Escolar Documentos
Profissional Documentos
Cultura Documentos
Descriptiva
Probabilidad
Inferencia
CURSO 2014/2015
ESTADISTICA
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
Estadstica Descriptiva
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
Estadstica Descriptiva
Histograma
150
120
90
60
30
0
0
10
15
20
25
consumo
5
Estadstica Descriptiva
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
Estadstica Descriptiva
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
Estadstica Descriptiva
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
Estadstica Descriptiva
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
Estadstica Descriptiva
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
Estadstica Descriptiva
>
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
Estadstica Descriptiva
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
Estadstica Descriptiva
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
Estadstica Descriptiva
Diagrama de caja
Min {xi : xi LI}
Q1 Q2
Q3
atpicos
12
16
20
24
consumo
LI = Q1 -1.5 RI
Estadstica Descriptiva
RI = Q3 - Q1
LS = Q3+1.5 RI
14
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
Estadstica Descriptiva
Japn
0
12
16
20
24
consumo
Estadstica Descriptiva
16
800
1100
1400
1700
2000
peso
17
Estadstica Descriptiva
12
16
20
24
consumo
Estadstica Descriptiva
18
Grecia
OCDE
Europa Oriental
Japn
Asia/Pacfico
frica
Gabn
Oriente Medio
America Latina
Barbados
12
16
20
24
X1000
19
Estadstica Descriptiva
4|
4|
4|
4|
4|8
5|1
5|222233333
5|444455555
5|666677
5|88
Estadstica Descriptiva
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
Estadstica Descriptiva
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
Estadstica Descriptiva
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
Estadstica Descriptiva
240
200
120
160
90
120
60
80
30
40
0
-10
10
30
50
70
yi = log xi
Estadstica Descriptiva
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
Estadstica Descriptiva
Datos
Variables
Y1
x11
Y2 Yk
x21 xk1
2 x12
x22 xk 2
n x1n
Estadstica Descriptiva
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
Estadstica Descriptiva
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
Estadstica Descriptiva
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
Estadstica Descriptiva
30
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
Estadstica Descriptiva
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
Estadstica Descriptiva
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
Estadstica Descriptiva
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
Estadstica Descriptiva
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
Estadstica Descriptiva
Transformaciones lineales II
y1i = a11x1i + a12 x2i + + a1k xki
y a
mi m1 am 2
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
Estadstica Descriptiva
SX2
36
Coef. correlacin
r 2 = 0 . 80
r =1
2
r2 = 0
r 2 = 0 . 50
37
Estadstica Descriptiva
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
Estadstica Descriptiva
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
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
Experimento Aleatorio
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.
Probabilidad y variable aleatoria
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, )}
Probabilidad y variable aleatoria
Suceso
Cualquier subconjunto del espacio muestral.
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
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
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
N ( A)
,
N
14
Ejemplos (equiprobabilidad)
Lanzamiento de una moneda. S={C,X}
P(C ) =
1
2
3 1
= .
6 2
10 1
= .
40 4
15
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)
16
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
17
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
18
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
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
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
P ( A) =
N ( A) 10 9 8 7 6
=
= 0.3024
5
N
10
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
P ( A) = lim
nA
n
25
0,50
0,00
0
50
100
150
200
N de lanzam iento
26
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)
Probabilidad y variable aleatoria
31
Ejemplo Urna
Probabilidad de 1 Blanca y 2 Negra
Sin reemplazamiento:
32
Cumpleaos
Probabilidad de que en un grupo de r = 25 personas
haya al menos dos con el mismo cumpleaos.
1
2 ... 365
A1
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
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
Probabilidad y variable aleatoria
34
Ejemplo (cont.)
Urna U1
Urna U2
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
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)
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( D | M 1 ) P(M 1 ) + P( D | M 2 ) P(M 2 ) + P( D | M 3 ) P(M 3 )
=
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 )
P( D | M 1 ) P(M 1 ) + P( D | M 2 ) P(M 2 ) + 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
42
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
44
2. 2 Variable aleatoria
Experimento Aleatorio
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
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
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
Lanzamiento de un dado
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
a.
lim F ( x) = 0 y
lim F ( x) = 1.
x +
55
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.
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
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
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.
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 =
Var[ X ] = ( x ) 2 f X ( x) dx
64
Propiedades de la varianza
1. Var ( X ) = E[( X ) 2 ]
= E[ X 2 ] 2 .
