Libro Estad. Total

ESTADSTICA
1. Descriptiva
2. Probabilidad
3. Inferencia
4. Anlisis de la
varianza
5. Diseo de
Experimento
6. Regresin
lineal
Departamento de Ingeniera de Organizacin, Administracin de Empresas y Estadstica
Escuela Tcnica Superior de
Ingenieros Industriales
Universidad Politcnica de Madrid
w
w
w
.
e
t
s
i
i
.
u
p
m
.
e
s
/
i
n
g
o
r
/
e
s
t
a
d
i
s
t
i
c
a
/

LABORATORIO DE ESTAD
ISTICA
Departamento de ingenier
a de organizaci
on,
administraci on de empresas y estadstica.
Escuela Tecnica Superior de Ingenieros Industriales
Universidad Politecnica de Madrid
ESTAD
ISTICA
1
.
PROGRAMA
1. Estadstica Descriptiva. Datos: tipos de datos. Distribuci on de frecuencias e
histograma. Medidas caractersticas. Diagrama de cajas. Diagrama de tallos y hojas.
Transformaciones de datos. Datos multivariantes. Vector de medias y matriz de varian-
zas. Correlaci on. Transformaciones.
2. Probabilidad. Experimento aleatorio. Denicion de variable aleatoria discreta. Dis-
tribuci on de probabilidad. Funcion de distribucion. Variable aleatoria continua. Funci on
de densidad. Transformaciones. Esperanza y varianza. Momentos. Proceso de Bernoulli:
Distribucion binomial. Proceso de Poisson: Distribuci on de Poisson. Distribucion ex-
ponencial. Distribuci on normal. La distribuci on normal como aproximaci on de las dis-
tribuciones binomial y de Poisson. Distribucion conjunta. Deniciones de distribuci on
conjunta, marginal y condicionada. Funciones de densidad de varias variables. Esperanza.
Covarianza y correlaci on. Generalizaci on a n variables aleatorias. Independencia. Trans-
formaciones lineales. Media de variables aleatorias independientes: el teorema central del
lmite.
3. Inferencia. Concepto de inferencia. Distintos problemas de inferencia. Metodos de
estimaci on: metodo de los momentos, metodo de m axima verosimilitud. Aplicaci on a las
distribuciones binomial, Poisson, exponencial y normal. Distribuci on de los estimadores.
Distribucion
2
de Pearson. Comparaci on de estimadores. Propiedades deseables de un
estimador. Concepto de intervalo de conanza. Intervalo de conanza para la media de
una distribucion normal con varianza conocida. Intervalo de conanza para la media y
la varianza de una distribuci on normal. La distribuci on t de Student. Intervalos de con-
anza en general. Aplicaciones a las distribuciones de Poisson, binomial y exponencial.
Contrastes de hipotesis. Contrastes par ametricos: hipotesis nula e hipotesis alternativa.
Nivel de signicacion y region de rechazo. Nivel crtico p. Errores tipo I y II de un
contraste. Potencia de un contraste. Aplicaci on a la normal, binomial y Poisson. Con-
trastes de bondad de ajuste (no parametricos): contraste
2
de Pearson y el contraste de
Kolmogorov-Smirnov.
4. Analisis de la varianza. Comparaci on de dos tratamientos. La hipotesis de normal-
idad, independencia y homocedasticidad. Estimaci on. Contraste de igualdad de medias.
Contraste de igualdad de varianzas. La distribuci on F. Comparaci on de varios tratamien-
tos. Modelo basico. Descomposicion de la variabilidad. Tabla del an alisis de la varianza
(ADEVA). Contraste de igualdad de medias. Comparaciones m ultiples. Diagnosis de las
hipotesis del modelo de an alisis de la varianza. Graco probabilista normal. Contrastes
de homocedasticidad. Aleatorizaci on.
5. Dise no de experimentos. El modelo en bloques aleatorizados. Modelo y esti-
maci on. Descomposicion de la variabilidad. Tabla de analisis de la varianza. Modelo
con dos factores. Concepto de interacci on. Descomposicion de la variabilidad. Tabla de
an alisis de la varianza. Modelo con m as factores. Cuadrado Latino.
6. Regresion lineal. Hip otesis del modelo. Estimaci on de los par ametros por m axima
verosimilitud (mnimos cuadrados). Distribuci on de los estimadores. Contrastes individ-
uales de los par ametros del modelo. Contraste general de regresion. El coeciente de
determinaci on. Multicolinealidad: identicaci on y sus consecuencias. Predicci on en re-
gresi on simple y regresion m ultiple. Variables cualitativas como regresores. Diagnosis del
modelo.
1
.
1. Estadstica descriptiva
Curso 2004-05
Estadstica
Estadstica Descriptiva 2
Datos
Nmero Consumo Cilindrada Potencia Peso Aceleracin Ao Pas N Cilindros
l/100Km cc CV kg segundos
1 15 4982 150 1144 12 70 EEUU 8
2 16 6391 190 1283 9 70 EEUU 8
3 24 5031 200 1458 15 70 EEUU 8
4 9 1491 70 651 21 71 EEUU 4
5 11 2294 72 802 19 71 EEUU 4
6 17 5752 153 1384 14 71 EEUU 8
7 12 2294 90 802 20 72 EEUU 4
8 17 6555 175 1461 12 72 EEUU 8
9 18 6555 190 1474 13 72 EEUU 8
10 12 1147 97 776 14 72 Japn 3
11 16 5735 145 1360 13 73 EEUU 8
12 12 1868 91 860 14 73 Europa 4
13 9 2294 75 847 17 74 EEUU 4
14 8 1295 67 666 16 74 Europa 4
15 7 1163 65 612 21 74 Japn 4
16 7 1360 61 667 19 74 Japn 4
17 12 3802 90 1070 17 75 EEUU 6
18 13 3687 95 1261 19 75 EEUU 6
19 9 1475 71 741 17 75 Europa 4
20 9 1983 115 890 14 75 Europa 4
... ... ... ... ... ... ... ... ...
391 7 1753 75 735 15 82 Japn 4
Tipos de datos
Cuantitativos
Continuos: consumo, potencia,aceleracin,
peso
Discretos: n de cilindros
Cualitativos
Ordinales: categora
No ordinales: pas, gasolina/gasoil
Distribucin de frecuencias:
consumo l/100 km
-------------------------------------------------------------
Limite Limite Punto Frecuencia Frecuencia
Clase Inferior Superior Medio Absoluta Relativa
-------------------------------------------------------------
1 0,0 2,5 1,25 0 0,0000
2 2,5 5,0 3,75 6 0,0153
3 5,0 7,5 6,25 65 0,1662
4 7,5 10,0 8,75 126 0,3223
5 10,0 12,5 11,25 64 0,1637
6 12,5 15,0 13,75 62 0,1586
7 15,0 17,5 16,25 36 0,0921
8 17,5 20,0 18,75 26 0,0665
9 20,0 22,5 21,25 4 0,0102
10 22,5 25,0 23,75 2 0,0051
-------------------------------------------------------------
Total 391 1,0000
Histograma
0 5 10 15 20 25
consumo
0
30
60
90
120
150
Histogramas para coches
0 2 4 6 8
(X 1000)
cilindrada
0
20
40
60
80
100
120
potencia
0 40 80 120 160 200 240
0
30
60
90
120
150
peso
0 0,4 0,8 1,2 1,6 2
(X 1000)
0
20
40
60
80
aceleracion
7 11 15 19 23 27
0
20
40
60
80
Medidas de centro
n
x x x
x
x x x
n
n
+ + +
=
L
2 1
2 1
aritmtica Media
,..., ,
x x x
x x x
n
x x x x x
i x i x
G H
n
H
n
n G
i i

+ + +
= =
> >
1 1 1
) todo para 0 (si
armnica Media
) todo para 0 (si
geomtrica Media
2 1
2 1
L
L
Medidas de dispersin
2
n
1
2
2 1
: Varianza
) (
Tpica Desviacin
,..., ,
s
n
x x
s
x x x
i
i
n
=

=
90 95 100 105 110
90 95 100 105 110
s = 2
s = 5.4
Media 100
Densidad de la tierra (Cavendish, 1798)
5,5 5,47 5,55 5,75 5,29 5,27
5,57 4,88 5,34 5,29 5,34 5,85
5,42 5,62 5,3 5,1 5,26 5,65
5,61 5,63 5,36 5,86 5,44 5,39
5,53 4,07 5,79 5,58 5,46
densidad
Media = 5.42 Desv. Tp. = 0.338
4 4,4 4,8 5,2 5,6 6
Desigualdad de Chebychev
2
1
1 ) | (|
k
ks x x fr
i
>
235 240 245 250 255
x
s k x
s k x +
2 2
2 2
2 2 2
2
2 2
1
2
2
1
1 ) | (|
1
) | (|
) | (|
) (
) ( ) (
) (
k
ks x x fr
k
ks x x fr
s k ks x x fr
n
s k
n
x x
s
n
x x
n
x x
n
x x
s
i i
i
ks x x ks x x
i
ks x x
i
ks x x
i
n
i
i
i i
i i
> >
> = >
> >
>
=
Mediana y Cuartiles
1
2
1
Q Q
Cuartiles
par :
2 2
impar :
2
1
Mediana
ordenados Datos
,..., ,
) ( 3 ) ( 1
) 1 ( ) (
) (
) ( ) 2 ( ) 1 (
2 1
+ =
(
+
=
= =
=
+
+
=

+
r n s
p
r
x x
n
n
p
x x
n
n
p x
x x x
x x x
s r
p p
p
n
n
L
Mediana y Cuartiles
75 0 25 0
Q Q
Cuartiles
50 0
) ( : Mediana
,..., ,
3 1
3 1
2 1
. ) Q fr(x . ) Q fr(x
. Med) fr(x
Med
x x x
i i
i
n
= =
=
235 240 245 250 255
25%
25%
50%
Q
1
Med Q
3
Medidas caractersticas
Consumo Cilindrada Potencia Peso Aceleracin
Media 11.2 3181.2 104.2 990.7 15.7
Desv. Tpica 3.9 1714.6 38.3 281.9 2.8
Primer Cuartil 8 1721 75 741.5 14
Mediana 10 2474 93 933 16
Tercer Cuartil 13.5 4334 125 1203.5 17
Rango Intercuartlico 5.5 2613 50 462 3
Diagrama de caja
0 4 8 12 16 20 24
consumo
Q
1
Q
2
Q
3
LI = Q
1
-1.5 RI LS = Q
3
+1.5 RI
RI = Q
3
- Q
1
Min {x
i
: x
i
LI}
Max {x
i
: x
i
LS}
atpicos
Densidad de la tierra (Cavendish, 1798)
5,5 5,47 5,55 5,75 5,29 5,27
5,57 4,88 5,34 5,29 5,34 5,85
5,42 5,62 5,3 5,1 5,26 5,65
5,61 5,63 5,36 5,86 5,44 5,39
5,53 4,07 5,79 5,58 5,46
4 4,4 4,8 5,2 5,6 6
densidad
Media = 5.42 Desv. Tp. = 0.338
Diagrama de caja mltiple
0 4 8 12 16 20 24
consumo
EEUU
Europa
Japn
Diagrama de caja mltiple
EEUU
Europa
Japn
500 800 1100 1400 1700 2000
peso
Consumo segn ao de fabricacin
70
71
72
73
74
75
76
77
78
79
80
81
82
0 4 8 12 16 20 24
consumo
Diagrama de Caja Mltiple
0 4 8 12 16 20 24
OCDE
Europa Oriental
Asia/Pacfico
frica
Oriente Medio
America Latina
EEUU
Japn
Grecia
Barbados
Gabn
Producto interior bruto per capita
X1000
Diagrama de tallos y hojas
LO|4,07
1 4|
1 4|
1 4|
1 4|
2 4|8
3 5|1
12 5|222233333
(9) 5|444455555
8 5|666677
2 5|88
Media 5,419
Des. Tpica 0,339
Mnimo 4,07
Mximo 5,86
Cuartil 1 5.3
Mediana 5.46
Cuartil 3 5.61
Medidas caractersticas de forma
(asimetra y curtosis)
n
x x
m
n
x
a
n
i
k
i
k
n
i
k
i
k

= =

= =
1 1
) (
media la a respecto
Momentos
origen al respecto
Momento
4
4
4
4
3
3
3
3
) ( ) (
to apuntamien
o curtosis de e Coeficient
asimetra de
e Coeficient
ns
x x
s
m
C
ns
x x
s
m
C
i
AP
i
AS

=
=
=
=
Modelo ideal
f
r
e
c
u
e
n
c
i
a
230 235 240 245 250 255 260
0
200
400
600
800
1000
C
AS
= 0 C
AP
= 3
0 100 200 300 400 500 600 700
0
5
10
15
20
25
30
220 230 240 250 260 270 280
0
5
10
15
20
25
30
C
AS
> 0 C
AP
< 3
Transformaciones de datos
cambia) no curtosis y (Asimetra
cambia no n distribuci la de " " La forma
s b s
x b a y
bx a y
x y
i i
=
+ =
+ =
Transformaciones Lineales
Transformaciones no-lineales
cambian) curtosis y asimetra de tes (coeficien
n distribuci la de " " la Cambia
) (
) (
forma
x h y
x h y
i i
=
X
-10 10 30 50 70
0
40
80
120
160
200
240
Y
0 1 2 3 4 5 6
0
30
60
90
120
150
i i
x y log =
Efecto de la transformacin de datos
Transformaciones Box-Cox
-1,5
-1
-0,5
0
0,5
1
1,5
i i
p
i
i
x y p
p
x
y
log 0
1
= =
=
Datos
kn k n
k
k
k
x x x n
x x x
x x x
Y Y Y
L
M O M M M
L
L
L
2 1
2 22 12
1 21 11
2 1
2
1
Variables
O
b
s
e
r
v
a
c
i
o
n
e
s
x
1
x
2
x
n
M
Vector de Medias
|
|
|
|
|
.
|
\
|
= =
|
|
|
|
|
.
|
\
|
=

=
n
n
i
ki
i
i
x
x
x
n
x
x
x
M M
2
1
1
2
1
;
i
i
x
x x
Covarianza
500 800 1100 1400 1700 2000
peso
0
4
8
12
16
20
24
c
o
n
s
u
m
o
n n
y
y
x
x
n
y x
Consumo Peso Coche
M M M
2 2
1 1
2
1
n
y y x x
s
n
i
i i
xy

=

=
1
) )( (
Matriz de Varianzas
( )
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|

=

|
|
|
|
|
.
|
\
|
=
=
2
2 1
2
2
2 12
1 12
2
1
1
2
2 2 1 1
2 2
2
2 2 2 2 1 1
1 1 2 2 1 1
2
1 1
2 2 1 1
1
2 2
1 1
2
) ( ) )( ( ) )( (
) )( ( ) ( ) )( (
) )( ( ) )( ( ) (
1
1
k k k
k
k
n
i
k ki k ki i k ki i
k ki i i i i
k ki i i i i
k ki i i
n
i
k ki
i
i
s s s
s s s
s s s
x x x x x x x x x x
x x x x x x x x x x
x x x x x x x x x x
n
x x x x x x
x x
x x
x x
n
L
M O M M
L
L
L
M O M M
L
L
L
M
S
Grficos de dispersin: ejemplo coches
consumo
cilindrada
potencia
peso
aceleracion
Matriz de varianzas: ejemplo coches
|
|
|
|
|
|
.
|
\
|

=
6 , 7 0 , 328 5 , 73 4 , 597 . 2 0 , 5
0 , 328 5 , 949 . 7 8 , 312 . 9 0 , 461 . 451 5 , 971
5 , 73 8 , 312 . 9 2 , 465 . 1 4 , 965 . 58 3 , 127
4 , 597 . 2 0 , 461 . 451 4 , 965 . 58 6 94 , 2 4 , 824 . 5
0 , 5 5 , 971 3 , 127 4 , 824 . 5 2 , 15
E
S
consumo c.c. pot. peso
acel.
Propiedades de S
2
0
1
~
~ ~
1
)
~ ~
1
(
0 ,
: es
~ ~
1
~
1
2
2 2 1 1
2 2 22 1 12
1 2 21 1 11
= = =
= =

=
|
|
|
|
|
.
|
\
|

=
=
n
v
n
n n
positiva da semidefini
n
x x x x x x
x x x x x x
x x x x x x
n
i
i
k
k kn n n
k k
k k
v v w S w w, X v
w) X ( w) X ( w X X w w S w
w S w w
S
X X S
X
T 2 T
T T T 2 T
2 T
2
T 2
L
M O M M
L
L
Cuadrada k x k
Simtrica
Semidef. positiva
Correlacin
500 800 1100 1400 1700 2000
peso
0
4
8
12
16
20
24
c
o
n
s
u
m
o
n n
y
y
x
x
n
y x
Var Var Obs
M M M
2 2
1 1
2
1
2 1 .

= =
=

= =
n
i
i
n
i
i
n
i
i i
y x
xy
xy
y y x x
y y x x
s s
s
r
1
2
1
2
1
) ( ) (
) )( (
Adimensional
-1 r
xy
+1
|r
xy
| = 1 y
i
= a + b x
i
Matriz de correlaciones
ejemplo coches
|
|
|
|
|
|
.
|
\
|

=
1 422 , 0 696 , 0 549 , 0 466 , 0
422 , 0 1 863 , 0 934 , 0 885 , 0
696 , 0 863 , 0 1 898 , 0 854 , 0
549 , 0 934 , 0 898 , 0 1 873 , 0
466 , 0 885 , 0 854 , 0 873 , 0 1
R
consumo c.c. pot. peso
Acel.
Las variables estn muy correlacionadas
a S a a
) x )(x x (x
a
a) x a )(x x a x (a
x a
x ( a x a
x a
2 T
T
i i
T
T T
i
T
i
T
T
i
T
i
T
i
T
=
|
|
|
.
|
\
|

=

=

=
=
= = = =
=
|
|
|
|
|
.
|
\
|
= + + + =

=
= = =
= = =
n
n n
y y y y
n
y y
s
n
)
n n
y
y
x
x
x
a a a x a x a x a y
n
i
n
i
n
i
i i
n
i
i
y
n
i
n
i
n
i
i
ki
i
i
k ki k i i i
1
1 1 1
2
2
1 1 1
2
1
2 1 2 2 1 1
) )( ( ) (
) (
M
L L
Transformaciones lineales II
T 2
X
T
i i
T T T T
i i
i i
2
Y
i i i
i i
A AS
A
x x x x
A
A x A x x A Ax
y y y y
S
x A
x A Ax y
y
Ax y
=
|
|
|
.
|
\
|

=

=

=
= = = =
=
+ + + =
+ + + =
+ + + =

= =
=
= = =
n n
n
n n n
x a x a x a y
x a x a x a y
x a x a x a y
n
i
T
n
i
n
i
T
n
i
n
i
n
i
ki mk i m i m mi
ki mk i i i
ki k i i i
1 1
1
1 1 1
2 2 1 1
2 22 1 21 2
1 2 12 1 11 1
) )( ( ) )( (
) )( (
) (
L
M
L
L
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|
ki
i
i
mk m m
k
k
mi
i
i
x
x
x
a a a
a a a
a a a
y
y
y
M
L
M O M M
L
L
M
2
1
2 1
2 22 21
1 12 11
2
1
S
X
2
Captulo 1. Descriptiva
1.1 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 tamao de su clase cul sera el valor medio
y la desviacin tpica obtenida? Y si se pregunta a todos los alumnos del departamento?
1.2 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?
Justicar la respuesta.
1.3 Demostrar que al multiplicar x por k
1
e y por k
2
, el coeciente de correlacin entre ambas no vara
(k
1
y k
2
deben tener el mismo signo).
1.4 Demostrar que si entre dos variables existe una relacin exacta y = a + bx, con b > 0, el coeciente
de correlacin es uno.
1.5 Demostrar que el coeciente de correlacin es siempre en valor absoluto menor que uno.
1.6 En un proceso de fabricacin 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 armar que hay un error en los clculos? Por qu?

1.7 A la variable x de media x = 100 se le ha aplicado una transformacin con el logaritmo decimal
obtenindose la nueva variable y = log
10
(x). La media de la nueva variable es y = 2.5. Es posible
este resultado?
1.8 En la gura se presenta el diagrama de tallos y hojas de los residuos obtenidos de un diseo 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 -6 | 91
2 -5 |
4 -4 | 00
10 -3 | 766320
18 -2 | 98754310
29 -1 | 98654321100
(16) -0 | 9977666554433211
36 0 | 015566677
27 1 | 2333478
20 2 | 134789
14 3 | 23455699
6 4 | 011355
1
.
2. Probabilidad
Curso 2004 - 2005
Estadstica
Probabilidad. 2
Experimento Aleatorio
EL trmino experimento aleatorio se utiliza en la
teora de la probabilidad para referirse a un proceso
cuyo resultado no es conocido de antemano con
certeza.
Suma de valores en el lanzamiento de 2 dados.
Probabilidad. 3
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
Probabilidad. 4
Variable Aleatoria Discreta
Cuando los valores que toma una variable
aleatoria son finitos o infinitos numerables
se dice que es discreta.
Resultado obtenido al lanzar un dado
{1,2,3,4,5,6}
Nmero de veces que hay que lanzar una
moneda hasta obtener una CARA
{1,2,3,4, ...}
Probabilidad. 5
Distribucin de probabilidad
Sea { x
1
, x
2
, ..., x
n
} los valores que puede tomar la variable
aleatoria X. Se denomina distribucin de probabilidad de la
variable aleatoria a P( X=x
i
) que cumple:
P ( X = x
i
) 0

i=1
P ( X = x
i
) = 1.
x P(X=x)
0 1/4
1 1/2
2 1/4
N de Caras al lanzar 2 monedas
Probabilidad. 6
p(X)
x
1/2
1/4

3 0 1 2
N de Caras al lanzar 2 monedas
Probabilidad. 7
Lanzamiento de un dado
x
5
P (X = x)
1/6

1 3 6 / 1 6
6 / 1 5
6 / 1 4
6 / 1 3
6 / 1 2
6 / 1 1
) ( x X P x =
2 4 6
Probabilidad. 8
Funcin de distribucin
x F
X
( x )
(-,0) 0
[0,1) 1/4
[1,2) 3/4
[2,) 1
La funcin de distribucin F
X
( x ) de una variable aleatoria
X se define para todo nmero real x como:
F
X
( x ) = P
X
( X x ).
Ejemplo. X = Nmero de caras al lanzar 2 monedas
F(x)
x
3 0 1 2
1/4
1/2
3/4
1
Probabilidad. 9
Funcin de
Distribucin
Distribucin
puntual de
probabilidad
x
x
3 0 1 2
1/4
1/2
3/4
1
1/2
1/4

3 0 1 2
Probabilidad. 10
F(x)
x
p(x)
x
1
1 3 5
5
1/6
1 3
2 4 6
2 4 6
Lanzamiento de un dado
6 / 1 6
6 / 1 5
6 / 1 4
6 / 1 3
6 / 1 2
6 / 1 1
) ( x X P x =
Probabilidad. 11
Una funcin F(x) es una funcin de distribucin
si y slo si cumple las siguientes condiciones:
). ( ) ( , 0
: derecha la por continua es c.
e. decrecient no funcin una es b.
. 1 ) ( y 0 ) ( . a
0
x F h x F lim h
F(x)
F(x)
x F lim x F lim
h
x x
= + >
= =
+
Probabilidad. 12
Variable aleatoria continua
Una variable aleatoria X es continua si su
funcin de distribucin F
X
( x ) es continua.
F(x)
x
0 0,5 1 1,5
1
3/4
1/2
1/4
F
X
( x ) = x, x [0,1)
0
0.25
0.50
0.75
x
Probabilidad. 13
Funcin de densidad
La funcin de densidad de probabilidad f
X
(x)
de una variable aleatoria continua X es la
funcin que verifica
Si F
X
(x) es derivable, adems
. , ) ( ) ( x dt t f x F
x
X X
=

). ( ) ( x f x F
dx
d
X X
=
Probabilidad. 14
F(x)
x
f(x)
x
1.5

0 0.5 1
0 0.5 1 1.5
1
3/4
1/2
1/4
F
X
(x) = x, x[0,1)
Funcin de densidad
f
X
(x) = 1, x[0,1]
1
Probabilidad. 15
Una funcin f
X
(x) es una funcin de densidad
de probabilidad de una variable aleatoria X si y
slo si cumple:
. 1 ) ( b.
. todo para 0 ) ( a.
=
dx x f
x x f
-
X
X
rea = 1
Probabilidad. 16
Clculo de probabilidades
a
b
=
=
b
a
X
X X
dx x f
a F b F b X a P
) (
) ( ) ( ) (
b
a
X
dx x f ) (
) (x f
X
Probabilidad. 17
Esperanza
Se define esperanza o media de una variable
aleatoria discreta X y se representa por E[X] al
valor
5 . 3
6
1
6
6
1
5
6
1
4
6
1
3
6
1
2
6
1
1 ] [
dado un de o Lanzamient : Ejemplo
= + + + + + = X E
=
= =
n
i
i i
x X P x X E
1
). ( ] [
x
5
1/6

1 3
3.5
Centro de la
distribucin de
probabilidad
Probabilidad. 18
x
1,5

0 0,5 1
1
Esperanza
Se define esperanza o media de una variable aleatoria
continua X con funcin de densidad f
X
(x) y se
representa por E[X] al valor
.
2
1
2
1 ] [
1 0 1 uniforme n Distribuci : Ejemplo
1
0
1
0
2
= = =
=
x
dx x X E
x , (x) f
X

= . ) ( ] [ dx x f x X E
X
Centro de la
distribucin de
probabilidad
Probabilidad. 19
Propiedades de E[X]
Transformaciones lineales Y = a X+b (a y b
constantes)
b X aE b aX E + = + ] [ ] [
Probabilidad. 20
Varianza
Sea X una variable aleatoria con media , se
denomina varianza a
Var ( X ) = E[ ( X - )
2
].
Variable aleatoria discreta
Variable aleatoria continua
=
= =
x
x X P x X Var ). ( ) ( ] [
2
dx x f x X Var
X
) ( ) ( ] [
2

=
Probabilidad. 21
Propiedades de la varianza
. ] [
] ) [( ) ( . 1
2 2
2
=
=
X E
X E X Var
) ( ) ( . 2
2
X Var a b aX Var = +
Probabilidad. 22
Ejemplos
.
12
1
4
1
3
) 2 / 1 ( 1 Var[X]
uniforme n Distribuci
.
12
35
) 5 . 3 ( )
6
1
6
6
1
5
6
1
4
6
1
3
6
1
2
6
1
1 ( ] [
dado un de o Lanzamient
1
0
3
1
0
2 2
2 2 2 2 2 2 2
= =
=
=
+ + + + + =
x
dx x
X Var
Probabilidad. 23
Desigualdad de Tchebychev
+ k - k
2
1
1
k
Area
.
1
1 ) (
] [ ] [
aleatoria variable cualquier Para
2
2
k
k X P
X Var X E
>
= =

Probabilidad. 24
Momentos de una V.A.
] [
...
] [
] [
Origen al respecto Momentos
2
2
1
p
p
X E
X E
X E
=
=
= =

] ) [(
...
] ) [(
0 )] [(
media la a respecto Momentos
2 2
2
1
p
p
X E
X E
X E

=
= =
= =
Distribucin conjunta de
variables aleatorias
Probabilidad. 26
Definiciones (v. a. discretas)
Distribucin de probabilidad conjunta de
dos variables aleatorias X, Y
Funcin de distribucin conjunta:
= = =
= =
= =

=
=
=
=
x
x
y
y
y Y x X P
y x y Y x X P
y Y x X P
. 1 ) , (
, , 0 ) , (
) , (
) , ( ) , ( y Y x X P y x F
XY
=
Probabilidad. 27
Lanzamiento de dos dados
1 2 3 4 5 6
1 1/36 1/36 1/36 1/36 1/36 1/36
2 1/36 1/36 1/36 1/36 1/36 1/36
3 1/36 1/36 1/36 1/36 1/36 1/36
4 1/36 1/36 1/36 1/36 1/36 1/36
5 1/36 1/36 1/36 1/36 1/36 1/36
6 1/36 1/36 1/36 1/36 1/36 1/36
Dado
AZUL
Dado ROJO
X= Resultado de dado ROJO
Y = Resultado de dado AZUL
Distribucin conjunta de probabilidad
P ( X=i , Y=j ) =1/36, (i,j de 1 a 6)
Probabilidad. 28
Ejemplo
S: SUMA DE DOS DADOS
2 3 4 5 6 7 8 9 10 11 12
0 1/36 1/36 1/36 1/36 1/36 1/36
1 1/18 1/18 1/18 1/18 1/18
D: DIFERENCIA 2 1/18 1/18 1/18 1/18
DE DOS DADOS 3 1/18 1/18 1/18
4 1/18 1/18
5 1/18
Ejemplo: Se lanzan dos dados y se definen las variables
aleatorias suma (S) y valor absoluto de la diferencia (D)
de los resultados.
Distribucin Conjunta P(S= x, D= y)
Probabilidad. 29
Distribuciones Marginales
2 3 4 5 6 7 8 9 10 11 12
0 1/36 1/36 1/36 1/36 1/36 1/36 6/36
1 1/18 1/18 1/18 1/18 1/18 10/36
D: DIFERENCIA 2 1/18 1/18 1/18 1/18 8/36
DE DOS DADOS 3 1/18 1/18 1/18 6/36
4 1/18 1/18 4/36
5 1/18 2/36
1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Marginal de S
Marginal de D
Probabilidad. 30
Distribuciones marginales
=
=
=
=
= = = =
= = = =
x
x
y
y
y Y x X P y Y P
y Y x X P x X P
) , ( ) (
) , ( ) (
0
0,02
0,04
0,06
0,08
0,1
0,12
0,14
0,16
0,18
1 2 3 4 5 6 7 8 9 10 11 12 13
Suma de
dos dados
Probabilidad. 31
Distribuciones condicionadas
2 3 4 5 6 7 8 9 10 11 12
0 1/36 1/36 1/36 1/36 1/36 1/36 6/36
1 1/18 1/18 1/18 1/18 1/18 10/36
D: DIFERENCIA 2 1/18 1/18 1/18 1/18 8/36
DE DOS DADOS 3 1/18 1/18 1/18 6/36
4 1/18 1/18 4/36
5 1/18 2/36
1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
D | S = 8
0 1/5
1 0
2 2/5
3 0
4 2/5
5 0
1
Distribucin de la diferencia
entre los dados condicionada a
que la suma es 8.
P(D = y | S=8) = P(D=y, S=8) / P(S=8)
Probabilidad. 32
Independencia
P(X=i, Y=j) = P( X= i ) P( Y= j )
Dado ROJO
1 2 3 4 5 6
1 1/36 1/36 1/36 1/36 1/36 1/36
2 1/36 1/36 1/36 1/36 1/36 1/36
3 1/36 1/36 1/36 1/36 1/36 1/36
4 1/36 1/36 1/36 1/36 1/36 1/36
5 1/36 1/36 1/36 1/36 1/36 1/36
6 1/36 1/36 1/36 1/36 1/36 1/36
Dado
AZUL
si slo y si ntes independie son aleatorias variables Las X, Y
Probabilidad. 33
Variables aleatorias continuas
: cumple que
conjunta, densidad de funcin la ) , ( Siendo
) , ( ) , (
y x f
dy dx y x f d Y c b X a P
XY
d
c
b
a
XY
=
1 ) , ( ) 2
, , 0 ) , ( ) 1
=

dy dx y x f
y x y x f
XY
XY
Probabilidad. 34
Variables aleatorias continuas
Funciones de densidad marginales

=
x y
XY XY
dv du v u f y x F ) , ( ) , (

=
=
dx y x f y f
dy y x f x f
XY Y
XY X
) , ( ) (
) , ( ) (
Probabilidad. 35
Las variables aleatorias X, Y tienen como funcin de
densidad conjunta
1 0 , 1 0 , 6 ) , (
2
< < < < = y x xy y x f
XY
1 0 , 3 6 ) (
1 0 , 2 6 ) (
Marginales . 3
.
5
1
6
6 ) 1 ( . 2
6 ) , ( . 1
2
1
0
2
1
0
2
1
0
1
0
2
1
2
3 2
0 0
2
< < = =
< < = =
= =
= +
= =
+
y y dx xy y f
x x dy xy x f
dxdy xy
dxdy xy Y X P
y x dudv uv y Y x X P
Y
X
y
y x
x y
y
x = 1-y
Probabilidad. 36
Independencia
.
si slo y si ntes independie son aleatorias variables Las
(y) (x)f f (x,y) f
X, Y
Y X XY
=
< < =
< < =
< < < < =
1 0 , 3 ) (
1 0 , 2 ) (
1 0 , 1 0 , 6 ) , ( . 1
2
2
y y y f
x x x f
y x xy y x f
Y
X
XY
Independientes
< < = =
< < = =
=
1 0 ), log(
1
) (
1 0 , 1
1
) (
1 0 ,
1
) , ( . 2
1
0
y y dx
x
y f
x dy
x
x f
x y
x
y x f
y
Y
x
X
XY
No independientes
y
x
0 1
1
Probabilidad. 37
Funciones de densidad
condicionadas
0 ) ( cuando ,
) (
) , (
) | (
. 0 ) ( cuando ,
) (
) , (
) | (
|
|
> =
> =
x f
x f
y x f
x y f
y f
y f
y x f
y x f
X
X
XY
X Y
Y
Y
XY
Y X
Probabilidad. 38
Independencia -II
(y) f x) (y f
(x) f y) (x f
X, Y
Y X Y
X Y X
=
=
|
|
si slo y si ntes independie son aleatorias variables Las
|
|
< < = =
< < =
< < =
< < < < =
1 0 , 2
3
6
) | (
1 0 , 3 ) (
1 0 , 2 ) (
1 0 , 1 0 , 6 ) , ( . 1
2
2
|
2
2
x x
x
xy
y x f
y y y f
x x x f
y x xy y x f
Y X
Y
X
XY
Independientes
x y
x
x y f
x y
y x
y x f
y y dx
x
y f
x dy
x
x f
x y
x
y x f
X Y
Y X
y
Y
x
X
XY
=
=
< < = =
< < = =
=
0 ,
1
) | (
1 ,
) log(
1
) | (
1 0 ), log(
1
) (
1 0 , 1
1
) (
1 0 ,
1
) , ( . 2
|
|
1
0
No independientes
Probabilidad. 39
Covarianza
( )
.
,
E[Y] E[X]
dxdy y x f ) )(y (x
)] )(Y E[(X Cov(X,Y)
Cov(X,Y)
X, Y
Y X
Y X
Y X
= =
=
=

y donde
: como define se y
por denota se , aleatorias variables dos de covarianza La
= = =
=
i j
j i Y j X i
Y X
y Y x X )P )(y (x
)] )(Y E[(X Cov(X,Y)
) , (
: discretas son s v.a' las Si
Probabilidad. 40
Propiedades de la covarianza
Propiedades
Cov(X,Y)=E[XY] - E[X]E[Y]
Var (X+Y) = Var(X) + Var(Y) + 2 Cov(X,Y)
La covarianza es una medida de la dependencia lineal entre
las dos variables. Si las variables son independientes,
Cov(X,Y)=0
( )
( )
( ) 0 ) (
( )
,
= =
=
=

dy y )f (y dx x )f (x
dxdy y f x )f )(y (x
dxdy y x f ) )(y (x Cov(X,Y)
Y Y X X
Y X Y X
Y X
Probabilidad. 41
Medias y Matriz de Varianzas
|
|
.
|
\
|
=
|
|
.
|
\
|
=
|
|
.
|
\
|
=
2
2
] [
varianzas de Matriz
] [
medias de Vector
; aleatorio Vector
Y XY
XY X
Y
X
U Var
U E
Y
X

U
X, Y dos variables aleatorias con funcin de densidad
conjunta f (x,y)
) , (
] [ ], [ ) ( :
] [ ], [ ) ( :
2
2
Y X Cov
Y Var Y E y f Y
X Var X E x f X
XY
Y Y Y
X X X
=
= =
= =

Probabilidad. 42
Correlacin
.
) ( ) (
) , (
como aleatorias
variables dos entre n correlaci de e coeficient define Se
Y Var X Var
Y X Cov
(X,Y)
X, Y
=
Propiedades
-1 (X,Y) +1
Si X e Y son independientes, entonces (X,Y) = 0.
Y = a + b X (X,Y) = 1 (b>0) o (X,Y) = -1 (b<0)
Probabilidad. 43
n variables aleatorias
) x ,x (x f
n X
,...,
2 1
Para hacer clculo de probabilidades de un suceso en el
que intervenga las variables aleatorias X
1
, X
2
, ..., X
n
es
preciso conocer la distribucin de probabilidad conjunta.
Si las variables son continuas se emplea la funcin de
densidad conjunta
|
|
|
|
|
.
|
\
|
=
n
X
X
X
M
2
1
X
n
x x x
n n
n
dt dt dt t t t f x x x F
x x x F
n n
L L
2 1 2 1 2 1
2 1
1 1
) ,..., , ( ) ,..., , (
). ,..., , ( conjunta n distribuci de funcin la o

=
X X
X
Probabilidad. 44
Vector de Medias y Matriz de
Varianzas
=
=
|
|
|
|
|
.
|
\
|
=
=
=
=
|
|
|
|
|
.
|
\
|
=
=
j i X X Cov
X Var
Var
X E
X E
X E
E
n X X X
ij j i
i i
n n n
n
n
n n n
T
n
) , (
) (
] [
] [
] [
] [
] [
aleatorias variables de Vector , ) ,..., , (
2
2
2 1
2
2
2 12
1 12
2
1
2 2
1 1
2
1
2 1
L
M O M M
L
L
M M
X
X
X
Probabilidad. 45
Independencia
. ,...,
si slo y si
ntes independie son ,..., aleatorias variables Las
2 2 1 1 2 1
2 1
) (x f ) (x )f (x f ) x ,x f(x
X ,X X
n n n
n
L =
Modelos Univariantes
Probabilidad. 47
Proceso de Bernoulli
El resultado de un experimento admite dos
categoras: Aceptable y Defectuoso.
Se repite el experimento n veces.
La probabilidad de defectuoso es la misma p
en todos los experimentos.
Los experimentos son independientes.
Probabilidad. 48
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.
Probabilidad. 49
Distribucin Binomial (n,p)
X = N de defectuosas al extraer n piezas
Proporcin defectuosas = p
n
Probabilidad. 50
Distribucin de probabilidad binomial (n,p)
n=10
6 4
) 1 ( p p
|
|
.
|
\
|
4
10
6 4
) 1 (
4
10
) 4 ( p p X P
|
|
.
|
\
|
= =
Probabilidad. 51
Distribucin de probabilidad binomial (n,p)
n k p p
k
n
k X P
k n k
,..., 2 , 1 , 0 , ) 1 ( ) ( =
|
|
.
|
\
|
= =

x
0 1 2 3 4 5 6 7 8 9 10
0
0,1
0,2
0,3
0,4
n =10, p=0.2
=
|
|
.
|
\
|
=
n
0 k
. 1 ) 1 ( (2)
. 0 ) 1 (
k n k
p p
k
n
k , k) P(X
Probabilidad. 52
Propiedades de la dist. binomial
) 1 ( ] [ ] [ ] [
. ) ( ] [
2 2
0
p np X E X E X Var
np k X P k X E
n
k
= =
= = =
=
0 20 40 60 80 100
0
0,02
0,04
0,06
0,08
50
5
n = 100, p = 0.5
Probabilidad. 53
Distribuciones binomiales
0 5 10 15 20 25
0
0,04
0,08
0,12
0,16
0 5 10 15 20 25
0
0,04
0,08
0,12
0,16
0,2
0 20 40 60 80 100
0
0,02
0,04
0,06
0,08
0,1
0 20 40 60 80 100
0
0,02
0,04
0,06
0,08
n = 25, p = 0.5 n = 25, p = 0.2
n = 100 , p = 0.5 n = 100, p = 0.2
12.5
2.5
5
2
50
5
20
4
Probabilidad. 54
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?
45 . 0 617 . 0 779 . 0 910 . 0 985 . 0 ) (
% 25 % 20 % 15 % 10 % 5
) 1 (
2
11
) 1 (
1
11
) 1 (
0
11

2) P(X P(Aceptar)
muestra la en s defectuosa de Nmero X
lote, un en piezas de proporcin la Sea
9 2 10 1 11 0
Aceptar P
p
p p p p p p
p
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
=
=
Probabilidad. 55
Distribucin Geomtrica (p)
Y = Piezas extradas hasta que aparezca una defectuosa
n
Y
Proporcin defectuosas = p
Probabilidad. 56
Distribucin de probabilidad geomtrica (p)
,... 3 , 2 , 1 , ) 1 ( ) (
1
= = =

k p p k X P
k
1
2
3
... k
p
(1-p)p
(1-p)
2
p
(1-p)
k-1
p
Probabilidad. 57
Propiedades de la v.a. geomtrica
0 4 8 12 16 20
0
0,05
0,1
0,15
0,2
0,25
0,3
p=0.3
2
1
] [ ,
1
] [
p
p
Y Var
p
Y E

= =
Probabilidad. 58
Distribucin de Poisson
Nmero de defectos aparecidos en tramos de
longitud fija de hilos de cobre.
Nmero de partculas por centmetro cbico
en lquidos con sustancias en suspensin.
Emisiones radiactivas: nmero de partculas
emitidas en intervalos de tiempo fijo.
Nmero de llamadas a una centralita de
telfonos en un da
Probabilidad. 59
Ejemplo: Fabricacin continua de conductor de
cobre.
Nmero medio de defectos cada 100 m
X Nmero de defectos en un tramo de 100 m
Probabilidad. 60
Lmite de la dist. binomial
,... 2 , 1 , 0 ,
!
1 1
) 1 ( ) 1 (
!
1
! )! (
!
) (
, ) 1 ( ) (
= =
|
.
|
\
|

|
.
|
\
|

+
=
|
.
|
\
|

|
.
|
\
|
=
=
|
|
.
|
\
|
=

x e
x
n n
n
x n n n
lim
x
n n x x n
n
lim x P
n
p
x n
p
x
p
x
n
x
X
P
x
x n
x
n
x
x n x
n
X
L
1

e
1
Probabilidad. 61
,.. 2 , 1 , 0 ,
!
) ( = = =

x e
x
x X P
x
0,0000E+00
5,0000E-02
1,0000E-01
1,5000E-01
2,0000E-01
2,5000E-01
0 2 4 6 8 10 12 14 16
=3
Probabilidad. 62
Media y Varianza

= =
=
=
= =
= = =
] [ ] [
)! 1 (
! !
] [
,... 2 , 1 , 0 ,
!
) (
1
1
1 0
X Var X E
x
e
e
x
x e
x
x X E
x e
x
x X P
x
x
x
x
x
x
x
e
Probabilidad. 63
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 al menos 30 partculas en 5
minutos.
Probabilidad. 64
Ejemplo Poisson
0016 . 0
!
50
) 30 (
50 10 5 '
minutos 5 en partculas de N . 4
. 933 . 0
!
10
1
) 5 ( 1 ) 5 ( . 3
. 15 54 . 4 ) 0 ( . 2
0378 . 0
! 5
10
) 5 ( . 1
30
0
50
5
0
10
10
5
10
= =
= =
= =
= >
= = =
= = =
x
x
x
x
x
e Y P
Y
x
e
X P X P
E e X P
e X P
Probabilidad. 65
Poisson de media 10
0,0000E+00
2,0000E-02
4,0000E-02
6,0000E-02
8,0000E-02
1,0000E-01
1,2000E-01
1,4000E-01
0 5 10 15 20 25
Probabilidad. 66
Distribucin Exponencial
Ejemplo: Fabricacin continua de conductor de
cobre.
Nmero medio de defectos cada 100 m
T Distancia entre dos defectos consecutivos
t
1
t
2
t
3
t
4
t
6
t
5
t
7
T
Probabilidad. 67
Distribucin Exponencial
T t
0 t
{ }
. 0 , ) (
0 , 1
) ( ) (
0 ,
t) [0, intervalo el en defectos 0 ) (
=
=
=
=
=
t e t f
t e
t T P t F
t e
P t T P
t
T
t
T
t
Probabilidad. 68
Propiedades (Exponencial)
0 10 20 30 40 50 60
T
0
0,02
0,04
0,06
0,08
0,1
F
u
n
c
i
n

d
e

d
e
n
s
i
d
a
d
. 0 , ) ( =

t e t f
t
T

= 0.1
.
1 1 1
] [ ] [ ] [ ) ( ] [
2 2
0
2
0
2 2

= = = =
= =

dt e t dt te
T E T E T Var dt t f t T E
t t
T
Probabilidad. 69
Distribucin Normal
Campana de Gauss

|
.
|
\
|

= x
x
x f
X
,
2
1
exp
2
1
) (
2
Probabilidad. 70
Medidas Caractersticas
3
] ) [(
0
] ) [(
3 ] ) [( 0 ] ) [(
] [ ] [
4
4
3
3
4 4 3
2
=
= = =
= =
= =
= =

X E
Curtosis CAp
X E
Asimetra CA
X E X E
X Var X E
) , ( N X
Probabilidad. 71
+
-
- 2 +2
- 3 +3
0.68
0.955
0.997
Probabilidad. 72
Normal Estndar
dt e z z e z f
z
t z
Z

= =
2 / 2 /
2 2
2
1
) ( ,
2
1
) (

0
1
) 1 , 0 ( N Z
TABLAS
Probabilidad. 73
Estandarizacin
). ( ) ( ) ( ) (
) 1 , 0 ( ) , (
=
a a
Z P
a X
P a X P
N
X
Z N X
z = (a-)/
N(0,1)
) ( z Z P
a
N(,)
) ( a X P
Probabilidad. 74
0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0,1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0,2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0,3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0,4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0,5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0,6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0,7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
0,8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0,9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1,0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1,1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1,2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1,3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1,4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1,5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1,6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1,7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1,8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1,9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2,0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2,1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2,2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2,3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2,4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2,5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2,6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2,7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2,8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2,9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3,0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
z
N(0,1)
) ( z Z P
z
9750 . 0 ) 96 . 1 (
Ejemplo.
= Z P
TABLA
Normal
Estandar
Probabilidad. 75
N(0,1)
) ( z Z P
z
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
3,1 .9990323 .9990645 .9990957 .9991259 .9991552 .9991836 .9992111 .9992377 .9992636 .9992886
3,2 .9993128 .9993363 .9993590 .9993810 .9994023 .9994229 .9994429 .9994622 .9994809 .9994990
3,3 .9995165 .9995335 .9995499 .9995657 .9995811 .9995959 .9996102 .9996241 .9996375 .9996505
3,4 .9996630 .9996751 .9996868 .9996982 .9997091 .9997197 .9997299 .9997397 .9997492 .9997584
3,5 .9997673 .9997759 .9997842 .9997922 .9997999 .9998073 .9998145 .9998215 .9998282 .9998346
3,6 .9998409 .9998469 .9998527 .9998583 .9998636 .9998688 .9998739 .9998787 .9998834 .9998878
3,7 .9998922 .9998963 .9999004 .9999042 .9999080 .9999116 .9999150 .9999184 .9999216 .9999247
3,8 .9999276 .9999305 .9999333 .9999359 .9999385 .9999409 .9999433 .9999456 .9999478 .9999499
3,9 .9999519 .9999538 .9999557 .9999575 .9999592 .9999609 .9999625 .9999640 .9999655 .9999669
4,0 .9999683 .9999696 .9999709 .9999721 .9999733 .9999744 .9999755 .9999765 .9999775 .9999784
Probabilidad. 76
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 < 30.3.
Proporcin de tornillos no aceptables por cortos.
Proporcin de tornillos no aceptables por largos.
Proporcin de tornillos vlidos.
Probabilidad. 77
Ejemplo (Solucin)
0062 . 0 ) 5 . 2 ( ) 5 . 2 (
)
2 . 0
30 5 . 29
2 . 0
30
( ) 5 . 29 ( . 1
) 1 , 0 ( ) 2 . 0 , 30 (
= = =
=
Z P
X
P X P
N
X
Z N X

-2.5
0.0062
2.5
0.9938
0.0062
Tablas
Probabilidad. 78
971 . 0 0062 . 0 0228 . 0 1 ) 3 . 30 5 . 29 ( . 3
0228 . 0 ) 2 ( 1 ) 0 . 2 (
)
2 . 0
30 4 . 30
2 . 0
30
( ) 4 . 30 ( . 2
= = < <
= = =
=
X P
Z P
X
P X P
Probabilidad. 79
Binomial-Poisson-Normal
Binomial
n,p
Poisson
Normal
,
0 , p n
np =

=
=

) 1 (
2 / 1
p np
np
p
n
=
=
Probabilidad. 80
Aproximacin Binomial-Normal
n=25, p=1/2
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Probabilidad. 81
0
0.02
0.04
0.06
0.08
0.1
0.12
0 5 10
15 20 25 30 35 40 45 50
Aproximacin de Normal y Binomial
n = 50, p=0.5
Probabilidad. 82
n n
n n
T
n
T
n
a a a E Y E
X a X a X a Y
n a a a
n X X X
+ + + = =
= + + + =
=
=
L
L
2 2 1 1
2 2 1 1
2 1
2 1
] [ ] [
constantes de Vector , ) ,..., , (
X a
X a
a
X
T
T
( )
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
= =
n n n n
n
n
n
a
a
a
a a a Var Y Var
M
L
M O M M
L
L
L
2
1
2
2 1
2
2
2 12
1 12
2
1
2 1
] [ ] [

a X a
T
Probabilidad. 83
Caso General
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
=
=
= =
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|

|
|
|
|
|
.
|
\
|
=
=
mn n n
m
m
n n n
n
n
mn m m
n
n
T
n mn m m
n
n
m
mn m m
n
n
T
n
a a a
a a a
a a a
a a a
a a a
a a a
Var Y Var
E Y E
X
X
X
a a a
a a a
a a a
Y
Y
Y
n m
a a a
a a a
a a a
n X X X
L
M O M M
L
L
L
M O M M
L
L
L
M O M M
L
L
M
L
M O M M
L
L
M
L
M O M M
L
L
2 1
2 22 12
1 21 11
2
2 1
2
2
2 12
1 12
2
1
2 1
2 22 21
1 12 11
2
1
2 1
2 22 21
1 12 11
2
1
2 1
2 22 21
1 12 11
2 1
] [ ] [
] [ ] [
constantes de Matriz

A X A
X A AX
a
X
Probabilidad. 84
(Independencia)
( )
2 2 2
2
2
2
2
1
2
1
2
1
2
2
2
2
1
2 1
2 2 1 1
2 1
2 1
0 0
0 0
0 0
] [
constantes de Vector , ) ,..., , (
ntes independie aleatorias variables de Vector , ) ,..., , (
n n
n n
n
n n
T
n
T
n
a a a
a
a
a
a a a Y Var
X a X a X a Y
n a a a
n X X X

