
=
= 0,37
0,49
P( F ) = 0,30
0,12
= 0,24
P( F | M ) =
0,51
29
Probabilidad Condicionada
Definicin. Sea B un suceso con
probabilidad distinta de cero, se
define probabilidad del suceso A
dado B a:
P( A | B) =
P( A B)
.
P( B)
30
Utilidad
Actualizar probabilidad del suceso A en
funcin de la informacin disponible I
P(A|I) = P(AI)/P(I)
Clculo de la interseccin de sucesos
P(A B) = P(A|B)P(B)
Clculo de probabilidad de un suceso
P( A) = P(( A B) ( A B))
= P( A | B) P( B) + P( A | B) P( B)
31
Ejemplo Urna
Probabilidad de 1 Blanca y 2 Negra
Sin reemplazamiento:
P(B1 N2) = P(B1) P(N2| B1)

= (3/5)(2/4) = 3/10
Con reemplazamiento:
P(B1 N2) = P(B1) P(N2| B1)

= (3/5)(2/5) = 6/25
32
Cumpleaos
Probabilidad de que en un grupo de r = 25 personas
haya al menos dos con el mismo cumpleaos.
1
2 ... 365
A1
Br = " No haya ninguna coincidencia en r "
A2
... Ar
P(Br ) = P(B1 ) P ( B2 | A1 ) P ( B3 | A1 A2 ) P( Br | A1 A2 Ar 1 )
365 1 365 2
365 r + 1

365
365
365
P( Br ) = 1 - P(Br ) ,
r = 25 P( Br ) = 0.578
= 1
33
Ejemplo
Urna U1
Urna U2
Se elige una urna al azar y se extrae una bola: P(Blanca) ?
P( B) = P( B | U 1) P(U 1) + P( B | U 2) P(U 2)
3 1 1 1 17
= + =
= 0.425
5 2 4 2 40
34
Ejemplo (cont.)
Urna U1
Urna U2
Se toma al azar una bola de U1 y se mete en U2. Se extrae

una bola de U2: P(Blanca) ?
P( B) = P( B | B1) P( B1) + P( B | N1) P( N1)

2 3 1 2 8
= + =
= 0.32
5 5 5 5 25
35
Independencia
Si el conocimiento de la ocurrencia de un suceso B cambia
la probabilidad de que ocurra otro A, se dice que A y B son
dependientes, en ese caso P(A|B) P(A).
Cuando el suceso A es independiente de B, la ocurrencia de
B no cambia la probabilidad de A, es decir P(A|B) = P(A).
Como P(A|B) = P(AB)/P(B),
A y B son independientes P(AB) = P(A) P(B)
36
Lanzamiento de dos monedas

S = {CC, CX, XC,XX}
Hiptesis:
Monedas equilibradas: P(C) = P(X)
Independientes
P (CC) = P(C) P(C) = (1/2)(1/2) = 1/4

P (CX) = P(C) P(X) = (1/2)(1/2) = 1/4
P (XC) = P(X) P(C) = (1/2)(1/2) = 1/4
P (XX) = P(X) P(X) = (1/2)(1/2) = 1/4
37
Independencia (3 o ms sucesos)
Tres sucesos A, B y C son independientes si
P(A B C) = P(A) P(B) P(C)
P(A B) = P(A) P(B)
P(A C) = P(A) P(C)
P(B C) = P(B) P(C)
Los sucesos A1 , A2 , ..., An
son independientes si
cualquier subconjunto Ai1, Ai2, ..., Aik, cumple
P(Ai1Ai2... Aik) = P(Ai1)P( Ai2)...P(Aik)
38
Probabilidad Total
B1
B6
B2
B3
B7
A
B8
B4
Particin.
B1,B2 ,...,Bn : B j S
B5
Bi B j = , i j
B9 B
10
B1 B2 Bn = S
P( A) = P( A S )
= P[ A ( B1 B2 Bn )]
= P[( A B1 ) ( A B2 ) ( A Bn )]
= P ( A B1 ) + P ( A B2 ) + + P ( A Bn )
P( A) = P( A | B1 ) P ( B1 ) + P( A | B2 ) P( B2 ) + P( A | Bn ) P( Bn )
39
Teorema de Bayes
Sea B1 ,B2 ,...,Bn una particin del espacio S
tal que P(B j ) > 0, para j = 1,2 ,...,n y sea A
cualquier suceso con P(A) > 0, entonces
para cualquier Bi :
P(Bi|A) =
P(A|Bi )P(Bi )
n
P(A|B
j =1
)P(B j )
40
Ejemplo (Bayes)
M-1
M-2
M-3
5% D
10 % D
20 % D
200 p/h
100 p/h
100 p/h
ALMACN
El porcentaje de piezas defectuosas fabricadas por tres mquinas
es 5%, 10% y 20%. La primera fabrica 200 piezas por hora y las
otras dos 100 piezas por hora. Todas las piezas fabricadas se
llevan a un almacn. Al final del da se toma una pieza del
almacn y es defectuosa, cul es la probabilidad de que
proceda de M-1?
41
P(M 1 | D) =
P( D | M 1 ) P(M 1 )
P( D | M 1 ) P(M 1 ) + P( D | M 2 ) P(M 2 ) + P( D | M 3 ) P(M 3 )
=
P(M 2 | D) =
P( D | M 2 ) P(M 2 )
=
P(M 3 | D) =
0.05 0.5
= 0.25
0.05 0.5 + 0.20 0.25 + 0.10 0.25
0.20 0.25
= 0.50
0.05 0.5 + 0.20 0.25 + 0.10 0.25
P( D | M 3 ) P(M 3 )
=
0.10 0.25
= 0.25
0.05 0.5 + 0.20 0.25 + 0.10 0.25
P(M 1 | D) + P(M 2 | D) + P(M 3 | D) = 1

42
Si una persona es portadora del virus A, un anlisis de sangre

lo detecta el 99% de las veces. Sin embargo, el test tambin
proporciona falsos positivos, indicando la presencia del
virus en el 3% de personas sanas. Si slo 5 de cada 1000
personas tienen el virus, cul es la probabilidad de que una
persona tenga el virus realmente si el anlisis ha dado
positivo?
V =" Tener el Virus"

S =" El anlisis es positivo"
P(V S )
P( S | V ) P (V )
P (V | S ) =
=
P( S )
P ( S | V ) P(V ) + P( S | V ) P (V )
0.99 0.005
=
= 0.142
0.99 0.005 + 0.03 0.995
43
Ejemplo Virus
(Aplicado a 1.000.000 personas)
NEGATIVO
POSITIVO
Total
SANOS
965.150
29.850
995.000
ENFERMOS
50
4.950
5.000
Total
965.200
34.800
1.000.000
Entre los 34.800 que han dado positivo, slo

4.950 tienen el virus
P(V|S) = 4.950/34.800 = 0.142
44
2. 2 Variable aleatoria
Experimento Aleatorio
EL trmino experimento aleatorio se utiliza

en la teora de la probabilidad para referirse a
un proceso cuyo resultado no es conocido de
antemano con certeza.
Suma de valores en el lanzamiento de 2
dados.
46
Variable Aleatoria
Una variable aleatoria es una funcin que asigna un nmero
real a cada uno de los resultados de un experimento aleatorio.
Lanzamiento de 2
monedas
X(s) Nmero de CARAS
s X(s)
CC 2
CX 1
XC 1
XX 0
47
Variable Aleatoria Discreta

Cuando los valores que toma una
variable aleatoria son finitos o
infinitos numerables se dice que es
discreta.
Resultado obtenido al lanzar un dado

{1,2,3,4,5,6}
Nmero de veces que hay que lanzar

una moneda hasta obtener una CARA
{1,2,3,4, ...}
48
Distribucin de probabilidad
Sea { x1 , x2 , ..., xn } los valores que puede tomar la
variable aleatoria X. Se denomina distribucin de
probabilidad de la variable aleatoria a P( X=xi ) que
cumple:
P ( X = xi ) 0
i=1 P ( X = xi ) = 1.
N de Caras al lanzar 2 monedas
x P(X=x)
0 1/4
1 1/2
2 1/4
49
Distribucin de probabilidad
p(X)
1/2
1/4
N de Caras al lanzar 2 monedas

3
x
50
Lanzamiento de un dado
x
P ( X = x)
1
2
1/ 6
1/ 6
3
4
1/ 6
1/ 6
5
6
1/ 6
1/ 6
P (X = x)
1/6
6
x
51
Funcin de distribucin
La funcin de distribucin FX ( x ) de una variable aleatoria
X se define para todo nmero real x como:
FX ( x ) = PX ( X x ).
Ejemplo. X = Nmero de caras al lanzar 2 monedas
x
FX ( x )
(-,0)
0
[0,1)
1/4
[1,2)
3/4
[2,)
1
F(x)
1
3/4
1/2
1/4
3
x
52
1
3/4
Funcin de
Distribucin
1/2
1/4
3
x
1/2
Distribucin
puntual de
probabilidad
1/4
3
x
53
F(x)
p(x)
1/6
P ( X = x)
1
2
1/ 6
1/ 6
3
4
1/ 6
1/ 6
5
6
1/ 6
1/ 6
54
Una funcin F(x) es una funcin de distribucin

si y slo si cumple las siguientes condiciones:
a.
lim F ( x) = 0 y
lim F ( x) = 1.
x +
b. F(x) es una funcin no decreciente.

c. F(x) es continua por la derecha :
h > 0, lim F ( x + h) = F ( x).
h 0
55
Variable aleatoria continua

Una variable aleatoria X es continua si su
funcin de distribucin FX ( x ) es
continua.0
F(x)
0.25
0.75
3/4
1/2
1/4
0.50
0,5
1,5
x
FX ( x ) = x,
x [0,1)
56
Funcin de densidad
La funcin de densidad de probabilidad
fX(x) de una variable aleatoria continua X
es la funcin que verifica
x
FX ( x) = f X (t ) dt , x.
Si FX(x) es derivable, adems

d
FX ( x) = f X ( x).
dx
57
F(x)
Funcin de distribucin
1
3/4
FX(x) = x, x[0,1)
1/2
1/4
0,5
1,5
x
f(x)
Funcin de densidad
fX(x) = 1, x[0,1]
1
0
0,5
1,5
x
58
Una funcin fX (x) es una funcin de densidad

de probabilidad de una variable aleatoria X si y
slo si cumple:
a. f X ( x) 0 para todo x.
b.
f X ( x) dx = 1.
rea = 1
59
Clculo de probabilidades
f X (x)
f X ( x) dx
P(a X b) = FX (b) FX (a )
b
= f X ( x) dx
a
Esperanza
Se define
esperanza o media de una
variable aleatoria discreta X y se representa
n
por E[X] al valor
E[ X ] = xi P ( X = xi ).
i =1
Ejemplo: Lanzamiento de un dado

1
1
1
1
1
1
E[ X ] = 1 + 2 + 3 + 4 + 5 + 6 = 3.5
6
6
6
6
6
6
Centro de la
distribucin de
probabilidad
1/6
5
x
3.5
61
Esperanza
Se define esperanza o media de una variable aleatoria
continua X con funcin de densidad fX(x) y se representa
por E[X] al valor
E[ X ] =
x f
( x) dx.
Ejemplo : Distribuci n uniforme f X (x) = 1, 0 x 1

1
x2
E [ X ] = x 1 dx =
2
0
=
0
1
.
2
Centro de la
distribucin de
probabilidad
0,5
1,5
x
62
Propiedades de E[X]
Transformaciones lineales Y = a X+b
(a y b constantes)
E[aX + b] = aE[ X ] + b
63
Varianza
Sea X una variable aleatoria con
media , se denomina varianza a
Var ( X ) = E[ ( X - )2 ].
Variable aleatoria discreta
Var[ X ] =
(x )
P( X = x).
x =
Variable aleatoria continua
Var[ X ] = ( x ) 2 f X ( x) dx
64
Propiedades de la varianza
1. Var ( X ) = E[( X ) 2 ]
= E[ X 2 ] 2 .
2. Var (aX + b) = a 2Var ( X )
65
Ejemplos
1
1
1
1
1
1
Var[ X ] = (12 + 2 2 + 32 + 4 2 + 52 + 6 2 ) (3.5) 2
6
6
6
6
6
6
35
= .
12
Distribucin uniforme
1
Var[X] = x 2 1dx (1 / 2) 2
0
1
x3
1 1
=
= .
3 0 4 12
66
Desigualdad de Tchebychev
Area 1
-k
1
k2
+k
Para cualquier variable aleatoria
= E[ X ]
2 = Var[ X ]
1
P( X k ) > 1 2 .
k
67
Momentos de una V.A.

Momentos respecto al Origen
1 = E[ X ] =
Momentos respecto a la media

1 = E[( X )] = 0
2 = E[ X 2 ]
2 = E[( X ) 2 ] = 2
...
...
p = E[ X p ]
p = E[( X ) p ]
68
Transformaciones no lineales
z=h(y)
Desarrollo de Taylor para z = h( y ) en = E[y]
1
z h( ) + h' ( )( y ) + h' ' ( )( y ) 2
2
La media y varianzas de z son aprox.
E[z] h( ) +
1
h''()Var(y)
2
Var[ z ] [h' ( )]2 Var[ y ]
69
Transformaciones
Dada una variable aleatoria X con funcin
de densidad f X ( x) vamos a ver como se obtiene
la funcin de densidad fY ( y ) de la variable
aleatoria Y , definida como
Y = g(X)
Casos a considerar :
* La funcin g es montona creciente
* La funcin g es montona decreciente
* La funcin g no es montona
70
Funcin g creciente
FY ( y ) = P (Y y )
= P( g ( X ) y )
= P( X g 1 ( y ) )
= FX ( g 1 ( y ))
Y y
x = g -1(y)
X g -1(y)
fY ( y ) =
dFY ( y )
dy
d g 1 ( y )
=
f X ( g 1 ( y ))
dy
71
Funcin g decreciente
FY ( y ) = P (Y y )
= P( g ( X ) y)
= P ( X g 1 ( y ) )
= 1 FX ( g 1 ( y ))
fY ( y ) =
x = g -1(y)
X g -1(y)
dFY ( y )
dy
d g 1 ( y )
=
f X ( g 1 ( y ))
dy
72
Funcin montona
d g 1 ( y )
f X ( g 1 ( y ))
fY ( y ) =
dy
73
Transformacin no montona
Y y
x1
x2 x3
x4
x5 x6
FY ( y ) = P (Y y )
= P( x1 X x2 ) + P( x3 X x4 ) + P( x5 X x6 )
74
Ejemplo de transformacin
El radio de una esfera es una variable
aleatoria cuya funcin de densidad es
f X ( x) = 3 x 2 , 0 x 1.
Cul es la funcin de densidad del volumen?
Y = Volumende la esfera
4
3Y
Y = X3 X =
3
4
1
3
fY ( y ) =
=
1
3
4
3y
g ( x) = x3 ; g 1 ( y) = ;
3
4
d 1
g ( y ) f X ( g 1 ( y ))
dy
3
4
, 0 y
.
4
3
75
fY ( y ) =
f X ( x ) = 3 x 2 , 0 x 1.
4/3
4
3
.
, 0 y
3
4
4
y = x3
3
76
Un caso muy relevante del

problema inverso
Dadas:
1) Una variable aleatoria x con distribucin
uniforme (0,1)
2) Una variable aleatoria y con funcin de
densidad fY(y)
Encontrar la transformacin y=g(x) que convierte
x en y
77
Solucin del problema

d g 1 ( y )
= fY ( y )
dy
1
g ( x) = Fy ( x)
78
Representacin grfica con

ejemplo
fY ( y ) = e y , = 0,3
X = 0,65, y = (1 / ) log(1 x) = 3,5
79
Aplicacin: Simulacin de
Monte Carlo
Simulacin con ordenador
aleatorios; tiene dos vertientes:
de
procesos
1) Pedaggica: como herramienta para entender

mejor los modelos de probabilidad
2) Computacional: herramienta muy potente para
resolver problemas no abordables por mtodos
convencionales
80
Ejemplo de problema resuelto

por simulacin de Monte Carlo
Problema de los cumpleaos:
1) Se generan al azar con distribucin uniforme
discreta en 1,2,..,365, r valores (fechas de
nacimiento de las r personas)
2) Se cuenta el nmero de coincidencias
3) Repitiendo N veces los pasos 1 y 2, se
obtiene una aproximacin de la distribucin del
nmero de coincidencias
81
Captulo 2. Probabilidad y variable aleatoria

2.1 Si la probabilidad de que un interruptor cualquiera de la figura se encuentre cerrado (es decir, pase
corriente) es p, calcular la probabilidad de que pase corriente de A a B para las dos configuraciones
siguientes:
2.2 Teniendo en cuenta que para cualquier par de sucesos, A1 , A2 se cumple que
Pr(A1 A2 ) Pr(A1 ) + Pr(A2 ) 1,
P
demostrar que la extension a n sucesos es Pr(A1 A2 ...An ) ni=1 Pr(A ) (n 1).
2.3 La probabilidad de que un componente de una maquina se avere antes de 100 horas es 0.01. La
maquina tiene 50 componentes; calcular la probabilidad de avers de la m
aquina antes de 100 horas
en los casos siguientes:
(a) La maquina se avera cuando lo hace uno o mas componentes.
(b) La maquina se avera cuando fallan dos o m
as componentes.
(c) La maquina solo se avera cuando lo hacen todos los componentes.
2.4 Sean A y B dos sucesos no disjuntos cualesquiera de un experimento aleatorio. Indicar cual de las
siguientes probabilidades es mayor P1 = P (AB | A) o P2 = P (AB | A B). Justificar la respuesta.
2.5 Dado dos sucesos A y B, tal que P (A) > 0 y P (B) > 0 indicar, justificando la respuesta, si son
ciertas o no las afirmaciones siguientes:
(a) Si A y B son sucesos mutuamente excluyentes entonces no pueden ser independientes.
(b) Si A y B son independientes entonces no pueden ser mutuamente excluyentes.
2.6 Dos pueblos de alta monta
na est
an comunicados por cuatro tramos de carretera seg
un se muestra en
la figura (a). Los das de invierno debido a la nieve es frecuente que las carreteras esten cortadas.
Cuando nieva, la probabilidad de que cualquier tramo sea transitable es 0.8 con independencia de
lo que ocurra con el resto. Cu
al es la probabilidad de que un vehculo pueda viajar de Villarriba a
Villabajo un da con nieve? Para mejorar las comunicaciones se piensa construir un nuevo tramo de
carretera entre los puntos A y B. Cuando nieva la probabilidad de accesibilidad es tambien 0.8 con
independencia del resto. Cual es la probabilidad de que una persona pueda hacer el viaje anterior
con esta nueva configuracion (b)?
1
2.7 Un concursante debe elegir entre tres puertas, detr

as de una de las cuales se encuentra un premio.
Hecha la eleccion y antes de abrir la puerta, el presentador le muestra que en una de las dos puertas
no escogidas esta el premio y le da la posibilidad de reconsiderar su decisi
on. Que debe hacer el
concursante?
2.8 Demostrar que si dos sucesos A y B son independientes, tambien los son A y B, y A y B, donde A
y B representan los sucesos complementarios de A y B respectivamente.
2.9 Dos estudiantes A y B est
an matriculados en un curso. A asiste a las clases el 80% de los das y
B el 60%, siendo las asistencias de ambos independientes. Si exactamente uno de los dos est
a en
clase un da concreto, cual es la probabilidad de que sea A?
2.10 La probabilidad de que un componente se avere en un perodo de tiempo dado es 0.01. Su estado
(averiado o funcionando) se comprueba con un ensayo que cumple que cuando el componente
funciona la probabilidad de que el ensayo diga lo contrario es 0.05, pero si el componente est
a
averiado el ensayo no se equivoca. Si el ensayo indica que el componente est
a averiado, cual es la
probabilidad de que realmente lo este?
2.11 Cuatro fichas estan marcadas con las letras A, B, C, ABC;se toma una de ellas al azar. Se pregunta
si los tres sucesos consistentes en la presencia de la letra A, la letra B o la C sobre la ficha son o
no independientes.
2.12 Tres personas comparten una oficina con un telefono. De las llamadas que llegan, 2/5 son para A,
2/5 para B y 1/5 para C. El trabajo de estos hombres les obliga a frecuentes salidas, de manera
que A est
a fuera el 50% de su tiempo, y B y C el 25%. Calcular la probabilidad de que :
(a) No
(b)
(c)
(d)
este ninguno para responder al telefono.

Este la persona a la que se llama.
Haya tres llamadas seguidas para una persona.
Haya tres llamadas seguidas para tres personas diferentes.
2.13 En un campeonato de tenis usted tiene la opcion de escoger la secuencia de partidos A B A o

la B A B, donde A y B indican sus oponentes. Para clasificarse debe usted ganar dos partidos
consecutivos. El jugador A es mejor que el B. Que secuencia ser
a preferida?
2
2.14 Un jurado de tres miembros que decide por mayora tiene dos miembros que deciden independientemente el veredicto correcto con probabilidad p y el tercero lanza una moneda. Si un juez tiene
probabilidad p de acertar, cual de los dos sistemas tiene mayor probabilidad de acertar?
2.15 Una comunidad de vecinos ha contratado un sistema de alarma para evitar robos en sus hogares.
En caso de robo la alarma se pone en funcionamiento con seguridad. La probabilidad de que se
produzca un robo en el vecindario es 0.001. Existen adem
as otras causas (viento, golpes bruscos,
...) que ponen en funcionamiento el sistema de alarma, la probabilidad de que en una noche se
produzca una falsa alarma es 0.01. Si se declara una se
nal de alarma, cual es la probabilidad de
que sea falsa?
2.16 Sea X una variable aleatoria con distribucion uniforme en (0, 1). Calcular la probabilidad de que
2
Y > 0.8 si Y = eX .
2.17 Se elige un punto al azar interior a la circunferencia de ecuacion x2 + y 2 = r 2 . Llamando Z a la
variable aleatoria definida por la distancia entre el punto elegido y el centro de la circunferencia,
calcular las funciones de densidad y distribucion de Z.
2.18 Si X es una variable aleatoria con media . Demostrar que cuando m = , E[(X m)2 ] es mnima.
2.19 La funcion de densidad de la variable aleatoria X es

1/(kx), si 25 x 50
f (x) =
0,
en el resto.
Obtener k, la media y la varianza de X.
2.20 De acuerdo con la teora cinetica de los gases, la velocidad V de una molecula de masa m de un
gas a la temperatura (absoluta) T es una variable aleatoria con la siguiente funcion de densidad:
f (v) =
4
2
2
v 2 ev / , v 0
p
donde = 2kT /m, siendo k la constante de Boltzmann.
Ademas, E(V ) = 2/ y Var(V ) = (3/2 4/)2 .

(a) Calcular el valor medio de la energa cinetica, mV 2 /2, de una molecula. A una misma
temperatura T , que gas tiene mayor valor medio de energa cinetica, uno ligero u otro m
as
pesado?
(b) Obtener la funcion de densidad de la energa cinetica de una molecula. Indicar si depende
de la masa molecular.
2.21 La funcion de distribucion de la variable aleatoria X es FX (X). Obtener la funcion de densidad de
la variable aleatoria Y = F (x).
2.22 Un modelo que habitualmente se utiliza en balstica para comprobar la correcta calibraci
on de las
armas es

x
x2
f (x) = 2 exp 2 ,
x 0, 0,
2
donde la variable aleatoria X es la distancia del punto de impacto del proyectil al centro del blanco
al que iba dirigido y es el par
ametro que mide la precision. Si para una distancia determinada de
disparo la precision del arma es = 10 cm, cual es la probabilidad de que al lanzar 10 proyectiles,
ninguno haya impactado a una distacia menor de 5 cm del centro del blanco?
3
2.23 Adaptar la demostracion de la desigualdad de Chebychev y demostrar la desigualdad de Markov

P (X > a)
1
E [X]
a
donde X es una variable aleatoria positiva (P (X > 0) = 1)

2.24 La variable aleatoria Z tiene como funcion de densidad

z2
1
f (z) =
exp 2 , < z < ,
2
2
>0
Obtener la funcion de densidad de

Y = |Z|
y su media.
2.25 Dada la variable aleatoria discreta X, cuya funcion de probabilidad viene definida por
P (X = x) = kx con x = 1, 2, ..., 20
Calcular el valor de la constante y E(X|X > 10).
2.26 Dada la variable aleatoria X, cuya funcion de densidad es

k(1 x2 ), si 0 < x < 1
f (x) =
0,
en el resto
Obtener k, as como la media y la varianza de la variable Y = 3X 1.
2.27 El diametro D de las bolas de acero para un determinado tipo de rodamiento sigue una distribuci
on
de media y desviaci
on tpica . Obtener, de forma aproximada, la media y la varianza de la
distribucion de los vol
umenes de estas bolas.
2.28 Si X es una variable aleatoria con
distribucion uniforme entre 0 y , obtener la funcion de densidad
de la variable aleatoria Y = + X.
3. Modelos Univariantes de
Probabilidad
Curso 2014-15
Estadstica
Modelos Univariantes
Proceso de Bernoulli
El resultado de un experimento admite
dos categoras: Aceptable y
Defectuoso.
Se repite el experimento n veces.
La probabilidad de defectuoso es la
misma p en todos los experimentos.
Los experimentos son independientes.
Modelos univariantes
Ejemplos de procesos de
Bernoulli
Lanzamiento de n monedas.
Resultado: cara o cruz.
Se extraen piezas al azar de un
sistema continuo de fabricacin. Se
clasifican las piezas en aceptables o
no.
Lanzamiento de un dado n veces. En
cada lanzamiento se clasifica como 6
o distinto de 6.
Distribucin Binomial (n,p)

n
Proporcin defectuosas = p
X = N de defectuosas al extraer n piezas
Distribucin de probabilidad binomial (n,p)

n=10
p 4 (1 p) 6

10

4
10
P( X = 4) = p 4 (1 p) 6
4
Distribucin de probabilidad binomial (n,p)

n
P( X = k ) = p k (1 p) n k , k = 0, 1, 2,..., n
k
0,4
(1) P(X = k) 0, k .
(2)
k p
k =0
n =10, p=0.2
0,3
(1 p) n k = 1.
0,2
0,1
0
0
10
Propiedades de la dist.
binomial
n
E[ X ] = k P( X = k ) = np.
k =0
Var[ X ] = E[ X 2 ] E[ X ] 2 = np(1 p)
0,08
0,06
0,04
n = 100, p = 0.5
0,02
0
0
20
40
50
60
80
100
Distribuciones binomiales
0,16
0,2
n = 25, p = 0.5
0,12
n = 25, p = 0.2
2
0,12
2.5
0,08
0,16
0,08
0,04
0,04
0
0
10 12.5 15
20
25
0,08
55
10
0,08
0,04
20
25
n = 100, p = 0.2
0,06
15
0,1
n = 100 , p = 0.5
0,06
0,04
0,02
0,02
0
0
0
20
40 50 60
80
100
2020 40
60
80
100
Ejemplo
Un contrato estipula la compra de componentes en lotes
grandes que deben contener un mximo de 10% de piezas
con algn defecto. Para comprobar la calidad se toman 11
unidades y se acepta el lote si hay como mximo 2 piezas
defectuosas. Es un buen procedimiento de control?
Sea p la proporcin de piezas en un lote,
X Nmero de defectuosas en la muestra
P(Aceptar) = P(X 2)
11
11
11
= p 0 (1 p )11 + p 1 (1 p )10 + p 2 (1 p ) 9
0
1
2
p
5%
10% 15% 20% 25%
P( Aceptar ) 0.985 0.910 0.779 0.617 0.45
10
Distribucin Geomtrica (p)

Y
Proporcin defectuosas = p
Y = Piezas extradas hasta que aparezca una defectuosa
11
Distribucin de probabilidad geomtrica (p)

...
1
2
3
k
p
(1-p)p
(1-p)2p
(1-p)k-1p
P( X = k ) = (1 p) k 1 p, k = 1,2,3,...
12
Propiedades de la v.a. geomtrica

E[Y ] =
1
,
p
Var[Y ] =
1 p
p2
0,3
0,25
0,2
p=0.3
0,15
0,1
0,05
0
0
12
16
20
13
Distribucin de Poisson
Nmero de defectos aparecidos en tramos de

longitud fija de hilos de cobre.
Nmero de partculas por centmetro cbico
en lquidos con sustancias en suspensin.
Emisiones radiactivas: nmero de partculas
emitidas en intervalos de tiempo fijo.
Nmero de llamadas a una centralita de
telfonos en un da
14
Ejemplo: Fabricacin continua de conductor de

cobre.
Nmero medio de defectos cada 100 m
X Nmero de defectos en un tramo de 100 m
15
Lmite de la dist. binomial
n
PX ( x ) = p x (1 p ) n x ,
x
x
p=
n!

PX ( x ) = lim
1
n
n ( n x )! x! n
n x
n ( n 1) ( n x + 1)

lim
1
1
=
x! n
n
n
nx
x
x!
e ,
x = 0 ,1, 2 ,...
16
P( X = x) =
x
x!
e , x = 0,1,2,..
2,5000E-01
2,0000E-01
=3
1,5000E-01
1,0000E-01
5,0000E-02
0,0000E+00
0
10
12
14
16
17
Media y Varianza
P ( X = x) =
x
x!
E[ X ] = x
x=0
= e
E[ X ] =
e ,
x
x!
x = 0 ,1, 2 ,...
x =1
x!
= x
x 1
x =1( x 1)!
Var [ X ] =
18
Ejemplo
Una fuente radiactiva emite partculas segn la
distribucin de Poisson de media 10
partculas por minuto. Se desea calcular:
Probabilidad de 5 partculas en un minuto
Probabilidad de 0 partculas en un minuto
Probabilidad de ms de 5 partculas en un
minuto.
Probabilidad de 30 o menos partculas en 5
minutos.
19
Ejemplo Poisson
105
= 0.0378
5!
2. P( X = 0) = e 10 = 4.54 10 5.
3. P ( X > 5) = 1 P( X 5)
1. P( X = 5) = e 10
10 x
= 0.933.
x = 0 x!
4. Y N de partculas en 5 minutos
' = 5 10 = 50
= 1 e 10
30
50 x
= 0.0016
x = 0 x!
P(Y 30) = e 50
20
Poisson de media 10
1,4000E-01
1,2000E-01
1,0000E-01
8,0000E-02
6,0000E-02
4,0000E-02
2,0000E-02
0,0000E+00
0
10
15
20
25
21
Distribucin Exponencial
T
t1
t2 t3
t4
t5 t6
t7
Ejemplo: Fabricacin continua de conductor de

cobre.
Nmero medio de defectos cada 100 m
T Distancia entre dos defectos consecutivos
22
Distribucin Exponencial
T t
0
P(T t ) = P {0 defectos en el intervalo [0, t)}

= e t , t 0
FT (t ) = P(T t )
= 1 e t , t 0
fT (t ) = e t , t 0.
23
Funcin de densidad
Propiedades (Exponencial)
fT (t ) = e t , t 0.
0,1
0,08
0,06
= 0.1
0,04
0,02
0
0
10
20
30
40
50
60
E[T ] = t fT (t )dt
= te
0
dt =
Var[T ] = E[T 2 ] E[T ]2
= t 2e t dt
0
24
Distribucin Normal
Campana de Gauss
1 x 2
1
exp
f X ( x) =
, x
2
25
Medidas Caractersticas
X N ( , )
Var[ X ] = 2
E[ X ] =
E[( X ) 4 ] = 3 4
E[( X )3 ] = 0
CA = Asimetra =
E[( X )3 ]
=0
CAp = Curtosis =
E[( X ) 4 ]
=3
26
0.68
0.955
0.997
+2
- 2
- 3
+3
27
Normal Estndar
Z N (0,1)
0
f Z ( z) =
1 z2 / 2
, z
e
2
( z ) =
1 t 2 / 2
e
dt
2
TABLAS
28
Estandarizacin
X N ( , )
P( X a) = P(
Z=
N (0,1)
) = P( Z
N(
,
)
) = (
).
N(0,1)
a
P( X a)
z = (a-)/
P(Z z )
29
TABLA
Normal Estndar
P (Z z)
N(0,1)
z
Ejemplo.
P(Z 1.96) = 0.9750
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
0
.5000
.5398
.5793
.6179
.6554
.6915
.7257
.7580
.7881
.8159
.8413
.8643
.8849
.9032
.9192
.9332
.9452
.9554
.9641
.9713
.9772
.9821
.9861
.9893
.9918
.9938
.9953
.9965
.9974
.9981
.9987
0,01
.5040
.5438
.5832
.6217
.6591
.6950
.7291
.7611
.7910
.8186
.8438
.8665
.8869
.9049
.9207
.9345
.9463
.9564
.9649
.9719
.9778
.9826
.9864
.9896
.9920
.9940
.9955
.9966
.9975
.9982
.9987
0,02
.5080
.5478
.5871
.6255
.6628
.6985
.7324
.7642
.7939
.8212
.8461
.8686
.8888
.9066
.9222
.9357
.9474
.9573
.9656
.9726
.9783
.9830
.9868
.9898
.9922
.9941
.9956
.9967
.9976
.9982
.9987
0,03
.5120
.5517
.5910
.6293
.6664
.7019
.7357
.7673
.7967
.8238
.8485
.8708
.8907
.9082
.9236
.9370
.9484
.9582
.9664
.9732
.9788
.9834
.9871
.9901
.9925
.9943
.9957
.9968
.9977
.9983
.9988
0,04
.5160
.5557
.5948
.6331
.6700
.7054
.7389
.7704
.7995
.8264
.8508
.8729
.8925
.9099
.9251
.9382
.9495
.9591
.9671
.9738
.9793
.9838
.9875
.9904
.9927
.9945
.9959
.9969
.9977
.9984
.9988
0,05
.5199
.5596
.5987
.6368
.6736
.7088
.7422
.7734
.8023
.8289
.8531
.8749
.8944
.9115
.9265
.9394
.9505
.9599
.9678
.9744
.9798
.9842
.9878
.9906
.9929
.9946
.9960
.9970
.9978
.9984
.9989
0,06
.5239
.5636
.6026
.6406
.6772
.7123
.7454
.7764
.8051
.8315
.8554
.8770
.8962
.9131
.9279
.9406
.9515
.9608
.9686
.9750
.9803
.9846
.9881
.9909
.9931
.9948
.9961
.9971
.9979
.9985
.9989
0,07
.5279
.5675
.6064
.6443
.6808
.7157
.7486
.7794
.8078
.8340
.8577
.8790
.8980
.9147
.9292
.9418
.9525
.9616
.9693
.9756
.9808
.9850
.9884
.9911
.9932
.9949
.9962
.9972
.9979
.9985
.9989
0,08
.5319
.5714
.6103
.6480
.6844
.7190
.7517
.7823
.8106
.8365
.8599
.8810
.8997
.9162
.9306
.9429
.9535
.9625
.9699
.9761
.9812
.9854
.9887
.9913
.9934
.9951
.9963
.9973
.9980
.9986
.9990
0,09
.5359
.5753
.6141
.6517
.6879
.7224
.7549
.7852
.8133
.8389
.8621
.8830
.9015
.9177
.9319
.9441
.9545
.9633
.9706
.9767
.9817
.9857
.9890
.9916
.9936
.9952
.9964
.9974
.9981
.9986
.9990
30
P (Z
N(0,1)
z )
z
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
0,00
.9990323
.9993128
.9995165
.9996630
.9997673
.9998409
.9998922
.9999276
.9999519
.9999683
0,01
.9990645
.9993363
.9995335
.9996751
.9997759
.9998469
.9998963
.9999305
.9999538
.9999696
0,02
.9990957
.9993590
.9995499
.9996868
.9997842
.9998527
.9999004
.9999333
.9999557
.9999709
0,03
.9991259
.9993810
.9995657
.9996982
.9997922
.9998583
.9999042
.9999359
.9999575
.9999721
0,04
.9991552
.9994023
.9995811
.9997091
.9997999
.9998636
.9999080
.9999385
.9999592
.9999733
0,05
.9991836
.9994229
.9995959
.9997197
.9998073
.9998688
.9999116
.9999409
.9999609
.9999744
0,06
.9992111
.9994429
.9996102
.9997299
.9998145
.9998739
.9999150
.9999433
.9999625
.9999755
0,07
.9992377
.9994622
.9996241
.9997397
.9998215
.9998787
.9999184
.9999456
.9999640
.9999765
0,08
.9992636
.9994809
.9996375
.9997492
.9998282
.9998834
.9999216
.9999478
.9999655
.9999775
0,09
.9992886
.9994990
.9996505
.9997584
.9998346
.9998878
.9999247
.9999499
.9999669
.9999784
31
Ejemplo (Normal)
La longitud X de ciertos tornillos es una variable
aleatoria con distribucin normal de media 30
mm y desviacin tpica 0.2 mm. Se aceptan
como vlidos aquellos que cumplen 29.5 < X
< 30.4.
Proporcin de tornillos no aceptables por
cortos.
Proporcin de tornillos no aceptables por
largos.
Proporcin de tornillos vlidos.
32
Ejemplo (Solucin)
X N (30, 0.2)
Z=
N (0,1)
X 30 29.5 30
)
0 .2
0.2
= P ( Z 2.5) = (2.5) = 0.0062
1. P ( X 29.5) = P (
0.0062
0.9938
0.0062
-2.5
Tablas
2.5
2.
33
PX 30. 4 = P X 30 30. 4 30
0. 2
0. 2
= PZ 2. 0 = 1 2 = 0. 0228
3. P29.5 < X < 30.4 = 1 0.0228 0.0062 = 0.971
34
Captulo 3. Modelos univariantes