65
Ejemplos
Lanzamiento de un dado
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
Probabilidad y variable aleatoria
66
Desigualdad de Tchebychev
Area 1
-k
1
k2
+k
= E[ X ]
2 = Var[ X ]
1
P( X k ) > 1 2 .
k
67
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
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
Probabilidad y variable aleatoria
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 )
Probabilidad y variable aleatoria
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
Probabilidad y variable aleatoria
76
77
g ( x) = Fy ( x)
78
79
Aplicacin: Simulacin de
Monte Carlo
Simulacin con ordenador
aleatorios; tiene dos vertientes:
de
procesos
80
81
Ejercicios propuestos
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
2.14 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.
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
1
E [X]
a
>0
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.
La probabilidad de defectuoso es la
misma p en todos los experimentos.
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.
Modelos univariantes
Proporcin defectuosas = p
X = N de defectuosas al extraer n piezas
Modelos univariantes
p 4 (1 p) 6
10
4
10
P( X = 4) = p 4 (1 p) 6
4
Modelos univariantes
(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
Modelos univariantes
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
Modelos univariantes
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
Modelos univariantes
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
Modelos univariantes
10
Proporcin defectuosas = p
11
Modelos univariantes
...
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,...
Modelos univariantes
12
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
Modelos univariantes
13
Distribucin de Poisson
Modelos univariantes
14
Distribucin de Poisson
15
Modelos univariantes
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!
Modelos univariantes
e ,
x = 0 ,1, 2 ,...
16
Distribucin de Poisson
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
Modelos univariantes
Media y Varianza
P ( X = x) =
x
x!
E[ X ] = x
x=0
= e
E[ X ] =
Modelos univariantes
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
Modelos univariantes
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
Modelos univariantes
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
Modelos univariantes
Distribucin Exponencial
T
t1
t2 t3
t4
t5 t6
t7
Modelos univariantes
22
Distribucin Exponencial
T t
0
Modelos univariantes
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
Modelos univariantes
dt =
= t 2e t dt
0
24
Distribucin Normal
Campana de Gauss
1 x 2
1
exp
f X ( x) =
, x
2
25
Modelos univariantes
Medidas Caractersticas
X N ( , )
Var[ X ] = 2
E[ X ] =
E[( X ) 4 ] = 3 4
E[( X )3 ] = 0
CA = Asimetra =
E[( X )3 ]
Modelos univariantes
=0
CAp = Curtosis =
E[( X ) 4 ]
=3
26
0.68
0.955
0.997
+2
- 2
- 3
+3
27
Modelos univariantes
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
Modelos univariantes
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
Modelos univariantes
TABLA
Normal Estndar
P (Z z)
N(0,1)
z
Ejemplo.
Modelos univariantes
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
Modelos univariantes
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.
Modelos univariantes
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
Modelos univariantes
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
Modelos univariantes
34
Ejercicios propuestos
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
(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)
Curso 2014-15
Ejercicios propuestos
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}
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
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
(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)
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
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
frecuencia
40
30
20
10
0
230
235
240
245
250
255
260
Espesor
Estimacin puntual
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
1 , 2 ,..., r ?
Estimacin puntual
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
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
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
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!
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
12
fX
13
Estimacin puntual
2
2
Parmetros : , ?
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
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
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
p =
r
n
16
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
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
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
Distribucin de S2 (Normal)
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
Distribucin de S2 (Normal)
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
frecuencia
400
300
200
100
0
0
20
40
60
80
varianza muestral
25
Estimacin puntual
= 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
(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
Ejercicios propuestos
0
17
1
5
Estimar
2
3
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.
x < 0;
0 x
x> :
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;
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(
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
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
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)
Intervalos de confianza
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
Intervalos de confianza
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
Intervalos de confianza
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
Intervalos de confianza
95 %
0,55
99 %
0,61
6
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
Intervalos de confianza
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
Intervalos de confianza
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
Intervalos de confianza
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
Intervalos de confianza
n21
12 / 2 ) = 1
(n 1) s 2
n21
/2
/ 2
2 / 2
/2
12 / 2
10
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
Intervalos de confianza
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
Intervalos de confianza
12
= 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
Intervalos de confianza
Tabla
t-Student
t,
: grados de libertad (g.l.)
EJEMPLO
P(t9 2,262) = 0,025
Intervalos de confianza
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-
: grados de libertad (g.l.)