+ + + =
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
=
+ + + =
=
=
L
M
L
M O M M
L
L
L
L
a
X
Probabilidad. 85
Ejemplo:
Calcular la media y la varianza de la suma de 12 variables
aleatorias independientes con distribucin uniforme en (0,1)
1 ] [ ] [
6 ] [ ] [
0 ) , (
12 / 1 ] [
2 / 1 ] [
) 1 , 0 ( ,
12
1
12
1
12 2 1
12
2
1
=
=
= =
= =
+ + + =
=
=
=
|
|
|
|
|
.
|
\
|
=
i
i
i
i
j i
i
i
i
U Var Y Var
U E Y E
U U U Y
U U Cov
U Var
U E
Uniforme U
U
U
U
U
L
M
Probabilidad. 86
Ejemplo
Un proceso fabrica una proporcin p de tornillos
defectuosos. Se define X como la variable nmero
de tornillos extrados del proceso hasta que
aparecen r defectuosos. Se pide E[X] y Var[X].
.
) 1 (
] [ ] [ ] [ ] [
] [ ] [ ] [ ] [
/ ) 1 ( ] [
/ 1 ]
:
2
2 1
2
2
2
2
1
p
p r
X Var X Var X Var X Var
p
r
X E X E E X E
p p X Var
p
X
X X
X
X
X
r
r
i
i
r
i
= + + + =
= + + + =

=
=
+ + + =
L
L
L
1
i
1
X
E[X
geomtrica aleatoria variable
X X
defectuoso simo - i el aparece que hasta extrados tornillos de Nmero
defectuoso 2 el aparece que hasta extrados tornillos de Nmero
defectuoso primer el aparece que hasta extrados tornillos de Nmero
nuevos
nuevos
Probabilidad. 87
Media de n variables aleatorias
independientes
=
=
+ + +
=
= =
+ + +
=
+ + +
=
+ + +
=
=
n
X Var
X E
n
X X X
X
i ] Var[X i ] E[X
n
X Var X Var X Var
X Var
n
X E X E X E
X E
n
X X X
X
n X X X
n
i i
n
n
n
T
n
2
2 1
2
2
2 1
2 1
2 1
2 1
] [
] [
] [ ] [ ] [
] [
] [ ] [ ] [
] [
, ) ,..., , (
L
L
L
L
varianza y media misma la tienen variables las Si
ntes independie aleatorias variables de Vector X
Probabilidad. 88
Teorema Central del Lmite
estndar. normal la de n distribuci de funcin la es
2
1
(t)
/ ) ( donde
), (
/
Entonces . y varianza media de
ad probabilid de n distribuci misma la con ntes independie
aleatorias variables de secuencia una Sea
2 /
2 1
2
2 1
2

=
+ + + =
< < =
|
.
|
\
|

<
t
x
n
n
n
dx e
n X X X X
t t t
n
X
P lim
,...,X ,X X

L
Probabilidad. 89
Teorema Central del Lmite
: (aprox.) Entonces
varianza
y media de ad probabilid de n distribuci misma la con
ntes, independie aleatorias variables Sea
2
.
2 1
<

n
,...,X ,X X
) , (
2
n
N X

Probabilidad. 90
-0,2 0 0,2 0,4 0,6 0,8 1 1,2
0
0,5
1
1,5
Media = 0.5
Var = 0.08
-0,2 0 0,2 0,4 0,6 0,8 1 1,2
0
1
2
3
4
5
Media = 0.5
Var = 0.08/10
10
10 2 1
X X X
X
+ + +
=
L
X
i
Captulo 2. Probabilidad
2.1 Sea X una variable aleatoria con distribucin uniforme en (0, 1). Calcular la probabilidad de que
Y > 0.8 si Y = e
X
2
.
2.2 Se elige un punto al azar interior a la circunferencia de ecuacin x
2
+ y
2
= r
2
. Llamando Z a la
variable aleatoria denida por la distancia entre el punto elegido y el centro de la circunferencia,
calcular las funciones de densidad y distribucin de Z.
2.3 Si X es una variable aleatoria con media . Demostrar que cuando m = , E[(Xm)
2
] es mnima.
2.4 La funcin de densidad de la variable aleatoria X es
f(x) =

1/(kx), si 25 x 50
0, en el resto.
Obtener k, la media y la varianza de X.
2.5 De acuerdo con la teora cintica de los gases, la velocidad V de una molcula de masa m de un gas
a la temperatura (absoluta) T es una variable aleatoria con la siguiente funcin de densidad:
f(v) =
4
v
2
e
v
2
/
2
, v 0
donde =
p
2kT/m, siendo k la constante de Boltzmann. Adems, E(V ) = 2/
y Var(V ) =
(3/2 4/)
2
. Calcular el valor medio de la energa cintica, mV
2
/2, de una molcula. A una
misma temperatura T, qu gas tiene mayor valor medio de energa cintica, uno ligero u otro ms
pesado?
2.6 La funcin de distribucin de la variable aleatoria X es F
X
(x). Obtener la funcin de densidad de
la variable aleatoria Y = F
X
(x).
2.7 Un modelo que habitualmente se utiliza en balstica para comprobar la correcta calibracin de las
armas es
f(x) =
x
2
exp
x
2
2
2
, x 0, 0,
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 parmetro que mide la precisin. Si para una distancia determinada de
disparo la precisin del arma es = 10 cm, cul es la probabilidad de que al lanzar 10 proyectiles,
ninguno haya impactado a una distacia menor de 5 cm del centro del blanco?
2.8 Adaptar la demostracin de la desigualdad de Chebychev y demostrar la desigualdad de Markov
P(X > a)
1
a
E[X]
donde X es una variable aleatoria positiva (P(X > 0) = 1)
2.9 Dada la variable aleatoria X, cuya funcin de densidad es
f(x) =

k(1 x
2
), si 0 < x < 1
0, en el resto
1
Obtener k, as como la media y la varianza de la variable Y = 3X 1.
2.10 Supngase una diana circular con centro en el origen de coordenadas y radio r y X, Y las coor-
denadas de un punto elegido al azar (por ejemplo, el lanzamiento de un dardo). Supngase que
cualquier otro punto de la diana tiene la misma probabilidad de ser elegido. Calcule f
XY
(x, y) y
f
X
(x).
2.11 Un gran almacn guarda cajas que contienen piezas de distinto tipo. La proporcin p de piezas de
tipo A en una caja se puede considerar una variable aleatoria con funcin de densidad:
f(p) = kp(1 p) con 0 p 1
(a) Calcular el valor de k, la media y la varianza de la variable aleatoria p.
(b) Si se toman 10 cajas al azar.Cul es la probabilidad de que ninguna de ellas contenga una
proporcin de piezas de tipo A igual o superior al 75% ?
2.12 X e Y son dos variables aleatorias independientes con la misma funcin de distribucin F. Calcular
la funcin de densidad de
U = max(X, Y).
2.13 Obtn la distribucin de probabilidad del mximo, del mnimo y de la media de los resultados
obtenidos al lanzar dos dados equilibrados. Se acepta que los resultados de los dados son variables
aleatorias independientes.
2.14 La funcin de densidad de una variable aleatoria bidemensional viene dada por la expresin:
f
XY
(x, y) =

xy +ce
x
, cuando 0 < x < 1 y 0 < y < 1
0, en el resto
Son independientes las variables aleatorias X e Y ?
2.15 Los billetes de banco son fabricados en pliegos. La impresin se realiza por dos mquinas iguales,
una de ellas imprime el anverso y la otra el reverso. Sea X e Y , respectivamente, el nmero de
defectos de impresin en el anverso y reverso de un pliego. Ambas variables son independientes con
distribucin de Poisson de parmetros
1
y
2
.
(a) Demostrar que el nmero total de defectos en un pliego Z = X + Y tiene distribucin de
Poisson. (Nota.- Utilizar que
Pr{Z = n} =
n
X
k=0
Pr{X = k}Pr{Y = n k}
y el desarrollo del binomio de Newton para (
1
+
2
)
n
.)
(b) Si el nmero total de defectos en un pliego es Z = n, cul es la probabilidad de que haya
exctamente X = k defectos en el anverso? (Obtener la expresin en funcin de
1
,
2
, n
y k). De qu distribucin de probabilidad se trata?
2.16 La cantidad en miligramos de dos componentes contenidos en un producto es una variable aleatoria
bidemensional, cuya funcin de densidad viene dada por la expresin
2
f
XY
(x, y) =

4xy, cuando 0 x 1 y 0 y 1
0, en el resto
Calcular la probabilidad de que la cantidad del primer componentes sea menor que 0.3 miligramos
cuando la del segundo es 0.8 miligramos.
2.17 La llegada de los clientes a un banco se considera un proceso Poisson con parmetro . Sabiendo
que en la ltima hora han llegado 2 clientes, cul es la probabilidad de que los dos entraran en los
primeros 15 minutos?
2.18 La funcin de densidad de la variable aleatoria bidemendional (X, Y ), bien dada por la expresin:
f
XY
(x, y) =

kxy, cuando 0 < x < y < 1
0, en el resto
(a) Calcular el valor de k.
(b) Calcular P(X < 0.5|Y = 0.5).
(c) Son independientes las variables aleatorias X e Y ?
2.19 X e Y son variables aleatorias con coeciente de correlacin lineal = 1. Si las varianzas son
iguales, calcular la varianza de Z = X +Y 1.
2.20 Un equipo de radio tiene dos partes, el receptor y el amplicador. La duracin del receptor es
una variable aleatoria exponencial de media 500 horas y la duracin del amplicador una variable
exponencial de media 1000 horas. Cul es la probabilidad de que el fallo del equipo (cuando se
produzca) sea debido a un fallo del receptor? (Se supone que las variables son independientes)
2.21 Una mquina en funcionamiento es reemplazada por una nueva mquina bien cuando falla, bien
cuando alcanza la edad de T aos. Si el tiempo de vida de las sucesivas mquinas son variables
aleatorias independientes con la misma funcin de distribucin F y con funcin de densidad f,
demuestra que el nmero medio esperado de mquinas empleadas en un ao es
Z
T
0
xf(x)dx +T(1 F(T))
1
.
2.22 Sea X
1
una variable aleatoria N(10,1), X
2
una variable aleatoria N(20,1), y X
3
una variable aleatoria
N(30,4). Se dene
Z
1
= X
1
+X
2
X
3
Z
2
= X
1
+X
2
+X
3
Z
3
= X
1
X
2
X
3
Si X
1
, X
2
, X
3
son independientes, calcular la matriz de varianzas de (Z
1
, Z
2
, Z
3
).
3
2.23 La distribucin de probabilidad conjunta de las variables aleatorias Y
1
e Y
2
es la siguiente:
Y
1
-1 0 1
-1 1/16 3/16 1/16
Y
2
0 3/16 0 3/16
1 1/16 3/16 1/16
Calcular su coeciente de correlacin e indicar si son independientes.
2.24 La funcin de densidad conjunta de X e Y viene dada por
f(x, y) = xy, 0 < x < 1, 0 < y < 2
(a) Obtener las funciones de densidad marginales y decir si X e Y son independientes.
(b) Calcular P(X +Y < 1).
2.25 La funcin de distribucin conjunta de dos variables aleatorias X e Y es
F(x, y) = (1 e
ax
)(1 e
by
), x 0, y 0, a > 0, b > 0
siendo a y b dos constantes conocidas. Calcula las funciones de distribucin marginales de X e
Y.Son variables aleatorias independientes? Calcula P(X < 1, Y 2), P(X < 1) y P(Y 2).
2.26 Un ordenador tarda un total de T
2
segundos en procesar un mensaje de correo electrnico, esta
cantidad incluye el tiempo T
1
durante el cual el mensaje est en la cola esperando a ser procesado
(T
2
T
1
). La funcin de densidad conjunta de las variables aleatorias T
1
, T
2
es
f
T
1
T
2
(t
1
, t
2
) = e
t
2
, 0 t
1
t
2
<
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.
2.27 Sea X un valor elegido al azar de la distribucin uniforme en el intervalo [0,1]. A continuacin
se toma al azar otro valor Y de la distribucin uniforme [X, 1]. Calcular la funcin de densidad
marginal de Y.
2.28 Una ocina de correos tiene dos ventanillas de atencin al pblico. Tres personas A,B y C llegan en
el mismo instante a la ocina de correos y encuentran las dos ventanillas desocupadas. Los tiempos
de servicio requeridos por las tres personas son variables aleatorias independientes con distribucin
exponencial de parmetro . Los tiempos de servicio de A y B comienzan de inmediato, mientras
que C debe esperar a que termine el primero de los dos. Cul es la probabilidad de que C no sea
el ltimo en salir de la ocina de correos?
2.29 Sean X, Y, U y V variables aleatorias, demostrar que si Y = U +V, entonces
Cov(X, Y ) = Cov(X, U) + Cov(X, V ).
2.30 Un laboratorio de anlisis 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 anlisis 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 anlisis es negativo, se concluye que los 50 individuos estn sanos. Si el anlisis es
positivo, se repite a cada persona de manera individual. El anlisis es infalible.
4
(a) Determinar el nmero esperado de pruebas (anlisis) que se tendr que realizar si se sigue
este tipo de estrategia.
(b) Cul es la probabilidad de que un individuo determinado sea portador del virus, si el
resultado del anlisis realizado a su grupo de 50 ha resultado positivo?
2.31 De un lote con una proporcin de piezas defectuosas p, se extraen piexas con reposicin hasta que
se observa la ksima defectuosa. Obtener la distribucin de probabilidad de la variable aleatoria
X nmero total de piezas observadas.
2.32 La funcin de densidad de una variable aleatoria X viene dada por la expresin
f(x) =

x/8, si 0 x 4
0, en el resto
Se generan secuencialmente valores de esta variable. Cuntos valores de X habr que generar
por trmino medio hasta obtener un valor mayor que 3?
2.33 Una pareja decide tener hijos hasta el nacimiento de la primera nia. Calcular la probabilidad de
que tengan ms de 4 hijos. (Supngase P(ni no) = P(ni na) = 0.5)
2.34 Si las llamadas telefnicas a una centralita siguen una distribucin de Poisson de parmetro = 3
llamadas/cinco minutos, calcular la probabilidad de:
(a) Seis llamadas en cinco minutos.
(b) Tres llamadas en diez minutos.
(c) Ms de 15 en un cuarto de hora.
(d) Dos en un minuto.
2.35 La variable aleatoria X tiene distribucin exponencial con media 1. Obtener la funcin de distribu-
cin y la funcin de densidad de
W = aX
1/b
, a > 0, b > 0
2.36 El nmero de averas diarias de una mquina sigue una distribucin de Poisson de media 0.4 averas.
Calcular la probabilidad de que haya tres das sucesivos sin averas.
2.37 A un puesto de servicio llegan de manera independiente, por trmino medio, 10 clientes/hora.
Calcular la probabilidad de que lleguen 8 clientes en la prxima media hora sabiendo que en la
ltima hora llegaron 14 clientes, y que la variable aleatoria nmero de clientes que llegan en un
hora siguen una distribucin de Poisson.
2.38 En una planta industrial dos bombas B
1
y B
2
en paralelo conducen agua desde un pozo a una
depuradora D, y posteriormente otras dos bombas B
3
y B
4
, tambin en paralelo, la trasladan a un
depsito como indica la gura.
Los tiempos de vida de la depuradora y de las bombas son variables aleatorias independientes con
distribucin exponencial, siendo 20 mil horas la vida media de la depuradora y 30 mil horas
la de cada bomba.
5
Pozo
B2
D
B1 B3
B4
Depsito
-
-
@
@R
@
@R
-
-
(a) Calcular la probabilidad de que llegue agua al depsito despus de 20 mil horas de fun-
cionamiento.
(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 sta cada 20 mil
horas? Por qu?
2.39 La distancia D entre dos vehculos consecutivos es una autopista sigue una distribucin exponencial
con media 200 metros. Cul es la probabilidad de que en un tramo de 1 km haya exactamente 5
vehculos?
2.40 La funcin de densidad del tiempo T de funcionamiento de un componente hasta que falla es
f(t) = kt
1
exp(kt
), t > 0, k > 0, > 0.

Cuando un componente falla se puede reparar y queda igual que otro que no hubiera fallado nunca
y tuviera la misma edad. Adems, el tiempo necesario para reparar el componente se considera
despreciable. Si un componente tiene su primer fallo en el instante t
1
, calcular la probabilidad de
que el segundo fallo se produzca despus de t
2
con t
2
> t
1
.
2.41 Ricardo es un pescador experto que ha comprobado, despus de una larga experiencia practicando
su deporte favorito, que el nmero de peces capturados por la maana puede ser representado por
una variable aleatoria de Poisson de media 3 peces a la hora. Quiere ir a pescar el sbado prximo,
si empieza a las 7 de la maana, cul es la probabilidad de que capture el primer pez antes de las
7 h. 15 min.? Cul es la probabilidad de que capture 5 peces durante dos horas de pesca?
2.42 La variable aleatoria T representa la duracin de vida de un componente electrnico. En teora de
la abilidad 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 funcin de t
(t) =
f(t)
1 F(t)
,
donde f y F son, respectivamente, las funciones de densidad y de distribucin de la variable
aleatoria T. Obtener la tasa de fallo en caso que T sea una variable aleatoria exponencial de
media 1000 horas e interpolar el resultado.
2.43 Un examen consiste en 25 cuestiones. En cada cuestin, el alumno debe elegir entre 5 soluciones
propuestas, de las que una (y slo una) es cierta. El nmero mnimo de respuestas correctas que
debe tener un alumno para aprobar es a. El profesor decide jar a con el siguiente criterio: que
la probabilidad de aprobar para un alumno que conteste todas las cuestiones al azar sea menor de
0.05. Obtener a. (Una cuestin es respondida al azar si cada uno de los cinco resultados propuestos
tiene la misma probabilidad de ser escogido).
6
2.44 Obtener la funcin de densidad de una variable aleatoria
2
con un grado de libertad. (Si X ;
N(0, 1), Y = X
2
es una
2
1
.)
2.45 Dada una variable aleatoria X, cuya distribucin es N(0,
2
), calcular la mediana de la variable
Y = |X|.
2.46 La longitud L en milmetros de las piezas fabricadas en un proceso es una variable aleatoria que
se distribuye segn una N(32, 0.3), considerndose aceptables aquellas cuya medida se encuentra
dentro del intervalo (31.1, 32.6).
(a) Calcular la probabilidad de que una pieza elegida al azar sea aceptable.
(b) Si se toma al azar una muestra de tres piezas, cul es la probabilidad de que la primera
y la tercera sean aceptables y la segunda no lo sea?
(c) Cul es la probabilidad de que en una muestra de tamao 3 al menos una sea aceptable?
(d) Las piezas se embalan en lotes de 500. Calcular la probabilidad de que un lote tenga ms
de 15 defectuosas.
2.47 En cierta fabricacin mecnica 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 ms.
(b) En un lote de 500 sean cortas 10 o menos.
(c) En 1000 piezas haya entre 6 y 12 largas. Todas las aproximaciones se calculan la distribu-
cin normal.
2.48 Una mquina rellena sobres de azucar para caf. La cantidad de azucar en cada sobre se distribuye
como una normal de media 8 gramos y desviacin tpica 0.5 gramos. Los sobres llenos se colocan
en cajas de cartn. Cada caja tiene 100 sobres de azucar. El peso conjunto de la caja y los 100
sobres vacos es 30 gramos. Al nal del proceso de empaquetado se pesa cada caja llena, si el peso
es menor de 820 gramos se retiran y no se comercializan. Cul es el porcentaje de cajas llenas
que pesan menos de 820 gramos? Cul es la probabilidad de que una caja con 99 sobres llenos de
azucar supere el control? (Se supone despreciable el peso de un sobre vaco)
2.49 En un juego de apuestas una persona paga un euro, elige un nmero del 1 al 6 y lanza tres dados.
La banca le paga tantos euros como nmero de veces haya salido el nmero elegido. Sea X los euros
ganados o perdidos por el jugador en una jugada, calcula E[X]. A quin benecia este juego, a la
banca o al jugador?
2.50 Una empresa y su proveedor han llegado a un acuerdo en cuanto al plan de muestreo en la compra-
venta de lotes de 100.000 unidades. Para comprobar la calidad se tomar una muestra de 400
unidades, aceptando el lote cuando haya como mximo c unidades defectuosas. Calcula c para que
la probabilidad de aceptar un lote con el 6% de piezas defectuosas sea 0.05.
7
3. Inferencia
Curso 2004-2005
Estadstica
Inferencia 2
Probabilidad
Inferencia
Muestra n
Poblacin
p
% DEFECTUOSA
X N Defectuosa
Conocido p
cuanto vale X ?
Conocido X
cuanto vale p ?
Inferencia 3
) , ( N X
n
X X X ,..., ,
2 1
X
POBLACIN
MUESTRA n
Datos Conocidos
? ,
Parmetros
?
Inferencia 4
240 235 240 240 247 237 243 242 236 239
243 237 243 242 245 239 245 245 239 240
250 246 244 246 255 242 248 248 241 242
253 249 249 249 250 247 251 251 246 243
248 246 246 248 249 245 250 249 242 244
238 240 245 240 237 242 244 242 243 239
242 241 250 243 239 244 246 245 246 240
245 246 250 246 243 246 246 248 247 250
251 247 247 250 247 251 250 243 252 252
247 249 248 248 246 248 246 246 247 250
239 240 238 241 242 243 241 241 241 241
242 243 240 245 244 245 239 244 243 243
246 244 245 243 245 247 244 245 245 249
250 248 248 247 248 252 250 249 248 255
248 245 246 245 245 249 246 247 246 253
X
Espesores de 150 obleas de Silicio (micras)
Inferencia 5
Histograma para Espesor
Espesor
f
r
e
c
u
e
n
c
i
a
230 235 240 245 250 255 260
0
10
20
30
40
Inferencia 6
Distintos problemas de inferencia
Dado un modelo para los datos:
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).
n
X X X ,..., ,
2 1
Inferencia 7
Mtodos de Estimacin
r
X
r X
f
x f X

,..., ,
os desconocid Parmetros
conocida
) ,..., , , (
2 1
2 1
1. Mtodo de los momentos

2. Mtodo de mxima verosimilitud
? ,..., , , , ,
de simple aleatoria muestra una Dada
2 1 2 1 r n
x x x
X
K
Inferencia 8
Mtodos de los momentos
) ,..., , ( ] [
) ,..., , ( ] [
) ,..., , ( ] [
) ,..., , , ( , , ,
2 1
1
2 1 2
2
2
1
2
2
2 1 1 1
1
1
2 1 2 1
r r
r
r
n
i
r
i
r
r
n
i
i
r
n
i
i
r X n
g X E
n
x
a
g X E
n
x
a
g X E
n
x
a
x f x x x

= = =
= = =
= = =
=
=
=
M M
K
DATOS VAR. ALEATORIA
=
=
=
r r r
r
r
r
a g
a g
a g
)
, ,
(
)
, ,
(
)
, ,
, ,
s Estimadore
2 1
2 2 1 2
1 2 1 1
2 1

K
M
K
K
K
Inferencia 9
Mtodo de los momentos: Distribucin normal
|
.
|
\
|

= x
x
x f
X
,
2
1
exp
2
1
) (
2

? , : Parmetros
2 2 2
2
1
2
2
1
1
1
2 1
] [
] [
) , , ( , , ,

+ = = =
= = =
=
=
X E
n
x
a
X E
n
x
a
x f x x x
n
i
i
n
i
i
X n
K
2 2
1
2 2
1
s x x
n
x
n
i
i
= =
=

Inferencia 10
Mtodo de mxima verosimilitud
(Introduccin)
Una fuente radiactiva emite partculas segn un proceso
de Poisson con media desconocida. Durante 10 minutos
se han contado el nmero de partculas emitidas:
12, 6, 11, 3, 8, 5, 3, 9, 7, 5
! 5 ! 6 ! 12
) (
! 5 ! 6 ! 12 ! 5 ! 6 ! 12
! 5 ! 6 ! 12
) 5 ,..., 6 , 12 (
69
10
69
10
5 6 12
10
5 6 12
10 2 1

=

=

=
= = = =
+ + +

L
L L
L
L

e l
e e
e e e X X X P
Inferencia 11
Funcin de verosimilitud
2 4 6 8 10
! 5 ! 6 ! 12
) (
69
10

=

L

e l
6,9
9 , 6
Estimador mximo-verosmil:
Inferencia 12
Funcin de verosimilitud
! 5 ! 6 ! 12
) (
69
10

=

L

e l
6,9
9 , 6
= Estimador mximo-verosmil:
verosimilitud
0
2E-12
4E-12
6E-12
8E-12
1E-11
1,2E-11
1,4E-11
1,6E-11
1,8E-11
4
4
,
6
5
,
2
5
,
8
6
,
47
7
,
6
8
,
2
8
,
8
9
,
4
1
0
lambda
p
r
o
b
a
b
i
l
i
d
a
d
-40
-35
-30
-25
-20
-15
-10
-5
0
l
o
g

p
r
o
b
a
b
i
l
i
d
a
d
L() = log l()
Inferencia 13
Estimacin por
mxima verosimilitud
) ,..., , ( max )
,...,
,...,
) ,..., , ( ) ,..., , , ( log ) ,..., , ( log

) ,..., , , ( ) ,..., , , ( ) ,..., , , (
) ,..., ; ,..., , (
: conjunta n Distribuci
,..., , : simple aleatoria Muestra
,..., , : os desconocid Parmetros
conocida
) ,..., , , (
2 1 2 1 2 1
2 1
1
2 1 2 1
2 1 2 1 2 2 1 1
1 2 1
2 1
2 1
2 1
r r r
r
n
i
r i X n
r n X r X r X
r n
n
r
X
r X
L L
L x f x x x f
x f x f x f
x x x f
X X X
f
x f X

=
= =
=
=
=
L
Inferencia 14
Mx. verosimilitud: Distribucin normal

|
.
|
\
|

= x
x
x f
X
,
2
1
exp
2
1
) (
2

? , : Parmetros
=
=
= + =
= =
=
=
=
=
=
=
=

=
2 2
1
2
4 2 2
1
2
1
2
2
2
2 1
2
) (
2
1
2 /
) (
2
1
) (
2
1
) (
2
1
2 1
2 1
0 ) (
2
1
1
2
0 ) (
1
: max
) (
2
1
log
2
) 2 log(
2
) ,..., , ( log ) , (
) 2 (
1
2
1
2
1
2
1
) ,..., , (
simple aleatoria muestra : ,..., ,
1
2
2
2
2
2
2 2
2
1 2
s
x
x
n L
x
L
L
x
n n
x x x f L
e
e e e x x x f
X X X
n
i
i
n
i
i
n
i
i
n
x
n n
x x x
n
n
n
i
i
n
L
Inferencia 15
Mx. Verosimilitud: Poisson
x
x
n
d
dL
L
x x n L
x x x
e
x
e
x
e
x
e
x X x X x X P x x x p
x x x
x
x
e x X P
i
i i
n
x
n
n
x x x
n n n
n
x
i n
= =
+ =
+ =
= =
= = = =
= = =
) (
: ) ( max
! log log ) ( ) (
! ! ! ! ! !
) , , , ( ) ,..., , (
,..., , : simple aleatoria Muestra
Parmetro ,... 2 , 1 , 0 ,
!
) (
2 1 2 1
2 2 1 1 2 1
2 1
2 1
L
L
L
Inferencia 16
Mx. verosimilitud: Binomial(n,p)
Proporcin defectuosas = p ?
n
=
Defectuosa
Aceptable
es si 1
es si 0
,..., ,
: ) (Bernoulli Muestra
2 1
i
n
x
x x x
n
r
p
p
r n
p
r
dp
p dL
p r n p r L(p)
x r p p
p p
x X P x X P x X P
x X x X x X P x x x p
i
r n r
x n x
n n
n n n
i i
= =
=
+ =
= =
=
= = = =
= = = =
0
1
) (
) 1 log( ) ( log
s defectuosa de n el es donde ) 1 (
) 1 (
) ( ) ( ) (
) ,..., , ( ) ,..., , (
2 2 1 1
2 2 1 1 2 1
L
Inferencia 17
Distribucin de media (normal)
) , ( N X
n
X X X ,..., ,
2 1
n
n n
X X X
X
n n
X E X E X E
X E
n
n
2
2
2 2 2
2
2 1
2 1
] [ Var ] [ Var ] [ Var
] [ Var
] [ ] [ ] [
] [

=
+ + +
=
+ + +
=
=
+ + +
=
+ + +
=
L L
L L
n
X X X
X
n
+ + +
=
L
2 1
) , (
n
N X

Inferencia 18
Histograma de Espesores
Espesores
f
r
e
c
u
e
n
c
i
a
230 235 240 245 250 255 260
0
200
400
600
800
1000
Distribucin de la Media de 5 observaciones
Media
F
r
e
c
u
e
n
c
i
a
/
P
r
o
b
a
b
i
l
i
d
a
d
230 235 240 245 250 255 260
0
200
400
600
800
1000
1200
Inferencia 19
Distribucin de S
2
(Normal)
) , ( N X
n
X X X ,..., ,
2 1
n
X X X X X X
S
n
2 2
2
2
1 2
) ( ) ( ) ( + + +
=
L
2 2
2
2 2 2 2 2
2
1
2
1
2 2
1
) ( ) (
1
] [ ] [
1
] [
1
) (
1

n
n
n n
X E X E
n
S E
X X
n
X X
n
S
i
n
i
n
i
= + + = =
= =

2 2 2 2
2 2
2
2
1 2
]
[
1
1
) ( ) ( ) (
=

+ + +
=
S E S
n
n
S
n
X X X X X X
S
n
L
Inferencia 20
Distribucin
2
2 2 2
2
2
1
2 1
ntes independie ) 1 , 0 ( ,..., ,
n n
n
Z Z Z
N Z Z Z
+ + +
L
indep.) y (
2 Var
s Propiedade
2 2 2 2 2
2
2
m n m n m n
n
n
n ] [
n ] E[

+
= +
=
=
Inferencia 21
Distribucin Chi-cuadrado con 4 g.l.
d
e
n
s
i
d
a
d
0 4 8 12 16 20
0
0.04
0.08
0.12
0.16
0.2
Inferencia 22
Distribucin de S
2
(Normal)
43 42 1
4 4 3 4 4 2 1 4 4 3 4 4 2 1
4 4 4 4 8 4 4 4 4 7 6
2
1
2
1
2
2
2
2
1
2
2
1
2
2
1
2
0
1
1
2
1
2
1
2
1
2
2
1
2
) (
) ( ) (
) ( ) (
) )( ( 2 ) ( ) (
) ( ) (
=
=
=
=
= =
= =
=
+ =
+ + =
+ =
|
.
|
\
|
n
X
X X X
X n X X
X X X X X X
X X X X
X
n n
n
i
i
n
i
i
n
i
i
n
i i
n
i
n
i
i
n
i
i
n
i
i
n
n
i
i
2
1
2
1
2
2
2
1
2
1
2
2
) 1 (
=

|
|
.
|
\
|
=

|
|
.
|
\
|
=
n
dist
n
i
i
n
dist
n
i
i
X X S n
X X nS
Inferencia 23
Histograma de Espesores
Espesores
f
r
e
c
u
e
n
c
i
a
230 235 240 245 250 255 260
0
200
400
600
800
1000
Histograma para Varianzas
varianza muestral
f
r
e
c
u
e
n
c
i
a
0 20 40 60 80
0
100
200
300
400
500
Inferencia 24
Distribucin de la media (general)
) , (
] [
] [
y varianza media misma la tienen variables las Si
] [ ] [ ] [
] [
] [ ] [ ] [
] [
ntes independie aleatorias variables de Vector , ) ,..., , (
2 2 1
2
2
2 1
2 1
2 1
2 1
n
N X
n
X Var
X E
n
X X X
X
i ] Var[X i ] E[X
n
X Var X Var X Var
X Var
n
X E X E X E
X E
n
X X X
X
n X X X
n
i i
n
n
n
T
n
=
=
+ + +
=
= =
+ + +
=
+ + +
=
+ + +
=
=
L
L
L
L
X
< ] Var[ : ) , (
i i
X x f X
n
Inferencia 25
Binomial
)
) 1 (
, (
) 1 (
] [
] [
) 1 ( ] [
] [
es si 1
es si 0
,..., , : Binomial
2 1
2 1
n
p p
p N p
n
p p
p Var
p p E
n
X X X
p
p p X Var
p X E
X
X X X
n
n
i
i
i
n
=
=
+ + +
=
=
=
=

L
Defectuosa
Aceptable
Inferencia 26
Poisson
) , (
[
]
] [
] [
!
) (
,..., , : Poisson
2 1
2 1
n
N
n
Var
E
n
X X X
X Var
X E
k
e k X P
X X X
n
n
i
i
k
i
n
=
=
+ + +
=
=
=
= =
L
Inferencia 27
Propiedades de los estimadores
Centrados:
Varianza mnima:
Error cuadrtico medio mnimo
Consistentes
) ]
[ ]
Sesgo[ ( ]
[ = = E E
] '
[ Var ]
[ Var : '
( Var )
( Sesgo
] )
[( ]
ECM[
2
2

+ =
= E
0 ]
[ Var y ]
[
lim lim
= =

n n
E
) ,..., , (

: ) , ( de m.a.s ,..., ,
2 1 2 1 n n
X X X x f X X X
Inferencia 28
Ejemplo 1
0 ] ]
:
] [ :
= =
=

X X
X E
lim lim
n n
Var[ y E[
e consistent Es
mnima varianza de Es
centrado Es
=
=
n
i
i n
X
n
X N X X X
1
2 1
1
: ) , ( de m.a.s ,..., ,
Inferencia 29
Ejemplo 2
| |
0 ] Var[ y ] E[
: e consistent Es
) 1 ( 2
] [ ) 1 ( 2 Var
: Varianza
) ( Sesgo
1
] [ : centrado es No
2 2 2
4
2
2 2
1
2
2
2
2
2 2
lim lim = =
= = =
(
(
S S
n
n
S Var n Var
nS
n
S
n
n
S E
n n
n
2
1
2
2 1
) (
1
: ) , ( de m.a.s ,..., ,

=
=
n
i
i n
X X
n
S N X X X
Intervalos de confianza
Inferencia 31
Concepto de intervalo de confianza
Se ha realizado una encuesta a 400 personas elegidas al azar
para estimar la proporcin p de votantes de un partido poltico.
p ?
Resultado Encuesta
S 220
No/Otros 180
Inferencia 32
N(0,1)
Introduccin
) 1 , 0 (
) 1 (
)
) 1 (
, (
) ) 1 ( , ( ) , (
.
N
n
p p
p p
n
p p
p N
n
X
p
p np np N X p n B X
aprox
=

Inferencia 33
z
/2
-z
/2
/2 /2
N(0,1)
2 / 2 /
2 / 2 /
) 1 (
: de Despejando
1 )
) 1 (
(

z
n
p p
p p
z p
z
n
p p
p p
z P

Nivel de CONFIANZA
1-
Inferencia 34
n
p p
z p p
n
p p
z p
z
n
p p
p p
z
z
n
p p
p p
z
)
1 (
1 (
1 (
) 1 (

2 / 2 /
2 / 2 /
2 / 2 /

Nivel de confianza: (1-) Tamao
Muestral
n
Inferencia 35
Ejemplo
0,55
0,55
0,49
0,61
0,43
0,67
0,51 0,59
0,47
0,63
95 %
99 %
n = 100
n = 400
n = 100
n = 400
55 , 0
400
220
= = p
400
45 , 0 55 , 0
96 , 1 55 , 0

p
Inferencia 36
1. Normal: Intervalo para con conocido
) , ( ,..., ,
2 1
N X X X
n

n
z x
n
z x
z
n
X
z
N
n
X
n
N X

2 / 2 /
2 / 2 /
/
) 1 , 0 (
/
) , (
+
z
/2
-z
/2
/2 /2
N(0,1)
n
z x

2 /

Inferencia 37
2. Normal:Intervalo para con desconocido
) , ( ,..., ,
2 1
N X X X
n

n
s
t x
n
s
t x
t
n S
X
t
t
n S
X
N
n
X
n
N X
n n
n n
n

/
) 1 , 0 (
/
) , (
2 / , 1 2 / , 1
2 / , 1 2 / , 1
1

n
s
t x
n
2 / , 1

t
/2
- t
/2
/2 /2
t
n-1
Inferencia 38
Distribucin t de Student
-4,00 -3,00 -2,00 -1,00 0,00 1,00 2,00 3,00 4,00
N(0,1)
t
1
t
2
t
4
p
p
t
V/p
Z
V Z
V
N Z
ntes independie son ,

) 1 , 0 (
2
Inferencia 39
3. Normal: Intervalo para
2
) , ( ,..., ,
2 1
N X X X
n

2
2 /
2
2
2
2 / 1
2
2
2 / 1
2
2
2
2 /
2
1
2
2
1
2
2
) 1 (
) 1 (
1 )
) 1 (
(
) 1 (
1
) (
s n s n
S n
P
S n
n
X X
S
n
n
i
i
2
2 / 1

2
2 /
/2
/2
2
1 n
Inferencia 40
EJEMPLO 1. La resistencia a la compresin de 15
probetas de acero elegidas al azar es:
40,15 65,10 49,50 22,40 38,20
60,40 43,40 26,35 31,20 55,60
47,25 73,20 35,90 45,25 52,40
15
2 , 14
98 , 2 75 , 45
15
2 , 14
98 , 2 75 , 45
2 , 14
75 , 45
98 , 2
15 /
98 , 2
15 /
14
+
= =
s x
S
X
t
S
X
2,98 - 2,98
0,005 0,005
t
14
99 % confianza: 34,8 56,7
Inferencia 41
2
14
2
2
2
1
2
2
14
) 1 (
S S n
n
0,00 5,00 10,00 15,00 20,00 25,00 30,00 35,00
2
14
0,005 0,005
4,07
31,3
07 , 4
6 , 201 14
3 , 31
6 , 201 14
6 , 201
99 , 0 ) 3 , 31
14
07 , 4 (
2 2
2
2
=
=
s
S
P
99% confianza: 90,2
2
693,6
Inferencia 42
4. Poisson: Intervalo para
n
z
n
z
z
n
z P
n
n
X
X X X
aprox
n
1 )
/
(
) 1 , 0 ( N
) , ( N
) ( Poisson , , ,
2 / 2 /
2 / 2 /
2 1
+
=
=
K
z
/2
-z
/2
/2 /2
N(0,1)
Tabla
2
: grados de libertad (g.l.)
,1-
EJEMPLO
P(
9
19,02) = 0,025
g.l. 0,995 0,990 0,975 0,950 0,500 0,050 0,025 0,010 0,005
1 ,00004 ,00016 ,00098 ,00393 0,455 3,841 5,024 6,635 7,879
2 ,01002 ,0201 0,051 0,103 1,386 5,991 7,378 9,210 10,60
3 ,0717 0,115 0,216 0,352 2,366 7,815 9,348 11,34 12,84
4 0,207 0,297 0,484 0,711 3,357 9,488 11,14 13,28 14,86
5 0,412 0,554 0,831 1,145 4,351 11,07 12,83 15,09 16,75
6 0,676 0,872 1,237 1,635 5,348 12,59 14,45 16,81 18,55
7 0,989 1,239 1,690 2,167 6,346 14,07 16,01 18,48 20,28
8 1,344 1,647 2,180 2,733 7,344 15,51 17,53 20,09 21,95
9 1,735 2,088 2,700 3,325 8,343 16,92 19,02 21,67 23,59
10 2,156 2,558 3,247 3,940 9,342 18,31 20,48 23,21 25,19
11 2,603 3,053 3,816 4,575 10,341 19,68 21,92 24,73 26,76
12 3,074 3,571 4,404 5,226 11,340 21,03 23,34 26,22 28,30
13 3,565 4,107 5,009 5,892 12,340 22,36 24,74 27,69 29,82
14 4,075 4,660 5,629 6,571 13,339 23,68 26,12 29,14 31,32
15 4,601 5,229 6,262 7,261 14,339 25,00 27,49 30,58 32,80
16 5,142 5,812 6,908 7,962 15,338 26,30 28,85 32,00 34,27
17 5,697 6,408 7,564 8,672 16,338 27,59 30,19 33,41 35,72
18 6,265 7,015 8,231 9,390 17,338 28,87 31,53 34,81 37,16
19 6,844 7,633 8,907 10,117 18,338 30,14 32,85 36,19 38,58
20 7,434 8,260 9,591 10,851 19,337 31,41 34,17 37,57 40,00
21 8,034 8,897 10,283 11,591 20,337 32,67 35,48 38,93 41,40
22 8,643 9,542 10,982 12,338 21,337 33,92 36,78 40,29 42,80
23 9,260 10,196 11,689 13,091 22,337 35,17 38,08 41,64 44,18
24 9,886 10,856 12,401 13,848 23,337 36,42 39,36 42,98 45,56
25 10,520 11,524 13,120 14,611 24,337 37,65 40,65 44,31 46,93
26 11,160 12,198 13,844 15,379 25,336 38,89 41,92 45,64 48,29
27 11,808 12,878 14,573 16,151 26,336 40,11 43,19 46,96 49,65
28 12,461 13,565 15,308 16,928 27,336 41,34 44,46 48,28 50,99
29 13,121 14,256 16,047 17,708 28,336 42,56 45,72 49,59 52,34
30 13,787 14,953 16,791 18,493 29,336 43,77 46,98 50,89 53,67
40 20,707 22,164 24,433 26,509 39,335 55,76 59,34 63,69 66,77
50 27,991 29,707 32,357 34,764 49,335 67,50 71,42 76,15 79,49
60 35,534 37,485 40,482 43,188 59,335 79,08 83,30 88,38 91,95
70 43,275 45,442 48,758 51,739 69,334 90,53 95,02 100,43 104,21
80 51,172 53,540 57,153 60,391 79,334 101,88 106,63 112,33 116,32
90 59,196 61,754 65,647 69,126 89,334 113,15 118,14 124,12 128,30
100 67,328 70,065 74,222 77,929 99,334 124,34 129,56 135,81 140,17
120 83,852 86,923 91,573 95,705 119,334 146,57 152,21 158,95 163,65
g.l 0,20 0,15 0,10 0,05 0,025 0,01 0,005 0,0025 0,001 0,0005
1 1,376 1,963 3,078 6,314 12,706 31,821 63,656 127,321 318,289 636,578
2 1,061 1,386 1,886 2,920 4,303 6,965 9,925 14,089 22,328 31,600
3 0,978 1,250 1,638 2,353 3,182 4,541 5,841 7,453 10,214 12,924
4 0,941 1,190 1,533 2,132 2,776 3,747 4,604 5,598 7,173 8,610
5 0,920 1,156 1,476 2,015 2,571 3,365 4,032 4,773 5,894 6,869
6 0,906 1,134 1,440 1,943 2,447 3,143 3,707 4,317 5,208 5,959
7 0,896 1,119 1,415 1,895 2,365 2,998 3,499 4,029 4,785 5,408
8 0,889 1,108 1,397 1,860 2,306 2,896 3,355 3,833 4,501 5,041
9 0,883 1,100 1,383 1,833 2,262 2,821 3,250 3,690 4,297 4,781
10 0,879 1,093 1,372 1,812 2,228 2,764 3,169 3,581 4,144 4,587
11 0,876 1,088 1,363 1,796 2,201 2,718 3,106 3,497 4,025 4,437
12 0,873 1,083 1,356 1,782 2,179 2,681 3,055 3,428 3,930 4,318
13 0,870 1,079 1,350 1,771 2,160 2,650 3,012 3,372 3,852 4,221
14 0,868 1,076 1,345 1,761 2,145 2,624 2,977 3,326 3,787 4,140
15 0,866 1,074 1,341 1,753 2,131 2,602 2,947 3,286 3,733 4,073
16 0,865 1,071 1,337 1,746 2,120 2,583 2,921 3,252 3,686 4,015
17 0,863 1,069 1,333 1,740 2,110 2,567 2,898 3,222 3,646 3,965
18 0,862 1,067 1,330 1,734 2,101 2,552 2,878 3,197 3,610 3,922
19 0,861 1,066 1,328 1,729 2,093 2,539 2,861 3,174 3,579 3,883
20 0,860 1,064 1,325 1,725 2,086 2,528 2,845 3,153 3,552 3,850
21 0,859 1,063 1,323 1,721 2,080 2,518 2,831 3,135 3,527 3,819
22 0,858 1,061 1,321 1,717 2,074 2,508 2,819 3,119 3,505 3,792
23 0,858 1,060 1,319 1,714 2,069 2,500 2,807 3,104 3,485 3,768
24 0,857 1,059 1,318 1,711 2,064 2,492 2,797 3,091 3,467 3,745
25 0,856 1,058 1,316 1,708 2,060 2,485 2,787 3,078 3,450 3,725
26 0,856 1,058 1,315 1,706 2,056 2,479 2,779 3,067 3,435 3,707
27 0,855 1,057 1,314 1,703 2,052 2,473 2,771 3,057 3,421 3,689
28 0,855 1,056 1,313 1,701 2,048 2,467 2,763 3,047 3,408 3,674
29 0,854 1,055 1,311 1,699 2,045 2,462 2,756 3,038 3,396 3,660
30 0,854 1,055 1,310 1,697 2,042 2,457 2,750 3,030 3,385 3,646
40 0,851 1,050 1,303 1,684 2,021 2,423 2,704 2,971 3,307 3,551
50 0,849 1,047 1,299 1,676 2,009 2,403 2,678 2,937 3,261 3,496
60 0,848 1,045 1,296 1,671 2,000 2,390 2,660 2,915 3,232 3,460
70 0,847 1,044 1,294 1,667 1,994 2,381 2,648 2,899 3,211 3,435
80 0,846 1,043 1,292 1,664 1,990 2,374 2,639 2,887 3,195 3,416
90 0,846 1,042 1,291 1,662 1,987 2,368 2,632 2,878 3,183 3,402
100 0,845 1,042 1,290 1,660 1,984 2,364 2,626 2,871 3,174 3,390
infinito 0,842 1,036 1,282 1,645 1,960 2,327 2,576 2,808 3,091 3,291
0,20 0,15 0,10 0,05 0,025 0,01 0,005 0,0025 0,001 0,0005
Tabla
t-Student
: grados de libertad (g.l.)

t
,
EJEMPLO
P(t
9
2,262) = 0,025
Contraste de Hiptesis
Inferencia 46
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 220
No/Otros 180
Inferencia 47
Contraste de hiptesis
)
) 1 (
, (
5 . 0 :
5 . 0 :
1
0
n
p p
p N P
p H
p H
>
) 1 , 0 (
400
5 . 0 5 . 0
5 . 0
5 0 cierto es H Si
0
N
P
. p
=
5 . 0 :
5 . 0 :
1
0
>
=
p H
p H
Inferencia 48
Nivel de significacin
= P( rechazar H
0
| H
0
es cierta)
N(0,1)
Regin de
Aceptacin de H
o
Regin de
Rechazo H
o
Inferencia 49
0 0
0
H rechaza Se 64 . 1 2
0.05 in significac de nivel el Elegido
2
400
5 . 0 5 . 0
5 . 0 55 . 0
55 0
Muestra
= > =
=
=
= =
z z
z . p
0
0.05
1.64
R.A. H
o
R.R. H
0
2
Con un nivel de significacin de = 0.05 p > 0.5
Inferencia 50
H
0
CIERTA
p=0.5
H
0
FALSA
p = 0.6
0.5
0.6
c
c
c
Aceptar Ho
Rechazar Ho
Probabilidad de
Rechazar Ho
Probabilidad de
Aceptar Ho
Error II
Error I
Inferencia 51
Tipos de errores
R
E
A
L
I
D
A
D
H
o
CIERTA
H
o
FALSA
Se Acepta H
o
Se Rechaza H
o
RESULTADO CONTRASTE
Ok
Ok
Error tipo I
Error tipo II
Inferencia 52
Tipos de Contrastes
5 . 0 :
5 . 0 :
1
0
>
=
p H
p H
5 . 0 :
5 . 0 :
1
0
=
p H
p H
UNILATERAL
BILATERAL
R.A. Ho
/2
z
/2
-z
/2
/2
R.A. Ho
R.R.Ho
R.R.Ho
Nivel de significacin
R.R.Ho
Inferencia 53
Nivel crtico o p-valor
0 1
0 0
:
:
p p H
p p H
>
=
)
) 1 (
, (
n
p p
p N P

) Pr(
)
) 1 (
) 1 (
Pr(
cierto) es |
( Pr
0
0 0
0
0 0
0
0
z Z
n
p p
p p
n
p p
p P
H p P valor p
> =
>
=
> =
Inferencia 54
Ejemplo
Datos:
55 . 0
400
220
= = p
0
Regin de
Aceptacin
H
o
R.R. H
0
05 . 0 =
2
0228 . 0
valor p
1.64
Inferencia 55
Relacin entre p-valor y
0
R.R. H
0
< valor p
z
p-valor <
Se rechaza H
0
0
R.R. H
0
valor p
z
p-valor
No se rechaza H
0
Inferencia 56
1. Normal: Contraste para con conocido
) , ( ,..., ,
2 1
N X X X
n

n
x
z
N
n
X
n
N X
H
H
/
) 1 , 0 (
/
) , (
:
:
0
0
0 1
0 0
=
0 2 / 0
0 2 / 0
rechaza e
rechaza se No
H S z z
H z z
>

z
/2
-z
/2
/2 /2
N(0,1)
R.R.
R.R
R. Acept.
1-
Inferencia 57
2. Normal: Contraste para con desconocido
) , ( ,..., ,
2 1
N X X X
n

n s
x
t
t
n S
X
n
N X
H
H
n
/
/
) , (
:
:
0
0
1
0 1
0 0
t
/2
-t
/2
/2 /2
t
n-1
R.R.
R.R
0 2 / 0
0 2 / 0
rechaza e
rechaza se No
H S t t
H t t
>

R. Acept.
1-
Inferencia 58
3. Normal: Contraste para
2
) , ( ,..., ,
2 1
N X X X
n

2
0
2
2
0
2
1
2
2
1
2 2
2
0
2
0
2
0
2
0
) 1 (
) 1 (
) (
1
1
:
:

s n
S n
X X
n
S
H
H
n
n
i
i
| |
| |
0
2
2 / 1
2
2 /
2
0
0
2
2 / 1
2
2 /
2
0
2
2 / 1
2
1
2
2 /
H echazo ,
H rechazo No ,
1 ) (
R
P
n

=

Datos:
2
2
2 / 1

2
2 /
/2
/2
2
1 n
R. A. Ho
RRHo RRHo
Inferencia 59
EJEMPLO 1. La resistencia a la compresin de 15
probetas de acero elegidas al azar es:
40,15 65,10 49,50 22,40 38,20
60,40 43,40 26,35 31,20 55,60
47,25 73,20 35,90 45,25 52,40
88 . 3
15 / 2 , 14
60 75 , 45
2 , 14 75 , 45
99 . 0 ) 98 , 2 98 , 2 (
15 /
60 :
60 :
0
14
14
1
0
=
= = =
=