3.1 Si las llamadas telefonicas a una centralita siguen una distribucion de Poisson de par
ametro =
3llamadas/cinco minutos, calcular la probabilidad de:
(a) Seis llamadas en cinco minutos.
(b) Tres llamadas en diez minutos.
(c) Mas de 15 en un cuarto de hora.
(d) Dos en un minuto.
3.2 La variable aleatoria X tiene distribuci
on exponencial con media 1. Obtener la funcion de distribucion y la funci
on de densidad de
W = aX 1/b ,
a > 0, b > 0
3.3 El n
umero de averas diarias de una m
aquina sigue una distribucion de Poisson de media 0.4 averas.
Calcular la probabilidad de que haya tres das sucesivos sin averas.
3.4 A un puesto de servicio llegan de manera inedependiente, por termino medio, 10 clientes/hora.
Calcular la probabilidad de que lleguen 8 clientes en la pr
oxima media hora sabiendo que en la
u
ltima hora llegaron 14 clientes, y que la variable aleatoria n
umero de clientes que llegan en un
hora siguen una distribucion de Poisson.
3.5 En una planta industrial dos bombas B1 y B2 en paralelo conducen agua desde un pozo a una
depuradora D, y posteriormente otras dos bombas B3 y B4 , tambien en paralelo, la trasladan a un
dep
osito como indica la figura.
Los tiempos de vida de la depuradora y de las bombas son variables aleatorias independientes con
distribucion exponencial, siendo 20 mil horas la vida media de la depuradora y 30 mil horas la de
cada bomba.
Pozo

- B1
B3 @

R
@

@

- B2
R B4 @

Depsito
(a) Calcular la probabilidad de que llegue agua al dep

osito despues de 20 mil horas de funcionamiento.
(b) Calcular la probabilidad de que una depuradora que ha trabajado T horas falle antes de
las mil horas siguientes. Es razonable que para evitar fallos de la depuradora se renueve
esta cada 20 mil horas? Por que?
3.6 Un laboratorio de an
alisis realiza pruebas de sangre para detectar la presencia de un tipo de virus.
Se sabe que una de cada 100 personas es portadora del virus. Se va a realizar un estudio en un
colegio, para abaratar las pruebas se realiza un an
alisis combinado que consiste en: En lugar de
analizar la sangre de cada individuo, se toman las muestras de 50 y se analiza la mezcla. Si el
resultado del an
alisis es negativo, se concluye que los 50 individuos est
an sanos. Si el an
alisis es
positivo, se repite a cada persona de manera individual. El analisis es infalible.
(a) Determinar el n
umero esperado de pruebas (analisis) que se tendra que realizar si se sigue
este tipo de estrategia.
(b) Cual es la probabilidad de que un individuo determinado sea portador del virus, si el
resultado del analisis realizado a su grupo de 50 ha resultado positivo?
3.7 De un lote con una proporci
on de piezas defectuosas p, se extraen piexas con reposici
on hasta que
se observa la kesima defectuosa. Obtener la distribuci
on de probabilidad de la variable aleatoria
X n
umero total de piezas observadas.
3.8 La funcion de densidad de una variable aleatoria X viene dada por la expresi
on

x/8, si 0 x 4
f (x) =
0,
en el resto
Se generan secuencialmente valores de esta variable. Cuantos valores de X habra que generar por
termino medio hasta obtener un valor mayor que 3?
3.9 Una pareja decide tener hijos hasta el nacimiento de la primera ni
na. Calcular la probabilidad de
que tengan m
as de 4 hijos. (Supongase P (ni
no) = P (ni
na) = 0.5)
3.10 La distancia D entre dos vehculos consecutivos es una autopista sigue una distribucion exponencial
con media 200 metros. Cual es la probabilidad de que en un tramo de 1 km haya exactamente 5
vehculos?
3.11 Ricardo es un pescador experto que ha comprobado, despues de una larga experiencia practicando
su deporte favorito, que el n
umero de peces capturados por la ma
nana puede ser representado por
una variable aleatoria de Poisson de media 3 peces a la hora. Quiere ir a pescar el s
abado pr
oximo,
si empieza a las 7 de la ma
nana, cual es la probabilidad de que capture el primer pez antes de las
7 h. 15 min.? Cual es la probabilidad de que capture 5 peces durante dos horas de pesca?
3.12 La variable aleatoria T representa la duracion de vida de un componente electr
onico. En teora de
la fiabilidad la probabilidad de que un componente falle en el instante t sabiendo que ha durado
hasta t se denomina tasa de fallo y se representa por (t), siendo su valor en funcion de t
(t) =
f (t)
,
1 F (t)
donde f y F son, respectivamente, las funciones de densidad y de distribucion de la variable aleatoria

T . Obtener la tasa de fallo en caso que T sea una variable aleatoria exponencial de media 1000
horas e interpolar el resultado.
2
3.13 Un examen consiste en 25 cuestiones. En cada cuesti

on, el alumno debe elegir entre 5 soluciones
propuestas, de las que una (y solo una) es cierta. El n
umero mnimo de respuestas correctas que
debe tener un alumno para aprobar es a. El profesor decide fijar a con el siguiente criterio: que
la probabilidad de aprobar para un alumno que conteste todas las cuestiones al azar sea menor de
0.05. Obtener a. (Una cuesti
on es respondida al azar si cada uno de los cinco resultados propuestos
tiene la misma probabilidad de ser escogido).
3.14 Obtener la funcion de densidad de una variable aleatoria 2 con un grado de libertad. (Si X
N (0, 1), Y = X 2 es una 21 .)
3.15 Dada una variable aleatoria X, cuya distribucion es N (0, 2 ), calcular la mediana de la variable
Y = |X|.
3.16 La longitud L en milmetros de las piezas fabricadas en un proceso es una variable aleatoria que
se distribuye seg
un una N (32, 0.3), considerandose aceptables aquellas cuya medida se encuentra
dentro del intervalo (31.1, 32.6).
(a) Calcular la probabilidad de que una pieza elegida al azar sea aceptable.
(b) Si se toma al azar una muestra de tres piezas, cual es la probabilidad de que la primera
y la tercera sean aceptables y la segunda no lo sea?
(c) Cual es la probabilidad de que en una muestra de tama
no 3 al menos una sea aceptable?
(d) Las piezas se embalan en lotes de 500. Calcular la probabilidad de que un lote tenga m
as
de 15 defectuosas.
3.17 Un concesionario de autom
oviles recibe pedidos de un modelo seg
un un proceso de Poisson de media
2 vehculos por semana. Los pedidos al fabricante se deben realizar con una antelacion mnima de
un mes, de forma que el concesionario pide en cada mes los vehculos que necesita para el mes
siguiente. Cuantos autom
oviles disponibles ha de tener a principios de un mes para satisfacer con
probabilidad igual o mayor que 0.95 la demanda mensual? (Se considera que el mes tiene cuatro
semanas).
3.18 Si la probabilidad de que un disparo impacte una diana es 0.0001, cual es la probabilidad de
impactar en la diana 4 o mas veces en 50000 disparos? Da un resultado numerico empleando la
aproximacion que consideres m
as adecuada. Se supone independencia.
3.19 Para controlar la calidad de un proceso textil se cuenta el n
umero de defectos que aparecen en la
tela fabricada. Seg
un el fabricante, cuando el proceso funciona correctamente el n
umero de defectos
en una bobina de 100 metros cuadrados es una variable aleatoria de Poisson con media 4. Se ha
instalado un equipo de vision artificial para realizar el recuento que permite inspeccionar 900 m2
de tela cada hora. Cual es la probabilidad de que aparezcan mas de 50 defectos en una hora si el
proceso funciona bien?
3.20 Un compa
na compra chips para montar en placas de ordenadores cl
onicos. Una empresa de reciclado le ofrece lotes de 10.000 chips a precios muy ventajosos pero con un porcentaje de defectuosos
alto, alrededor del 10%. Para realizar el control de calidad de los lotes recibidos esta considerando
dos alternativas: (a) Tomar 100 unidades al azar y rechazar el lote si existen m
as de 15 defectuosas. (b) Tomar 100 unidades al azar, dividirlas en 10 grupos y si en alg
un grupo hay m
as de una
pieza defectuosa rechazar el lote.Cual es la probabilidad de rechazar un lote con el 10% de chips
defectuosos para cada uno de los metodos? Cual es la probabilidad de aceptar un lote con el 20%
de chips defectuoso para cada metodo?
3
3.21 Una compa

na para comprobar la calidad de ciertos lotes de 30000 piezas realiza el siguiente
control: toma una muestra al azar de 300 piezas y si tiene 15 o m
as piezas defectuosas rechaza el
lote, acept
andolo en caso contrario. La compa
na cada mes aplica este control a 200 lotes, cual es
el n
umero esperado de lotes rechazados si todos los lotes de un mes tienen exactamente un 4% de
piezas defectuosas?
3.22 Un servicio telefonico de urgencias recibe por termino medio 10 llamadas cada minuto, cual es
la probabilidad de recibir mas de 550 llamadas en una hora? Se ha dise
nado un call center con
capacidad de respuesta de 650 llamadas a la hora, cual es el n
umero esperado de horas al a
no con
n
umero de llamadas superior a su capacidad? (Se supone que las llamadas son independientes y
todas las horas son similares)
3.23 A un congreso de medicina acuden 500 personas. Un laboratorio farmace
utico va a regalar corbatas
a los hombres y pa
nuelos a las mujeres. Desgraciadamente no conocen el n
umero exacto de cada
sexo, aunque saben de otros congresos que la proporci
on es similar. Calcula el n
umero mnimo de
corbatas y de pa
nuelos que deben tener disponibles los organizadores para que todos los asistentes
tengan el regalo que les corresponde con probabilidad de 0.99 (es decir ninguna mujer se quede sin
pa
nuelo y ning
un hombre sin corbata). Se supone que la probabilidad de hombre o mujer es igual
a 0.5 y que la probabilidad de que un asistente sea de un determinado sexo es independiente del
sexo de los restantes.
3.24 Federer y Nadal se encuentran empatados, 40-40 en un juego en el que est
a sacando Nadal. Seg
un
las estadsticas la probabilidad de que Nadal gane un punto determinado cuando tiene el saque
es 0.6. Cu
al es la probabilidad de que el juego lo termine ganando Nadal? (Nota. Piensa en
el desempate de la siguiente forma: se juegan dos puntos: si los gana un jugador ese jugador ha
ganado el juego, si cada jugador gana un punto se juegan otros dos puntos y se vuelve a aplicar la
misma regla).
3.25 Cibeles in Concert es una empresa que organiza viajes en autobus para asistir a actuaciones
musicales. Para un concierto de Bruce Springsteen en Paris ha ofertado 300 plazas que salen de
Madrid y Sevilla. Las reservas se hacen por Internet, el precio del viaje para los de Sevilla es de 60
e y para los de Madrid 50e. Las 300 plazas se cubren con seguridad. Si la probabilidad de que un
asistente salga de Sevilla es 1/3 y de Madrid 2/3, y se acepta independencia entre las 300 reservas,
calcula los ingresos esperados por la compa
na y la varianza de estos ingresos.
Curso 2014-15
Captulo 4. Distribucion conjunta de varias variables

4.1 Supongase una diana circular con centro en el origen de coordenadas y radio r y X, Y las coordenadas
de un punto elegido al azar (por ejemplo, el lanzamiento de un dardo). Supongase que cualquier
otro punto de la diana tiene la misma probabilidad de ser elegido. Calcule fXY (x, y) y fX (x).
4.2 Un gran almacen guarda cajas que contienen piezas de distinto tipo. La proporci
on p de piezas de
tipo A en una caja se puede considerar una variable aleatoria con funcion de densidad:
f (p) = kp(1 p) con 0 p 1
(a) Calcular el valor de k, la media y la varianza de la variable aleatoria p.
(b) Si se toman 10 cajas al azar.Cu
al es la probabilidad de que ninguna de ellas contenga
una proporci
on de piezas de tipo A igual o superior al 75% ?
4.3 X e Y son dos variables aleatorias independientes con la misma funcion de distribucion F . Calcular
la funci
on de densidad de
U = max(X, Y).
4.4 Obten la distribucion de probabilidad del m
aximo, del mnimo y de la media de los resultados
obtenidos al lanzar dos dados equilibrados. Se acepta que los resultados de los dados son variables
aleatorias independientes.
4.5 Una empresa de celulosa tiene dos lneas para fabricar pasta de papel en planchas de 1m 1m. Una
medida de su calidad es la limpieza, que se mide en n
umero de impurezas (partculas) por m2 . La
lnea I, fabrica con una tasa media de 5 impurezas por m2 y la lnea II con 3 impurezas por m2 .
El n
umero de impurezas por plancha es una variable aleatoria con distribuci
on de Poisson. Las
planchas de pasta se empaquetan en balas de 2000 unidades y se almacenan clasificadas seg
un la
lnea de procedencia. Cuando por alg
un motivo se encuentra en el almacen una bala sin clasificar
se adopta el siguiente criterio: tomar una muestra aleatoria de 10 planchas y determinar el n
umero
medio de impurezas. Asignarla al grupo de la lnea I si el n
umero medio de impurezas es mayor
que 4 y a la lnea II en caso contrario. (Se supone que la probabilidad inicial de pertenecer a una
u otra linea es la misma).
(a) Calcular la probabilidad de clasificar err
oneamente una bala.
(b) En un caso concreto, el n
umero de impurezas en cada una de las diez planchas han sido
1, 2, 3, 3, 4, 4, 5, 5, 6, 8. Calcular la probabilidad de que pertenezca a cada una de las lneas.
4.6 La funcion de densidad de una variable aleatoria bidemensional viene dada por la expresi
on:

xy + cex , cuando 0 < x < 1 y 0 < y < 1
fXY (x, y) =
0,
en el resto
Son independientes las variables aleatorias X e Y ?
1
4.7 Los billetes de banco son fabricados en pliegos. La impresion se realiza por dos m
aquinas iguales,
una de ellas imprime el anverso y la otra el reverso. Sea X e Y , respectivamente, el n
umero de
defectos de impresion en el anverso y reverso de un pliego. Ambas variables son independientes con
distribucion de Poisson de par
ametros 1 y 2 .
(a) Demostrar que el n
umero total de defectos en un pliego Z = X + Y tiene distribuci
on de
Poisson. (Nota.- Utilizar que
Pr{Z = n} =
n
X
k=0
Pr{X = k}Pr{Y = n k}
y el desarrollo del binomio de Newton para (1 + 2 )n .)

(b) Si el n
umero total de defectos en un pliego es Z = n, cu
al es la probabilidad de que haya
exactamente X = k defectos en el anverso? (Obtener la expresi
on en funcion de 1 , 2 , n
y k). De que distribucion de probabilidad se trata?
4.8 La cantidad en miligramos de dos componentes contenidos en un producto es una variable aleatoria
bidemensional, cuya funcion de densidad viene dada por la expresi
on

4xy, cuando 0 x 1 y 0 y 1
fXY (x, y) =
0,
en el resto
Calcular la probabilidad de que la cantidad del primer componentes sea menor que 0.3.3 miligramos
cuando la del segundo es 0.8 miligramos.
4.9 La llegada de los clientes a un banco se considera un proceso Poisson con par
ametro . Sabiendo
que en la u
ltima hora han llegado 2 clientes, cual es la probabilidad de que los dos entraran en los
primeros 15 minutos?
4.10 La funcion de densidad de la variable aleatoria bidemendional (X, Y ), bien dada por la expresi
on:

kxy, cuando 0 < x < y < 1
fXY (x, y) =
0,
en el resto
(a) Calcular el valor de k.
(b) Calcular P (X < 0.5|Y = 0.5).
(c) Son independientes las variables aleatorias X e Y ?
4.11 X e Y son variables aleatorias con coeficiente de correlaci
on lineal = 1. Si las varianzas son
iguales, calcular la varianza de Z = X + Y 1.
4.12 Un equipo de radio tiene dos partes, el receptor y el amplificador. La duracion del receptor es
una variable aleatoria exponencial de media 500 horas y la duracion del amplificador una variable
exponencial de media 1000 horas. Cual es la probabilidad de que el fallo del equipo (cuando se
produzca) sea debido a un fallo del receptor? (Se supone que las variables son independientes)
4.13 Sea X1 una variable aleatoria N(10,1), X2 una variable aleatoria N(20,1), y X3 una variable aleatoria
N(30,4). Se define
Z1 = X1 + X2 X3
Z2 = X1 + X2 + X3
Z3 = X1 X2 X3
Si X1 , X2 , X3 son independientes, calcular la matriz de varianzas de (Z1 , Z2 , Z3 ).
4.14 La distribucion de probabilidad conjunta de las variables aleatorias Y1 e Y2 es la siguiente:
Y2
-1
0
1
-1
1/16
3/16
1/16
Y1
0
3/16
0
3/16
1
1/16
3/16
1/16
Calcular su coeficiente de correlaci

on e indicar si son independientes.
4.15 La funcion de densidad conjunta de X e Y viene dada por
f (x, y) = xy,
1.
0 < x < 1, 0 < y < 2
Obtener las funciones de densidad marginales y decir si X e Y son independientes.

(a) Calcular P(X + Y < 1).
4.16 Un ordenador tarda un total de T2 segundos en procesar un mensaje de correo electr

onico, esta
cantidad incluye el tiempo T1 durante el cual el mensaje est
a en la cola esperando a ser procesado
(T2 T1 ). La funcion de densidad conjunta de las variables aleatorias T1 , T2 es
fT1 T2 (t1 , t2 ) = et2 ,
0 t1 t2 <
Calcular la probabilidad de que un mensaje haya estado menos de un segundo en la cola si el tiempo
total que ha durado su procesamiento ha sido mayor que dos segundos.
4.17 Sea X un valor elegido al azar de la distribucion uniforme en el intervalo [0,1]. A continuaci
on
se toma al azar otro valor Y de la distribucion uniforme [X, 1]. Calcular la funcion de densidad
marginal de Y.
4.18 Una oficina de correos tiene dos ventanillas de atencion al p
ublico. Tres personas A,B y C llegan en
el mismo instante a la oficina de correos y encuentran las dos ventanillas desocupadas. Los tiempos
de servicio requeridos por las tres personas son variables aleatorias independientes con distribuci
on
exponencial de par
ametro . Los tiempos de servicio de A y B comienzan de inmediato, mientras
que C debe esperar a que termine el primero de los dos. Cual es la probabilidad de que C no sea
el u
ltimo en salir de la oficina de correos?
4.19 En cierta fabricacion mec
anica el 96% de las piezas resultan con longitudes admisibles (dentro
de tolerancias), un 3% son piezas defectuosas cortas y un 1% son defectuosas largas. Calcular la
probabilidad de:
(a) En un lote de 250 piezas sean admisibles 242 o m
as.
3
(b) En un lote de 500 sean cortas 10 o menos.

(c) En 1000 piezas haya entre 6 y 12 largas. Todas las aproximaciones se calculan la distribucion normal.
4.20 La estatura de los ciudadanos varones de un pas sigue una distribucion normal:
N ( = 175cm, = 5cm);
si se seleccionan al azar 100 ciudadanos, cual es la probabilidad de que al menos 30 superen los
180cm?
4.21 En un proceso de fabricacion de pelcula fotografica aparecen por termino medio 1 defecto de
cada 20 metros de pelcula. Si la distribuci
on de defectos es Poisson, calcular la probabilidad de
6 defectos en un rollo de 200 metros de pelicula (a) directamente; (b) utilizando la aproximacion
normal. Para controlar la recepcion de lotes de 10000 unidades de discos compactos se toma una
muestra al azar de n = 200 discos clasific
andolos como aceptables y defectuosos. Si el n
umero de
discos defectuosos es igual o inferior a c = 15 se acepta el lote, en caso contrario se rechaza. Cu
al
es la probabilidad de aceptar un lote con el 12% de discos defectuosos? Cual es la probabilidad
de rechazar un lote con el 5% de discos defectuosos? Que valores de n y c deben utilizarse si se
desea que las probabilidades anteriores sean iguales a 0.05?
4.22 Sean X, Y, U y V variables aleatorias, demostrar que si Y = U + V, entonces
Cov(X, Y ) = Cov(X, U ) + Cov(X, V ).
4.23 La funcion de densidad conjunta de las variables aleatorias X, Y es la siguiente normal bidimensional:

1
1
2
2
exp
(x 2xy + y )
f (x, y) =
2(1 2 )
2(1 2 )1/2
Si = 0.3, calcular Pr(Y X + 1).
4.24 Un inversor tiene su dinero repartido en acciones de dos compa

nas. La rentabilidad (% de beneficio)
de las compa
nas pueden ser consideradas como dos variables aleatorias, con media anual igual para
las dos del 10%, aunque el riesgo es muy diferente. Una tiene una desviaci
on tpica de 2.5% y la otra
del 1%. Ademas se sabe que la correlaci
on entre ellas es -0.50. Que proporcion debe invertir en
cada una para que el riesgo sea mnimo? (Nota: Mnimo riesgo es lo mismo que mnima varianza.
X N (10, 2.5) y Y N (10, 1), corr(X, Y ) = 0.5).
4.25 Sea X una variable aleatoria discreta que toma los valores 1 y 2 con probabilidades 0, 4 y 0, 6
respectivamente. Si se extrae con reposicion una muestra aleatoria simple de tama
no 2, obtener la
funcion de probabilidad del promedio de las dos extracciones y relacionarla con resultados teoricos
conocidos.
4.26 Cierto compuesto met
alico se ha sometido durante una hora a una atm
osfera de oxgeno a 200
grados centgrados. Una medida de su corrosion es la ganancia de peso durante este tiempo. Se
ha comprobado que para un determinado compuesto esta ganancia X1 , en una hora, se distribuye
seg
uun una normal N (100, 5).
Si se realizan los ensayos de manera secuencial, cuantos se tendran que hacer por termino
medio para encontrar una probeta con una ganancia mayor que 105?
4
(a) Se comprueba que sometiendo la probeta al ensayo durante dos horas, la ganancia en la segunda hora X2 tiene una distribuci
on normal N (60, 5), siendo el coeficiente de correlaci
on
entre las variables X1 y X2 , = 0.28. Calcular la probabilidad de que una probeta
tenga mayor ganancia de peso en la segunda hora que en la primera.
(b) Se forman los ndices de oxidacion Z1 = X1 + X2 y Z1 = X1 X2 . Calcular la funci
on de
densidad conjunta de estas dos nuevas variables. Son independientes?
(c) Si la ganancia durante las dos horas ha sido 170, cual es el valor medio de la ganancia
en la primera hora?
4.27 El abastecimiento de energa electrica de una comarca depende de tres centrales: una nuclear, una
termica de carb
on y una hidraulica con potencias instaladas de 500 M W , 300 M W y 200 M W ,
respectivamente. Desde el punto de vista de fiabilidad, cada central s
olo puede estar en uno de
estos dos estados: disponible (con toda su potencia) o averiada (con potencia cero). En un da, la
probabilidad de avera de la central nuclear es 0.10, de la termica es 0.12 y de la hidraulica 0.05.
Las averas son independientes y supondremos como hip
otesis simplificadora que a lo largo de un
da la central no cambia de estado.
1. Para un da, calcular la funci
on de distribuci
on de la variable aleatoria Y =Potencia disponible
en la comarca.
2. Un pais tiene 30 centrales de cada uno de los tipos del apartado 1. Calcular la probabilidad
de que en un da la potencia disponible en el pais sea menor que24000 M W . (Utilizar la
aproximacion normal).
3. La potencia m
axima diaria demandada en el pais es una variable aleatoria con distribuci
on
normal de media 23000 M W y desviaci
on tpica 1000 M W . Cual es la probabilidad de que
en un da la demanda sea superior a la potencia disponible?
4.28 En 1958 George Edward Pelham Box y Mervin Edgar M
uller desarrollaron un metodo para generar
variables aleatorias a partir de una fuente de n
umeros aleatorios uniformemente distribuidos, que
eran faciles de obtener de forma computacional. Sobre ese metodo versa el siguiente problema.
http://es.wikipedia.org/wiki/Metodo de Box-Muller
4.29 Una compa
na desea aplicar un plan de muestreo para controlar la compra de lotes de 10000
unidades. La capacidad de inspeccion maxima que tienen es de 200 piezas. Determinar c, el
n
umero m
aximo de piezas defectuosas en la muestra que debe tener un lote aceptado si se desea
que la probabilidad de rechazar un lote con el 10% de piezas defectuosas sea igual 0.02. Un proveedor
estima que sus lotes tienen un 5% de piezas defectuosas, que probabilidad tiene de que un lote
suyo sea aceptado?
4.30 Se tienen dos variables aleatorias U y V que se distribuyen seg
un un modelo de probabilidad
uniforme continuo entre (0, 1) independientes. A partir de las anteriores se definen 2 nuevas variables
aleatorias Z y W como funci
on de las anteriores:

Z = 2 log U
W = 2V
1. Calcular las probabilidades P (Z < z0 ) y P (W < w0 ). Utilizar estos resultados para deducir la
expresion de la funcion de densidad de probabilidad conjunta fZ,W (z, w) para las variables aleatorias
Z y W, as como el domino donde estan definidas.
5
2. Una vez caracterizadas las variables aleatorias Z y W por su funcion de densidad de probabilidad
conjunta fZ,W (z,
w) se vuelve a definir 2 nuevas variables aleatorias X e Y mediante la siguiente
X = Z cos W
transformacion:
Y = Z senW
Para estas nuevas variables se comprueba que la funcion de densidad de probabilidad conjunta es:

1
1 2
2
, con (x, y) R2 .
fX,Y (x, y) =
exp x + y
2
2
Demostrar que las variables aleatorias X e Y son independientes. Calcular la media y la varianza
de las variables y sus funciones de densidad marginal identificando el tipo de variables de las que
se trata.
3. Con la informaci
on del apartado 1 y 2 obtener el valor numerico de las siguientes probabilidades:
(a) P (1 < X < 1, 1 < Y < 1)
(b) P (X 2 + Y 2 < 1)
(c) P (Y < X)
4. Finalmente, calcular los coeficientes de la siguiente tansformaci

on lineal

a
c 0
X
X
=
+
Y
b
d e
Y
con c, e > 0, para que las nuevas variables aleatorias (X , Y )T tengan una distribuci
on de probrobabilidad con vector de medias y matriz de varianzas dadas por:

1
4 2
=
,
S=
.
3
2 5
5. Estimacin puntual
Curso 2014-15
Estadstica
Poblacin
p
% DEFECTUOSA
Probabilidad
Conocido p
cuanto vale X ?
Muestra n
X N Defectuosa
Conocido X
cuanto vale p ?
Estimacin puntual
Inferencia
2
MUESTRA n
X N ( , )
X 1 , X 2 ,..., X n
Parmetros
, ?
Datos Conocidos
?
3
Estimacin puntual
Espesores de 150 obleas de Silicio (micras)

X
240
243
250
253
248
238
242
245
251
247
239
242
246
250
248
Estimacin puntual
235
237
246
249
246
240
241
246
247
249
240
243
244
248
245
240
243
244
249
246
245
250
250
247
248
238
240
245
248
246
240
242
246
249
248
240
243
246
250
248
241
245
243
247
245
247
245
255
250
249
237
239
243
247
246
242
244
245
248
245
237
239
242
247
245
242
244
246
251
248
243
245
247
252
249
243
245
248
251
250
244
246
246
250
246
241
239
244
250
246
242
245
248
251
249
242
245
248
243
246
241
244
245
249
247
236
239
241
246
242
243
246
247
252
247
241
243
245
248
246
239
240
242
243
244
239
240
250
252
250
241
243
249
255
253
4
Histograma para Espesor
frecuencia
40
30
20
10
0
230
235
240
245
250
255
260
Espesor
Estimacin puntual
Distintos problemas de inferencia

Dado un modelo para los datos:
X 1 , X 2 ,..., X n

Estimar y
Dar un intervalo de confianza para y
Elegir entre (contraste de hiptesis):
250 o < 250
Comprobar la validez del modelo (contraste
de bondad de ajuste).
Estimacin puntual
Mtodos de Estimacin
X f X ( x,1 , 2 ,..., r )
fX
conocida
Parmetros desconocid os
1 , 2 ,..., r
Dada una muestra aleatoria simple de X

x1 , x2 , , xn
1 , 2 ,..., r ?
1. Mtodo de los momentos

2. Mtodo de mxima verosimilitud
7
Estimacin puntual
Mtodos de los momentos

DATOS
x1, x2 , , xn
a1 =
n
x
i =1 i
x2
i =1 i
=
VAR. ALEATORIA
f X ( x,1 , 2 ,..., r )
1 = E[ X ] = g1 (1, 2 ,..., r )
a2
ar =
n
xr
i =1 i
2 = E[ X 2 ] = g 2 (1, 2 ,..., r )
r = E[ X r ] = g r (1 , 2 ,..., r )
g1 (1,2 , ,r ) = a1
Estimadores g 2 (1,2 , ,r ) = a2
1 ,2 , ,r
g ( , , , ) = a
r
r
r 1 2
Estimacin puntual
Mtodo de los momentos: Distribucin normal
1 x 2
1
exp
,
2
f X ( x) =
Parmetros : , ?
x1 , x2 , , xn
xi
= i =1
f X ( x, , )
= x
a1
a2 =
n
x2
i =1 i
1 = E[ X ] =
1n 2 2 2
= xi x = s
n i=1
2
2 = E[ X 2 ] = 2 + 2
Estimacin puntual
Mtodo de mxima verosimilitud

(Introduccin)
Una fuente radiactiva emite partculas segn un proceso
de Poisson con media desconocida. Durante 10 minutos
se han contado el nmero de partculas emitidas:
12, 6, 11, 3, 8, 5, 3, 9, 7, 5
P( X 1 = 12, X 2 = 6,..., X 10 = 5) = e
12
12!
= e 10
l ( ) = e
Estimacin puntual
6
6!
12+6++5
12!6! 5!
10
= e 10
5
5!
69
12!6! 5!
69
12!6! 5!
10
Funcin de verosimilitud
l ( ) = e
6,9
69
10
12!6! 5!
10
Estimador mximo-verosmil: = 6,9

11
Estimacin puntual
Funcin de verosimilitud
0
1,6E-11
-5
1,4E-11
-10
1,2E-11
-15
1E-11
-20
8E-12
-25
6E-12
lambda
10
69
12!6! 5!
L() = log l()
10
9,4
6,9
8,8
8,2
7,6
-40
7
0
6,4
-35
5,8
2E-12
5,2
-30
4E-12
l ( ) = e
log probabilidad
1,8E-11
4,6
probabilidad
verosimilitud
Estimador mximo-verosmil: = 6,9

Estimacin puntual
12
Estimacin por mxima verosimilitud

X f X ( x,1, 2 ,..., r )
conocida
fX
Parmetros desconocidos : 1, 2 ,..., r

Muestra aleatoria simple : X 1 , X 2 ,..., X n
Distribucin conjunta :
f ( x1 , x2 ,..., xn ;1 ,..., r ) =
= f X ( x1,1, 2 ,..., r ) f X ( x2 ,1 , 2 ,..., r ) f X ( xn ,1, 2 ,..., r )
n
log f ( x1 , x2 ,..., xn ) = log f X ( xi ,1, 2 ,..., r ) = L(1, 2 ,..., r )

i =1
1 ,2 ,...,r L(1,2 ,...,r ) = max L(1, 2 ,..., r )
13
Estimacin puntual
Mx. verosimilitud: Distribucin normal

1 x 2
1
f X ( x) =
exp
, x
2
2
Parmetros : , ?
X 1 , X 2 ,..., X n : muestra aleatoria simple

1
f ( x1 , x2 ,..., xn ) =
=
( x )
1
e 2
2
1
( 2 ) n / 2 n
2
e
in=1
2
( x )
( x )
1
1
e 2
e 2
2
2
2
(x )
L ( , 2 ) = log f ( x1 , x2 ,..., xn )
n
n
1
n ( x )2
= log( 2 ) log 2
2 i =1 i
2
2
2
L
1 n
=
( xi ) = 0
2 i =1
= x
max L :
2
2
L
= s
1
n 1
2
n
i =1 ( xi ) = 0
2 = 2 2 +
2 4

Estimacin puntual
14
Mx. Verosimilitud: Poisson

P ( X = x) = e
x!
Muestra aleatoria simple : x1, x2 ,..., xn
, x = 0,1,2,... Parmetro
p ( x1 , x2 ,..., xn ) = P( X 1 = x1, X 2 = x2 , , X n = xn )
=e
x1!
x2 !
xn !
=e
x1! x2! xn !
L( ) = n + ( xi ) log log xi !
max L( ) :
x
dL( )
= n + i = 0 = x
d
15
Estimacin puntual
Mx. verosimilitud: Binomial(n,p)
Proporcin defectuosas = p ?
Muestra (Bernoulli ) :
x1 , x 2 ,..., x n
0 si es Aceptable
xi =
1 si es Defectuosa
p( x1 , x 2 ,..., x n ) = P ( X 1 = x1 , X 2 = x 2 ,..., X n = x n )
= P ( X 1 = x1 ) P( X 2 = x 2 ) P( X n = x n )
x
n x
= p i (1 p ) i
= p r (1 p ) n r
donde r = xi es el n de defectuosas
L(p) = r log p + (n r ) log(1 p )

dL( p) r n r
=
=0
dp
p 1 p
Estimacin puntual
p =
r
n
16
Distribucin de media (normal)
X 1 , X 2 ,..., X n
X N ( , )
X1 + X 2 + + X n
n
X =
E[ X 1 ] + E[ X 2 ] + + E[ X n ] + + +
=
=
n
n
Var[ X 1 ] + Var[ X 2 ] + + Var[ X n ] 2 + 2 + + 2 2
=
=
Var[ X ] =
n
n2
n2
E[ X ] =
X N ( ,
)
17
Estimacin puntual
Histograma de Espesores
1000
frecuencia
800
600
400
200
0
230
235
240
245
250
255
260
Espesores
Frecuencia/Probabilidad
Distribucin de la Media de 5 observaciones

1200
1000
800
600
400
200
0
230
235
240
245
250
255
260
Media
Estimacin puntual
18
Distribucin de S2 (Normal)
X 1 , X 2 ,..., X n
S2 =
X N ( , )
S2 =
( X1 X )2 + ( X 2 X )2 + + ( X n X )2
n
1 n
1 n
( X i X ) 2 = 1 X i2 X 2
1
n
n
E[ S 2 ] =
1
1
n 1 2
2
E[ X i2 ] E[ X 2 ] = ( 2 + 2 ) (
+ 2) =
n
n
n
n
( X X )2 + ( X 2 X )2 + + ( X n X )2
S 2 = 1
n 1
n
S 2 E[ S 2 ] = 2
S 2 =
n 1
19
Estimacin puntual
Distribucin 2
Z1 , Z 2 ,..., Z n N (0,1) independientes
Z12 + Z 22 + + Z n2 n2
Propiedades
E[ n2 ] = n
Var[ n2 ] = 2n
n2 + m2 = n2+ m
Estimacin puntual
( n2 y m2 indep.)
20
Distribucin Chi-cuadrado con 4 g.l.