EJEMPLO
P(9 19,02) = 0,025
Intervalos de confianza
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
Ejercicios propuestos
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.
i=1
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
Contrastes de hiptesis
Nivel de significacin
= P( rechazar H0 | H0 es cierta)
Regin de
Aceptacin de Ho
N(0,1)
Regin de
Rechazo Ho
z
Contrastes de hiptesis
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
Contrastes de hiptesis
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
Contrastes de hiptesis
Tipos de errores
RESULTADO CONTRASTE
Se Rechaza Ho
REALIDAD
Se Acepta Ho
Ho
CIERTA
Ho
FALSA
Ok
Error tipo I
Error tipo II
Ok
Contrastes de hiptesis
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 de significacin
Contrastes de hiptesis
p = p0
H1 :
p > p0
P N ( p,
p (1 p )
)
n
Contrastes de hiptesis
Ejemplo
Datos:
p =
220
= 0.55
400
R.R. H0
Regin de
Aceptacin
Ho
= 0.05
p valor
0.0228
2
1.64
Contrastes de hiptesis
10
p-valor <
p valor <
Se rechaza H0
z
R.R. H0
p-valor
p valor
No se rechaza H0
z
11
Contrastes de hiptesis
X1, X 2 ,..., X n N (, )
H 0 : = 0
H1 : 0
X N ( ,
X
N (0,1)
/ n
x 0
z0 =
/ n
Contrastes de hiptesis
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
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
Contrastes de hiptesis
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
Contrastes de hiptesis
[
[
02 2 / 2 , 12 / 2
02
2
/ 2 , 1 / 2
]
]
No rechazo H 0
Rechazo H 0
14
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
Contrastes de hiptesis
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
Contrastes de hiptesis
02 =
16
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
Contrastes de hiptesis
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
Contrastes de hiptesis
19
Mtodo: 4 pasos
Contrastes de hiptesis
20
Modelo
y11
y12
y 21
y1n1
y 22
y 2 n2
M
O
D
E
L
O
D
A
T
O
S
21
Contrastes de hiptesis
Normalidad
yij N(i,2)
Homocedasticidad
Var [yij] = 2
Parmetros
1
2
2
Independencia
Cov [yij, ykl] = 0
Contrastes de hiptesis
22
Modelo
yij = i + uij ,
uij N (0, 2 )
Parte predecible
Parte aleatoria
uij
0
23
Contrastes de hiptesis
Estimacin medias:
n1
y1 j
1 : y1 =
j =1
n1
n2
y2 j
2 : y2 =
Contrastes de hiptesis
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
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
Contrastes de hiptesis
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 =
Contrastes de hiptesis
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
Contrastes de hiptesis
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
Contrastes de hiptesis
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
Contrastes de hiptesis
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
30
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
Contrastes de hiptesis
Conclusiones (fijado )
Contrastes de hiptesis
Contrastes de hiptesis
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
Contrastes de hiptesis
/2
1-
1 1
+
n1 n2
34
0.025
-2.10
2.10
1
+
1 2 ( y1 y 2 ) t / 2 s R
n1 n 2
1
1
+
10 10
35
Contrastes de hiptesis
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
Contrastes de hiptesis
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
Contrastes de hiptesis
Distribucin F
F40,40
F20,40
F10,40
F5,40
Contrastes de hiptesis
38
Algunas distribuciones F
F10,80
F10,40
F10,20
F10,10
39
Contrastes de hiptesis
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
Contrastes de hiptesis
40
RR
0.025
RR
0.025
0.248 1.37
154.02
F0 =
= 1.37
111.7
4.03
Contrastes de hiptesis
Tabla F
F1 , 2 ,
P ( F1 , 2 F1 , 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
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
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
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
MUESTRA n
X 1 , X 2 ,..., X n
X N ( , ) ?