=
t s x
t P
t
S
X
H
H
2,98 - 2,98
0,005 0,005
t
14
Como 3.88 > 2.98 Se rechaza H
0
con =0.01
= 0.01
Datos:
Inferencia 60
2
14
2
2
2
1
2
2
14
) 1 (
S S n
n
0,00 5,00 10,00 15,00 20,00 25,00 30,00 35,00
2
14
0,005 0,005
4,07
31,3
1 . 14
200
6 , 201 14
6 , 201
2
0
2
=
= = s
Como 4,07 14,1 31,3 No se rechaza H
0
200 :
200 :
2
1
2
0
H
H
99 , 0 ) 3 , 31 07 , 4 (
2
14
= P
Datos:
Inferencia 61
4. Poisson: Contraste para
=
=
1 ) (
) 1 , 0 ( N
) , ( N
in significac de nivel
:
:
) ( Poisson , , ,
2 / 2 /
0 1
0 0
2 1
z Z z P
n
Z
n
X
H
H
X X X
aprox
n
K
z
/2
-z
/2
/2 /2
N(0,1)
R.R.
R.R
R. Acept.
1-
0 2 / 0
0 2 / 0
rechaza e
rechaza se No
H S z z
H z z
>

n
z
0
0
0

=
Inferencia 62
? ) , ( N X
n
X X X ,..., ,
2 1
X
POBLACIN
MUESTRA n
Datos Conocidos
Contraste
2
de bondad de ajuste
Tienen los datos distribucin Normal?
s
x

=
=
Inferencia 63
240 235 240 240 247 237 243 242 236 239
243 237 243 242 245 239 245 245 239 240
250 246 244 246 255 242 248 248 241 242
253 249 249 249 250 247 251 251 246 243
248 246 246 248 249 245 250 249 242 244
238 240 245 240 237 242 244 242 243 239
242 241 250 243 239 244 246 245 246 240
245 246 250 246 243 246 246 248 247 250
251 247 247 250 247 251 250 243 252 252
247 249 248 248 246 248 246 246 247 250
239 240 238 241 242 243 241 241 241 241
242 243 240 245 244 245 239 244 243 243
246 244 245 243 245 247 244 245 245 249
250 248 248 247 248 252 250 249 248 255
248 245 246 245 245 249 246 247 246 253
X
Espesores de 150 obleas de Silicio (micras)
Inferencia 64
Histograma para Espesor
Espesor
f
r
e
c
u
e
n
c
i
a
230 235 240 245 250 255 260
0
10
20
30
40
Inferencia 65
Contraste
2
de bondad de ajuste
<
<
<
<
=
=
K
k
r K
k
k k
K K K i K
k k k i k
i
i o
X i
X i
E
E O
E O c x c
E O c x c
E O c x c
E O c x c
f n i X H
f n i X H
1
2
1
2
1
1
2 2 2 1
1 1 1
0
1
0
) (
Esperada Fr. Observada Fr. Clases
: cierto es H Si
,..., 2 , 1 , :
,..., 2 , 1 , :
M M M
M M M
) Pr(
1 k k k
k k
c X c p
np E
< =
=
n E O
K
k
k
K
k
k

= =
= =
1 1
/
Inferencia 66
Justificacin del contraste
2
2
1
1
2
) 1 , 0 (
) 1 , 0 (
) 1 (
) ) 1 ( , ( ) , (

=

|
|
.
|
\
|

r K
aprox
K
k k
k k
k
k k
k k
k k
k k
k k k k
n
k k
E
E O
N
E
E O
N
p np
np O
np E
p np np N O p n B O
1
K N de CLASES r N de parmetro estimados
Inferencia 67
Obleas: Frecuencias Observadas
Fr. Observada
Oi
-inf 238 7
238 240 16
240 242 17
242 244 21
244 246 34
246 248 24
248 250 20
250 252 7
252 +inf 4
150
Clase
Total
micras 4
micras 1 . 245
=
=
s
x
Inferencia 68
Frecuencias esperadas N(245.1;4)
Fr. Observada Fr. Esperada
Oi Ei
-inf 238 7 5,88
238 240 16 9,58
240 242 17 17,71
242 244 21 25,71
244 246 34 29,35
246 248 24 26,34
248 250 20 18,58
250 252 7 10,3
252 +inf 4 6,54
150 150
Clase
Total
71 . 25 1714 . 0 150
1714 . 0
) 775 . 0 275 . 0 (
)
4
1 . 245 244
4
1 . 245
4
1 . 245 242
Pr(
) 244 242 Pr(
4 4
4
= = =
=
=
=
=
np E
Z P
X
X p
Inferencia 69
Contraste de Normalidad
5 . 8
54 . 6
) 54 . 6 4 (
58 . 9
) 58 , 9 16 (
88 . 5
) 88 . 5 7 (
2 2 2
2
0
=
+ +
= L
Normal :
Normal :
1
0
i
i
X H
X H
0,000
0,020
0,040
0,060
0,080
0,100
0,120
0,140
0,160
0,00 5,00 10,00 15,00 20,00
normalidad de hiptesis la rechaza se No 59 . 12 5 . 8
95 . 0 ) 59 . 12 Pr(
2
0
2
6
< =
=
05 . 0 =
12,59
2037 . 0 = valor p
Inferencia 70
Se ha lanzado 300 veces un dado y se han obtenido los
resultados:
Resultados Observadas
1 49
2 59
3 49
4 51
5 43
6 49
Total 300
Se puede afirmar con =0.05 que el dado est desequilibrado?
Inferencia 71
0,000
0,020
0,040
0,060
0,080
0,100
0,120
0,140
0,160
0,180
0,00 5,00 10,00 15,00
Resultados Observados Esperados
1 49 50
2 59 50
3 49 50
4 51 50
5 43 50
6 49 50
Total 300 300
0
2
0
2
5
2 2 2
2
0
H Rechaza se No 07 . 11 68 . 2 95 . 0 ) 07 . 11 Pr(
68 . 2
50
) 50 49 (
50
) 50 59 (
50
) 50 49 (
< = =
=
+ +
=

L
2
5
p-valor = 0.749
=0.05
11.07
2.68
le equiprobab No : H
le Equiprobab :
6 ,..., 2 , 1 , 6 / 1 ) Pr(
1

= = =
X
X H
i i X
o
Captulo 3. Inferencia
3.1 La variable aleatoria X tiene distribucin binomial con parmetros n y p, ambos desconocidos. Si
{16,18,22,25,27} es una muestra aleatoria simple de la distribucin anterior, estimar por el mtodo
de los momentos n y p.
3.2 Los taxis en servicio de una ciudad estn numerados del 1 al N. Se observa una muestra de 10 taxis
y se apuntan sus nmeros. Obtener un estimador de N por el mtodo de los momentos.
3.3 Sea X
1
, X
2
, . . . , X
n
una muestra aleatoria simple de una variable aleatoria X con funcin de densi-
dad,
f
X
(x) = 5x
4
/
5
, 0 x .
Obtn el estimador por el mtodo de los momentos de y determina su sesgo y su varianza.
3.4 Una variable aleatoria discreta puede tomar los valores 0, 1 y 2 con probabilidades 1.5/, 2.5/ y
( 4)/ respectivamente. Se toma una muestra de tamao 25 con los resultados siguientes (la
segunda la corresponde a la fraccin observada O
i
para 0, 1 y 2).
x 0 1 2
O
i
17 5 3
Estimar por mxima verosimilitud.
3.5 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(t), calcular la probabilidad
estimada de esperar al autobs ms de 10 minutos.
3.6 La funcin de distribucin de una variable aleatoria es
F(x) =
0 x < 0,
(x/)
0 x ,
1 x > .
donde los parmetros y son positivos. Estimar los parmetros de la distribucin por el mtodo
de mxima verosimilitud.
3.7 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
exp[
x
2
2
], x 0, 0,
estimar si la distancia en cm al blanco de 10 tiradores fue
2,1 3,2 6,3 5,4 2,2 6,9 7,1 6,6 2,5 9,1
1
y la distancia de los otros tres fue mayor que la distancia mxima permitida en su categora que
es de 11cm.
3.8 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.
3.9 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.
3.10 Sea X
1
, X
2
, ..., X
n
una muestra aleatoria simple de la funcin de densidad
f(x) = 2( x)/
2
, 0 x .
Obtener por el mtodo de los momentos un estimador insesgado de y calcular su varianza.
3.11 Sea X la media aritmtica de una muestra aleatoria simple de una distribucin N(, ). Se dene
X = cX como nuevo estimador para . Determinar c (en funcin de y ) para que el nuevo
estimador tenga Error Cuadrtico Medio (ECM) mnimo. Calcular c si se sabe que el coeciente
de variacin / = 2.
3.12 X
1
, X
2
, ..., X
n
es una muestra aleatoria simple de una distribucin normal con parmetros descono-
cidos. Para estimar la varianza se propone el siguiente estimador
S
2
= k
n1
X
i=1
n
X
j=i+1
(X
i
X
j
)
2
.
Determinar k para que el estimador sea centrado.
3.13 Para estimar la media
2
de una poblacin normal se utiliza el estimador b
2
= kb s
2
, siendo b s
2
la varianza muestral corregida y k una constante. Calcular el valor de k que minimiza el error
cuadrtico medio. (Utilizar Var[
2
g
] = 2g, siendo g el nmero de grados de libertad).
3.14 Los tiempos de funcionamiento de dos componentes electrnicos distintos siguen distribuciones
exponenciales con esperanzas y 2. Se han obtenido los tiempos de fallo de una muestra de cada
tipo de componente, en ambos casos de tamao n. Obtener el estimador de mxima verosimilitud
de , calcular su media y su varianza.
3.15 Un sistema de lectura telemtica de consumo de energa elctrica emplea un mensaje de 128-
bit. Ocasionalmente las interferencias aleatorias provocan que un bit se invierta producindose un
error de transmisin. Se acepta que la probabilidad de que cada bit cambie en una transmisin
es constante e igual a p, y que los cambios son independientes. Estima el valor de p si se ha
comprobado que de las ltimas 10000 lecturas efectuadas (todas de 128-bit) 340 eran errneas.
3.16 Se han tomado 12 valores de una variable fsica X, que se supone normal, resultando
30.2, 30.8, 29.3, 29, 30.9, 30.8, 29.7, 28.9, 30.5, 31.2, 31.3, 28.5.
(a) Construir un intervalo de conanza para la media de la poblacin al 95% de conanza.
2
(b) Construir un intervalo de conanza para la varianza de la poblacin con el mismo nivel
de conanza del apartado anterior.
3.17 En la lista adjunta se indica la edad y el rea cientca en que trece importantes cientcos de
diversas reas descubrieron la teora que les ha dado la fama. Construir con estos datos un intervalo
de conanza para la edad a la que los cientcos realizan su contribucin ms importante: Galileo
(34, astronoma), Franklin (40, electricidad), Lavoisier (31, qumica), Lyell (33, geologa), Darwin
(49, biologa), Maxwell (33, ecuaciones de la luz), Curie (34, radiactividad), Plank (43, teora
cuntica), Marx (30, socialismo cientco), Freud (31, psicoanlisis), Bohr (26, modelo del tomo),
Einstein (26, relatividad), Keynes (36, macroeconoma).
3.18 Una muestra de 12 estaciones de servicio de una cadena de gasolineras proporciona un ingreso medio
por persona al mes de 2340 euros con una desviacin tpica de 815 euros. Calcular un intervalo de
conanza para el ingreso medio por trabajador en esta empresa. Calcular el nmero de estaciones
que debemos estudiar para que el intervalo tenga una amplitud mxima de 500 euros.
3.19 Se han escogido al azar 15 probetas de un determinado acero, cuya resistencia a la compresin se
supone que se distribuye normalmente, y se ha medido sta en las unidades adecuadas, habindose
observado los resultados siguientes
40.15, 65.10, 49.5, 22.4, 38.2, 60.4, 43.4, 26.35, 31.2, 55.6, 47.25, 73.2, 35.9, 45.25, 52.4.
(a) Estimar la resistencia media del acero y su varianza.
(b) Hallar un intervalo de conanza del 99% para la resistencia media.
(c) Hallar un intervalo de conanza del 99% para la varianza.
(d) Cuntas probetas deberan haberse utilizado en el estudio si se quisiera estimar la re-
sistencia media del acero con una precisin de 6 unidades y una conanza del 95%?.
3.20 Una compaa de comida precocinada desea lanzar al mercado un nuevo producto. Para conocer la
aceptacin del mismo realiza previamente una encuesta entre 200 personas elegidas al azar, de las
que 37 maniestan su disposicin a comprarlo. Obtener un intervalo de conanza ( = 0.05) para
la proporcin p de compradores potenciales de este nuevo producto. Cal debera ser el tamao
muestral si se quisiera reducir la longitud del intervalo a la mitad.
3.21 Se desea estimar la proporcin de nios entre 0 y 14 aos que se encuentran adecuadamente
vacunados contra la poliomielitis. Si se quiere que la diferencia en valor absoluto entre la estimacin
nal y el verdadero valor de la proporcin sea menor que 0.05 con probabilidad 0.95, Cal es el
tamao muestral mnimo requerido?.
3.22 Una roca lunar es enviada a un laboratorio para determinar su nivel de radiactividad , nivel que se
mide por el nmero medio de partculas emitidas por hora. Despus de 15 horas, el equipo Geiger
ha contabilizado un total de 3.547 partculas emitidas. Aceptando que el nmero de partculas
emitidas sigue una distribucin de Poisson, dar un intervalo con 95% de conanza para el nivel
de radiactividad de la roca. (Nota.- Utilizar que si Z tiene distribucin N(0,1), entonces P(Z
1.96) = 0.975).
3.23 Teniendo en cuenta que si X
1
, X
2
, . . . , X
n
es una muestra aleatoria simple de una variable aleatoria
exponencial con funcin de densidad, f(x) =
1
e
x/
, x 0, > 0; el estadstico U = 2nX/
tiene distribucin
2
2n
, donde X = (X
1
+X
2
+ +X
n
)/n; resolver la cuestin siguiente:
3
El tiempo de funcionamiento de un equipo electrnico es una variable aleatoria con distribucin expo-
nencial. Se han tomado los tiempos de funcionamiento hasta el fallo de 30 equipos elegidos al azar,
obtenindose 6.2 10
3
horas de media. Calcular un intervalo con 95 % de conanza para la vida
media de un equipo.
3.24 La velocidad de una molcula segn el modelo de Maxwell, es una variable aleatoria con funcin
de densidad
f(x) =
3
x
2
exp(x/)
2
, x 0
0, x 0.
donde > 0, es el parmetro de la distribucin y se verica que
E(X) =
2
y V ar(X) =
3
2

4
2
.
(a) Calcular el estimador mximo verosmil de y su varianza asinttica.
(b) Calcular el estimador por momentos de y la varianza de dicho estimador.
(c) Para una muestra de tamao n=100, para la que se verica que
100
P
i=1
x
i
= 342 y que
100
P
i=1
x
2
i
=
1339, hallar un intervalo de conanza de con el 95% de conanza utilizando ambos
estimadores.
3.25 Los ncleos (radionucleidos) del elemento radiactivo Carbono 14 (C
14
) se desintegran aleatori-
amente. El tiempo que tarda en desintegrarse cada radionucleido es una variable aleatoria con
distribucin exponencial de media 8, 27 10
3
aos.
(a) Si inicialmente haba 10
12
radionucleidos, obtener el nmero esperado de los radionucleidos
sin desintegrar al cabo de los 20.000 aos.
(b) Obtener, para la variable aleatoria nmero de radionucleidos sin desintegrar al cabo de
20.000 aos, un intervalo que contenga al valor de esa variable con probabilidad 0, 95 e
interpretar el resultado.
(c) Una pieza arqueolgica ha estado enterrada durante 20.000 aos al cabo de los cuales
se han observado 10
10
radionucleidos de C
14
. Estimar por el mtodo de los momentos
el nmero inicial de radionucleidos N y calcular la media y la varianza del estimador
obtenido.
(d) Determinar el tiempo que debe transcurrir para que el nmero de radionucleidos iniciales
se reduzca a la mitad.
3.26 Un proceso industrial fabrica piezas cuya longitud en mm se distribuye segn una N(190, 10). Una
muestra de 5 piezas proporciona los resultados siguientes:
187, 212, 195, 208, 192
(a) Contrastar la hiptesis de que la media del proceso es efectivamente 190.
(b) Contrastar la hiptesis de que la varianza del proceso
2
es 100. Tmese = 0.05 en
todos los contrastes.
4
3.27 Para contrastar unilateralmente que la esperanza de una variable aleatoria normal es 10, se toma
una muestra de tamao 16 y se rechaza la hiptesis en el caso en que la media muestral sea mayor
que 11, aceptndose en el caso contrario. Sabiendo que la desviacin tpica de la poblacin es = 2,
cal es la probabilidad de error de tipo I de este contraste?. Cal sera la probabilidad de error
de tipo II del contraste si el valor verdadero de la esperanza fuese 12?.
3.28 Una medicina estndar es efectiva en el 75% de los casos en los que se aplica. Se ha comprobado
un nuevo medicamento en 100 pacientes, observndose su efectividad en 85 de ellos. Es la nueva
medicina ms efectiva que la estndar ? (Contrastar con = 0.05).
3.29 Un empresario quiere comprar una empresa que fabrica cojinetes. Durante los 5 ltimos aos la
proporcin de cojinetes defectuosos se ha mantenido en un 3%. Para vericar esto, se toma una
muestra de 200 cojinetes y obtiene que 9 son defectuosos. Se puede concluir que la proporcin de
cojinetes defectuosos ha aumentado? Calcular la potencia del contraste planteado anteriormente en
funcin de p. Calcular la probabilidad de error de tipo II cuando la hiptesis alternativa es p = 0.06,
siendo p la proporcin de defectuosos.(Nota: Utilcese la aproximacin normal y = 0, 05.).
3.30 Teniendo en cuenta que si X
1
, X
2
, . . . , X
n
es una muestra aleatoria simple de una variable aleatoria
exponencial con funcin de densidad, f(x) =
1
e
x/
, x 0, > 0; el estadstico U = 2nX/
tiene distribucin
2
2n
, donde X = (X
1
+X
2
+ +X
n
)/n; resolver las cuestiones siguientes:
(a) El tiempo de funcionamiento de un equipo electrnico es una variable aleatoria con dis-
tribucin exponencial. Se han tomado los tiempos de funcionamiento hasta el fallo de
30 equipos elegidos al azar, obtenindose 6.2 10
3
horas de media. Contrastar con nivel
de signicacin igual a 0.05, H
0
: = 5 10
3
horas, frente a H
1
: > 5 10
3
horas;
indicando: (a) el valor crtico, y (b) la probabilidad de error tipo II cuando = 7.5 10
3
horas. (Es suciente con proporcionar el valor ms proximo obtenido en las tablas del
libro de texto).
(b) Se va a realizar un ensayo con 15 equipos fabricados por una segunda empresa. Si el
tiempo de funcionamiento de estos tiene tambin distribucin exponencial. Cul es el
valor mximo de la media muestral de estos quince equipos que permitira concluir con
= 0.05 que son peores que los de la primera empresa? Despus de 6000 horas de ensayo
han fallado 6 equipos, siendo el promedio de estos seis valores igual a 2350 horas. Es
necesario seguir el ensayo para tomar una decisin ?
3.31 Cibeles Computer S.A. ha realizado un gran pedido de chips para su nueva linea de ordenadores
personales. En el contrato de suministro se especica que al menos el 95% de los chips deben
ser aceptables. Como es imposible comprobarlo al 100%, el control se va a realizar mediante el
siguiente procedimiento: de cada lote (que se supone de gran tamao) se toman al azar n chips, si
la proporcin de chips en la muestra que supera el control es mayor que c se acepta el lote y en caso
contrario se rechaza. Llamando p a la proporcin real de chips aceptables en un lote, determinar n
y c si se desea que
P(Aceptar un lote)=0.01 si p=0.85
P(Aceptar un lote)=0.99 si p=0.95.
(Utilizar la aproximacin normal y considerar que si Z es una variable aleatoria normal estndar,
P(Z 2.33) = 0.99).
5
3.32 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) ?
3.33 Se tira 120 veces un dado y se obtienen los resultados de la tabla
VALOR 1 2 3 4 5 6
FRECUENCIA 20 14 23 12 26 25
Contrastar la hiptesis de que el dado est equilibrado y que, por tanto, sus caras son equiproba-
bles. (Tmese = 0.05).
3.34 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
km
2
, 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.
6
3.35 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
H
0
: p = 0.07
H
1
: p < 0.07
Obtenga la probabilidad de error tipo I. Interprete el resultado y valore si el mtodo de decisin
es adecuado.
3.36 El tiempo de duracin T de un componente electrodinmico es una variable aleatoria con distribu-
cin 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
2
con dos grados de libertad, realiza el siguiente
contraste
H
0
: = 200 horas,
H
1
: < 200 horas,
con = 0.05.
3.37 Para controlar la calidad de un proceso textil se cuenta el nmero de defectos que aparecen en la
tela fabricada. Segn el fabricante, cuando el proceso funciona correctamente el nmero de defectos
en una bobina de 100 metros cuadrados es una variable aleatoria de Poisson con media 4. Se ha
instalado un equipo de visin articial para realizar el recuento que permite inspeccionar 900 m
2
de tela cada hora. Cul es la probabilidad de que aparezcan ms de 50 defectos en una hora
si el proceso funciona bien? En una jornada de 16 horas de fabricacin se han contabilizado 720
defectos, se puede armar que ha habido un aumento del nmero medio de defectos en ese da?
(Nivel de signicacin 0.05).
7
.
4. Anlisis de la Varianza
Curso 2004-05
Estadstica
2 Anlisis de la varianza
Comparacin de dos
tratamientos
A B
51,3 29,6
39,4 47,0
26,3 25,9
39,0 13,0
48,1 33,1
34,2 22,1
69,8 34,1
31,3 19,5
45,2 43,8
46,4 24,9
Sea desea comparar
dos tratamientos para
reducir el nivel de
colesterol en la sangre.
Se seleccionan 20
individuos y se asignan
al azar a dos tipos de
dietas A y B. La tabla
muestra la reduccin
conseguida despus de
dos meses.
Mtodo: 4 pasos
Definicin del modelo de distribucin
de probabilidad:
Hiptesis
Parmetros
Estimacin de los parmetros
Diagnosis de las hiptesis
Aplicacin
1
1
12
11
n
y
y
y
M
2
2
22
21
n
y
y
y
M
Modelo
M
O
D
E
L
O
D
A
T
O
S
Modelo: Hiptesis y Parmetros
Hiptesis bsicas:
Normalidad
y
ij
N(
i
,
2
)
Homocedasticidad
Var [y
ij
] =
2
Independencia
Cov [y
ij
, y
kl
] = 0
Parmetros
2
2
1
Modelo
) , 0 ( ,
2
N u u y
ij ij i ij
+ =
Las observaciones se descomponen en:
Parte predecible
Parte aleatoria
i
ij
u
Estimacin medias:
2
1
2
2 2
1
1
1
1 1
2
1
:
:
n
y
y
n
y
y
n
j
j
n
j
j
=
=
A B
51,3 29,6
39,4 47,0
26,3 25,9
39,0 13,0
48,1 33,1
34,2 22,1
69,8 34,1
31,3 19,5
45,2 43,8
46,4 24,9
43,1 29,3
Estimacin varianza (residuos)
A B
8,2 0,3
-3,7 17,7
-16,8 -3,4
-4,1 -16,3
5,0 3,8
-8,9 -7,2
26,7 4,8
-11,8 -9,8
2,1 14,5
3,3 -4,4
0,0 0,0
Residuos
2
:
:
) , 0 ( ,
2
1 1
2
2 2
2
=
=
=
+ =
= =
n
e
s
e
y y e
y u
N u u y
i
n
j
ij
R
ij
i ij ij
i ij ij
ij ij i ij
i

RESIDUO
95 . 130
; 0
2
1
= =
=
R
n
j
ij
s e
i
Varianza residual:
1
) (
1
2
1 1
2
1
1
12
11
1

n
y y
s
y
y
y
j
n
M 1
) (
2
2
2 2
2
2
2
22
21
2

n
y y
s
y
y
y
j
n
M
1

2
2
2
2
2
1
1
2
1 1
2
2

1
1
1
1
2
s
n
n
s
n
n
n
e
s
i
n
j
ij
R
i
= =
2
R
s
Diferencia de medias:
) , (
1
2
1 1
1
12
11
1
n
N y
y
y
y
n
M
) , (
2
2
2 2
2
22
21
2
n
N y
y
y
y
n
1

2
2
2 1
2 1 2 1
2 1
2 1 2 1
2
2
1
2
2 1 2 1
1 1
) ( ) (
) 1 , 0 (
1 1
) ( ) (
) , (
+

+
n
R
t
n n
s
y y
N
n n
y y
n n
N y y

2 1
y y
Contraste de igualdad de medias
2 1 1
2 1 0
:
:

=
H
H
/2
0 2 / 0
0 2 / 0
rechaza e
rechaza se No
H S t t
H t t
>

t
/2
-t
/2
/2
t
n-2
R.R.
R.R
R. Acept.
1-
2
2 1
2 1
0
1 1
=
n
R
t
n n
s
y y
t
2 1 1
2 1 0
:
:

=
H
H
0
rechaza e 10 . 2 69 . 2 H S >
2.10
-2.10
0.025
t
18
R.R.
R.R
69 . 2
10
1
10
1
44 . 11
3 . 29 1 . 43
0
=
+
= t
0.025
Ejemplo: = 0.05
Ejemplo: = 0.01
2 1 1
2 1 0
:
:

=
H
H
/2
0
rechaza se No 88 . 2 69 . 2 H
2.88 -2.88
0.005
t
18
R.R.
R.R
0.99
69 . 2
10
1
10
1
44 . 11
3 . 29 1 . 43
0
=
+
= t
0.005
2 1 1
2 1 0
:
:

=
H
H
69 . 2
10
1
10
1
44 . 11
3 . 29 1 . 43
0
=
+
= t
Nivel crtico (bilateral)
2.69 -2.69
0.074
0.074
t
18
0147 . 0 ) 69 . 2 Pr(
18
= > = t valor p
= 0.05 > p-valor Se rechaza H
0
= 0.01 < p-valor No se rechaza H
0
Conclusiones (fijado )
Si |t
o
| > t
/2
se dice
que la diferencia
de medias es
significativa. O
simplemente que
los tratamientos
son distintos
(tienen medias
distintas)
Si |t
o
| t
/2
se dice
que la diferencia
de medias no es
significativa. No
hay evidencia
suficiente para
afirmar que las
medias de los
tratamientos sean
diferentes.
No rechazar H
o
, no implica
que H
o
sea cierta
El resultado |t
o
| t
/2
, (no se rechaza
H
o
) no debe interpretarse como
que se ha demostrado que las dos
medias son iguales.
No-rechazar la hiptesis nula implica que
la diferencia entre las medias
1
-
2
no
es lo suficientemente grande como para
ser detectada con el tamao muestral
dado.
Intervalo de confianza para
la diferencia de medias:
2
2 1
2 1 2 1
1 1
) ( ) (

+

n
R
t
n n
s
y y
2 1

2 1
2 / 2 1 2 1
2 /
2 1
2 1 2 1
2 /
1 1
) (
1 }
1 1
) ( ) (
{ Pr
n n
s t y y
t
n n
s
y y
t
R
R
+
=
+

t
/2
-t
/2
/2
t
n-2
1-
/2
Ejemplo: intervalo de confianza
2.10 -2.10
0.025
t
18
0.025
74 . 10 8 . 13
10
1
10
1
44 . 11 10 . 2 ) 3 . 29 1 . 43 (
1 1
) (
2 1
2 1
2 1
2 / 2 1 2 1

+
+

n n
s t y y
R
2 1

Hiptesis de homocedasticidad
1
) (
1
2
1 1
2
1
1
12
11
1

n
y y
s
y
y
y
j
n
M 1
) (
2
2
2 2
2
2
2
22
21
2

n
y y
s
y
y
y
j
n
M
1

2
2
2
2
2
1 1
2
2
2
1 0
:
:

=
H
H
Distribucin F
2
1
2
1
2
1 1
1
2
1 1
2
1
1
12
11
1
1
) 1 (
1
) (
n
j
n
s n
n
y y
s
y
y
y
M
2
1
2
2
2
2 2
2
2
2 2
2
2
2
22
21
2
2
) 1 (
1
) (
n
j
n
s n
n
y y
s
y
y
y
M
1 , 1
2
2
2
2
2
1
2
1
2
2
1
1
2
1
2 1
2
1
) 1 (
) 1 (

=
n n
n
n
F
s
s
n
n
F
Distribucin F
F
5,40
F
10,40
F
20,40
F
40,40
Algunas distribuciones F
F
10,10
F
10,20
F
10,40
F
10,80
Contraste de igualdad de varianzas
F
/2
F
1-/2
/2
/2
RR
RR
1-
R.A. Ho
| |
| |
0 2 / 2 / 1 0
0 2 / 2 / 1 0
rechaza Se , Si
rechaza se No , Si
H F F F
H F F F

2
2
2
1 1
2
2
2
1 0
:
:

=
H
H
1 , 1
2
1
2
1
0
2
2
2
1 0
2 1
, cierto es Si

=
=
n n
F
s
s
F
H
Ejemplo: Contraste de igualdad de varianzas
4.03 0.248
0.025
0.025
RR
RR
| |
0
rechaza se No 03 . 4 , 248 . 0 .37 1 H
2
2
2
1 1
2
2
2
1 0
:
:

=
H
H
37 . 1
7 . 111
02 . 154
7 . 111 02 . 154
0
2
2
2
1
= =
= =
F
s s
1.37
G
r
a
d
o
s

d
e

l
i
b
e
r
t
a
d

d
e
l

d
e
n
o
m
i
n
a
d
o
r
:

2
Grados de libertad del numerador:
1
=0.05
Tabla F

= ) (
, , , , ,
2 1 2 1 2 1
F F P F
05 . 0 ) 50 . 3 ( :
8 , 7
= F P Ejemplo
1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 100 120 Inf.
1 161,4 199,5 215,7 224,6 230,2 234,0 236,8 238,9 240,5 241,9 243,9 245,9 248,0 249,1 250,1 251,1 252,2 253,0 253,3 254,3 1
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,41 19,43 19,45 19,45 19,46 19,47 19,48 19,49 19,49 19,50 2
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,74 8,70 8,66 8,64 8,62 8,59 8,57 8,55 8,55 8,53 3
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,91 5,86 5,80 5,77 5,75 5,72 5,69 5,66 5,66 5,63 4
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,68 4,62 4,56 4,53 4,50 4,46 4,43 4,41 4,40 4,37 5
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,00 3,94 3,87 3,84 3,81 3,77 3,74 3,71 3,70 3,67 6
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,57 3,51 3,44 3,41 3,38 3,34 3,30 3,27 3,27 3,23 7
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,28 3,22 3,15 3,12 3,08 3,04 3,01 2,97 2,97 2,93 8
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,07 3,01 2,94 2,90 2,86 2,83 2,79 2,76 2,75 2,71 9
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,91 2,85 2,77 2,74 2,70 2,66 2,62 2,59 2,58 2,54 10
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,79 2,72 2,65 2,61 2,57 2,53 2,49 2,46 2,45 2,40 11
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,69 2,62 2,54 2,51 2,47 2,43 2,38 2,35 2,34 2,30 12
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,60 2,53 2,46 2,42 2,38 2,34 2,30 2,26 2,25 2,21 13
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,53 2,46 2,39 2,35 2,31 2,27 2,22 2,19 2,18 2,13 14
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,48 2,40 2,33 2,29 2,25 2,20 2,16 2,12 2,11 2,07 15
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,42 2,35 2,28 2,24 2,19 2,15 2,11 2,07 2,06 2,01 16
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,38 2,31 2,23 2,19 2,15 2,10 2,06 2,02 2,01 1,96 17
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,34 2,27 2,19 2,15 2,11 2,06 2,02 1,98 1,97 1,92 18
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,31 2,23 2,16 2,11 2,07 2,03 1,98 1,94 1,93 1,88 19
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,28 2,20 2,12 2,08 2,04 1,99 1,95 1,91 1,90 1,84 20
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,25 2,18 2,10 2,05 2,01 1,96 1,92 1,88 1,87 1,81 21
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,23 2,15 2,07 2,03 1,98 1,94 1,89 1,85 1,84 1,78 22
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27 2,20 2,13 2,05 2,01 1,96 1,91 1,86 1,82 1,81 1,76 23
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,18 2,11 2,03 1,98 1,94 1,89 1,84 1,80 1,79 1,73 24
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24 2,16 2,09 2,01 1,96 1,92 1,87 1,82 1,78 1,77 1,71 25
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,15 2,07 1,99 1,95 1,90 1,85 1,80 1,76 1,75 1,69 26
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20 2,13 2,06 1,97 1,93 1,88 1,84 1,79 1,74 1,73 1,67 27
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,12 2,04 1,96 1,91 1,87 1,82 1,77 1,73 1,71 1,65 28
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22 2,18 2,10 2,03 1,94 1,90 1,85 1,81 1,75 1,71 1,70 1,64 29
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,09 2,01 1,93 1,89 1,84 1,79 1,74 1,70 1,68 1,62 30
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 2,00 1,92 1,84 1,79 1,74 1,69 1,64 1,59 1,58 1,51 40
50 4,03 3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,03 1,95 1,87 1,78 1,74 1,69 1,63 1,58 1,52 1,51 1,44 50
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,92 1,84 1,75 1,70 1,65 1,59 1,53 1,48 1,47 1,39 60
70 3,98 3,13 2,74 2,50 2,35 2,23 2,14 2,07 2,02 1,97 1,89 1,81 1,72 1,67 1,62 1,57 1,50 1,45 1,44 1,35 70
80 3,96 3,11 2,72 2,49 2,33 2,21 2,13 2,06 2,00 1,95 1,88 1,79 1,70 1,65 1,60 1,54 1,48 1,43 1,41 1,32 80
90 3,95 3,10 2,71 2,47 2,32 2,20 2,11 2,04 1,99 1,94 1,86 1,78 1,69 1,64 1,59 1,53 1,46 1,41 1,39 1,30 90
100 3,94 3,09 2,70 2,46 2,31 2,19 2,10 2,03 1,97 1,93 1,85 1,77 1,68 1,63 1,57 1,52 1,45 1,39 1,38 1,28 100
120 3,92 3,07 2,68 2,45 2,29 2,18 2,09 2,02 1,96 1,91 1,83 1,75 1,66 1,61 1,55 1,50 1,43 1,37 1,35 1,25 120
Inf 3,84 3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88 1,83 1,75 1,67 1,57 1,52 1,46 1,39 1,32 1,24 1,22 1,00 Inf
1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 100 120 Inf.
G
r
a
d
o
s

d
e

l
i
b
e
r
t
a
d

d
e
l

d
e
n
o
m
i
n
a
d
o
r
:

2
1
=0.025
Tabla F

= ) (
, , , , ,
2 1 2 1 2 1
F F P F
025 . 0 ) 53 . 4 ( :
8 , 7
= F P Ejemplo
1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 100 120 Inf.
1 647,8 799,5 864,2 899,6 921,8 937,1 948,2 956,6 963,3 968,6 976,7 984,9 993,1 997,3 1001,4 1005,6 1009,8 1013,2 1014,0 1018,3 1
2 38,51 39,00 39,17 39,25 39,30 39,33 39,36 39,37 39,39 39,40 39,41 39,43 39,45 39,46 39,46 39,47 39,48 39,49 39,49 39,50 2
3 17,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47 14,42 14,34 14,25 14,17 14,12 14,08 14,04 13,99 13,96 13,95 13,90 3
4 12,22 10,65 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84 8,75 8,66 8,56 8,51 8,46 8,41 8,36 8,32 8,31 8,26 4
5 10,01 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62 6,52 6,43 6,33 6,28 6,23 6,18 6,12 6,08 6,07 6,02 5
6 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46 5,37 5,27 5,17 5,12 5,07 5,01 4,96 4,92 4,90 4,85 6
7 8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76 4,67 4,57 4,47 4,41 4,36 4,31 4,25 4,21 4,20 4,14 7
8 7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30 4,20 4,10 4,00 3,95 3,89 3,84 3,78 3,74 3,73 3,67 8
9 7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 3,96 3,87 3,77 3,67 3,61 3,56 3,51 3,45 3,40 3,39 3,33 9
10 6,94 5,46 4,83 4,47 4,24 4,07 3,95 3,85 3,78 3,72 3,62 3,52 3,42 3,37 3,31 3,26 3,20 3,15 3,14 3,08 10
11 6,72 5,26 4,63 4,28 4,04 3,88 3,76 3,66 3,59 3,53 3,43 3,33 3,23 3,17 3,12 3,06 3,00 2,96 2,94 2,88 11
12 6,55 5,10 4,47 4,12 3,89 3,73 3,61 3,51 3,44 3,37 3,28 3,18 3,07 3,02 2,96 2,91 2,85 2,80 2,79 2,72 12
13 6,41 4,97 4,35 4,00 3,77 3,60 3,48 3,39 3,31 3,25 3,15 3,05 2,95 2,89 2,84 2,78 2,72 2,67 2,66 2,60 13
14 6,30 4,86 4,24 3,89 3,66 3,50 3,38 3,29 3,21 3,15 3,05 2,95 2,84 2,79 2,73 2,67 2,61 2,56 2,55 2,49 14
15 6,20 4,77 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06 2,96 2,86 2,76 2,70 2,64 2,59 2,52 2,47 2,46 2,40 15
16 6,12 4,69 4,08 3,73 3,50 3,34 3,22 3,12 3,05 2,99 2,89 2,79 2,68 2,63 2,57 2,51 2,45 2,40 2,38 2,32 16
17 6,04 4,62 4,01 3,66 3,44 3,28 3,16 3,06 2,98 2,92 2,82 2,72 2,62 2,56 2,50 2,44 2,38 2,33 2,32 2,25 17
18 5,98 4,56 3,95 3,61 3,38 3,22 3,10 3,01 2,93 2,87 2,77 2,67 2,56 2,50 2,44 2,38 2,32 2,27 2,26 2,19 18
19 5,92 4,51 3,90 3,56 3,33 3,17 3,05 2,96 2,88 2,82 2,72 2,62 2,51 2,45 2,39 2,33 2,27 2,22 2,20 2,13 19
20 5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77 2,68 2,57 2,46 2,41 2,35 2,29 2,22 2,17 2,16 2,09 20
21 5,83 4,42 3,82 3,48 3,25 3,09 2,97 2,87 2,80 2,73 2,64 2,53 2,42 2,37 2,31 2,25 2,18 2,13 2,11 2,04 21
22 5,79 4,38 3,78 3,44 3,22 3,05 2,93 2,84 2,76 2,70 2,60 2,50 2,39 2,33 2,27 2,21 2,14 2,09 2,08 2,00 22
23 5,75 4,35 3,75 3,41 3,18 3,02 2,90 2,81 2,73 2,67 2,57 2,47 2,36 2,30 2,24 2,18 2,11 2,06 2,04 1,97 23
24 5,72 4,32 3,72 3,38 3,15 2,99 2,87 2,78 2,70 2,64 2,54 2,44 2,33 2,27 2,21 2,15 2,08 2,02 2,01 1,94 24
25 5,69 4,29 3,69 3,35 3,13 2,97 2,85 2,75 2,68 2,61 2,51 2,41 2,30 2,24 2,18 2,12 2,05 2,00 1,98 1,91 25
26 5,66 4,27 3,67 3,33 3,10 2,94 2,82 2,73 2,65 2,59 2,49 2,39 2,28 2,22 2,16 2,09 2,03 1,97 1,95 1,88 26
27 5,63 4,24 3,65 3,31 3,08 2,92 2,80 2,71 2,63 2,57 2,47 2,36 2,25 2,19 2,13 2,07 2,00 1,94 1,93 1,85 27
28 5,61 4,22 3,63 3,29 3,06 2,90 2,78 2,69 2,61 2,55 2,45 2,34 2,23 2,17 2,11 2,05 1,98 1,92 1,91 1,83 28
29 5,59 4,20 3,61 3,27 3,04 2,88 2,76 2,67 2,59 2,53 2,43 2,32 2,21 2,15 2,09 2,03 1,96 1,90 1,89 1,81 29
30 5,57 4,18 3,59 3,25 3,03 2,87 2,75 2,65 2,57 2,51 2,41 2,31 2,20 2,14 2,07 2,01 1,94 1,88 1,87 1,79 30
40 5,42 4,05 3,46 3,13 2,90 2,74 2,62 2,53 2,45 2,39 2,29 2,18 2,07 2,01 1,94 1,88 1,80 1,74 1,72 1,64 40
50 5,34 3,97 3,39 3,05 2,83 2,67 2,55 2,46 2,38 2,32 2,22 2,11 1,99 1,93 1,87 1,80 1,72 1,66 1,64 1,55 50
60 5,29 3,93 3,34 3,01 2,79 2,63 2,51 2,41 2,33 2,27 2,17 2,06 1,94 1,88 1,82 1,74 1,67 1,60 1,58 1,48 60
70 5,25 3,89 3,31 2,97 2,75 2,59 2,47 2,38 2,30 2,24 2,14 2,03 1,91 1,85 1,78 1,71 1,63 1,56 1,54 1,44 70
80 5,22 3,86 3,28 2,95 2,73 2,57 2,45 2,35 2,28 2,21 2,11 2,00 1,88 1,82 1,75 1,68 1,60 1,53 1,51 1,40 80
90 5,20 3,84 3,26 2,93 2,71 2,55 2,43 2,34 2,26 2,19 2,09 1,98 1,86 1,80 1,73 1,66 1,58 1,50 1,48 1,37 90
100 5,18 3,83 3,25 2,92 2,70 2,54 2,42 2,32 2,24 2,18 2,08 1,97 1,85 1,78 1,71 1,64 1,56 1,48 1,46 1,35 100
120 5,15 3,80 3,23 2,89 2,67 2,52 2,39 2,30 2,22 2,16 2,05 1,94 1,82 1,76 1,69 1,61 1,53 1,45 1,43 1,31 120
Inf 5,02 3,69 3,12 2,79 2,57 2,41 2,29 2,19 2,11 2,05 1,94 1,83 1,71 1,64 1,57 1,48 1,39 1,30 1,27 1,00 Inf
1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 100 120 Inf.
G
r
a
d
o
s

d
e

l
i
b
e
r
t
a
d

d
e
l

d
e
n
o
m
i
n
a
d
o
r
:

2
1
=0.01
Tabla F

= ) (
, , , , ,
2 1 2 1 2 1
F F P F
01 . 0 ) 18 . 6 ( :
8 , 7
= F P Ejemplo
1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 100 120 Inf.
1 4052,2 4999,3 5403,5 5624,3 5764,0 5859,0 5928,3 5981,0 6022,4 6055,9 6106,7 6157,0 6208,7 6234,3 6260,4 6286,4 6313,0 6333,9 6339,5 6365,6 1
2 98,50 99,00 99,16 99,25 99,30 99,33 99,36 99,38 99,39 99,40 99,42 99,43 99,45 99,46 99,47 99,48 99,48 99,49 99,49 99,50 2
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,34 27,23 27,05 26,87 26,69 26,60 26,50 26,41 26,32 26,24 26,22 26,13 3
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55 14,37 14,20 14,02 13,93 13,84 13,75 13,65 13,58 13,56 13,46 4
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05 9,89 9,72 9,55 9,47 9,38 9,29 9,20 9,13 9,11 9,02 5
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,72 7,56 7,40 7,31 7,23 7,14 7,06 6,99 6,97 6,88 6
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62 6,47 6,31 6,16 6,07 5,99 5,91 5,82 5,75 5,74 5,65 7
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81 5,67 5,52 5,36 5,28 5,20 5,12 5,03 4,96 4,95 4,86 8
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26 5,11 4,96 4,81 4,73 4,65 4,57 4,48 4,41 4,40 4,31 9
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85 4,71 4,56 4,41 4,33 4,25 4,17 4,08 4,01 4,00 3,91 10
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54 4,40 4,25 4,10 4,02 3,94 3,86 3,78 3,71 3,69 3,60 11
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30 4,16 4,01 3,86 3,78 3,70 3,62 3,54 3,47 3,45 3,36 12
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10 3,96 3,82 3,66 3,59 3,51 3,43 3,34 3,27 3,25 3,17 13
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03 3,94 3,80 3,66 3,51 3,43 3,35 3,27 3,18 3,11 3,09 3,00 14
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,67 3,52 3,37 3,29 3,21 3,13 3,05 2,98 2,96 2,87 15
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,55 3,41 3,26 3,18 3,10 3,02 2,93 2,86 2,84 2,75 16
17 8,40 6,11 5,19 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,46 3,31 3,16 3,08 3,00 2,92 2,83 2,76 2,75 2,65 17
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51 3,37 3,23 3,08 3,00 2,92 2,84 2,75 2,68 2,66 2,57 18
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,30 3,15 3,00 2,92 2,84 2,76 2,67 2,60 2,58 2,49 19
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37 3,23 3,09 2,94 2,86 2,78 2,69 2,61 2,54 2,52 2,42 20
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31 3,17 3,03 2,88 2,80 2,72 2,64 2,55 2,48 2,46 2,36 21
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,12 2,98 2,83 2,75 2,67 2,58 2,50 2,42 2,40 2,31 22
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21 3,07 2,93 2,78 2,70 2,62 2,54 2,45 2,37 2,35 2,26 23
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17 3,03 2,89 2,74 2,66 2,58 2,49 2,40 2,33 2,31 2,21 24
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22 3,13 2,99 2,85 2,70 2,62 2,54 2,45 2,36 2,29 2,27 2,17 25
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09 2,96 2,81 2,66 2,58 2,50 2,42 2,33 2,25 2,23 2,13 26
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15 3,06 2,93 2,78 2,63 2,55 2,47 2,38 2,29 2,22 2,20 2,10 27
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03 2,90 2,75 2,60 2,52 2,44 2,35 2,26 2,19 2,17 2,06 28
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09 3,00 2,87 2,73 2,57 2,49 2,41 2,33 2,23 2,16 2,14 2,03 29
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98 2,84 2,70 2,55 2,47 2,39 2,30 2,21 2,13 2,11 2,01 30
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80 2,66 2,52 2,37 2,29 2,20 2,11 2,02 1,94 1,92 1,80 40
50 7,17 5,06 4,20 3,72 3,41 3,19 3,02 2,89 2,78 2,70 2,56 2,42 2,27 2,18 2,10 2,01 1,91 1,82 1,80 1,68 50
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72 2,63 2,50 2,35 2,20 2,12 2,03 1,94 1,84 1,75 1,73 1,60 60
70 7,01 4,92 4,07 3,60 3,29 3,07 2,91 2,78 2,67 2,59 2,45 2,31 2,15 2,07 1,98 1,89 1,78 1,70 1,67 1,54 70
80 6,96 4,88 4,04 3,56 3,26 3,04 2,87 2,74 2,64 2,55 2,42 2,27 2,12 2,03 1,94 1,85 1,75 1,65 1,63 1,49 80
90 6,93 4,85 4,01 3,53 3,23 3,01 2,84 2,72 2,61 2,52 2,39 2,24 2,09 2,00 1,92 1,82 1,72 1,62 1,60 1,46 90
100 6,90 4,82 3,98 3,51 3,21 2,99 2,82 2,69 2,59 2,50 2,37 2,22 2,07 1,98 1,89 1,80 1,69 1,60 1,57 1,43 100
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,56 2,47 2,34 2,19 2,03 1,95 1,86 1,76 1,66 1,56 1,53 1,38 120
Inf 6,63 4,61 3,78 3,32 3,02 2,80 2,64 2,51 2,41 2,32 2,18 2,04 1,88 1,79 1,70 1,59 1,47 1,36 1,32 1,00 Inf
1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 100 120 Inf.
Existen diferencias entre las
cuatro semillas?
Se desea comparar el rendimiento de
cuatro semillas A,B,C y D. Un terreno se
divide en 24 parcelas similares y se asigna
al azar cada semilla a 6 parcelas.
A B C D
229.1 233.4 211.1 270.4
253.7 233.0 223.1 248.6
241.3 219.2 217.5 230.0
254.7 200.0 211.8 250.7
237.2 224.3 207.6 230.0
241.3 202.0 213.7 245.8
242.9 218.7 214.1 245.9
Mtodo: 4 pasos
Definicin del modelo de distribucin
de probabilidad:
Hiptesis
Parmetros
Estimacin de los parmetros
Diagnosis de las hiptesis
Aplicacin
Modelo
...
1
1
12
11
n
y
y
y
M
2
2
22
21
n
y
y
y
M
K
Kn
K
K
y
y
y
M
2
1
...
Hiptesis del modelo
Normalidad
y
ij
N(
i
,
2
)
Homocedasticidad
Var [y
ij
] =
2
Independencia
Cov [y
ij
, y
kl
] = 0
Modelo: Hiptesis y Parmetros
Hiptesis bsicas:
Normalidad
y
ij
N(
i
,
2
)
Homocedasticidad
Var [y
ij
] =
2
Independencia
Cov [y
ij
, y
kl
] = 0
Parmetros
2
2
1
K
M
Modelo: Forma alternativa
) , 0 ( ,
2
N u u y
ij ij i ij
+ =
Las observaciones se descomponen en:
Parte predecible
Parte aleatoria
i
ij
u
Estimacin medias:Max. Verosmil
K
n
j
Kj
K K
n
j
j
n
j
j
n
y
y
n
y
y
n
y
y
K
=
=
=
1
2
1
2
2 2
1
1
1
1 1
:
:
:
2
1
M
A B C D
229.1 233.4 211.1 270.4
253.7 233.0 223.1 248.6
241.3 219.2 217.5 230.0
254.7 200.0 211.8 250.7
237.2 224.3 207.6 230.0
241.3 202.0 213.7 245.8
242.9 218.7 214.1 245.9
Estimacin varianza (residuos)
K n
e
s
e
y y e
y u
N u u y
K
i
n
j
ij
R
ij
i ij ij
i ij ij
ij ij i ij
i
=
=
=
+ =

= =
1 1
2
2 2
2
:
:
) , 0 ( ,

RESIDUO
4 . 142
2
=
R
s
A B C D
-13.8 14.8 -3.0 24.5
10.8 14.4 9.0 2.7
-1.6 0.6 3.4 -15.9
11.8 -18.7 -2.3 4.8
-5.7 5.7 -6.5 -15.9
-1.6 -16.7 -0.4 -0.1
0.0 0.0 0.0 0.0
Residuos
Comparacin de medias
La comparacin de tratamientos con
este modelo se reduce a comparar
las medias
1
,
2
, ...,
K
, en primer
lugar con el contraste:
diferente es una menos Al :
:
1
2 1 0
H
H
K
= = = L
Descomposicin de la
variabilidad

= =

=

= =

= =

= =

= =

= =

+ =
+ =
=
+ =
= + = + =
K
i
n
j
i ij
K
i
i i
K
i
n
j
ij
K
i
n
j
i ij
K
i
n
j
i
K
i
n
j
ij
K
i
n
j
i ij i
i ij i ij
ij
i ij i ij ij i ij
i i
i i i
i
y y y y n y y
y y y y y y
y y y y
i,j
y y y y y y
n
y
y y y y y u y
1 1
2
1
2
1 1
2
1 1
2
1 1
2
1 1
2
1 1
) ( ) ( ) (
) ( ) ( ) (
) 0 ) )( ( donde (
todo para sumando y cuadrado al elevando
) ( ) (
, restando : ) (
Variabilidades
n-K e y y VNE
K- y y n VE
n- y y VT
K
i
n
j
ij
K
i
n
j
i ij
K
i
i i
K
i
n
j
ij
i i
i