0.2
densidad
0.16
0.12
0.08
0.04
0
0
12
16
20
21
Estimacin puntual
Tabla 2
,1-
: grados de libertad (g.l.)
EJEMPLO
P(9 19,02) = 0,025
Estimacin puntual
g.l.
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
40
50
60
70
80
90
100
120
0,995
,00004
,01002
,0717
0,207
0,412
0,676
0,989
1,344
1,735
2,156
2,603
3,074
3,565
4,075
4,601
5,142
5,697
6,265
6,844
7,434
8,034
8,643
9,260
9,886
10,520
11,160
11,808
12,461
13,121
13,787
20,707
27,991
35,534
43,275
51,172
59,196
67,328
83,852
0,990
,00016
,0201
0,115
0,297
0,554
0,872
1,239
1,647
2,088
2,558
3,053
3,571
4,107
4,660
5,229
5,812
6,408
7,015
7,633
8,260
8,897
9,542
10,196
10,856
11,524
12,198
12,878
13,565
14,256
14,953
22,164
29,707
37,485
45,442
53,540
61,754
70,065
86,923
0,975
,00098
0,051
0,216
0,484
0,831
1,237
1,690
2,180
2,700
3,247
3,816
4,404
5,009
5,629
6,262
6,908
7,564
8,231
8,907
9,591
10,283
10,982
11,689
12,401
13,120
13,844
14,573
15,308
16,047
16,791
24,433
32,357
40,482
48,758
57,153
65,647
74,222
91,573
0,950
,00393
0,103
0,352
0,711
1,145
1,635
2,167
2,733
3,325
3,940
4,575
5,226
5,892
6,571
7,261
7,962
8,672
9,390
10,117
10,851
11,591
12,338
13,091
13,848
14,611
15,379
16,151
16,928
17,708
18,493
26,509
34,764
43,188
51,739
60,391
69,126
77,929
95,705
0,500
0,455
1,386
2,366
3,357
4,351
5,348
6,346
7,344
8,343
9,342
10,341
11,340
12,340
13,339
14,339
15,338
16,338
17,338
18,338
19,337
20,337
21,337
22,337
23,337
24,337
25,336
26,336
27,336
28,336
29,336
39,335
49,335
59,335
69,334
79,334
89,334
99,334
119,334
0,050
3,841
5,991
7,815
9,488
11,07
12,59
14,07
15,51
16,92
18,31
19,68
21,03
22,36
23,68
25,00
26,30
27,59
28,87
30,14
31,41
32,67
33,92
35,17
36,42
37,65
38,89
40,11
41,34
42,56
43,77
55,76
67,50
79,08
90,53
101,88
113,15
124,34
146,57
0,025
5,024
7,378
9,348
11,14
12,83
14,45
16,01
17,53
19,02
20,48
21,92
23,34
24,74
26,12
27,49
28,85
30,19
31,53
32,85
34,17
35,48
36,78
38,08
39,36
40,65
41,92
43,19
44,46
45,72
46,98
59,34
71,42
83,30
95,02
106,63
118,14
129,56
152,21
0,010
6,635
9,210
11,34
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,73
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,28
49,59
50,89
63,69
76,15
88,38
100,43
112,33
124,12
135,81
158,95
0,005
7,879
10,60
12,84
14,86
16,75
18,55
20,28
21,95
23,59
25,19
26,76
28,30
29,82
31,32
32,80
34,27
35,72
37,16
38,58
40,00
41,40
42,80
44,18
45,56
46,93
48,29
49,65
50,99
52,34
53,67
66,77
79,49
91,95
104,21
116,32
128,30
140,17
163,65
22
n
Xi
2n
i=1
Xi =Xi X + X 2
2
i=1
i=1
= Xi
X2
i=1
+ X
i=1
+ 2 Xi XX
i=1
= Xi X2 + nX 2
i=1
n
X i
X i X 2
2
=
i=1
i=1
X 2
2 /n
2n1
2n
21
23
Estimacin puntual
nS 2
X X
= i
i =1
n
(n 1) S 2
Estimacin puntual
dist
n21
X X
= i
i =1
n
dist
n21
24
Histograma de Espesores
1000
frecuencia
800
600
400
200
0
230
235
240
245
250
255
260
Espesores
Histograma para Varianzas

500
frecuencia
400
300
200
100
0
0
20
40
60
80
varianza muestral
25
Estimacin puntual
Distribucin de la media (general)

X i f ( x, ) : Var[ X i ] <
X = ( X 1, X 2 ,..., X n )T , Vector de n variables aleatorias independientes
X1 + X 2 + + X n
n
E[ X 1 ] + E[ X 2 ] + + E[ X n ]
E[ X ] =
n
Var[ X 1 ] + Var[ X 2 ] + + Var[ X n ]
Var[ X ] =
n2
Si las variables tienen la misma media y varianza
X=
= E[X i ] i
2 = Var[X i ] i
n
E[ X ] =
X1 + X 2 + + X n
X=
2 X N ( , )
n
n
Var[ X ] = n
Estimacin puntual
26
Binomial
Binomial : X 1 , X 2 ,..., X n
E[ X i ] = p
0 si es Aceptable
Xi =
Var[ X i ] = p (1 p )
1 si es Defectuosa
E[ p ] = p
X1 + X 2 + + X n
p (1 p )
p =
Var[ p ] =
n
p N ( p,
n
p (1 p )
)
n
27
Estimacin puntual
Poisson
Poisson : X 1 , X 2 ,..., X n
E[ X i ] =
k!
Var[ X i ] =
E[ ] =
X
+
X
+
+
X
n
1
2
=
] =
Var
[
n
P( X i = k ) = e
N ( ,
n
Estimacin puntual
28
Propiedades de los estimadores

X 1 , X 2 ,..., X n m.a.s de f ( x, ) : ( X 1 , X 2 ,..., X n )

(Sesgo[] = E[] )
Centrados: E[] =
Varianza mnima: ': Var[] Var[' ]
Error cuadrtico medio mnimo
ECM[] = E[( ) 2 ]
= Sesgo 2 () + Var()
Consistentes
lim E[] =
lim Var[] = 0
29
Estimacin puntual
Ejemplo 1
1 n
X 1 , X 2 ,..., X n m.a.s de N ( , ) : X = X i
n i =1
Es centrado : E[ X ] =
Es de varianza mnima
Es consistente :
lim E[ X ] = y
n
Estimacin puntual
lim Var[ X ] = 0
30
Ejemplo 2
1 n
X 1 , X 2 ,..., X n m.a.s de N ( , ) : S = ( X i X ) 2
n i =1
n 1 2
No es centrado : E [ S 2 ] =
n
2
Sesgo ( S ) =
2
n
Varianza :
nS 2
2 ( n 1) 4
Var 2 = Var n21 = 2( n 1) Var [ S 2 ] =
2
n
Es consistent e :
lim
E[ S 2 ] = 2
n
Estimacin puntual
lim
Var[ S 2 ] = 0
n
31
Captulo 5. Estimacin Puntual

5.1 La variable aleatoria X tiene distribucin binomial con parmetros n y p, ambos desconocidos. Si
{16,18,22,25,27} es una muestra aleatoria simple de la distribucin anterior, estimar por el mtodo
de los momentos n y p.
5.2 Los taxis en servicio de una ciudad estn numerados del 1 al N. Se observa una muestra de 10 taxis
y se apuntan sus nmeros. Obtener un estimador de N por el mtodo de los momentos.
5.3 Una variable aleatoria discreta puede tomar los valores 0, 1 y 2 con probabilidades 1:5= , 2:5= y
(
4)= respectivamente. Se toma una muestra de tamao 25 con los resultados siguientes (la
segunda la corresponde a la fraccin observada Oi para 0, 1 y 2).
x
Oi
0
17
1
5
Estimar
2
3
por mxima verosimilitud.
5.4 Se ha tomado una muestra de tamao 10 del tiempo, en minutos, entre el paso de dos autobuses T
en una parada con los siguientes resultados: 9,10,6,4,15,6,1,5,4,10.
Si la funcin de distribucin del tiempo de paso es F (t) = 1 exp(
de esperar al autobs ms de 10 minutos.
t), calcular la probabilidad estimada
5.5 La funcin de distribucin de una variable aleatoria es

8
< 0
(x= )
F (x) =
:
1
donde los parmetros y

de mxima verosimilitud.
x < 0;
0 x
x> :
son positivos. Estimar los parmetros de la distribucin por el mtodo
5.6 El club de tiro de una determinada ciudad est estudiando la distancia X del punto de impacto del
proyectil al centro de la diana de sus 13 mejores tiradores.
Sabiendo que la funcin de densidad de la variable aleatoria presentada es
f (x) =
2x
2
estimar
2,1
3,2
exp[
x2
2 ];
0;
0;
si la distancia en cm al blanco de 10 tiradores fue

6,3
5,4
2,2
6,9
7,1
6,6
2,5
9,1
y la distancia de los otros tres fue mayor que la distancia mxima permitida en su categora que es de
11cm:
5.7 Una compaa, para determinar el nmero de consumidores de un determinado producto en Madrid,
ha encuestado a personas elegidas al azar hasta encontrar a 20 que utilicen el producto. Estimar por
mxima verosimilitud la proporcin de consumidores en la ciudad si el nmero total de entrevistados
ha sido 115
5.8 Se supone que el tiempo que tarda un paciente en recuperarse totalmente de una dolencia cuando
se le aplica el tratamiento A es una variable aleatoria exponencial. Si al observar a 20 pacientes, al
cabo de 20 das 15 no se han recuperado, mientras que los 5 restantes tardaron 17; 15; 19; 18 y 17
das en hacerlo, estime por mxima verosimilitud el tiempo medio hasta la recuperacin total..
5.9 El tiempo de duracin de ciertos componentes electrnicos es una variable aleatoria con distribucin
exponencial. Se ha realizado un ensayo con 10 componentes cuyos tiempos de duracin han sido:
37,45,92,104,109,200,295. Despues de 400 horas, tres componentes seguan funcionando. Con esta
informacin, estimar por mxima verosimilitud el parmetro de la distribucin exponencial.
5.10 Sea X1 ; X2 ; :::; Xn una muestra aleatoria simple de la funcin de densidad
x)= 2 ; 0
f (x) = 2(
Obtener por el mtodo de los momentos un estimador insesgado de
y calcular su varianza.
5.11 Sea X la media aritmtica de una muestra aleatoria simple de una distribucin N( ; ). Se dene
^ = cX como nuevo estimador para . Determinar c (en funcin de y ) para que el nuevo
X
estimador tenga Error Cuadrtico Medio (ECM) mnimo. Calcular c si se sabe que el coeciente
de variacin = = 2.
5.12 X1 ; X2 ; :::; Xn es una muestra aleatoria simple de una distribucin normal con parmetros desconocidos. Para estimar la varianza se propone el siguiente estimador
2
S =k
n
X1
n
X
(Xi
Xj )2 :
i=1 j=i+1
Determinar k para que el estimador sea centrado.

5.13 Para estimar la media 2 de una poblacin normal se utiliza el estimador b2 = kb
s2 ; siendo sb2
la varianza muestral corregida y k una constante. Calcular el valor de k que minimiza el error
cuadrtico medio. (Utilizar Var[ 2g ] = 2g; siendo g el nmero de grados de libertad).
5.14 Los tiempos de funcionamiento de dos componentes electrnicos distintos siguen distribuciones
exponenciales con esperanzas y 2 . Se han obtenido los tiempos de fallo de una muestra de cada
tipo de componente, en ambos casos de tamao n. Obtener el estimador de mxima verosimilitud
de , calcular su media y su varianza.
5.15 Un sistema de lectura telemtica de consumo de energa elctrica emplea un mensaje de 128bit. Ocasionalmente las interferencias aleatorias provocan que un bit se invierta producindose un
error de transmisin. Se acepta que la probabilidad de que cada bit cambie en una transmisin
es constante e igual a p; y que los cambios son independientes. Estima el valor de p si se ha
comprobado que de las ltimas 10000 lecturas efectuadas (todas de 128-bit) 340 eran errneas.
5.16 Un estudiante ha realizado el siguiente ejercicio de simulacin. Ha generado con STATGRAPHICS
100 observaciones de una normal de media 10 y desviacin tpica 1. Para estos 100 datos ha obtenido
2
la mediana y la ha denominado M1 : Ha repetido el mismo proceso n= 10000 veces. De forma que

ha obtenido M1 ; M2 ; :::; Mn . En el grco se muestra el histograma de estos 10000 valores, que
tienen media 10.002 y desviacin tpica 0.1266.
A partir de esta simulacin, explica qu propiedades tiene la mediana como estimador de la media
de una distribucin normal, sus ventajas e inconvenientes.
6. Intervalos de confianza
Curso 2014-15
Estadstica
Concepto de intervalo de confianza

Se ha realizado una encuesta a 400 personas elegidas al azar
para estimar la proporcin p de votantes de un partido poltico.
p?
Resultado Encuesta
S
No/Otros
Intervalos de confianza
220
180
Introduccin
aprox .
X N ( np , np (1 p ) )
X B (n, p )
p =
p (1 p )
)
n
X
N ( p,
n
p p
N ( 0 ,1)
p (1 p )
n
N(0,1)
N(0,1)
/2
/2
1-
-z/2
z/2
Nivel de CONFIANZA
p p
z / 2 ) = 1
p(1 p)
n
p p
Despejando p de : z / 2
z / 2
p (1 p)
n
P ( z / 2
z / 2
z / 2
p z / 2
p p
z / 2
p (1 p)
n
p p
z / 2
p (1 p )
n
p (1 p )
p p + z / 2
p (1 p )
n
Tamao Muestral n
Nivel de confianza: (1-)
Ejemplo
p =
220
= 0,55
400
0,55 0,45
p 0,55 1,96
400
0,47
0,63
n = 100
n = 400
0,51
0,55 0,59
0,67
0,43
n = 100
n = 400
0,49
95 %
0,55
99 %
0,61
6
1. Normal: Intervalo para con conocido
X 1 , X 2 ,..., X n N ( , )
X N ( ,
X
N (0,1)
/ n
X
z / 2
z
/ n /2
x z / 2
x + z / 2
N(0,1)
/2
/2
-z/2
z/2
x z / 2
n
7
2. Normal:Intervalo para con desconocido
X 1, X 2 ,..., X n N ( , )
X N ( ,
X
N (0,1)
/ n
/2
X
t n 1
S/ n
- t/2
X
tn 1, / 2
t n 1, / 2
S / n
s
s
x + tn 1, / 2
x t n 1, / 2
n
n
tn-1
/2
t/2
x tn1, / 2
s
n
8
Distribucin t de Student
Z N (0,1)
V 2p
Z ,V son independientes
Z
tp
V/p
-4,00
-3,00
N(0,1)
t4
t2
t1
-2,00
-1,00
0,00
1,00
2,00
3,00
4,00
3. Normal: Intervalo para 2
X 1, X 2 ,..., X n N ( , )
2
n
(
X
X
)
i
S = i =1
(n 1) S 2
n 1
P( / 2
(n 1) s 2
12 / 2
(n 1) S 2
2
2
n21
12 / 2 ) = 1
(n 1) s 2
n21
/2
/ 2
2 / 2
/2
12 / 2
10
EJEMPLO 1. La resistencia a la compresin de 15

probetas de acero elegidas al azar es:
40,15 65,10 49,50 22,40 38,20
60,40 43,40 26,35 31,20 55,60
47,25 73,20 35,90 45,25 52,40
X
t14
S / 15
X
2,98
2,98
S / 15
t14
0,005
0,005
- 2,98
2,98
x = 45,75 s = 14,2
45,75 2,98
14,2
14,2
45,75 + 2,98
15
15
99 % confianza:
34,8 56,7
11
2
14
0,005
0,005
0,00
5,00
10,00
15,00
20,00
25,00
( n 1) S 2
2
14 S 2
35,00
31,3
4,07
P(4,07
30,00
n21
14 S 2
2
14
31,3) = 0,99
14 201,6
14 201,6
2
31,3
4,07
99% confianza: 90,2 2 693,6
s 2 = 201,6
12
4. Poisson: Intervalo para

X 1 , X 2 ,
, X n Poisson ( )
aprox
= X N( ,

N(0,1)
N(0,1)
/2
/2
-z/2
z/2

P( z / 2
z ) = 1
/n /2
+ z / 2
n
n
z / 2
13
Tabla
t-Student
t,
EJEMPLO
P(t9 2,262) = 0,025
g.l
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
40
50
60
70
80
90
100
infinito
0,20
1,376
1,061
0,978
0,941
0,920
0,906
0,896
0,889
0,883
0,879
0,876
0,873
0,870
0,868
0,866
0,865
0,863
0,862
0,861
0,860
0,859
0,858
0,858
0,857
0,856
0,856
0,855
0,855
0,854
0,854
0,851
0,849
0,848
0,847
0,846
0,846
0,845
0,842
0,20
0,15
1,963
1,386
1,250
1,190
1,156
1,134
1,119
1,108
1,100
1,093
1,088
1,083
1,079
1,076
1,074
1,071
1,069
1,067
1,066
1,064
1,063
1,061
1,060
1,059
1,058
1,058
1,057
1,056
1,055
1,055
1,050
1,047
1,045
1,044
1,043
1,042
1,042
1,036
0,15
0,10
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,299
1,296
1,294
1,292
1,291
1,290
1,282
0,10
0,05
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,676
1,671
1,667
1,664
1,662
1,660
1,645
0,05
0,025
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,009
2,000
1,994
1,990
1,987
1,984
1,960
0,025
0,01
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,403
2,390
2,381
2,374
2,368
2,364
2,327
0,01
0,005
63,656
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,678
2,660
2,648
2,639
2,632
2,626
2,576
0,005
0,0025
127,321
14,089
7,453
5,598
4,773
4,317
4,029
3,833
3,690
3,581
3,497
3,428
3,372
3,326
3,286
3,252
3,222
3,197
3,174
3,153
3,135
3,119
3,104
3,091
3,078
3,067
3,057
3,047
3,038
3,030
2,971
2,937
2,915
2,899
2,887
2,878
2,871
2,808
0,0025
0,001
318,289
22,328
10,214
7,173
5,894
5,208
4,785
4,501
4,297
4,144
4,025
3,930
3,852
3,787
3,733
3,686
3,646
3,610
3,579
3,552
3,527
3,505
3,485
3,467
3,450
3,435
3,421
3,408
3,396
3,385
3,307
3,261
3,232
3,211
3,195
3,183
3,174
3,091
0,001
14
0,0005
636,578
31,600
12,924
8,610
6,869
5,959
5,408
5,041
4,781
4,587
4,437
4,318
4,221
4,140
4,073
4,015
3,965
3,922
3,883
3,850
3,819
3,792
3,768
3,745
3,725
3,707
3,689
3,674
3,660
3,646
3,551
3,496
3,460
3,435
3,416
3,402
3,390
3,291
0,0005
Tabla 2
,1-
EJEMPLO
P(9 19,02) = 0,025
g.l.
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
40
50
60
70
80
90
100
120
0,995
,00004
,01002
,0717
0,207
0,412
0,676
0,989
1,344
1,735
2,156
2,603
3,074
3,565
4,075
4,601
5,142
5,697
6,265
6,844
7,434
8,034
8,643
9,260
9,886
10,520
11,160
11,808
12,461
13,121
13,787
20,707
27,991
35,534
43,275
51,172
59,196
67,328
83,852
0,990
,00016
,0201
0,115
0,297
0,554
0,872
1,239
1,647
2,088
2,558
3,053
3,571
4,107
4,660
5,229
5,812
6,408
7,015
7,633
8,260
8,897
9,542
10,196
10,856
11,524
12,198
12,878
13,565
14,256
14,953
22,164
29,707
37,485
45,442
53,540
61,754
70,065
86,923
0,975
,00098
0,051
0,216
0,484
0,831
1,237
1,690
2,180
2,700
3,247
3,816
4,404
5,009
5,629
6,262
6,908
7,564
8,231
8,907
9,591
10,283
10,982
11,689
12,401
13,120
13,844
14,573
15,308
16,047
16,791
24,433
32,357
40,482
48,758
57,153
65,647
74,222
91,573
0,950
,00393
0,103
0,352
0,711
1,145
1,635
2,167
2,733
3,325
3,940
4,575
5,226
5,892
6,571
7,261
7,962
8,672
9,390
10,117
10,851
11,591
12,338
13,091
13,848
14,611
15,379
16,151
16,928
17,708
18,493
26,509
34,764
43,188
51,739
60,391
69,126
77,929
95,705
0,500
0,455
1,386
2,366
3,357
4,351
5,348
6,346
7,344
8,343
9,342
10,341
11,340
12,340
13,339
14,339
15,338
16,338
17,338
18,338
19,337
20,337
21,337
22,337
23,337
24,337
25,336
26,336
27,336
28,336
29,336
39,335
49,335
59,335
69,334
79,334
89,334
99,334
119,334
0,050
3,841
5,991
7,815
9,488
11,07
12,59
14,07
15,51
16,92
18,31
19,68
21,03
22,36
23,68
25,00
26,30
27,59
28,87
30,14
31,41
32,67
33,92
35,17
36,42
37,65
38,89
40,11
41,34
42,56
43,77
55,76
67,50
79,08
90,53
101,88
113,15
124,34
146,57
0,025
5,024
7,378
9,348
11,14
12,83
14,45
16,01
17,53
19,02
20,48
21,92
23,34
24,74
26,12
27,49
28,85
30,19
31,53
32,85
34,17
35,48
36,78
38,08
39,36
40,65
41,92
43,19
44,46
45,72
46,98
59,34
71,42
83,30
95,02
106,63
118,14
129,56
152,21
0,010
6,635
9,210
11,34
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,73
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,28
49,59
50,89
63,69
76,15
88,38
100,43
112,33
124,12
135,81
158,95
0,005
7,879
10,60
12,84
14,86
16,75
18,55
20,28
21,95
23,59
25,19
26,76
28,30
29,82
31,32
32,80
34,27
35,72
37,16
38,58
40,00
41,40
42,80
44,18
45,56
46,93
48,29
49,65
50,99
52,34
53,67
66,77
79,49
91,95
104,21
116,32
128,30
140,17
163,65
15
Captulo 6. Intervalos de confianza

6.1 Se han tomado 12 valores de una variable fsica X, que se supone normal, resultando
30.2, 30.8, 29.3, 29, 30.9, 30.8, 29.7, 28.9, 30.5, 31.2, 31.3, 28.5.
(a) Construir un intervalo de confianza para la media de la poblacion al 95% de confianza.
(b) Construir un intervalo de confianza para la varianza de la poblacion con el mismo nivel
de confianza del apartado anterior.
6.2 En la lista adjunta se indica la edad y el area cientfica en que trece importantes cientficos de diversas
areas descubrieron la teora que les ha dado la fama. Construir con estos datos un intervalo de
confianza para la edad a la que los cientficos realizan su contribucion m
as importante: Galileo (34,
astronoma), Franklin (40, electricidad), Lavoisier (31, qumica), Lyell (33, geologa), Darwin (49,
biologa), Maxwell (33, ecuaciones de la luz), Curie (34, radiactividad), Plank (43, teora cu
antica),
Marx (30, socialismo cientfico), Freud (31, psicoanalisis), Bohr (26, modelo del atomo), Einstein
(26, relatividad), Keynes (36, macroeconoma).
6.3 Una muestra de 12 estaciones de servicio de una cadena de gasolineras proporciona un ingreso medio
por persona al mes de 2340 euros con una desviacion tpica de 815 euros. Calcular un intervalo de
confianza para el ingreso medio por trabajador en esta empresa. Calcular el n
umero de estaciones
que debemos estudiar para que el intervalo tenga una amplitud m
axima de 500 euros.
6.4 Se han escogido al azar 15 probetas de un determinado acero, cuya resistencia a la compresion se
supone que se distribuye normalmente, y se ha medido esta en las unidades adecuadas, habiendose
observado los resultados siguientes
40.15, 65.10, 49.5, 22.4, 38.2, 60.4, 43.4, 26.35, 31.2, 55.6, 47.25, 73.2, 35.9, 45.25, 52.4.
(a) Estimar la resistencia media del acero y su varianza.
(b) Hallar un intervalo de confianza del 99% para la resistencia media.
(c) Hallar un intervalo de confianza del 99% para la varianza.
(d) Cuantas probetas deberan haberse utilizado en el estudio si se quisiera estimar la resistencia media del acero con una precision de 6 unidades y una confianza del 95%?.
6.5 Una compa
na de comida precocinada desea lanzar al mercado un nuevo producto. Para conocer la
aceptacion del mismo realiza previamente una encuesta entre 200 personas elegidas al azar, de las
que 37 manifiestan su disposicion a comprarlo. Obtener un intervalo de confianza ( = 0.05) para
la proporci
on p de compradores potenciales de este nuevo producto. C
ual debera ser el tama
no
muestral si se quisiera reducir la longitud del intervalo a la mitad.
6.6 Se desea estimar la proporci
on de ni
nos entre 0 y 14 a
nos que se encuentran adecuadamente vacunados
contra la poliomielitis. Si se quiere que la diferencia en valor absoluto entre la estimaci
on final y
el verdadero valor de la proporcion sea menor que 0.05 con probabilidad 0.95, C
ual es el tama
no
muestral mnimo requerido?.
1
6.7 Una roca lunar es enviada a un laboratorio para determinar su nivel de radiactividad , nivel que se
mide por el n
umero medio de partculas emitidas por hora. Despues de 15 horas, el equipo Geiger
ha contabilizado un total de 3.547 partculas emitidas. Aceptando que el n
umero de partculas
emitidas sigue una distribucion de Poisson, dar un intervalo con 95% de confianza para el nivel
de radiactividad de la roca. (Nota.- Utilizar que si Z tiene distribuci
on N(0,1), entonces P (Z
1.96) = 0.975).
6.8 Teniendo en cuenta que si X1 , X2 , . . . , Xn es una muestra aleatoria simple de una variable aleatoria
exponencial con funcion de densidad, f (x) = 1 ex/ , x 0, > 0; el estadstico U = 2nX/
tiene distribucion 22n , donde X = (X1 + X2 + + Xn )/n; resolver la cuesti
on siguiente:
El tiempo de funcionamiento de un equipo electr
onico es una variable aleatoria con distribucion exponencial. Se han tomado los tiempos de funcionamiento hasta el fallo de 30 equipos elegidos al azar,
obteniendose 6.2 103 horas de media. Calcular un intervalo con 95 % de confianza para la vida
media de un equipo.
6.9 En una centralita ha habido 180 llamadas durante las u
ltimas dos horas. Obtenga un intervalo de
confianza para la esperanza del n
umero de llamadas por hora suponiendo que el n
umero de llamadas
durante un periodo de duracion T cualquiera sigue una distribucion de Poisson.
6.10 La velocidad de una molecula seg
un el modelo de Maxwell, es una variable aleatoria con funci
on
de densidad
4 1 x2 exp (x/)2 , x 0
f (x) =
3
0, x 0.
donde > 0, es el par

ametro de la distribucion y se verifica que
2
3 4
E(X) = y V ar(X) = 2 .
2
(a) Calcular el estimador maximo verosmil de y su varianza asintotica.

(b) Calcular el estimador por momentos de y la varianza de dicho estimador.
100
100
P
P 2
(c) Para una muestra de tama
no n=100, para la que se verifica que xi = 342 y que
xi =
i=1
i=1
1339,hallar un intervalo de confianza de con el 95% de confianza utilizando ambos

estimadores.
6.11 Los n
ucleos (radionucleidos) del elemento radiactivo Carbono 14 (C 14 ) se desintegran aleatoriamente. El tiempo que tarda en desintegrarse cada radionucleido es una variable aleatoria con
distribucion exponencial de media 8, 27 103 a
nos.
(a) Si inicialmente haba 1012 radionucleidos, obtener el n
umero esperado de los radionucleidos
sin desintegrar al cabo de los 20.000 a
nos.
(b) Obtener, para la variable aleatoria n
umero de radionucleidos sin desintegrar al cabo de
20.000 a
nos, un intervalo que contenga al valor de esa variable con probabilidad 0, 95 e
interpretar el resultado.
(c) Una pieza arqueologica ha estado enterrada durante 20.000 a

nos al cabo de los cuales
se han observado 1010 radionucleidos de C 14 . Estimar por el metodo de los momentos
el n
umero inicial de radionucleidos N y calcular la media y la varianza del estimador
obtenido.
(d) Determinar el tiempo que debe transcurrir para que el n
umero de radionucleidos iniciales
se reduzca a la mitad.
7. Contrastes de Hiptesis
Curso 2014-15
Estadstica
Contraste de Hiptesis
Se ha realizado una encuesta a 400 personas elegidas al azar
Llamando p a la proporcin de votantes del partido poltico A.
Podemos afirmar que p > 0.5.
p?
Resultado Encuesta
S
No/Otros
Contrastes de hiptesis
220
180
Contraste de hiptesis
H0 :
p 0.5
H1 :
p > 0.5
P N ( p,
H0 :
p = 0 .5
H1 :
p > 0 .5
p (1 p )
)
n
Si H 0 es cierto p = 0.5
P 0.5
N (0,1)
0.5 0.5
400
3
Nivel de significacin
= P( rechazar H0 | H0 es cierta)
Regin de
Aceptacin de Ho
N(0,1)
Regin de
Rechazo Ho
z
0.55 0.5
=2
0.5 0.5
400
Elegido el nivel de significacin = 0.05
Muestra p = 0.55 z0 =
R.R. H0
R.A. Ho
0.05
0
1.64
2
z0 = 2 > z = 1.64 Se rechaza H 0
Con un nivel de significacin de = 0.05 p > 0.5
5
Probabilidad de
Aceptar Ho
H0 CIERTA
Error I
p=0.5
0.5
H0 FALSA
Error II
p = 0.6
c
Probabilidad de
Rechazar Ho
c 0.6
Rechazar Ho
Aceptar Ho
c
Tipos de errores
RESULTADO CONTRASTE
Se Rechaza Ho
REALIDAD
Se Acepta Ho
Ho
CIERTA
Ho
FALSA
Ok
Error tipo I
Error tipo II
Ok
Tipos de Contrastes
H0 :
p = 0 .5
H0 :
p = 0 .5
H1 :
p > 0 .5
H1 :
p 0 .5
BILATERAL
UNILATERAL
R.R.Ho
R.R.Ho
R.A. Ho
/2
R.R.Ho
/2
R.A. Ho
-z/2
z/2
Nivel crtico o p-valor

H0 :
p = p0
H1 :
p > p0
P N ( p,
p (1 p )
)
n
p valor = Pr ( P > p | H 0 es cierto)

p p0
P p0
)
= Pr(
>
p0 (1 p0 )
p0 (1 p0 )
n
n
= Pr( Z > z0 )
9
Ejemplo
Datos:
p =
220
= 0.55
400
R.R. H0
Regin de
Aceptacin
Ho
= 0.05
p valor
0.0228
2
1.64
10
Relacin entre p-valor y

R.R. H0
p-valor <
p valor <
Se rechaza H0
z
R.R. H0
p-valor
p valor
No se rechaza H0
z
11
1. Normal: Contraste para con conocido
X1, X 2 ,..., X n N (, )
H 0 : = 0
H1 : 0
X N ( ,
X
N (0,1)
/ n
x 0
z0 =
/ n
R.R
R.R.
1-
/2
N(0,1)
/2
R. Acept.
-z/2
z/2
z0 z / 2 No se rechaza H 0
z0 > z / 2 Se rechaza H 0
12
2. Normal: Contraste para con desconocido
X 1, X 2 ,..., X n N ( , )
H 0 : = 0
H1 : 0
X N ( ,
R.R
R.R.
1-
/2
tn-1
/2
R. Acept.
X
tn1
S/ n
-t/2
t/2
t0 t / 2 No se rechaza H 0
x 0
t0 =
s / n
t0 > t / 2 Se rechaza H 0
13
3. Normal: Contraste para 2

X 1 , X 2 ,..., X n N ( , )
H 0 : 2 = 02
H0 :
n21
RRHo
/2
02
R. A. Ho
RRHo
/2
1
2
n
2
2
S 2 =
X
X
(
)
1
/ 2
/
2
i
n 1 i =1
(n 1) S 2
2
P( 2 / 2 n21 12 / 2 ) = 1
1
2
Datos: 2
(n 1) s 2
2
0 =
2
[
[
02 2 / 2 , 12 / 2
02
2
/ 2 , 1 / 2
]
]
No rechazo H 0
Rechazo H 0
14
EJEMPLO 1. La resistencia a la compresin de 15 probetas de

acero elegidas al azar es:
40,15 65,10 49,50 22,40 38,20
60,40 43,40 26,35 31,20 55,60
47,25 73,20 35,90 45,25 52,40
H 0 : = 60
t14
= 0.01
H1 : 60
X
t14
S / 15
P(2,98 t14 2,98) = 0.99
Datos:
0,005
0,005
- 2,98
2,98
45,75 60
= 3.88
14,2 / 15
Como 3.88 > 2.98 Se rechaza H0 con =0.01
x = 45,75 s = 14,2
t0 =
15
H 0 : 2 = 200
( n 1) S 2
H1 : 2 200
14 S 2
n21
2
14
2
P (4,07 14
31,3) = 0,99
2
14
0,005
0,00
Datos:
0,005
5,00
10,00
15,00
20,00
25,00
30,00
35,00
31,3
4,07
14 201,6
= 14.1
200
Como 4,07 14,1 31,3 No se rechaza H0
s 2 = 201,6
02 =
16
4. Poisson: Contraste para