= x
= s
Datos Conocidos
46
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
Contrastes de hiptesis
frecuencia
40
30
20
10
0
230
235
240
245
250
255
260
Espesor
Contrastes de hiptesis
48
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
Contrastes de hiptesis
Ok Ek
Ok Ek
N (0,1)
Ek
Ek
k =1
K
K N de CLASES
Contrastes de hiptesis
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
Contrastes de hiptesis
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
)
4
4
4
= P (0.275 Z 0.775)
= 0.1714
= Pr(
52
Contraste de Normalidad
H 0 : X i Normal
H1 : X i
/ Normal
02
p valor = 0.2037
0,100
0,080
0,060
= 0.05
0,040
0,020
0,000
0,00
5,00
10,00
12,59
15,00
20,00
Contrastes de hiptesis
Contrastes de hiptesis
54
Pr( X = i) = 1/ 6, i = 1,2,...,6
H o : X Equiprobable
H1 : X No equiprobable
02 =
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
Contrastes de hiptesis
55
Contrastes de hiptesis
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
Contrastes de hiptesis
H 0 : X i Normal
H1 : X i
/ Normal
De la muestra
Contrastes de hiptesis
x = 30, 09
s = 0, 97
58
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
=
0, 97
0, 97
= PZ 0, 40 = 0, 34.
59
Contrastes de hiptesis
Ejemplo
Nivel de significacin
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
Contrastes de hiptesis
61
Ejercicios propuestos
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
xi (Km)
27465
27572
sbi (Km)
2500
3000
1. Calcular, con
= 0:01;
ni
121
121
2
1
2:
2
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
H0 :
= 200 horas,
H1 :
= 0:05:
10 de octubre de 2011
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
10 de octubre de 2011
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?
10 de octubre de 2011
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
10 de octubre de 2011
0,35
0,40
0,05
P (A B) = 1 0,8 = 0,2
10 de octubre de 2011
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
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.
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
10 de octubre de 2011
s2y sxy
= 0,1513
s2x + s2y 2sxy
10 de octubre de 2011
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
10 de octubre de 2011
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?
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
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
10 de octubre de 2011
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
14 de noviembre de 2011
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.
14 de noviembre de 2011
14 de noviembre de 2011
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 (
c7
2,697
14 de noviembre de 2011
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
umero esperado de radionucleidos sin desintegrar al cabo de 100 a
nos:
E[X] = np = 1,3398 1016 0,0909 = 1,2179 1015
14 de noviembre de 2011
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
14 de noviembre de 2011
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 )
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 ) =
=
=
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.
No de bombillas
25
15
15
8
12
75
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 .
21 de diciembre de 2011
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.
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.
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
p = 0,65
n = 38, 84 39
21 de diciembre de 2011
No de bombillas
25
15
15
8
12
75
Soluci
on:
La funcion de densidad: fT (t) =
1
200
exp(t/200)
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
21 de diciembre de 2011
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
b ] = 2E[X] 1 = 2
E[N
N +1
1=N
2
4var[X]
;
n
(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
21 de diciembre de 2011
N (6,24,
0,010
)) =
5
H0 : 2X = 4,0 106
Si H0 cierta
(n 1)b
s2X
2X
Se rechaza H0 si
9 sb2X
2n1
4,0 106
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 =
17 de enero de 2012
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
=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
2. Cul es la probabilidad
defectuosos?
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
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
120
100
80
60
40
20
0
1.4
1.6
1.8
2.2
2.4
2.6
2.8
3.2
= 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
= ( 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)
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
Problema (Parte 3)
respectivamente, calculando el
11 ++1
centrado de :
y ( 1)[b
21 ] = [21 ] ! [21 ] =
sesgo(21 ) = [21 ]
(1)
(1)
1 ++10
,
10
donde las = 1 10
( ; p =
10
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
[ ] =
1 ++10
10
1
102
10
P
( ) =
=1
10
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
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
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
1 :
2
2
=
6= 1
Se utiliza que
50015001
2
2
=
= 1, luego 0 =
2
2
00519
00497
= 10443
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
= 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
= 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
k
0.4 0.6 0.5
k 0
1
0.4
1 0.6 0.5
0.5714
= 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
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
95 94 93 92 91
0.7696
100 99 98 97 96
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
19 de noviembre de 2012
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?
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.
19 de noviembre de 2012
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?
19 de noviembre de 2012
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.
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
1jX2
B(30; 0;025)) = 1
B(30; 0;025))
P (X1
1jX1
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
+P (X1 = 1jX1
=
B(30; 0;025))+
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
P oisson( defectos/km)
P oisson( =2 defectos en 1/2 km)
19 de noviembre de 2012
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:
X2 ; y en forma matricial:
=A
X1
X2
1
1
1
1
X1
X2
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
19 de noviembre de 2012
= 8=5 = 1; 6)
p
((12 10)= 1; 6) = 1
(1; 58) = 1
0; 943 = 0; 057
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
20 de diciembre de 2012
sea un estimador centrado, as como el valor de a para que tenga Error Cuadratico Medio (ECM)
mnimo.