= = = =

=

= =

= =
=
=
1 1
2
1 1
2
1
2
1 1
2
) (
1 ) (
1 ) (
libertad de Grados ades Variabilid
) ( ) 1 ( 1 K n K n
VNE VE VT
+ =
+ =
Descomposicin: ejemplo
229.1 233.4 211.1 270.4 242.9 218.7 214.1 245.9 -13.8 14.8 -3.0 24.5
253.7 233.0 223.1 248.6 242.9 218.7 214.1 245.9 10.8 14.4 9.0 2.7
241.3 219.2 217.5 230.0 242.9 218.7 214.1 245.9 -1.6 0.6 3.4 -15.9
254.7 200.0 211.8 250.7 242.9 218.7 214.1 245.9 11.8 -18.7 -2.3 4.8
237.2 224.3 207.6 230.0 242.9 218.7 214.1 245.9 -5.7 5.7 -6.5 -15.9
241.3 202.0 213.7 245.8 242.9 218.7 214.1 245.9 -1.6 -16.7 -0.4 -0.1
-1.3 3.0 -19.3 40.0 12.5 -11.7 -16.3 15.5 -13.8 14.8 -3.0 24.5
23.3 2.6 -7.3 18.2 12.5 -11.7 -16.3 15.5 10.8 14.4 9.0 2.7
10.9 -11.2 -12.9 -0.4 12.5 -11.7 -16.3 15.5 -1.6 0.6 3.4 -15.9
24.3 -30.4 -18.6 20.3 12.5 -11.7 -16.3 15.5 11.8 -18.7 -2.3 4.8
6.8 -6.1 -22.8 -0.4 12.5 -11.7 -16.3 15.5 -5.7 5.7 -6.5 -15.9
10.9 -28.4 -16.7 15.4 12.5 -11.7 -16.3 15.5 -1.6 -16.7 -0.4 -0.1
= +
Datos Medias Residuos
= +

y y
ij

y y
i
i
ij
y y
4 . 230 =

y
Variabilidades: ejemplo
20 4 . 2847
3 1 1 . 4798 ) (
23 1 5 . 7645 ) (
libertad de Grados ades Variabilid
1 1
2
1
2
1 1
2
= = =
= = =
= = =

= =
=

= =

n-K e VNE
K- y y n VE
n- y y VT
K
i
n
j
ij
K
i
i i
K
i
n
j
ij
i
i
20 3 23
4 . 2847 1 . 4798 5 . 7645
+ =
+ =
Interpretacin grfica de la
descomposicin
i ij
y y

y y
i
1
y
2
y
3
y
4
y
y

y y
ij
Distribucin de VE
2
1
2 2
2
2
2
1
1
2
2 2
2
2
2
1
1
2
2 1
2
2
/ / /
/ / /
) , (
llamaremos que Si
) , ( ) , (
|
|
.
|
\
|
+ +
|
|
.
|
\
|
+
|
|
.
|
\
|
|
|
.
|
\
|
+ +
|
|
.
|
\
|
+
|
|
.
|
\
|
= = =

K
K
K
K
K
K
i
i
K
i
i i i ij
n
y y
n
y y
n
y y
n
y
n
y
n
y
n
N y
n
N y N y

L
L
L
Distribucin de VNE
2 2
1
2
1
2
1
2
2
2
2
2 2
2
2
1 1
2
2
2 2
2 2
2
1 1
1
2
1
2
2 2
1
2
1 1
1 1
2
2
2
1
2
2
1
2
2 2
2 1
) 1 (
) 1 (
) 1 (
) (
) 1 (
) 1 (
) 1 (
) ( ) ( ) ( ) (
) 1 (
1
) (
) , (
2 1
K n n n n
K K R
K K
n
j
K Kj
n
j
j
n
j
j
K
i
n
j
i ij
R
n
i i
i
n
j
i ij
i i ij
K
i
i
i
s n s n s n s K n
K n
s n s n s n
K n
y y y y y y
K n
y y
s
s n
n
y y
s N y
K

=

=

=

= =

=

= + + + =
+ +
+ + +
=
+ + +
=

L
L
L
L
Contraste (Anlisis de la Varianza)
0 0
0 0
, 1 0
2
1
2
1
2
2
2
2
rechaza Se
rechaza se No
2
) 1 (
1
2
) (
) (
: cierto es Ho Si
) (
H F F
H F F
F
R
s K
K
i
y
i
y
i
n
F
y y n
s K n
K n K
K
K
i
i i
K n
R
>

diferente es una menos Al :

:
1
2 1 0
H
H
K
= = = L
Tabla de Anlisis de la Varianza
1 ) (
) (
) 1 (
) (
) 1 /( ) ( 1 ) (
2
2
2
2
2 2
Total
Residual
os Tratamient
F Varianzas Libertad Cuadrados Fuentes
de Grados de Suma
2

n y y
K n y y
s K
y y n
K y y n K y y n
ij
i ij
R
i i
i i i i
R
s
Tabla de Anlisis de la Varianza
23 5 . 7645 Total
4 . 142 20 4 . 2847 Residual
2 . 11 3 . 1599 3 1 . 4798 os Tratamient
F Varianzas Libertad Cuadrados Fuentes
de Grados de Suma
t
/2
-t
/2
/2
t
n-K
R.R.
R.R
R. Acept. H
0
1-
/2
Intervalos de confianza para
las medias
i
n
R
s
t
i
y
i
K n
i
R
i i
i
i i
i
i i i ij
t
n
s
y
N
n
y
n
N y N y
2 /
) 1 , 0 (
) , ( ) , (
2
2

Semilla Media L. Inferior L. Superior
A 242.9 235.7 250.1
B 218.7 211.4 225.8
C 214.1 206.9 221.3
D 245.9 238.7 253.1
Intervalos de confianza (95%)
Semilla
R
e
n
d
i
m
i
e
n
t
o
A B C D
200
210
220
230
240
250
260
Diferencia de medias:
) , (
1
2
1 1
1
12
11
1
n
N y
y
y
y
n
M
) , (
2
2
2 2
2
22
21
2
n
N y
y
y
y
n
1

2
K n
R
t
n n
s
y y
N
n n
y y
n n
N y y
+

+
2 1
2 1 2 1
2 1
2 1 2 1
2
2
1
2
2 1 2 1
1 1
) ( ) (
) 1 , 0 (
1 1
) ( ) (
) , (

2 1
y y
t
/2
-t
/2
/2
t
n-K
R.R.
R.R
R. Acept. H
0
1-
/2
Contraste multiples
j i
j i
H
H

=
:
:
1
0
0 2 / 0
0 2 / 0
rechaza e
rechaza se No
H S t t
H t t
>

K n
j i
R
j i
ij
t
n n
s
y y
t

=
1 1
Diagnosis del modelo

Estadstica-2002
...
Modelo
1
1
12
11
n
y
y
y
M
2
2
22
21
n
y
y
y
M
K
Kn
K
K
y
y
y
M
2
1
...
Hiptesis del modelo
Normalidad
y
ij
N(
i
,
2
)
Homocedasticidad
Var [y
ij
] =
2
Independencia
Cov [y
ij
, y
kl
] = 0
Residuos:
Normales y homocedsticos
) , 0 (
2
N u
y u
u y
ij
i ij ij
ij i ij
=
+ =
A B C D
-13,8 14,8 -3,0 24,5
10,8 14,4 9,0 2,7
-1,6 0,6 3,4 -15,9
11,8 -18,7 -2,3 4,8
-5,7 5,7 -6,5 -15,9
-1,6 -16,7 -0,4 -0,1
0,0 0,0 0,0 0,0
Residuos
0
=
i ij ij
y y e
Comprobacin de la
normalidad
Los residuos deben de tener distribucin normal.
Las observaciones originales tambin, pero cada
grupo con media diferente, por ello es preciso
estimar el modelo para descontar a cada
observacin su media y obtener valores con la
misma distribucin.
Herramientas de comprobacin:
Histograma de residuos
Grfico de probabilidad normal (Q-Q plot)
Contrastes formales (Kolmogorov-Smirnov)
Grfico probabilista normal
Es un grfico X-Y de
los residuos frente a
los percentiles de la
distribucin normal.
La idea bsica es que
cuando los residuos
tienen distribucin
normal, los puntos
deben formar
aproximadamente
una lnea recta
Pasos:
Ordenar los residuos
de menor a mayor.
Calcular los
percentiles de la
distribucin normal
Representar
n i s
n
i
Y
R i
,..., 2 , 1 , )
5 . 0
(
1
=
=

) ( ) 2 ( ) 1 ( n
e e e L
i i
Y e ,
) (
Grfico prob. Normal
(ejemplo)
Q-Q plot
-30,0
-20,0
-10,0
0,0
10,0
20,0
30,0
-30,0 -20,0 -10,0 0,0 10,0 20,0 30,0
Residuos ordenados
P
e
r
c
e
n
t
i
l
e
s
Orden Resid. Probab. Percen. Percen.
i eij (i-0.5)/n N(0,1) N(0, )
1 -18,7 0,021 -2,04 -24,30
2 -16,7 0,063 -1,53 -18,30
3 -15,9 0,104 -1,26 -15,01
4 -15,9 0,146 -1,05 -12,58
5 -13,8 0,188 -0,89 -10,58
6 -6,5 0,229 -0,74 -8,85
7 -5,7 0,271 -0,61 -7,28
8 -3,0 0,313 -0,49 -5,83
9 -2,3 0,354 -0,37 -4,46
10 -1,6 0,396 -0,26 -3,15
11 -1,6 0,438 -0,16 -1,88
12 -0,4 0,479 -0,05 -0,62
13 -0,1 0,521 0,05 0,62
14 0,6 0,563 0,16 1,88
15 2,7 0,604 0,26 3,15
16 3,4 0,646 0,37 4,46
17 4,8 0,688 0,49 5,83
18 5,7 0,729 0,61 7,28
19 9,0 0,771 0,74 8,85
20 10,8 0,813 0,89 10,58
21 11,8 0,854 1,05 12,58
22 14,4 0,896 1,26 15,01
23 14,8 0,938 1,53 18,30
24 24,5 0,979 2,04 24,30
Residuos
P
r
o
b
a
b
i
l
i
d
a
d
-30 -20 -10 0 10 20 30
0.1
1
5
20
50
80
95
99
99.9
Ejemplos
-3 -1 1 3 5
0,1
1
5
20
50
80
95
99
99,9
-2,6 -1,6 -0,6 0,4 1,4 2,4 3,4
0,1
1
5
20
50
80
95
99
99,9
0 3 6 9 12 15
0,1
1
5
20
50
80
95
99
99,9
0 0,4 0,8 1,2 1,6 2
0,1
1
5
20
50
80
95
99
99,9
Normal
No normal
No normal
No normal
Comprobacin de la
homocedasticidad
En el proceso de estimacin se ha supuesto que los
distintos tratamientos tienen la misma varianza
Herramientas
Grficos de residuos:
Frente a valores previstos
Frente a tratamientos (o factor,etc.)
Contrastes formales:
Bartlett, Cochran, Hartley, Levene
Residuos - Valores previstos
En este modelo los valores
previstos corresponden a
la media del tratamiento
Los puntos deben
aparecer dispuestos
al azar en una banda
horizontal alrededor
del eje horizontal.
Heterocedasticidad:
a veces la dispersin
aumenta conforme la
media crece.
r
e
s
i
d
u
o
s
Valores previstos
-30
-20
-10
0
10
20
30
0 5 10 15
r
e
s
i
d
u
o
s
valores previstos
-30
-20
-10
0
10
20
30
210 220 230 240 250
Residuos por tratamientos
A B C D
-25
-15
-5
5
15
25
R
e
s
i
d
u
o
s
Semilla
En cada grupo los residuos aparecen esparcidos
con dispersin similar y media cero.
m
x
.
m
n
.
Residuos por tratamientos
A B C D
-25
-15
-5
5
15
25
R
e
s
i
d
u
o
s
Semilla
En cada grupo los residuos aparecen esparcidos
con dispersin similar y media cero.
m
x
.
m
n
.
3
mn
mx
<
Contrastes formales
K
...
distinta es Alguna :
:
1
2 2
2
2
1 0
H
H
K
= = = L
Contraste de Bartlett
n
1
=n
2
==n
K
=m
1
) (
2
1 1
2
1
1
12
11

m
y y
s
y
y
y
j
m
M 1
) (
2
2 2
2
2
2
22
21
2

m
y y
s
y
y
y
j
n
M
K
...
1
) (
2
2 2
1

m
y y
s
y
y
y
K Kj
K
Km
K
K
M
...
K
K G
K
R
s s s s
K
s s s
s
2 2
2
2
1
2
2 2
2
2
1 2

=
+ + +
=
L
L
2
1
2
2
log
1

|
|
.
|
\
|
+
K
G
R
s
s
c
K n
Si Ho
cierto
) ( 3
1
K n
K
c
+
=
Contraste de Bartlett (general)
K n
s n s n s n
s
K K
R
+ + +
=
2 2
2 2
2
1 1
2
) 1 ( ) 1 ( ) 1 (
L
2
1
2
2
log
1

|
|
.
|
\
|
+
K
G
R
s
s
c
K n
Si Ho
cierto
|
|
.
|
\
|

=

=
K
i
i
K n n K
c
1
1
1
1
) 1 ( 3
1
( ) ( ) ( )
K n
n
K
n n
G
K
s s s s

=
1
2
1
2
2
1
2
1
2

2 1
L
Contraste de Bartlett: ejemplo
A B C D
229,1 233,4 211,1 270,4
253,7 233,0 223,1 248,6
241,3 219,2 217,5 230,0
254,7 200,0 211,8 250,7
237,2 224,3 207,6 230,0
241,3 202,0 213,7 245,8
Medias 242,9 218,7 214,1 245,9
Varianzas 96,8 216,2 29,9 227,2
Datos
1 . 109 2 . 227 9 . 29 2 . 216 8 . 96
4 . 142
4
2 . 227 9 . 29 2 . 216 8 . 96
4
2
2
= =
=
+ + +
=
G
R
s
s
91 . 4
1 . 109
4 . 142
log
) 60 / 5 ( 1
20

log
1
2
2
2
0
=
+
=
+
=
G
R
s
s
c
K n
0 4 8 12 16
0
5 177 . 0 = valor p
0.01
0.05
2
3
r
e
s
i
d
u
o
s
Valores previstos
-0,43
-0,23
-0,03
0,17
0,37
0,57
0 0,3 0,6 0,9 1,2
1 2 3
-0,43
-0,23
-0,03
0,17
0,37
0,57
r
e
s
i
d
u
o
s
Tratamientos
-0,33 -0,13 0,07 0,27 0,47
residuos
0,1
1
5
20
50
80
95
99
99,9
p
r
o
b
a
b
i
l
i
d
a
d
Diagnosis: Tres grficos bsicos
Normalidad
Homocedasticidad
-0,33 -0,13 0,07 0,27 0,47
residuos
0,1
1
5
20
50
80
95
99
99,9
p
r
o
b
a
b
i
l
i
d
a
d
Transformaciones para
estabilizar la varianza
| | ] [ Var ) ( ' ] [ Var
Var )
2
1
)
aprox. son z de s y varianza media La
) )( ( ' '
2
1
) )( ( ' ) (
E[y] en ) ( para Taylor de Desarrollo
2
2
y h z
(y) h''( h( E[z]
y h y h h z
y h z
+
+ +
= =
) ( y h z =
Ejemplo
] [ Var ] [ Var
E[z]
son de s y varianza media La
2
y b z
b a
z
=
+ =
by a z + =
b z de depende ] Var[ La
Observacin: Esta transformacin no altera
las caractersticas de y: si y no tiene varianza
constante, z tampoco.
Ejemplo
] [ Var
1
] [ Var
Var
2
1
) log
aprox. son de s y varianza media La
2
2
y z
(y) ( E[z]
z

) log( y z =
k z k y ] Var[ ] Var[ Si
2
y
ij
heterocedsticas
z
i
j

h
o
m
o
c
e
d
s
t
i
c
a
s
) (
ij ij
y h z =
Transformaciones Box-Cox
-1,5
-1
-0,5
0
0,5
1
1,5
0 log
1
= =
=
p si y z
p
y
z
ij ij
p
ij
ij
1
ij
y
ij
z
p = 1
p < 1
p > 1
Bsqueda de la
transformacin adecuada
La dispersin
aumenta al aumentar
la media
p < 1
La dispersin
disminuye al
aumentar la media
p > 1
r
e
s
i
d
u
o
s
Valores previstos
-0,43
-0,23
-0,03
0,17
0,37
0,57
0 0,3 0,6 0,9 1,2
r
e
s
i
d
u
o
s
valores previstos
-1,4
-0,9
-0,4
0,1
0,6
1,1
1,6
0 4 8 12 16
Eleccin de la transformacin
Empezar con p=1 (datos sin
transformar) y decidir a partir de los
grficos si p>1 o p<1.
Parar cuando los grficos estn ok
p
ij ij
y z =
= =
= =
= =
= =
<
M M M
2
1
1
1
2 / 1
log 0
2 / 1
1
ij
ij
ij
ij
ij ij
ij ij
y
z p
y
z p
y z p
y z p
p
Independencia
Es la hiptesis fundamental y con diferencia
la ms importante de las tres, adems es la
ms difcil de comprobar.
La falta de independencia suele ir ligada a
factores no controlados por el
experimentador y que influyen en los
resultados introduciendo errores
sistemticos.
La forma ms recomendable de evitar
errores sistemticos consiste en aleatorizar.
Aleatorizacin
La aleatorizacin evita que se
produzcan errores que
sistemticamente aumenten o
disminuyan un conjunto de medidas por
causas no reconocibles: al aleatorizar
se reparten estos errores por igual
entre los diferentes tratamientos y se
convierten en errores aleatorios,
previstos en el modelo.
Cmo aleatorizar?
Asignar las unidades experimentales al
azar a los distintos tratamientos.
Aleatorizar el orden de ejecucin de los
experimentos.
Aleatorizar respecto a cualquier otra
variable que implique diferenciar a los
tratamientos.
La aleatorizacin es una precaucin contra
distorsiones que pueden ocurrir o no ocurrir, y que
puedieran ser serias o no si llegaran a ocurrir
Captulo 4. Anlisis de la varianza
4.1 Se estudian los Km recorridos antes del desgaste de dos tipos de neumticos con los resultados
siguientes:
Tipo n
i
x
i
(Km) b s
i
(Km)
A 121 27465 2500
B 121 27572 3000
(a) Calcular, con = 0.05,un intervalo de conanza para

2
1
2
2
.
(b) Un intervalo de conanza para
1
2
.
4.2 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).
4.3 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 b s
A
= 2100 y b s
B
= 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 90\% para la diferencia de medias de la resistencia
de las piezas de los proveedores A y B.
4.4 En una fbrica de automviles se utiliza una misma planta para el ensamblaje de tres modelos
distintos (A, B y C). Para determinar si los modelos reciben el mismo tratamiento, se ha realizado
un control de calidad a una muestra tomada para cada modelo. El nmero de defectos encontrados
para cinco vehculos del modelo A son 5, 4, 6, 6 y 7; para seis vehculos del modelo B son 7, 8, 6, 7, 6
y 5;y para ocho vehculos del modelo C: 9, 7, 8, 9, 10, 11, 10 y 10. Contrastar si existen diferencias
en el tratamiento que se da a los distintos modelos.
4.5 Cinco tipos (A, B, C, D y E) de material sinttico se han sometido a un ensayo de desgaste. Para
cada tipo de material la prueba se repitio 6 veces. El desgaste medio y la desviacin tpica corregida
en cada caso es la siguiente:
A B C D E
media x
i
14.1 16.3 13.5 14.8 15.3
d. tpica s
i
1.3 1.2 1.4 1.2 1.5
1
(a) Contrastar ( = 0.05) la hiptesis
H
0
:
A
=
B
=
C
=
D
=
E
frente a la hiptesis alternativa,
H
1
: Alguna media es distinta a las dems.
Indicar con nivel de conanza 0.95 el material con desgaste menor y qu materiales tienen
desgaste medio, distinto.
(b) Obtener un intervalo de conanza con = 0.01 para la varianza del error experimental.
4.6 Se mide la temperatura de una mezcla con cuatro termmetros, obtenindose los datos siguientes:
Termmetro
1 63 63 62 65 66
2 64 64 63 64 65
3 58 59 59 68
4 61 61 62 60 63
(a) Son los cuatro termmetros anlogos?
(b) Analizar si se verican las hiptesis bsicas del modelo ADEVA mediante los residuos.
(c) Elimine el tercer termmetro y calcule la tabla ADEVA para comparar los otros tres
termmetros. Qu conclusiones pueden extraerse?
4.7 Se desea comprobar el efecto de un tratamiento trmico sobre la resistencia de un nuevo material.
Se han tomado 15 probetas y se han asignado al azar a los tres tratamientos T
1
, T
2
y T
3
obteniendo
como medida de resistencia supercial los valores siguientes:
T
1
T
2
T
3
2.65 4.31 4.81
2.67 3.96 5.32
2.46 4.64 4.93
1.90 4.74 5.49
2.62 4.00 4.45
(a) Contrastar mediante el test de anlisis de la varianza si existen diferencias signicativas
entre los tratamientos trmicos ( = 0.01).
(b) La temperatura del tratamiento 2 es la media de las temperaturas de los otros dos
tratamientos. Si la relacin entre la resistencia y la temperatura es lineal, es de esperar
que la media del tratamiento 2 verique : H
0
:
2
=
1
2
(
1
+
3
). Hacer el contraste
bilateral de esta hiptesis con = 0.05. (Nota.- Usar la distribucin de y
2
(y
1
+y
3
)/2,
donde y
i
es la media de los datos correspondientes al tratamiento T
i
).
4.8 En un modelo de anlisis de la varianza se ha observado que la desviacin tpica ( s
i
) y la media
(y
i
) de las observaciones de cada tratamiento estn relacionadas linealmente, s
i
= ky
i
, donde k
es una constante. Cul de las siguientes transformaciones es la ms adecuada para corregir la
heterocedasticidad ? z = log y, z = y
2
o z = ky
2
5. Diseo de experimentos
Estadstica 2004-2005
Bloques Aleatorizados
3 Diseo Experimentos
Ejemplo de introduccin
Se desea estudiar el efecto de la Fluorita en la
reduccin del coste energtico en la fabricacin de
cemento. Se emplean 6 mezclas distintas de materias
primas.
0% 1% 2% 3% 4%
M 1 15.02 11.86 9.94 12.45 13.23
e 2 8.42 10.15 8.54 6.98 8.93
z 3 18.31 16.84 15.86 14.64 15.96
c 4 10.49 10.52 8.04 10.50 10.34
l 5 9.78 9.59 6.96 8.15 9.24
a 6 9.28 8.84 7.04 6.66 9.46
Fluorita
Modelo
ij j i ij
u y + + + =
: Media global
i
: Efecto del tratamiento i, i=1,...,I
j
: Efecto del bloque j, j=1,2,...,J
u
ij
: Componente aleatoria N(0,
2
)
IJ J J
I
I
y y y J
y y y
y y y
I
L
M O M M M
L
L
L
2 1
2 22 12
1 21 11
2
1
2 1
Tratamientos
B
l
o
q
u
e
s
Normalidad
Independencia
Homocedasticidad
=
=
I
i i 1
0
=
=
J
j j 1
0

...
1 1
+ +
1 2
+ +
1
+ +
I

...
2 1
+ +
2 2
+ +
2
+ +
I

...
J
+ +
1 J
+ +
2 J I
+ +
M M
M
O
Tratamientos
1 2 I
1
2
J
...
B
l
o
q
u
e
s
M
Estimacin del modelo
1 :
1 :
1 :
1 :
: Parmetros
2
j
i

J
I
n
y
y
I
y
y
J
y
y
I
i
J
j
ij
I
i
ij
j
J
j
ij
i

= =

=
= = =
1 1
1
1

= =
=
=
=

) 1 )( 1 (

: s Estimadore
2
2 2
J I
e
s
y y
y y
y
ij
R
j j
i i

ij j i ij
ij j i ij
e y
u y
+ + + =
+ + + =

+ =
=
y y y y
y e
j i ij
j i ij ij

Estimacin

y y y y y y
y y y y
y y y y y y J
y y y y y y
y y y y y y
I
I i
I
J J IJ J J
I
I
j
L
L
L
M M M O M M M
L
L
L
2 1
2 1
2 1
2 2 2 22 12
1 1 1 21 11
2
1

2 1
Estimacin (ejemplo)
0% 1% 2% 3% 4%
M 1 15.02 11.86 9.94 12.45 13.23 12.50 1.77
e 2 8.42 10.15 8.54 6.98 8.93 8.60 -2.13
z 3 18.31 16.84 15.86 14.64 15.96 16.32 5.59
c 4 10.49 10.52 8.04 10.50 10.34 9.98 -0.76
l 5 9.78 9.59 6.96 8.15 9.24 8.74 -1.99
a 6 9.28 8.84 7.04 6.66 9.46 8.26 -2.48
11.88 11.30 9.40 9.90 11.19 10.73
1.15 0.57 -1.34 -0.84 0.46
Fluorita
j
Residuos: Varianza residual
0% 1% 2% 3% 4%
M 1 1.37 -1.21 -1.22 0.79 0.27
e 2 -1.33 0.98 1.27 -0.79 -0.13
z 3 0.84 -0.05 0.88 -0.84 -0.82
c 4 -0.64 -0.02 -0.60 1.36 -0.10
l 5 -0.11 0.28 -0.45 0.24 0.04
a 6 -0.13 0.02 0.12 -0.76 0.74
Fluorita

+ = = y y y y y e
j i ij j i ij ij

88 . 0
20
51 . 17
) 1 )( 1 (
2
2
= =

=

J I
e
s
ij
R
Si la Fluorita no influye, los I tratamientos
son iguales a efectos de coste, entonces
0 de distinto es Algn :
0 :
i 1
2 1 0

H
H
I
= = = = L
I
= = = L
2 1

=
=
I
i
i
1
0
Anlisis de la varianza

= = = =

= = = =

+ + =
+ + + =
+ + + + =
+ + + = + + + =
I
i
J
j
I
i
J
j
ij j
I
i
I
j
I
i
J
j
i ij
j i ij j i ij
j i ij j i ij
ij j i ij ij j i ij
e y y y y y y
y y y y y y y y y y
y y y y y y y y y y
e y u y
1 1 1 1
2 2
1 1 1 1
2 2
) ( ) ( ) (
) ( ) ( ) (
) ( ) ( ) (

= = =

= = =

+ + =
J
j
I
i
J
j
ij j
I
i
I
j
I
i
i ij
e y y I y y J y y
1 1 1
2 2
1 1 1
2 2
) ( ) ( ) (
Variabilidades
VNE VE VE VT
e VNE
y y I B VE
y y J T VE
y y VT
I
i
J
j
ij
J
j
j
I
i
i
I
i
I
j
ij
+ + =
=
=
=
=

= =
=

=

= =

B) ( T) (
) ( ) (
) ( ) (
) (
1 1
2
1
2
1
2
1 1
2
) 1 )( 1 ( ) 1 ( ) 1 ( ) 1 ( + + = J I J I n
Contraste sobre tratamientos
0 :
i 1
2 1 0

H
H
I
= = = = L
2 2 2
]
[
) 1 )( 1 (
=

=
R R
s E
J I
VNE
s
2 2 2
]
[
1
) os Tratamient (
cierto, es Ho Si =
=
T T
s E
I
VE
s
) 1 )( 1 ( ; 1
2
1
2
2
2
1 ) (

= =

J I I
R
I
i
i
R
T
T
F
s
I y y J
s
s
F
Ho rechaza Se Si >

F F
T
Explicacin del contraste
) , ( ,..., ,
] [ ,
) , ( 0 cierto es Ho Si
2
2 1
1
2 1
2
J
N y y y
J
J
y E
J
y y y
y
N y
I
J
j j
i
iJ i i
i
j ij i
=
+
=
+ + +
=
+ =

=

L
2 1
2
1
2
2
2 1
1 1
=
(
(
(
(
=
+ + +
=

=

=

I
) y - y ( J
E
I
) y - y ( J
s
I
y y y
y
I
i
i
I
i
i
T
I
L
.
que mayor ser
falso, es Ho Cuando
parecidas. sern
cierto, es Ho Cuando
2 2
2 2
R T
R T
s s
s s
Contraste de bloques
0 :
j 1
2 1 0

H
H
J
= = = = L
2 2 2
]
[
1
) Bloques (
cierto, es Ho Si =
=
B B
s E
J
VE
s
) 1 )( 1 ( ; 1
2
1
2
2
2
1 ) (

= =

J I J
R
J
j
j
R
B
B
F
s
J y y I
s
s
F
Ho rechaza Se Si >

F F
B
Tabla de anlisis de la varianza
1 - n Total
Residual
Bloque
o Tratamient
valor p
F Varianza Libertad. Cuadrados ad Variabilid
de Grados de Suma Fuentes
2
2
2
2
2
2
2
2
2
2 2
) (
) 1 )( 1 (
1
) (
1
) (
y y
s J I
e
p s
s
s
J
y y I
p s
s
s
I
y y J
ij
R
ij
B R
B
B
j
T R
T
T i
29 Total
Residual
Bloque
o Tratamient
valor p
F Varianza Libertad. Cuadrados. ad Variabilid
Grados de Suma Fuentes
33 . 291
88 . 0 20 51 . 17
0000 . 6 . 56 55 . 49 5 77 . 247
0008 . 4 . 7 51 . 6 4 05 . 26

Sin bloques
29 33 . 291
61 . 10 25 28 . 265
8887 . 61 . 0 51 . 6 4 05 . 26
Total
Residual
o Tratamient
valor p
Contraste multiples: tratamientos
j i
j i
H
H

=
:
:
1
0
) 1 )( 1 (
2
J I
R
j i
t
J
s
y y
t
/2
-t
/2
/2
t
(I-1)(J-1)
R.R.
R.R
R. Acept. H
0
1-
/2
) , (

2 2
J J
N
y y
y y
y y
j i j i
j i j i
j j
i i

+
=
)
`
=
=

0 2 /
2
H S
LSD
J
s t y y
R j i
rechaza e >

43 42 1
Contraste multiples: bloques
j i
j i
H
H

=
:
:
1
0
0 2 /
2
H S
LSD
I
s t y y
R j i
rechaza e >

43 42 1
) 1 )( 1 (
2
J I
R
j i
t
I
s
y y
t
/2
-t
/2
/2
t
(I-1)(J-1)
R.R.
R.R
R. Acept. H
0
1-
/2
) , (

2 2
I I
N
y y
y y
y y
j i j i
j i j i
j j
i i

+
=
=
=

Fluorita
Mezcla
13 . 1
6
2
93 . 0 085 . 2
2
2 /
=
=
=
J
s t LSD
R
24 . 1
5
2
93 . 0 085 . 2
2
2 /
=
=
=
I
s t LSD
R
1 2 3 4 5 6
1 0.00 3.90 -3.82 2.52 3.76 4.24
2 0 6.60 5.60 4.60 3.60
3 0 6.34 7.58 8.07
4 0 1.23 1.72
5 0 0.49
6 0
LSD=1.24
0% 1% 2% 3% 4%
0% 0 0.58 2.49 1.99 0.69
1% 0 1.90 1.40 -1.30
2% 0 -0.50 -1.80
3% 0 -1.30
4% 0
LSD = 1.13
(ejemplo)
Fluorita Medias L.inf. L.Sup.
0% 11.88 11.09 12.68
1% 11.30 10.50 12.10
2% 9.40 8.60 10.19
3% 9.90 9.10 10.69
4% 11.19 10.40 11.99
J
s
t y
R
i i

2 /
+

Intervalos para las medias 95%
0 1 2 3 4
Fluorita
8.8
9.8
10.8
11.8
12.8
C
o
s
t
e
Diagnosis:
Homocedasticidad
Fluorita
0 1 2 3 4
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
Mezcla
0 1 2 3 4 5 6
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
r
e
s
i
d
u
o
s
Valores previstos
-1.6
-1.2
-0.8
-0.4
0
0.4
0.8
1.2
1.6
5 10 15 20
Grfico de residuos
Diagnosis: normalidad
residuos
p
r
o
b
a
b
i
l
i
d
a
d
-1.4 -0.9 -0.4 0.1 0.6 1.1 1.6
0.1
1
5
20
50
80
95
99
99.9
Diseos factoriales
Ejemplo
A B C D
0.31 0.82 0.43 0.45
0.45 1.10 0.45 0.71
V 0.46 0.88 0.63 0.66
E 0.43 0.72 0.72 0.62
N 0.36 0.92 0.44 0.56
E 0.29 0.61 0.35 1.02
N 0.40 0.49 0.31 0.71
O 0.23 1.24 0.40 0.38
S 0.22 0.30 0.23 0.30
0.21 0.37 0.25 0.36
0.18 0.38 0.24 0.31
0.23 0.29 0.22 0.33
ANTDOTO
I
II
III
Se analiza el efecto de tres venenos y cuatro antdotos
en el tiempo de supervivencia de unas ratas.
Modelo
ijk ij j i ijk
u y + + + + =
IJm
IJ
IJ
Jm
J
J
Jm
J
J
m I
I
I
m m
m I
I
I
m m
y
y
y
y
y
y
y
y
y
J
y
y
y
y
y
y
y
y
y
y
y
y
y
y
y
y
y
y
I
M
L
M M
M O M M M
M
L
M M
M
L
M M
L
2
1
2
2 2
1 2
1
2 1
1 1
2
22
21
22
222
221
12
122
121
1
12
11
21
212
211
11
112
111
2
1
2 1
Factor 1
F
a
c
t
o
r

2
Normalidad
Independencia
Homocedasticidad
IJ tratamientos
m replicaciones
n = mIJ

...
11 1 1
+ + +
21 1 2
+ + +
1 1 I I
+ + +

...
12 2 1
+ + +
22 2 2
+ + +
2 2 I I
+ + +

...
J J 1 1
+ + +
J J 2 2
+ + +
IJ J I
+ + +
M M
M
O
Factor 1
1 2 I
1
2
J
...
F
a
c
t
o
r

2
M
Modelo
: Media global
i
: Efecto del tratamiento i, i=1,...,I
j
: Efecto del bloque j, j=1,2,...,J
ij
: Interaccin de niveles ij
u
ij
: Componente aleatoria N(0,
2
)
=
=
I
i i 1
0

=
=
J
j j 1
0
ijk ij j i ijk
u y + + + + =
j
I
i
ij
=
=
, 0
1
i
J
j
ij
=
=
, 0
1
1 :
) 1 )( 1 ( :
1 :
1 :
1 :
2
j
i
J I
J
I
ij
n
y
y
mI
y
y
mJ
y
y
m
y
y
I
i
J
j
m
k
ijk
I
i
m
k
ijk
j
J
j
m
k
ijk
i
m
k
ijk
ij

= = =

= =

= =

=
= = = =
1 1 1
1 1
1 1
1
) 1 (

2
2 2
= =
+ =
=
=
=

m IJ
e
s
y y y y
y y
y y
y
ij
R
j i ij ij
j j
i i
Estimacin
A B C D
0.31 0.82 0.43 0.45
V 0.45 1.10 0.45 0.71
0.46 0.88 0.63 0.66
E 0.43 0.72 0.72 0.62
0.41 0.88 0.56 0.61
N 0.36 0.92 0.44 0.56
0.29 0.61 0.35 1.02
E 0.40 0.49 0.31 0.71
0.23 1.24 0.40 0.38
N 0.32 0.82 0.38 0.67
0.22 0.30 0.23 0.30
O 0.21 0.37 0.25 0.36
0.18 0.38 0.24 0.31
S 0.23 0.29 0.22 0.33
0.21 0.34 0.24 0.33
ANTDOTO
I
II
III
Estimacin
A B C D Medias
0.31 0.82 0.43 0.45
0.45 1.10 0.45 0.71
V 0.46 0.88 0.63 0.66
0.43 0.72 0.72 0.62
E
Medias 0.41 0.88 0.56 0.61
-0.038 0.067 0.032 -0.061
N 0.36 0.92 0.44 0.56
0.29 0.61 0.35 1.02
E 0.40 0.49 0.31 0.71
0.23 1.24 0.40 0.38
N
Medias 0.32 0.82 0.38 0.67
-0.060 0.073 -0.080 0.068
O 0.22 0.30 0.23 0.30
0.21 0.37 0.25 0.36
S 0.18 0.38 0.24 0.31
0.23 0.29 0.22 0.33
Medias
0.21 0.34 0.24 0.33
0.098 -0.139 0.048 -0.007
0.314 0.677 0.389 0.534
-0.164 0.198 -0.089 0.056
ANTDOTO
I 0.615 0.136
0.479
Medias
II 0.544 0.066
III 0.276 -0.202
i
ij
ij
ij
Residuos
A B C D
-0.103 -0.060 -0.128 -0.160
V 0.038 0.220 -0.108 0.100
0.048 0.000 0.073 0.050
E 0.018 -0.160 0.163 0.010
0.00 0.00 0.00 0.00
N 0.040 0.105 0.065 -0.108
-0.030 -0.205 -0.025 0.353
E 0.080 -0.325 -0.065 0.043
-0.090 0.425 0.025 -0.288
N 0.00 0.00 0.00 0.00
0.010 -0.035 -0.005 -0.025
O 0.000 0.035 0.015 0.035
-0.030 0.045 0.005 -0.015
S 0.020 -0.045 -0.015 0.005
0.00 0.00 0.00 0.00
III
RESIDUOS
ANTDOTO
I
II

= = = = = =

= = =

= = = = =

=

+ + +
+ + =
+ + + + =
+ + + + + =
+ + + + = + + + + =
I
i
J
j
m
k
ij
I
i
J
j
m
k
j i ij
I
i
J
j
m
k
j
I
i
I
j
I
i
J
j
m
k
i
m
k
ijk
ijk j i ij j i ijk
ij ijk j i ij j i ijk
ijk ij j i ijk ijk ij j i ijk
e y y y y
y y y y y y
e y y y y y y y y y y
y y y y y y y y y y y y
e y u y
1 1 1
2
1 1 1
2
1 1 1
2
1 1 1 1 1
2
1
2
) (
) ( ) ( ) (
) ( ) ( ) (
) ( ) ( ) ( ) (

= = = = =

=

= = =

=

+ + +
+ =
I
i
J
j
m
k
ij
I
i
J
j
j i ij
J
j
j
I
i
I
j
I
i
i
m
k
ijk
e y y y y m
y y mI y y mJ y y
1 1 1
2
1 1
2
1
2
1 1 1
2
1
2
) (
) ( ) ( ) (
Variabilidades

= = =

= =

=

=

= = =

=
+ =
=
=
=
I
i
J
j
m
k
ij ijk
I
i
J
j
j i ij
J
j
j
I
i
i
I
i
I
j
m
k
ijk
y y VNE
y y y y m B A VE
y y mI B VE
y y mJ A VE
y y VT
1 1 1
2
1 1
2
1
2
1
2
1 1 1
2
) (
) ( ) (
) ( ) (
) ( ) (
) (
) 1 ( ) 1 )( 1 ( ) 1 ( ) 1 ( ) 1 (
) ( ) ( ) (
+ + + =
+ + + =
m IJ J I J I n
VNE B A VE B VE A VE VT
Contraste efecto principal de factor A
0 :
i 1
2 1 0

H
H
I
= = = = L
2 2 2
]
[
) 1 (
=
R R
s E
m IJ
VNE
s
2 2 2
]
[
1
) (
=
A A
s E
I
A VE
s cierto, es Ho Si
) 1 ( ; 1
2
1
2
2
2
1 ) (

= =

m IJ I
R
I
i
i
R
A
A
F
s
I y y mJ
s
s
F
Ho rechaza Se Si >

F F
A
Contraste efecto principal de factor B
0 :
j 1
2 1 0

H
H
J
= = = = L
2 2 2
]
[
1
) (
=
B B
s E
J
B VE
s cierto, es Ho Si
) 1 ( ; 1
2
1
2
2
2
1 ) (

= =

m IJ J
R
J
j
j
R
B
B
F
s
J y y mI
s
s
F
Ho rechaza Se Si >

F F
B
Contraste interaccin AxB
0 de distinto es Algn
ij

:
0 :
1
12 11 0
H
H
IJ
= = = = L
2 2 2
]
[
) 1 )( 1 (
) (
=

=
AB AB
s E
J I
B A VE
s cierto, es Ho Si
) 1 ( ); 1 )( 1 (
2
2

=
m IJ J I
R
AB
AB
F
s
s
F
4 4 3 4 4 2 1
nan interaccio B A y
Ho rechaza Se Si >

F F
AB
1
) (
) 1 (
) 1 )( 1 (
) (
1
) (
1
) (
2
2
2
2
2
2
2
2
2
2
2
2
2
2 2

n
y y
s m IJ
e
p s
s
s J I
y y y y m
p s
s
s
J
y y mI
p s
s
s
I
y y mJ
ijk
R
ijk
AB R
AB
AB
j i ij
B R
B
B
j
T R
A
T i
Total
Residual
B A
B
A
valor p
F Varianza Libertad. Cuadrados ad Variabilid
de Grados de Suma Fuentes
47 Total
36 Residual
Ant Ven
Antdoto
Veneno
valor p
005 . 3
022 . 0 801 . 0
1123 . 87 . 1 041 . 0 6 250 . 0
0000 . 8 . 13 307 . 0 3 921 . 0
0000 . 2 . 23 516 . 0 2 033 . 1
Contraste multiples: Factor A
j i
j i
H
H

=
:
:
1
0
) 1 (
2
m IJ
R
j i
t
mJ
s
y y
t
/2
-t
/2
/2
t
IJ(m-1)
R.R.
R.R
R. Acept. H
0
1-
/2
) , (

2 2
mJ mJ
N
y y
y y
y y
j i j i
j i j i
j j
i i

+
=
)
`
=
=

Ho
mJ
s t y y
R j i
rechaza Se
2
2 /
>

Contraste multiples: Factor B
j i
j i
H
H

=
:
:
1
0
) 1 (
2
m IJ
R
j i
t
mI
s
y y
t
/2
-t
/2
/2
t
IJ(m-1)
R.R.
R.R
R. Acept. H
0
1-
/2
) , (

2 2
mI mI
N
y y
y y
y y
j i j i
j i j i
j j
i i

+
=
)
`
=
=

Ho
mI
s t y y
R j i
rechaza Se
2
2 /
>

(interaccin nula)
mJ
s
t y
R
i i

2 /
+

mI
s
t y
R
j i

2 /
+

veneno
t
i
e
m
p
o
1 2 3
0.22
0.32
0.42
0.52
0.62
0.72
antidoto
t
i
e
m
p
o
A B C D
0.25
0.35
0.45
0.55
0.65
0.75
Diagnosis: homocedasticidad
r
e
s
i
d
u
o
s
antidoto
A B C D
-0.6
-0.3
0
0.3
0.6
veneno
1 2 3
-0.6
-0.3
0
0.3
0.6
Heterocedasticidad
r
e
s
i
d
u
o
s
valores previstos
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0 0.2 0.4 0.6 0.8 1
Normalidad
Residuos
p
r
o
b
a
b
i
l
i
d
a
d
-0.5 -0.25 0 0.25 0.5
0.1
1
5
20
50
80
95
99
99.9
Diagnosis: homocedasticidad
datos transformados z=1/y
veneno
1 2 3
-1.1
-0.7
-0.3
0.1
0.5
0.9
1.3
antidoto
A B C D
-1.1
-0.7
-0.3
0.1
0.5
0.9
1.3
r
e
s
i
d
u
o
s
Datos transformados
r
e
s
i
d
u
o
s
valores previstos
-1.2
-0.8
-0.4
0
0.4
0.8
1.2
0 1 2 3 4 5 6
Normalidad (datos transformado)
Residuos
p
r
o
b
a
b
i
l
i
d
a
d
-1.2 -0.8 -0.4 0 0.4 0.8 1.2
0.1
1
5
20
50
80
95
99
99.9
datos transformados 1/y
47 Total
36 Residual
Ant Ven
Antdoto
Veneno
valor p
50 . 65
24 . 0 68 . 8
3867 . 09 . 1 26 . 0 6 57 . 1
0000 . 3 . 28 80 . 6 3 41 . 20
0000 . 6 . 72 4 . 17 2 87 . 34
Comparaciones mltiples
intervalos de confianza
antidoto
1
/
t
i
e
m
p
o
1 2 3 4
1.6
2
2.4
2.8
3.2
3.6
4
veneno
1
/
t
i
e
m
p
o
1 2 3
1.6
2
2.4
2.8
3.2
3.6
4
Diseo con tres factores
Factores A, B y C con N
A
, N
B
,
N
c
niveles.
N de Tratamientos
T=N
A
xN
B
xN
c
Efectos principales 3 A, B , C
Interacciones de orden dos 3
AxB, AxC, BxC
Interaccin de orden tres 1.
AxBxC
Factor A
A
1
A
2
A
3
A
4
A
5
A
6
B
1
C
1
B
2
B
3
B
4
B
5
C
2
C
3
F
a
c
t
o
r

B
F
a
c
t
o
r

C
Tratamiento: Cada combinacin de niveles de los factores
6 x 5 x 3 = 90
K factores con N
1
, N
2
, ..., N
K
niveles
libertad de grados
con k, orden de n interacci 1
K
K
...
libertad de grados
con 3, orden de nes interaccio
3
K
libertad de
grados con 2, orden de nes interaccio
2
K
uno cada libertad de grados con s principale efectos K
) (N ) )(N (N
) )(N )(N (N
) )(N (N
N
K
k j i
j i
i
1 1 1
1 1 1
1 1
1
2 1
= |
.
|
\
|
|
.
|
\
|
|
.
|
\
|

L
Datos
Factor 1
F
a
c
t
o
r

2
Factor 3
1 2 K ...
IJKM M IJ M IJ
IJK IJ IJ
IJK IJ IJ
JKM M J M J
JK J J
JK J J
JKM M J M J
JK J J
JK J J
KM I M I M I
K I I I
K I I I
KM M M
K
K
KM M M
K
K
KM I M I M I
K I I I
K I I I
KM M M
K
K
KM M M
K
K
y y y
y y y
y y y
K
y y y
y y y
y y y
K
y y y
y y y
y y y
K
y y y
y y y
y y y
K
y y y
y y y
y y y
K
y y y
y y y
y y y
K
y y y
y y y
y y y
K
y y y
y y y
y y y
y y y
y y y
y y y
L
M O M M
L
L
L
L
M O M M
L
L
L
M O M M
L
L
M O M M M
L
M O M M
L
L
L
L
M O M M
L
L
L
M O M M
L
L
L
M O M M
L
L
L
L
M O M M
L
L
L
M O M M
L
L
L
2 1
2 22 12
1 21 11
2 2 2 1 2
2 2 22 2 12 2
1 2 21 2 11 2
1 2 1 1 1
2 1 22 1 12 1
1 1 21 1 11 1
2 22 21
2 2 222 212
1 2 221 211
22 222 221
2 22 2222 2212
1 22 2221 2211
12 122 121
2 12 1222 1212
1 12 1221 1211
1 12 11
2 1 122 112
1 1 121 111
11 212 211
2 11 2122 2112
1 11 2121 2111
11 112 111
2 11 1122 1112
1 11 1121 1111
... 2 1 ... 2 1 ... 2 1
J
... 2 1 ... 2 1 ... 2 1
2
... 2 1 K ... 2 1 K ... 2 1
1
I 2 1 1 2 ... I
1
2
...
J
1 2 K ... 1 2 K ... 1 2 K ...
1 2 K ... 1 2 K ... 1 2 K ...
1 2 K ... 1 2 K ... 1 2 K ...
Ejemplo: Proceso qumico
T-1 T-2 T-1 T-2 T-1 T-2 T-1 T-2
72.2 65.0 74.4 69.2 75.0 70.7 80.0 73.0
74.4 71.6 66.3 71.8 78.9 80.6 65.0 74.4
64.3 61.9 66.5 64.6 64.3 73.4 82.1 78.8
T-1 T-2 T-1 T-2 T-1 T-2 T-1 T-2
62.5 75.9 70.8 79.2 76.3 83.3 72.3 80.3
65.8 72.9 63.9 80.1 79.1 88.0 72.4 86.9
71.2 77.8 76.6 75.3 89.0 84.7 75.6 86.3
T-1 T-2 T-1 T-2 T-1 T-2 T-1 T-2
69.0 73.8 69.0 84.5 72.8 94.1 78.4 87.5
70.3 59.2 68.2 93.7 73.7 87.3 79.9 79.7
68.8 80.8 78.7 80.1 80.7 89.0 80.3 79.5
CONCENTRACIN
1 2 3 4
C
A
T
A
L
I
Z
A
D
O
R
C-1
C-2
C-3
Tres factores:
1 4%
2 6%
3 8%
4 10%
Concentracin
T-1 300 C
T-2 320 C
Temperatuta
Variable respuesta: Rendimiento del proceso qumico.
Tres replicaciones
C-1 Ag
C-2 Ag+Zn
C-3 Zn
Catalizador
Modelo
ijkm ijk jk ik ij k j i ijkm
u y + + + + + + + + =
Normalidad
Independencia
Homocedasticidad
I J K tratamientos
M replicaciones
n = I J K M
=
=
I
i
i
1
0
=
=
J
j
j
1
0
=
=
K
k
k
1
0
i
K
k
ik
=
=
, 0
1
i
J
j
ij
=
=
, 0
1
k
J
j
jk
=
=
, 0
1
j
I
i
ij
=
=
, 0
1
k
I
i
ik
=
=
, 0
1
j
K
k
jk
=
=
, 0
1

= = =
K
k
ijk
J
j
ijk
I
i
ijk
j i k i k j . , , 0 ; , , 0 ; , , , 0
ijkm
u
Medias
u y + + + + + + + + =
M
y
y
IM
y
y
JM
y
y
KM
y
y
IJM
y
y
IKM
y
y
JKM
y
y
IJKM
y
y
M
m
ijkm
ijk
I
i
K
k
ijkm
jk
J
j
M
m
ijkm
k i
K
k
M
m
ijkm
ij
I
i
J
j
M
m
ijkm
k
I
i
K
k
M
m
ijkm
j
J
j
K
k
M
m
ijkm
i
I
i
J
j
K
k
M
m
ijk
= =

= =

= =

= = =

= = =

= = =

= = = =

=
= = =
= = =
=
1
1 1
1 1
1 1
1 1 1
1 1 1
1 1 1
1 1 1 1
Medias: Proceso qumico
T-1 T-2 T-1 T-2 T-1 T-2 T-1 T-2
C-1 70.30 66.17 69.07 68.53 72.73 74.90 75.70 75.40
C-2 66.50 75.53 70.43 78.20 81.47 85.33 73.43 84.50
C-3 69.37 71.27 71.97 86.10 75.73 90.13 79.53 82.23
1 2 3 4
1 2 3 4
C-1 68.2 68.8 73.8 75.6 71.6
C-2 71.0 74.3 83.4 79.0 76.9
C-3 70.3 79.0 82.9 80.9 78.3
69.9 74.1 80.1 78.5 75.6
Concentracin
1 2 3 4
T-1 68.72 70.49 76.64 76.22 73.02
T-2 70.99 77.61 83.46 80.71 78.19
69.9 74.1 80.1 78.5 75.6
T-1 T-2
C-1 71.95 71.25 71.6
C-2 72.96 80.89 76.9
C-3 74.15 82.43 78.3
73.02 78.19 75.6
Catalizador
Temperatura
= =
+ + + =
+ =
+ =
+ =
=
=
=
=
ijk ijkm ijkm

ijkm
R
k j i jk k i ij ijk ijk
k j jk jk
k i k i ik
j i ij ij
k k
j j
i i
y y e
M IJK
e
s
K J I y y y y y y y y
K J y y y y
K I y y y y
J I y y y y
K y y
J y y
I y y
y
;
) 1 (