H 0 : = 0
X1, X 2 ,, X n Poisson ( )
aprox
)
= X N( ,
n

N(0,1)
Z=
H1 : 0
R.R
R.R.
1-
/2
nivel de significacin
P( z / 2 Z z / 2 ) = 1
0
z0 =
0
N(0,1)
/2
R. Acept.
-z/2
z/2
z0 z / 2 No se rechaza H 0
z0 > z / 2 Se rechaza H 0
n
Dos tratamientos
17
Comparacin de dos
tratamientos
A
51,3
39,4
26,3
39,0
48,1
34,2
69,8
31,3
45,2
46,4
B
29,6
47,0
25,9
13,0
33,1
22,1
34,1
19,5
43,8
24,9
Sea desea comparar

dos tratamientos para
reducir el nivel de
colesterol en la sangre.
Se seleccionan 20
individuos y se asignan
al azar a dos tipos de
dietas A y B. La tabla
muestra la reduccin
conseguida despus de
dos meses.
19
Mtodo: 4 pasos
Definicin del modelo de distribucin

de probabilidad:
Hiptesis
Parmetros

Estimacin de los parmetros

Diagnosis de las hiptesis
Aplicacin
20
Modelo
y11
y12
y 21
y1n1
y 22
y 2 n2
M
O
D
E
L
O
D
A
T
O
S
21
Modelo: Hiptesis y Parmetros

Hiptesis bsicas:
Normalidad
yij N(i,2)
Homocedasticidad
Var [yij] = 2
Parmetros
1
2
2
Independencia
Cov [yij, ykl] = 0
22
Modelo
yij = i + uij ,
uij N (0, 2 )
Las observaciones se descomponen en:

Parte predecible
Parte aleatoria
uij
0
23
Estimacin medias:
n1
y1 j
1 : y1 =
j =1
n1
n2
y2 j
2 : y2 =
j =1
n2
A
51,3
39,4
26,3
39,0
48,1
34,2
69,8
31,3
45,2
46,4
43,1
B
29,6
47,0
25,9
13,0
33,1
22,1
34,1
19,5
43,8
24,9
29,3
24
Estimacin varianza (residuos)

yij = i + uij , uij N (0, 2 )
Residuos
A
8,2
-3,7
-16,8
-4,1
5,0
-8,9
26,7
-11,8
2,1
3,3
0,0
uij = yij i
eij = yij yi
eij : RESIDUO
2 ni
eij2
2 : sR2 =
i =1 j =1
n2
j =1
B
0,3
17,7
-3,4
-16,3
3,8
-7,2
4,8
-9,8
14,5
-4,4
0,0
eij = 0;s R2 = 130 .95

25
Varianza residual: s R
1
y11
y12 2
s =
1
y1 n1
( y1 j y1 )
y 21
y 22 2
s =
2
y 2 n 2
n1 1
ni
e
sR2 =
i =1 j =1
n2
2
ij
( y 2 j y 2 ) 2
n2 1
n1 1 2 n2 1 2
s1 +
s2
n2
n2
26
Diferencia de medias: y1 y2
1
y11
y12

y1 n1
y1 N ( 1 ,
y 21
y 22

y 2 n 2
n1
n1 n2
( y1 y2 ) ( 1 2 )
N (0,1)
1 1
n1 n2
y1 y2 N ( 1 2 ,
y 2 N ( 2 ,
n2
( y1 y2 ) ( 1 2 )
tn2
1 1
+
sR
n1 n2
27
Contraste de igualdad de medias

H 0 : 1 = 2
H1 : 1 2
t0 =
y1 y2
tn2
1 1
sR
+
n1 n2
R.R
R.R.
1-
/2
tn-2
R. Acept.
-t/2
/2
t/2
t0 t / 2 No se rechaza H 0
t0 > t / 2 Se rechaza H 0
28
Ejemplo: = 0.05
H 0 : 1 = 2
H1 : 1 2
43.1 29.3
t0 =
= 2.69
1 1
+
11.44
10 10
R.R.
R.R
t18
0.025
0.025
2.10
-2.10
2.69 > 2.10 Se rechaza H 0

29
Ejemplo: = 0.01
H 0 : 1 = 2
H1 : 1 2
43.1 29.3
t0 =
= 2.69
1 1
+
11.44
10 10
R.R
R.R.
0.005
0.99
t18
0.005
/2
-2.88
2.88
2.69 2.88 No se rechaza H 0

30
Nivel crtico (bilateral)

H 0 : 1 = 2
t18
H 1 : 1 2
43.1 29.3
t0 =
= 2.69
1 1
11.44
+
10 10
0.0074
0.0074
-2.69
2.69
p valor = Pr( t18 > 2.69) = 0.0147

= 0.05 > p-valor Se rechaza H0
= 0.01 < p-valor No se rechaza H0
31
Conclusiones (fijado )
Si |to| > t/2 se dice

que la diferencia
de medias es
significativa. O
simplemente que
los tratamientos
son distintos
(tienen medias
distintas)
Si |to| t/2 se dice

que la diferencia
de medias no es
significativa. No
hay evidencia
suficiente para
afirmar que las
medias de los
tratamientos sean
diferentes.
32
No rechazar Ho, no implica

que Ho sea cierta
El resultado |to| t/2, (no se rechaza

Ho) no debe interpretarse como
que se ha demostrado que las dos
medias son iguales.
No-rechazar la hiptesis nula implica que
la diferencia entre las medias 1 - 2 no
es lo suficientemente grande como para
ser detectada con el tamao muestral
dado.
33
Intervalo de confianza para

la diferencia de medias: 1 2
( y1 y2 ) ( 1 2 )
tn2
1 1
+
sR
/2
n1 n2
tn-2
-t/2
Pr { t / 2
t/2
( y1 y2 ) ( 1 2 )
t / 2 } = 1
1 1
sR
+
n1 n2
1 2 ( y1 y2 ) t / 2 sR
/2
1-
1 1
+
n1 n2
34
Ejemplo: intervalo de confianza 1 2

t18
0.025
0.025
-2.10
2.10
1
+
1 2 ( y1 y 2 ) t / 2 s R
n1 n 2
1
1
+
10 10
1 2 ( 43 .1 29 .3) 2 .10 11 .44

1 2 13 .8 10 .74
35
Hiptesis de homocedasticidad
1
1
y11
y12 2
s =
1
y1 n1
( y1 j y1 ) 2
n1 1
y 21
y 22 2
s =
2
y 2 n 2
( y 2 j y 2 ) 2
n2 1
H 0 : 12 = 22
H1 : 12 22
36
Distribucin F
y11
y12 2
s =
1
y1n1
y 21
y 22 2
s =
2
y 2 n2
( y1 j y1 ) 2
n1 1
( n1 1) s12
12
F=
( n2 1) s22
n21 1
n2 1
n22 1
( y 2 j y 2 ) 2
22
n2 1
n22 1
s12
( n1 1)
( n2 1)
12
s22
22
Fn1 1,n2 1
37
Distribucin F
F40,40
F20,40
F10,40
F5,40
38
Algunas distribuciones F
F10,80
F10,40
F10,20
F10,10
39
Contraste de igualdad de varianzas

H 0 : 12 = 22
H1 : 12 22
Si H 0 es cierto 12 = 22 ,
s12
F0 = 2 Fn1 1,n2 1
s1
RR
/2
RR
1-
R.A. Ho
F1-/2
/2
F/2
Si F0 [F1 / 2 , F / 2 ] No se rechaza H 0
Si F0 [F1 / 2 , F / 2 ] Se rechaza H 0
40
Ejemplo: Contraste de igualdad de varianzas

H 0 : 12 = 22
H1 : 12 22
s12 = 154.02 s22 = 111.7
RR
0.025
RR
0.025
0.248 1.37
154.02
F0 =
= 1.37
111.7
4.03
1.37 [0.248,4.03] No se rechaza H 0

41
Tabla F
F1 , 2 ,
P ( F1 , 2 F1 , 2 , ) =
Grados de libertad del denominador: 2
=0.05
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
40
50
60
70
80
90
100
120
Inf
1
161,4
18,51
10,13
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,23
4,21
4,20
4,18
4,17
4,08
4,03
4,00
3,98
3,96
3,95
3,94
3,92
3,84
1
2
199,5
19,00
9,55
6,94
5,79
5,14
4,74
4,46
4,26
4,10
3,98
3,89
3,81
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3,47
3,44
3,42
3,40
3,39
3,37
3,35
3,34
3,33
3,32
3,23
3,18
3,15
3,13
3,11
3,10
3,09
3,07
3,00
2
3
215,7
19,16
9,28
6,59
5,41
4,76
4,35
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10
3,07
3,05
3,03
3,01
2,99
2,98
2,96
2,95
2,93
2,92
2,84
2,79
2,76
2,74
2,72
2,71
2,70
2,68
2,60
3
4
224,6
19,25
9,12
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
2,84
2,82
2,80
2,78
2,76
2,74
2,73
2,71
2,70
2,69
2,61
2,56
2,53
2,50
2,49
2,47
2,46
2,45
2,37
4
5
230,2
19,30
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,03
2,96
2,90
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,64
2,62
2,60
2,59
2,57
2,56
2,55
2,53
2,45
2,40
2,37
2,35
2,33
2,32
2,31
2,29
2,21
5
6
234,0
19,33
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,53
2,51
2,49
2,47
2,46
2,45
2,43
2,42
2,34
2,29
2,25
2,23
2,21
2,20
2,19
2,18
2,10
6
Ejemplo : P ( F7,8 3.50) = 0.05
7
236,8
19,35
8,89
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,39
2,37
2,36
2,35
2,33
2,25
2,20
2,17
2,14
2,13
2,11
2,10
2,09
2,01
7
8
238,9
19,37
8,85
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,37
2,36
2,34
2,32
2,31
2,29
2,28
2,27
2,18
2,13
2,10
2,07
2,06
2,04
2,03
2,02
1,94
8
9
240,5
19,38
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,37
2,34
2,32
2,30
2,28
2,27
2,25
2,24
2,22
2,21
2,12
2,07
2,04
2,02
2,00
1,99
1,97
1,96
1,88
9
10
241,9
19,40
8,79
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,22
2,20
2,19
2,18
2,16
2,08
2,03
1,99
1,97
1,95
1,94
1,93
1,91
1,83
10
12
243,9
19,41
8,74
5,91
4,68
4,00
3,57
3,28
3,07
2,91
2,79
2,69
2,60
2,53
2,48
2,42
2,38
2,34
2,31
2,28
2,25
2,23
2,20
2,18
2,16
2,15
2,13
2,12
2,10
2,09
2,00
1,95
1,92
1,89
1,88
1,86
1,85
1,83
1,75
12
15
245,9
19,43
8,70
5,86
4,62
3,94
3,51
3,22
3,01
2,85
2,72
2,62
2,53
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,18
2,15
2,13
2,11
2,09
2,07
2,06
2,04
2,03
2,01
1,92
1,87
1,84
1,81
1,79
1,78
1,77
1,75
1,67
15
20
248,0
19,45
8,66
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,10
2,07
2,05
2,03
2,01
1,99
1,97
1,96
1,94
1,93
1,84
1,78
1,75
1,72
1,70
1,69
1,68
1,66
1,57
20
24
249,1
19,45
8,64
5,77
4,53
3,84
3,41
3,12
2,90
2,74
2,61
2,51
2,42
2,35
2,29
2,24
2,19
2,15
2,11
2,08
2,05
2,03
2,01
1,98
1,96
1,95
1,93
1,91
1,90
1,89
1,79
1,74
1,70
1,67
1,65
1,64
1,63
1,61
1,52
24
30
250,1
19,46
8,62
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
2,01
1,98
1,96
1,94
1,92
1,90
1,88
1,87
1,85
1,84
1,74
1,69
1,65
1,62
1,60
1,59
1,57
1,55
1,46
30
40
251,1
19,47
8,59
5,72
4,46
3,77
3,34
3,04
2,83
2,66
2,53
2,43
2,34
2,27
2,20
2,15
2,10
2,06
2,03
1,99
1,96
1,94
1,91
1,89
1,87
1,85
1,84
1,82
1,81
1,79
1,69
1,63
1,59
1,57
1,54
1,53
1,52
1,50
1,39
40
60
252,2
19,48
8,57
5,69
4,43
3,74
3,30
3,01
2,79
2,62
2,49
2,38
2,30
2,22
2,16
2,11
2,06
2,02
1,98
1,95
1,92
1,89
1,86
1,84
1,82
1,80
1,79
1,77
1,75
1,74
1,64
1,58
1,53
1,50
1,48
1,46
1,45
1,43
1,32
60
100
253,0
19,49
8,55
5,66
4,41
3,71
3,27
2,97
2,76
2,59
2,46
2,35
2,26
2,19
2,12
2,07
2,02
1,98
1,94
1,91
1,88
1,85
1,82
1,80
1,78
1,76
1,74
1,73
1,71
1,70
1,59
1,52
1,48
1,45
1,43
1,41
1,39
1,37
1,24
100
120
253,3
19,49
8,55
5,66
4,40
3,70
3,27
2,97
2,75
2,58
2,45
2,34
2,25
2,18
2,11
2,06
2,01
1,97
1,93
1,90
1,87
1,84
1,81
1,79
1,77
1,75
1,73
1,71
1,70
1,68
1,58
1,51
1,47
1,44
1,41
1,39
1,38
1,35
1,22
120
Inf.
254,3
19,50
8,53
5,63
4,37
3,67
3,23
2,93
2,71
2,54
2,40
2,30
2,21
2,13
2,07
2,01
1,96
1,92
1,88
1,84
1,81
1,78
1,76
1,73
1,71
1,69
1,67
1,65
1,64
1,62
1,51
1,44
1,39
1,35
1,32
1,30
1,28
1,25
1,00
Inf.
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
40
50
60
70
80
90
100
120
Inf
Tabla F
F1 , 2 ,
P ( F1 , 2 F1 , 2 , ) =
=0.025
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
40
50
60
70
80
90
100
120
Inf
1
647,8
38,51
17,44
12,22
10,01
8,81
8,07
7,57
7,21
6,94
6,72
6,55
6,41
6,30
6,20
6,12
6,04
5,98
5,92
5,87
5,83
5,79
5,75
5,72
5,69
5,66
5,63
5,61
5,59
5,57
5,42
5,34
5,29
5,25
5,22
5,20
5,18
5,15
5,02
1
2
799,5
39,00
16,04
10,65
8,43
7,26
6,54
6,06
5,71
5,46
5,26
5,10
4,97
4,86
4,77
4,69
4,62
4,56
4,51
4,46
4,42
4,38
4,35
4,32
4,29
4,27
4,24
4,22
4,20
4,18
4,05
3,97
3,93
3,89
3,86
3,84
3,83
3,80
3,69
2
3
864,2
39,17
15,44
9,98
7,76
6,60
5,89
5,42
5,08
4,83
4,63
4,47
4,35
4,24
4,15
4,08
4,01
3,95
3,90
3,86
3,82
3,78
3,75
3,72
3,69
3,67
3,65
3,63
3,61
3,59
3,46
3,39
3,34
3,31
3,28
3,26
3,25
3,23
3,12
3
4
899,6
39,25
15,10
9,60
7,39
6,23
5,52
5,05
4,72
4,47
4,28
4,12
4,00
3,89
3,80
3,73
3,66
3,61
3,56
3,51
3,48
3,44
3,41
3,38
3,35
3,33
3,31
3,29
3,27
3,25
3,13
3,05
3,01
2,97
2,95
2,93
2,92
2,89
2,79
4
5
921,8
39,30
14,88
9,36
7,15
5,99
5,29
4,82
4,48
4,24
4,04
3,89
3,77
3,66
3,58
3,50
3,44
3,38
3,33
3,29
3,25
3,22
3,18
3,15
3,13
3,10
3,08
3,06
3,04
3,03
2,90
2,83
2,79
2,75
2,73
2,71
2,70
2,67
2,57
5
6
937,1
39,33
14,73
9,20
6,98
5,82
5,12
4,65
4,32
4,07
3,88
3,73
3,60
3,50
3,41
3,34
3,28
3,22
3,17
3,13
3,09
3,05
3,02
2,99
2,97
2,94
2,92
2,90
2,88
2,87
2,74
2,67
2,63
2,59
2,57
2,55
2,54
2,52
2,41
6
7
948,2
39,36
14,62
9,07
6,85
5,70
4,99
4,53
4,20
3,95
3,76
3,61
3,48
3,38
3,29
3,22
3,16
3,10
3,05
3,01
2,97
2,93
2,90
2,87
2,85
2,82
2,80
2,78
2,76
2,75
2,62
2,55
2,51
2,47
2,45
2,43
2,42
2,39
2,29
7
8
956,6
39,37
14,54
8,98
6,76
5,60
4,90
4,43
4,10
3,85
3,66
3,51
3,39
3,29
3,20
3,12
3,06
3,01
2,96
2,91
2,87
2,84
2,81
2,78
2,75
2,73
2,71
2,69
2,67
2,65
2,53
2,46
2,41
2,38
2,35
2,34
2,32
2,30
2,19
8
9
963,3
39,39
14,47
8,90
6,68
5,52
4,82
4,36
4,03
3,78
3,59
3,44
3,31
3,21
3,12
3,05
2,98
2,93
2,88
2,84
2,80
2,76
2,73
2,70
2,68
2,65
2,63
2,61
2,59
2,57
2,45
2,38
2,33
2,30
2,28
2,26
2,24
2,22
2,11
9
10
968,6
39,40
14,42
8,84
6,62
5,46
4,76
4,30
3,96
3,72
3,53
3,37
3,25
3,15
3,06
2,99
2,92
2,87
2,82
2,77
2,73
2,70
2,67
2,64
2,61
2,59
2,57
2,55
2,53
2,51
2,39
2,32
2,27
2,24
2,21
2,19
2,18
2,16
2,05
10
12
976,7
39,41
14,34
8,75
6,52
5,37
4,67
4,20
3,87
3,62
3,43
3,28
3,15
3,05
2,96
2,89
2,82
2,77
2,72
2,68
2,64
2,60
2,57
2,54
2,51
2,49
2,47
2,45
2,43
2,41
2,29
2,22
2,17
2,14
2,11
2,09
2,08
2,05
1,94
12
15
984,9
39,43
14,25
8,66
6,43
5,27
4,57
4,10
3,77
3,52
3,33
3,18
3,05
2,95
2,86
2,79
2,72
2,67
2,62
2,57
2,53
2,50
2,47
2,44
2,41
2,39
2,36
2,34
2,32
2,31
2,18
2,11
2,06
2,03
2,00
1,98
1,97
1,94
1,83
15
20
993,1
39,45
14,17
8,56
6,33
5,17
4,47
4,00
3,67
3,42
3,23
3,07
2,95
2,84
2,76
2,68
2,62
2,56
2,51
2,46
2,42
2,39
2,36
2,33
2,30
2,28
2,25
2,23
2,21
2,20
2,07
1,99
1,94
1,91
1,88
1,86
1,85
1,82
1,71
20
24
30
40
60
100
120
Inf.
997,3 1001,4 1005,6 1009,8 1013,2 1014,0 1018,3
39,46 39,46 39,47 39,48 39,49 39,49 39,50
14,12 14,08 14,04 13,99 13,96 13,95 13,90
8,51
8,46
8,41
8,36
8,32
8,31
8,26
6,28
6,23
6,18
6,12
6,08
6,07
6,02
5,12
5,07
5,01
4,96
4,92
4,90
4,85
4,41
4,36
4,31
4,25
4,21
4,20
4,14
3,95
3,89
3,84
3,78
3,74
3,73
3,67
3,61
3,56
3,51
3,45
3,40
3,39
3,33
3,37
3,31
3,26
3,20
3,15
3,14
3,08
3,17
3,12
3,06
3,00
2,96
2,94
2,88
3,02
2,96
2,91
2,85
2,80
2,79
2,72
2,89
2,84
2,78
2,72
2,67
2,66
2,60
2,79
2,73
2,67
2,61
2,56
2,55
2,49
2,70
2,64
2,59
2,52
2,47
2,46
2,40
2,63
2,57
2,51
2,45
2,40
2,38
2,32
2,56
2,50
2,44
2,38
2,33
2,32
2,25
2,50
2,44
2,38
2,32
2,27
2,26
2,19
2,45
2,39
2,33
2,27
2,22
2,20
2,13
2,41
2,35
2,29
2,22
2,17
2,16
2,09
2,37
2,31
2,25
2,18
2,13
2,11
2,04
2,33
2,27
2,21
2,14
2,09
2,08
2,00
2,30
2,24
2,18
2,11
2,06
2,04
1,97
2,27
2,21
2,15
2,08
2,02
2,01
1,94
2,24
2,18
2,12
2,05
2,00
1,98
1,91
2,22
2,16
2,09
2,03
1,97
1,95
1,88
2,19
2,13
2,07
2,00
1,94
1,93
1,85
2,17
2,11
2,05
1,98
1,92
1,91
1,83
2,15
2,09
2,03
1,96
1,90
1,89
1,81
2,14
2,07
2,01
1,94
1,88
1,87
1,79
2,01
1,94
1,88
1,80
1,74
1,72
1,64
1,93
1,87
1,80
1,72
1,66
1,64
1,55
1,88
1,82
1,74
1,67
1,60
1,58
1,48
1,85
1,78
1,71
1,63
1,56
1,54
1,44
1,82
1,75
1,68
1,60
1,53
1,51
1,40
1,80
1,73
1,66
1,58
1,50
1,48
1,37
1,78
1,71
1,64
1,56
1,48
1,46
1,35
1,76
1,69
1,61
1,53
1,45
1,43
1,31
1,64
1,57
1,48
1,39
1,30
1,27
1,00
24
30
40
60
100
120
Inf.
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
40
50
60
70
80
90
100
120
Inf
Ejemplo : P ( F7,8 4.53) = 0.025
Tabla F
F1 , 2 ,
P ( F1 , 2 F1 , 2 , ) =
=0.01
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
40
50
60
70
80
90
100
120
Inf
1
4052,2
98,50
34,12
21,20
16,26
13,75
12,25
11,26
10,56
10,04
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,29
8,18
8,10
8,02
7,95
7,88
7,82
7,77
7,72
7,68
7,64
7,60
7,56
7,31
7,17
7,08
7,01
6,96
6,93
6,90
6,85
6,63
1
2
4999,3
99,00
30,82
18,00
13,27
10,92
9,55
8,65
8,02
7,56
7,21
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,53
5,49
5,45
5,42
5,39
5,18
5,06
4,98
4,92
4,88
4,85
4,82
4,79
4,61
2
3
5403,5
99,16
29,46
16,69
12,06
9,78
8,45
7,59
6,99
6,55
6,22
5,95
5,74
5,56
5,42
5,29
5,19
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,68
4,64
4,60
4,57
4,54
4,51
4,31
4,20
4,13
4,07
4,04
4,01
3,98
3,95
3,78
3
4
5624,3
99,25
28,71
15,98
11,39
9,15
7,85
7,01
6,42
5,99
5,67
5,41
5,21
5,04
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,14
4,11
4,07
4,04
4,02
3,83
3,72
3,65
3,60
3,56
3,53
3,51
3,48
3,32
4
5
5764,0
99,30
28,24
15,52
10,97
8,75
7,46
6,63
6,06
5,64
5,32
5,06
4,86
4,69
4,56
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,85
3,82
3,78
3,75
3,73
3,70
3,51
3,41
3,34
3,29
3,26
3,23
3,21
3,17
3,02
5
6
5859,0
99,33
27,91
15,21
10,67
8,47
7,19
6,37
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,59
3,56
3,53
3,50
3,47
3,29
3,19
3,12
3,07
3,04
3,01
2,99
2,96
2,80
6
7
5928,3
99,36
27,67
14,98
10,46
8,26
6,99
6,18
5,61
5,20
4,89
4,64
4,44
4,28
4,14
4,03
3,93
3,84
3,77
3,70
3,64
3,59
3,54
3,50
3,46
3,42
3,39
3,36
3,33
3,30
3,12
3,02
2,95
2,91
2,87
2,84
2,82
2,79
2,64
7
Ejemplo : P ( F7,8 6.18) = 0.01
8
5981,0
99,38
27,49
14,80
10,29
8,10
6,84
6,03
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,29
3,26
3,23
3,20
3,17
2,99
2,89
2,82
2,78
2,74
2,72
2,69
2,66
2,51
8
9
6022,4
99,39
27,34
14,66
10,16
7,98
6,72
5,91
5,35
4,94
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,46
3,40
3,35
3,30
3,26
3,22
3,18
3,15
3,12
3,09
3,07
2,89
2,78
2,72
2,67
2,64
2,61
2,59
2,56
2,41
9
10
6055,9
99,40
27,23
14,55
10,05
7,87
6,62
5,81
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
3,09
3,06
3,03
3,00
2,98
2,80
2,70
2,63
2,59
2,55
2,52
2,50
2,47
2,32
10
12
6106,7
99,42
27,05
14,37
9,89
7,72
6,47
5,67
5,11
4,71
4,40
4,16
3,96
3,80
3,67
3,55
3,46
3,37
3,30
3,23
3,17
3,12
3,07
3,03
2,99
2,96
2,93
2,90
2,87
2,84
2,66
2,56
2,50
2,45
2,42
2,39
2,37
2,34
2,18
12
15
6157,0
99,43
26,87
14,20
9,72
7,56
6,31
5,52
4,96
4,56
4,25
4,01
3,82
3,66
3,52
3,41
3,31
3,23
3,15
3,09
3,03
2,98
2,93
2,89
2,85
2,81
2,78
2,75
2,73
2,70
2,52
2,42
2,35
2,31
2,27
2,24
2,22
2,19
2,04
15
20
6208,7
99,45
26,69
14,02
9,55
7,40
6,16
5,36
4,81
4,41
4,10
3,86
3,66
3,51
3,37
3,26
3,16
3,08
3,00
2,94
2,88
2,83
2,78
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,37
2,27
2,20
2,15
2,12
2,09
2,07
2,03
1,88
20
24
6234,3
99,46
26,60
13,93
9,47
7,31
6,07
5,28
4,73
4,33
4,02
3,78
3,59
3,43
3,29
3,18
3,08
3,00
2,92
2,86
2,80
2,75
2,70
2,66
2,62
2,58
2,55
2,52
2,49
2,47
2,29
2,18
2,12
2,07
2,03
2,00
1,98
1,95
1,79
24
30
6260,4
99,47
26,50
13,84
9,38
7,23
5,99
5,20
4,65
4,25
3,94
3,70
3,51
3,35
3,21
3,10
3,00
2,92
2,84
2,78
2,72
2,67
2,62
2,58
2,54
2,50
2,47
2,44
2,41
2,39
2,20
2,10
2,03
1,98
1,94
1,92
1,89
1,86
1,70
30
40
6286,4
99,48
26,41
13,75
9,29
7,14
5,91
5,12
4,57
4,17
3,86
3,62
3,43
3,27
3,13
3,02
2,92
2,84
2,76
2,69
2,64
2,58
2,54
2,49
2,45
2,42
2,38
2,35
2,33
2,30
2,11
2,01
1,94
1,89
1,85
1,82
1,80
1,76
1,59
40
60
6313,0
99,48
26,32
13,65
9,20
7,06
5,82
5,03
4,48
4,08
3,78
3,54
3,34
3,18
3,05
2,93
2,83
2,75
2,67
2,61
2,55
2,50
2,45
2,40
2,36
2,33
2,29
2,26
2,23
2,21
2,02
1,91
1,84
1,78
1,75
1,72
1,69
1,66
1,47
60
100
6333,9
99,49
26,24
13,58
9,13
6,99
5,75
4,96
4,41
4,01
3,71
3,47
3,27
3,11
2,98
2,86
2,76
2,68
2,60
2,54
2,48
2,42
2,37
2,33
2,29
2,25
2,22
2,19
2,16
2,13
1,94
1,82
1,75
1,70
1,65
1,62
1,60
1,56
1,36
100
120
6339,5
99,49
26,22
13,56
9,11
6,97
5,74
4,95
4,40
4,00
3,69
3,45
3,25
3,09
2,96
2,84
2,75
2,66
2,58
2,52
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,17
2,14
2,11
1,92
1,80
1,73
1,67
1,63
1,60
1,57
1,53
1,32
120
Inf.
6365,6
99,50
26,13
13,46
9,02
6,88
5,65
4,86
4,31
3,91
3,60
3,36
3,17
3,00
2,87
2,75
2,65
2,57
2,49
2,42
2,36
2,31
2,26
2,21
2,17
2,13
2,10
2,06
2,03
2,01
1,80
1,68
1,60
1,54
1,49
1,46
1,43
1,38
1,00
Inf.
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
40
50
60
70
80
90
100
120
Inf
Contrastes de bondad de ajuste
Contraste 2 de bondad de ajuste

POBLACIN
X
MUESTRA n
X 1 , X 2 ,..., X n
X N ( , ) ?
= x
= s
Datos Conocidos
Tienen los datos distribucin Normal?

46
Espesores de 150 obleas de Silicio (micras)

X
240
243
250
253
248
238
242
245
251
247
239
242
246
250
248
235
237
246
249
246
240
241
246
247
249
240
243
244
248
245
240
243
244
249
246
245
250
250
247
248
238
240
245
248
246
240
242
246
249
248
240
243
246
250
248
241
245
243
247
245
247
245
255
250
249
237
239
243
247
246
242
244
245
248
245
237
239
242
247
245
242
244
246
251
248
243
245
247
252
249
243
245
248
251
250
244
246
246
250
246
241
239
244
250
246
242
245
248
251
249
242
245
248
243
246
241
244
245
249
247
236
239
241
246
242
243
246
247
252
247
241
243
245
248
246
239
240
242
243
244
239
240
250
252
250
241
243
249
255
253
47
Histograma para Espesor
frecuencia
40
30
20
10
0
230
235
240
245
250
255
260
Espesor
48
Contraste 2 de bondad de ajuste

H 0 : X i , i = 1,2,..., n f X
H1 : X i , i = 1,2,..., n
/ fX
Si H 0 es cierto :
Fr. Observada Fr. Esperada
Clases
co xi < c1
c1 xi < c2
O1
O2
E1
E2
ck 1 xi < ck
Ok
Ek
cK 1 xi < cK
OK
EK
Ek = npk
pk = Pr(ck 1 X < ck )
K
k =1
k =1
Ok = Ek = n
(Ok Ek ) 2
K2 r 1
Ek
k =1
K
49
Justificacin del contraste 2

n
Ok B (n, pk ) Ok N (npk , npk (1 pk ) )

Ek = npk
Ok npk
N (0,1)
npk (1 pk )
1
Ok Ek
Ok Ek
N (0,1)
Ek
Ek
k =1
K
K N de CLASES
2
aprox
K
r 1
r N de parmetro estimados
50
Obleas: Frecuencias
Observadas
Clase
-inf
238
240
242
244
246
248
250
252
238
240
242
244
246
248
250
252
+inf
Total
Fr. Observada
Oi
7
16
17
21
34
24
20
7
4
150
x = 245.1 micras
s = 4 micras
51
Frecuencias esperadas N(245.1;4)

Clase
-inf
238
240
242
244
246
248
250
252
238
240
242
244
246
248
250
252
+inf
Total
Fr. Observada
Oi
7
16
17
21
34
24
20
7
4
150
Fr. Esperada
Ei
5,88
9,58
17,71
25,71
29,35
26,34
18,58
10,3
6,54
150
p4 = Pr( 242 X 244)

242 245.1 X 245.1 244 245.1
)
4
4
4
= P (0.275 Z 0.775)
= 0.1714
= Pr(
E4 = np4 = 150 0.1714 = 25.71

52
Contraste de Normalidad
H 0 : X i Normal
H1 : X i
/ Normal
02
(7 5.88) 2 (16 9,58) 2

(4 6.54) 2
= 8.5
=
+
++
5.88
9.58
6.54
0,160
0,140
0,120
p valor = 0.2037
0,100
0,080
0,060
= 0.05
0,040
0,020
0,000
0,00
5,00
Pr( 62 12.59) = 0.95
10,00
12,59
15,00
20,00
02 = 8.5 < 12.59 No se rechaza la hiptesis de normalidad

53
Se ha lanzado 300 veces un dado y se han obtenido los

resultados:
Resultados Observadas
1
49
2
59
3
49
4
51
5
43
6
49
Total
300
Se puede afirmar con =0.05 que el dado est desequilibrado?
54
Pr( X = i) = 1/ 6, i = 1,2,...,6
H o : X Equiprobable
H1 : X No equiprobable
02 =
Resultados Observados Esperados

1
49
50
2
59
50
3
49
50
4
51
50
5
43
50
6
49
50
Total
300
300
(49 50) 2 (59 50) 2

(49 50) 2
+
++
= 2.68
50
50
50
Pr( 52 11.07) = 0.95 02 = 2.68 < 11.07 No se Rechaza H 0

0,180
0,160
52
0,140
p-valor = 0.749
0,120
0,100
0,080
0,060
=0.05
0,040
0,020
0,000
0,00
2.68
5,00
10,00
11.07
15,00
55
Contraste K-S de bondad de ajuste

Vlido nicamente para variables

continuas
Compara la Funcin de distribucin
terica F(x) con la Funcin de
distribucin emprica Fn(x).
No requiere agrupar los datos
El contraste es aproximado si es
necesario estimar los parmetros del
modelo
56

Pasos:

Ordenar la muestra
x1 x2 x3 . . . . xn
Calcular la distribucin emprica de la muestra
Fn(x)
0
x < x 1
F n x =
r
n
1
x r x < x r + 1
x x n
Calcular la discrepancia mxima

maxDnx = max|F n x Fx|
Comparar con el valor obtenido en las tablas
para un n y determinados
57

Se han tomado 12 valores de una variable fsica X, que se supone
Normal, resultando
30,2 30,8 29,3 29,0 30,9 30,8 29,7 28,9 30,5 31,2 31,3 28,5
Contraste la hiptesis de normalidad mediante el contraste de K-S.
H 0 : X i Normal
H1 : X i
/ Normal
De la muestra
x = 30, 09
s = 0, 97
58