0
19
1
20
2
24
3
19
4
22
5
20
6
16
7
12
8
25
9
.
23
20 de diciembre de 2012
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
20 de diciembre de 2012
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).
(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
2 )
m
4 2(n
1) y
( a2 + 2a + a2 n2 + 1
2an):
( 2a + 2 + 2an2
( 2a + 2 + 2an2
2n) = 0 cuando a =
2n);
1
:
n+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.
x=
= 4;7
n
b
= 5;875
20 de diciembre de 2012
0
19
1
20
2
24
3
19
5
20
6
16
7
12
8
25
9
.
23
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 :
20 de diciembre de 2012
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
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.
2b
1; 96
Apartado 2)
b=138 =)
20 de diciembre de 2012
li )
N(
li ;
li )
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
0;9138
q
0;8
0;8
138
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 <
138
1A
23 de enero de 2013
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
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 ) =
2
10
23 de enero de 2013
1 13
4
P (C1 C2 |M1 M1 )P (M1 M1 )
=
/
=
P (C1 C2 )
10 40
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
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
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
14 de octubre de 2013
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
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?
14 de octubre de 2013
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.
14 de octubre de 2013
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
14 de octubre de 2013
Cuestin 1:
Clculo del valor de :
+
() = 1
() = =
= =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 ( )
__
ET
cumple:
max( ), () ( ) 1
_
E
_
T
__
ET
14 de octubre de 2013
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
0.063 4
1
1
2
0.063 4 + 0.002 4 + 0.063 4
= 0.33
14 de octubre de 2013
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
Apartado 2:
() = ( ) = 2 log() =
1 0.25
De igual forma:
252
(2 2 )
2
(22 )
2
0.25
2)
(2
= 0.8220
= 1
2
(22 )
= 0.25
Apartado 3:
() =
Otra forma:
2
(22 )
2
2
, 0
2
(22 )
() = 1 ()
0
= 1 ()
= ()
=
=
() = 1 ()0 + () = 0 + [] = E[X]
0
, 0
18 de noviembre de 2013
18 de noviembre de 2013
18 de noviembre de 2013
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
18 de noviembre de 2013
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
16 de diciembre de 2013
2 4
n1 ,
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
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).
16 de diciembre de 2013
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.
16 de diciembre de 2013
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
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
)=
0.36c
0.36(10.36)
n
0.36c
0.36(10.36)
n
= 0.805.
2.
E[
s2R ] = E[
s21 +
s22 ] = E[
s21 ] + E[
s22 ] = ( + ) 2
Para que sea insesgado E[
s2R ] = 2 ( + ) 2 = 2 ( + ) = 1 = 1 .
4
2 n2
+ (1 )2 n2
1 1
2 1
16 de diciembre de 2013
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 + n1 1) (n2 1 + n1 1)
(n2 1 + n1 1)
(n2 1 + n1 1)
=
No de alumnos
nA = 64
nB = 95
Media puntuaciones
xA = 97.0
xB = 98.9
x1 x2 (1 2 )
sR n1 + n1
1
tn1 +n2 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
16 de diciembre de 2013
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
= 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
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
= 0.123
= 9 4 = 36
fallos
da
(X > 48 )
48.5 36
) = 0.0186
6
(9,
3
)
200
= (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
:
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 = 0.90
( ) = ( 0 | 0 )
0.88 0.12
0.90 0.10
| ~ (0.90,
))
= <
0.88 0.12
0.88 + 1.64
0.90
0.90 0.10
= 0.01
)
0.88 + 1.64
0.90 0.10
= 2.32
0.88 0.12
0.90 0.10
0.02 + 1.64
= 2.32
Estadstica
24/junio/2014
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
var[b
a] = 4a2 /12n = a2 /3n;
Error cuadratico medio: ECM = a2 /3n
Cuestion 2:
( )
( | )
( )
( | )
( | )
( )
( )
( | )
( )
( | )
( | )
( )
)
)
))
( )
( )
( | )
( | )
( )
( | )
( | )
( )
)
)
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
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
N(0,1)
z
0,09
.9992886
.9994990
.9996505
.9997584
.9998346
.9998878
.9999247
.9999499
.9999669
.9999784
P (Z z)
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
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 , ) =
F 1 , 2 ,
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 ,
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 ,
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