) 1 )( 1 )( 1 (
) 1 )( 1 (
) 1 )( 1 (
) 1 )( 1 (
1
2
2 2
Modelo estimado
( ) ( ) ( )
( )
( )
( )
( )
( )

+
+ + + + +
+ + +
+ + +
+ + +
+ + + + =
ijk ijkm
k j i jk k i ij ijk
k j jk
k i k i
j i ij
k j i ijkm
y y
y y y y y y y y
y y y y
y y y y
y y y y
y y y y y y y y
u y + + + + + + + + =
Descomposicin de la
variabilidad
( )
( ) ( ) ( )
( )
( )
( )
( )
( )

= = = =

+
+ + + + +
+ + +
+ + +
+ + +
+ + +
=
i j k m
ijk ijkm
i j k
k j i jk k i ij ijk
j k
k j jk
i k
k i k i
i j
j i ij
k
k
j
j
i
i
I
i
J
j
K
k
M
m
ijkm
y y
y y y y y y y y M
y y y y IM
y y y y JM
y y y y KM
y y IJM y y IKM y y JKM
y y
2
2
2
2
2
2 2 2
1 1 1 1
2
Variabilidades
( ) ( )
( ) ( )
( )
( )
( )
( )
( )

= = = =

=
+ + + =
+ =
+ =
+ =
= =
= =
i j k m
ijk ijkm
i j k
k j i jk k i ij ijk
j k
k j jk
i k
k i k i
i j
j i ij
k
k
j
j
i
i
I
i
J
j
K
k
M
m
ijkm
y y VNE
y y y y y y y y M C B A VE
y y y y IM C B VE
y y y y JM C A VE
y y y y KM B A VE
y y IJM C VE y y IKM B VE
y y JKM A VE y y VT
2
2
2
2
2
2 2
2
1 1 1 1
2
) (
) (
) (
) (
) ( ) (
) (
Grados de libertad
) 1 ( ) 1 )( 1 )( 1 (
) 1 )( 1 ( ) 1 )( 1 ( ) 1 )( 1 (
) 1 ( ) 1 ( ) 1 ( ) 1 (
LIBERTAD DE GRADOS
) (
) ( ) ( ) (
) ( ) ( ) (
AD VARIABILID LA DE CIN DESCOMPOSI
+
+ +
+ + =
+
+ + +
+ + + =
M IJK K J I
K J K I J I
K J I n
VNE C B A VE
C B VE C A VE B A VE
C VE B VE A VE VT
( )
( )
( )
( )
( )
( )
( )
( ) 1 Total
) 1 ( Residual
) 1 )( 1 )( 1 (
) ...
... (

) 1 )( 1 (
) 1 )( 1 (
) 1 )( 1 (
1
. .
1 1 1 1
2
2 2
2
2
2
2
2
2
2 2
2
2
2 2
2
2
2 2
2
2
2 2
2
2
2 2
2
2
2 2

+ + +
+

+
+
+

= = = =

IJKM y y
s M IJK y y
s
s
s K J I
y y y y
y y y y M
C B A
s
s
s K J y y y y IM C B
s
s
s K I y y y y JM C A
s
s
s J I y y y y KM B A
s
s
s K y y IJM C
s
s
s J y y IKM B
s
s
s I y y JKM A
F Varianzas Lib de Gr AD VARIABILID FUENTE
I
i
J
j
K
k
M
m
ijkm
R
i j k m
ijk ijkm
R
ABC
ABC
k j i
i j k
jk k i ij ijk
R
BC
BC
j k
k j jk
R
AC
AC
i k
k i k i
R
AB
AB
i j
j i ij
R
C
C
k
k
R
B
B
j
j
R
A
A
i
i
Tabla ANOVA
Contraste efecto principal de factor A
0 :
i 1
2 1 0

H
H
I
= = = = L
F
RR
Ho rechaza Se Si >

F F
A
) 1 ( ; 1
2
1
2
2
2
1 ) (

= =

M IJK I
R
I
i
i
R
A
A
F
s
I y y JKM
s
s
F
Ho rechaza se No Si

F F
A
) 1 ( ; 1 M IJK I
F
Contraste interaccin AxB
0 :
ij 1
12 11 0

H
H
IJ
= = = = L
) 1 )( 1 (
) (
cierto, es Ho Si
2

=
J I
B A VE
s
AB
) 1 ( ); 1 )( 1 (
2
2

=
M IJK J I
R
AB
AB
F
s
s
F
4 4 3 4 4 2 1
nan interaccio B A y
Ho rechaza Se Si >

F F
AB
Contraste interaccin AxBxC
0 :
ijk 1
112 111 0

H
H
IJK
= = = = L
cierto es Ho Si
) 1 ( ); 1 )( 1 )( 1 (
2
2

=
M IJK K J I
R
ABC
ABC
F
s
s
F
Ho rechaza Se Si >

F F
ABC
Analysis of Variance for rendimiento - Type III Sums of Squares
--------------------------------------------------------------------------------
Source Sum of Squares Df Mean Square F-Ratio P-Value
--------------------------------------------------------------------------------
MAIN EFFECTS
A:Catalizador 600.014 2 300.007 10.85 0.0001
B:Concentracion 1141.58 3 380.528 13.76 0.0000
C:Temperatura 481.534 1 481.534 17.41 0.0001
INTERACTIONS
AB 177.87 6 29.645 1.07 0.3926
AC 310.714 2 155.357 5.62 0.0064
BC 69.2894 3 23.0965 0.83 0.4813
ABC 217.726 6 36.2876 1.31 0.2701
RESIDUAL 1327.71 48 27.6606
--------------------------------------------------------------------------------
TOTAL (CORRECTED) 4326.44 71
--------------------------------------------------------------------------------
All F-ratios are based on the residual mean square error.
Interpretacin
El efecto principal del factor concentracin
influye significativamente (p-valor =0.0000)
en el rendimiento. Ms adelante se
compararn las medias de los cuatro niveles
de este factor. Este factor no interacciona
con ningn otro.
Los efectos principales de catalizador y de
la temperatura son significativos, adems
es muy significativa la interaccin de los dos
factores (p-valor 0.0064). La comparacin
de medias de estos factores debe ser
conjunta.
Contraste multiples: Factor A
j i
j i
H
H

=
:
:
1
0
) 1 (
2
M IJK
R
j i
t
JKM
s
y y
t
/2
-t
/2
/2
t
IJK(M-1)
R.R.
R.R
R. Acept. H
0
1-
/2
) , (

2 2
JKM JKM
N
y y
y y
y y
j i j i
j i j i
j j
i i

+
=
)
`
=
=

Ho
JKM
s t y y
R j i
rechaza se
,
2
Si
2 /
>

Concentracin
Multiple Range Tests for rendimiento by Concentracion
--------------------------------------------------------------------------------
Method: 95.0 percent LSD
Concentracion Count LS Mean Homogeneous Groups
--------------------------------------------------------------------------------
1 18 69.8556 X
2 18 74.05 X
4 18 78.4667 X
3 18 80.05 X
--------------------------------------------------------------------------------
Contrast Difference +/- Limits
--------------------------------------------------------------------------------
1 - 2 *-4.19444 3.52487
1 - 3 *-10.1944 3.52487
1 - 4 *-8.61111 3.52487
2 - 3 *-6.0 3.52487
2 - 4 *-4.41667 3.52487
3 - 4 1.58333 3.52487
--------------------------------------------------------------------------------
* denotes a statistically significant difference.
(concentracin)
Means and 95,0 Percent LSD Intervals
Concentracion
R
e
n
d
i
m
i
e
n
t
o
1 2 3 4
68
71
74
77
80
83
Interaccin: Cat. x Temp.
T-1 T-2
C-1 71.95 71.25 71.6
C-2 72.96 80.89 76.9
C-3 74.15 82.43 78.3
73.02 78.19 75.6
Interaccin Cat x Temp
70.00
72.00
74.00
76.00
78.00
80.00
82.00
84.00
0 1 2 3 4
Catalizador
M
e
d
i
a
s
Temp - 1
Temp - 2
Seleccin de temperatura y
catalizador.
Las mejores combinaciones corresponden a la temperatura 2,
con el catalizador 2 o el 3.
Table of Least Squares Means for rendimiento
with 95.0 Percent Confidence Intervals
--------------------------------------------------------------------------------
Stnd. Lower Upper
Level Count Mean Error Limit Limit
--------------------------------------------------------------------------------
Catalizador by Temperatura
1 1 12 71.95 1.51824 68.8974 75.0026
1 2 12 71.25 1.51824 68.1974 74.3026
2 1 12 72.9583 1.51824 69.9057 76.011
2 2 12 80.8917 1.51824 77.839 83.9443
3 1 12 74.15 1.51824 71.0974 77.2026
3 2 12 82.4333 1.51824 79.3807 85.486
--------------------------------------------------------------------------------
Catalizador x Temperatura
Interactions and 95,0 Percent LSD Intervals
Catalizador
R
e
n
d
i
m
i
e
n
t
o
Temperatura
1
2
69
73
77
81
85
1 2 3
Diagnosis del modelo
Residual Plot for Rendimiento
r
e
s
i
d
u
a
l
predicted Rendimiento
-13
-8
-3
2
7
12
17
59 69 79 89 99
r
e
s
i
d
u
a
l
Concentracion
1 2 3 4
-13
-8
-3
2
7
12
17
r
e
s
i
d
u
a
l
Catalizador
1 2 3
-13
-8
-3
2
7
12
17
Normal Probability Plot
-13 -9 -5 -1 3 7 11
RESIDUALS
0,1
1
5
20
50
80
95
99
99,9
p
e
r
c
e
n
t
a
g
e
Anlisis de 3 factores con
menos observaciones
Cuando no existe interaccin de orden tres.
No es necesario replicar para analizar el experimento.
La variabilidad explicada por el trmino ABC se
convierte en Variabilidad Residual con (I-1)(J-1)(K-1)
grados de libertad.
Las expresiones anteriores siguen siendo vlidas,
sustituyendo M=1 (sin replicacin) y con (I-1)(J-1)(K-1)
como grados de libertad de la varianza residual.
Cuando no existe ninguna interaccin
Se puede reducir considerablemente el nmero de
observaciones si el nmero de niveles de los tres
factores es el mismo: CUADRADO LATINO
( )
( )
( )
( )
( )
( )
( ) 1 Total
) 1 )( 1 )( 1 (
) ...
... (
Residual
) 1 )( 1 (
) 1 )( 1 (
) 1 )( 1 (
1
. .
1 1 1
2
2
2
2
2
2 2
2
2
2 2
2
2
2 2
2
2
2 2
2
2
2 2
2
2
2 2

+ + +
+
+
+
+

= = =

IJK y y
s K J I
y y y y
y y y y
s
s
s K J y y y y I C B
s
s
s K I y y y y J C A
s
s
s J I y y y y K B A
s
s
s K y y IJ C
s
s
s J y y IK B
s
s
s I y y JK A
I
i
J
j
K
k
ijk
R
k j i
i j k
jk k i ij ijk
R
BC
BC
j k
k j jk
R
AC
AC
i k
k i k i
R
AB
AB
i j
j i ij
R
C
C
k
k
R
B
B
j
j
R
A
A
i
i
Tabla ANOVA tres factores
(sin replicacin)
Ejemplo: Obleas
Horno AS 1 2 3
1 122.2 103.2 115.8
2 138.4 144.3 159.8
1 131.0 133.4 121.8
2 147.4 138.0 147.5
1 120.5 102.8 120.0
2 140.6 126.6 141.9
1 100.0 105.8 114.7
2 117.0 134.4 131.7
4
Temperatura
1
2
3
Se ha realizado un experimento para analizar la influencia de la
temperatura y el acabado superficial (AS) en el espesor de
xido conseguido en obleas de silicio. El experimento se repiti
en cuatro hornos diferentes. ( Cada uno de los datos del cuadro
representa la media de los espesores medidos en el centro de
cada una de las 30 obleas que caben en un horno)
ANOVA: Obleas
Analysis of Variance for Espesor - Type III Sums of Squares
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
MAIN EFFECTS
A:AS 3183.21 1 3183.21 65.32 0.0002
B:Horno 1200.81 3 400.27 8.21 0.0152
C:Temperatura 262.802 2 131.401 2.70 0.1461
INTERACTIONS
AB 265.29 3 88.43 1.81 0.2448
AC 101.251 2 50.6254 1.04 0.4098
BC 541.407 6 90.2346 1.85 0.2362
RESIDUAL 292.393 6 48.7321
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
Comparaciones: Horno
Multiple Range Tests for Espesor by Horno
--------------------------------------------------------------------------------
Horno Count LS Mean Homogeneous Groups
--------------------------------------------------------------------------------
4 6 117.267 X
3 6 125.4 XX
1 6 130.617 XX
2 6 136.517 X
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
1 - 2 -5.9 9.86203
1 - 3 5.21667 9.86203
1 - 4 *13.35 9.86203
2 - 3 *11.1167 9.86203
2 - 4 *19.25 9.86203
3 - 4 8.13333 9.86203
--------------------------------------------------------------------------------
AS
E
s
p
e
s
o
r
1 2
110
120
130
140
150
Horno
E
s
p
e
s
o
r
1 2 3 4
110
120
130
140
150
El AS que produce mayor espesor es el 2
El horno que produce media mayor es el
2, aunque no es significativamente distinto
del 1.
Cuadrado latino
Permite analizar
tres factores con K
niveles cada uno,
utilizando slo K
2
observaciones.
Deben ser nulas
las interacciones
de orden 2 y orden
3.
1 2 3 4 5
1
C A D B E
2
D C B E A
3
E B A D C
4
B E C A D
5
A D E C B
Ejemplo: Aditivos gasolina
Una organizacin de consumidores estudi la eficacia de
cinco aditivos que segn los fabricantes reducan el
consumo de combustible. Se realiza un diseo
experimental con cinco conductores, cinco vehculos y
cinco aditivos, eligiendo las 25 combinaciones que se
muestran en la tabla, junto con una medida del consumo.
C A D B E
71 64 68 78 82
D C B E A
65 64 81 82 82
E B A D C
63 68 74 77 85
B E C A D
66 77 79 88 74
A D E C B
73 70 78 80 88
3 4
4
5
Vehculo
C
o
n
d
u
c
t
o
r
5
1
2
3
1 2
A
B
C
D
E
Aditivo
Modelo: Cuadrado Latino
) ( ) ( k ij k j i k ij
u y + + + + =
Normalidad
Independencia
Homocedasticidad
K
2
Observaciones
=
=
K
i
i
1
0
=
=
K
j
j
1
0
=
=
K
k
k
1
0
) (k ij
u
) 2 ( 55 ) 3 ( 45 ) 5 ( 35 ) 4 ( 25 ) 1 ( 15
) 4 ( 54 ) 1 ( 44 ) 3 ( 34 ) 5 ( 24 ) 2 ( 14
) 3 ( 53 ) 4 ( 43 ) 1 ( 33 ) 2 ( 23 ) 5 ( 13
) 1 ( 52 ) 5 ( 42 ) 2 ( 32 ) 3 ( 22 ) 4 ( 12
) 5 ( 51 ) 2 ( 41 ) 4 ( 31 ) 1 ( 21 ) 3 ( 11
5
4
3
2
1
5 4 3 2 1
y y y y y
y y y y y
y y y y y
y y y y y
y y y y y
Estimacin
) ( ) ( k ij k j i k ij
u y + + + + =
K
y
y
K
y
y
K
y
y
K
y
y
K
k
k ij
k
K
i
k ij
j
K
j
k ij
i
K
i
K
j
k ij

=

=

=

= =

= = = =
1
) (
) (
1
) (
) (
1
) (
) (
2
1 1
) (
) (
;
) 2 )( 1 (

2
1
2
) (
2 2
) ( ) ( ) ( ) ( ) ( ) (
) ( ) (
) ( ) (
) ( ) (
) (

= =
+ =
=
=
=
=

K K
e
s
y y y y y e
K y y
K y y
K y y
y
k ij
R
k j i k ij k ij
k k
j j
i i
Descomposicin de la
variabilidad
( )
( ) ( ) ( ) ( )

+ + +
=

= =

i j
k ij
k
k
j
j
i
i
K
i
K
j
k ij
e y y K y y K y y K
y y
2
) (
2
) ( ) (
2
) ( ) (
2
) ( ) (
1 1
2
) ( ) (
) ( ) ( k ij k j i k ij
u y + + + + =
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
) ( ) ( ) (
k ij k j i k ij
e y y y y y y y y + + + + =

) 2 )( 1 ( ) 1 ( ) 1 ( ) 1 ( ) 1 (
2
+ + + = K K K K K K
Libertad de Grados
( )
( )
( )
( ) 1
) 2 )( 1 (

1
. .
2
1 1 1 1
2
2 2
) (
2
2
2 2
) ( ) (
2
2
2 2
) ( ) (
2
2
2 2
) ( ) (

= = = =

K y y
s K K e
s
s
s K y y K C
s
s
s K y y K B
s
s
s K y y K A
I
i
J
j
K
k
M
m
ijkm
R
i j
k ij
R
C
C
k
k
R
B
B
j
j
R
A
A
i
i
Total
Residual
Tabla ANOVA
Tabla anlisis de la varianza
Analysis of Variance for Consumo - Type III Sums of Squares
-------------------------------------------------------------------------------
Source Sum of Squares Df Mean Square F-Ratio P-Valu
-------------------------------------------------------------------------------
MAIN EFFECTS
A:Conductor 103.032 4 25.758 1.19 0.362
B:Vehiculo 926.689 4 231.672 10.74 0.000
C:Aditivo 121.41 4 30.3525 1.41 0.289
RESIDUAL 258.75 12 21.5625
-------------------------------------------------------------------------------
-------------------------------------------------------------------------------
Comparacin: vehculos
Vehiculo
C
o
n
s
u
m
o
1 2 3 4 5
64
68
72
76
80
84
88
Comparacin de vehculos
Multiple Range Tests for Consumo by Vehiculo
--------------------------------------------------------------------------------
Vehiculo Count LS Mean Homogeneous Groups
--------------------------------------------------------------------------------
1 5 67.6 X
2 5 68.6 X
3 5 76.0 X
4 5 81.35 X
5 5 82.2 X
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
1 - 2 -1.0 6.39883
1 - 3 *-8.4 6.39883
1 - 4 *-13.75 6.39883
1 - 5 *-14.6 6.39883
2 - 3 *-7.4 6.39883
2 - 4 *-12.75 6.39883
2 - 5 *-13.6 6.39883
3 - 4 -5.35 6.39883
3 - 5 -6.2 6.39883
4 - 5 -0.85 6.39883
--------------------------------------------------------------------------------
Captulo 5. Diseo de experimentos
5.1 Un laboratorio de Anlisis Clnicos ha adquirido un nuevo equipo (B) para medir el colesterol en la
sangre de los enfermos. Para evaluar si el nuevo equipo est ajustado se decide analizar muestras
de 5 enfermos que previamente han sido analizadas con otro equipo (A), dando como resultado
Enfermo 1 2 3 4 5 Media
Equipo A 215 305 247 221 286 254.8
Equipo B 224 312 251 232 295 262.8
Contrastar con = 0.05 existen diferencias entre los dos equipos.
5.2 El anlisis de la varianza de un diseo en bloques aleatorizados proporciona los siguientes resultados:
V T = 232, V E(factor) = 156, V E(bloque) = 15 y V NE = 61. El nmero de niveles del factor es
5 y el nmero de bloques 8. Construir la tabla ADEVA. Cul sera el resultado del anlisis si no
se tiene en cuenta el efecto de los bloques ? Indicar en qu circunstancias es preferible cada uno de
los modelos.
5.3 Para determinar el consumo de energa elctrica para usos domsticos se ha medido el consumo
medio por persona en las distintas estaciones del ao en siete comunidades autnomas para 1989,
habindose obtenido los siguientes resultados:
COMUNIDAD INVIERNO PRIMAVERA VERANO OTOO MEDIAS
1 13.1 11.4 10.6 11.5 11.65
2 13.4 12.1 11.1 12.0 12.15
3 13.8 12.1 11.4 12.9 12.55
4 14.0 12.8 11.7 12.6 12.77
5 14.4 12.6 12.5 13.4 13.22
6 14.8 13.4 13.0 14.0 13.80
7 15.6 14.2 14.1 14.4 14.57
MEDIAS 14.16 12.66 12.06 12.97 12.96
(a) Analizar si el factor estacin del ao es inuyente, sabiendo que s
2
y
= 1.53.(No considerar
el factor Comunidad).
(b) Razonar estadsticamente cul es la estacin de mayor consumo y la de menor, utilizando
el anlisis anterior. Calcular los intervalos de conanza para el consumo medio de cada
estacin del ao.
(c) Sabiendo que la variabilidad explicada por el factor comunidad es 23.62, construir una
nueva tabla de la varianza, con dos factores, y decidir qu factor es signicativo.
(d) Utilizar los resultados del apartado anterior para realizar un contraste de igualdad de
medias del efecto estacin y comparar los resultados con los del apartado 2, justicando
las diferencias encontradas.
( NOTA: Utilizar = 0.05 en todos los contrastes )
5.4 Una instalacin tpica de almacenamiento de combustible en una Estacin de Servicio (gasolinera)
est formada por un tanque enterrado de gran capacidad, al que se encuentran conectados distintos
1
surtidores. La cantidad total de gasolina suministrada en un da se puede determinar midiendo
directamente la variacin que se ha producido en el tanque de almacenamiento (Y
1j
) o por la suma
de los suministros de los distintos surtidores (Y
2j
). La comparacin de ambas medidas permite
determinar prdidas en la instalacin enterrada y otras anomalas. En el proceso de comparacin
es necesario tener en cuenta que las medidas estn afectadas por errores aleatorios. Durante 20 das
se han tomado los valores anteriores en un gasolinera:
Da 1 2 3 4 5 6 7 8 9 10
Y
1j
4116,2 5627,0 2820,4 2521,8 2973,5 2834,9 2335,7 2590,8 2182,7 2621,4
Y
2j
4143,6 5632,0 2868,1 2477,7 2955,4 2851,9 2312,7 2630,6 2208,9 2635,9
Da 11 12 13 14 15 16 17 18 19 20
Y
1j
4323,6 1880,7 2131,4 3349,6 2545,0 2247,3 1817,5 1461,3 1646,5 1955,4
Y
2j
4305,4 1877,9 2159,2 3366,7 2566,1 2281,4 1854,6 1461,5 1607,3 1956,4
(a) Llamando D
j
= Y
1j
Y
2j
a la diferencia en las medidas de un mismo da, contrastar con
= 0.05
H
0
:
D
= 0
H
1
:
D
6= 0
donde D
j
tiene distribucin N(
D
,
D
). Calcular el nivel crtico del contraste aproximando
la distribucin t de Student por la normal.
(b) Los datos anteriores pueden ser analizados mediante un modelo de bloques aleatorizados
tomando el tipo de medida (tanque, surtidores) como un factor y los das como bloques.
Demostrar con caracter general que en el modelo de bloques aleatorizados si el factor tiene
dos niveles la varianza residual cumple:
b s
2
R
=
1
2
b s
2
D
donde b s
2
D
es la estimacin de
2
D
del apartado 1.
(c) Teniendo en cuenta lo anterior, demostrar que el contraste correspondiente al factor en el
modelo de bloques aleatorizados es equivalente al contraste del apartado 1.
5.5 Un investigador quiere estudiar el efecto de sexo (hombre, mujer) y tipo de formacin (ciencias,
letras) en el dominio del ingls escrito en profesores universitarios. Para ello analiza el nmero de
incorrecciones gramaticales en artculos cientcos enviados a publicacin. Para cada combinacin
de niveles de los factores se han elegido al azar tres profesores. En la tabla se proporciona el nmero
de fallos detectados en artculos de 15 pginas
Letras Ciencias
Hombre 8, 6, 13 22, 28, 33
Mujer 5, 10, 6 12, 14, 9
Contrastar con nivel de signicacin 0.05 si los efectos principales y la interaccin son signicativos.
Tener en cuenta que P(F
1,8
5.32) = 0.95, siendo F
1,8
la distribucin F con grados de libertad
1 y 8. Interpretar los resultados.
2
5.6 Un alumno, como trabajo de la asignatura de estadstica, ha comparado tres marcas distintas (A,B,C)
de palomitas de maz precocinadas. Cada marca puede prepararse friendolas en una sartn (mtodo
1) o en el horno microondas (mtodo 2). El alumno ha realizado un diseo factorial completo 32
con cinco replicaciones en cada uno de los seis tratamientos. La variable respuesta medida es el
porcentaje de granos de maz que no se han inado adecuadamente. Los resultados del experimento
se muestran en la tabla, en cada tratamiento se proporciona la media y entre parntesis la desviacin
tpica corregida para las cinco replicaciones. Contrastar si la interaccin entre los dos factores es
signicativa.
A B C
Sartn
5.5
(1,4)
3.6
(1,8)
7.5
(2,5)
Horno
3.8
(1,3)
3.4
(0,9)
4.3
(1,3)
5.7 Una caracterstica de la calidad de la gasolina es su ndice de octanos. Una renera de petrleo
tiene cinco frmulas que pueden emplearse para la obtencin de gasolina con plomo o sin plomo.
(a) Para determinar que frmula proporciona mayor ndice de octanos, con cada una de ellas
se ha repetido 10 veces en el laboratorio el proceso de fabricacin de gasolina con plomo.
Si el coeciente de determinacin del anlisis de la varianza de los resultados es igual a
0.20, contrastar con = 0.05 si existen diferencias entre las cinco frmulas para este tipo
de gasolina.
(b) Los valores medios ( y
i
) para cada frmula son:
Frmula 1 2 3 4 5
Media 89.2 90.1 90.7 90.5 89.5
Contrastar con = 0.05 que frmulas proporcionan ndices de octanos signicativamente
distintos y cuales no.
(c) Debido a los problemas medio-ambientales gran parte de la produccin futura debe estar
libre de plomo. Para determinar que frmula de las anteriores produce mejores resultados
en cuanto al ndice de octanos , se realizo un diseo experimental similar al anterior (cinco
frmulas, 10 observaciones en cada frmula) para la obtencin de gasolina sin plomo. El
coeciente de determinacin en este caso es igual a 0.25 y el ndice medio para cada fr-
mula es,
Frmula 1 2 3 4 5
Media 88.0 89.5 88.5 90.2 89.8
Contrastar ( = 0.05) si existe interaccin entre los factores tipo de gasolina (con y sin
plomo) y frmula.
5.8 Se ha realizado un experimento con dos factores cada uno de ellos con 3 niveles. El 20% de la
variabilidad total est explicada por la interaccin de los dos factores y el 40% de la variabilidad
total es debida a la variabilidad residual. Determinar el nmero de replicaciones necesarias en cada
tratamiento para que la interaccin sea signicativa con = 0.01. (Explicar el procedimiento de
clculo, dejando el resultado indicado en funcin de las tablas).
3
5.9 Se ha estudiado el efecto de tres hornos diferentes y dos temperaturas (290
o
C y 320
o
C) en la
duracin de cierto componente. Para cada combinacin de horno y temperatura se ha replicado
el experimento 3 veces. En la tabla siguiente se proporcionan las medias y desviaciones tpicas
(corregidas) de los datos de cada tratamiento.
Temperatura
o
C
290
o
C 320
o
C
Media Desv. T. Media Desv. T.
Horno 1 24.56 0.850 18.00 0.265
Horno 2 19.10 1.539 14.40 0.265
Horno 3 18.70 0.458 17.43 0.862
Contrasta si existe interaccin entre los factores horno y temperatura ( = 0.05).
5.10 Se desea determinar si cuatro laboratorios dan en promedio los mismos resultados en un anlisis
qumico. Cada laboratorio ha repetido el anlisis cinco veces y los resultados son:
Laboratorios
1 2 3 4
58.7 62.7 55.9 60.7
61.4 64.5 56.1 60.3
60.9 63.1 57.3 60.9
59.1 59.2 55.2 61.4
58.2 60.3 58.1 62.3
La tabla de anlisis de la varianza y la comparacin de las medias de los cuatros laboratorios se
muestran a continuacin:
Analisis de la Varianza
-----------------------------------------------------------------------------
Fuente Suma de Cuadrados Gl Cuadr. Medios F-Ratio P-Valor
-----------------------------------------------------------------------------
Laboratorios 85,9255 3 28,6418 13,33 0,0001
Residual 34,38 16 2,14875
-----------------------------------------------------------------------------
Total (Corr.) 120,305 19
4
--------------------------------------------------------------------------------
Method: 99,0 percent LSD
Laboratorio Count Mean Homogeneous Groups
--------------------------------------------------------------------------------
3 5 56,52 X
1 5 59,66 X
4 5 61,12 X
2 5 61,96 X
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
1 - 2 -2,3 2,70784
1 - 3 *3,14 2,70784
1 - 4 -1,46 2,70784
2 - 3 *5,44 2,70784
2 - 4 0,84 2,70784
3 - 4 *-4,6 2,70784
--------------------------------------------------------------------------------
Comparacin de las medias de los cuatro laboratorios.
(a) Explica que conclusiones se pueden extraer de estos resultados: Existen diferencias entre
los laboratorios? Qu laboratorios presentan diferencias signicativas? Da un intervalo
de conanza al 99% para la media del laboratorio 3.
(b) Segn el modelo, la medida y
ij
del laboratorio i en la muestra j tiene distribucin normal
de media
i
y varianza
2
. Los cuatro laboratorios arman que el error en sus medidas
se corresponde con
2
= 1. Aceptando la hiptesis de homocedasticidad contrastar H
0
:
2
= 1 frente a H
1
:
2
> 1.
(c) Para conrmar los resultados se vuelve a repetir el mismo proceso y otro da se vuelve
a analizar por los cuatro laboratorios el producto qumico proporcionando otras cinco
medidas. Abajo se incluye la tabla de anlisis de la varianza del estudio conjunto de las
40 observaciones con un modelo de dos factores: Laboratorio (4 niveles) y Da (2 niveles),
con 5 replicaciones en cada combinacin de da y laboratorio.
-----------------------------------------------------------------------------
Suma de Grados Cuadrados
Fuente Cuadrados Libertad Medios F P-Val
-----------------------------------------------------------------------------
A:Laboratorio 186,81 3 62,27 30,21 0,0
B:Da 0,07396 1 0,07396 0,04 0,8
AB 0,40334 3 0,134447 0,07 0,9
RESIDUAL 65,9686 32 2,06152
-----------------------------------------------------------------------------
TOTAL (CORREGIDA) 253,256 39
5
-----------------------------------------------------------------
Method: 99,0 percent LSD
Laboratorio Count LS Mean Homogeneous Groups
-----------------------------------------------------------------
3 10 56,391 X
1 10 59,766 X
4 10 61,238 XX
2 10 62,037 X
-----------------------------------------------------------------
Contrast Difference +/-
-----------------------------------------------------------------
1 - 2 *-2,271 1,7
1 - 3 *3,375 1,7
1 - 4 -1,472 1,7
2 - 3 *5,646 1,7
2 - 4 0,799 1,7
3 - 4 *-4,847 1,7
-----------------------------------------------------------------
Interpreta los resultados del anlisis conjunto y compralos con los obtenidos en el primer
anlisis.
(d) Contrasta si ha habido un cambio signicativo en la varianza
2
de un da y otro. (Ayuda.
Comprueba que la varianza residual del modelo factorial es el promedio de las varianzas
residuales de cada da).
5.11 Se ha realizado un experimento para estudiar el efecto de la temperatura (T) y tiempo
de exposicin (E) sobre la cantidad absorbida de un compuesto qumico por un material
sumergido en l. En el estudio se han empleado tres temperaturas (T1, T2, T3) y tres tiempos
de exposicin (E1, E2, E3): cada tratamiento se ha replicado tres veces. La cantidad absorbida
(mg) del compuesto qumico en cada uno de los 27 experimentos se muestra en la tabla 1 y
las medias en la tabla 2:
Tabla 1: Cantidad Absorbida (mg)
Tiempo de Temperatura
Exposicin T1 T2 T3
35.5 91.2 70.1
E1 29.7 100.7 64.1
31.5 82.4 70.1
52.5 71.0 79.4
E2 53.3 77.0 77.7
55.0 75.6 75.1
85.9 87.0 83.0
E3 85.2 86.1 87.0
80.2 88.1 78.5
Tabla 2: Medias de Cantidad Absorbida (mg)
Tiempo de Temperatura
Exposicin T1 T2 T3 Medias
E1 32.23 91.43 68.10 63.92
E2 53.60 74.53 77.40 68.51
E3 83.76 87.06 82.83 84.56
Medias 56.53 84.34 76.11 72.33
6
La tabla 3 corresponde al anlisis de la varianza del experimento y las guras muestran los grcos
de los intervalos de conanza para las medias de las tres temperaturas, los tres tiempos de
exposicin y los nueve tratamientos por separado.
Tabla 3: Tabla de anlisis de la varianza
Fuente Suma de Grados de
Variabilidad Cuadrados Libertad Varianzas F p-valor
Temperatura 3673.61 2 1836.80 110.58 0.0000
T. Exposicin 2112.65 2 1056.32 63.59 0.0000
Interaccin 2704.44 4 676.11 40.70 0.0000
Residual 299.00 18 16.61
Total 8789.7 26
Tiempo
A
b
s
o
r
c
i
o
n
1 2 3
61
66
71
76
81
86
91
Temperatura
A
b
s
o
r
c
i
o
n
1 2 3
54
64
74
84
94
Int. de conf. para las medias de los 9 tratamientos (95%)
A
b
s
o
r
c
i
o
n
T1 T2 T3 T1 T2 T3 T1 T2 T3
25
45
65
85
105
E1 E2 E3
7
(a) Interpreta los resultados del anlisis de la varianza.
(b) Demuestra que si se hubiera utilizado el modelo de un nico factor para comparar los
nueve tratamientos, la variabilidad explicada de este modelo (VE) se puede poner como
suma de las variabilidades explicadas del modelo factorial de la tabla 3:
V E
0
= V E(Temperatura) +V E(Tiempo) +V E(Interaccion)
Obtn la tabla del anlisis de la varianza del nuevo modelo.
(c) Realiza las comparaciones dos a dos de los nueve tratamientos y elige aqul o aquellos que
proporcionan una absorcin mayor (95%).
(d) Comprueba grcamente la hiptesis de homocedasticidad e interpreta los resultados.
5.12 Se ha realizado un diseo experimental para determinar la inuencia de dos factores combinacin
de hidrocarburos y cantidad de hidrgeno en el rendimiento de un proceso qumico complejo. Se
estudiaron cuatro combinaciones de hidrocarburos (A,B, C y D) y tres niveles en el contenido de
hidrgeno (1,2 y 3). En cada tratamiento se realizaron cuatro rplicas. En la tabla 1 se presentan
los resultados: mejora en tanto por mil respecto a procedimiento estndar. Los nmeros entre
parntesis de la tabla se corresponden con las medias de cada tratamiento, de los cuatro niveles del
factor hidrocarburos y de los tres niveles de hidrgeno. En la tabla 2 se muestra la tabla de anlisis
de la varianza del experimento.
Tabla 1. Datos y medias entre parntesis
A B C D Medias Etapa
10.3 10.5 7.2 13.0 1
11.1 8.2 5.3 12.9 1
1 15.3 9.7 12.5 5.3 2
2.1 8.9 19.1 12.0 2
Medias (9.7) (9.325) (11.025) (10.8) (10.213)
25.8 20.6 29.7 17.6 1
25.7 17.1 26.3 12.0 1
2 28.9 21.4 22.4 24.6 2
27.8 17.3 25.9 23.1 2
Medias (27.05) (19.1) (26.075) (19.325) (22.888)
28.5 21.0 30.4 20.5 1
31.2 26.8 26.6 26.2 1
3 24.8 19.4 34.4 27.8 2
26.5 22.2 27.5 21.9 2
Medias (27.75) (22.35) (29.975) (24.1) (25.981)
Medias (21.5) (16.925) (22.275) (18.075)
8
Tabla 2. ANOVA -
Suma Grados
Fuentes Cuadrados Libertad Var. F p-valor
Hidrocarburos 242.5 3 80.85 5.55 .0031
Hidrgeno 2234 2 1117 76.7 .0000
Interaccin 119.3 6 19.88 1.36 .2546
Residual 523.7 36 14.55
Total 3120 47
(a) Comparar las medias de los cuatro niveles del factor Hidrocarburo y las de los tres niveles del factor
Hidrgeno. Indica si existen diferencias signicativas con nivel de signicacin 0.05.
(b) Elige el tratamiento que proporciona el rendimiento ptimo, justicando la respuesta. Da un inter-
valo de conanza para el valor medio en dichas condiciones con nivel de conanza del 95%.
(c) El experimento se realiz en dos etapas, en una primera etapa se recogieron las 24 observaciones
que se indican en la tabla 1 como etapa 1 y las otras 24 como etapa 2. Los resultados del anlisis
de la varianza correspondientes a cada etapa se muestran en las tablas 3 y 4.
Tabla 3. ANOVA - Etapa 1
Suma Grados
Fuentes Cuadrados Libert. Var. F p-valor
Hidrocarburos 115.9 3 38.63 6.07 .0093
Hidrgeno 1175.0 2 587.7 92.4 .0000
Interaccin 218.4 6 36.39 5.72 .0051
Residual 76.3 12 6.358
Total 1586.0 23
Tabla 4. ANOVA - Etapa 2
Suma Grados
Fuentes Cuadrados Libert. Var. F p-valor
Hidrocarburos 162.9 3 54.31 3.35 .0555
Hidrgeno 1076 2 537.9 33.19 .0000
Interaccin 94.94 6 15.82 0.976 .9762
Residual 194.5 12 16.21
Total 1528 23
Se puede concluir que en las dos etapas la varianza del error experimental es la misma? (Realiza
el contraste con = 0.05)
(d) Denominando y
0
a las medias (globales) de los modelos factoriales para cada una de las dos
etapas, contrasta que son iguales ( H
0
: =
0
) con = 0.01.
5.13 Sea un diseo factorial con 4 factores a 3, 4, 2 y 5 niveles. Calcular el nmero de parmetros totales
correspondientes a efectos principales e interacciones de orden 2, 3 y 4.
9
5.14 Un centro ha realizado un experimento para mejorar la resistencia a la tensin de ciertos muelles de
acero. En una etapa del proceso el muelle caliente se sumerge en aceite templado. Se han estudiado
tres factores, A (temperatura del acero antes de la inmersin, con tres niveles), B (temperatura del
bao de aceite, dos niveles) y C (concentracin de carbono en el acero, dos niveles). El experimento
se ha replicado tres veces. En la tabla se muestra la media y la varianza (corregida) para los tres
datos de cada tratamiento.
A B C y
i
s
2
i
1 1 1 40.2 0.25
1 1 2 61.1 2.68
1 2 1 35.9 2.43
1 2 2 57.1 4.44
2 1 1 49.0 3.49
2 1 2 70.3 7.77
2 2 1 46.7 5.08
2 2 2 67.6 1.03
3 1 1 41.9 4.27
3 1 2 62.7 11.41
3 2 1 37.1 1.33
3 2 2 60.3 6.13
(a) Dar un intervalo del 95 % de conanza para la varianza del error experimental,
2
.
(b) Indicar si los efectos principales de A, B y C son signicativamente distintos de cero.
(c) Dado
2
, construir un intervalo que cumpla que la probabilidad de que s
2
i
(la varianza
muestral corregida de un tratamiento) est contenido en l sea igual a 0.95. Sustituir
2
por su estimador y con ayuda de este intervalo, discutir si se puede rechazar la hiptesis
de homocedasticidad de las observaciones.
5.15 Se desea estudiar la seal recibida por un equipo de ultrasonidos en funcin de la profundidad a
la que se encuentra el objeto enterrado. En un experimento se han enterrando objetos a 0.5, 1.0,
1.5 y 2.0 metros. En cada distancia se han realizado 10 replicaciones. La tabla muestra la media y
varianza de cada nivel.
Nivel Profundidad Num. Media Varianza
1 0.5 10 78.21 28.19
2 1.0 10 50.29 11.11
3 1.5 10 33.49 8.86
4 2.0 10 23.574 12.55
Denominando
1
,
2
,
3
y
4
a las medias de los niveles, realiza el siguiente contraste:
H
0
:
1
2
=
3
4
,
H
1
:
1
2
>
3
4
,
suponiendo que las observaciones tienen distribucin normal, con la misma varianza y que son
independientes (Utiliza = 0.05). (Ayuda. Llamando = (
1

2
) (
3

4
), el contraste
se puede escribir como H
0
: = 0; H
1
: > 0. Estima
1
,
2
,
3
y
4
con la media muestral
respectiva).
10
5.16 Un estudio bioqumico ha valorado la cantidad de tres cidos (a, b, c) en muestras extradas a
cuatro terneras (1, 2 ,3 y 4) de la misma raza. El anlisis es bastante complejo y la determinacin
incluye un error de medida. Se puede aceptar la hiptesis de que los tres cidos se encuentran
en la misma proporcin en cada animal? Realiza el contraste con nivel de signicacin 0.05. (La
variabilidad total es 41.90).
1.
a b c Medias
1 11.0 11.4 12.7 11.7
2 9.8 10.8 13.7 11.43
3 7.5 10.6 11.5 9.87
4 7.9 7.6 10.1 8.53
Medias 9.05 10.1 12.0 10.38
11
6. Regresin lineal
Curso 2004-05
Estadstica
2 Regresin Lineal
Regresin simple
consumo y peso de automviles
Nm. Obs. Peso Consumo
(i) kg litros/100 km
1 981 11
2 878 12
3 708 8
4 1138 11
5 1064 13
6 655 6
7 1273 14
8 1485 17
9 1366 18
10 1351 18
11 1635 20
12 900 10
13 888 7
14 766 9
15 981 13
16 729 7
17 1034 12
18 1384 17
19 776 12
20 835 10
21 650 9
22 956 12
23 688 8
24 716 7
25 608 7
26 802 11
27 1578 18
28 688 7
29 1461 17
30 1556 15
0
5
10
15
20
25
500 700 900 1100 1300 1500 1700
Peso (Kg)
C
o
n
s
u
m
o

(
l
i
t
r
o
s
/
1
0
0

K
m
)
3 Regresin Lineal
i
x
i
y
x
1 0
+
Modelo
os desconocid parmetros : , ,
2
1 0

) , 0 ( ,
2
1 0
N u u x y
i i i i
+ + =
4 Regresin Lineal
Hiptesis del modelo
Linealidad
y
i
=
0
+
1
x
i
+ u
i
Normalidad
y
i
|x
i
N (
0
+
1
x
i
,
2
)
Homocedasticidad
Var [y
i
|x
i
] =
2
Independencia
Cov [y
i
, y
k
] = 0
2
1
0
Parmetros
5 Regresin Lineal
Modelo
) , 0 ( ,
2
1 0
N u u x y
i i i i
+ + =
y
i
: Variable dependiente
x
i
: Variable independiente
u
i
: Parte aleatoria
0
6 Regresin Lineal
Estimacin
x y
x
y x
n
x x
n
x x y y
n x x n y x
x y
x x y x x x y
d
dM
x n y x y
d
dM
x y M
i
i i
n
i
i
n
i
i i
i
n
i
i i
i i i i
n
i
i i i
i i
n
i
i i
n
i
i i
1 0 1
1
2
1
1
2
1 0
1
1 0
2
1 0
1
1 0
0
1 0
1
1 0
0
1
2
1 0 1 0

;
) var(
) , cov(
) (
) )( (

0 )

(

0 )

(
) ( ) , (

= =
+ =
+ =
+ = = =
+ = = =
=

= =
=
=
=
=
7 Regresin Lineal
Estimacin: mxima verosimilitud
( )
x y
x
y x
n
x x
n
x x y y
n x x n y x
x y
x x y x x x y
d
dL
x n y x y
d
dL
x y
n n
l L
x y l
i
i i
n
i
i
n
i
i i
i
n
i
i i
i i i i
n
i
i i i
i i
n
i
i i
n
i
i i
n
i
i i
n n
1 0 1
1
2
1
1
2
1 0
1
1 0
2
1 0
1
1 0
2
0
1 0
1
1 0
2
0
1
2
1 0
2
2
2
1 0
2
1 0
1
2
1 0
2 2 /
2
1 0

;
) var(
) , cov(
) (
) )( (

0 )

(
1

0 )

(
1
) (
2
1
log
2
) 2 log(
2
) , , ( log ) , , (
) (
2
1
2
1
) , , ( exp

= =
+ =
+ =
+ = = =
+ = = =
=
=
(
= =
=
=
=
=
=
8 Regresin Lineal
Estimacin
2
: mxima verosimilitud
n
x y
x y
n
d
dL
x y
n n
L
n
i
i i
n
i
i i
n
i
i i
=
=
=

=
= + =
=
1
2
1 0
2
1
2
1 0
4 2 2
1
2
1 0
2
2 2
1 0
)

(
0 )

(
2
1
1
2
) (
2
1
log
2
) 2 log(
2
) , , (

0
0

1
2
2
1
1
1 0
=
=
=
=
=
=
n
e
s
x e
e
x y e
n
i
i
R
n
i
i i
n
i
i
i i i

9 Regresin Lineal
Estimacin
=
=

= =
=
n
i i
n
i i i
i
i i
x x
y y x x
x
y x
x y
1
2
1
1
1 0
) (
) )( (
) var(
) , cov(
=

n
i
i i
x y
1
2
1 0
) ( Mn
Mnimos cuadrados
( )
)
`

=
n
i
i i
n
n
x y Max
1
2
1 0
2 2 /
) (
2
1
2
1
exp

Mxima verosimilitud
10 Regresin Lineal
x y
1 0

+ =
Recta de regresin
x
y
x y
1 0

=
Pendiente
1
11 Regresin Lineal
{ {
Residuo
Previsto Valor

observado Valor
1 0 i i i
e x y + + =
43 42 1

i
x
i
y
i i
x y
1 0

+ =
i
e
Residuos
12 Regresin Lineal
Ejemplo: estimacin
Nm. Obs. Peso Consumo Prediccin Residuos
(i) kg litros/100 km
1 981 11 11,44 -0,44
2 878 12 10,23 1,77
3 708 8 8,23 -0,23
4 1138 11 13,28 -2,28
5 1064 13 12,41 0,59
6 655 6 7,61 -1,61
7 1273 14 14,86 -0,86
8 1485 17 17,35 -0,35
9 1366 18 15,95 2,05
10 1351 18 15,78 2,22
11 1635 20 19,11 0,89
12 900 10 10,49 -0,49
13 888 7 10,35 -3,35
14 766 9 8,91 0,09
15 981 13 11,44 1,56
16 729 7 8,48 -1,48
17 1034 12 12,06 -0,06
18 1384 17 16,16 0,84
19 776 12 9,03 2,97
20 835 10 9,72 0,28
21 650 9 7,55 1,45
22 956 12 11,14 0,86
23 688 8 8,00 0,00
24 716 7 8,33 -1,33
25 608 7 7,06 -0,06
26 802 11 9,34 1,66
27 1578 18 18,44 -0,44
28 688 7 8,00 -1,00
29 1461 17 17,07 -0,07
30 1556 15 18,18 -3,18
0
5
10
15
20
25
500 700 900 1100 1300 1500 1700
Peso (Kg)
C
o
n
s
u
m
o

(
l
i
t
r
o
s
/
1
0
0

K
m
)
; 0117 . 0 071 . 0
i i
x y + =
38 . 2
2
=
R
s
13 Regresin Lineal
Propiedades de
1
( )( )
( ) ( )
n n
n
i
i
x
i
n
i
i
x
n
i
i i
x
n
i
i i
x x
i i
y w y w y w y
ns
x x
y x x
ns
y x x
ns
y y x x
ns s
y x
+ + + =
|
|
.
|
\
|
=
=
= =
=
= =
=
L
2 2 1 1
1
2
1
2
1
2
1
2 2
1
1 1
1 ) , cov(
0
( )
( ) ( ) ( ) ( )
( )
2 1
2
2
2 1
2
1
2
2 1 2 1 2 1 2 1
1 2 1
1 1
1
1 1 1 1
0
1
x
n
i i
x
n
i i
n
i i
x
n
i i
x
n
i i i
x
n
i i i
x
i
n
i i
n
i i
x
n
i i
ns
x x
ns
w
x x
ns
x x x
ns
x x x
ns
x x x
ns
x w
x x
ns
w
=
|
|
.
|
\
|
=
= = = =
= =

= =
= = = = =
= =
2
x
i
i
s n
x x
w

=
14 Regresin Lineal
son v.a. independientes
1
, y
( )
0 ) var( )
, cov(
1 1 1 1 1 1
1
2
1
2
1
2 1 2 2 1 1 1
2
1
2 1
= = =
=
|
|
|
|
|
.
|
\
|
= + + + =
=
|
|
|
|
|
.
|
\
|
|
.
|
\
|
= + + + =
=
n
i
i
T
T
n
n n n
T
n
n
w
n
y
y
y
y
w w w y w y w y w
y
y
y
n n n
y
n
y
n
y
n
y
w Y a
Y w
Y a
M
L L
M
L L
15 Regresin Lineal
Distribucin de
1
2
2
2
1
2
2 2
2
2
2 1
2
1
2 2 1 1 1
1 1 0
1 0 2 2 1 1
2 2 1 1 1
2 2 1 1 1
2
1 0
) (
) ] [ ( ] [ ] [ ] [
] [ ]
[
) ( ) (
) ] [ ( ] [ ] [ ] [
] [ ]
[
normales de lineal Comb.
) , (
x
n
i
i
i n n
n n
i i i
i i n n
n n
n n
i i
ns
w
y Var y w y Var w y Var w
y w y w y w Var Var
x w w
x y E y E w y E w y E w
y w y w y w E E
y w y w y w
x N y

= =
= + + + =
+ + + =
= + =
+ = + + + =
+ + + =
+ + + =
+

=
L
L
L
L
L
|
|
.
|
\
|
2
2
1 1
,
x
ns
N

16 Regresin Lineal
Modelo en diferencias a la
media
) (
) (
) (

1
1
1
1 0
1 0
x x y y
e x x y y
e x x y y
x y
e x y
i i
i i i
i i i
i i i
+ =
+ + =
+ =
)
`
+ =
+ + =

17 Regresin Lineal
Distribucin de
0
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
+ =
= =
=

+
2
2 2
0 0
2
2 2
0
0 1 0
1 0
1
2
2
1 1
2
1 0
1 ,
1 ]
var[
]
[ ] [ ]
[

ntes independie son
,
) , (
) , (
x
x
x
s
x
n
s
x
n
E x y E E
Normal x y
y
ns
N
n
x N y
N