X
28,5
28,9
29
29,3
29,7
30,2
30,5
30,8
30,8
30,9
31,2
31,3
Fn(x)
1/12=0,08
2/12=0,17
3/12=0,25
4/12=0,33
5/12=0,42
6/12=0,5
7/12=0,58
9/12=0,75
10/12=0,83
11/12=0,92
12/12=1,00
F(x)
Fn(xh-1)-F(xh)
0,05
0,05
0,11
0,03
0,13
0,04
0,21
0,04
0,34
0,01
0,54
0,12
0,66
0,16
0,77
0,8
0,87
0,89
Fn(xh)-F(xh)
0,03
0,06
0,12
0,12
0,08
0,04
0,08
Dn(xh)
0,05
0,06
0,12
0,12
0,08
0,12
0,16
0,02
0,03
0,05
0,11
0,19
0,05
0,05
0,11
0,19
0,05
0,04
0,03
maxDnx h = 0, 19
F29, 7 = PX 29, 7|X N30, 09; 0, 97 =

X 30, 09
29, 7 30, 09
= P
=
0, 97
0, 97
= PZ 0, 40 = 0, 34.
59
Tabla Contraste de Kolmogorov-Smirnov

Tamao muestral
Valores Crticos de D=|Fn(x)-F(x)|

donde Fn(x) es la distribucin muestral de
tamao n y F(x) la distribucin terica
Ejemplo
0,20
0,15
0,10
0,05
0,01
0,900
0,925
0,950
0,975
0,995
0,684
0,726
0,776
0,842
0,929
0,565
0,597
0,642
0,708
0,828
0,494
0,525
0,564
0,624
0,733
0,446
0,474
0,510
0,565
0,669
0,410
0,436
0,470
0,521
0,618
0,381
0,405
0,438
0,486
0,577
0,358
0,381
0,411
0,457
0,543
0,339
0,360
0,388
0,432
0,514
10
0,322
0,342
0,368
0,410
0,490
11
0,307
0,362
0,352
0,391
0,468
12
0,295
0,313
0,338
0,375
0,450
13
0,284
0,302
0,325
0,361
0,433
14
0,274
0,292
0,314
0,349
0,418
15
0,266
0,283
0,304
0,338
0,404
16
0,258
0,274
0,295
0,328
0,392
17
0,250
0,266
0,286
0,318
0,381
18
0,244
0,259
0,278
0,309
0,371
19
0,237
0,252
0,272
0,301
0,363
20
0,231
0,246
0,264
0,294
0,356
25
0,21
0,22
0,24
0,27
0,32
30
0,19
0,20
0,22
0,24
0,29
35
0,18
0,19
0,21
0,23
0,27
>35
1,07/n
1,14/n
1,22/n
1,36/n
1,63/n
maxDnx h = 0, 19 D 12;0,05 = 0, 375

No se puede rechazar la hiptesis de normalidad con un
nivel de significacin de 0,05
61
Captulo 7. Contraste de Hiptesis

7.1 Un proceso industrial fabrica piezas cuya longitud en mm se distribuye segn una N (190; 10). Una
muestra de 5 piezas proporciona los resultados siguientes:
187, 212, 195, 208, 192
(a) Contrastar la hiptesis de que la media del proceso es efectivamente 190.
(b) Contrastar la hiptesis de que la varianza del proceso 2 es 100
(c) Admitiendo que la varianza del proceso es 100, construir la curva de potencia para un
contraste de la media con 5 observaciones. Tmese = 0:05 en todos los contrastes.
7.2 Para contrastar unilateralmente que la esperanza de una variable aleatoria normal es 10, se toma
una muestra de tamao 16 y se rechaza la hiptesis en el caso en que la media muestral sea mayor
que 11, aceptndose en el caso contrario. Sabiendo que la desviacin tpica de la poblacin es = 2;
cal es la probabilidad de error de tipo I de este contraste?. Cal sera la probabilidad de error
de tipo II del contraste si el valor verdadero de la esperanza fuese 12?.
7.3 Una medicina estndar es efectiva en el 75% de los casos en los que se aplica. Se ha comprobado
un nuevo medicamento en 100 pacientes, observndose su efectividad en 85 de ellos. Es la nueva
medicina ms efectiva que la estndar ? (Contrastar con = 0:05).
7.4 Un empresario quiere comprar una empresa que fabrica cojinetes. Durante los 5 ltimos aos la
proporcin de cojinetes defectuosos se ha mantenido en un 3%: Para vericar esto, se toma una
muestra de 200 cojinetes y obtiene que 9 son defectuosos. Se puede concluir que la proporcin de
cojinetes defectuosos ha aumentado? Calcular la potencia del contraste planteado anteriormente en
funcin de p. Calcular la probabilidad de error de tipo II cuando la hiptesis alternativa es p = 0:06;
siendo p la proporcin de defectuosos.(Nota: Utilcese la aproximacin normal y = 0; 05:):
7.5 Teniendo en cuenta que si X1 ; X2 ; : : : ; Xn es una muestra aleatoria simple de una variable aleatoria
exponencial con funcin de densidad, f (x) = 1 e x= ; x
0; > 0; el estadstico U = 2nX=
2
tiene distribucin 2n , donde X = (X1 + X2 +
+ Xn )=n; resolver las cuestiones siguientes:
(a) El tiempo de funcionamiento de un equipo electrnico es una variable aleatoria con distribucin exponencial. Se han tomado los tiempos de funcionamiento hasta el fallo de 30
equipos elegidos al azar, obtenindose 6:2 103 horas de media. Contrastar con nivel
de signicacin igual a 0.05, H0 : = 5 103 horas, frente a H1 : > 5 103 horas;
indicando: (a) el valor crtico, y (b) la probabilidad de error tipo II cuando = 7 103
horas. (Es suciente con proporcionar el valor ms proximo obtenido en las tablas del
libro de texto).
(b) Se va a realizar un ensayo con 15 equipos fabricados por una segunda empresa. Si el
tiempo de funcionamiento de estos tiene tambin distribucin exponencial. Cul es el
valor mximo de la media muestral de estos quince equipos que permitira concluir con
= 0:05 que son peores que los de la primera empresa? Despus de 6000 horas de ensayo
han fallado 6 equipos, siendo el promedio de estos seis valores igual a 2350 horas. Es
necesario seguir el ensayo para tomar una decisin ?
1
7.6 En la tabla se reproducen los valores para la velocidad de la luz en el aire que obtuvieron Michelson
y Newcomb en 1879 y 1992 respectivamente, utilizando mtodos distintos . A los datos originales
en km/s se les ha restado 299000 para facilitar su tratamiento matemtico.
1.
Mic.
New.
1
850
883
Mic.
New.
11
1000
578
2
740
816
3
900
778
12
980
796
4
1070
796
5
930
682
6
850
711
14
650
820
15
760
772
y
896,6
763,2
13
930
774
7
950
611
8
980
599
9
980
1051
10
880
781
sb
119,47
111,91
(a) Contraste la hiptesis de que la variabilidad es la misma en los experimentos de Michelson y

Newcomb. ( = 0; 05)
(b) Sabiendo que la velocidad de la luz en el vacio es 299.792,5 km/s (792,5 si se le resta 299.000), y
que en aire debe ser igual o menor que en el vacio, contraste la hiptesis de que los experimentos
no tienen error sistemtico, es decir la medida obtenida es igual al verdadero valor ms un
error aleatorio de media cero.( = 0; 05)
7.7 Se estudian dos tipos de neumticos con los resultados siguientes:
Tipo
A
B
xi (Km)
27465
27572
sbi (Km)
2500
3000
1. Calcular, con
= 0:01;
ni
121
121
2. Un intervalo de conanza para
2
1
2:
2
3. Un intervalo de conanza para
2:
7.8 Se dispone de rendimientos de dos mquinas. Los resultados de la mquina A son 137.5; 140.7;
106.9; 175.1; 177.3; 120.4; 77.9 y 104.2, mientras que los reultados para la B son: 103.3; 121.7; 98.4;
161.5; 167.8 y 67.3. Son las mquinas iguales? (Suponer que los rendimientos de ambas mquinas
siguen distribuciones normales).
7.9 Un fabricante de automviles debe elegir entre un determinado tipo de piezas de acero suministradas
por un proveedor A y otras suministradas por otro proveedor B. Para proceder a la eleccin se ha
analizado la resistencia a la traccin de las piezas suministradas por ambos proveedores, tomando
una muestra de tamao 10 de las piezas del primero, y otra de tamao 12 del segundo. La resistencia
media de la muestra de A es de 54000 unidades y la de la muestra de B es de 49000 unidades, siendo
las desviaciones tpicas muestrales corregidas sbA = 2100 y sbB = 1900. Las resistencias de las piezas
de ambos proveedores se distribuyen normalmente. Las piezas del proveedor B son ms baratas
que las del proveedor A, por lo que estas ltimas slo son rentables si tienen una resistencia media
al menos 2000 unidades mayor que las de B, y la misma variabilidad.
(a) A qu proveedor habra que comprar las piezas a la vista de los resultados muestrales?
(b) Obtener un intervalo de conanza del 90n%
2
7.10 La estatura de 60 nios de una escuela infantil se resume en la siguiente tabla de frecuencias, dnde
la ltima columna muestra la frecuencia esperada bajo la hiptesis de normalidad.
Frecuencia Frecuencia
Intervalo Observada Esperada
41,5-43,5
4
4,08
43,5-45,5
7
5,58
45,5-47,5
12
9,06
47,5-49,5
8
11,27
49,5-51,5
6
11,27
51,5-53,5
11
9,08
53,5-55,5
9
5,58
55,5-57,5
3
4,08
Total
60
60
Se puede aceptar la hiptesis de normalidad de los datos ( = 0:05) ?
7.11 Se tira 120 veces un dado y se obtienen los resultados de la tabla
VALOR
FRECUENCIA
1
20
2
14
3
23
4
12
5
26
6
25
Contrastar la hiptesis de que el dado est equilibrado y que, por tanto, sus caras son equiprobables. (Tmese = 0:05):
7.12 Se han tomado 12 valores de una variable fsica X, que se supone normal, resultando
30.2, 30.8, 29.3, 29, 30.9, 30.8, 29.7, 28.9, 30.5, 31.2, 31.3, 28.5.
Analizar la hiptesis de normalidad mediante el contraste de Kolmogorov-Smirnov.
7.13 Un modelo ssmico indica que la distribucin de los epicentros de sismos en una regin debera seguir
una distribucin de Poisson en el plano. Un grupo de expertos pretende contrastar si ese modelo
se cumple, para ello ha representado un mapa de la regin dividido en cuadrculas de tamao 100
km2 , y ha sealado con puntos las posiciones de los epicentros (vase gura adjunta). Realizar el
contraste 2 de bondad de ajuste con nivel de signicacin = 0; 05 proporcionando el nivel crtico
aproximado del contraste.
7.14 El Ministerio de defensa est considerando un nuevo sistema de apoyo para el lanzamineto de
misiles de corto alcance. El sistema existente tiene errores en el 7% de los lanzamientos y se desea
comprobar si el nuevo sistema tiene una probabilidad de fallo menor. El ensayo va a consistir
en realizar 20 lanzamientos y se concluir que el nuevo sistema es mejor si no se produce ningn
fallo. Llamando p a la probabilidad de fallo del sistema nuevo y aceptando independencia entre los
resultados del lanzamiento, obtenga y represente grcamente la probabilidad de error de tipo II
del contraste
H0 : p = 0:07
H1 : p < 0:07
Obtenga la probabilidad de error tipo I. Interprete el resultado y valore si el mtodo de decisin es
adecuado.
7.15 El tiempo de duracin T de un componente electrodinmico es una variable aleatoria con distribucin exponencial de media : Veinte componentes han sido sometidos a un ensayo y el nmero de
horas que han durado ha sido:
10:99 15:79 24:14 34:43 43:72 51:72 56:12 60:27 77:20 88:47
91:07 117:58 130:40 133:12 152:90 159:00 193:62 208:71 308:82 316:07
Teniendo en cuenta que 2T = tiene distribucin
contraste
con
con dos grados de libertad, realiza el siguiente
H0 :
= 200 horas,
H1 :
< 200 horas,
= 0:05:
Estadstica Descriptiva, Probabilidad y Variable Aleatoria
10 de octubre de 2011
Cuestiones (45 minutos, 5 puntos)

1. Se ha realizado una encuesta entre los estudiantes de grado del MIT (Massachusetts Institute of
Technology) para conocer sus preferencias tecnologicas. El 35% de los entrevistados tienen un iPhone
y un iPad, el 80% tiene al menos uno de estos dispositivos y el 60% no tiene iPad. Para un estudiante
elegido al azar, calcula la probabilidad de que:
a. Disponga de iPhone y no de iPad.
b. Tenga un iPad pero no un iPhone.
c. Tenga u
nicamente uno de los dos dispositivos.
d. No disponga de ninguno de los dos.
2. Un profesor tiene las notas de un examen de sus 100 alumnos en una hoja de calculo. La primera
columna corresponden a la nota del primer ejercicio (xi ), la segunda columna corresponde a las notas
del segundo ejercicio (yi ) y en la tercera columna se encuentra el promedio de las notas de los dos
ejercicios:
1
1
zi = xi + yi
2
2
La media del primer ejercicio ha sido x
= 7.2 con desviacion tpica sx = 1.2 y la nota media del
segundo ejercicio es y = 5.4 con deviacion tpica sy = 0.81. El profesor ha calculado el coeficiente de
correlacion entre las notas del primer y segundo ejercicio y ha resultado igual a 0.75.
(a) Demuestra que:
1
1
1
s2z = s2x + s2y + sxy
4
4
2
(b) La nota del examen la ha obtenido dando pesos iguales a los dos ejercicios, esta considerando la
posibilidad de utilizar como nota final
ui = a xi + (1 a) yi
utilizando el valor a, tal que 0 a 1, que hace que la varianza s2u sea lo mas grande posible.
Calcular a.
3. Disponemos de un juego de canicas como el que se muestra en la figura. La canica se desplaza en sentido
descendente, pudiendo ir hacia la derecha o hacia la izquierda en cada bifurcacion, con probabilidades
pd y pi respectivamente.
Se pide calcular la probabilidad de que la canica caiga en el cesto B:
(a) Suponiendo que pd = pi = 0.5
(b) Suponiendo que pd = 0.4 y pi = 0.6
En cada bifurcacin:
pi
pd
Problema
(45 minutos, 5 puntos)
Desde un restaurante de comida rapida se envan los pedidos en moto. La funcion de densidad de la
distancia recorrida a lo largo de la carretera, X, es
fX (x) = kex , 0 < x <
1. Calcular el valor de k, as como la funcion de distribucion de X.
2. Cual es la probabilidad de que en un viaje tenga que recorrer mas de 2km?
Si realiza 10 viajes, cual es la probabilidad de que en el viaje mas largo recorra mas de 2km?
3. Se han a
nadido al negocio dos restaurantes en otras dos carreteras. Las variables aleatorias Y y Z
correspondientes a las distancias recorridas en cada uno tienen las siguientes funciones de densidad:
fY (y) = 2e2y , 0 < y <
y
fZ (z) = 3e3z , 0 < z <
Las probabilidades de que a un motorista se le asigne trabajar en las 3 carreteras son pX = 0.4, pY = 0.3
y pZ = 0.3 y en el u
ltimo reparto recorrio mas de 2 km, cual es la probabilidad de que lo hiciese en
la segunda carretera?

1. Se ha realizado una encuesta entre los estudiantes de grado del MIT (Massachusetts Institute of
Technology) para conocer sus preferencias tecnologicas. El 35 % de los entrevistados tienen un iPhone
y un iPad, el 80 % tiene al menos uno de estos dispositivos y el 60 % no tiene iPad. Para un estudiante
elegido al azar, calcula la probabilidad de que:
a. Disponga de iPhone y no de iPad.
b. Tenga un iPad pero no un iPhone.
c. Tenga u
nicamente uno de los dos dispositivos.
d. No disponga de ninguno de los dos.
Soluci
on:
Suceso A = Tiene iPhone.
Suceso B = Tiene iPad.
Datos:
P (A B) = 0,35.
P (A B) = 0,80.
P (B) = 0,60.
a) Deseamos calcular P (A B), y sabemos
P (A) = P (A B) + P (A B)
Entonces,
P (A B) = P (A) P (A B)
Para calcular P (A) utilizamos los datos que nos proporciona el enunciado:
P (A) = P (A B) P (B) + P (A B)
= 0,80 0,40 + 0,35
= 0,75
Por tanto,
P (A B) = P (A) P (A B)
= 0,75 0,35
= 0,40
b) Deseamos calcular P (B A). Sabemos
P (B) = P (B A) + P (B A)
Por tanto:
P (B A) = P (B) P (A B)
= 0,40 0,35
= 0,05
c) Ahora calculamos la probabilidad de que solo tengan uno de estos dispositivos:

P (A B) + P (A B) = 0,45
d) Se pueden dar las siguientes situaciones:
AB
AB
AB
AB
0,35
0,40
0,05
P (A B) = 1 0,8 = 0,2
2. Un profesor tiene las notas de un examen de sus 100 alumnos en una hoja de calculo. La primera
columna corresponden a la nota del primer ejercicio (xi ), la segunda columna corresponde a las notas
del segundo ejercicio (yi ) y en la tercera columna se encuentra el promedio de las notas de los dos
ejercicios:
1
1
zi = xi + yi
2
2
La media del primer ejercicio ha sido x
= 7,2 con desviacion tpica sx = 1,2 y la nota media del
segundo ejercicio es y = 5,4 con deviacion tpica sy = 0,81. El profesor ha calculado el coeficiente de
correlacion entre las notas del primer y segundo ejercicio y ha resultado igual a 0.5.
a) Demuestra que:
1
1
1
4
4
2
b) La nota del examen la ha obtenido dando pesos iguales a los dos ejercicios, esta considerando la
posibilidad de utilizar como nota final
ui = a xi + (1 a) yi
utilizando el valor a, tal que 0 a 1, que hace que la varianza s2u sea lo mas grande posible.
Calcular a.
Soluci
on:
Tenemos:
zi = xi + yi
con = 1/2 y = 1/2.
Por tanto:
P
zi
Pn
(xi + yi )
=
P n
P
xi
yi
=
+
n
n
= x + y
z =
s2z
=
=
=
=
=
(zi z)2
n
P
(xi + yi x y)2
n
P
( (xi x) + (yi y))2
n
P
P
P
(xi x)2
(yi y)2
(xi x) (yi y)
2
2
+
+ 2
n
n
n
2 s2x + 2 s2y + 2sxy
P
Si ahora substituyo = 1/2 y = 1/2, obtenemos lo que me piden:

1
1
1
4
4
2
Ahora, substituyendo con los valores del re3sultado, obtengo lo que me piden:
1
1
1
s2z = 1,22 + 0,812 + 0,5 1,2 0,81 = 0,767
4
4
2
Ahora, para = a y = 1 a, tenemos:
s2z =a2 s2x + (1 a)2 s2y + 2a(1 a)sxy
Para calcular el maximo con respecto a la variable a, igualamos a cero la primera derivada:
ds2z
= s2z =2as2x 2(1 a)s2y + 2a(1 2a)sxy = 0
da
y obtenemos
a=
s2y sxy
= 0,1513
s2x + s2y 2sxy
3. Disponemos de un juego de canicas como el que se muestra en la figura. La canica se desplaza en sentido
descendente, pudiendo ir hacia la derecha o hacia la izquierda en cada bifurcacion, con probabilidades
pd y pi respectivamente.
Se pide calcular la probabilidad de que la canica caiga en el cesto B:
a) Suponiendo que pd = pi = 0,5
b) Suponiendo que pd = 0,4 y pi = 0,6
En cada bifurcacin:
pi
pd
Soluci
on:
Para que la canica llegue a las bandejas, ha de pasar por cinco bifurcaciones. En cada bifurcacion, puede
ir hacia la derecha (D) o hacia la izquierda (I). Por ejemplo, para caer en la celda A, en todas las bifurcaciones
ha de ir hacia la izquierda:
I1 I2 I3 I4 I5
Para caer en la celda B, en una de las bifurcaciones ha de ir a la derecha, y las cuatro restantes a la
izquierda. El salto a la derecha lo puede dar en cualquiera de las cinco bifurcaciones, es decir, que se pueden
dar estos cinco casos posibles:
D1 I2 I3 I4 I5
I1 D2 I3 I4 I5
I1 I2 D3 I4 I5
I1 I2 I3 D4 I5
I1 I2 I3 I4 D5

5
Como se puede observar, hay
formas diferentes de colocar el salto a la derecha en un conjunto
1
de cinco saltos.
La probabilidad de cualquiera de estos sucesos es p4I pD , pues son independientes.
La probabilidad que se pide, por tanto, es:

a) 5 0,54 0,5 = 0,1563
4
P (B) = 5pI pD =
b) 5 0,64 0,4 = 0,2592
Problema
Desde un restaurante de comida rapida se envan los pedidos en moto. La funcion de densidad de la
distancia recorrida a lo largo de la carretera, X, es
fX (x) = kex , 0 < x <
1. Calcular el valor de k, as como la funcion de distribucion de X.
2. Cual es la probabilidad de que en un viaje tenga que recorrer mas de 2km?
Si realiza 10 viajes, cual es la probabilidad de que en el viaje mas largo recorra mas de 2km?
3. Se han a
nadido al negocio dos restaurantes en otras dos carreteras. Las variables aleatorias Y y Z
correspondientes a las distancias recorridas en cada uno tienen las siguientes funciones de densidad:
fY (y) = 2e2y , 0 < y <
y
fZ (z) = 3e3z , 0 < z <
Las probabilidades de que a un motorista se le asigne trabajar en las 3 carreteras son pX = 0,4, pY = 0,3
y pZ = 0,3 y en el u
ltimo reparto recorrio mas de 2 km, cual es la probabilidad de que lo hiciese en
la segunda carretera?
Soluci
on:
1. Una de las propiedades de cualquier funcion de distribucion es que su area sea uno. Por tanto, hacemos
que la funcion FX (x) cumpla esta propiedad:
Z
kex dx = 1 k = 1
0
La funcion de distribucion de X se calcula de la siguiente manera:

Z x
FX (x) = P (X x) =
fX (x)dx = 1 ex , x 0
0
2. La probabilidad de que un viaje sea mayor que dos kilometros, se calcula como sigue:
Z
P (X > 2) =
fX (x)dx = e2 = 0,1353
2
Para que de 10 viajes el mas largo sea como maximo de dos kilometros, implica que todos los viajes
tienen que ser menores de dos kilometros. Suponiendo que son independientes:
P (Todos menores de 2 kilometros) = (1 e2 )10 = 0,2336
Para calcular la probabilidad de que en un viaje tenga que recorrer mas de dos kilometros, utilizamos
la propiedad de que es la probabilidad complementaria a la calculada anteriormente. Es decir:
P (Alguno mayor de 2 kilometros) = 1 P (Todos menores de 2 kilometros)
y, por tanto,
P (Alguno mayor de 2 kilometros) = 1 0,2336 = 0,7664
3. Es directo calcular que:

P (Y > 2) = e22 = e4
P (Z > 2) = e32 = e6
Definimos Ai =Reparto ha sido en la i-esima carretera

P (A2 |Viaje > 2) =
P (Y > 2) P (A2 )
P (X > 2)P (A1 ) + P (Y > 2)P (A2 ) + P (Z > 2)P (A3 )
donde:
P (Viaje > 2|A1 ) = P (X > 2)
P (Viaje > 2|A2 ) = P (Y > 2)
P (Viaje > 2|A3 ) = P (Z > 2)
Por tanto:
P (A2 |Viaje > 2) =
0,3 e4
= 0,091
0,4 e2 + 0,3 e4 + 0,3 e6
Segundo Examen Parcial de Estadstica
14 de noviembre de 2011
1. De un lote de 20000 piezas se extraen 250 al azar y se rechaza el lote cuando el n

umero de piezas
defectuosas es mayor que c.
Calcular c para que la probabilidad de rechazar un lote con un 3 % de defectuosas sea 0.05.
2. El estroncio-90 es un radionucleido que se desintegra de forma aleatoria emitiendo una partcula

seg
un un proceso de Poisson con parametro (constante de desintegracion) = 0,0239843 desintegraciones/a
no.
a) Cual es la probabilidad de que transcurran 100 a
nos antes de que un radionucleido emita una
partcula?
Si se dispone de 1.3398 1016 radionucleidos de estroncio-90 (2g),
b) Cual sera el n
umero esperado de radionucleidos sin desintegrar al cabo de 100 a
nos?
3. Una tribu indgena del Amazonas construye puentes. Sabemos que el peso que soportan estos puentes
sigue una distribucion normal, con media 300 kg. y desviacion tpica 10 kg. Ahora mismo est
an
cruzando el puente dos indgenas y tres monos, y me gustara saber si es fiable que yo tambien me
suba. Sabiendo que mi peso es de 75 kg., cual es la probabilidad de que el puente no se destruya al
subirme?
Datos: El peso de un indgena sigue una distribucion normal de media 70 kg. y varianza 25 kg. El peso
de un mono sigue una distribucion normal de media 20 kg. y varianza 9 kg. Considerad que el peso de
cada persona o animal son independientes entre s.
Problema (45 minutos, 5 puntos)

Las llamadas telefonicas que llegan a la centralita de una compa
na es un proceso de Poisson con par
ametro . Empezando en un punto arbitrario, que denominamos t = 0, sea T1 la variable aleatoria instante
en el que se produce la primera llamada. El tiempo Y que transcurre desde el tiempo observado t1 de la
primera llamada hasta que llega la siguiente llamada es una variable aleatoria exponencial de parametro .
Si t2 es el tiempo de ocurrencia de la segunda llamada medido desde el origen t = 0, entonces T2 = t1 + Y ,
siendo Y = T2 t1 .
La funcion de densidad condicionada de T2 dado que T1 = t1 es:
fT2 |T1 (t2 |t1 ) = e(t2 t1 ) , 0 < t1 < t2
1. Calcula la funcion de densidad de la variable aleatoria T1 y, a continuacion, la funcion de densidad
conjunta de T1 y T2 .
2. Calcula la funcion de densidad marginal de T2 .
3. Calcula la funcion de densidad condicionada de T1 dado que T2 = t2 .
1. De un lote de 20000 piezas se extraen 250 al azar y se rechaza el lote cuando el n

umero de piezas
defectuosas es mayor que c.
Calcular c para que la probabilidad de rechazar un lote con un 3 % de defectuosas sea 0.05.
Soluci
on:
Tenemos una muestra de 250 elementos, cuyos elementos tienen una probabilidad de 0,03 de ser
defectuosos. Por tanto, la distribucion del n
umero de elementos defectuosos sigue una distribucion
binomial:
X B(n = 250, p = 0,03)
Se rechaza el lote cuando X > c, y deseamos que P (X > c) = 0,05. Por tanto, utilizando la aproximacion a la normal:
p
P (X > c|X B(n = 250, p = 0,03)) P (X c + 0,5|X N (np, np(1 p) ))
P (X c + 0,5|X N (7,5, 2,697))
y, por tanto:
X 7
c7
)
2,697
2,697
c7
= P (Z
)
2,697
c7
= 1 P (Z <
)
2,697
= 0,05
P (X > c) = P (
De la expresion anterior y consultando las tablas de la distribucion N(0,1), tenemos:

1,645 =
De donde se deduce: c = 11,43 12.
c7
2,697
2. El estroncio-90 es un radionucleido que se desintegra de forma aleatoria emitiendo una partcula

seg
un un proceso de Poisson con parametro (constante de desintegracion) = 0,0239843 desintegraciones/a
no.
a) Cual es la probabilidad de que transcurran 100 a
nos antes de que un radionucleido emita una
partcula?
Si se dispone de 1.3398 1016 radionucleidos de estroncio 90 (2g),
b) Cual sera el n
nos?
Soluci
on:
Definimos la variable aleatoria X como el n
umero de radionucleidos sin desintegrar al cabo de 100
a
nos. Se observa que sigue una distribucion Binomial:
B(n = 1,3398 106 , p = P (T > 100 a
nos))
El tiempo de desintegracion T se modela como una variable aleatoria con distribucion exponencial,
cuya funcion de densidad es fT (t) = et .
Calculamos la probabilidad de que un radionucleido este 100 a
nos sin desintegrarse:
P (T > 100 a
nos) = 1 FT (t = 100)
= e100
= 0,0909
Y ahora obtenemos el n
nos:
E[X] = np = 1,3398 1016 0,0909 = 1,2179 1015
3. Una tribu indgena del Amazonas construye puentes. Sabemos que el peso que soportan estos puentes
sigue una distribucion normal, con media 300 kg. y desviacion tpica 10 kg. Ahora mismo est
an
cruzando el puente dos indgenas y tres monos, y me gustara saber si es fiable que yo tambien me
suba. Sabiendo que mi peso es de 75 kg., cual es la probabilidad de que el puente no se destruya al
subirme?
Datos: El peso de un indgena sigue una distribucion normal de media 70 kg. y varianza 25 kg2 . El
peso de un mono sigue una distribucion normal de media 20 kg. y varianza 9 kg2 . Considerad que el
peso de cada persona o animal son independientes entre s.
Soluci
on:
Sabemos que la capacidad C del puente, el peso P de las personas y el peso M de los monos se
distribuyen seg
un normales independientes:
C N (300, 10)
P N (70, 5)
M N (20, 3)
La capacidad disponible del puente, en el caso de que este manteniendo a dos personas y tres monos,
se calcula como D = C P1 P2 M1 M2 M3 . La probabilidad que se pide, por tanto, es si esta
capacidad disponible es mayor que 75 kg.
La variable aleatoria D es normal, ya que se calcula como combinacion lineal de variables normales.
Calculamos la media y varianza:
D = 300 2 70 3 20 = 100
2D = 100 + 2 25 + 3 9 = 177
Por tanto:
D 100
75 100
P (D > 75) = P (
>
)
177
177
75 100
)
= P (Z >
177
= P (Z > 1,879)
= 0,9699

Las llamadas telefonicas que llegan a la centralita de una compa
na es un proceso de Poisson con par
ametro . Empezando en un punto arbitrario, que denominamos t = 0, sea T1 la variable aleatoria instante
en el que se produce la primera llamada. El tiempo Y que transcurre desde el tiempo observado t1 de la
primera llamada hasta que llega la siguiente llamada es una variable aleatoria exponencial de parametro .
Si t2 es el tiempo de ocurrencia de la segunda llamada medido desde el origen t = 0, entonces T2 = t1 + Y ,
siendo Y = T2 t1 .
La funcion de densidad condicionada de T2 dado que T1 = t1 es:
fT2 |T1 (t2 |t1 ) = e(t2 t1 ) , 0 < t1 < t2
1. Calcula la funcion de densidad de la variable aleatoria T1 y, a continuacion, la funcion de densidad
conjunta de T1 y T2 .
2. Calcula la funcion de densidad marginal de T2 .
3. Calcula la funcion de densidad condicionada de T1 dado que T2 = t2 .
Soluci
on:
1. La funcion de densidad de la variable aleatoria T1 es:
fT1 (t1 ) = et1 , 0 < t1
La funcion de densidad conjunta de T1 y T2 es:
fT1 ,T2 (t1 , t2 ) = fT1 (t1 ) fT2 |T1 (t2 |t1 )
= et1 e(t2 t1 )
= 2 et2 , 0 < t1 < t2

2. La marginal de T2 es:
fT2 (t2 ) =
=
fT1 ,T2 (t1 , t2 )dt1
Z t2
2 et2 dt1
= 2 t2 et2 , t2 > 0
3. La funcion de densidad condicionada de T1 dado que T2 = t2 es:
fT1 |T2 (t1 |t2 ) =
=
=
fT1 ,T2 (t1 , t2 )

fT2 (t2 )
2 t2
e
2 t2 et2
1
, 0 < t1 < t2
t2
Se observa que esta funcion es uniforme en el intervalo (0, t2 ).
Tercer Examen Parcial de Estadstica
21 de diciembre de 2011
1. Un alumno de Estadstica desea conocer la proporcion p de alumnos que aprobaron el Segundo Examen
Parcial de la asignatura. Como el alumno no tiene tiempo para encuestar a todos los alumnos de
la asignatura, realiza un muestreo aleatorio simple, preguntando a un cierto n
umero de alumnos si
aprobaron el examen. En base a la informacion recogida, el alumno calcula el intervalo de confianza
para el parametro p, obteniendo que se encuentra en los lmites (0,5; 0,8) con una confianza del 95 %.
Calcula el n
umero total de personas que fueron encuestadas por el alumno, y el n
umero de ellas que
contestaron afirmativamente.
2. Se ha realizado un experimento con 75 bombillas incandescentes para cuantificar su duracion. Se han

obtenido los resultados siguientes:
Duracion (horas)
< 100
[100, 200)
[200, 300)
[300, 400)
400
Total
No de bombillas
25
15
15
8
12
75
Contraste con un nivel de significacion = 0, 05 que la variable aleatoria T : duraci

on de la bombilla
incandescente, es una variable aleatoria exponencial con media 200 horas.
3. Sea una variable aleatoria discreta con distibucion uniforme que toma los valores i = 1, .., N. Estimar
N por el metodo de los momentos, calcular el sesgo del estimador y su error cuadratico medio sabiendo
que:
N
X
i=1
i2 = N (N + 1)(2N + 1)/6 .