18 Regresin Lineal
Distribucin de
R
2
2
2
2
2
2
1
2
) 2 (
n
R
n
i
i
s n
e
=
=

+ + = + + =
= =
0
0
) , 0 (

2
2
2
1
2
2
2
1
2
2
1 0 1 0
i i
i
n
n
i
i
n
n
i
i
i
i i i i i i
x e
e e u
N u
e x y u x y

19 Regresin Lineal
Contraste principal de regresin:
depende y de x?
0 :
0 :
1 1
1 0
H
H
i
x
i
y
i
x
i
y
i i i
u x y + + =
1 0

i i
u y + =
0
H
0
es falso
x e y estn relacionados
H
0
es cierto
x e y no estn relacionados
20 Regresin Lineal
i i
x y
1 0

+ =
0 :
0 :
1 1
1 0
H
H
Ho rechaza Se ;
) 1 , 0 (
) , (
2 / ; 2 1
1
1
2
1 1 1 1
2
2
1 1
> =

n
x
R
n
x
R
x
x
t t
s n
s
t
t
s n
s
N
s n
ns
N
Contraste sobre la pendiente
1
21 Regresin Lineal
i i
x y
1 0

+ =
0 :
0 :
0 1
0 0
H
H
Ho rechaza Se
;
1

)) 1 ( , (
2 / ; 2 0
2
2
0
0
2
2 2
0 0
>
+
=
+

n
x
R
x
t t
s
x
n
s
t
s
x
n
N
Contraste: ordenada en el origen
22 Regresin Lineal
Descomposicin de la
variabilidad en regresin
{
VNE VE VT
i
y
i
y y
i
y y y
i
y
i
y y
i
y y y
y
i
y
i
y
i
y y
i
y
i
y
e
i
y
x y
u x y
n
i
n
i
n
i
i
i
i
i i i
i i i
+ =
+ =
+ =
+ =

+ + =
+ + =

= = = 1
2
1
2
1
2
1 0
1 0
) ( ) ( ) (
sumando) y cuadrado al elevando ( ) ( ) ( ) (
) restando ( ) (

43 42 1

23 Regresin Lineal
Coeficiente de determinacin R
2
2 2
1
1
2 2
1
1

) (
: ) (
x
n
i
i i i
ns x x VE x x y y = = + =

=
VNE VE VT + =
VT
VE
R =
2
regresor el por explicado est
que VT de porcentaje el Mide
1 0
2
R
=
=
=
=
=
=
n
i
i
n
i
i i
n
i
i
y y VT
y y VNE
y y VE
1
2
1
2
1
2
) (
)
(
)
(
24 Regresin Lineal
Coef. determinacin
1
2
= R
80 . 0
2
= R
50 . 0
2
= R 0
2
= R
25 Regresin Lineal
i i
x y
1 0

+ =
0 :
0 :
1 1
1 0
H
H
Contraste F
1
ntes independie son ,
) 2 (
cierto) es H (Si
2 2
2
2
2
2
2
1
2
2
o
2
1
2

VNE VE
s n e
VNE
VE
n
R
n
i
i
= =
2 1
2
2

= =
n ,
R
F
s
VE
) VNE/(n-
VE
F
0
H rechaza Se >

F F
26 Regresin Lineal
Regresin con Statgraphics
Dependent variable: Consumo
Independent variable: Peso
-----------------------------------------------------------------------------
Standard T
Parameter Estimate Error Statistic P-Value
-----------------------------------------------------------------------------
Intercept -0,0712606 0,945148 -0,0753962 0,9404
Slope 0,0117307 0,000886531 13,2321 0,0000
-----------------------------------------------------------------------------
Analysis of Variance
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
Model 416,811 1 416,811 175,09 0,0000
Residual 66,6559 28 2,38057
-----------------------------------------------------------------------------
Total (Corr.) 483,467 29
Correlation Coefficient = 0,928509
R-squared = 86,2129 percent
Standard Error of Est. = 1,54291
27 Regresin Lineal
Ejemplo regresin mltiple
Consumo =
0
+
1
CC +
2
Pot +
3
Peso +
4
Acel + Error
Y X1 X2 X3 X4
Consumo Cilindrada Potencia Peso Aceleracin
15 4982 150 1144 12
16 6391 190 1283 9
24 5031 200 1458 15
9 1491 70 651 21
11 2294 72 802 19
17 5752 153 1384 14
... ... ... ... ...
Var. Independientes
o regresores
Var. dependientes
o respuesta
28 Regresin Lineal
Modelo regresin mltiple
os desconocid parmetros : , , , , ,
2
2 1 0

k
K
) , 0 (
,
2
2 2 1 1 0

N u
u x x x y
i
i ki k i i i
+ + + + + = L
Linealidad
E[y
i
] =
0
+
1
x
1i
++
k
x
ki
Normalidad
y
i
| x
1
,...,x
k
Normal
Homocedasticidad
Var [y
i
|x
1
,...,x
k
] =
2
Independencia
Cov [y
i
, y
k
] = 0
29 Regresin Lineal
Notacin matricial
|
|
|
|
|
.
|
\
|
+
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|
n k kn n n
k
k
n
u
u
u
x x x
x x x
x x x
y
y
y
M M
L
M O M M M
L
L
M
2
1
1
0
2 1
2 22 12
1 21 11
2
1
1
1
1
) , (
2
I 0 U
U X Y
N
+ =
30 Regresin Lineal
Estimacin mnimo-cuadrtica
e X Y + =

donde el vector e cumple
mnimo es
=
=
n
i
i
e
1
2
2
e
|
|
|
|
|
.
|
\
|
+
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|
n
k
kn n n
k
k
n
e
e
e
x x x
x x x
x x x
y
y
y
M
M
L
M O M M M
L
L
M
2
1
1
0
2 1
2 22 12
1 21 11
2
1
1
1
1
31 Regresin Lineal
Para que ||e||
2
sea mnimo, e tiene que ser
perpendicular al espacio vectorial generado las
columnas de X
=
=
=
=
|
|
|
.
|
\
|
=
|
|
|
.
|
\
|
=
n
ki i
n
i i
n
i
n kn n n
k
k
x e
x e
e
e
e
e
x x x
x x x
x x x
1
1
1
1
2
1
2 1
2 22 12
1 21 11
0
0
0
,
1
1
1
M
M
L
M O M M M
L
L
0 e X
e X
T
32 Regresin Lineal
Mnimos cuadrados
Y X X X X X Y X
e X X X Y X
0 e X
T T T T
T T T
T
1
) (

= =
+ =
=
x
1
Y
X Y

=
Y Y e

=
x
2
x
2
x
1
Y
U
n
a

d
e
s
c
o
m
p
o
s
i
c
i
n
Solucin MC
33 Regresin Lineal
Matriz de proyeccin V
1
x
1
VY Y =
V)Y (I e =
Y
VY Y
Y X X) X(X Y
X Y
T 1 T
=
=
=

Previstos Val.
V)Y (I
VY Y X Y e
=
= =

Residuos
T T
X X X(X V
1
)
=
Simtrica V=V
T
Idempotente VV=V
34 Regresin Lineal
de
1 T
1 T T 1 T
T 1 T T 1 T
T
T 1 T
T 1 T T 1 T
X) (X
X) X(X X X) (X
X X) (X I X X) (X
C Y C CY
X X X) (X CX Y C
X X) (X C CY Y X X) (X
I X Y

=
=
=
= =
= = = =
= = =
2
2
2
2
) )( )( (
] [ ] [ ]
[
] [ ]
) siendo (
) , (
T
Var Var Var
E E
Normal
N
35 Regresin Lineal
de
|
|
|
.
|
\
|
= =
|
|
|
.
|
\
|
=
|
|
|
|
.
|
\
|
=

kk k k
k
k
T
k
k
q q q
q q q
q q q
L
M O M M
L
L
M
M
1 0
1 11 10
0 01 00
1
1
0
1
0
) (
X X Q
) , (
) , (
2
2
ii i i
q N
N

1 T
X) (X
) 1 ( ) 1 ( ) dim( + + = k k Q
36 Regresin Lineal
Residuos
)

(
1 1 0 ki k i i i
x x y e + + + = L
|
|
|
|
|
.
|
\
|
+
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|
n
k
kn n n
k
k
n
e
e
e
x x x
x x x
x x x
y
y
y
M
M
L
M O M M M
L
L
M
2
1
1
0
2 1
2 22 12
1 21 11
2
1
1
1
1
3 2 1 43 42 1 3 2 1
Residuos Previstos Observados
e X Y + =
37 Regresin Lineal
Varianza Residual
2 1
2
2
1
2
2
1
2
1
2
2
]
1
[
1 ] [

=

=
=
=
=

=
k n
e
E
k n
e
E
e
n
i
i
n
i
i
k n
n
i
i
e e
T
2
1
2
2
1
2
2
) 1 (
1

=

k n
R
n
i
i
R
s k n
k n
e
s
38 Regresin Lineal
0 :
0 :
1
0
=
i
i
H
H
Ho rechaza Se > =

2 / ; 1
1
1 1
2
;
) 1 , 0 (
) , (

k n
i
ii R
i
i
k n
ii R ii
i i
ii i i
t t
q s
t
t
q s
N
q
q N
Contraste individual
i
i ki k i i
u x x y + + + + = L
1 1 0
39 Regresin Lineal
Descomposicin de la
variabilidad en regresin
VNE VE VT
e y y y y
e y y y y
y e y y
e x x y
n
i
i
n
i
i
n
i
i
i i i
i i i
i ki k i i
+ =
+ =
+ =
+ =
+ + + + =

= = = 1
2
1
2
1
2
1 1 0
)
( ) (
)
( ) (
) (

Restando
L
40 Regresin Lineal
media
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|

=
|
|
|
|
|
.
|
\
|
+ + =
+ + + =
+ + + =
+ + + + =
k
k kn n n
k k
k k
n
k ki k i i
ki k i i
k k
i ki k i i
x x x x x x
x x x x x x
x x x x x x
y y
y y
y y
x x x x y y
x x y
x x y
e x x y
) (
) (

2
1
2 2 1 1
2 2 22 1 12
1 2 21 1 11
2
1
1 1 1
1 1 0
1 1 0
1 1 0
M
L
M O M M
L
L
M
L
L
L
L
{
0
1 1 1
1 1 0
1

= = = =
+ + + + =
n
i
i
n
i
ki k
n
i
i
n
i
i
e x x n y L
b X Y Y

~
= e b X Y Y + =

~
41 Regresin Lineal
media
U b X Y + =
~ ~
) )
~ ~
( , (
1 2
X X b b
T
N
|
|
|
|
|
.
|
\
|

=
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|
=
k kn n n
k k
k k
k k n
x x x x x x
x x x x x x
x x x x x x
y
y
y
y y
y y
y y
L
M O M M
L
L
M M M M
2 2 1 1
2 2 22 1 12
1 2 21 1 11
2
1
2
1
2
1
~
, , ,
~
X
b b Y Y
Y X ) X X ( b
~ ~ ~ ~
1 T T
=
42 Regresin Lineal
0 :
0 :
1
2 1 0
de distinto es alguno H
H
k
= = = = L
Contraste general de regresin.
ntes independie son
cierto) es H (Si
o
2 2
2
1
2
2
2
2
2
,
) 1 (

VNE VE
s k n
VNE
VE
k n
R
k

1
1
/

=
k n , k
F
) VNE/(n-k
k VE
F
0
H rechaza Se >

F F
i ki k i i
u x x y + + + + = L
1 1 0
43 Regresin Lineal
Coeficiente de determinacin R
2
VNE VE VT + =
VT
VE
R =
2
regresores los por explicado est
que VT de porcentaje el Mide
1 0
2
R
=
=
=
=
=
=
n
i
i
n
i
i i
n
i
i
y y VT
y y VNE
y y VE
1
2
1
2
1
2
) (
)
(
)
(
)
~ ~
(

)
~ ~
(

)
(
1
2
Y X b b X X b ) Y Y ( ) Y Y (
T T T T T
n
i
i
y y VE = = = =

=
44 Regresin Lineal
Coef. determinacin corregido
2
2
2
) 1 (
) 1 (
1 1
y
R
s n
s k n
VT
VNE
VT
VNE VT
VT
VE
R

= =
= =
1
) (
1
2
2
=

=
n
y y
s
n
i
i
y
) 1 /(
) 1 /(
1
1
2
2
2

= =
n VT
k n VNE
s
s
R
y
R
2
R
Regresin con STATGRAPHICS
Multiple Regression Analysis
-----------------------------------------------------------------------------
Dependent variable: consumo
-----------------------------------------------------------------------------
Standard T
-----------------------------------------------------------------------------
CONSTANT -1,66958 0,983305 -1,69793 0,0903
cilindrada 0,000383473 0,0001625 2,35983 0,0188
potencia 0,0402844 0,00656973 6,13183 0,0000
peso 0,00578424 0,00095783 6,0389 0,0000
aceleracion 0,111501 0,0496757 2,24458 0,0254
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
Model 4845,0 4 1211,25 438,70 0,0000
Residual 1065,74 386 2,76099
-----------------------------------------------------------------------------
Total (Corr.) 5910,74 390
R-squared (adjusted for d.f.) = 81,7826 percent
46 Regresin Lineal
Interpretacin (inicial)
Contraste F=438 (p-valor=0.0000) Alguno de
los regresores influye significativamente en el
consumo.
Contrastes individuales:
La potencia y el peso influyen significativamente (p-
valor=0.0000)
Para =0.05, la cilindrada y la aceleracin tambin
tienen efecto significativo (p-valor < 0.05)
El efecto de cualquier regresor es positivo, al
aumentar cualquiera de ellos aumenta la variable
respuesta: consumo.
Los regresores explican el 82 % de la variabilidad
del consumo (R
2
= 81.969)
47 Regresin Lineal
Multicolinealidad
Cuando la correlacin entre los
regresores es alta.
Presenta graves inconvenientes:
Empeora las estimaciones de los efectos de
cada variable
i
: aumenta la varianza de las
estimaciones y la dependencia de los
estimadores)
Dificulta la interpretacin de los parmetros
del modelo estimado (ver el caso de la
aceleracin en el ejemplo).
48 Regresin Lineal
Identificacin de la multicolinealidad:
Matriz de correlacin de los regresores.
Correlations
cilindrada potencia
-------------------------------------------------------
cilindrada 0,8984
( 391)
0,0000
potencia 0,8984
( 391)
0,0000
peso 0,9339 0,8629
( 391) ( 391)
0,0000 0,0000
aceleracion -0,5489 -0,6963
( 391) ( 391)
0,0000 0,0000
-------------------------------------------------------
peso aceleraci
-----------------------------------
0,9339 -0,5489
( 391) ( 391)
0,0000 0,0000
0,8629 -0,6963
( 391) ( 391)
0,0000 0,0000
-0,4216
( 391)
0,0000
-0,4216
( 391)
0,0000
-----------------------------------
49 Regresin Lineal
Grficos consumo - x
i
peso
c
o
n
s
u
m
o
500 1000 1500 2000
0
4
8
12
16
20
24
potencia
c
o
n
s
u
m
o
0 40 80 120 160 200 240
0
4
8
12
16
20
24
cilindrada
c
o
n
s
u
m
o
0 2 4 6 8
(X 1000)
0
4
8
12
16
20
24
aceleracion
c
o
n
s
u
m
o
8 11 14 17 20 23 26
0
4
8
12
16
20
24
50 Regresin Lineal
Consumo y aceleracin
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
Standard T
-----------------------------------------------------------------------------
CONSTANT -1,66958 0,983305 -1,69793 0,0903
cilindrada 0,000383473 0,0001625 2,35983 0,0188
potencia 0,0402844 0,00656973 6,13183 0,0000
peso 0,00578424 0,00095783 6,0389 0,0000
aceleracion 0,111501 0,0496757 2,24458 0,0254
-----------------------------------------------------------------------------
Regression Analysis - Linear model: Y = a + b*X
-----------------------------------------------------------------------------
Independent variable: aceleracion
-----------------------------------------------------------------------------
Standard T
-----------------------------------------------------------------------------
CONSTANT 21,5325 1,00701 21,3827 0,0000
aceleracion -0,657509 0,0632814 -10,3902 0,0000
-----------------------------------------------------------------------------
R
.

s
i
m
p
l
e
R
.

m
l
t
i
p
l
e
51 Regresin Lineal
Multicolinealidad: efecto en la
varianza de los estimadores
( )
|
|
|
|
|
.
|
\
|

= =
|
|
.
|
\
|
=
|
|
.
|
\
|
= = =
(
|
|
.
|
\
|
+ + + =
) 1 (
1
) 1 (
) 1 ( ) 1 (
1
) 1 ( | |
~ ~ ~ ~
var
2 2 1 1 0
2
12
2
2
2
12
2 1
12
2
12
2 1
12
2
12
2
1 1 2
12
2
2
2
1
2
2 2 1 12
2 1 12
2
1
2
2 12
12
2
1
2
1
2
1
r s r s s
r
r s s
r
r s
r s s
s s s r
s s r s
s s
s s
n
i
u
i
x
i
x y
XX XX
XX XX
T T
i
S S
S S X X X X

|
|
|
|
|
.
|
\
|

=
(
(
|
|
.
|
\
|
) 1 ( ) 1 (
) 1 ( ) 1 (
var
2
12
2
2
2
2
12
2 1
2
12
2
12
2 1
2
12
2
12
2
1
2
2
1
r ns r s ns
r
r s ns
r
r ns

52 Regresin Lineal
Consecuencias de la
multicolinealidad
Gran varianza de los estimadores
Cambio importante en las
estimaciones al eliminar o incluir
regresores en el modelo
Cambio de los contrastes al eliminar
o incluir regresores en el modelo.
Contradicciones entre el contraste F
y los contrastes individuales.
53 Regresin Lineal
Consumo Cilindrada Potencia Peso Aceleracin Origen
15 4982 150 1144 12 Europa
16 6391 190 1283 9 Japn
24 5031 200 1458 15 USA
9 1491 70 651 21 Europa
11 2294 72 802 19 Japn
17 5752 153 1384 14 USA
12 2294 90 802 20 Europa
17 6555 175 1461 12 USA
18 6555 190 1474 13 USA
12 1147 97 776 14 Japn
16 5735 145 1360 13 USA
12 1868 91 860 14 Europa
9 2294 75 847 17 USA
... ... ... ... ... ...
Variables cualitativas como
regresores
Consumo =
0
+
1
CC +
2
Pot +
3
Peso +
+
4
Acel +
JAP
Z
JAP
+
USA
Z
USA
+ Error
USA
Japn
Europa
Origen
=
EUROPA si
EUROPA si
USA si
USA si
JAPON si
JAPON si
i
i
i
Z
i
i
i
Z
i
i
i
Z
EUR
USA
JAP
1
0
1
0
1
0
54 Regresin Lineal
Consumo Cilindrada Potencia Peso Aceleracin ZJAP ZUSA ZEUR
15 4982 150 1144 12 0 0 1
16 6391 190 1283 9 1 0 0
24 5031 200 1458 15 0 1 0
9 1491 70 651 21 0 0 1
11 2294 72 802 19 1 0 0
17 5752 153 1384 14 0 1 0
12 2294 90 802 20 0 0 1
17 6555 175 1461 12 0 1 0
18 6555 190 1474 13 0 1 0
12 1147 97 776 14 1 0 0
16 5735 145 1360 13 0 1 0
12 1868 91 860 14 0 0 1
9 2294 75 847 17 0 1 0
... ... ... ... ... ... ... ...
Variables cualitativas
Consumo =
0
+
1
CC +
2
Pot +
3
Peso +
+
4
Acel +
JAP
Z
JAP
+
USA
Z
USA
+ Error
55 Regresin Lineal
Interpretacin var. cualitativa
Consumo =
0
+
1
CC +
2
Pot +
3
Peso +
+
4
Acel +
JAP
Z
JAP
+
USA
Z
USA
+ Error
Coches europeos: Z
JAP
= 0 y Z
USA
= 0 REFERENCIA
Consumo =
0
+
1
CC +
2
Pot +
3
Peso +
4
Acel + Error
Coches japoneses: Z
JAP
=1 y Z
USA
= 0
Coches americanos: Z
JAP
=0 y Z
USA
= 1
Consumo =
0
+
JAP
+
1
CC +
2
Pot +
3
Peso +
4
Acel + Error
Consumo =
0
+
USA
+
1
CC +
2
Pot +
3
Peso +
4
Acel + Error
56 Regresin Lineal
Interpretacin del modelo
0
+
JAP
0
+
USA
Europeos
Japoneses
Americanos
x
i
y
Ref.
57 Regresin Lineal
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
Standard T
-----------------------------------------------------------------------------
CONSTANT -1,45504 1,01725 -1,43037 0,1534
cilindrada 0,000322798 0,0001792 1,80133 0,0724
potencia 0,0422677 0,00678898 6,22592 0,0000
peso 0,00559955 0,000965545 5,79937 0,0000
aceleracion 0,110841 0,0496919 2,23057 0,0263
Zjap -0,361762 0,279049 -1,29641 0,1956
Zusa 0,0611229 0,280236 0,218113 0,8275
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
Model 4852,53 6 808,756 293,48 0,0000
Residual 1058,21 384 2,75575
-----------------------------------------------------------------------------
Total (Corr.) 5910,74 390
58 Regresin Lineal
Interpretacin
El p-valor del coeficiente asociado a Z
JAP
es 0.1956>.05, se concluye que no existe
diferencia significativa entre el consumo
de los coches Japoneses y Europeos
(manteniendo constante el peso, cc, pot y
acel.)
La misma interpretacin para Z
USA
.
Comparando R
2
=82.09 de este modelo
con el anterior R
2
=81.98, se confirma que
el modelo con las variables de Origen no
suponen una mejora sensible.
59 Regresin Lineal
Modelo de regresin con
variables cualitativas
En general, para considerar una variable
cualitativa con r niveles, se introducen en
la ecuacin r-1 variables ficticias
Y el nivel r no utilizado es el que acta de
referencia
=

1 1
1 0
, ,
2 1
2 0
,
1 1
1 0
1 2 1
r i
r i
z
i
i
z
i
i
z
i r i i
nivel
nivel
nivel
nivel
nivel
nivel
L
i i r r i i
ki k i i
u z z z
x x y
+ + + + +
+ + + + =

4 4 4 4 4 3 4 4 4 4 4 2 1
L
L
a cualitativ variable
, 1 1 2 2 1 1
1 1 0

60 Regresin Lineal
Prediccin
h
x
h
y
Media m
h
|x
h
Nueva Observ. y
h
|x
h
h
x
h
m
h
m
h
y
h
x
61 Regresin Lineal
Prediccin de la media m
h
(Regresin simple)
h h
h h
x m
x N y
1 0
2
1 0
) , (

+ =
+
h
x
h
m
h
x
h
y
2
2
2
2
1
2
1
1 0 1 0
1 1 0
)
] var[ ) ]
)]
[
)
( var[
(
var[ ] var[
]

[ ]
(

x
h
h
h h
h h h h
h h h
ns
x x
n
x x y
x x y y
x x y E
x x y x y
m E

=
= + = + =
= + =
+ =
+ =
+
+
|
|
|
.
|
\
|
|
|
|
.
|
\
|

+
2
2
) (
1
2
,
x
s
x
h
x
n
h
m N y
h

62 Regresin Lineal
Prediccin de la media m
h
(Regresin mltiple)
h
T
kh k h h
h h
x x m
m N y
'
) , (
1 1 0
2
x =
+ + + =

L
h
x
h
m
h
' x
h
y
h
T T
h hh
hh h
T T
h
h
T T
h h
T
h
h
T
h
T
h
T
h
kh h h
T
h
T
h
v
y
y E
y
v
E E
x x x
h
'
'
' ]
'
var[ ] var[
' ' ]
[ ] '
[ ]
) , , , , 1 ( ' , '
1
2 2 1
2 1
) ( '
) ( '
var[ ' ]
[
x
x
x x
x x x
x x
X X x
X X x
x
=
=
=
=
=
= = =
= =

L
|
.
|
\
|
hh h h
v m N y
2
,
63 Regresin Lineal
Expresin alternativa para v
hh
)) ( ) ( 1 (
)
~ ~
( , ) ( )
~ ~
( ) (
) ](
var[ ) ( ] var[ )] (
var[ ] var[
) (
1
2
2 1
2
x x S x x
X X
S x x X X x x
x x b x x x x b
x x b
+ =
= + =
+ = + =
+ =
h x
T
h
T
x h
T T
h
h
T
h h
T
h
h
T
h
n
n n
y y y
y y
)) ( ) ( 1 (
1
1
x x S x x + =

h x
T
h hh
n
v
n v
n v
hh h
hh h
/ 1
/ 1
>
= =
x x
x x
64 Regresin Lineal
Intervalos de confianza para la
media m
h
( )
1
2
) 1 , 0 (
k n
hh
R
h h
hh
h h
hh h
t
v s
m
N
v
m
y
y
v
h
m N y
h
x
h
y
)
) (
1 (
1
2
2
x
h
hh
s
x x
n
v

+ =
hh R
v s t
h
y
h
m

2 /

)) ( ) ( 1 (
1
1
x x S x x
h h
+ =

x
T
hh
n
v
Regresin simple
65 Regresin Lineal
Prediccin de una nueva
observacin y
h
(reg.simple)
h h
h h
x m
m N y
1 0
2
) , (

+ =
h
x
h
x
h
y
hh
h h h
h h h
h h h
hh h h
h h
v
y y e
y E y E e E
y y e
v m N y
x y
2 2
2
1 0
] var[ ] var[ ]
~
var[
0 ] [ ] [ ]
~
[

~
) , (

+ =
+ =
= =
=
+ =
)) 1 ( , 0 (
~
2
hh h
v N e +
h
m
h
y
66 Regresin Lineal
Prediccin de una nueva
observacin y
h
(Reg. Mltiple)
h
x
h
m
h
x
h
y
+ = + =
= =
=
+ =
) 1 ( ] var[ ] var[ ]
~
var[
0 ] [ ] [ ]
~
[
~
) , (
2
2
hh h h h
h h h
h h h
hh h h h
T
h
v y y e
y E y E e E
y y e
v m N y y y
x b
)) 1 ( , 0 (
~
2
hh h
v N e +
h
y
67 Regresin Lineal
Intervalos de prediccin para
una nueva observacin y
h
( )
1
2
1

) 1 , 0 (
1

~
) 1 ( , 0
~

=
+
k n
hh
R
h h
hh
h h
h h h
hh h
t
v s
y
N
v
y
y
y
y
y e
v N e
hh R
v s t
h
y
h
y + 1

2 /
h
x
h
y
68 Regresin Lineal
k k
x x y

1 1 0
+ + + = L
Lmites de prediccin
x
y
hh R
v s t
h
y
h
y + 1
2 /
hh R
v s t
h
y
h
m
2 /

69 Regresin Lineal
Diagnosis: Residuos
)

(
1 1 0 ki k i i i
x x y e + + + = L
|
|
|
|
|
.
|
\
|
+
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|
n
k
kn n n
k
k
n
e
e
e
x x x
x x x
x x x
y
y
y
M
M
L
M O M M M
L
L
M
2
1
1
0
2 1
2 22 12
1 21 11
2
1
1
1
1
3 2 1 43 42 1 3 2 1
Residuos Previstos Observados
e X Y + =
70 Regresin Lineal
Distribucin de los residuos
= =
= = =
=
=
V) (I V) (Y)(I V) (I e
0 V)X (I Y V) (I e
e
X X) X(X V
V)Y (I e I X Y
T 1 T
2
2
var ] var[
] [ ] [
) , (
E E
N
Normal
)) 1 ( , 0 (
) , (
2
ii i
v N e
N

V) (I 0 e
2
71 Regresin Lineal
Distancia de Mahalanobis
>
= =
=

0
0
. ( ) ( ) (
2
2
1 2
i
i
i x
T
i i
D
D
D
x x
x x
x x
x x S x x
i
i
i

a de distancia la Mide
s) Mahalanobi de Dist
T T
ii
v
X X) X(X V
1
=
V matriz la de diagonales elementos los son
1
1
0 ) 1 (
, 1
2 2
, 1
2
1
= + = =

= = =
ii
n
i j j
ij ii ii ii
n
i j j
ij ji
n
j
ij ii
v
n
v v v v v v v v
)) ( ) ( 1 (
1
' ) ( '
1 1
x x S x x x X X x + = =

i x
T
i i
T T
i ii
n
v
72 Regresin Lineal
Residuos estandarizados
ii
v
R
s
i
e
i
r
e e v
e n v
v e
i i ii i
i ii i
ii i
=

=
1
ados estandariz Residuos

0 0 ) var( 1 de lejos est Cuando
) var( / 1 a prximo est Cuando
) 1 ( ) var(
2
2
x x
x x
) ) 1 ( , 0 (
2
ii i
v N e
73 Regresin Lineal
Hiptesis de normalidad
Herramientas de comprobacin:
Histograma de residuos
Grfico de probabilidad normal (Q-Q plot)
Contrastes formales (Kolmogorov-Smirnov)
Ejemplo de coches
Residuos
-9 -6 -3 0 3 6 9
0
20
40
60
80
100
120
-6 -4 -2 0 2 4 6
Residuos
0,1
1
5
20
50
80
95
99
99,9
p
r
o
b
a
b
i
l
i
d
a
d
74 Regresin Lineal
Comprobacin de la linealidad
y homocedasticidad
Ambas hiptesis se comprueban
conjuntamente mediante grficos de los
residuos
Frente a valores previstos
Frente a cada regresor.
En muchas ocasiones se corrige la falta
de linealidad y la heterocedasticidad
mediante transformacin de las variables.
i ki k i i
i ki k i i
u x x y
u x x y
+ + + + =
+ + + + =
log log log
log
1 1 0
1 1 0

L
L
75 Regresin Lineal
Residuos - Valores previstos
0
i
y
i
e
0
i
y
i
e
0
i
y
i
e
Lineal y homocedstico No lineal y homocedstico
Lineal y no homocedstico
0
i
y
i
e
No lineal y no homocedstico
76 Regresin Lineal
Ejemplo 1: Cerezos Negros
Se desea construir un
modelo de regresin para
obtener el volumen de
madera de una cerezo
negro en funcin de la
altura del tronco y del
dimetro del mismo a un
metro sobre el suelo. Se
ha tomado una muestra
de 31 rboles. Las
unidades de longitudes
son pies y de volumen
pies cbicos.
77 Regresin Lineal
Cerezos negros: Datos
rbol Diametro Altura Volumen rbol Diametro Altura Volumen
1 8,3 70 10,30 17 12,9 85 33,80
2 8,6 65 10,30 18 13,3 86 27,40
3 8,8 63 10,20 19 13,7 71 25,70
4 10,5 72 16,40 20 13,8 64 24,90
5 10,7 81 18,80 21 14,0 78 34,50
6 10,8 83 19,70 22 14,2 80 31,70
7 11,0 66 15,60 23 14,5 74 36,30
8 11,0 75 18,20 24 16,0 72 38,30
9 11,1 80 22,60 25 16,3 77 42,60
10 11,2 75 19,90 26 17,3 81 55,40
11 11,3 79 24,20 27 17,5 82 55,70
12 11,4 76 21,00 28 17,9 80 58,30
13 11,4 76 21,40 29 18,0 80 51,50
14 11,7 69 21,30 30 18,0 80 51,00
15 12,0 75 19,10 31 20,6 87 77,00
16 12,9 74 22,20
78 Regresin Lineal
Grficos x-y
Altura
V
o
l
u
m
e
n
60 65 70 75 80 85 90
0
20
40
60
80
Diametro
V
o
l
u
m
e
n
8 11 14 17 20 23
0
20
40
60
80
79 Regresin Lineal
Primer modelo:cerezos negros
Standard T
-----------------------------------------------------------------------------
CONSTANT -57,9877 8,63823 -6,71291 0,0000
Altura 0,339251 0,130151 2,60659 0,0145
Diametro 4,70816 0,264265 17,8161 0,0000
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
Model 7684,16 2 3842,08 254,97 0,0000
Residual 421,921 28 15,0686
-----------------------------------------------------------------------------
Total (Corr.) 8106,08 30
Error Altura Diametro Volumen + + + =
2 1 0

80 Regresin Lineal
Diagnosis
Diametro
8 11 14 17 20 23
-9
-6
-3
0
3
6
9
valores previstos
0 20 40 60 80
-9
-6
-3
0
3
6
9
r
e
s
i
d
u
o
s
r
e
s
i
d
u
o
s
Falta de
linealidad
Falta de
homocedasticidad
81 Regresin Lineal
Transformacin
error dimetro) altura) vol)
dimetro altura k vol
2 0
2
+ + +

log( log( log(
1

Dependent variable: log(Volumen)
-----------------------------------------------------------------------------
Standard T
-----------------------------------------------------------------------------
CONSTANT -6,63162 0,79979 -8,2917 0,0000
log(Altura) 1,11712 0,204437 5,46439 0,0000
log(Diametro) 1,98265 0,0750106 26,4316 0,0000
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
Model 8,12323 2 4,06161 613,19 0,0000
Residual 0,185463 28 0,00662369
-----------------------------------------------------------------------------
Total (Corr.) 8,30869 30
82 Regresin Lineal
Diagnosis (modelo transformado)
log(Altura)
4,1 4,2 4,3 4,4 4,5
-0,17
-0,07
0,03
0,13
0,23
log(Diametro)
2,1 2,3 2,5 2,7 2,9 3,1
-0,17
-0,07
0,03
0,13
0,23
valores previstos
2,3 2,7 3,1 3,5 3,9 4,3 4,7
-0,17
-0,07
0,03
0,13
0,23
r
e
s
i
d
u
o
s
r
e
s
i
d
u
o
s
r
e
s
i
d
u
o
s
-0,17 -0,12 -0,07 -0,02 0,03 0,08 0,13
Residuos
0,1
1
5
20
50
80
95
99
99,9
p
r
o
b
a
b
i
l
i
d
a
d
83 Regresin Lineal
Interpretacin
Se comprueba grficamente que la distribucin
de los residuos es compatible con las hiptesis
de normalidad y homocedasticidad.
El volumen est muy relacionada con la altura y
el dimetro del rbol (R
2
= 97.8%)
El modelo estimado
log(Vol) = -6.6 + 1.12 log(Alt) + 1.98 log(Diam.) + Error
es compatible con la ecuacin vol=k Alt Diam
2
La varianza residual es 0.006623, es decir
s
R
=0.081 que indica que el error relativo del
modelo en la prediccin del volumen es del 8.1%.
84 Regresin Lineal
Datos olmpicos
Se pretende construir
un modelo de regresin
con dos objetivos:
Medir la evolucin
de estas marcas con
el tiempo.
Hacer una
prediccin del
resultado en unas
futuras olimpiadas.
Tiempos de los campeones olmpicos
en 200m, 400m, 800m y 1500m.
85 Regresin Lineal
Ejemplo: Carreras olmpicas
Ciudad Altitud Ao 200 m 400 m 800 m 1500 m
Pars 79 1900 22,20 49,40 121,40 246,00
San Luis 138 1904 21,60 49,20 116,00 245,40
Londres 15 1908 22,40 50,00 112,80 243,40
Estocolmo 15 1912 21,70 48,20 111,90 236,80
Amberes 4 1920 22,00 49,60 113,40 241,80
Pars 79 1924 21,60 47,60 112,40 233,60
Amsterdan -2 1928 21,80 47,80 111,80 233,20
Los ngeles 100 1932 21,20 46,20 109,80 231,20
Berln 50 1936 20,70 46,50 112,90 227,80
Londres 15 1948 21,10 46,20 109,20 225,20
Helsinki 25 1952 20,70 45,90 109,20 225,20
Melbourne 115 1956 20,60 46,70 107,70 221,20
Roma 15 1960 20,50 44,90 106,30 215,60
Tokyo 14 1964 20,30 45,10 105,10 218,10
Mexico 2220 1968 19,83 43,80 104,30 214,90
Munich 458 1972 20,00 44,66 105,90 216,30
Montreal 53 1976 20,23 44,26 103,50 219,20
Mosc 150 1980 20,19 44,60 105,40 218,40
Los ngeles 100 1984 19,80 44,27 104,00 212,53
Sel 34 1988 19,75 43,87 103,45 215,96
Barcelona 0 1992 20,01 43,50 103,66 220,12
Atlanta 320 1996 19,32 43,49 102,58 215,78
86 Regresin Lineal
Tiempo =
0
+
1
Ao +
2
Distancia + Error
Dependent variable: Tiempo
-----------------------------------------------------------------------------
Standard T
-----------------------------------------------------------------------------
CONSTANT 268,485 36,8179 7,29222 0,0000
Ao -0,145478 0,0188741 -7,70784 0,0000
Distancia 0,159578 0,00113405 140,715 0,0000
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
Model 554892,0 2 277446,0 9930,11 0,0000
Residual 2374,89 85 27,9399
-----------------------------------------------------------------------------
Total (Corr.) 557267,0 87
87 Regresin Lineal
Diagnosis
Distancia
R
e
s
i
d
u
o
s
0 200 400 600 800 1000 1200 1400 1600
-15
-10
-5
0
5
10
15
Valores previstos
r
e
s
i
d
u
o
s
0 50 100 150 200 250
-15
-10
-5
0
5
10
15
residuos
p
r
o
b
a
b
i
l
i
d
a
d
-16 -12 -8 -4 0 4 8 12 16
0,1
1
5
20
50
80
95
99
99,9
88 Regresin Lineal
Interpretacin
Los grficos de los residuos con la
distancia y con los valores previstos
muestran falta de linealidad y
heterocedasticidad (leve)
El grfico Q-Q muestra falta de
normalidad
La transformacin 1/Tiempo puede
servir para corregir el problema de
heterocedasticidad. En este caso es
ms til modelar la velocidad
i i i
Tiempo Distancia Velocidad / =
89 Regresin Lineal
Velocidad =
0
+
1
Ao +
2
Dist. + Error
Dependent variable: Velocidad
-----------------------------------------------------------------------------
Standard T
-----------------------------------------------------------------------------
CONSTANT -12,2153 2,73592 -4,46478 0,0000
Ao 0,0112286 0,00140252 8,00603 0,0000
Distancia -0,00220474 0,0000842706 -26,1627 0,0000
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
Model 115,492 2 57,7459 374,29 0,0000
Residual 13,1139 85 0,154281
-----------------------------------------------------------------------------
Total (Corr.) 128,606 87
90 Regresin Lineal
Diagnosis
Distancia
R
e
s
i
d
u
o
s
0 200 400 600 800 1000 1200 1400 1600
-0,8
-0,4
0
0,4
0,8
Valores previstos
r
e
s
i
d
u
o
s
6 7 8 9 10 11
-0,8
-0,4
0
0,4
0,8
-0,8 -0,5 -0,2 0,1 0,4 0,7
Residuos
0,1
1
5
20
50
80
95
99
99,9
R
e
s
i
d
u
o
s
91 Regresin Lineal
Velocidad =
0
+
1
Ao +
2
Dist. +
3
Dist.
2
+ Error
-----------------------------------------------------------------------------
Standard T
-----------------------------------------------------------------------------
CONSTANT -11,1792 0,834388 -13,3981 0,0000
Ao 0,0112286 0,000427338 26,2758 0,0000
Distancia -0,00588973 0,000130341 -45,1873 0,0000
Distancia^2 0,0000021172 7,34191E-8 28,8371 0,0000
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
Model 127,403 3 42,4675 2964,98 0,0000
Residual 1,20314 84 0,014323
-----------------------------------------------------------------------------
Total (Corr.) 128,606 87
92 Regresin Lineal
Diagnosis
Distancia
r
e
s
i
d
u
o
s
0 200 400 600 800 1000 1200 1400 1600
-0,5
-0,25
0
0,25
0,5
valores previstos
r
e
s
i
d
u
o
s
6 7 8 9 10 11
-0,5
-0,25
0
0,25
0,5
Residuos
p
r
o
b
a
b
i
l
i
d
a
d
-0,31 -0,21 -0,11 -0,01 0,09 0,19 0,29
0,1
1
5
20
50
80
95
99
99,9
93 Regresin Lineal
Interpretacin
El modelo cumple las condiciones de normalidad
y homocedasticidad.
El coeficiente de determinacin R
2
=99% da una
medida de la bondad de ajuste del modelo.
El coeficiente positivo del AO indica que
conforme pasan los aos se aumenta la
velocidad (se mejoran las marcas).
El trmino dominante de la variable DISTANCIA
tiene coeficiente negativo que indica que la
velocidad media disminuye al aumentar la
distancia de la prueba.
Se mejora ligeramente el modelo con una nueva
variable ALTITUD de la ciudad donde se
desarrolla las olimpiadas.
94 Regresin Lineal
Vel. =
0
+
1
Ao+
2
Dist. +
3
Dist.
2
+ log(Alt)+Error
-----------------------------------------------------------------------------
Standard T
-----------------------------------------------------------------------------
CONSTANT -10,6966 0,807542 -13,2459 0,0000
Ao 0,0109342 0,000416677 26,2413 0,0000
Distancia -0,00588973 0,000123874 -47,5461 0,0000
Distancia^2 0,0000021172 6,97766E-8 30,3425 0,0000
log(Altitud+3) 0,0237773 0,00751947 3,1621 0,0022
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
Model 127,532 4 31,883 2464,46 0,0000
Residual 1,07378 83 0,0129371
-----------------------------------------------------------------------------
Total (Corr.) 128,606 87
95 Regresin Lineal
Prediccin Sydney 2000
Prediccin para Velocidad - AO 2000 - SYDNEY
------------------------------------------------------------------------
Fitted Stnd. Error Lower 95,0% CL Upper 95,0% CL
Row Value for Forecast for Forecast for Forecast
------------------------------------------------------------------------
200 m 10,1114 0,119833 9,87302 10,3497
400 m 9,18748 0,118783 8,95123 9,42374
800 m 7,84784 0,119901 7,60937 8,08632
1500 m 7,13371 0,120308 6,89442 7,373
------------------------------------------------------------------------
Resultado Error Error
Distancia Lm. Inf. Lm. Sup. Prediccin Sydney 2000 Absoluto Relativo
200 m 19,32 20,26 19,78 20,09 0,31 2%
400 m 42,44 44,69 43,538 43,84 0,302 1%
800 m 98,93 105,13 101,939 95,08 -6,859 -7%
1500 m 203,44 217,57 210,269 212,07 1,801 1%
Intervalo de prediccin (95%)
Prediccin del tiempo (segundos) y resultados Sydney 2000
Captulo 6. Regresin lineal
6.1 Con los datos de la tabla, se pide:
x -2 -2 -1 -1 0 0 1 1 2 2 3 3
y 1.1 1.3 2.0 2.1 2.7 2.8 3.4 3.6 4.0 3.9 3.8 3.6
(a) Estimar un modelo de regresin simple con y como variable dependiente y x como regresor.
Indicar si el modelo es apropiado, justicando la respuesta.
(b) Estimar el modelo
y
i
=
0
+
1
x
i
+
2
x
2
i
+u
i
.
6.2 La ley de Hubble sobre la expansin del universo establece que dadas dos galaxias la velocidad de
desplazamiento de una respecto a la otra es v = Hd, siendo d su distancia y H la constante de
Hubble. La tabla proporciona la velocidad y la distancia de varias galaxias respecto a la Via Lctea.
Se pide:
Galaxia Distancia Velocidad
(millones aos luz) (10
3
km/s)
Virgo 22 1.21
Pegaso 68 3.86
Perseo 108 5.15
Coma Berenices 137 7.56
Osa Mayor 1 255 14.96
Leo 315 19.31
Corona Boreal 390 21.56
Gminis 405 23.17
Osa Mayor 2 700 41.83
Hidra 1100 61.14
Tabla: Distancia y velocidad de desplazamiento de las distintas galaxias a la Via Lactea.
Nota: Obsrvese que segn el modelo de Hubble la regresin debe pasar por el origen. Tmese 1
ao luz = 300 000 km/s 31 536 000 s = 9.46 10
12
km.
(a) Estimar por regresin la constante de Hubble.
(b) Como T = d/v = d/Hd = 1/H, la inversa de la constante de Hubble representa la edad
estimada del Universo. Construir un intervalo de conanza del 95% para dicha edad .
6.3 Estimar por mxima verosimilitud los parmetros
1
y
2
del modelo
y
i
=
1
x
1i
+
2
x
2
2i
+u
i
; u
i
;N(0, ).
En qu condiciones los estimadores obtenidos por mxima verosimilitud son iguales que los obtenidos
por mnimos cuadrados?
6.4 Sir Francis Galton (1877) estudi la relacin entre la estatura de una persona (y) y la estatura de
sus padres (x) obteniendo las siguientes conclusiones:
1
(a) Exista una correlacin positiva entre las dos variables.
(b) Las estaturas de los hijos cuyos padres medan ms que la media era, en promedio, inferior
a la de sus progenitores, mientras que los padres con estatura inferior a la media en
promedio tenan hijos ms altos que ellos, calicando este hecho como de regresin a la
media.
Contrastar ( = 0.05) estas dos conclusiones con la ecuacin y = 17.8 + 0.91x resultante de estimar
un modelo de regresin lineal entre las variables (en cm.) descritas anteriormente para una
muestra de tamao 100 si la desviacin tpica (estimada) de

1
es 0.04.
6.5 Demostrar que en un modelo de regresin simple y y el estimador de la pendiente

1
son indepen-
dientes. Utilizar esta propiedad para calcular la varianza de

0
= y
1
x.
6.6 La matriz de varianzas de las variables X
1
, X
2
e Y es
_
_
25 27 14
27 36 19.2
14 19.2 16
_
_
Siendo X
1
= 30, X
2
= 40, Y = 100 y el nmero de datos n = 10. Se pide:
(a) Realizar la regresin simple entre Y (variable dependiente) y X
1
, dando el intervalo de
conanza para la pendiente de la recta con = 0.05. Hacer lo mismo con Y y X
2
.
(b) Realizar la regresin mltiple entre Y (variable dependiente) y X
1
, X
2
, en desviaciones a
la media.
(c) Indicar si los coecientes de la regresin anterior son signicativos.
(d) Calcular R
2
para los tres modelos, comentar los resultados obtenidos e indicar qu modelo
eligira y por qu.
6.7 Demostrar que el coeciente de correlacin mltiple en el modelo general de regresin es igual al
coeciente de correlacin lineal entre la variable observada y y la prevista b y.
6.8 La resistencia a la traccin (y) de una aleacin metlica en funcin de la temperatura de templado
(x) se ha ajustado con una ecuacin de regresin para 30 observaciones resultando:
y = 276.1 + 1.9x, s
R
= 15.7, R
2
= 0.43
Se puede concluir con una conanza del 95% que la temperatura de templado tiene efecto signi-
cativo en la resistencia a la traccin.?
6.9 El coeciente de determinacin en un modelo de regresin simple es R
2
= 0.75. Si el nmero de
observaciones es n = 100, contrasta la hiptesis H
0
:
1
= 0 frente a la alternativa H
1
:
1
6= 0
( = 0.05).
6.10 La masa M de un cristal de hielo depositado en una cmara a temperatura (-5
o
C) y humedad
relativa constante crece segn la ecuacin M = T
, donde T es el tiempo y y son parmetros

2
desconocidos. La relacin anterior se linealiza con la transformacin logartmica, estimndose el
siguiente modelo
log M = log + log T +u
donde el trmino aadido u son los errores experimentales, que se consideran aleatorios e indepen-
dientes con distribucin normal, N(0,
2
). Diez cristales del mismo tamao y forma se introdujeron
en una cmara, extrayndose secuencialmente segn unos tiempos previamente establecidos. Para
determinar la inuencia del tipo de cmara, se repiti exctamente el experimento en una segunda
cmara. Los valores de s
R
para la cmara 1 y 2 son 0.64 y 0.50, respectivamente. Los modelos
estimados para cada cmara, X
T
X y (X
T
X)
1
son:
log M
1
= 7.30 + 2.40 log T
log M
2
= 5.74 + 2.03 log T
X
T
X =
10.00 46.66
46.66 218.9
(X
T
X)
1
=
18.27 3.89
3.89 0.835
(a) Contrastar con nivel de signicacin 0.05 si los dos modelos tienen la misma pendiente. Lo
mismo para la ordenada en el origen. (NOTA.- Aceptar que la varianza de los dos modelos
es la misma y estimarla como el promedio de las dos varianzas residuales calculadas.)
(b) Un modelo de regresin mltiple Y = X +U, se replica, es decir se obtienen dos vectores
de variables respuesta Y
1
, Y
2
, para los mismo regresores (matriz X). Demostrar que si
1
y