Una empresa suiza fabrica piezas de alta precision para relojes de pulsera de distintos fabricantes. Su
sistema de fabricacion tiene un error con una desviacion tpica igual a 0.010 mm. Uno de los fabricantes le
ha encargado tornillos de 6.24 mm.
Para controlar el proceso de fabricacion, cada hora se toma una muestra de 25 tornillos y se calcula su
media. Si la media obtenida es 6.245 mm o mayor, se detiene el proceso y se hace un reajuste del mismo.
Cuando el sistema se desajusta, la lnea produce tornillos mas largos de lo que debera. Nunca se producen
errores en el otro sentido.
1. Calcular cual es la probabilidad que el procedimiento indique que hay que hacer un ajuste cuando el
proceso esta fabricando correctamente con media 6.24 mm.
2. El proceso se ha desajustado y empieza a fabricar con media igual a 6.25 mm, cual es la probabilidad
de detectarlo el control?
3. Los datos de las u
ltimas diez medidas obtenidas son:
6.2411, 6.2437, 6.2355, 6.2406, 6.2374,

6.2455, 6.2472, 6.2407, 6.2391, 6.2471
La desviacion tpica corregida de estos valores es de 0.004 mm. (Atencion: no se disponen de las
medidas individuales. Solo de las medias). Si las condiciones de fabricacion no han cambiado en las
u
ltimas 10 horas, contrasta si ha habido un aumento en la varianza del proceso.
1. Un alumno de Estadstica desea conocer la proporcion p de alumnos que aprobaron el Segundo Examen
Parcial de la asignatura. Como el alumno no tiene tiempo para encuestar a todos los alumnos de
la asignatura, realiza un muestreo aleatorio simple, preguntando a un cierto n
umero de alumnos si
aprobaron el examen. En base a la informacion recogida, el alumno calcula el intervalo de confianza
para el parametro p, obteniendo que se encuentra en los lmites (0,5; 0,8) con una confianza del 95 %.
Calcula el n
umero total de personas que fueron encuestadas por el alumno, y el n
umero de ellas que
contestaron afirmativamente.
Soluci
on:
El intervalo de confianza se calcula como:
p z/2
p + z/2
p(1 p)
= 0,5
n
p(1 p)
= 0,8
n
Resolviendo el anterior sistema de ecuaciones, con = 0,05, se obtiene:

p = 0,65
n = 38, 84 39
2. Se ha realizado un experimento con 75 bombillas incandescentes para cuantificar su duracion. Se han

obtenido los resultados siguientes:
Duracion (horas)
< 100
[100, 200)
[200, 300)
[300, 400)
400
Total
No de bombillas
25
15
15
8
12
75
Contraste con un nivel de significacion = 0, 05 que la variable aleatoria T : duraci

on de la bombilla
incandescente, es una variable aleatoria exponencial con media 200 horas.
Soluci
on:
La funcion de densidad: fT (t) =
1
200
exp(t/200)
La funcion de distribucion :FT (t) = 1 exp(t/200)
No es necesario estimar ning

un parametro para calcular la probabilidad.
Clase
< 100
[100, 200)
[200, 300)
[300, 400)
400
Total
Oi
25
15
15
8
12
75
Ei = n p i
29.51
17.90
10.86
6.58
10.15
75
(OiEi)2
Ei
0.6893
0.4698
1.5782
0.3064
0.3372
3.3809
2501;=0,05 = 9,488
2 = 3,3809 9,488 no se puede rechazar H
Como XM
o
3. Sea una variable aleatoria discreta con distibucion uniforme que toma los valores i = 1, .., N. Estimar
N por el metodo de los momentos, calcular el sesgo del estimador y su error cuadratico medio sabiendo
que:
N
X
i2 = N (N + 1)(2N + 1)/6 .
i=1
Soluci
on:
Igualamos la esperanza de la poblacion con la media de la muestra:
E(X) =
N
X
x=1
x P (x) =
N
X
x=1
N +1
1
=
N
2
b = 2x 1
E(X) = x N
Ahora calculamos la esperanza del estimador:
b ] = 2E[X] 1 = 2
E[N
N +1
1=N
2
Calculamos la varianza del estimador:

b ] = 4E[X] =
var[N
4var[X]
;
n
var[X] = E[X 2 ] ((1 + N )/2)2
= (1/N )N (N + 1)(2N + 1)/6 ((1 + N )/2)2

= (N + 1)[(2N + 1)/6 (1 + N )/4]
(N + 1)(N 1)
=
12
(N + 1)(N 1)
3n
Finalmente, calculamos el error cuadratico medio del estimador:
b] =
var[N
b ] = sesgo2 + var[N
b]
ECM [N
b]
= 0 + var[N
=
(N + 1)(N 1)
3n

Una empresa suiza fabrica piezas de alta precision para relojes de pulsera de distintos fabricantes. Su
sistema de fabricacion tiene un error con una desviacion tpica igual a 0.010 mm. Uno de los fabricantes le
ha encargado tornillos de 6.24 mm.
Para controlar el proceso de fabricacion, cada hora se toma una muestra de 25 tornillos y se calcula su
media. Si la media obtenida es 6.245 mm o mayor, se detiene el proceso y se hace un reajuste del mismo.
Cuando el sistema se desajusta, la lnea produce tornillos mas largos de lo que debera. Nunca se producen
errores en el otro sentido.
1. Calcular cual es la probabilidad que el procedimiento indique que hay que hacer un ajuste cuando el
proceso esta fabricando correctamente con media 6.24 mm.
2. El proceso se ha desajustado y empieza a fabricar con media igual a 6.25 mm, cual es la probabilidad
de detectarlo el control?
3. Los datos de las u
ltimas diez medidas obtenidas son:
6.2411, 6.2437, 6.2355, 6.2406, 6.2374, 6.2455, 6.2472, 6.2407, 6.2391, 6.2471
La desviacion tpica corregida de estos valores es de 0.004 mm. (Atencion: no se disponen de las
medidas individuales. Solo de las medias). Si las condiciones de fabricacion no han cambiado en las
u
ltimas 10 horas, contrasta si ha habido un aumento en la varianza del proceso.
Soluci
on:
1) Si el proceso fabrica correctamente, E[X] = = 6,24 .
(0,010)2
.
En estas condiciones E[X] = 6,24; V ar[X] =
25
P(ajuste cuando el proceso fabrica correctamente) = P (X > 6,245|X
6,245 6,24
) = P (Z > 2. 5) = 1 (2,5) = 0,006.
= P (Z >
0,010/5
0,010
2) P(detectar el desajuste) = P (X > 6,245|X
N (6,25,
)=
5
6,245 6,25
= P (Z >
) = P (Z > 2. 5) = (2,5) = 0,994.
0,010/5
N (6,24,
0,010
)) =
5
3) Los datos corresponden a las medias de 25 datos obtenidas en las u

ltimas 10 horas.
2
(0,010)2
Si el proceso funciona bien V ar[X] =
=
= 4,0 106
25
25
El contraste se realiza sobre la varianza de la media muestral.

H0 : 2X = 4,0 106
H1 : 2X > 4,0 106
Si H0 cierta
(n 1)b
s2X
2X
Se rechaza H0 si
9 sb2X
2n1
4,0 106
> 20,95 ;9 = 16,92.
9 (0,004)2
= 36,007 > 20,95 ;9 = 16,92 = Se rechaza H0 .Las condiciones de
4,0 106
fabricacion han cambiado, ha habido un aumento de la varianza del proceso.
Con los datos X 2 =
Examen Final de Estadstica
17 de enero de 2012
Problema - Primera Parte

Entre los estudiantes de bachillerato de un pas se ha realizado un test de gramtica, el tiempo (en horas)
que tardan en terminarlo es una variable aleatoria cuya funcin de densidad es () = exp(2 = 2 )
0 0.
1) Calcular en funcin de
y la mediana de la distribucin para
=2
2) Si se eligen de forma independiente dos estudiantes al azar, cul es la probabilidad de que los dos
tarden ms de media hora en realizar el test? ( 2 = 2)
3) Entre los estudiantes del pas se hablan dos idiomas, A y B, de forma que todos los estudiantes hablan
al menos uno de los dos. El 50 % de los estudiantes habla slo A y el 20 % slo B.
Supongase ahora que las distribuciones del tiempo en realizar el test son como la del primer apartado,
con parmetros 2 = 1 para los que slo hablan A, 2 = 3 para los que slo hablan y 2 = 2 para los que
hablan los dos idiomas. Cul es la probabilidad de que un estudiante elegido al azar tarde ms de media
hora en acabar el test?
4) Si un estudiante ha tardado ms de 40 minutos, cul es la probabilidad de que hable los dos idiomas?
17 de enero de 2012
Problema - Segunda Parte

Un Laboratorio de Termotecnia tiene que establecer un control para los fabricantes de termmetros de
cmaras frigorcas. En lotes de un gran nmero de unidades seleccionan al azar = 100 termmetros, si el
nmero de termmetros defectuosos en la muestra es menor o igual que = 3 aceptan el lote y lo rechazan
si el nmero de termmetros defectuosos en la muestra es mayor que = 3.
1. Cul es la probabilidad
defectuosos?
de rechazar un lote que tiene una proporcin = 1 % de termmetros
2. Cul es la probabilidad
defectuosos?
de aceptar un lote que tiene una proporcin = 7 % de termmetros
3. Calcular y si se desea que = 005 y

utilizar la correccin por continuidad).
= 005 Utiliza la aproximacin normal (no es necesario
4. Dibuja la curva que proporciona la probabilidad de aceptacin en funcin de (la proporcin de piezas
defectuosas que contiene el lote) para los valores de y obtenidos en el apartado 3. Calcula los puntos
para = 1 % = 3 % = 5 % y = 7 % Interpreta los resultados.
17 de enero de 2012
Problema - Tercera Parte

Sergio, un alumno de la asignatura "Estadstica", ha generado por simulacin utilizando su ordenador
una muestra de tamao = 500 de una variable aleatoria 1 con distribucin ( ; ). La media muestral,
1 , es 19792 y la varianza muestral, 21 = 05347
1. Justica si 1 y 21 son estimadores centrados de
en caso de que no lo sean.
respectivamente, calculando el sesgo correspondiente
2. Sergio construye tambin por simulacin una muestra de tamao = 500 de la variable aleatoria
10
que se dene como = 1 ++
, donde las = 1 10 son variables aleatorias ( ; ) inde10
pendientes.
En la Figura 1 se muestra el histograma para esta muestra de de tamao 500 que Sergio ha obtenido
por simulacin. La media muestral que obtiene para es = 20062, y la varianza muestral 2 =
00518
Indica qu distribucin (con sus parmetros correspondientes) cabe esperar para , justicando el
resultado y calcula un intervalo de conanza para la media de
3. Julio, amigo de Sergio y matriculado tambin en la asignatura "Estadstica", ha intentado realizar
un ejercicio de simulacin como el del apartado 2, obteniendo una muestra tambin de tamao 500
cuyo histograma se muestra en la Figura 2. A la vista de ambos histogramas, Sergio intuye que Julio
se ha equivocado al realizar su ejercicio de simulacin y decide hacer algunas comprobaciones, pues
adems sabe que los valores obtenidos por Julio para la media y varianza de su muestra han sido,
respectivamente, = 24038 y 2 = 00496
Han generado Sergio y Julio sus respectivas muestras a partir de distribuciones con la misma varianza?
Plantea y realiza el contraste correspondiente. ( = 005).
4. Han generado Sergio y Julio sus respectivas muestras a partir de distribuciones con la misma media?
Plantea y realiza el contraste correspondiente. Sabiendo que Sergio ha realizado el ejercicio correctamente, justica a la vista del resultado del contraste si Julio se ha equivocado. ( = 005).
17 de enero de 2012
120
100
80
60
40
20
0
1.4
1.6
1.8
2.2
2.4
2.6
2.8
3.2
Figura 1: Histograma para la muestra de , de tamao 500, obtenida por Sergio.
120
100
80
60
40
20
0
1.4
1.6
1.8
2.2
2.4
2.6
2.8
3.2
Figura 2: Histograma para la muestra de , de tamao 500, obtenida por Julio.
Solucin de la primera parte.

1.
Para calcular el valor de , se impone que la integral de la funcin de densidad
sea 1.
Z1
Z1
2
2
2
2
exp( = ) = 1; 2 22 exp(2 = 2 ) = 2 [exp(2 = 2 )]1
0 =
= 1; =
Mediana
Se dene como el valor tal que () = 0 5 siendo la funcin de
distribucin.
Z
exp(2 2) = 0 5; = 1 17
0
2.
Por independencia de los dos sucesos, la probabilidad conjunta es el producto
de las probabilidades marginales.
( y tardan ms de 0,5) = () = (
Z1
2
0 5) ( 0 5) = ( ( 0 5)) = [ exp(2 2)]2 =
05
0 778
3
Teorema de la probabilidad total
( 0 5) = () ( 0 5j) + () ( 0 5j) +
() ( 0 5j)
() = 0 5; () = 0 2; () = 1 () () = 0 3
Z1
( 0 5j) = 2 exp(2 ) = 0 778
05
Z1
( 0 5j) =
2
2
3 exp( 3)
= 0 92
05
Z1
( 0 5j) = exp(2 2) = 0 882
05
( 0 5) = 0 5
0 778 + 0 2
0 92 + 0 3
0 882 = 0 838
4
Teorema de Bayes
(j 23) =
() (05j)
() (05j)+ () (05j)+ () (05j)
Z1
( 23j) = 2 exp(2 ) = 0 64
23
( 23j) =
Z1
2
2
3 exp( 3)
= 0 865
23
Z1
( 23j) = exp(2 2) = 0 8
23
(j 23) = 0 327
Solucin Problema - Segunda Parte

Sea X: v.a n de termmetros defectuosos al observar 100. X! ( = 100 )
Si 3 =) Se Acepta el lote
Si 3 =) Se rechaza el lote
1.
= ( 3j ! ( = 100 = 001)) = 1 ( 3) =
" 3
#
X 100
=1
001 099100 = 1 09816 = 00184
=0
2.
3j ! ( = 100 = 007)) =
" 3
#
X 100
100
=
007 093
= 00751
= (
=0
3.
(1 )) = 005 =)
!

p
p
= 005 =)
(1 )
(1 )
= ( j
( ;
001
001(1 001)
= (
j
=
= 164 Ec. 1
p
(1 )) = 005 =)
!

p
p
= 005 =)
(1 )
(1 )
( ;
007
p
= 164 Ec.2
007(1 007)
Resolviendo el sistema de dos ecuaciones con dos incgnitas se obtiene

= 9396 94
= 25221 3
4. Considerando el plan = 94; = 3
p
94
( 3j
(94; 94(1 )) = p
94(1 )
!
!
3 94
3 94
p
p

=
94(1 )
94(1 )
1
3 94
94(1 )

0.01
0.03
0.05
0.07
3 94
94(1 )
(213)
(011)
(080)
(145)
P(aceptar)
0.9834
0.5438
0.2119
0.0735
A medida que aumenta la proporcin de piezas defectuosas que contiene

el lote, disminuye la probabilidad de aceptacin, sin embargo estas probabilidades siguen siendo altas, por ejemplo la proporcin de lotes que se aceptan
con un 3% de piezas defectuosas (que triplica la = 1%) es superior al 50 %.
Un razonamiento similar podra realizarse para los lotes con un 5% de piezas
defectuosas.
Problema (Parte 3)
July 23, 2012
Sergio, un alumno de la asignatura "Estadstica", ha generado por simulacin

utilizando su ordenador una muestra de tamao = 500 de una variable aleatoria
1 con distribucin ( ; ). La media muestral, 1 , es 19792 y la varianza muestral,
21 = 05347
1. Justica si 1 y 21 son estimadores centrados de
respectivamente, calculando el
sesgo correspondiente en caso de que no lo sean.

[1 ] =
11 ++1
centrado de :
= : Como [b] = [1 ] entonces b = 1 es un estimador
Sin embargo, la varianza muestral, 21 no es un estimador centrado, s lo es b21

[b
21 ] =
y ( 1)[b
21 ] = [21 ] ! [21 ] =
sesgo(21 ) = [21 ]
(1)
(1)
2. Sergio construye tambin por simulacin una muestra de tamao = 500 de la

variable aleatoria que se dene como =
1 ++10
,
10
donde las = 1 10
son variables aleatorias ( ; ) independientes.

En la Figura 1 se muestra el histograma para esta muestra de de tamao
500 que Sergio ha obtenido por simulacin. La media muestral que obtiene
para es = 20062, y la varianza muestral 2 = 00518
Indica qu distribucin (con sus parmetros correspondientes) cabe esperar
para , justicando el resultado y calcula un intervalo de conanza para la
media de
( ; p =
10
), que se puede justicar tanto por el Teorema Central del Lmite
como por el hecho de que la combinacin lineal de v.a. normales es tambin una normal.
1
120
100
80
60
40
20
0
1.4
1.6
1.8
2.2
2.4
2.6
2.8
3.2
Figure 1: Histograma para la muestra de , de tamao 500, obtenida por Sergio.
Obtencin de la media y varianza de

10
P
1
10
( ) = :
[ ] = 1 ++
=
10
10
=1
[ ] =
1 ++10
10
1
102
10
P
( ) =
=1
10
Se pide calcular un intervalo de conanza para la media de , es decir, para

2
5001;
[19862 20262]
=2 p500
2 20062
p
196 02278
Entonces
500
2 20062
:
00200,
(500 1)b
2 = 5002 ! b2 = 00519 y b = 02278
3. Julio, amigo de Sergio y matriculado tambin en la asignatura "Estadstica",

ha intentado realizar un ejercicio de simulacin como el del apartado 2, obteniendo una muestra tambin de tamao 500 cuyo histograma se muestra en
la Figura 2. A la vista de ambos histogramas, Sergio intuye que Julio se
ha equivocado al realizar su ejercicio de simulacin y decide hacer algunas
comprobaciones, pues adems sabe que los valores obtenidos por Julio para
la media y varianza de su muestra han sido, respectivamente, = 24038 y
2 = 00496
Han generado Sergio y Julio sus respectivas muestras a partir de distribuciones con la misma varianza? Plantea y realiza el contraste correspondiente.
1. En el enunciado se nos pide comparar las varianzas poblacionales

el contraste:
0 :
2
2
=
= 1
2
2
,
luego se plantea
120
100
80
60
40
20
0
1.4
1.6
1.8
2.2
2.4
2.6
2.8
3.2
Figure 2: Histograma para la muestra de , de tamao 500, obtenida por Julio.
4 .5
F499,499
3 .5
2 .5
1 .5
0 .5
0
0
0 .7
0 .8
5
0 .9
1 .1
1 .2
5
1 .3
1 .4
1 .5
Regin de Rec haz o
Regin de Rec haz o
Figure 3: Regiones de aceptacin y rechazo para el contraste de igualdad de varianzas
1 :
2
2
=
6= 1
Se utiliza que
50015001
Bajo la hiptesis nula
2
2
=
= 1, luego 0 =
2
2
00519
00497
= 10443
ya que (500 1)b

2 = 5002 ! b2 = 00497 y b = 02229
Y de acuerdo con la Figura 3 y teniendo en cuenta que 0 = 10443 no se rechaza 0
4. Han generado Sergio y Julio sus respectivas muestras a partir de distribuciones con la misma media? Plantea y realiza el contraste correspondiente.
Sabiendo que Sergio ha realizado el ejercicio correctamente, justica a la vista
del resultado del contraste si Julio se ha equivocado.
Se pide un contraste de igualdad de medias (tenemos del apartado anterior que s hay
homocedasticidad).
3
El contraste a realizar es:

0 :
= 0
1 :
6= 0
Se utiliza que
( )(
1 + 1
1
b2
0 =
499
00519
998
( )
1
+ 1
499
00497
998
50015001 y b2 =
= 00508 y b = 02254
(2006224038)
02254
1
1
+ 500
500
1 1
b2
1 +2 2
1 1
b2
1 +2 2
= 278909 Y como la regin de aceptacin, para
= 005 y considerando una 499 estara entre -1.96 y 1.96, se rechaza claramente la
hiptesis nula en favor de la alternativa: Medias distintas, Julio se ha equivocado.
12
10
8
6
4
2
0
-2
-4
1
180
160
140
deuda
120
100
80
60
40
20
0
-6
-4
-2
4
deficit
10
12
14
P A1
P A B A B A
P A B A B A B A
P A1 B2 A3
1
P GA | saca A
= P A1 P A1 B2 A3 P A1 B2 A3 B4 A5 P A1 B2 A3 B4 A5 B6 A7 ...
0.4 0.6 0.5 0.4 0.6 0.5 0.4 0.6 0.5 0.4 ...
2
0.4 1 0.6 0.5 0.6 0.5 0.6 0.5 ...

2

k
0.4 0.6 0.5
k 0
1
0.4
1 0.6 0.5
(suma de sucesin geomtrica)
0.5714
P GA = P GA | saca A P saca A P GA | saca B P saca B

0.5714 0.5 0.2857 0.5
0.4286
P GA | saca B
= P B1 A2 P B1 A2 B3 A4 P B1 A2 B3 A4 B5 A6 ...
0.5 0.4 0.5 0.6 0.5 0.4 0.5 0.6 0.5 0.4 ...
2
0.5 0.4 1 0.6 0.5 0.6 0.5 0.6 0.5 ...

k
0.5 0.4 0.6 0.5
k 0
1
0.5 0.4
1 0.6 0.5
0.2857
P(OA) P(OA | OB1 )P OB1 P(OA | OB2 )P OB2 P(OA | OB3 )P OB3 P(OA | OB4 )P OB4
11 1 1 11 11

34 2 4 14 34
0.5417
95

5
P Aceptar P Ninguna defectuosa 0.7696
100
P Aceptar P(1 buena)P(2 buena|1 buena)P(3 buena|1 2 buenas)

P(4 buena|1 2 3 buenas)P(5 buena|1 2 3 4 buenas)
95 94 93 92 91
0.7696
100 99 98 97 96
P Aceptar P Ninguna defectuosa P 1 defectuosa

95 5 95

10
1 9

100
100
10
10
0.9231
P X 0
100 K
100
P X 1
K 100 K

1 m 1
100
P X x
K 100 K

x m x
100
max 0, m N K x min K , m
1. La empresa EMUS, S.L. adquiere cojinetes de fricci

on en lotes de 1000 unidades, acordando con el suministrador un nivel de calidad aceptable (AQL) de los lotes del 2,5 % de
unidades defectuosas, siendo el nivel de calidad rechazable (RQL) igual al 10 %. Para reducir el n
umero de piezas muestreadas define el siguiente plan de recepci
on en dos etapas.
Toma 30 cojinetes, si en la muestra no hay defectuosas acepta el lote, si hay dos o m
as
defectuosas rechaza el lote, pero si hay un cojinete defectuoso toma otros 30 cojinetes,
de tal manera que si en el total de las dos muestras hay como m
aximo dos defectuosas
se acepta el lote, rechaz
andolo en caso contrario. Calcule el riesgo del vendedor y del
comprador seg
un el plan de recepci
on propuesto en dos etapas.
Figura 1: Esquema del plan de muestreo de la cuestion 1
2. El n
umero de defectos en hilos conductores de cobre sigue una distribuci
on de Poisson de
par
ametro defectos/km. Se toma un hilo conductor de 1 km y se observan 5 defectos,
cu
al es la probabilidad de que los 5 defectos est
en en la longitud A que se muestra en
la figura?
Figura 2: Esquema cuestion 2
3. Sean X1 y X2 dos variables aleatorias con la misma varianza. Pruebe que las variables
W = X1 + X2 y V = X1 X2 est
an incorrelacionadas.
En un material se analizan tres variables aleatorias, X, Y, Z, que representan criterios de

calidad del material. Las medias de esas tres variables son 10, 20 y 30 respectivamente, y la
matriz de varianzas y covarianzas
8 4 0
4 4 4
0 4 8
La distribuci
on conjunta es normal multivariante.
a) Si se toman 5 piezas al azar de forma independiente cual es la probabilidad de que el
promedio de las mediciones de X sea mayor que 12?
b) Se han construido dos ndices de calidad conjunta Q1 = 3X + 2Y + Z y Q2 = X + 2Y Z,
cu
al es la probabilidad de que Q1 > Q2 + 90?
c) Si se toman dos piezas al azar de forma independiente cu
al es la probabilidad de que
el mnimo de los dos valores de Z sea mayor que 34?
1. La empresa EMUS, S.L. adquiere cojinetes de friccin en lotes de 1000 unidades, acordando con el suministrador un nivel de calidad aceptable (AQL) de los lotes del 2;5 % de
unidades defectuosas, siendo el nivel de calidad rechazable (RQL) igual al 10 %. Para reducir el nmero de piezas muestreadas dene el siguiente plan de recepcin en dos etapas.
Toma 30 cojinetes, si en la muestra no hay defectuosas acepta el lote, si hay dos o ms
defectuosas rechaza el lote, pero si hay un cojinete defectuoso toma otros 30 cojinetes,
de tal manera que si en el total de las dos muestras hay como mximo dos defectuosas
se acepta el lote, rechazndolo en caso contrario. Calcule el riesgo del vendedor y del
comprador segn el plan de recepcin propuesto en dos etapas.
Figura 1: Esquema del plan de muestreo de la primera cuestin.
pA = 0;025 y pR = 0;1:
= Riesgo del vendedor = P (rechazar el lote j p = pA = 0;025) = P (X1 > 1jX1
+P (X1 = 1jX1
B(30; 0;025)) P (X2
Calculando P (X1 > 1jX1

1
+
1jX2
B(30; 0;025)) = 1
B(30; 0;025))
P (X1
1jX1
B(30; 0;025)) quedara:
30
30
0;0250 0;97530 +
0;0251 0;97529 +
0
1
30
0;0251 0;97529
1
30
30
0;0250 0;97530 +
0;0251 0;97529 = 0;234
0
1
= Riesgo del comprador = P (aceptar el lote j p = pR = 0;1) = P (X1 = 0jX1
+P (X1 = 1jX1
=
B(30; 0;025))+
B(30; 0;1)) P (X2
30
0;10 0;930 +
0
1jX2
30
0;11 0;929
1
B(30; 0;1))+
B(30; 0;1)) =
30
30
0;10 0;930 +
0;11 0;919
0
1
= 0;068
2. El nmero de defectos en hilos conductores de cobre sigue una distribucin de Poisson de

parmetro defectos/km. Se toma un hilo conductor de 1 km y se observan 5 defectos,
cul es la probabilidad de que los 5 defectos estn en la longitud A que se muestra en
la gura?
Y = nmero de defectos en 1 Km
A = nmero de defectos en 1/2 Km
P oisson( defectos/km)
P oisson( =2 defectos en 1/2 km)
Figura 2: Esquema Cuestin 2.
A y A+: nmero de defectos en 1/4 Km, el primero y cuarto respectivamente de los de la Figura 2,
tanto A como A+ Poisson( =4 defectos en 1/4 km).
P (A = 5jY = 5) =
P (A=5 \ Y =5)
P (Y =5)
P (A =0 \ A=5 \ A+=0)
P (Y =5)
( =4)0
e
0!
5
=4 ( =2) e
5!
5
e
5!
0
=2 ( =4) e
0!
=4
1
25
1
32
3. Sean X1 y X2 dos variables aleatorias con la misma varianza. Pruebe que las variables
W = X1 + X2 y V = X1 X2 estn incorrelacionadas.
2
X1
X1 ; X2 y se sabe que
2
X2
2:
Las dos nuevas variables que se denen son:

W = X1 + X2
V = X1
W
V
X2 ; y en forma matricial:
=A
X1
X2
1
1
1
1
X1
X2
Sea MX la matriz de varianzas-cov de X1 y X2 se tiene:

Var
=
W
V
2(
1
1
= AMX A0 =
2
+
0
2)
0
2(
Como la cov(W; V ) = 0 !
1
1
2)
WV
:
=0
2
2
1
1
1
1
2(
2
2
2
+
+
2)
2
2
2
En un material se analizan tres variables aleatorias, X; Y; Z; que representan criterios de

calidad del material. Las medias de esas tres variables son 10, 20 y 30 respectivamente, y la
matriz de varianzas y covarianzas
2
3
8 4 0
4 4 4 4 5
0 4 8
La distribucin conjunta es normal multivariante.
a) Si se toman 5 piezas al azar de forma independiente cual es la probabilidad de que el
promedio de las mediciones de X sea mayor que 12?
X N ( = 10;
P (X > 35) = 1
= 8=5 = 1; 6)
p
((12 10)= 1; 6) = 1
(1; 58) = 1
0; 943 = 0; 057
b) Se han construido dos ndices de calidad conjunta Q1 = 3X + 2Y + Z y Q2 = X + 2Y

cul es la probabilidad de que Q1 > Q2 +
2 90? 3
10
E[Q1 ]
3 2 1
4 20 5 = 100
D = Q1 Q2 ;
=
E[Q2 ]
1 2
1
20
30
MQ =
D
3 2
1 2
N ( = 100
P (D > 90) = 1
1
1
32
8 4 0
3
4 4 4 4 54 2
0 4 8
1
20 = 80;
((90
3
1
2 5=
1
= 160 + 32
p
80)= 64) = 1
32 24 16
16 8 0
64 = 64)
(1; 25) = 1
3
4 2
1
3
1
2 5=
1
Z;
160 64
64 32
0; 89 = 0; 11
c) Si se toman dos piezas al azar de forma independiente cul es la probabilidad de que

el mnimo de los dos valores de Z sea mayor que 34?
p
P (m n > 34) = P (Z1 > 34; Z2 > 34) = (FZ (34))2 = ( ((34 30)= 8))2 = (1
(1; 41))2 = (1 0; 92)2 =
0; 082 = 0; 0064
1. Sea X1 , X2 , ...., Xn una muestra aleatoria simple de una variable aleatoria N (, ).

n
Se propone como estimador de la varianza

b2 = a
(Xi X)2 . Calcule el valor de a para que
b2
i=1
sea un estimador centrado, as como el valor de a para que tenga Error Cuadratico Medio (ECM)
mnimo.
2. Un zoologo desea conocer el n

umero n de ejemplares (individuos) de una especie en peligro de extincion
en un Parque Natural. Para ello utiliza un sistema de emision-deteccion electronico. Este sistema tiene
una probabilidad de error de no deteccion del 20 %. En 10 periodos de observacion, el sistema ha
detectado 5, 5, 6, 4, 6, 3, 5, 4, 4, 5 individuos. Estime por el metodo de los momentos el n
umero de
individuos en el parque. Teniendo en cuenta los datos y la estimacion obtenida, razone si es un buen
estimador.
3. Los doscientos primeros dgitos del numero tienen la siguiente frecuencia:

Dgito
Frecuencia
0
19
1
20
2
24
3
19
4
22
5
20
6
16
7
12
Contraste si los diez dgitos son igualmente probables. ( = 0,05).
8
25
9
.
23

La Red de Carreteras del Estado (RCE) esta dividida en segmentos o tramos, con similares caractersticas
de intensidad de trafico, en donde se registran el n
umero de accidentes ocurridos en un determinado periodo
de tiempo. Cada uno de los tramos puede tener un longitud diferente. En la tabla se presentan los datos
correspondientes a una muestra aleatoria de 10 tramos de la RCE. Para cada uno de los tramos se recogen
el n
umero de accidentes ocurridos en el a
no 2008, as como su longitud en kilometros (km).
Tramo
1
2
3
4
5
Longitud (km)
7
29
21
16
3
Accidentes
6
45
31
11
3
Tramo
6
7
8
9
10
Longitud (km)
3
7
25
24
3
Accidentes
3
5
16
25
5
umero de accidentes anuales en un tramo es una

En los estudios de accidentologa se considera que el n
variable aleatoria con distribucion de Poisson, y que la siniestralidad en un tramo es independiente de la de
cualquier otro tramo.
1. Con los datos de la tabla, estime el n

umero medio de accidentes por km para 2008 y proporcione un
intervalo de confianza 95 %.
2. En los informes oficiales aparece reflejado, para el a

no 2008, que el n
umero medio accidentes cada km
es = 1 accidentes/km.
Indique los tramos que presentan un n
umero de accidentes significativamente mayor que el esperado
(para = 1 accidentes/km). Utilice un nivel de significacion = 0,05 . A estos tramos se les denomina
tramos de concentracion de accidentes. Indique para dichos tramos el n
umero maximo de accidentes
que deberan haberse producido para no considerarlos como tramos de concentracion de accidentes.
3. Debido a las medidas implantadas, el n

umero medio de accidentes cada km se ha reducido. En el a
no
2010, el n
u
mero
total
de
accidentes
en
los
diez
tramos
reflejados
en
la
tabla
ha
sido
126.
Realice
el
{
H0 : = 0,8
contraste
. ( Utilice = 0,05).
H1 : > 0,8
Calcule el nivel crtico del contraste (p-valor) y la probabilidad de error tipo II cuando = 1 accidentes/km .
1. Sea X1 ; X2 , ...., Xn una muestra aleatoria simple de una variable aleatoria N ( ; ):

n
X
Se propone como estimador de la varianza b2 = a
(Xi X)2 . Calcule el valor de a para
i=1
que b2 sea un estimador centrado, as como el valor de a para que tenga Error Cuadrtico
Medio (ECM) mnimo.
n
n
X
X
a) Para que el estimador b2 = a
(Xi X)2 sea centrado basta con que b2 = sb2 = n 1 1
(Xi X)2 ,
i=1
de donde a = n
i=1
1:
Tambin se obtiene ese resultado imponiendo que E(b2 ) = 2 ; que es la condicin para que el sesgo
n
X
sea 0. En ese caso E(b2 ) = E(a
(Xi X)2 ) = a n 2 nn 1 , obtenido utilizando que X ! N ( ; ) y
i=1
p
que X ! N ( ; = n) y las propiedades del operador Esperanza (E).
b) Para minimizar el ECM:

2
2 y del apartado anterior

ECM (b2 ) = sesgo(b2 ) + var(b2 ) utilizamos que sesgo(b2 ) = E(b2 )
se tiene que sesgo(b2 ) = 2 (an 1 1):
" n
#
#
" n
X
X
2
(Xi X)2 = a2 var
Para la var(b2 ) = var a
(Xi X)2 : Y utilizando que ns2 ! 2n 1 ; o
i=1
(n 1)b
s2
2
2
n 1,
y que sb2 =
n
X
i=1
(Xi X)2
i=1
y que la var(
n 1
2
sustituyendo en ECM (b ) = sesgo(b )

la siguiente expresin en funcin de a:
ECM (b2 ) =
2 )
m
= 2m se tiene que var(b2 ) = a2
4 2(n
1) y
+ var(b ) el valor del sesgo y la varianza y operando queda
( a2 + 2a + a2 n2 + 1
2an):
Para minimizar derivamos respecto de a e igualamos a 0 :

d(ECM (a))
da
4
( 2a + 2 + 2an2
( 2a + 2 + 2an2
2n) = 0 cuando a =
2n);
1
:
n+1
2. Un zologo desea conocer el nmero n de ejemplares (individuos) de una especie en

peligro de extincin en un Parque Natural. Para ello utiliza un sistema de emisindeteccin electrnico. Este sistema tiene una probabilidad de error de no deteccin del
20 %. En 10 periodos de observacin, el sistema ha detectado 5, 5, 6, 4, 6, 3, 5, 4, 4, 5
individuos. Estime por el mtodo de los momentos el nmero de individuos en el parque.
Teniendo en cuenta los datos y la estimacin obtenida, razone si es un buen estimador.
p(deteccion) = 1
0;2 = 0;8
Somo slo estimamos un parmetro slo igualamos momento de orden 1 muestral y el terico para el
modelo, Binomial (n; 0.8) en este caso.

5+5+6+4+6+3+5+4+4+5
10
4;7
0;8 = x = 4;7 ! n
b = 0;8
x=
= 4;7
n
b
= 5;875
Discrepancia entre el mximo valor observado y el estimador para n:
3. Los doscientos primeros dgitos del numero

Dgito
Frecuencia
0
19
1
20
2
24
3
19
tienen la siguiente frecuencia:

4
22
5
20
6
16
7
12
8
25
9
.
23
Contraste si los diez dgitos son igualmente probables. ( = 0;05):

Contraste de bondad de ajuste de la Chi-cuadrado.
P (Oi Ei )2
Utilizamos que
! 2K r 1 ; y en este caso K = 10 y r = 0 pues no se estima ningn
Ei
parmetro. Contraste UNILATERAL.
Dgito
0
1
2
3
4
5
6
7
8
9
Oi
19
20
24
19
22
20
16
12
25
23
Ei
20
20
20
20
20
20
20
20
20
20
(Oi Ei )2
Ei
0.05
0
0.8
0.05
0.2
0
0.8
3.25
1.25
0.45
P (Oi Ei )2
Sumando la ltima columna:
= 6;8 < 16;92, que es el valor obtenido en tablas para
Ei
No se rechaza la hiptesis nula (todos los dgitos igualmente probables).
2
9;0;05 :
La Red de Carreteras del Estado (RCE) est dividida en segmentos o tramos, con similares
caractersticas de intensidad de trco, en donde se registran el nmero de accidentes ocurridos
en un determinado periodo de tiempo. Cada uno de los tramos puede tener un longitud
diferente. En la tabla se presentan los datos correspondientes a una muestra aleatoria de 10
tramos de la RCE. Para cada uno de los tramos se recogen el nmero de accidentes ocurridos
en el ao 2008, as como su longitud en kilmetros (km).
Tramo
1
2
3
4
5
Longitud (km)
7
29
21
16
3
Accidentes
6
45
31
11
3
Tramo
6
7
8
9
10
Longitud (km)
3
7
25
24
3
Accidentes
3
5
16
25
5
En los estudios de accidentologa se considera que el nmero de accidentes anuales en un

tramo es una variable aleatoria con distribucin de Poisson, y que la siniestralidad en un tramo
es independiente de la de cualquier otro tramo.
1. Con los datos de la tabla, estime el nmero medio de accidentes por km para 2008 y
proporcione un intervalo de conanza 95 %.
2. En los informes ociales aparece reejado, para el ao 2008, que el nmero medio accidentes cada km es = 1 accidentes/km.
Indique los tramos que presentan un nmero de accidentes signicativamente mayor que
el esperado (para
= 1 accidentes/km). Utilice un nivel de signicacin
= 0;05. A
estos tramos se les denomina "tramos de concentracin de accidentes". Indique para
dichos tramos el nmero mximo de accidentes que deberan haberse producido para no
considerarlos como tramos de concentracin de accidentes.
3. Debido a las medidas implantadas, el nmero medio de accidentes cada km se ha reducido.

En el ao 2010, el nmero total de accidentes en los diez tramos reejados en la tabla ha
H0 : = 0;8
sido 126. Realice el contraste
. (Utilice = 0;05):
H1 : > 0;8
Calcule el nivel crtico del contraste (p-valor) y la probabilidad de error tipo II cuando
= 1 accidentes/km .
Apartado 1)
Sean ai y li el nmero de accidentes y la longitud del tramo i respectivamente.
10
X
ai
o
b = i=1 = 150 (n de accidentes) = 1;09 accidentes
10
138 (no de km)
km
X
li
i=1
2b
1; 96
Apartado 2)
b=138 =)
2 (0; 916; 1; 264) con 95 % de conanza.
X : v:a no de accidentes en el tramo i =) P oisson(
li )
N(
li ;
li )
Para saber si un tramo es un tramo de concentracin de accidentes, lo que implicara > 1

se debe realizar el siguiente contraste
H0 : i = l i
H 1 : > li
El contraste para cada uno de los tramos sera:
p
ai li
ai li
=)Se rechazar H0 si p
> 1;64 =)Se rechazar H0 si ai > li + 1;64 li
z= p
li
li
p
Para el tramo 2, z0 = (45 29)=
p 29 = 2;97 > 1;64 =)Se rechaza H0
Nmero mximo = (Amax 29)= 29 = 1;64 =) Amax = 37;83: 37 accidentes:
accidentes
,
km
p
Para el tramo 3, z0 = (31 21)=
p 21 = 2;18 > 1;64 =)Se rechaza H0
Nmero mximo = (Amax 21)= 21 = 1;64 =) Amax = 28;51: 28 accidentes.
Estos son los dos nicos tramos de concentracin de accidentes. En el resto de los tramos no se rechaza
la H0 :
Estadstico z
-0.378
2.97
2.18
-1.33
0
0
0
-1.8
0.2
1.15
no mximo
11.35
37.83
28.51
22.58
5.84
5.84
11.35
33.22
32.05
5.84
Apartado 3)
Con los nuevos
datos
o de accidentes)
126
(n
accidentes
b=
= 0;9138
138 (no de km)
km
b 0;8
En el contraste planteado, se rechazar H0 si q
> 1;64;
0;8
138
Con los datos z0 =

Hiptesis nula
0;9138
q
0;8
0;8
138
= 1;4841 < 1;64 =) No hay evidencia suciente para rechazar la
q
0;8
Tambin se rechazar H0 si b > 0;8 + 1;64
138 = 0;9249
P valor = P (Z > 1;4841) = 1
(1;48) = 0;0694
b 1
accidentes
0;9241
P (error tipo II ) = P (AceptarH0 jH0 es falsa) = P (b < 0;9249j = 1
) = P @q
< q
km
1
1
138
P (Z <
0;88) = ( 0;88) = 0;19:
138
1A
23 de enero de 2013
Problema 1 (60 minutos, 10 puntos)
a) Llamando M1 , M2 y M3 a las monedas de dos caras, dos cruces y normales, respectivamente, la

probabilidad de cada una de ellas es
P (M1 ) = 2/5; P (M2 ) = 1/5; P (M3 ) = 2/5
Aplicando el teorema de la probabilidad total se obtiene
1. Llamando C al suceso obtener cara,
P (C) = P (C|M1 )P (M1 ) + P (C|M2 )P (M2 ) + P (C|M3 )P (M3 )
P (C) = 1
2
5
+0
1
5
1
2
2
5
3
5
2. Si el otro lado es otra cara, la moneda ha de ser de tipo M1. Por tanto, aplicando la probabilidad
condicionada se tiene que:
P (M1 |C) =
P (M1 C)
P (M1 )
=
=
P (C)
P (C)
2
5
3
5
2
3
b) Llamamos C1 a suceso obtener cara en el primer lanzamiento C2 al suceso obtener cara en el

segundo lanzamiento.
2
1. Si es con la misma moneda, se tiene que aplicando el teorema de la probabilidad total
P (C1 C2 ) = P (C1 C2 |M 1)P (M1 ) + P (C1 C2 |M 2)P (M2 ) + P (C1 C2 |M 3)P (M3 )
2
2
2
1
1
1
= 1 +0 +
= .
5
5
2
5
2
2. Si se extraen dos monedas, los sucesos son independientes y
P (C1 C2 ) = P (C1 )P (C2 ) =
3 3
9
=
.
5 5
25
c) Los posibles resultados y sus probabilidades para el tipo de las dos monedas extradas son (el orden
es irrelevante):
P (M1 M1 ) =
1
10
P (M1 M2 ) =
2
10
P (M1 M3 ) =
4
10
P (M3 M3 ) =
1
10
P (M2 M3 ) =
La probabilidad del suceso C1 C2 se obtiene mediante

P (C1 C2 ) = P (C1 C2 |M1 M1 )P (M1 M1 ) + P (C1 C2 |M1 M2 )P (M1 M2 ) +
P (C1 C2 |M1 M3 )P (M1 M3 ) + P (C1 C2 |M3 M3 )P (M3 M3 ) +
P (C1 C2 |M2 M3 )P (M2 M3 )

1
2
1
4
1
1
2
13
= 1
+0
+
+
+0
=
10
10 2 10 4 10
10
40
2
10
23 de enero de 2013
d) La probabilidad de M1 M1 si hemos observado C1 C2 es

P (M1 M1 |C1 C2 ) =
1 13
4
P (C1 C2 |M1 M1 )P (M1 M1 )
=
/
=
P (C1 C2 )
10 40
13
y la probabilidad de M3 M3 si hemos observado C1 C2 es

P (M3 M3 |C1 C2 ) =
por tanto la probabilidad pedida es
P (C1 C2 |M3 M3 )P (M3 M3 )

1 13
1
=
/
=
P (C1 C2 )
40 40
13
1
5
4
+
= .
13 13
13
23 de enero de 2013
Problema 2 (60 minutos, 10 puntos)
La velocidad de las alumnas de 4o de ESO (X) sigue una distribucion N iid(7, 5, 1,5) y la de los alumnos,
(Y ) N iid(9, 1). La velocidad de los alumnos y las alumnas de este curso son independientes.
a) La probabilidad de que una alumna venza a un alumno es:
P (X > Y ) = P (X Y > 0)
donde X Y sigue una distribucion normal de media 7,5 9 y de desviacion tpica
as X Y es N iid(1,5, 3,25).Por lo tanto la probabilidad pedida es:
1,52 + 12 ,
1,5
P (X > Y ) = P (X Y > 0) = P (Z >
) = 0,2033
3,25
b) El profesor plantea dos equipos de la siguiente manera:
V = X1 + Y2
W = Y3 + Y4
donde las cuatro variables originales son independientes. As:
E

2

V
16,5
1,5 + 12
0
3,25 0
=
y MV W =
=
W
18
0
12 + 12
0
2
Como V y W son independientes, la funcion de densidad conjunta se puede obtener como el producto
de las funciones de densidad marginales, seg
un:
fV W (v, w) = fV (v)fW (w)
obteniendo:
"
"

##

1
v 16,5 2
w 18 2
1
exp
fV W (v, w) =
+
2
3,25
2 3,25 2
2
c) La probabilidad de que un equipo V venza a uno W es:
P (V > W ) = P (V W > 0)
donde V W sigue una distribucion normal de media 16,5 18 y de desviacion tpica
as V W es N iid(1,5, 5,25). Por lo tanto la probabilidad pedida es:
3,25 + 2,
1,5
P (V > W ) = P (V W > 0) = P (Z >
) = 0,2578
5,25
d) El n
umero de competiciones, C, que se tendran que realizar hasta que una alumna gane a un alumno
sigue una distribucion geometrica. Como nos piden el n
umero medio de ellas, debemos obtener la
1
esperanza de la variable geometrica C. Por lo tanto, E[C] = , siendo p la probabilidad de que una
p
alumna gane a un alumno, que se ha calculado en el primer apartado de este problema. As:
E[C] =
1
1
=
= 4,9188 5 competiciones
p
0,2033
[
[
[
[
[
[
)
(
(
(
(
(
)
)
(
)
[
[
[
)
(
(
(
(
(
)
)
(
)
EXMENES
Curso 2013/14
Primer Parcial de Estadstica
Cuestiones (45 minutos 5 puntos)

Cuestin 1:
La funcin de densidad de una variable aleatoria X es la siguiente:
() = , 0 1.
Calcula el valor de , la funcin de distribucin, la media y la varianza de X.
Cuestin 2:
Para una determinada poblacin se sabe que, de todos los jvenes entre 18 y 25 aos, un
60% no estudian y un 80% no trabajan.
Determina, justificando la respuesta, entre qu valor mnimo y mximo se encuentra el
porcentaje de jvenes que ni estudia ni trabaja.
Cuestin 3:
En una industria se fabrican cajas con caramelos surtidos. Cada paquete contiene
exactamente cuatro caramelos; y cada caramelo puede ser de Naranja (N), Fresa (F) o
Limn (L). El sabor de cada caramelo es independiente del sabor del resto de caramelos del
paquete.
Tenemos tres mquinas (M1, M2 y M3) que fabrican estas cajas, con las probabilidades
que se muestran en la figura. Se sabe que la mquina M3 fabrica al doble de velocidad que
el resto, es decir, que se cumple: P(M1) = P(M2) = P(M3)/2.
M1
M2
M3
P(N | M1) = 0.5

P(F | M1) = 0.3
P(L | M1) = 0.2
P(N | M2) = 0.2

P(F | M2) = 0.2
P(L | M2) = 0.6
P(N | M3) = 0.5

P(F | M3) = 0.5
Cogemos del almacn un paquete al azar. Cul es la probabilidad de que haya sido
fabricado por la mquina M1, si sabemos que la caja contiene nicamente caramelos de
naranja?
Primer Examen Parcial de Estadstica

La velocidad del viento en un parque eolico se suele modelar como una variable aleatoria con distribucion
de Rayleigh, cuya funcion de densidad viene determinada por (ver Figura 1):
fX (x) =
x x2 /(22 )
e
, x 0, > 0.
2
El generador que se piensa colocar produce una potencia que depende de la velocidad del viento de
acuerdo con la curva caracterstica que se muestra en la Figura 2. En esta curva se observan tres zonas:
Zona A: baja velocidad, por debajo de 3.5 m/s, donde la fuerza del viento es insuficiente para mover
las palas.
Zona B: con velocidades entre 3.5 m/s y 25 m/s, que es la zona de funcionamiento.
Zona C: cuando la velocidad del viento esta por encima de 25 m/s, la fuerza es excesiva y existe riesgo
de da
no en la estructura del generador, con lo que el molino se desconecta.
Figura 1.
Figura 2.
Primer Examen Parcial de Estadstica
1. Sabemos que, en el emplazamiendo donde se esta dise

nando la instalacion, la velocidad del viento
sigue la distribucion anterior con una media de 7 m/s. Teniendo en cuenta que la media de la variable
aleatoria de Rayleigh es
E[X] =
2
Calcula las probabilidades de que la velocidad se encuentre en la zona A, en la zona B y en la zona C.
2. Demuestra que si U es una variable aleatoria con distribucion uniforme en el intervalo (0,1), entonces
X = 2 log U
tiene distribucion de Rayleigh con parametro .
Un estudiante de ingeniera ha simulado 100 valores de la distribucion anterior para la velocidad,
resultando el siguiente diagrama de tallos y hojas:
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
49
0224
5677
01345677889
1123345567788
0056799
0111356888
11124477889
0445555679
0345679
24679
0012467
0045
3
9
138
Compara la mediana, el cuartil 1 y el cuartil 3 de los datos con los correspondientes de la distribucion
de probabilidad.
Nota: los tallos, valores a la izquierda de las barras son unidades y las hojas, cada cifra a la derecha de
la barra, la primera cifra decimal. As por ejemplo, la u
ltima fila corresponde a los valores 15.1, 15.3
y 15.8.
3. La funcion de supervivencia SX (x) se define como:
SX (x) = P (X x)
x0
Demuestra que, para la distribucion de Rayleigh, se cumple:

SX (x)dx = E[X]
0
Nota: Para evitarte el calculo de la integral, ten en cuenta que:

{
( ) }
1 t 2
1
exp
,
fT (t) =
2
2
es una funcion de densidad de probabilidad que es simetrica respecto al cero.
Cuestin 1:
Clculo del valor de :
+
() = 1
Clculo de la funcin de distribucin:
() = =
= =1
2 0 2
0
Clculo de la esperanza:
= 2
() = () = 2 = 2 , 0 1
0
[] =
() = 2 =
0
Clculo de la varianza:
2 2
1
() [] = 2 =
3
18
0
[] =
2
3
Cuestin 2:
La probabilidad de ni estudia ni trabaja se puede calcular
de la siguiente manera:
( ) = ( ) + () ( )
Caso genrico:
_
E
_
T
( ) = 0.6 + 0.8 ( )
Sabemos que la probabilidad de la unin (( )) siempre
__
ET
cumple:
max( ), () ( ) 1
Substituyendo en la expresin anterior:

max( ), () 0.6 + 0.8 ( ) 1
max(0.6,0.8) 0.6 + 0.8 ( ) 1
Ni estudia ni trabaja mximo:
_
E
_
T
0.8 0.6 + 0.8 ( ) 1

0.4 ( ) 0.6
__
ET
Cuestin 3:
Nos piden calcular la probabilidad de que una caja est fabricada por la mquina M1, sabiendo que los
cuatro caramelos que contiene el paquete son de naranja. Es decir, hemos de calcular:
(1|)
Si la mquina M3 produce al doble de velocidad que el resto, sabemos que:
1
2
(1) = (2) =
y (3) =
4
Empleando Bayes:
(1|) =
(1 )
()
(|1) (1)
(|1) (1) + (|2) (2) + (|3) (3)
(|1) = 0.54 = 0.063

(|2) = 0.24 = 0.002
(|3) = 0.54 = 0.063
(1|) =
1
0.063 4
1
1
2
0.063 4 + 0.002 4 + 0.063 4
= 0.33
Solucin - Problema
Apartado 1:
= 7
2
2
= 7 = 5.59
() = 2 (22 ) = 1 (22 ) 0
0
= ( 3.5) = 1
3.52
(2 2 )
= 0.1780
= (3.5 25) = (25) (3.5) = 1

= 1 0
Apartado 2:
() = ( ) = 2 log() =
Datos: 1 = 4.3 2 = 6.8 3 = 9.5

Distribucin: ( ) =
1 0.25
De igual forma:
0.25 = 2 log(1 0.25) = 4.24
252
(2 2 )
2
(22 )
2
0.25
2)
(2
= 0.8220
= 1
2
(22 )
= 0.25
0.5 = 2 log(1 0.5) = 6.58
0.75 = 2 log(1 0.75) = 9.30
Apartado 3:
() =
Teniendo en cuenta la nota:
Otra forma:
2
(22 )
2
2
, 0
que cumple que es igual a E[X]
Integrando por partes:
2
(22 )
() = 1 ()
0
= 1 ()
= ()
=
=
() = 1 ()0 + () = 0 + [] = E[X]
0
, 0

1) En un pas, la distribucin conjunta de las variables aleatorias Oferta y Demanda elctrica en un
da es normal bivariante con un coeficiente de correlacin de 0, 1. La media y desviacin tpica marginales
para la Oferta son 32000 MW y 2200 M W respectivamente, y para la Demanda 25000 MW y 2000 MW
respectivamente Cul es la probabilidad de que la Demanda supere a la Oferta en un da determinado?
2) Se lanza una moneda equilibrada 6 veces. En este experimento se definen las variables aleatorias
X: nmero de caras obtenidas e Y : nmero de cruces obtenidas. Calcule la covarianza entre X e Y Son
independientes?
3) Para controlar la calidad de unos lotes de 10000 piezas se toman muestras de 200 piezas y se rechaza
el lote si resultan ms de 8 defectuosas. El fabricante asegura que la proporcin de piezas defectuosas de los
lotes es del 2,5 % y el cliente considera totalmente inviable una proporcin del 6 %. Calcule los riesgos del
comprador y del vendedor. (Nota.- No utilice la correccin por continuidad).

A un puesto de atencin personal llegan los clientes de forma que el tiempo que esperan en la cola es
aleatorio. Una vez se les atiende, el tiempo que se tarda en hacerlo es tambin aleatorio. La funcin de
densidad conjunta de ambos tiempos en horas (X: tiempo de espera e Y : tiempo de atencin) es
fX,Y (x, y) = ke3x4y , x > 0, y > 0.
1) Calcule el valor de k as como la media y la varianza de los dos tiempos X e Y Son independientes
ambas variables?
2) Sea W la suma de los tiempos de espera X y de atencin Y . Calcule el coeficiente de correlacin entre
W y X.
Solucin Cuestiones (45 minutos, 5 puntos)

1) S = O D; S N( = 32000 25000 = 7000MW ; 2 = 22002 + 20002 2 0, 1 2200 2000 =
7960000MW 2 );
P (O < D) = P (O D < 0) = P (S < 0) = P (Z < 0 7000)/ 7960000) = P (Z < 2, 48) =

1 (2, 48) = 1 0,9934 = 0,0066
2) X,Y = E[(X X )(Y Y )] = E[(X 3)(6X 3)] = E[(X 3)2 ] = 2X = 60, 50, 5 = 1, 5;
No son independientes porque la covarianza no es nula, pero adems se ve que la dependencia es total, ya
que la relacin entre X e Y es determinista, para cada valor de X existe un solo valor posible de Y = 6 X
3) Riesgo vendedor = P (Rechazar|p = 0,025) = P (X > 8|X N( 2000, 025, 200 0, 025 0, 975) =
= P (Z > 1, 36) = 1 (1, 36) = 0,087
Riesgo comprador = P (Aceptar|p = 0,06) = P (X 8|X N(200 0, 06, 200 0, 06 0, 94) =
= P (Z 1,19) = 1 (1, 19) = 0,117
Solucin Problema (45 minutos, 5 puntos)

1)

k 0 0 e3x e4y dxdy = k/12 = 1, k = 12;

gX (x) = 12 0 e3x4y dy = 3e3x
Se trata de una distribucin exponencial, con parmetro = 3; E[X] = 1/ = 1/3;

var[X] = 1/2 = 1/9;

hY (y) = 12 0 e3x4y dx = 4e4y ;
Se trata tambin de una distribucin exponencial, con parmetro = 4; E[Y ] = 1/ = 1/4;

var[Y ] = 1/2 = 1/16;
fX,Y (x, y) = gX (x)hY (y) son independientes

2) (W, X) =
W,X
W X ;
W,X =?

X
W
1 1
;
V =
=
Y
X
1 0

1 1
1/9
0
1 1
1/9 1/16
1 1
25/144 1/9
var[V ] =
=
=
;
1 0
0 1/16
1 0
1/9
0
1 0
1/9
1/9

1/9
= 25/144
(W, X) = 1/9
;
25/144
1/9

1. Se plantea el siguiente contraste para el parametro p de una distribucion binomial:
H0 : p = 0.3 ; H1 : p > 0.3
con n = 200 y = 0.05. Calcular la probabilidad de error tipo II cuando p = 0.36. Calcular n si se
desea reducir a la mitad la probabilidad del error tipo II.
2. Para estimar la varianza de una poblacion normal, se tienen dos muestras de tama
nos n1 y n2 . Se toma
como estimador de la varianza la siguiente expresion: s2R =
s21 +
s22 ; siendo s21 y s22 las varianzas
corregidas de cada muestra.
Calcular y (en funcion de n1 y n2 ) para que el estimador sea centrado y de mnima varianza.
Nota: V ar(S2 ) =
2 4
n1 ,
siendo S2 la varianza corregida con datos de una normal con varianza 2 .
3. Las puntuaciones obtenidas en un test de memoria por alumnos de Primero de Primaria, para chicos
y chicas, son las siguientes:
Chicos
Chicas
N
umero de alumnos
nA = 64
nB = 95
Media puntuaciones
xA = 97.0
xB = 98.9
Desviacion tpica corregida

sbA = 0.49
sbB = 0.48
Asumiendo normalidad, calcular el intervalo de confianza para la diferencia de medias con un nivel de
confianza del 95 %. Razonar, a partir del intervalo obtenido, si se acepta la igualdad de medias.
Observaci
on: suponer homocedasticidad (no hace falta comprobarla).

Se ha medido el tiempo de vida de 100 componentes fabricados por la Empresa Automovilstica Tord e.
Siete de ellos han durado mas de catorce das. La media del tiempo de vida del resto de componentes es
3.73 das. Asumiendo que el tiempo de vida tiene distribucion exponencial de media :
1) Estimar por maxima verosimilitud el parametro , justificando cada paso, empleando la informacion
de las cien observaciones.
2) Los tiempos de vida de estos cien componentes se han agrupado en nueve intervalos, obteniendo:
Intervalo
Frecuencia
01
21
1-2
14
2-3
16
3-5
15
5-7
14
7-9
4
9-11
5
11-14
4
>14
7
Contrastar la hipotesis de que los tiempos siguen una distribucion exponencial estimada en el apartado
anterior, con un nivel de significacion del = 0.05.
Nota: Para el contraste, trabajar con los intervalos indicados en la tabla. (No agrupar intervalos.)
3) Se ha prolongado el experimento, hasta que se conocen los tiempos de vida exactos de los cien
componentes.
Se sabe que 2nT / sigue una distribucion 22n , siendo la media de la distribucion exponencial, y siendo
T la media muestral de los tiempos de vida. Si T = 4.8 das, contrastar que = 5 das, frente a < 5 das,
con un nivel de confianza del 95 %.
Nota: P (2200 163) = 0.025; P (2200 168) = 0.05; P (2200 234) = 0.95; P (2200 241) = 0.975.

1. Se plantea el siguiente contraste para el par
ametro p de una distribuci
on binomial:
H0 : p = 0.3 ; H1 : p > 0.3
con n = 200 y = 0.05. Calcular la probabilidad de error tipo II cuando p = 0.36. Calcular
n si se desea reducir a la mitad la probabilidad del error tipo II.
pr(error tipo II) = pr(Aceptar H0 | H0 es falsa)
Utilizamos que
pbp
p(1p)
n
Al ser un contraste unilateral, la region de rechazo para valores de Z mayores que Za = 1.645, como
en la Figura 1.
Luego en esa frontera entre la region de aceptacion y rechazo pb vale:
pb = 1.645 0.3(10.3)
+ 0.3 = 0.353.
200
Entonces para calcular el error tipo II se ha de calcular la probabilidad:
pr(b
p < 0.353| p = 0.36) =
pb0.36
= pr( 0.36(10.36)
<
0.3530.36
0.36(10.36)
200
200
) = pr(Z < 0.2062) = pr(Z > 0.2062) =
= 1 FZ (0.2062) = 1 0.5832 = 0.4168

Si se desea reducir ese error de tipo II a la mitad:
Llamando c al valor que deseamos hallar para pb en la frontera, e imponiendo que error de tipo II valga
la mitad que en el primer apartado planteamos el sistema de ecuaciones siguiente:
c0.3
0.3(10.3)
n
pr(Z <
= 1.645
c0.36
0.36(10.36)
n
) = pr(Z >
)
(
= 1 FZ
(
FZ
0.36c
0.36(10.36)
n
0.36c
0.36(10.36)
n
)=
= 0.4168/2 = 0.2084 0.21
= 1 0.21 = 0.79 Buscando en tablas:
0.36c
0.36(10.36)
n
0.36c
0.36(10.36)
n
= 0.805.
Y despejando queda: c 0.34 y n 355.

2. Para estimar la varianza de una poblaci
on normal, se tienen dos muestras de tama
nos n1
2
2
2
y n2 . Se toma como estimador de la varianza la siguiente expresi
on: sR =
s1 +
s2 ; siendo
s21 y s22 las varianzas corregidas de cada muestra.
Calcular y (en funci
on de n1 y n2 ) para que el estimador sea centrado y de mnima
varianza.
4
Nota: V ar(S2 ) = 2 , siendo S2 la varianza corregida con datos de una normal con varianza
n1
2.
E[
s2R ] = E[
s21 +
s22 ] = E[
s21 ] + E[
s22 ] = ( + ) 2
Para que sea insesgado E[
s2R ] = 2 ( + ) 2 = 2 ( + ) = 1 = 1 .
4
La varianza del estimador: var[

s2R ] = var[
s21 +
s22 ] = 2 var[
s21 ] + 2 var[
s22 ] = 2 n2
+ 2 n2
=
1 1
2 1
4
2 n2
+ (1 )2 n2
1 1
2 1
Para minimizar la varianza del estimador, derivamos respecto de :

4
[2 n21 +(1)2 n21 ]

1
2 4
n1 1 2
2 4
n2 1 2(1
) =
4 4
n1 1
4 4
n2 1
4 4
n2 1
(n2 1)4 4 +(n1 1)[4 4 4 4 ]

(n1 1)(n2 1)
(n2 1)4 4 + (n1 1)[4 4 4 4 ] = 0

(n2 1) + (n1 1)[ 1] = 0
(n2 1 + n1 1) = (n1 1)
Entonces se tiene que:
(n1 1)
,
(n2 1 + n1 1)
(n2 1 + n1 1)
(n1 1)
(n2 1 + n1 1) n1 + 1
(n2 1)
=1=
=
=
(n2 1 + n1 1) (n2 1 + n1 1)
(n2 1 + n1 1)
(n2 1 + n1 1)
=
3. Las puntuaciones obtenidas en un test de memoria por alumnos de Primero de Primaria,

para chicos y chicas, son las siguientes:
Chicos
Chicas
No de alumnos
nA = 64
nB = 95
Media puntuaciones
xA = 97.0
xB = 98.9
Desv. Tip. corregida

sbA = 0.49
sbB = 0.48
Asumiendo normalidad, calcular el intervalo de confianza para la diferencia de medias

con un nivel de confianza del 95 %. Razonar, a partir del intervalo obtenido, si se acepta
la igualdad de medias.
Observaci
on: suponer homocedasticidad (no hace falta comprobarla).
Utilizamos que
x1 x2 (1 2 )
sR n1 + n1
1
tn1 +n2 2 .
Para una = 0.05, es decir nivel de confianza 95 % se tiene que:
(A B ) (xA xB ) tnA +nB 2; 0.05 sR n1A + n1B

2
1
1
(A B ) (97 98.9) t64+952; 0.05 sR 64
+ 95
2
2 +(641)0.482
(nA 1)b
s2A +(nB 1)b
s2B
sR =
= (951)0.49
= 0.2362 = 0.486.
nA +nB 2
64+952
Entonces:
1
(A B ) (97 98.9) 1.960.486 64
+
1
(A B ) (97 98.9) 1.960.486 64
+
1
95
1
95
(A B ) 1.9 0.154
El intervalo de confianza 95 % para la diferencia de medias es:
(A B ) [2.054, 1.746]
Pues el valor en tablas para la t64+952; 0.05 es 1.96, como en la Z.
2
Soluci
on del problema
1) Se puede resolver el problema directamente en terminos de la esperanza o en terminos de = 1/.
Para la funcion de verosimilitud, la contribucion de los datos no censurados es la funcion de densidad y,
la de los censurados la probabilidad de duracion mayor que 14 horas.
l = (1/)93 e933,73/ e714/
L = log(l) = 93 log() 93 3, 73/ 7 14/;
L
2
2
b=
= 93
+ 93 3, 73/ + 7 14// = 0;
933,73+714
93
= 4, 78
2) Las frecuencias esperadas se obtienen como 100(1 e1/b ) para el primer intervalo, 100(eEI/b
eES/b ) para los 7 siguientes y e14/b para el u
ltimo.
La tabla de frecuencias esperadas es
18,86 15,3 12,42 18,25 12,01 7,91 5,2 4,67 5,35
(Oi Ei )2
d=
= 4, 68 < 20,95,(911) = 14, 02, por tanto no se rechaza la hipotesis de que los datos
Ei
correspondan a una distribucion exponencial
Como se ha estimado un parametro, los grados de libertad de la 2 son 9 1 1 = 7.
3) Como la hipotesis alternativa es H1 : < 5, la region de rechazo es unilateral por la izquierda.
2004,8
5
= 192 > 20,05,7 = 168 no se rechaza H0
= 0.05
2 2 2 3 ) +
() = (1 ) + (
1 1 1 2 ) + (
1 1 1
1 1 1
1 2 1
1 3 1
1
1
4
+ +( ) +( ) + =
=
2 8 2
8
2
8
2
2 11 7
8
() = (
1)
+
(
)
1
1 1 1 2 2
=
1 1 1
1 2 1
1 3 1
1
1
2
+ +( ) +( ) +=
=
4 8 4
8
4
8
4
4 11 7
8
1
() =
7
=
(1 |) =
(2 |) =
( |) =
(1 ) (1 ) 1/2 7
=
=
=
()
() 4/7 8
(2 ) (
1/8 1/2
7
1 1 1 2 )
=
=
=
()
()
4/7
64
(1/8)1 1/2
( ) (
7
1 1 1 )
=
=
= 3 ;
()
()
4/7
2
(|) =
= 1, 2, 3,
( )
()
2/7
2
=
=
=
1 () 1 4/7 3
()
1
2
(2 ) = (2 1 ) + (2 1 ) + (2 1 )
= (2 |1 )(1 ) + (2 |1 )(1 ) + (2 |1 )(1 )
1 4 2 2 4 1 12
= + + =
7 7 7 7 7 7 49
1 1 1 ) + (
1 1
(2 |1 ) = (2 |saca B en el segundo juego) = (
1 2 2 2 ) + =
(2 ) = (2 |1 )(1 ) + (2 |1 )(1 ) + (2 |1 )(1 )
4 4 1 2 2 1 20
= + + =
7 7 7 7 7 7 49
(2 ) = (2 |1 )(1 ) + (2 |1 )(1 ) + (2 |1 )(1 )
2 4 4 2 1 1 17
= + + =
7 7 7 7 7 7 49
1
7
(una oficina con > 12 descubiertos | ~Poisson( = 9) )

12.5 9
( > 12.5 | ~(9, 3)) = ( >
) = 0.123
3
0.123 200 25
= 0.123
( > 20 | ~ ( = 200, = 0.123))

( > 20.5 | ~ (200 0.123, 200 0.123 0.877))
= ( > 20.5 | ~ (24.6, 4.64))
20.5 24.6
= ( >
) = ( > 0.884) = 0.811
4.64
= 9 4 = 36
fallos
da
(X > 48 )
(X > 48 | ~Poisson( = 36) ) ( > 48.5 | ~(36, 6)) = ( >
48.5 36
) = 0.0186
6
(9,
3
)
200
= (9, 0.212)
( < 9.5 | ~(9, 0.212)) = ( <
9.5 9
) = 0.991
0.212
0.99130 = 0.762
9
))
( ( <
0.212
30
= 0.95 ( <
9
30
) = 0.95 = 0.998
0.212
( < 2.878) = 0.998

9
= 2.878 = 9 + 0.212 2.878 = 9.61
0.212
:
1695
=
= 0.931
1820
(1 )

2
0.931 (1 0.931)
0.931 1.96
= [0.9193, 0.9426]
1820
[0.9193, 0.9426]
0 : = 0.88
1 : > 0.88

(1 )
0
0 =
~ (0,1)
0.931 0.88
0.88 0.12
1820
1.64
= 6.69
H0 cierto:
0.880.12
0.88 + 1.64
0.88
H0 falso:
= P(error II)
1820
= 0.892
( ) = ( 0 | 0 )
= ( < 0.88 + 1.64
= <
0.88 0.12
(1 )
| ~ (, 1820 ))
1820
0.88 + 1.64
0.88 0.12
1820
(1 )
1820
= <
)
0.892
=
(
(1 )
1820 )
0.0
0.2
0.4
0.6
0.8
1.0
( | = 0.88) = 0.95
( | = 0.89) = 0.60
( | = 0.90) = 0.13
( | = 0.91) = 0.003
0.86
0.88
0.90
p
0.92
0.892
(1 )
1820 )
H0 cierto:
0.88 0.12
0.88 + 1.64
0.88
H0 falso:
= P(error II) = 0.01
p = 0.90
( ) = ( 0 | 0 )
0.88 0.12
0.90 0.10
| ~ (0.90,
))
= ( < 0.88 + 1.64
= <
0.88 0.12
0.88 + 1.64
0.90
0.90 0.10
= 0.01
)
( < 2.32) = 0.01

0.88 0.12
0.90
0.88 + 1.64
0.90 0.10
= 2.32
0.88 0.12
0.90 0.10
0.02 + 1.64
= 2.32
0.02 + 1.64 0.88 0.12

0.02 + 0.533
= 2.32 0.90 0.10

= 0.696
Examen Final Extraordinario
Estadstica
24/junio/2014
Cuestiones. (45 minutos, 5 puntos)

Cuesti
on 1
A partir de una muestra aleatoria X1 , ..., Xn de una distribucion uniforme en el intervalo
(0, a), obtener el estimador de a por el metodo de los momentos. Obtener el error cuadratico
medio.
Cuesti
on 2
Se estima la media de una poblacion normal con varianza conocida 2 = 2.
Cual debe ser el tama
no muestral para que el error maximo de la estimacion, con probabilidad 0,95, sea menor que 0,2?
Cuesti
on 3
Para dos poblaciones normales, se desea contrastar H0 : 21 = 22 frente a H1 : 21 > 22 .
Realizar el contraste sabiendo que sb21 = 2,5 y sb22 = 2, n1 = 30 y n2 = 40.
Calcular la probabilidad de error tipo II cuando 21 / 22 = 1,5.
Examen Final Extraordinario
Estadstica
24/junio/2014
Soluci
on - Cuestiones
Cuestion 1:
x = a/2; b
a = 2x;
Esperanza del estimador: E[b
a] = 2a/2 = a;
Varianza del estimador: var[b
a] = 4 2x /n;
a
2x = (x2 /a)dx a2 /4 = a2 /12;

0
var[b
a] = 4a2 /12n = a2 /3n;
Error cuadratico medio: ECM = a2 /3n
Cuestion 2:
Intervalo de confianza= x 1, 96 2/n;