2
son los resultados de la estimacin de utilizando por separado la variable Y
1
e
Y
2
; entonces el estimador de con todos los datos es (
1
+
2
)/2.
(c) Estimar un nico modelo con los datos de las dos cmaras. Sabiendo que Y
T
Y = 306.8,
donde Y = log M, dar un intervalo de conanza al 99% para los dos parmetros.
6.11 Se ha estimado un modelo de regresin para la estatura (y) de un grupo de adultos y sus estaturas
a los 7 (x
1
) y 14 (x
2
) aos. La desviacin tpica residual obtenida es 5 cm y la desviacin tpica
del coeciente de x
1
(estatura a los 7 aos) resulta 2.4, siendo este efecto no signicativo al 95%.
Sin embargo, un segundo modelo de regresin que incluya slo a esta variable (x
1
) conduce a una
desviacin tpica residual de 7 cm y a un coeciente de regresin de 2 con desviacin tpica de 1.
Qu podemos concluir con estos resultados de la correlacin entre x
1
y x
2
?
6.12 En la tabla 1 se muestran los resultados de un experimento en el que se estudiaron las prdidas por
abrasin (rozamiento) de material de goma empleado en la fabricacin de neumticos en funcin
de la dureza de la goma en grados Shore y de su resistencia a la tensin. Esta ltima variable est
representada por dos nicos valores, -1 para las gomas con una resistencia mxima a la tensin menor
de 180 kg/cm
2
y con +1 aquellas que presentan una resistencia mxima superior a 180 kg/cm
2
. Los
resultados del modelo de regresin mltiple (P erdidas =
0
+
1
Dureza +
2
Re sistencia +u
i
) se
muestran en las tablas 1 y 2.
(a) Hay diferencias signicativas en las prdidas observadas en gomas con resistencia baja
(-1) y en gomas con resistencia alta (+1)?. Explicar el signicado de
2
(coeciente de
Resistencia) y dar un intervalo de conanza de 95% para el mismo.
3
(b) Para comprobar si el efecto de la dureza en las prdidas es el mismo para las gomas don
resistencia alta y baja se plante el siguiente modelo:
P erdidas =
0
+
1
Dureza +
2
Re sistencia +
3
Dureza Re sistencia +u
i
.
Explicar de forma concisa el signicado de cada uno de los tres parmetros del modelo.
(c) Los resultados de la estimacin del modelo del apartado 2 se proporcionan en la tabla 3 y
en la gura siguiente. Teniendo en cuenta los resultados de la tabla 2 y 3, elegir el modelo
que relaciona las prdidas por rozamiento con las variables resistencia y dureza. Justicar
la respuesta. Por qu cambia tanto el nivel crtico (p-value) correspondiente a la variable
Resistencia en uno y otro modelo?.
(d) En la tabla 1 se proporcionan los valores previstos y los residuos del modelo anterior.
Comprobar la hiptesis de homocedasticidad.
DATOS RESULTADOS
Dureza Resistencia Prdidas Prediccin Residuos
53 -1 221 227,1 -6,1
55 -1 206 215,1 -9,1
56 -1 228 209,1 18,9
60 -1 166 185,1 -19,2
61 -1 175 179,2 -4,2
64 -1 164 161,2 2,8
66 -1 154 149,2 4,8
68 -1 113 137,3 -24,3
71 -1 136 119,3 16,7
71 -1 112 119,3 -7,3
75 -1 128 95,4 32,6
79 -1 82 71,4 10,6
81 -1 55 59,4 -4,4
81 -1 32 59,4 -27,4
86 -1 45 29,5 15,5
45 1 372 378,4 -6,4
51 1 341 342,5 -1,5
59 1 249 294,6 -45,6
59 1 340 294,6 45,4
65 1 283 258,7 24,3
68 1 196 240,7 -44,7
71 1 219 222,8 -3,8
74 1 267 204,8 62,2
80 1 186 168,9 17,1
81 1 215 162,9 52,1
82 1 155 156,9 -1,9
83 1 97 150,9 -53,9
86 1 148 133,0 15,0
88 1 64 121,0 -57,0
89 1 114 115,0 -1,0
TABLA 1. Datos, valores previstos y residuos del modelo de regresin: P erdidas =
0
+
1
Dureza +
2
Re sistencia +u
i
4
TABLA 2.
Dependent variable: Perdidas
Parameter Estimate Standard Error T Statistic P-Value
CONSTANT 596,075 32,8079 18,1686 0,0000
Dureza -5,98636 0,46042 -13,0019 0,0000
Resistencia 51,7421 5,51215 9,38692 0,0000
Source Sum of Squares Df Mean Square F-ratio P-Value
Model 200957,0 2 100478,0 112,78 0,0000
Residual 24054,6 27 890,909
Total (Corr.) 225011,0 29
R-squared=89,3096 percent
R-squared (adjusted for d.f.)=88,5177 percent
Standard Error of Est.=29,8481
Mean absolute error =21,1946
Durbin-Watson statistic=2,25411
TABLA 3.
Dependent variable: Perdidas
Parameter Estimate Standard Error T Statistic P-Value
CONSTANT 592,59 34,4264 17,2132 0,0000
Dureza -5,93173 0,486879 -12,1832 0,0000
Resistencia 65,4644 34,4264 1,90157 0,0684
DurezaResistencia -0,196688 0,486879 -0,403978 0,6895
Source Sum of Squares Df Mean Square F-ratio P-Value
Model 201107,0 3 67035,6 72,91 0,0000
Residual 23904,5 26 919,404
Total (Corr.) 23904,5 29
R-squared=89,3763 percent
R-squared (adjusted for d.f.)=88,1505 percent
Standard Error of Est.=30,3217
Mean absolute error =21,1085
Durbin-Watson statistic=2,25622
6.13 Se ha estimado un modelo de regresin mltiple para estudiar el efecto de tres regresores x
1
, x
2
, x
3
sobre la resistencia de ciertas bras textiles con n = 15 observaciones, resultando:
y
i
= 17.36 + 0.95x
1i
+ 1.03x
2i
1.58x
3i
, s
2
R
= 2.54, R
2
= 0.92
Realiza el contraste general de regresin y los contrastes individuales ( = 0.05) si
5
(

X
T

X)
1
=
_
_
0.0051 0.0041 0.0204
0.0041 0.4033 0.1836
0.0204 0.1836 0.4818
_
_
.
6.14 Los datos mostrados son el resultado de un experimento para caracterizar la duracin de un material
utilizado en un torno de corte de acero, en funcin de la velocidad de corte (X
1
) y del ratio de
alimentacin (X
2
). Por sencillez, las variables se han escalado de la siguiente forma
V =
X
1
900
300
, F =
X
2
13
6
V F Y V F Y
-1 -1 54.5 -
2 0 20.1
-1 -1 66.0

2 0 2.9
1 -1 11.8 0 0 3.8
1 -1 14.0 0 0 2.2
-1 1 5.2 0 0 3.2
-1 1 3.0 0 0 4.0
1 1 0.8 0 0 2.8
1 1 0.5 0 0 3.2
0 -
2 86.5 0 0 4.0
0

2 0.4 0 0 3.5
y se ha estimado el siguiente modelo
log(Y
i
) =
0
+
1
V
i
+
2
F
i
+
3
V
2
i
+
4
F
2
i
+
5
V
i
F
i
+U
i
siendo U
i
errores aleatorios con distribucin normal de media cero y varianza constante. y se ha
estimado el siguiente modelo
log(Y
i
) =
0
+
1
V
i
+
2
F
i
+
3
V
2
i
+
4
F
2
i
+
5
V
i
F
i
+U
i
siendo U
i
errores aleatorios con distribucin normal de media cero y varianza constante. Los
resultados principales del anlisis son los de la siguiente tabla.
Interpreta los resultados del anlisis de regresin, indica de forma especca los resultados de los con-
trastes individuales de los parmetros
i
y del contraste general de regresin si se utiliza un nivel
de signicacin = 0.01.
6
Anlisis de Regresin Mltiple
----------------------------------------------------------------------------
Variable Dependiente: LOG10(Duracin)
-----------------------------------------------------------------------------
Desviacin Estadstico
Parmetro Estimacin Tpica t P-Valor
-----------------------------------------------------------------------------
CONSTANTE 0,515979 0,045626 11,3089 0,0000
V -0,343176 0,0372527 -9,21213 0,0000
F -0,690076 0,0372536 -18,5237 0,0000
V^2 0,181733 0,0436797 4,16058 0,0010
F^2 0,125106 0,043684 2,86389 0,0125
V x F -0,0316418 0,045626 -0,693503 0,4993
-----------------------------------------------------------------------------
Anlisis de la Varianza
-----------------------------------------------------------------------------
Suma de Grados Cuadrados
Fuente Cuadrados Libertad Medios F P-Valor
-----------------------------------------------------------------------------
Modelo 7,60038 5 1,52008 91,27 0,0000
Residual 0,233154 14 0,0166539
-----------------------------------------------------------------------------
Total (Corr.) 7,83354 19
6.15 En un modelo de regresin simple se ha obtenido un coeciente de correlacin igual a 0.8. Si el
nmero de observaciones es n = 150, y = 22 y la variabilidad total es 320. Construir un intervalo
de conanza al 95% para el valor medio de la variable dependiente (y) cuando x (regresor) es
igual a x. (Aproximar la distribucin t de Student correspondiente por una distribucin normal, si
Z ;N(0, 1), P(Z 1.96) = 0.975).
6.16 Sea x
1
la altura del tronco de un rbol y x
2
el dimetro del mismo en su parte inferior. El volumen
y del tronco de rbol puede ser calculado aproximadamente con el modelo
y
i
= x
1i
x
2
2i
+u
i
,
segn el cual, el volumen del tronco es proporcional al volumen de un cono con las medidas x
1i
, x
2i
,
siendo el parmetro (desconocido) de proporcionalidad, ms una componente de error aleatorio
u
i
. La tabla siguiente contiene los datos (en metros y metros cbicos) correspondientes a una
muestra aleatoria de 15 troncos de una variedad de pino.
Obs. x
1i
x
2i
x
1i
x
2
2i
y
i
Obs. x
1i
x
2i
x
1i
x
2
2i
y
i
1 10,1 0,117 0,14 0,062 9 19,8 0,297 1,75 0,821
2 11,3 0,13 0,19 0,085 10 26,8 0,328 2,90 1,280
3 20,4 0,142 0,41 0,204 11 21 0,351 2,60 1,034
4 14,9 0,193 0,56 0,227 12 27,4 0,376 3,90 1,679
5 23,8 0,218 1,13 0,47 13 29 0,389 4,40 2,073
6 19,5 0,236 1,09 0,484 14 27,4 0,427 5,00 2,022
7 21,6 0,257 1,43 0,623 15 31,7 0,594 11,2 4,630
8 22,9 0,269 1,66 0,722
7
(a) Estimar por mxima verosimilitud suponiendo que las variables u
i
tienen distribucin
normal de media cero, con la misma varianza e independientes.
(b) Un tronco tiene una altura de 20 metros y un diametro de 0.25 metros, dar un intervalo de
prediccin de su volumen (95% de conanza). La varianza residual del modelo es 0,0058.
(c) En el anlisis de los residuos se observa que la varianza de los errores crece con el volumen
del tronco. Para obtener homocedasticidad se propone el siguiente modelo transformado
utilizando logaritmos neperianos,
log y
i
=
0
+
1
log x
1i
+
2
log x
2i
+u
i
El resultado de la estimacin es:
Parmetro Estimacin
0
-1,45
1
1,14
2
1,86
y
c
M
b
=
_
_
0, 1250 0, 0212 0, 0317
0, 0212 0, 0082 0, 0051
0, 0317 0, 0051 0, 0042
_
_
siendo
c
M
b
= b s
2
R
(X
T
X)
1
(X es la matriz de los regresores transformados segn el modelo)
La transformacin logartmica del modelo inicial (x
1i
x
2
2i
) implicara que
1
= 1 y
2
= 2.
Contrastar (nivel de signicacin 0.05) si estos dos valores son aceptables.
(d) Con este modelo, dar un intervalo de prediccin (95% de conanza) para el volumen del
tronco del apartado 2 si la varianza residual es 0,0031.
6.17 La empresa de bebidas gaseosas CIBELES quiere determinar la inuencia sobre la presin interna
(y
i
) en los botes de refresco de dos variables continuas (x
1
, x
2
) y del tipo de bebida (NARANJA=1,
LIMN=2 y COLA=3). Para distintos valores de x
1
y x
2
y 20 botes de cada sabor, ha medido
la presin interna. El tipo de bebida se representa por las variables z
1
, z
2
y z
3
qu identican el
sabor NARANJA, LIMN y COLA, respectivamente. El modelo estimado de regresin de y con
respecto a x
1
, x
2
, z
2
y z
3
es:
y = 19.4 + 77.2x
1
50.8x
2
+ 2.95z
2
+ 5.52z
3
; b s
R
= 4.32
donde
(X
T
X)
1
=
_
_
0.1772 0.6909 0.5043 0.0605 0.0896
0.6909 5.8085 0.2541 0.1478 0.2444
0.5043 0.2541 5.0070 0.0680 0.1216
0.0605 0.1478 0.0680 0.1049 0.0546
0.0896 0.2444 0.1216 0.0546 0.1127
_
_
(a) Realizar los contrastes individuales con = 0.01, indicando las variables que inuyen
signicativamente en la presin. Interpretar el resultado explicando el signicado de cada
parmetro.
(b) Si se realiza una regresin entre la presin interna (y
i
) y las dos variables continuas x
1
y
x
2
se obtiene el siguiente modelo de regresin
y = 23.86 + 65.1x
1
56.3x
2
; s
R
= 4.78.
Contrastar ( = 0.01) conjuntamente que el tipo de bebida no inuye. (H
0
:
2
=
3
= 0
frente a H
1
:
2

3
es distinto de cero).
8
(c) Existe diferencia signicativa en las presiones internas de los botes de LIMN y COLA?
( = 0.01)
6.18 Se ha ajustado el siguiente modelo de regresin mltiple con una muestra de 86 vehculos, de
los cuales 31 son japoneses , 41 norteamericanos y 14 europeos, dnde la variable dependiente es
el consumo, y los regresores: Pot (potencia) est expresada en unidades de 100 Cv, el Peso en
Toneladas, Z
J
toma el valor 1 si el coche es japons y cero en los dems, y Z
E
toma el valor 1 para
los coches europeos y cero en los dems.
b y = 3.305 + 0.843 Pot + 3.829 Peso + 0.440 Z
J
+ 1.127 Z
E
b s
2
R
= 0.506, R
2
= 75.7%
(X
T
X)
1
=
_
_
_
_
_
_
4.791e 1 5.054e 2 3.794e 1 9.157e 2 4.682e 2
5.054e 2 1.595e 1 1.931e 1 3.443e 3 1.262e 2
3.794e 1 1.931e 1 4.646e 1 5.210e 2 2.865e 2
9.157e 2 3.443e 3 5.210e 2 6.667e 2 2.744e 2
4.682e 2 1.262e 2 2.865e 2 2.744e 2 9.759e 2
_
_
_
_
_
_
Dar el intervalo de conanza para el consumo previsto de un coche norteamericano con una potencia
de 120 Cv y 1600 kg de peso.
6.19 Sea X la matriz completa de un diseo 2
k
, por ejemplo para el caso de k = 3,
X =
_
_
_
_
_
_
_
_
_
_
_
_
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
_
_
_
_
_
_
_
_
_
_
_
_
e Y el vector de dimensin n = 2
k
con los valores de la variable respuesta correspondiente al exper-
imento. El anlisis estadstico del experimento se puede realizar mediante el modelo de regresin
mltiple
Y = X +U,
donde = (
0
,
1
, ...,
n1
)
T
es el vector de parmetros y U = (u
1
, u
2
, ..., u
n
)
T
el vector de variables
aleatorias independientes con distribucin normal de media cero y desviacin tpica . Demostrar
que para cualquier i, la varianza de
b
i
es
2
/n y que el error de prediccin de una observacin
nueva en cualquiera de los 2
k
tratamientos tiene como varianza 2
2
.
6.20 Demuestra que la recta de regresin pasa por el punto ( x, y) y que el intervalo de prediccin para
la media de la variable respuesta cuando el regresor toma el valor igual a x, es
y t
/2
s
R
n
donde n es el nmero de observaciones, t
/2
se obtiene de la distribucin t de Student con n 2
grados de libertad y s
2
R
es la varianza residual.
9
6.21 La masa M de un cristal de hielo depositado en una cmara a temperatura (-5
o
C) y humedad
relativa constante crece segn la ecuacin M = T
, donde T es el tiempo en horas, y y

son parmetros desconocidos. La relacin anterior se linealiza con la transformacin logartmica,
estimndose el siguiente modelo
log M = log + log T +u
donde el trmino aadido u son los errores experimentales, que se consideran aleatorios e indepen-
dientes con distribucin normal, N(0,
2
). Diez cristales del mismo tamao y forma se introdujeron
en una cmara, extrayndose secuencialmente segn unos tiempos previamente establecidos. El
modelo estimado, X
T
X y (X
T
X)
1
son:
d
log M
i
= 7.30 + 2.40 log T
i
, s
R
= 0.64
X
T
X =
10.00 46.66
46.66 218.9
(X
T
X)
1
=
18.27 3.89
3.89 0.835
Predice el crecimiento medio esperado del cristal despus de 3 horas en la cmara con un intervalo
al 95% de conanza.
6.22 La siguiente tabla muestra los datos recogidos en un estudio sobre el efecto de disolver azufre en la
tensin supercial del cobre fundido
Variables Observaciones
X: % en Peso deAzufre 0.034 0.093 0.30 0.40 0.61 0.83
Y: Reduccin de Ten.Sup. 301 430 593 630 656 740
(dos replicaciones) 316 422 586 618 642 714
Se ha estimado el modelo de regresin lineal simple con log(X) como regresor. El resultado del
anlisis de regresin y la grca del modelo se proporcionan ms abajo.Se ha estimado el modelo de
regresin lineal simple con log(X) como regresor. El resultado del anlisis de regresin y la grca
del modelo se proporcionan ms abajo.
Anlisis de Regresin: Modelo Logartmico Y = a + b*ln(X)
--------------------------------------------------------------------------
Variable dependiente: Tensin Superficial
Variable Independiente: Azufre
--------------------------------------------------------------------------
Desviacin Estadstico
Parmetro Estimacin Tpica t P-Valor
--------------------------------------------------------------------------
Constante 735,784 7,47038 98,4935 0,0000
Pendiente 127,457 4,12867 30,8712 0,0000
--------------------------------------------------------------------------
Analisis de la Varianza
--------------------------------------------------------------------------
Fuente Suma de Grados Cuadrados
Cuadrados Libertad Medios F P-Va
--------------------------------------------------------------------------
Modelo 241678,0 1 241678,0 953,03 0,0
Residual 2535,9 10 253,59
--------------------------------------------------------------------------
Total (Corr.) 244214,0 11
10
Azufre
T
e
n
s
i
o
n
_
S
u
p
0 0,2 0,4 0,6 0,8 1
300
400
500
600
700
800
Utiliza el modelo para predecir la reduccin de la tensin supercial del cobre fundido con un 0.8%
de azufre disuelto. Da un intervalo de conanza del 95% para la prediccin.
6.23 Se ha estimado un modelo de regresin con dos variables independientes y 20 observaciones obtenin-
dose la siguiente ecuacin:
b y
i
= 19.17 + 0.222x
1
+ 0.659x
2
, b s
2
R
= 6.468
La matriz de varianzas de los regresores (x
1
, x
2
) es
25.23 24.29
24.29 27.40
.
Teniendo en cuenta que la matriz de varianza terica de los estimadores
b
b = [
b
1
,
b
2
]
T
es
_
_
_
_
2
ns
2
1
(1 r
2
)

r
2
ns
1
s
2
(1 r
2
)
r
2
ns
1
s
2
(1 r
2
)

2
ns
2
2
(1 r
2
)
_
_
_
_
,
donde n es el nmero de observaciones, r el coeciente de correlacin entre los regresores, s
2
1
y
s
2
2
las varianzas muestrales de los regresores y
2
la varianza del modelo de regresin; realiza los
contrastes individuales de los dos regresores, = 0.05. Interpreta el resultado de los dos contrastes.
11
.
Estadstica
Soluciones a los ejercicios propuestos.
Curso 2004/05
1
Captulo 1. Descriptiva
1.1 x
p
= (10 +18+22+150)/4 = 50; s
p
=
r
(10 50)
2
+... + (150 50)
2
4
= 57.9; x
a
= 10(10/200) +
... + 150(150/200) = 117.04;
s
a
=
p
(10 117.04)
2
(10/200) +... + (150 117.04)
2
(150/200) = 57.1.
1.2 Si es posible el resultado, z = x +y; s
2
z
= s
2
x
+s
2
y
+ 2s
xy
; s
xy
= 11/2;
4 11/2
11/2 9
0.
1.3 x
0
= k
1
x; y
0
= k
2
y; cov(x
0
, y
0
) = k
1
k
2
cov(x, y); s
x
0 = |k
1
| s
x
; s
y
0 = |k
2
| s
y
; r(x
0
, y
0
) = r(x, y).
1.4 cov(x, y) = bs
2
x
; s
2
y
= b
2
s
2
x
; r(x, y) = 1.
1.5
s
2
x
rs
x
s
y
rs
x
s
y
s
2
y
= s
2
x
s
2
y
r
2
s
2
x
s
2
y
0; 1 r
2
.
1.6 Si. Determinante = 2. No puede ser una matriz de varianzas.
1.7 No. y = log
10
x
G
; x
G
es la media geomtrica; x
G
< x
A
; log
10
x
G
< log
10
x
A
; 2.5 2.
1.8 Q
1
= 0.16; Q
2
= mediana = 0.0.3; Q
3
= 0.18; RI = 0.34; LI = 0.67; LS = 0.69, como el valor
mximo muestral es 0.45, entonces LS = 0.45.
Captulo 2. Probabilidad
2.1 p = 0.472
2.2 La funcin de densidad es f
z
(z) =
2z
r
2
con 0 < z < r y la funcin de distribucin es F
z
(z) =
z
2
r
2
2.4 k = log 2; E[X] =
25
log 2
y V ar[X] ' 51.67
2.5 E
mV
2
2
=
3
2
kT,que es independiente de su masa. Fijada la temperatura T, cualquier gas tiene
el mismo valor medio de energa cintica molecular independientemente de su masa.
2.6 f
Y
(y) = 1 con 0 y 1
2.7 p =
5
x
2
e
x
2
2
2
dx
10
= e
10/8
2.8 E[X] =
R
a
0
xf
X
(x)dx +
R
a
xf
X
(x)dx
R
a
xf
X
(x)dx = aP(x > a) y despejando se obtiene la
desigualdad de Markov.
2.9 k =
3
2
, E[Y ] =
1
8
, V ar[Y ] =
171
320
.
2.10 f
XY (x,y)
=
c si x
2
+y
2
r
2
0 si x
2
+y
2
> r
2
, f
X
(x) =
2
r
2
r
2
x
2
, r x r
2
2.11 (a) k = 6; E[p] =
1
2
; V ar[p] =
1
20
.
(b)

R
0.75
0
6p(1 p)dp
10
= 0.183
2.12 f
U
(u) = 2F(u)f(u)
2.13 La funcin de probabilidad para el mximo es:
Valor Probabilidad
1 1/36
2 3/36
3 5/36
4 7/36
5 9/36
6 11/36
La funcin de probabilidad para el mnimo es:
Valor Probabilidad
1 11/36
2 9/36
3 7/36
4 5/36
5 3/36
6 1/36
La funcin de probabilidad para la media es:
Valor Probabilidad
1 1/36
1, 5 2/36
2 3/36
2, 5 4/36
3 5/36
3, 5 6/36
4 5/36
4, 5 4/36
5 3/36
5, 5 2/36
6 1/36
2.14 f
XY
(x, y) 6= f
x
(x)f
Y
(y), por lo que X e Y no son variables aleatorias independientes.
2.15 (a) P(Z = n) =
P
n
k=0
P(X = k)P(Y = n k) = e
(
1
+
2
)
P
n
k=0

k
1
nk
2
k!(n k)!
, multiplicando y
dividiendo por n!, y utilizando que (
1
+
2
)
n
=
P
n
k=0
n!
k!(n k)!
k
1
nk
2
, se obtiene que:
3
P(Z = n) =
e
(
1
+
2
)
n!
(
1
+
2
)
n
,
que es la probabilidad de Poisson con parmetro =
1
+
2.
(b) P(X = k|Z = n) =
n!
k!(n k)!
1
+
2
1
+
2
nk
, si llamamos p =

1
1
+
2
,
P(X = k|Z = n) =
n
k
(p)
k
(1 p)
nk
que es una binomial de parmetros n y p =

1
1
+
2
2.16 P(X < 0.3|Y = 0.8) = 0.09
2.17 Sea X la variable llegada de clientes en una hora, X
1
la variable llegada de clientes en los 15
primeros minutos de esa hora y X
2
la variable llegada de clientes en los 45 ltimos minutos de esa
hora. La probabilidad pedida:
P(X
1
= 2|X
2
= 2) =
1
4
2
.
2.18 (a) k = 8
(b) P(X < 0.5|Y = 0.5) = 1
(c) Las variables aleatorias X e Y no son independientes ya que el campo de variacin de X depende
de Y.
2.19 V ar(Z) = 0
2.20 LLamando X al tiempo de vida del receptor e Y al tiempo de vida del amplicador, P(X < Y ) =
2
3
.
2.21 El nmero medio de aos que dura una mquina es:
E[Y ] =
R
T
0
xf
x
(x)dx +T(1 F(T)).
Por lo tanto el nmero medio esperado de mquinas empleadas en un ao es:
1
E[Y ]
= [
R
T
0
xf
x
(x)dx +T(1 F(T))]
1
.
2.22 M
Z
=
6 2 4
2 6 4
4 4 6
2.23 = 0. Las variables no son independientes porque por ejemplo P(Y

1
= 0|Y
2
= 0) = 0 6= P(Y
1
= 0)
2.24 (a) f
X
(x) = 2x con 0 < x < 1, f
Y
(y) =
y
2
con 0 < y < 2. Las variables X e Y son independientes
ya que f
XY
(x, y) = f
X
(x)f
Y
(y)
(b) P(X +Y < 1) =
1
24
4
2.25 F
X
(x) = 1 e
ax
; x 0 y F
Y
(y) = 1 e
ay
; y 0. Como F
XY
(x, y) = F
X
(x)F
y
(y) las variables
aleatorias X e Y son independientes.
P(X < 1, Y 2) = (1 e
a
)e
2b
; P(X < 1) = 1 e
a
y P(Y 2) = e
2b
.
2.26 P(T
1
< 1|T
2
> 2) =
1
3
2.27 f
Y
(y) = ln(1 y) con 0 y 1
2.28 p =
1
2
2.29 Cov(X, Y ) = E[(X E(X))(Y E(Y ))] = E[XY ] E[X]E[Y ],
se sustituye Y = U +V, obteniendo:
Cov(X, Y ) = E[(X(U +V )] E[X]E[U +V ] = E[XU] E[X]E[U] +E[XV ] E[X]E[V ] =
= Cov(X, U) +Cov(X, V )
2.30 (a) Sea Y el nmero de pruebas a realizar, E[Y ] = 51 0.395 + 1 0.605 = 20.75 ' 21
(b) Sea A el suceso de que un individuo sea portador del virus y B el suceso el resultado dela
anlisis ha resultado positivo, P(A|B) = 0.025.
2.31 P(X = n) =
n
k 1
p
k
(1 p)
nk+1
.
2.32 16/7
2.33 p = 1
P
4
i=1
(
1
2
)
i
= 0.0625
2.34 (a) e
3
3
6
6!
(b) e
6
6
3
3!
(c) 1
P
15
i=0
e
9
9
i
i!
(d) e
3
5
(
3
5
)
2
2!
2.35 La funcin de densidad es f
W
(w) =
b
a
b
w
b1
e
(
w
a
)
b
con a > 0, < b > 0, w > 0 y la funcin de
distribucin es F
W
(w) = 1 e
w
a
b
2.36 p = 0.3
2.37 p = 0.065
2.38 (a) p = 0.76 0.37 0.76 = 0.21
5
(b) Sea D el tiempo de vida de la depuradora P(D < T + 1000|D > T) = 0.049. No depende de
T, por lo que no est justicado renovar la depuradora antes del fallo ya que la probabilidad
de fallo no depende del tiempo que ha estado funcionando.
2.39 p = 0.175
2.40 p = e
k(t
2
t
1
)
2.41 Sea X el nmero de peces capturados en 15 minutos, P(X > 1| =
3
4
) = 0.5276. Sea X
0
el nmero
de peces capturados en dos horas de pesca P(X
0
= 5|
0
= 6) = 0.1606.
2.42 (t) =
1
1000
2.43 Utilizando la aproximacin a la normal a 9.
2.44 f
Y
(y) =
1
y
1
2
e
y
2
con y > 0
2.45 Mediana= 0.674
2.46 (a) 0.976
(b) 0.0229
(c) 0.999
(d) 0.1
2.47 (a) 0.3142
(b) 0.119
(c) 0.7103
2.48 X = peso de caja con 100 sobres;
X N( = 100 8 + 30 = 830; =
100 0, 25 = 5);
P(X > 820) = 1 (
820830
5
) = 0, 0228;
Y = peso de caja con 199 sobres;
Y N( = 99 8 + 30 = 822; =
99 0, 25 = 4, 975);
P(Y > 820) = 1 (
820822
4,975
) = 0, 656
2.49 Y = nmero de veces que sale el nmero elegido
Y B(n = 3; p = 1/6);
X = balance del jugador = Y 1
E[X] = 3/6 1 = 0.5; sale ganando la banca.
2.50 X = nmero de unidades defectuosas de un total de 400
6
X B(n = 400; p = 0, 06) (aprox) N( = 400 0, 06 = 24; =
400 0, 06 0, 94 = 4, 745);
Hay que calcular c tal que (
c24
4,745
) = 0, 05, es decir
c24
4,745
= 1, 645; c = 16, 18
Captulo 3. Inferencia
3.1 b n = 103; b p = 0.21.
3.2
b
N = 2x 1.
3.3
b
=
6
5
x; E[
b
] = y V ar[
b
] =

2
35
.
3.4
b
= 100/22.
3.5 P(t > 10) = 1 P(t 10) = 1 F
T
(10) = exp(10/7) = 0.24, siendo b = 1/7.
3.6 b =
n
n
i=1
log
x
i
!;
b
= m ax{x
1
, x
2
, ..., x
3
}.
3.7
dL()
d
=
20
+
2
3
10
i=1
(x
i
)
2
+
726
3
;
b
MV
= 8.2582.
3.8 L(p) = 20 log p + 95 log(1 p) +k;
dL(p)
dp
= 0; b p = 0.174.
3.9 l() =
1
7
exp(
2082
);
b
=
2082
7
= 297.4.
3.10
b
= 3x; V ar(
b
) =

2
2n
.
3.11 c =
n
2
2
+n
2
; c =
n
4 +n
.
3.12 k =
1
n(n 1)
.
3.13 ECM(b
2
) =
4
(k 1)
2
+
2k
2
4
(n 1)
; k =
n 1
n + 1
.
3.14 b =
t
1
2
+
t
2
4
; E[] = ; V ar[] =
1
4
V ar[t
1
] +
1
16
V ar[t
2
] =
17
64n
2
.
3.15 P = P(fallo en un mensaje) = P(fallo en al menos un bit de los 128) = 1 (1 p)
128
. En los
ltimos 10000 mensajes (lecturas) ha habido 340 errneos.
b
P =
340
10000
= 1(1b p)
128
; b p = 0.000270.
3.16 (a) x t
(11;
2
)
b s
n
; (29.47, 30.70).
(b)
(n 1)b s
2
2
;
2
11
;
2
(0.472, 2.709).
7
3.17 x t
(12;
2
)
b s
n
; (30.37, 38.25).
3.18 ingreso x t
(11;
2
)
b s
n
; ingreso (2857, 1822).La amplitud es 500.
L = 250; n = z
2
2
b s
2
L
2
= 40.8; al menos n = 41 estaciones.
3.19 (a) x = 45.75; b s
2
= 201.6
(b) x t
(14;
2
)
b s
n
; (34.82, 56.67)
(c)
(n 1)b s
2
2
;
2
14
;
2
(90.19, 693.60)
(d) L = 2
b s
n
t
(14;
2
)
;
n >
b s
6
t
(14;
2
)
; n > 23; n = 24.
3.20 p b p z
2
r
b p(1 b p)
n
; p (0.131, 0.239); L = 2 1.96
r
b p(1 b p)
200
;
L
1
= 2 1.96
r
b p(1 b p)
m
, L
1
=
L
2
; m = 4 200 = 800.
3.21 P(|b p p| 0.05) = 0.95; b p ; N
p,
r
p(1 p)
n
!
;
0.05
r
p(1 p)
n
= 1.96; n =
1.96
2
p(1 p)
0.05
2
; p =
1/2; n = 384.
3.22
b
z
2
s
b
T
;
b
= 236.5; T = 15; (228.72, 244.28).
3.23
2
a,60

2 30 x

2
b,60
; (4.46, 9.18).
3.24 (a) b
MV
=
r
2
P
x
2
i
3n
; V ar(b
MV
) =

2
6n
.
(b) b
M
=
x
2
; V ar(b
M
) =
3
8n

1
n
2
.
(c) b
MV
z
2
r
b
2
MV
6n
; (2.74, 3.21); b
M
z
2
s
3
8n

1
n
b
2
M
; (2.78, 3.27).
3.25 (a) X ;B(n = 10
12
, p = e
t
= e
20000/8270
); E[X] = np = 8.9 10
10
.
X ;N( = ne
t
, =
p
ne
t
(1 e
t
)).
(b) El intervalo es 1.96; (8.9 10
10
5.58 10
5
). Se ve que el cociente entre la desviacin
tpica y la media es 6.26 10
6
, lo cual indica que la incertidumbre del proceso es despreciable.
8
(c) E[X] = Np = Ne
t
; x = x
1
= 10
10
;
b
Ne
t
= 10
10
;
b
N = x
1
e
t
= 1.1210
11
; E[
b
N] = e
t
E[x
1
] =
e
t
Ne
t
= N; V ar(
b
N) = e
2t
V ar(x
1
) = e
2t
Ne
t
(1 e
t
) = Ne
t
(1 e
t
).
(d) Ne
T
=
N
2
; T =
log 2
= 5.73 10
3
.
3.26 (a) t =
190 x
b s/
n
;t
n1
; t = 1.84; |t| < t
(4;0.025)
= 2.78, no se puede rechazar H
0
: = 190.
(b) D =
(n 1)b s
2
100
;
2
4
; D = 4.58 <
2
(4,0.05)
0
:
2
= 100.
3.27 P(Error tipo I) = P(x > 11| = 10) = 0.0227; P(Error tipo II) = P(x < 11| = 12) = 0.0227.
3.28 P

X 85|X ;N
100 0.75,
100 0.75 0.25
= 0.01044 < = 0.05. Con nivel de signi-

cacin = 0.05, la nueva medicina es ms efectiva que la antigua.
3.29

H
0
: p = 0.03
H
1
: p > 0.03
; Z =
b p p
r
p(1 p)
n
; N(0, 1); Z = 1.24 < Z
0.05
= 1.65, no se puede rechazar
H
0
; Pot(p) = 1
0.04978 p
r
p(1 p)
200
; P(Error tipo II|p = 0.06) = 1 Pot(p = 0.06) = 0.2709.

3.30 (a) X
2
=
2nx
;
2
60
; X
2
= 74.4 <
2
(60;0.05)
0
;
Nivel crtico: P(
2
60
74.4) = 0.10.P(Error tipo II| = 7.5) = P

2nx
5
79.1 | = 7.5
0.25.
(b)

H
0
:
1
=
2
H
1
:
1
>
2
;
x
1
/
1
x
2
/
2
; F
2n
1
,2n
2
. Se rechaza H
0
si
x
1
x
2
> 1.74; x
2
< 3.56. Despus de 6000
horas x
2

2.35 6 + 6 9
15
= 4.54 > 3.56. No es necesario seguir el ensayo.
3.31 P(b p > c|p = 0.85) = 0.01; P(b p > c|p = 0.95) = 0.99; n 180; c = 0.912.
3.32 X
2
=
8
i=1
(O
i
E
i
)
2
E
i
;
2
5
; X
2
= 7.5181 <
2
(5;0.05)
= 11.1, no se puede rechazar la hiptesis de
normalidad.
3.33 X
2
=
6
i=1
(O
i
E
i
)
2
E
i
;
2
5
; E
i
= 20 i; X
2
= 8.5 <
2
(5;0.05)
= 11.1,no existe evidencia para
rechazar la hiptesis de que el dado est equilibrado.
3.34 X : v.a nmero de epicentros en una cuadrcula de tamao 100 km
2
;Poisson();
b
=
n
o
total de epicentros
n
o
total de cuadrculas
=
P
x
i
P
n
i
=
48
34
= 1.41 epicentros/100 km
2
; X
2
=
5
i=1
(O
i
E
i
)
2
E
i
;
2
3
;
X
2
= 0.44 <
2
(3;0.05)
= 7.8147; no existe evidencia para rechazar la hiptesis de que la distribucin
de epicentros es una Poisson. Nivel crtico: P(
2
3
0.44) 0.90 0.95.
9
3.35 P(error tipo II ) = P(X > 0|p < 0.07) = 1 (1 p)
20
, p < 0.07; P(error tipo I ) = P(X = 0|p =
0.07) = (1 p)
20
= 0.234. El mtodo tiene una probabilidad muy alta (0.234) de dar como mejor
el apoyo nuevo cuando es igual que el existente.
3.36 X
2
=
20
P
i=1
2T
i
200

2
40
; X
2
= 22.74 <
2
(40;0.95)
= 26.5. Se rechaza H
0
con = 0.05. Conviene
resaltar que el contraste es unilateral con la regin de rechazo a la izquierda.
3.37 X = nmero de defectos en 900m
2
de tela
X Poisson( = 9 4 = 36) (aprox) N( = 36; = 6);
P(X > 50, 5) = 1 (
50,536
6
) = 0, 0078;
Y = nmero de defectos en 16 horas de fabricacin
Y Poisson( = 9 4 16 = 576) (aprox) N( = 576; = 24);
H
0
: = 576; H
1
: > 576;
P(Y > 720 | = 576) = 1 (
720,5576
24
) = 8, 6e 10; se rechaza H
0
, la evidencia muestral indic que
ha habido un aumento.
Captulo 4. Anlisis de la varianza
4.1 (a) 0.4325

2
1
2
2
1.1149.
(b)
1
2
(809.2, 1023.2).
4.2 La regin de rechazo es:|d| > 2.179, como d = 0.51 no se rechaza las mquinas son iguales.
4.3 (a) Se debe elegir el proveedor A.
(b)
A
B
(3526.34, 6473.65).
4.4 El valor calculado de la F(19.2) se compara con el valor de tablas F
(2,16;0.05)
= 3.63. Como
19.2>3.63 se puede concluir que para = 0.05 existen diferencias signicativas entre los tratamien-
tos.
4.5 (a) Se compara el valor obtenido de la F(3.99) con el valor de tablas F
(4,25;0.05)
= 2.76. Como
3.99>2.76 se concluye que existen diferencias signicativas entre los materiales. No se puede concluir
que exista un material con desgaste signicativamente menor. Los materiales que tiene un desgaste
medio signicativamente distinto son: B y C, B y A, y E y C. El resto no se pueden considerar
signicativamente distintos.
(b) 0.93
2
4.18
4.6 (a) El valor de la F obtenido es 2.05, que se compara con el de tablas F
(3,15;0.05)
= 3.29. Como3.29 >
2.05 no puede rechazarse la hiptesis nula de igualdad de medias.
(b) No, el valor 68 del tercer termmetro parece discordante con los demas.
10
(c) El termmetro 4 es distinto al 1 al 2. La diferencia de las conclusiones proviene de que el valor
68 del grupo 3 es atpico y distorsiona todo el resultado.
4.7 (a) Se compara el valor de la F(64.348) obtenido con el de las tablas F
(2,12;0.01)
= 6.92. Como
64.348 > 6.92 se rechaza la hiptesis nula de que las medias son iguales.
(b) El valor que se obtiene de la t es 2.9853 que no est incluido en el intervalo (2.18, 2.18), con
lo que se rechaza la hiptesis nula.
4.8 La relacin aproximada entre la desviacin tpica de la variable transformada y la original es
s
z
' s
y
|h
0
(y)| donde h es la transformacin realizada, h
0
es la primera derivada de la transformacin
e y es el valor medio de y. Utilizando la expresin anterior se observa que la transformacin que
corrige la heterocedaricidad es z = log y.
Captulo 5. Diseo de experimentos
5.1 Se compara el valor de la F = 45.7 con el valor de las tablas F
(1,4;0.05)
= 7.71. Como 45.7 > 7.71
se rechaza que los equipos son iguales.
5.2 Si no se tiene en cuenta el bloque el resultado es el mismo que si no se tiene en cuenta. El factor
es signicativo. Es mejor el modelo en bloques que el de un factor para cualquier caso. Ya que si el
bloque no es signicativo, podemos pasar directamente al modelo con un factor (sin realizar ningn
clculo), pero si el bloque es signicativo se pierde mucho no planteando el modelo en bloques,
incluso podra suceder que el factor no resultara signicativo.
5.3 (a) Existe evidencia de que el consumo medio no es igual en cada estacin del ao.
(b) La estacin de mayor consumo es el invierno. No se puede hablar de una estacin de menor
consumo, ya que el consumo medio en otoo, primavera y verano no se pueden considerar signica-
tivamente distintos. Los intervalos de conanza para el consumo medio de las diferentes estaciones
del ao son:
I
(13.36, 14.96),
I
(12.17, 13.77),
I
(11.86, 13.46) y
I
(11.26, 12.86).
(c) Los factores estacin y comunidad son signicativos.
(d) El consumo en invierno es signicativamente mayor que en el resto de las estaciones, el consumo
en otoo y primavera es signicativamente mayor que en verano y, el consumo en primavera es
signicativamente mayor que en primavera. Al incluir el factor comunidad disminuye la varianza
residual y el test para el invierno resulta ms signicativo y permite detectar el efecto de las dems
estaciones.
5.4 (a) No se rechaza H
0
:
D
= 0. El nivel crtico del contraste es 0.1462.
(b) El nmero de niveles del factor y del bloque es respectivamente I = 2 y J = 20, b s
2
R
=
P
2
i=1
P
20
j=1
e
2
ij
(I 1)(J 1)
=
P
20
j=1
e
2
1j
+
P
20
j=1
e
2
2j
(J 1)
, donde e
ij
= y
ij
y
i
y
j
+y
. Para un mismo da
e
1j
+e
2j
= 0
P
20
j=1
e
2
1j
=
P
20
j=1
e
2
2j
, por lo tanto b s
2
R
=
1
2
P
20
j=1
(D
j
D)
2
(J 1)
=
1
2
b s
2
D
(c) F
1,J1
=
V E
b s
2
R
=
y
1
y
2
b s
D
/
2
=
D
b s
D
/
2
= t
2
J1.
11
5.5 El efecto del sexo y el tipo de de formacin son signicativos y adems existe interaccin entre ellos.
Interpretaccin: 1) Existen diferencias signicativas en el nmero medio de errores cometidos entre
profesores de ciencias y profesores de letras (11.67 ms en ciencias). 2) Tambin es signicativa la
diferencia entre hombres y mujeres (9 errores ms para hombres). 3) Adems la diferencia observada
entre hombres y mujeres de letras (2 errores ms para hombres) dieren signicativamente de la
observada para los profesores de ciencias (16 errores ms para hombres).
5.6 La interaccin entre los dos factores no es signicativa. Esta conclusin se puede obtener al
comparar el valor de la F (2.16) obtenido con el de las tablas F
(2,24;0.05)
= 3.4. Como 2.16>3.4 la
interaccin no resulta signicativa.
5.7 (a) Se compara el valor de laF(2.8125) con el obtenido en las tablas F
(4,45;0.05)
= 2.59. Como
2.8125 > 2.59 se rechaza la hiptesis nula de igualdad de medias, y se concluye que el ndice de
octanos medido no es igual para cada frmula.
(b) La frmula 3 proporciona ndice medio de octanos signicativamente distintos a las frmulas 1
y 5, y la frmula 4 es signicativamente distinto a la 1. Las dems frmulas no se pueden considerar
que proporcionen ndice de octanos diferentes.
(c) El valor de la F(2.43) correspondiente a la interaccion se compara con el valor de las tablas
F
(4,90;0.05)
= 2.47. Como 2.47 > 2.43 no se puede rechazar que la interaccin sea nula, o de otra
forma, el efecto de la interaccin no es signicativo al 95%.
5.8 Para que la interaccin sea signicativa debe cumplirse que 1.125(R 1) > F
(4,9(R1);0.05)
, donde
R es el nmero de replicaciones. El clculo de R es iterativo. Se irn dando valores hasta conseguir
que la interaccin sea signicativa.
5.9 V E() = 20.9988, V NE = 4.1842, el valor correspondiente de la F es 28.5155, que se compara
con el valor de las tablas F
(2,12;0.05)
= 3.89. Como 28.5155 > 3.89 se rechaza que la interaccin entre
los factores horno y temperatura.
5.10 (a) El laboratorio 3 tiene una media signicativamente menor que los otros tres. La diferencia
entre las medias de los laboratorios 1,2 y 4 no son signicativas. Este resultado se observa en la
tabla del enunciado, en la que se marcan con un astersco las diferencias signicativas entre los
valores medios de los laboratorios. El intervalo para la media del tercer laboratorio es:
3
y
3
t
16;0.005
b s
R
r
1
n
3
,
y sustituyendo para los datos obtenidos se tiene que:
3
56.52 2.921
2.14872
r
1
5

3
(54.61, 58.44).
(b) El contraste
H
0
:
2
= 1
H
1
:
2
> 1
12
se realiza con el estadstico
(n I) s
2
R
2
que tiene distribucin de probabilidad
2
nI
siendo I = 4 el nmero de laboratorios y n = 20 el
nmero de datos.
2
0
=
(n I) s
2
R
2
=
16 2.14872
1
= 34. 38
que es mayor que el valor
2
16,0.01
= 32, por consiguiente se rechaza la hiptesis H
0
y se concluye
que la varianza es mayor que 1.
(c) Como resultado del anlisis del modelo con dos factores se observa que el efecto principal da y
la interaccin entre el laboratorio y el da no resultan signicativas, obteniendo para ambos casos
p-valores (0.8510 y 0.9779 respectivamente) claramente superiores a 0.01. Por otra parte al hacer
las comparaciones para los laboratorios dos a dos se observa que adems de las diferencias entre
laboratorios obtenidos en el primer apartado, se aprecia ahora una nueva diferencia signicativa
entre el laboratorio 1 y 2.
(d) Sea
2
1
la varianza correspondiente al da 1 y
2
2
la correspondiente al da 2. El contraste pedido
es:
H
0
:
2
1
=
2
2
H
1
:
2
1
6=
2
2
El contraste se realiza segn:
16 s
2
R1
2
1
16 s
2
R2
2
2
F
16,16
,donde s
2
R1
= 2.14875 y s
2
R2
se calcula como se
muestra a continuacin.
La varianza residual correspondiente al modelo de dos factores es:
s
2
R
=
P
4
i=1
P
2
j=1
P
5
r=1
(y
ijr
y
ij.
)
IJ(R1)
,donde I = 4 es el nmero de laboratorios, J = 1 es el
nmero de das y R = 5 es el nmero de replicaciones. Esta varianza residual se puede escribir
como:
s
2
R
=
P
4
i=1
P
5
r=1
(y
i1r
y
i1.
) +
P
4
i=1
P
5
r=1
(y
i2r
y
i2.
)
32
=
16 s
2
R1
+ 16 s
2
R2
32
,de donde se obtiene
que:
s
2
R2
= 2 s
2
R
s
2
R1
= 2 2.06152 2.14875 = 1.9743. El valor del estadstico de contraste
es:
2.14875
1.9743
= 1.0884, que pertenece al intervalo (F
16,16;0.95
= 0.26, F
16,16;0.05
= 3.92), por lo
que no se rechaza la hiptesis nula y se concluye que no ha habido un cambio en la varianza
de un da a otro.
5.11 (a) Los resultados del anlisis de la varianza se pueden interpretar de la siguiente manera: En la
tabla 3 se puede ver que el nivel crtico de los tres contrastes es p-valor=0.0000, sto quiere decir que
13
con un nivel de signicacin = 0.05, por ejemplo, la temperatura, el tiempo de exposicin
y la interaccin entre ambas tienen un efecto signicativo sobre la cantidad absorbida.
Como la interaccin es signicativa, el efecto de la temperatura y del tiempo de exposicin sobre la
cantidad absorbida debe hacerse de forma conjunta. El grco de interaccciones que se proporciona
en el enunciado ayuda a realizar la interpretacin: Para el tiempo de exposicin E1: La
absorcin media es diferente para cada temperatura. La mxima absorcin se consigue a T2 y la
mnima a T1. Para el tiempo de exposicin E2: La absorcin media para cada temperatura
son ms parecidas. Slo es distinta la media de la temperatura T1, que es mayor que las medias
de las otras dos. Para el tiempo de exposicin E3: No existen diferencias signicativas en la
absorcin media de cada temperatura. Para este tiempo de exposicin la temperatura no inuye
en la absorcin.
(b)La tabla de anlisis de la varianza para el nuevo modelo es:
Fuente Suma de Grados de
Variabilidad Cuadrados Libertad Varianzas F p-valor
V E 8490.7 8 1061.34 63.89 0.0000
V NE 299.00 18 16.61
V T 8789.7 26
(c) Con los datos del experimento, se rechazar H
0
cuando|z
i.
z
j.
| > 6.99. El tratamiento que
tiene mayor media es el nmero 2, z
2.
= 91.43, que es signicativamente distinto de todos los dems
salvo del 8, z
8.
= 87.06, pero ste a su vez no se puede distinguir del 7, z
7.
= 83.76. Luego no
se puede decir que exista un nico tratamiento que proporcione una absorcin signicativamente
mayor que el resto.
(d) No se aprecian signos preocupantes de heterocedasticidad. Unicamente comentar que los resid-
uos correspondientes al valor previsto z
k.
= 91.43 tienen mayor variabilidad que el resto. Al
representar los residuos frente a los tratamientos, se observa que es el tratamiento 2 el que presenta
mayor variabilidad. Este resultado debe ser analizado en detalle: El tratamiento 2, que es el que
presenta la mayor media de cantidad absorbida, es tambin el que presenta una mayor variabili-
dad. Este resultado tendra que ser comentado y discutido con los expertos que han realizado el
experimento.
5.12 (a) Los resultados del anlisis de la varianza se pueden interpretar de la siguiente manera: los
factores hidrocarburo e hidrgeno son signicativos pero la interaccin entre ellos no lo es. Las
diferencias signicativas con nivel de signicacin de 0.05 son:
- Para Hidrocarburos: B 6= A, B 6= C, D 6= A, D 6= C.
- Para Hidrgeno: 1 6= 2, 1 6= 3, 2 6= 3.
(b) Teniendo en cuenta que la interaccin no es signicativa el tratamiento que proporciona el
rendimiento ptimo es el correspondiente al hidrocarburo C y el hidrgeno 3. El intervalo de
conanza para el valor medio en esas condiciones es:
y
33.
t
36;0.025
b s
R
1
4
29.975 2.02
14.55
1
2
(c) .Se contrasta la hiptesis H
0
:
2
1
=
2
2
frente a la alternativa H
1
:
2
1
6=
2
2
, obteniendo
un valor de F = 0.3922, que se compara con los valores obtenidos en las tablas (F
12,12
). Como
0.3922 (0.30, 3.28),no se rechaza la hiptesis nula.
14
(d) Teniendo en cuenta que x
1
= 18.6875 y x
2
= 20.03, el estadstico t =
(16.6875 20.03)
3.36
p
1/12
= 1.38.
Como 1.38 est dentro del intervalo (2.7, 2.7), no se rechaza la hiptesis nula de igualdad de
medias.
5.13 El nmero de parmetros correspondientes a efectos principales son 14, correspondientes a inter-
acciones de orden 2 son 71, correspondientes a interacciones de orden 3 son 154, y correspondientes
a interacciones de orden 4 son 120. Por lo tanto, el nmero de parmetros totales son 359.
5.14 (a) 2.55
2
8.11
(b) Los efectos principales de A, B y C son signicativamente distintos de cero.
(c) El intervalo pedido es: 0.0253
2
b s
2
i
3.69
2
. Sustituyendo
2
por su estimador se obtiene
que 0.106 b s
2
i
15.47. Como todos los valores de b s
2
i
pertenecen al intervalo construido no se puede
rechazar la hiptesis de homocedasticidad.
5.15 . d = (y
1
y
2
) (y
3
y
4
) N( =
1
3
+
4
; =
q
4
2
y
/10);
b
S
2
R
=
10
4
P
i=1
s
2
i
4104
;
t =
(y
1
y
3
)(y
3
y
4
)
b
S
R
4/10
t(4 10 4)
H
0
: = 0; H
1
: > 0;
Para la muestra, t = 6, 93 > t
0,95
(36) = 1, 69, se rechaza H
0
Captulo 6. Regresin lineal
6.1 (a)
b
0
= 2.5876;
b
1
= 0.5414; en el contraste