El error maximo es la
mitad del intervalo de confianza.
Error maximo = 1, 96 2/n = 0, 2; n = (1, 962 2)/0, 22 = 192.
Cuestion 3:
sb21 /b
s22 F29,39 bajo H0
2, 52 /22 = 1, 56 < F29,39 (0, 95) = 1, 76; no se rechaza H0
Calculo del error tipo II:
P (b
s21 /b
s22 < 1, 76| 21 / 22 = 1, 5) = P ((b
s21 / 21 )/(b
s22 / 22 ) < 1, 76/1, 5| 21 / 22 = 1, 5) =
= P (F29,39 < 1,17) = 0, 68
( )
( | )
( )
( | )
( | )
( )
( )
( | )
( )
( | )
( | )
( )
)
)
))
( )
( )
( | )
( | )
( )
( | )
( | )
( )
)
)
P (Z z)
Ejemplo.
P(Z 1.96) = 0.9750
N(0,1)
Normal
Estandar
TABLA
z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
0
.5000
.5398
.5793
.6179
.6554
.6915
.7257
.7580
.7881
.8159
.8413
.8643
.8849
.9032
.9192
.9332
.9452
.9554
.9641
.9713
.9772
.9821
.9861
.9893
.9918
.9938
.9953
.9965
.9974
.9981
.9987
0,01
.5040
.5438
.5832
.6217
.6591
.6950
.7291
.7611
.7910
.8186
.8438
.8665
.8869
.9049
.9207
.9345
.9463
.9564
.9649
.9719
.9778
.9826
.9864
.9896
.9920
.9940
.9955
.9966
.9975
.9982
.9987
0,02
.5080
.5478
.5871
.6255
.6628
.6985
.7324
.7642
.7939
.8212
.8461
.8686
.8888
.9066
.9222
.9357
.9474
.9573
.9656
.9726
.9783
.9830
.9868
.9898
.9922
.9941
.9956
.9967
.9976
.9982
.9987
0,03
.5120
.5517
.5910
.6293
.6664
.7019
.7357
.7673
.7967
.8238
.8485
.8708
.8907
.9082
.9236
.9370
.9484
.9582
.9664
.9732
.9788
.9834
.9871
.9901
.9925
.9943
.9957
.9968
.9977
.9983
.9988
0,04
.5160
.5557
.5948
.6331
.6700
.7054
.7389
.7704
.7995
.8264
.8508
.8729
.8925
.9099
.9251
.9382
.9495
.9591
.9671
.9738
.9793
.9838
.9875
.9904
.9927
.9945
.9959
.9969
.9977
.9984
.9988
0,05
.5199
.5596
.5987
.6368
.6736
.7088
.7422
.7734
.8023
.8289
.8531
.8749
.8944
.9115
.9265
.9394
.9505
.9599
.9678
.9744
.9798
.9842
.9878
.9906
.9929
.9946
.9960
.9970
.9978
.9984
.9989
0,06
.5239
.5636
.6026
.6406
.6772
.7123
.7454
.7764
.8051
.8315
.8554
.8770
.8962
.9131
.9279
.9406
.9515
.9608
.9686
.9750
.9803
.9846
.9881
.9909
.9931
.9948
.9961
.9971
.9979
.9985
.9989
0,07
.5279
.5675
.6064
.6443
.6808
.7157
.7486
.7794
.8078
.8340
.8577
.8790
.8980
.9147
.9292
.9418
.9525
.9616
.9693
.9756
.9808
.9850
.9884
.9911
.9932
.9949
.9962
.9972
.9979
.9985
.9989
0,08
.5319
.5714
.6103
.6480
.6844
.7190
.7517
.7823
.8106
.8365
.8599
.8810
.8997
.9162
.9306
.9429
.9535
.9625
.9699
.9761
.9812
.9854
.9887
.9913
.9934
.9951
.9963
.9973
.9980
.9986
.9990
0,09
.5359
.5753
.6141
.6517
.6879
.7224
.7549
.7852
.8133
.8389
.8621
.8830
.9015
.9177
.9319
.9441
.9545
.9633
.9706
.9767
.9817
.9857
.9890
.9916
.9936
.9952
.9964
.9974
.9981
.9986
.9990
z
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
0,00
.9990323
.9993128
.9995165
.9996630
.9997673
.9998409
.9998922
.9999276
.9999519
.9999683
0,01
.9990645
.9993363
.9995335
.9996751
.9997759
.9998469
.9998963
.9999305
.9999538
.9999696
0,04
.9991552
.9994023
.9995811
.9997091
.9997999
.9998636
.9999080
.9999385
.9999592
.9999733
0,05
.9991836
.9994229
.9995959
.9997197
.9998073
.9998688
.9999116
.9999409
.9999609
.9999744
0,06
.9992111
.9994429
.9996102
.9997299
.9998145
.9998739
.9999150
.9999433
.9999625
.9999755
0,07
.9992377
.9994622
.9996241
.9997397
.9998215
.9998787
.9999184
.9999456
.9999640
.9999765
= np (1 p)
n
p 1/ 2
= np
Normal
,
= np
n , p 0
Poisson
Relacin entre Binomial,

Poisson y Normal
0,03
.9991259
.9993810
.9995657
.9996982
.9997922
.9998583
.9999042
.9999359
.9999575
.9999721
Binomial
n,p
0,02
.9990957
.9993590
.9995499
.9996868
.9997842
.9998527
.9999004
.9999333
.9999557
.9999709
Distribucin normal estndar (continuacin)

0,08
.9992636
.9994809
.9996375
.9997492
.9998282
.9998834
.9999216
.9999478
.9999655
.9999775
N(0,1)
z
0,09
.9992886
.9994990
.9996505
.9997584
.9998346
.9998878
.9999247
.9999499
.9999669
.9999784
P (Z z)
P(9 19,02) = 0,025
EJEMPLO
Tabla 2
g.l.
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
40
50
60
70
80
90
100
120
0,995
,00004
,01002
,0717
0,207
0,412
0,676
0,989
1,344
1,735
2,156
2,603
3,074
3,565
4,075
4,601
5,142
5,697
6,265
6,844
7,434
8,034
8,643
9,260
9,886
10,520
11,160
11,808
12,461
13,121
13,787
20,707
27,991
35,534
43,275
51,172
59,196
67,328
83,852
0,990
,00016
,0201
0,115
0,297
0,554
0,872
1,239
1,647
2,088
2,558
3,053
3,571
4,107
4,660
5,229
5,812
6,408
7,015
7,633
8,260
8,897
9,542
10,196
10,856
11,524
12,198
12,878
13,565
14,256
14,953
22,164
29,707
37,485
45,442
53,540
61,754
70,065
86,923
0,975
,00098
0,051
0,216
0,484
0,831
1,237
1,690
2,180
2,700
3,247
3,816
4,404
5,009
5,629
6,262
6,908
7,564
8,231
8,907
9,591
10,283
10,982
11,689
12,401
13,120
13,844
14,573
15,308
16,047
16,791
24,433
32,357
40,482
48,758
57,153
65,647
74,222
91,573
0,950
,00393
0,103
0,352
0,711
1,145
1,635
2,167
2,733
3,325
3,940
4,575
5,226
5,892
6,571
7,261
7,962
8,672
9,390
10,117
10,851
11,591
12,338
13,091
13,848
14,611
15,379
16,151
16,928
17,708
18,493
26,509
34,764
43,188
51,739
60,391
69,126
77,929
95,705
0,500
0,455
1,386
2,366
3,357
4,351
5,348
6,346
7,344
8,343
9,342
10,341
11,340
12,340
13,339
14,339
15,338
16,338
17,338
18,338
19,337
20,337
21,337
22,337
23,337
24,337
25,336
26,336
27,336
28,336
29,336
39,335
49,335
59,335
69,334
79,334
89,334
99,334
119,334
0,050
3,841
5,991
7,815
9,488
11,07
12,59
14,07
15,51
16,92
18,31
19,68
21,03
22,36
23,68
25,00
26,30
27,59
28,87
30,14
31,41
32,67
33,92
35,17
36,42
37,65
38,89
40,11
41,34
42,56
43,77
55,76
67,50
79,08
90,53
101,88
113,15
124,34
146,57
0,025
5,024
7,378
9,348
11,14
12,83
14,45
16,01
17,53
19,02
20,48
21,92
23,34
24,74
26,12
27,49
28,85
30,19
31,53
32,85
34,17
35,48
36,78
38,08
39,36
40,65
41,92
43,19
44,46
45,72
46,98
59,34
71,42
83,30
95,02
106,63
118,14
129,56
152,21
0,010
6,635
9,210
11,34
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,73
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,28
49,59
50,89
63,69
76,15
88,38
100,43
112,33
124,12
135,81
158,95
0,005
7,879
10,60
12,84
14,86
16,75
18,55
20,28
21,95
23,59
25,19
26,76
28,30
29,82
31,32
32,80
34,27
35,72
37,16
38,58
40,00
41,40
42,80
44,18
45,56
46,93
48,29
49,65
50,99
52,34
53,67
66,77
79,49
91,95
104,21
116,32
128,30
140,17
163,65
P(t9 2,262) = 0,025
EJEMPLO
t,
t-Student
Tabla
g.l
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
40
50
60
70
80
90
100
infinito
0,20
1,376
1,061
0,978
0,941
0,920
0,906
0,896
0,889
0,883
0,879
0,876
0,873
0,870
0,868
0,866
0,865
0,863
0,862
0,861
0,860
0,859
0,858
0,858
0,857
0,856
0,856
0,855
0,855
0,854
0,854
0,851
0,849
0,848
0,847
0,846
0,846
0,845
0,842
0,20
0,15
1,963
1,386
1,250
1,190
1,156
1,134
1,119
1,108
1,100
1,093
1,088
1,083
1,079
1,076
1,074
1,071
1,069
1,067
1,066
1,064
1,063
1,061
1,060
1,059
1,058
1,058
1,057
1,056
1,055
1,055
1,050
1,047
1,045
1,044
1,043
1,042
1,042
1,036
0,15
0,10
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,299
1,296
1,294
1,292
1,291
1,290
1,282
0,10
0,05
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,676
1,671
1,667
1,664
1,662
1,660
1,645
0,05
0,025
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,009
2,000
1,994
1,990
1,987
1,984
1,960
0,025
0,01
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,403
2,390
2,381
2,374
2,368
2,364
2,327
0,01
0,005
63,656
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,678
2,660
2,648
2,639
2,632
2,626
2,576
0,005
0,0025
127,321
14,089
7,453
5,598
4,773
4,317
4,029
3,833
3,690
3,581
3,497
3,428
3,372
3,326
3,286
3,252
3,222
3,197
3,174
3,153
3,135
3,119
3,104
3,091
3,078
3,067
3,057
3,047
3,038
3,030
2,971
2,937
2,915
2,899
2,887
2,878
2,871
2,808
0,0025
0,001
318,289
22,328
10,214
7,173
5,894
5,208
4,785
4,501
4,297
4,144
4,025
3,930
3,852
3,787
3,733
3,686
3,646
3,610
3,579
3,552
3,527
3,505
3,485
3,467
3,450
3,435
3,421
3,408
3,396
3,385
3,307
3,261
3,232
3,211
3,195
3,183
3,174
3,091
0,001
0,0005
636,578
31,600
12,924
8,610
6,869
5,959
5,408
5,041
4,781
4,587
4,437
4,318
4,221
4,140
4,073
4,015
3,965
3,922
3,883
3,850
3,819
3,792
3,768
3,745
3,725
3,707
3,689
3,674
3,660
3,646
3,551
3,496
3,460
3,435
3,416
3,402
3,390
3,291
0,0005
=0.05
1
161,4
18,51
10,13
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,23
4,21
4,20
4,18
4,17
4,08
4,03
4,00
3,98
3,96
3,95
3,94
3,92
3,84
1
2
199,5
19,00
9,55
6,94
5,79
5,14
4,74
4,46
4,26
4,10
3,98
3,89
3,81
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3,47
3,44
3,42
3,40
3,39
3,37
3,35
3,34
3,33
3,32
3,23
3,18
3,15
3,13
3,11
3,10
3,09
3,07
3,00
2
3
215,7
19,16
9,28
6,59
5,41
4,76
4,35
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10
3,07
3,05
3,03
3,01
2,99
2,98
2,96
2,95
2,93
2,92
2,84
2,79
2,76
2,74
2,72
2,71
2,70
2,68
2,60
3
4
224,6
19,25
9,12
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
2,84
2,82
2,80
2,78
2,76
2,74
2,73
2,71
2,70
2,69
2,61
2,56
2,53
2,50
2,49
2,47
2,46
2,45
2,37
4
5
230,2
19,30
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,03
2,96
2,90
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,64
2,62
2,60
2,59
2,57
2,56
2,55
2,53
2,45
2,40
2,37
2,35
2,33
2,32
2,31
2,29
2,21
5
6
234,0
19,33
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,53
2,51
2,49
2,47
2,46
2,45
2,43
2,42
2,34
2,29
2,25
2,23
2,21
2,20
2,19
2,18
2,10
6
7
236,8
19,35
8,89
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,39
2,37
2,36
2,35
2,33
2,25
2,20
2,17
2,14
2,13
2,11
2,10
2,09
2,01
7
8
238,9
19,37
8,85
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,37
2,36
2,34
2,32
2,31
2,29
2,28
2,27
2,18
2,13
2,10
2,07
2,06
2,04
2,03
2,02
1,94
8
9
240,5
19,38
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,37
2,34
2,32
2,30
2,28
2,27
2,25
2,24
2,22
2,21
2,12
2,07
2,04
2,02
2,00
1,99
1,97
1,96
1,88
9
10
241,9
19,40
8,79
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,22
2,20
2,19
2,18
2,16
2,08
2,03
1,99
1,97
1,95
1,94
1,93
1,91
1,83
10
12
243,9
19,41
8,74
5,91
4,68
4,00
3,57
3,28
3,07
2,91
2,79
2,69
2,60
2,53
2,48
2,42
2,38
2,34
2,31
2,28
2,25
2,23
2,20
2,18
2,16
2,15
2,13
2,12
2,10
2,09
2,00
1,95
1,92
1,89
1,88
1,86
1,85
1,83
1,75
12
15
245,9
19,43
8,70
5,86
4,62
3,94
3,51
3,22
3,01
2,85
2,72
2,62
2,53
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,18
2,15
2,13
2,11
2,09
2,07
2,06
2,04
2,03
2,01
1,92
1,87
1,84
1,81
1,79
1,78
1,77
1,75
1,67
15
20
248,0
19,45
8,66
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,10
2,07
2,05
2,03
2,01
1,99
1,97
1,96
1,94
1,93
1,84
1,78
1,75
1,72
1,70
1,69
1,68
1,66
1,57
20
24
249,1
19,45
8,64
5,77
4,53
3,84
3,41
3,12
2,90
2,74
2,61
2,51
2,42
2,35
2,29
2,24
2,19
2,15
2,11
2,08
2,05
2,03
2,01
1,98
1,96
1,95
1,93
1,91
1,90
1,89
1,79
1,74
1,70
1,67
1,65
1,64
1,63
1,61
1,52
24
P ( F 1 , 2 F 1 , 2 , ) =
Grados de libertad del numerador: 1
F 1 , 2 ,
Ejemplo : P ( F7,8 3.50) = 0.05
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
40
50
60
70
80
90
100
120
Inf
Tabla F
30
250,1
19,46
8,62
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
2,01
1,98
1,96
1,94
1,92
1,90
1,88
1,87
1,85
1,84
1,74
1,69
1,65
1,62
1,60
1,59
1,57
1,55
1,46
30
40
251,1
19,47
8,59
5,72
4,46
3,77
3,34
3,04
2,83
2,66
2,53
2,43
2,34
2,27
2,20
2,15
2,10
2,06
2,03
1,99
1,96
1,94
1,91
1,89
1,87
1,85
1,84
1,82
1,81
1,79
1,69
1,63
1,59
1,57
1,54
1,53
1,52
1,50
1,39
40
60
252,2
19,48
8,57
5,69
4,43
3,74
3,30
3,01
2,79
2,62
2,49
2,38
2,30
2,22
2,16
2,11
2,06
2,02
1,98
1,95
1,92
1,89
1,86
1,84
1,82
1,80
1,79
1,77
1,75
1,74
1,64
1,58
1,53
1,50
1,48
1,46
1,45
1,43
1,32
60
100
253,0
19,49
8,55
5,66
4,41
3,71
3,27
2,97
2,76
2,59
2,46
2,35
2,26
2,19
2,12
2,07
2,02
1,98
1,94
1,91
1,88
1,85
1,82
1,80
1,78
1,76
1,74
1,73
1,71
1,70
1,59
1,52
1,48
1,45
1,43
1,41
1,39
1,37
1,24
100
120
253,3
19,49
8,55
5,66
4,40
3,70
3,27
2,97
2,75
2,58
2,45
2,34
2,25
2,18
2,11
2,06
2,01
1,97
1,93
1,90
1,87
1,84
1,81
1,79
1,77
1,75
1,73
1,71
1,70
1,68
1,58
1,51
1,47
1,44
1,41
1,39
1,38
1,35
1,22
120
Inf.
254,3
19,50
8,53
5,63
4,37
3,67
3,23
2,93
2,71
2,54
2,40
2,30
2,21
2,13
2,07
2,01
1,96
1,92
1,88
1,84
1,81
1,78
1,76
1,73
1,71
1,69
1,67
1,65
1,64
1,62
1,51
1,44
1,39
1,35
1,32
1,30
1,28
1,25
1,00
Inf.
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
40
50
60
70
80
90
100
120
Inf
1
647,8
38,51
17,44
12,22
10,01
8,81
8,07
7,57
7,21
6,94
6,72
6,55
6,41
6,30
6,20
6,12
6,04
5,98
5,92
5,87
5,83
5,79
5,75
5,72
5,69
5,66
5,63
5,61
5,59
5,57
5,42
5,34
5,29
5,25
5,22
5,20
5,18
5,15
5,02
1
2
799,5
39,00
16,04
10,65
8,43
7,26
6,54
6,06
5,71
5,46
5,26
5,10
4,97
4,86
4,77
4,69
4,62
4,56
4,51
4,46
4,42
4,38
4,35
4,32
4,29
4,27
4,24
4,22
4,20
4,18
4,05
3,97
3,93
3,89
3,86
3,84
3,83
3,80
3,69
2
3
864,2
39,17
15,44
9,98
7,76
6,60
5,89
5,42
5,08
4,83
4,63
4,47
4,35
4,24
4,15
4,08
4,01
3,95
3,90
3,86
3,82
3,78
3,75
3,72
3,69
3,67
3,65
3,63
3,61
3,59
3,46
3,39
3,34
3,31
3,28
3,26
3,25
3,23
3,12
3
4
899,6
39,25
15,10
9,60
7,39
6,23
5,52
5,05
4,72
4,47
4,28
4,12
4,00
3,89
3,80
3,73
3,66
3,61
3,56
3,51
3,48
3,44
3,41
3,38
3,35
3,33
3,31
3,29
3,27
3,25
3,13
3,05
3,01
2,97
2,95
2,93
2,92
2,89
2,79
4
5
921,8
39,30
14,88
9,36
7,15
5,99
5,29
4,82
4,48
4,24
4,04
3,89
3,77
3,66
3,58
3,50
3,44
3,38
3,33
3,29
3,25
3,22
3,18
3,15
3,13
3,10
3,08
3,06
3,04
3,03
2,90
2,83
2,79
2,75
2,73
2,71
2,70
2,67
2,57
5
P ( F 1 , 2 F 1 , 2 , ) =
6
937,1
39,33
14,73
9,20
6,98
5,82
5,12
4,65
4,32
4,07
3,88
3,73
3,60
3,50
3,41
3,34
3,28
3,22
3,17
3,13
3,09
3,05
3,02
2,99
2,97
2,94
2,92
2,90
2,88
2,87
2,74
2,67
2,63
2,59
2,57
2,55
2,54
2,52
2,41
6
7
948,2
39,36
14,62
9,07
6,85
5,70
4,99
4,53
4,20
3,95
3,76
3,61
3,48
3,38
3,29
3,22
3,16
3,10
3,05
3,01
2,97
2,93
2,90
2,87
2,85
2,82
2,80
2,78
2,76
2,75
2,62
2,55
2,51
2,47
2,45
2,43
2,42
2,39
2,29
7
8
956,6
39,37
14,54
8,98
6,76
5,60
4,90
4,43
4,10
3,85
3,66
3,51
3,39
3,29
3,20
3,12
3,06
3,01
2,96
2,91
2,87
2,84
2,81
2,78
2,75
2,73
2,71
2,69
2,67
2,65
2,53
2,46
2,41
2,38
2,35
2,34
2,32
2,30
2,19
8
9
963,3
39,39
14,47
8,90
6,68
5,52
4,82
4,36
4,03
3,78
3,59
3,44
3,31
3,21
3,12
3,05
2,98
2,93
2,88
2,84
2,80
2,76
2,73
2,70
2,68
2,65
2,63
2,61
2,59
2,57
2,45
2,38
2,33
2,30
2,28
2,26
2,24
2,22
2,11
9
10
968,6
39,40
14,42
8,84
6,62
5,46
4,76
4,30
3,96
3,72
3,53
3,37
3,25
3,15
3,06
2,99
2,92
2,87
2,82
2,77
2,73
2,70
2,67
2,64
2,61
2,59
2,57
2,55
2,53
2,51
2,39
2,32
2,27
2,24
2,21
2,19
2,18
2,16
2,05
10
12
976,7
39,41
14,34
8,75
6,52
5,37
4,67
4,20
3,87
3,62
3,43
3,28
3,15
3,05
2,96
2,89
2,82
2,77
2,72
2,68
2,64
2,60
2,57
2,54
2,51
2,49
2,47
2,45
2,43
2,41
2,29
2,22
2,17
2,14
2,11
2,09
2,08
2,05
1,94
12
15
984,9
39,43
14,25
8,66
6,43
5,27
4,57
4,10
3,77
3,52
3,33
3,18
3,05
2,95
2,86
2,79
2,72
2,67
2,62
2,57
2,53
2,50
2,47
2,44
2,41
2,39
2,36
2,34
2,32
2,31
2,18
2,11
2,06
2,03
2,00
1,98
1,97
1,94
1,83
15
20
993,1
39,45
14,17
8,56
6,33
5,17
4,47
4,00
3,67
3,42
3,23
3,07
2,95
2,84
2,76
2,68
2,62
2,56
2,51
2,46
2,42
2,39
2,36
2,33
2,30
2,28
2,25
2,23
2,21
2,20
2,07
1,99
1,94
1,91
1,88
1,86
1,85
1,82
1,71
20
24
30
40
60
100
120
Inf.
997,3 1001,4 1005,6 1009,8 1013,2 1014,0 1018,3
39,46 39,46 39,47 39,48 39,49 39,49 39,50
14,12 14,08 14,04 13,99 13,96 13,95 13,90
8,51
8,46
8,41
8,36
8,32
8,31
8,26
6,28
6,23
6,18
6,12
6,08
6,07
6,02
5,12
5,07
5,01
4,96
4,92
4,90
4,85
4,41
4,36
4,31
4,25
4,21
4,20
4,14
3,95
3,89
3,84
3,78
3,74
3,73
3,67
3,61
3,56
3,51
3,45
3,40
3,39
3,33
3,37
3,31
3,26
3,20
3,15
3,14
3,08
3,17
3,12
3,06
3,00
2,96
2,94
2,88
3,02
2,96
2,91
2,85
2,80
2,79
2,72
2,89
2,84
2,78
2,72
2,67
2,66
2,60
2,79
2,73
2,67
2,61
2,56
2,55
2,49
2,70
2,64
2,59
2,52
2,47
2,46
2,40
2,63
2,57
2,51
2,45
2,40
2,38
2,32
2,56
2,50
2,44
2,38
2,33
2,32
2,25
2,50
2,44
2,38
2,32
2,27
2,26
2,19
2,45
2,39
2,33
2,27
2,22
2,20
2,13
2,41
2,35
2,29
2,22
2,17
2,16
2,09
2,37
2,31
2,25
2,18
2,13
2,11
2,04
2,33
2,27
2,21
2,14
2,09
2,08
2,00
2,30
2,24
2,18
2,11
2,06
2,04
1,97
2,27
2,21
2,15
2,08
2,02
2,01
1,94
2,24
2,18
2,12
2,05
2,00
1,98
1,91
2,22
2,16
2,09
2,03
1,97
1,95
1,88
2,19
2,13
2,07
2,00
1,94
1,93
1,85
2,17
2,11
2,05
1,98
1,92
1,91
1,83
2,15
2,09
2,03
1,96
1,90
1,89
1,81
2,14
2,07
2,01
1,94
1,88
1,87
1,79
2,01
1,94
1,88
1,80
1,74
1,72
1,64
1,93
1,87
1,80
1,72
1,66
1,64
1,55
1,88
1,82
1,74
1,67
1,60
1,58
1,48
1,85
1,78
1,71
1,63
1,56
1,54
1,44
1,82
1,75
1,68
1,60
1,53
1,51
1,40
1,80
1,73
1,66
1,58
1,50
1,48
1,37
1,78
1,71
1,64
1,56
1,48
1,46
1,35
1,76
1,69
1,61
1,53
1,45
1,43
1,31
1,64
1,57
1,48
1,39
1,30
1,27
1,00
24
30
40
60
100
120
Inf.
F 1 , 2 ,
Ejemplo : P ( F7,8 4.53) = 0.025
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
40
50
60
70
80
90
100
120
Inf
=0.025
Tabla F
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
40
50
60
70
80
90
100
120
Inf
1
4052,2
98,50
34,12
21,20
16,26
13,75
12,25
11,26
10,56
10,04
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,29
8,18
8,10
8,02
7,95
7,88
7,82
7,77
7,72
7,68
7,64
7,60
7,56
7,31
7,17
7,08
7,01
6,96
6,93
6,90
6,85
6,63
1
2
4999,3
99,00
30,82
18,00
13,27
10,92
9,55
8,65
8,02
7,56
7,21
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,53
5,49
5,45
5,42
5,39
5,18
5,06
4,98
4,92
4,88
4,85
4,82
4,79
4,61
2
3
5403,5
99,16
29,46
16,69
12,06
9,78
8,45
7,59
6,99
6,55
6,22
5,95
5,74
5,56
5,42
5,29
5,19
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,68
4,64
4,60
4,57
4,54
4,51
4,31
4,20
4,13
4,07
4,04
4,01
3,98
3,95
3,78
3
4
5624,3
99,25
28,71
15,98
11,39
9,15
7,85
7,01
6,42
5,99
5,67
5,41
5,21
5,04
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,14
4,11
4,07
4,04
4,02
3,83
3,72
3,65
3,60
3,56
3,53
3,51
3,48
3,32
4
5
5764,0
99,30
28,24
15,52
10,97
8,75
7,46
6,63
6,06
5,64
5,32
5,06
4,86
4,69
4,56
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,85
3,82
3,78
3,75
3,73
3,70
3,51
3,41
3,34
3,29
3,26
3,23
3,21
3,17
3,02
5
P ( F 1 , 2 F 1 , 2 , ) =
6
5859,0
99,33
27,91
15,21
10,67
8,47
7,19
6,37
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,59
3,56
3,53
3,50
3,47
3,29
3,19
3,12
3,07
3,04
3,01
2,99
2,96
2,80
6
7
5928,3
99,36
27,67
14,98
10,46
8,26
6,99
6,18
5,61
5,20
4,89
4,64
4,44
4,28
4,14
4,03
3,93
3,84
3,77
3,70
3,64
3,59
3,54
3,50
3,46
3,42
3,39
3,36
3,33
3,30
3,12
3,02
2,95
2,91
2,87
2,84
2,82
2,79
2,64
7
8
5981,0
99,38
27,49
14,80
10,29
8,10
6,84
6,03
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,29
3,26
3,23
3,20
3,17
2,99
2,89
2,82
2,78
2,74
2,72
2,69
2,66
2,51
8
9
6022,4
99,39
27,34
14,66
10,16
7,98
6,72
5,91
5,35
4,94
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,46
3,40
3,35
3,30
3,26
3,22
3,18
3,15
3,12
3,09
3,07
2,89
2,78
2,72
2,67
2,64
2,61
2,59
2,56
2,41
9
10
6055,9
99,40
27,23
14,55
10,05
7,87
6,62
5,81
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
3,09
3,06
3,03
3,00
2,98
2,80
2,70
2,63
2,59
2,55
2,52
2,50
2,47
2,32
10
12
6106,7
99,42
27,05
14,37
9,89
7,72
6,47
5,67
5,11
4,71
4,40
4,16
3,96
3,80
3,67
3,55
3,46
3,37
3,30
3,23
3,17
3,12
3,07
3,03
2,99
2,96
2,93
2,90
2,87
2,84
2,66
2,56
2,50
2,45
2,42
2,39
2,37
2,34
2,18
12
15
6157,0
99,43
26,87
14,20
9,72
7,56
6,31
5,52
4,96
4,56
4,25
4,01
3,82
3,66
3,52
3,41
3,31
3,23
3,15
3,09
3,03
2,98
2,93
2,89
2,85
2,81
2,78
2,75
2,73
2,70
2,52
2,42
2,35
2,31
2,27
2,24
2,22
2,19
2,04
15
20
6208,7
99,45
26,69
14,02
9,55
7,40
6,16
5,36
4,81
4,41
4,10
3,86
3,66
3,51
3,37
3,26
3,16
3,08
3,00
2,94
2,88
2,83
2,78
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,37
2,27
2,20
2,15
2,12
2,09
2,07
2,03
1,88
20
24
6234,3
99,46
26,60
13,93
9,47
7,31
6,07
5,28
4,73
4,33
4,02
3,78
3,59
3,43
3,29
3,18
3,08
3,00
2,92
2,86
2,80
2,75
2,70
2,66
2,62
2,58
2,55
2,52
2,49
2,47
2,29
2,18
2,12
2,07
2,03
2,00
1,98
1,95
1,79
24
F 1 , 2 ,
Ejemplo : P ( F7,8 6.18) = 0.01
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
40
50
60
70
80
90
100
120
Inf
=0.01
Tabla F
30
6260,4
99,47
26,50
13,84
9,38
7,23
5,99
5,20
4,65
4,25
3,94
3,70
3,51
3,35
3,21
3,10
3,00
2,92
2,84
2,78
2,72
2,67
2,62
2,58
2,54
2,50
2,47
2,44
2,41
2,39
2,20
2,10
2,03
1,98
1,94
1,92
1,89
1,86
1,70
30
40
6286,4
99,48
26,41
13,75
9,29
7,14
5,91
5,12
4,57
4,17
3,86
3,62
3,43
3,27
3,13
3,02
2,92
2,84
2,76
2,69
2,64
2,58
2,54
2,49
2,45
2,42
2,38
2,35
2,33
2,30
2,11
2,01
1,94
1,89
1,85
1,82
1,80
1,76
1,59
40
60
6313,0
99,48
26,32
13,65
9,20
7,06
5,82
5,03
4,48
4,08
3,78
3,54
3,34
3,18
3,05
2,93
2,83
2,75
2,67
2,61
2,55
2,50
2,45
2,40
2,36
2,33
2,29
2,26
2,23
2,21
2,02
1,91
1,84
1,78
1,75
1,72
1,69
1,66
1,47
60
100
6333,9
99,49
26,24
13,58
9,13
6,99
5,75
4,96
4,41
4,01
3,71
3,47
3,27
3,11
2,98
2,86
2,76
2,68
2,60
2,54
2,48
2,42
2,37
2,33
2,29
2,25
2,22
2,19
2,16
2,13
1,94
1,82
1,75
1,70
1,65
1,62
1,60
1,56
1,36
100
120
6339,5
99,49
26,22
13,56
9,11
6,97
5,74
4,95
4,40
4,00
3,69
3,45
3,25
3,09
2,96
2,84
2,75
2,66
2,58
2,52
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,17
2,14
2,11
1,92
1,80
1,73
1,67
1,63
1,60
1,57
1,53
1,32
120
Inf.
6365,6
99,50
26,13
13,46
9,02
6,88
5,65
4,86
4,31
3,91
3,60
3,36
3,17
3,00
2,87
2,75
2,65
2,57
2,49
2,42
2,36
2,31
2,26
2,21
2,17
2,13
2,10
2,06
2,03
2,01
1,80
1,68
1,60
1,54
1,49
1,46
1,43
1,38
1,00
Inf.
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
40
50
60
70
80
90
100
120
Inf

Estadistica Descriptiva

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estadistica Descriptiva

Enviado por

Direitos autorais:

Formatos disponíveis

ESTADSTICA

Escuela Tcnica Superior de

GRADO EN INGENIERIA EN TECNOLOGIAS INDUSTRIALES (GITI)

administracion de empresas y estadstica.

Histogramas para coches

Densidad de la tierra (Cavendish, 1798)

Desv. Tp. = 0.338

Max {xi : xi LS}

Densidad de la tierra (Cavendish, 1798)

Diagrama de caja mltiple

Diagrama de caja mltiple

Consumo segn ao de fabricacin

Diagrama de Caja Mltiple

Producto interior bruto per capita

Diagrama de tallos y hojas

Efecto de la transformacin de datos

Grficos de dispersin: ejemplo coches

Matriz de varianzas: ejemplo coches

Las variables estn muy correlacionadas

y1i a11 a12

y2i a21 a22

y2i = a21x1i + a22 x2i + + amk xki

ymi = am1x1i + am 2 x2i + + amk xki

Mortalidad infantil (muertes por 1000 nacimientos vivos)

Producto interior bruto per-capita

1.4 Si y = log x, obtener expresiones aproximadas para la media y la varianza de y en funci

Probabilidad y variable aleatoria

EL trmino experimento aleatorio se

Obtener un nmero par al lanzar un dado:

Observar menos de 5 piezas defectuosas en una

Tener ms de 50 llamadas de telfono en una hora:

Tener una demanda de energa elctrica entre 300

Probabilidad y variable aleatoria

Probabilidad y variable aleatoria

Probabilidad y variable aleatoria

Probabilidad y variable aleatoria

3. Para una secuencia de sucesos A1,A2 , , An

Probabilidad y variable aleatoria

P(A1)+P( A2)+ ...+P(An)=1.

Probabilidad y variable aleatoria

Probabilidad y variable aleatoria

Probabilidad y variable aleatoria

Clsica: sucesos equiprobables

donde N es el nmero de resultados

Probabilidad y variable aleatoria

Lanzamiento de un dado. S={1,2,3,4,5,6}

Extraccin de una de las 40 cartas de la

Probabilidad y variable aleatoria

Lanzamiento de dos dados

P(suma 7) = 6/36 = 1/6

Probabilidad y variable aleatoria

Urna: 2 Negras y 3 Blancas

Se extraen dos bolas al azar, una detrs de

Probabilidad y variable aleatoria

Urna: 2 Negras y 3 Blancas

Se extraen dos bolas al azar, una detrs de

Probabilidad y variable aleatoria

Combinatoria: 5 objetos tomados de dos en dos

Probabilidad y variable aleatoria

Combinatoria: Nmero posible de

Probabilidad y variable aleatoria

La primitiva. Se eligen 6 nmeros distintos del 1 al 49,

Probabilidad y variable aleatoria