H
0
:
1
= 0
H
1
:
1
6= 0
se rechaza H
0
; b s
2
R
= 0.1269; en el
grco de los residuos frente a los valores previstos se aprecia falta de linealidad, el modelo no es
adecuado.
(b)
b
=
0
b
1
b
2.8971
0.6575
01161
.
6.2 (a) El modelo es v
i
= Hd
i
+ u
i
; la estimacin por mnimos cuadradros se realiza a partir de
M =
P
(v
i
Hd
i
)
2
;
b
H =
P
v
i
d
i
P
d
2
i
= 6.015 10
18
s
1
.
(b) H (
b
H t
(n1;0.025)
b s(
b
H); V ar(
b
H) = V ar
P
v
i
d
i
P
d
2
i
=

2
P
d
2
i
; H (
b
H t
(9;0.025)
b s
R
q
P
d
2
i
;
b s
2
R
=
P
e
2
i
; H (5.849 10
18
, 6.185 10
18
) segundos;
b
T =
b
H
1
= 5271 10
6
aos;
T (5126 10
6
, 5422 10
6
) aos.
15
6.3 Como u
i
; N(0, ),la estimacin por mxima verosimilitud es equivalente a la estimacin por
mnimos cuadrados; M =
P
(y
i

1
x
1i

2
x
2
2i
)
2
;
b
b =
"
b
1
b
2
#
=

W
T
W
1
W
0
Y; siendo W =
x
11
x
2
21
... ...
x
1n
x
2
2n
e Y =
y
1
...
y
n
.
6.4 (a)

H
0
:
1
0
H
1
:
1
> 0
; t =
b
1
0
b s(
b
1
)
;t
n2
; t = 22.75 > t
(98;0.05)
1.66, se rechaza H
0
.
(b)

H
0
:
1
1
H
1
:
1
< 1
; t =
b
1
1
b s(
b
1
)
;t
n2
; t = 2.25 < t
(98;0.95)
1.66, se rechaza H
0
.
6.5 Si cov(y,
b
1
) = 0, al ser ambas variables normales, son independientes.
cov(y,
b
1
) = E
h
(y E(y))
1
E(
b
1
)
i
, siendo y
i
=
0
+
1
x
i
+u
i
.
y E(y) =
1
n
P
u
i
;
b
1
E(
b
1
) =
1
ns
2
x
P
(x
i
x) u
i
;
cov(y,
b
1
) =
P(x
i
x)
n
2
s
2
x
E(u
2
i
) =

2
n
2
s
2
x
P
(x
i
x) = 0.
6.6 (a) Con x
1
: y
i
=
0
+
1
x
1i
+u
i
;
b
0
= 83.2;
b
1
= 0.56;
1

b
1
t
(n2;/2)
b s(
b
1
); b s(
b
1
) =
b s
R
s
1
n
; b s
2
R
=
e
T
e
n 2
; e
T
e = Y
T
Y
b
T
X
T
Y = 81.6;
1
(0.1, 1.02).
Con x
2
: y
i
=
0
+
1
x
2i
+
i
; b
0
= 78.8; b
1
= 0.53;
1
b
1
t
(n2;/2)
b s(b
1
); b s(b
1
) =
b s
R
s
2
n
; b s
2
R
=

T
n 2
;
T
= Y
T
Yb
T
X
T
Y = 58.3;
1
(0.21, 0.85).
(b) En desviaciones a la media:
y
i
y =
1
(x
1i
x
1
) +
2
(x
2i
x
2
) +
i
;
b
=
1
b
2
!
=
e
X
T
e
X
1
e
X
T
e
Y =
0.084
0.597
.
(c) Los contrastes individuales t
i
=
b
i
0
b s(
b
i
)
; t
n21
;
d
V ar(
b
) = b s
2
R
e
X
T
e
X
1
; b s
2
R
=

T
n 2 1
;
T
=
e
Y
T
e
Y
b
T
e
X
T
e
Y = 57.1;
d
V ar(
b
) =
0.17 0.13
0.13 0.12
t
1
= 0.21 < t
(7,0.025)
= 2.36; t
2
= 1.7 < t
(7,0.025)
= 2.36. Ninguno de los coecientes es
signicativo.
El contraste conjunto:
16
H
0
:
1
=
2
= 0
H
1
: Alguno 6= 0
; F =
b
T
e
X
T
e
X
b
k b s
2
R
;F
(2,7)
; F = 6.73 > F
(2,7;0.05)
0
.
Existe multicolinealidad provocada por la alta correlacin entre x
1
y x
2
. r
12
=
cov(x
1
, x
2
)
s
1
s
2
=
0.9.
(d) Regresin Y X
1
: R
2
1
= 0.49; Regresin Y X
2
: R
2
2
= 0.64; Regresin Y X
1
, X
2
:
R
2
3
= 0.64. El modelo con dos regresores y el modelo de regresin simple con X
2
son similares.
La seleccin de un modelo u otro depende del objetivo. Si el inters es estimar los coecientes
, son preferibles las regresiones simples. Si lo que se pretende es hacer predicciones de Y para
valores de X
1
, X
2
se podra usar el modelo de regresin mltiple pues la multicolinealidad no
afecta a las predicciones.
6.7 Coeciente de correlacin mltiple R =
P
(b y
i
y)
2
P
(y
i
y)
2
1/2
=
s
b y
s
y
.
Coeciente de correlacin lineal r =
P
(y
i
y)(b y
i
y)
p
P
(y
i
y)
2
p
P
(b y
i
y)
2
=
s
yb y
s
y
s
b y
.
Se demuestra
P
(y
i
y)(b y
i
y) =
P
(b y
i
y)
2
; entonces r =
s
2
b y
s
y
s
b y
=
s
b y
s
y
= R.
6.8 F =
n k 1
k
R
2
1 R
2
= 21.12 > F
(1,28;0.05)
= 4.196. El efecto es signicativo.
6.9 Conocidos los valores de R
2
y n se calcula F =
n 2
1
R
2
1 R
2
= 294, y se compara con el valor de
tablas F
(1,98;0.05)
= 3.92. Como 294 > 3.92 se rechaza la hiptesis nula.
6.10 (a)
(
H
0
:
1
=
0
1
H
1
:
1
6=
0
1
, t =
b
0
1
b s
T
2 0.835
;t
(2(n2))
; b s
T
= 0.5743;
t = 0.4986 < t
(16;0.025)
= 2.1199. No se rechaza H
0
.
H
0
:
0
=
0
0
H
1
:
0
6=
0
0
, t =
b
0
0
b s
T
2 18.27
= 0.4493; |t| < t
(16;0.025)
. No se rechaza H
0
.
(b) Y
R
=
Y
1
Y
2
; X
R
=
X
X
; Y
R
= X
R
+U;
b
= (X
T
R
X
R
)
1
X
T
R
Y
R
=
1
2
(
b
1
+
b
2
).
(c)
b
Y = 6.52+2.215 log T;
d
V ar(
b
) = b s
2
R
(X
T
R
X
R
)
1
; b s
2
R
= 0.2258; (X
T
R
X
R
)
1
=
1
2
(X
T
X)
1
;
1

b
1
t
(18;0.005)
b s(
b
1
);
1
2.215 0.8836;
0

b
0
t
(18;0.005)
b s(
b
0
);
0
6.52 4.1333.
6.11
6.12 (a) En la tabla 2 del enunciado:
b
2
= 51.7421; p V alue = 0.00. La variable resistencia es
signicativa.Signicado de
2
: Independientemente del valor de la dureza, las gomas de resistencia
alta(+1) tienen, por trmino medio, unas prdidas superiores en 2
2
unidades a las gomas de
resitencia baja (-1). En el problema 2
b
2
= 103.4842. Esta diferencia se aprecia en la grca
del enunciado. Intervalo para
b
2
.
2

b
2
t
27;0.025
b s(
b
2
) con los datos de la tabla 2,
2
[40.44; 63.04].
17
(b)
0
: Ordenada en el origen. En este caso no tiene inters prctico.
3
: Cuantica el efecto de
la interaccin durezaresistencia en las prdidas. Mide el cambio del efecto de la dureza al utilizar
gomas con resistencia alta o gomas con resistencia baja. Al observar la gura del enunciado, se
puede ver que la inuencia de la dureza sobre las prdidas no depende de la resistencia. En ambos
casos al aumentar la dureza, las prdidas disminuyen en una cantidad muy similar, puesto que
las rectas que determinan esta relacin son prcticamente paralelas en el rango de variacin de la
dureza.
Para resistencia baja : P erdidas = (
0
2
) + (
1
3
) Dureza
Para resistencia alta: P erdidas = (
0
+
2
) + (
1
+
3
) Dureza
1
: Incremento que se produce en las prdidas al aumentar la dureza un grado Shore, mante-
niendo la resistencia de las gomas constante.
2
: Interpretado en el apartado 1.
(c) Eligiramos el modelo del apartado 1. Ambos modelos parecen adecuados porque en ambos
se rechaza el contraste general de regresin. Sin embargo en la tabla 3, se observa que la inter-
accin durezaresistencia no es signicativa. Adems R
2
modelo1
=88.5177 > R
2
modelo2
= 88.1505.
La variable resistencia (signicativa en el modelo 1), deja de serlo al introducir la interaccin
durezaresistencia. b s(
b
1
) crece desde 5.52215 (modelo 1) hasta 34.4264 (modelo 2). Hay mul-
ticolinealidad entre resistencia y durezaresistencia que tambien ocasiona el cambio en el nivel
crtico.
(d) El grco de residuos frente a valores previstos no presenta anomalas que indiquen falta de
homocedasticidad.
6.13 F =
n k 1
k
R
2
1 R
2
F
(3,11);
F = 42.166 > F
(3,11;0.05)
0
en el contraste
general de regresin.
Los contrastes individuales:

H
0
:
i
= 0
H
1
:
i
6= 0
; t
i
=
b
i
0
b s
R
q
ii
t
11
; t
1
= 8.347 > t
(11;0.025)
= 2.20;
t
2
= 1.018 < 2.20; |t
3
| = 1.429 < 2.20. Solo x
3
es signicativa.
6.14 El contraste general de regresin (contraste de la F) proporciona un nivel crtico = 0.0000 ( p-
valor)<0.01, el contraste es por lo tanto signicativo, se rechaza H
0
; Los contrastes individuales
son todos signicativos (p-valor <0.01) a excepcin de F
2
y V F.
6.15 m
h
b y
h
t
(n2;/2)
b s
R
b n
h
; b y
h
= 22; b n
h
= n = 150; b s
2
R
= 0.778; m
h
22 0.1411.
6.16 (a) Como u
i
N(0, ),mxima verosimilitud es equivalente a mnimos cuadrados
M =
P
(y
i
z
i
)
2
; b =
P
y
i
z
i
P
z
2
i
= 0.4210.
(b) El error de prediccin e
h
= y
h
b y
h
; e
h
N
0,
s
1 +
z
2
h
P
z
2
i
!
;
18
y
h
b y
h
t
(n1;/2)
b s
R
s
1 +
z
2
h
P
z
2
i
= 0.525 0.1636.
(c)

H
0
:
1
= 1
H
1
:
1
6= 1
, t =
1.14 1
0.0081
= 1.54 < t
(1521;0.025)
= 2.18. No se rechaza H
0
.
H
0
:
2
= 2
H
1
:
2
6= 2
, t =
1.86 2
0.0042
= 2.16; |t| < t
(1521;0.025)
. No se rechaza H
0
.
(d) En general y
h
b y
h
t
nk1
b s
R
1 +v
hh
; en nuestro caso
b y
h
=
\
log(volumen) = 1.45 + 1.14 log 20 + 1.86 log 0.25 = 0.6134;
v
hh
= x
0
h
X
T
X
1
x
h
= 149.64; log(volumen) 0.6134 2.18
0.0031
1 + 149.64;
volumen (0.1221, 2.4022).
6.17 (a)
b
i
; b
i
77.2 50.8 2.95 5.52
t
i
7.415 5.255 2.108 3.806
; los valores |t
i
| se comparan con
t
(6041;0.005)
= 2.68; todas las variables son signicativas a excepcin de z
2
.
b
0
: es la presin media de los botas de naranja para x
1
= x
2
= 0.;
b
1
: la presin media aumenta
en 77.2 por cada unidad de incremento en x
1
manteniendo x
2
, z
2
y z
3
constantes;
b
2
: la
presin media disminuye en 50.8 por cada unidad de incremento en x
2
manteniendo x
1
, z
2
y
z
3
constantes; b
2
: la presin media de los botes de limn es superior en 2.95 unidades a la
de los botes de naranja manteniendo x
1
y x
2
constantes; b
3
: la presin media de los botes de
cola es superior en 5.52 unidades a la de los botes de naranja manteniendo x
1
y x
2
constantes.
(b) F =
V E/2
b s
2
R
F
(2,55)
; F =
275.92/2
4.32
2
= 7.3833 > F
(2,55;0.01)
5.00. Se rechaza H
0
.
(c)

H
0
:
2
3
= 0
H
1
:
2
3
6= 0
; t =
(b
2
b
3
) 0
q
d
V ar(b
2
b
3
)
t
55
;
d
V ar(b
2
b
3
) =
d
V ar(b
2
)+
d
V ar(b
3
)2 c cov(b
2
, b
3
) = 2.023; |t| = | 1.8073| < t
(55;0.005)
= 2.68.
No existe diferencia signicativa entre los botes de limn y cola.
6.18 y
h
b y
h
t
nk1
b s
R
1 +v
hh
; b y
h
= 3.305 + 0.843 1.2 + 3.829 1.6 + 0 + 0 = 10.446;
v
hh
= x
0
h
X
T
X
1
x
h
= 0.0639; y
h
10.443 2 0.7113
1 + 0.0639; y
h
10.443 1.4674.
6.19 En el modelo de regresin mltiple V ar(
b
) =
2
X
T
X
1
. En el problema X
T
X = nI, donde I
es la matriz identidad.

X
T
X
1
= (1/n)I, luego V ar(
b
i
) =
2
/n.
V ar( b m
h
) = V ar(x
T
h
b
) = x
T
h
V ar(
b
)x
h
= (
2
/n)n;
e
h
= y
h
b m
h
; V ar(e
h
) = V ar(y
h
) +V ar( b m
h
) =
2
+
2
.
6.20
n
P
i=1
(y
i
1
x
i
) = 0;
n
P
i=1
y
i
=
b
0
+
b
1
n
P
i=1
x
i
; y =
b
0
+
b
1
x.
19
m
h
b y
h
t
(n2;/2)
b s
R
v
u
u
u
t
n
1 +
x
h
x
s
x
2
; x
h
= x; b y
h
= y; m
h
y
h
t
(n2;/2)
b s
R
n
.
6.21 m
h
b y
h
t
(8;0.025)
b s
R
v
hh
v
hh
= x
0
h
X
T
X
1
x
h
= 10.7306; m
h
4.66 2.31 0.64
10.7306; m
h
4.66 4.41.
6.22 y
h
b y
h
t
(10;0.025)
b s
R
r
1 +
1
b n
h
; b n
h
=
n
1 +
x
h
x
s
x
2
; x
h
= 0.2231;
x = 1.4262; s
x
= 1.1134; n = 12;
b
0
= 735.784;
b
1
= 127.457; b s
2
R
= 253.59; y
h
(668.79, 745.89).
20
T
a
b
l
a
s

E
s
t
a
d
s
t
i
c
a

2
0
0
4
-
2
0
0
5
0
0
,
0
1
0
,
0
2
0
,
0
3
0
,
0
4
0
,
0
5
0
,
0
6
0
,
0
7
0
,
0
8
0
,
0
9
0
,
0
.
5
0
0
0
.
5
0
4
0
.
5
0
8
0
.
5
1
2
0
.
5
1
6
0
.
5
1
9
9
.
5
2
3
9
.
5
2
7
9
.
5
3
1
9
.
5
3
5
9
0
,
1
.
5
3
9
8
.
5
4
3
8
.
5
4
7
8
.
5
5
1
7
.
5
5
5
7
.
5
5
9
6
.
5
6
3
6
.
5
6
7
5
.
5
7
1
4
.
5
7
5
3
0
,
2
.
5
7
9
3
.
5
8
3
2
.
5
8
7
1
.
5
9
1
0
.
5
9
4
8
.
5
9
8
7
.
6
0
2
6
.
6
0
6
4
.
6
1
0
3
.
6
1
4
1
0
,
3
.
6
1
7
9
.
6
2
1
7
.
6
2
5
5
.
6
2
9
3
.
6
3
3
1
.
6
3
6
8
.
6
4
0
6
.
6
4
4
3
.
6
4
8
0
.
6
5
1
7
0
,
4
.
6
5
5
4
.
6
5
9
1
.
6
6
2
8
.
6
6
6
4
.
6
7
0
0
.
6
7
3
6
.
6
7
7
2
.
6
8
0
8
.
6
8
4
4
.
6
8
7
9
0
,
5
.
6
9
1
5
.
6
9
5
0
.
6
9
8
5
.
7
0
1
9
.
7
0
5
4
.
7
0
8
8
.
7
1
2
3
.
7
1
5
7
.
7
1
9
0
.
7
2
2
4
0
,
6
.
7
2
5
7
.
7
2
9
1
.
7
3
2
4
.
7
3
5
7
.
7
3
8
9
.
7
4
2
2
.
7
4
5
4
.
7
4
8
6
.
7
5
1
7
.
7
5
4
9
0
,
7
.
7
5
8
0
.
7
6
1
1
.
7
6
4
2
.
7
6
7
3
.
7
7
0
4
.
7
7
3
4
.
7
7
6
4
.
7
7
9
4
.
7
8
2
3
.
7
8
5
2
0
,
8
.
7
8
8
1
.
7
9
1
0
.
7
9
3
9
.
7
9
6
7
.
7
9
9
5
.
8
0
2
3
.
8
0
5
1
.
8
0
7
8
.
8
1
0
6
.
8
1
3
3
0
,
9
.
8
1
5
9
.
8
1
8
6
.
8
2
1
2
.
8
2
3
8
.
8
2
6
4
.
8
2
8
9
.
8
3
1
5
.
8
3
4
0
.
8
3
6
5
.
8
3
8
9
1
,
0
.
8
4
1
3
.
8
4
3
8
.
8
4
6
1
.
8
4
8
5
.
8
5
0
8
.
8
5
3
1
.
8
5
5
4
.
8
5
7
7
.
8
5
9
9
.
8
6
2
1
1
,
1
.
8
6
4
3
.
8
6
6
5
.
8
6
8
6
.
8
7
0
8
.
8
7
2
9
.
8
7
4
9
.
8
7
7
0
.
8
7
9
0
.
8
8
1
0
.
8
8
3
0
1
,
2
.
8
8
4
9
.
8
8
6
9
.
8
8
8
8
.
8
9
0
7
.
8
9
2
5
.
8
9
4
4
.
8
9
6
2
.
8
9
8
0
.
8
9
9
7
.
9
0
1
5
1
,
3
.
9
0
3
2
.
9
0
4
9
.
9
0
6
6
.
9
0
8
2
.
9
0
9
9
.
9
1
1
5
.
9
1
3
1
.
9
1
4
7
.
9
1
6
2
.
9
1
7
7
1
,
4
.
9
1
9
2
.
9
2
0
7
.
9
2
2
2
.
9
2
3
6
.
9
2
5
1
.
9
2
6
5
.
9
2
7
9
.
9
2
9
2
.
9
3
0
6
.
9
3
1
9
1
,
5
.
9
3
3
2
.
9
3
4
5
.
9
3
5
7
.
9
3
7
0
.
9
3
8
2
.
9
3
9
4
.
9
4
0
6
.
9
4
1
8
.
9
4
2
9
.
9
4
4
1
1
,
6
.
9
4
5
2
.
9
4
6
3
.
9
4
7
4
.
9
4
8
4
.
9
4
9
5
.
9
5
0
5
.
9
5
1
5
.
9
5
2
5
.
9
5
3
5
.
9
5
4
5
1
,
7
.
9
5
5
4
.
9
5
6
4
.
9
5
7
3
.
9
5
8
2
.
9
5
9
1
.
9
5
9
9
.
9
6
0
8
.
9
6
1
6
.
9
6
2
5
.
9
6
3
3
1
,
8
.
9
6
4
1
.
9
6
4
9
.
9
6
5
6
.
9
6
6
4
.
9
6
7
1
.
9
6
7
8
.
9
6
8
6
.
9
6
9
3
.
9
6
9
9
.
9
7
0
6
1
,
9
.
9
7
1
3
.
9
7
1
9
.
9
7
2
6
.
9
7
3
2
.
9
7
3
8
.
9
7
4
4
.
9
7
5
0
.
9
7
5
6
.
9
7
6
1
.
9
7
6
7
2
,
0
.
9
7
7
2
.
9
7
7
8
.
9
7
8
3
.
9
7
8
8
.
9
7
9
3
.
9
7
9
8
.
9
8
0
3
.
9
8
0
8
.
9
8
1
2
.
9
8
1
7
2
,
1
.
9
8
2
1
.
9
8
2
6
.
9
8
3
0
.
9
8
3
4
.
9
8
3
8
.
9
8
4
2
.
9
8
4
6
.
9
8
5
0
.
9
8
5
4
.
9
8
5
7
2
,
2
.
9
8
6
1
.
9
8
6
4
.
9
8
6
8
.
9
8
7
1
.
9
8
7
5
.
9
8
7
8
.
9
8
8
1
.
9
8
8
4
.
9
8
8
7
.
9
8
9
0
2
,
3
.
9
8
9
3
.
9
8
9
6
.
9
8
9
8
.
9
9
0
1
.
9
9
0
4
.
9
9
0
6
.
9
9
0
9
.
9
9
1
1
.
9
9
1
3
.
9
9
1
6
2
,
4
.
9
9
1
8
.
9
9
2
0
.
9
9
2
2
.
9
9
2
5
.
9
9
2
7
.
9
9
2
9
.
9
9
3
1
.
9
9
3
2
.
9
9
3
4
.
9
9
3
6
2
,
5
.
9
9
3
8
.
9
9
4
0
.
9
9
4
1
.
9
9
4
3
.
9
9
4
5
.
9
9
4
6
.
9
9
4
8
.
9
9
4
9
.
9
9
5
1
.
9
9
5
2
2
,
6
.
9
9
5
3
.
9
9
5
5
.
9
9
5
6
.
9
9
5
7
.
9
9
5
9
.
9
9
6
0
.
9
9
6
1
.
9
9
6
2
.
9
9
6
3
.
9
9
6
4
2
,
7
.
9
9
6
5
.
9
9
6
6
.
9
9
6
7
.
9
9
6
8
.
9
9
6
9
.
9
9
7
0
.
9
9
7
1
.
9
9
7
2
.
9
9
7
3
.
9
9
7
4
2
,
8
.
9
9
7
4
.
9
9
7
5
.
9
9
7
6
.
9
9
7
7
.
9
9
7
7
.
9
9
7
8
.
9
9
7
9
.
9
9
7
9
.
9
9
8
0
.
9
9
8
1
2
,
9
.
9
9
8
1
.
9
9
8
2
.
9
9
8
2
.
9
9
8
3
.
9
9
8
4
.
9
9
8
4
.
9
9
8
5
.
9
9
8
5
.
9
9
8
6
.
9
9
8
6
3
,
0
.
9
9
8
7
.
9
9
8
7
.
9
9
8
7
.
9
9
8
8
.
9
9
8
8
.
9
9
8
9
.
9
9
8
9
.
9
9
8
9
.
9
9
9
0
.
9
9
9
0
z
N
(
0
,
1
)
)
(
z
Z
P
z
9
7
5
0
.
0
)
9
6
.
1
(
E
j
e
m
p
l
o
.
=
Z
P
T
A
B
L
A
N
o
r
m
a
l

E
s
t
a
n
d
a
r
z
0
,
0
0
0
,
0
1
0
,
0
2
0
,
0
3
0
,
0
4
0
,
0
5
0
,
0
6
0
,
0
7
0
,
0
8
0
,
0
9
3
,
1
.
9
9
9
0
3
2
3
.
9
9
9
0
6
4
5
.
9
9
9
0
9
5
7
.
9
9
9
1
2
5
9
.
9
9
9
1
5
5
2
.
9
9
9
1
8
3
6
.
9
9
9
2
1
1
1
.
9
9
9
2
3
7
7
.
9
9
9
2
6
3
6
.
9
9
9
2
8
8
6
3
,
2
.
9
9
9
3
1
2
8
.
9
9
9
3
3
6
3
.
9
9
9
3
5
9
0
.
9
9
9
3
8
1
0
.
9
9
9
4
0
2
3
.
9
9
9
4
2
2
9
.
9
9
9
4
4
2
9
.
9
9
9
4
6
2
2
.
9
9
9
4
8
0
9
.
9
9
9
4
9
9
0
3
,
3
.
9
9
9
5
1
6
5
.
9
9
9
5
3
3
5
.
9
9
9
5
4
9
9
.
9
9
9
5
6
5
7
.
9
9
9
5
8
1
1
.
9
9
9
5
9
5
9
.
9
9
9
6
1
0
2
.
9
9
9
6
2
4
1
.
9
9
9
6
3
7
5
.
9
9
9
6
5
0
5
3
,
4
.
9
9
9
6
6
3
0
.
9
9
9
6
7
5
1
.
9
9
9
6
8
6
8
.
9
9
9
6
9
8
2
.
9
9
9
7
0
9
1
.
9
9
9
7
1
9
7
.
9
9
9
7
2
9
9
.
9
9
9
7
3
9
7
.
9
9
9
7
4
9
2
.
9
9
9
7
5
8
4
3
,
5
.
9
9
9
7
6
7
3
.
9
9
9
7
7
5
9
.
9
9
9
7
8
4
2
.
9
9
9
7
9
2
2
.
9
9
9
7
9
9
9
.
9
9
9
8
0
7
3
.
9
9
9
8
1
4
5
.
9
9
9
8
2
1
5
.
9
9
9
8
2
8
2
.
9
9
9
8
3
4
6
3
,
6
.
9
9
9
8
4
0
9
.
9
9
9
8
4
6
9
.
9
9
9
8
5
2
7
.
9
9
9
8
5
8
3
.
9
9
9
8
6
3
6
.
9
9
9
8
6
8
8
.
9
9
9
8
7
3
9
.
9
9
9
8
7
8
7
.
9
9
9
8
8
3
4
.
9
9
9
8
8
7
8
3
,
7
.
9
9
9
8
9
2
2
.
9
9
9
8
9
6
3
.
9
9
9
9
0
0
4
.
9
9
9
9
0
4
2
.
9
9
9
9
0
8
0
.
9
9
9
9
1
1
6
.
9
9
9
9
1
5
0
.
9
9
9
9
1
8
4
.
9
9
9
9
2
1
6
.
9
9
9
9
2
4
7
3
,
8
.
9
9
9
9
2
7
6
.
9
9
9
9
3
0
5
.
9
9
9
9
3
3
3
.
9
9
9
9
3
5
9
.
9
9
9
9
3
8
5
.
9
9
9
9
4
0
9
.
9
9
9
9
4
3
3
.
9
9
9
9
4
5
6
.
9
9
9
9
4
7
8
.
9
9
9
9
4
9
9
3
,
9
.
9
9
9
9
5
1
9
.
9
9
9
9
5
3
8
.
9
9
9
9
5
5
7
.
9
9
9
9
5
7
5
.
9
9
9
9
5
9
2
.
9
9
9
9
6
0
9
.
9
9
9
9
6
2
5
.
9
9
9
9
6
4
0
.
9
9
9
9
6
5
5
.
9
9
9
9
6
6
9
4
,
0
.
9
9
9
9
6
8
3
.
9
9
9
9
6
9
6
.
9
9
9
9
7
0
9
.
9
9
9
9
7
2
1
.
9
9
9
9
7
3
3
.
9
9
9
9
7
4
4
.
9
9
9
9
7
5
5
.
9
9
9
9
7
6
5
.
9
9
9
9
7
7
5
.
9
9
9
9
7
8
4
B
i
n
o
m
i
a
l
n
,
p
P
o
i
s
s
o
n
N
o
r
m
a
l
0
,
p
n
n
p
=

= =
)
1
(
2
/
1
p
n
p
n
p
p
n
= =
D
i
s
t
r
i
b
u
c
i
n

n
o
r
m
a
l

e
s
t
n
d
a
r
(
c
o
n
t
i
n
u
a
c
i
n
)
R
e
l
a
c
i
n

e
n
t
r
e

B
i
n
o
m
i
a
l
,

P
o
i
s
s
o
n

y

N
o
r
m
a
l
N
(
0
,
1
)
)
(
z
Z
P
z
T
a
b
l
a

:

g
r
a
d
o
s

d
e

l
i
b
e
r
t
a
d

(
g
.
l
.
)
E
J
E
M
P
L
O
P
(
1
9
,
0
2
)

=

0
,
0
2
5
g
.
l
.
0
,
9
9
5
0
,
9
9
0
0
,
9
7
5
0
,
9
5
0
0
,
5
0
0
0
,
0
5
0
0
,
0
2
5
0
,
0
1
0
0
,
0
0
5
1
,
0
0
0
0
4
,
0
0
0
1
6
,
0
0
0
9
8
,
0
0
3
9
3
0
,
4
5
5
3
,
8
4
1
5
,
0
2
4
6
,
6
3
5
7
,
8
7
9
2
,
0
1
0
0
2
,
0
2
0
1
0
,
0
5
1
0
,
1
0
3
1
,
3
8
6
5
,
9
9
1
7
,
3
7
8
9
,
2
1
0
1
0
,
6
0
3
,
0
7
1
7
0
,
1
1
5
0
,
2
1
6
0
,
3
5
2
2
,
3
6
6
7
,
8
1
5
9
,
3
4
8
1
1
,
3
4
1
2
,
8
4
4
0
,
2
0
7
0
,
2
9
7
0
,
4
8
4
0
,
7
1
1
3
,
3
5
7
9
,
4
8
8
1
1
,
1
4
1
3
,
2
8
1
4
,
8
6
5
0
,
4
1
2
0
,
5
5
4
0
,
8
3
1
1
,
1
4
5
4
,
3
5
1
1
1
,
0
7
1
2
,
8
3
1
5
,
0
9
1
6
,
7
5
6
0
,
6
7
6
0
,
8
7
2
1
,
2
3
7
1
,
6
3
5
5
,
3
4
8
1
2
,
5
9
1
4
,
4
5
1
6
,
8
1
1
8
,
5
5
7
0
,
9
8
9
1
,
2
3
9
1
,
6
9
0
2
,
1
6
7
6
,
3
4
6
1
4
,
0
7
1
6
,
0
1
1
8
,
4
8
2
0
,
2
8
8
1
,
3
4
4
1
,
6
4
7
2
,
1
8
0
2
,
7
3
3
7
,
3
4
4
1
5
,
5
1
1
7
,
5
3
2
0
,
0
9
2
1
,
9
5
9
1
,
7
3
5
2
,
0
8
8
2
,
7
0
0
3
,
3
2
5
8
,
3
4
3
1
6
,
9
2
1
9
,
0
2
2
1
,
6
7
2
3
,
5
9
1
0
2
,
1
5
6
2
,
5
5
8
3
,
2
4
7
3
,
9
4
0
9
,
3
4
2
1
8
,
3
1
2
0
,
4
8
2
3
,
2
1
2
5
,
1
9
1
1
2
,
6
0
3
3
,
0
5
3
3
,
8
1
6
4
,
5
7
5
1
0
,
3
4
1
1
9
,
6
8
2
1
,
9
2
2
4
,
7
3
2
6
,
7
6
1
2
3
,
0
7
4
3
,
5
7
1
4
,
4
0
4
5
,
2
2
6
1
1
,
3
4
0
2
1
,
0
3
2
3
,
3
4
2
6
,
2
2
2
8
,
3
0
1
3
3
,
5
6
5
4
,
1
0
7
5
,
0
0
9
5
,
8
9
2
1
2
,
3
4
0
2
2
,
3
6
2
4
,
7
4
2
7
,
6
9
2
9
,
8
2
1
4
4
,
0
7
5
4
,
6
6
0
5
,
6
2
9
6
,
5
7
1
1
3
,
3
3
9
2
3
,
6
8
2
6
,
1
2
2
9
,
1
4
3
1
,
3
2
1
5
4
,
6
0
1
5
,
2
2
9
6
,
2
6
2
7
,
2
6
1
1
4
,
3
3
9
2
5
,
0
0
2
7
,
4
9
3
0
,
5
8
3
2
,
8
0
1
6
5
,
1
4
2
5
,
8
1
2
6
,
9
0
8
7
,
9
6
2
1
5
,
3
3
8
2
6
,
3
0
2
8
,
8
5
3
2
,
0
0
3
4
,
2
7
1
7
5
,
6
9
7
6
,
4
0
8
7
,
5
6
4
8
,
6
7
2
1
6
,
3
3
8
2
7
,
5
9
3
0
,
1
9
3
3
,
4
1
3
5
,
7
2
1
8
6
,
2
6
5
7
,
0
1
5
8
,
2
3
1
9
,
3
9
0
1
7
,
3
3
8
2
8
,
8
7
3
1
,
5
3
3
4
,
8
1
3
7
,
1
6
1
9
6
,
8
4
4
7
,
6
3
3
8
,
9
0
7
1
0
,
1
1
7
1
8
,
3
3
8
3
0
,
1
4
3
2
,
8
5
3
6
,
1
9
3
8
,
5
8
2
0
7
,
4
3
4
8
,
2
6
0
9
,
5
9
1
1
0
,
8
5
1
1
9
,
3
3
7
3
1
,
4
1
3
4
,
1
7
3
7
,
5
7
4
0
,
0
0
2
1
8
,
0
3
4
8
,
8
9
7
1
0
,
2
8
3
1
1
,
5
9
1
2
0
,
3
3
7
3
2
,
6
7
3
5
,
4
8
3
8
,
9
3
4
1
,
4
0
2
2
8
,
6
4
3
9
,
5
4
2
1
0
,
9
8
2
1
2
,
3
3
8
2
1
,
3
3
7
3
3
,
9
2
3
6
,
7
8
4
0
,
2
9
4
2
,
8
0
2
3
9
,
2
6
0
1
0
,
1
9
6
1
1
,
6
8
9
1
3
,
0
9
1
2
2
,
3
3
7
3
5
,
1
7
3
8
,
0
8
4
1
,
6
4
4
4
,
1
8
2
4
9
,
8
8
6
1
0
,
8
5
6
1
2
,
4
0
1
1
3
,
8
4
8
2
3
,
3
3
7
3
6
,
4
2
3
9
,
3
6
4
2
,
9
8
4
5
,
5
6
2
5
1
0
,
5
2
0
1
1
,
5
2
4
1
3
,
1
2
0
1
4
,
6
1
1
2
4
,
3
3
7
3
7
,
6
5
4
0
,
6
5
4
4
,
3
1
4
6
,
9
3
2
6
1
1
,
1
6
0
1
2
,
1
9
8
1
3
,
8
4
4
1
5
,
3
7
9
2
5
,
3
3
6
3
8
,
8
9
4
1
,
9
2
4
5
,
6
4
4
8
,
2
9
2
7
1
1
,
8
0
8
1
2
,
8
7
8
1
4
,
5
7
3
1
6
,
1
5
1
2
6
,
3
3
6
4
0
,
1
1
4
3
,
1
9
4
6
,
9
6
4
9
,
6
5
2
8
1
2
,
4
6
1
1
3
,
5
6
5
1
5
,
3
0
8
1
6
,
9
2
8
2
7
,
3
3
6
4
1
,
3
4
4
4
,
4
6
4
8
,
2
8
5
0
,
9
9
2
9
1
3
,
1
2
1
1
4
,
2
5
6
1
6
,
0
4
7
1
7
,
7
0
8
2
8
,
3
3
6
4
2
,
5
6
4
5
,
7
2
4
9
,
5
9
5
2
,
3
4
3
0
1
3
,
7
8
7
1
4
,
9
5
3
1
6
,
7
9
1
1
8
,
4
9
3
2
9
,
3
3
6
4
3
,
7
7
4
6
,
9
8
5
0
,
8
9
5
3
,
6
7
4
0
2
0
,
7
0
7
2
2
,
1
6
4
2
4
,
4
3
3
2
6
,
5
0
9
3
9
,
3
3
5
5
5
,
7
6
5
9
,
3
4
6
3
,
6
9
6
6
,
7
7
5
0
2
7
,
9
9
1
2
9
,
7
0
7
3
2
,
3
5
7
3
4
,
7
6
4
4
9
,
3
3
5
6
7
,
5
0
7
1
,
4
2
7
6
,
1
5
7
9
,
4
9
6
0
3
5
,
5
3
4
3
7
,
4
8
5
4
0
,
4
8
2
4
3
,
1
8
8
5
9
,
3
3
5
7
9
,
0
8
8
3
,
3
0
8
8
,
3
8
9
1
,
9
5
7
0
4
3
,
2
7
5
4
5
,
4
4
2
4
8
,
7
5
8
5
1
,
7
3
9
6
9
,
3
3
4
9
0
,
5
3
9
5
,
0
2
1
0
0
,
4
3
1
0
4
,
2
1
8
0
5
1
,
1
7
2
5
3
,
5
4
0
5
7
,
1
5
3
6
0
,
3
9
1
7
9
,
3
3
4
1
0
1
,
8
8
1
0
6
,
6
3
1
1
2
,
3
3
1
1
6
,
3
2
9
0
5
9
,
1
9
6
6
1
,
7
5
4
6
5
,
6
4
7
6
9
,
1
2
6
8
9
,
3
3
4
1
1
3
,
1
5
1
1
8
,
1
4
1
2
4
,
1
2
1
2
8
,
3
0
1
0
0
6
7
,
3
2
8
7
0
,
0
6
5
7
4
,
2
2
2
7
7
,
9
2
9
9
9
,
3
3
4
1
2
4
,
3
4
1
2
9
,
5
6
1
3
5
,
8
1
1
4
0
,
1
7
1
2
0
8
3
,
8
5
2
8
6
,
9
2
3
9
1
,
5
7
3
9
5
,
7
0
5
1
1
9
,
3
3
4
1
4
6
,
5
7
1
5
2
,
2
1
1
5
8
,
9
5
1
6
3
,
6
5
g
.
l
0
,
2
0
0
,
1
5
0
,
1
0
0
,
0
5
0
,
0
2
5
0
,
0
1
0
,
0
0
5
0
,
0
0
2
5
0
,
0
0
1
0
,
0
0
0
5
1
1
,
3
7
6
1
,
9
6
3
3
,
0
7
8
6
,
3
1
4
1
2
,
7
0
6
3
1
,
8
2
1
6
3
,
6
5
6
1
2
7
,
3
2
1
3
1
8
,
2
8
9
6
3
6
,
5
7
8
2
1
,
0
6
1
1
,
3
8
6
1
,
8
8
6
2
,
9
2
0
4
,
3
0
3
6
,
9
6
5
9
,
9
2
5
1
4
,
0
8
9
2
2
,
3
2
8
3
1
,
6
0
0
3
0
,
9
7
8
1
,
2
5
0
1
,
6
3
8
2
,
3
5
3
3
,
1
8
2
4
,
5
4
1
5
,
8
4
1
7
,
4
5
3
1
0
,
2
1
4
1
2
,
9
2
4
4
0
,
9
4
1
1
,
1
9
0
1
,
5
3
3
2
,
1
3
2
2
,
7
7
6
3
,
7
4
7
4
,
6
0
4
5
,
5
9
8
7
,
1
7
3
8
,
6
1
0
5
0
,
9
2
0
1
,
1
5
6
1
,
4
7
6
2
,
0
1
5
2
,
5
7
1
3
,
3
6
5
4
,
0
3
2
4
,
7
7
3
5
,
8
9
4
6
,
8
6
9
6
0
,
9
0
6
1
,
1
3
4
1
,
4
4
0
1
,
9
4
3
2
,
4
4
7
3
,
1
4
3
3
,
7
0
7
4
,
3
1
7
5
,
2
0
8
5
,
9
5
9
7
0
,
8
9
6
1
,
1
1
9
1
,
4
1
5
1
,
8
9
5
2
,
3
6
5
2
,
9
9
8
3
,
4
9
9
4
,
0
2
9
4
,
7
8
5
5
,
4
0
8
8
0
,
8
8
9
1
,
1
0
8
1
,
3
9
7
1
,
8
6
0
2
,
3
0
6
2
,
8
9
6
3
,
3
5
5
3
,
8
3
3
4
,
5
0
1
5
,
0
4
1
9
0
,
8
8
3
1
,
1
0
0
1
,
3
8
3
1
,
8
3
3
2
,
2
6
2
2
,
8
2
1
3
,
2
5
0
3
,
6
9
0
4
,
2
9
7
4
,
7
8
1
1
0
0
,
8
7
9
1
,
0
9
3
1
,
3
7
2
1
,
8
1
2
2
,
2
2
8
2
,
7
6
4
3
,
1
6
9
3
,
5
8
1
4
,
1
4
4
4
,
5
8
7
1
1
0
,
8
7
6
1
,
0
8
8
1
,
3
6
3
1
,
7
9
6
2
,
2
0
1
2
,
7
1
8
3
,
1
0
6
3
,
4
9
7
4
,
0
2
5
4
,
4
3
7
1
2
0
,
8
7
3
1
,
0
8
3
1
,
3
5
6
1
,
7
8
2
2
,
1
7
9
2
,
6
8
1
3
,
0
5
5
3
,
4
2
8
3
,
9
3
0
4
,
3
1
8
1
3
0
,
8
7
0
1
,
0
7
9
1
,
3
5
0
1
,
7
7
1
2
,
1
6
0
2
,
6
5
0
3
,
0
1
2
3
,
3
7
2
3
,
8
5
2
4
,
2
2
1
1
4
0
,
8
6
8
1
,
0
7
6
1
,
3
4
5
1
,
7
6
1
2
,
1
4
5
2
,
6
2
4
2
,
9
7
7
3
,
3
2
6
3
,
7
8
7
4
,
1
4
0
1
5
0
,
8
6
6
1
,
0
7
4
1
,
3
4
1
1
,
7
5
3
2
,
1
3
1
2
,
6
0
2
2
,
9
4
7
3
,
2
8
6
3
,
7
3
3
4
,
0
7
3
1
6
0
,
8
6
5
1
,
0
7
1
1
,
3
3
7
1
,
7
4
6
2
,
1
2
0
2
,
5
8
3
2
,
9
2
1
3
,
2
5
2
3
,
6
8
6
4
,
0
1
5
1
7
0
,
8
6
3
1
,
0
6
9
1
,
3
3
3
1
,
7
4
0
2
,
1
1
0
2
,
5
6
7
2
,
8
9
8
3
,
2
2
2
3
,
6
4
6
3
,
9
6
5
1
8
0
,
8
6
2
1
,
0
6
7
1
,
3
3
0
1
,
7
3
4
2
,
1
0
1
2
,
5
5
2
2
,
8
7
8
3
,
1
9
7
3
,
6
1
0
3
,
9
2
2
1
9
0
,
8
6
1
1
,
0
6
6
1
,
3
2
8
1
,
7
2
9
2
,
0
9
3
2
,
5
3
9
2
,
8
6
1
3
,
1
7
4
3
,
5
7
9
3
,
8
8
3
2
0
0
,
8
6
0
1
,
0
6
4
1
,
3
2
5
1
,
7
2
5
2
,
0
8
6
2
,
5
2
8
2
,
8
4
5
3
,
1
5
3
3
,
5
5
2
3
,
8
5
0
2
1
0
,
8
5
9
1
,
0
6
3
1
,
3
2
3
1
,
7
2
1
2
,
0
8
0
2
,
5
1
8
2
,
8
3
1
3
,
1
3
5
3
,
5
2
7
3
,
8
1
9
2
2
0
,
8
5
8
1
,
0
6
1
1
,
3
2
1
1
,
7
1
7
2
,
0
7
4
2
,
5
0
8
2
,
8
1
9
3
,
1
1
9
3
,
5
0
5
3
,
7
9
2
2
3
0
,
8
5
8
1
,
0
6
0
1
,
3
1
9
1
,
7
1
4
2
,
0
6
9
2
,
5
0
0
2
,
8
0
7
3
,
1
0
4
3
,
4
8
5
3
,
7
6
8
2
4
0
,
8
5
7
1
,
0
5
9
1
,
3
1
8
1
,
7
1
1
2
,
0
6
4
2
,
4
9
2
2
,
7
9
7
3
,
0
9
1
3
,
4
6
7
3
,
7
4
5
2
5
0
,
8
5
6
1
,
0
5
8
1
,
3
1
6
1
,
7
0
8
2
,
0
6
0
2
,
4
8
5
2
,
7
8
7
3
,
0
7
8
3
,
4
5
0
3
,
7
2
5
2
6
0
,
8
5
6
1
,
0
5
8
1
,
3
1
5
1
,
7
0
6
2
,
0
5
6
2
,
4
7
9
2
,
7
7
9
3
,
0
6
7
3
,
4
3
5
3
,
7
0
7
2
7
0
,
8
5
5
1
,
0
5
7
1
,
3
1
4
1
,
7
0
3
2
,
0
5
2
2
,
4
7
3
2
,
7
7
1
3
,
0
5
7
3
,
4
2
1
3
,
6
8
9
2
8
0
,
8
5
5
1
,
0
5
6
1
,
3
1
3
1
,
7
0
1
2
,
0
4
8
2
,
4
6
7
2
,
7
6
3
3
,
0
4
7
3
,
4
0
8
3
,
6
7
4
2
9
0
,
8
5
4
1
,
0
5
5
1
,
3
1
1
1
,
6
9
9
2
,
0
4
5
2
,
4
6
2
2
,
7
5
6
3
,
0
3
8
3
,
3
9
6
3
,
6
6
0
3
0
0
,
8
5
4
1
,
0
5
5
1
,
3
1
0
1
,
6
9
7
2
,
0
4
2
2
,
4
5
7
2
,
7
5
0
3
,
0
3
0
3
,
3
8
5
3
,
6
4
6
4
0
0
,
8
5
1
1
,
0
5
0
1
,
3
0
3
1
,
6
8
4
2
,
0
2
1
2
,
4
2
3
2
,
7
0
4
2
,
9
7
1
3
,
3
0
7
3
,
5
5
1
5
0
0
,
8
4
9
1
,
0
4
7
1
,
2
9
9
1
,
6
7
6
2
,
0
0
9
2
,
4
0
3
2
,
6
7
8
2
,
9
3
7
3
,
2
6
1
3
,
4
9
6
6
0
0
,
8
4
8
1
,
0
4
5
1
,
2
9
6
1
,
6
7
1
2
,
0
0
0
2
,
3
9
0
2
,
6
6
0
2
,
9
1
5
3
,
2
3
2
3
,
4
6
0
7
0
0
,
8
4
7
1
,
0
4
4
1
,
2
9
4
1
,
6
6
7
1
,
9
9
4
2
,
3
8
1
2
,
6
4
8
2
,
8
9
9
3
,
2
1
1
3
,
4
3
5
8
0
0
,
8
4
6
1
,
0
4
3
1
,
2
9
2
1
,
6
6
4
1
,
9
9
0
2
,
3
7
4
2
,
6
3
9
2
,
8
8
7
3
,
1
9
5
3
,
4
1
6
9
0
0
,
8
4
6
1
,
0
4
2
1
,
2
9
1
1
,
6
6
2
1
,
9
8
7
2
,
3
6
8
2
,
6
3
2
2
,
8
7
8
3
,
1
8
3
3
,
4
0
2
1
0
0
0
,
8
4
5
1
,
0
4
2
1
,
2
9
0
1
,
6
6
0
1
,
9
8
4
2
,
3
6
4
2
,
6
2
6
2
,
8
7
1
3
,
1
7
4
3
,
3
9
0
i
n
f
i
n
i
t
o
0
,
8
4
2
1
,
0
3
6
1
,
2
8
2
1
,
6
4
5
1
,
9
6
0
2
,
3
2
7
2
,
5
7
6
2
,
8
0
8
3
,
0
9
1
3
,
2
9
1
0
,
2
0
0
,
1
5
0
,
1
0
0
,
0
5
0
,
0
2
5
0
,
0
1
0
,
0
0
5
0
,
0
0
2
5
0
,
0
0
1
0
,
0
0
0
5
T
a
b
l
a
t
-
S
t
u
d
e
n
t
:

g
r
a
d
o
s

d
e

l
i
b
e
r
t
a
d

(
g
.
l
.
)
t
E
J
E
M
P
L
O
P
(
t
9
2
,
2
6
2
)

=

0
,
0
2
5
G r a d o s d e l i b e r t a d d e l d e n o m i n a d o r :
2
G
r
a
d
o
s

d
e

l
i
b
e
r
t
a
d

d
e
l

n
u
m
e
r
a
d
o
r
:

=
0
.
0
5
T
a
b
l
a

F
)
(
,
,
,
,
,
2
1
2
1
2
1
F
F
P
F
0
5
.
0
)
5
0
.
3
(
:
8
,
7
=
F
P
E
j
e
m
p
l
o
1
2
3
4
5
6
7
8
9
1
0
1
2
1
5
2
0
2
4
3
0
4
0
6
0
1
0
0
1
2
0
I
n
f
.
1
1
6
1
,
4
1
9
9
,
5
2
1
5
,
7
2
2
4
,
6
2
3
0
,
2
2
3
4
,
0
2
3
6
,
8
2
3
8
,
9
2
4
0
,
5
2
4
1
,
9
2
4
3
,
9
2
4
5
,
9
2
4
8
,
0
2
4
9
,
1
2
5
0
,
1
2
5
1
,
1
2
5
2
,
2
2
5
3
,
0
2
5
3
,
3
2
5
4
,
3
1
2
1
8
,
5
1
1
9
,
0
0
1
9
,
1
6
1
9
,
2
5
1
9
,
3
0
1
9
,
3
3
1
9
,
3
5
1
9
,
3
7
1
9
,
3
8
1
9
,
4
0
1
9
,
4
1
1
9
,
4
3
1
9
,
4
5
1
9
,
4
5
1
9
,
4
6
1
9
,
4
7
1
9
,
4
8
1
9
,
4
9
1
9
,
4
9
1
9
,
5
0
2
3
1
0
,
1
3
9
,
5
5
9
,
2
8
9
,
1
2
9
,
0
1
8
,
9
4
8
,
8
9
8
,
8
5
8
,
8
1
8
,
7
9
8
,
7
4
8
,
7
0
8
,
6
6
8
,
6
4
8
,
6
2
8
,
5
9
8
,
5
7
8
,
5
5
8
,
5
5
8
,
5
3
3
4
7
,
7
1
6
,
9
4
6
,
5
9
6
,
3
9
6
,
2
6
6
,
1
6
6
,
0
9
6
,
0
4
6
,
0
0
5
,
9
6
5
,
9
1
5
,
8
6
5
,
8
0
5
,
7
7
5
,
7
5
5
,
7
2
5
,
6
9
5
,
6
6
5
,
6
6
5
,
6
3
4
5
6
,
6
1
5
,
7
9
5
,
4
1
5
,
1
9
5
,
0
5
4
,
9
5
4
,
8
8
4
,
8
2
4
,
7
7
4
,
7
4
4
,
6
8
4
,
6
2
4
,
5
6
4
,
5
3
4
,
5
0
4
,
4
6
4
,
4
3
4
,
4
1
4
,
4
0
4
,
3
7
5
6
5
,
9
9
5
,
1
4
4
,
7
6
4
,
5
3
4
,
3
9
4
,
2
8
4
,
2
1
4
,
1
5
4
,
1
0
4
,
0
6
4
,
0
0
3
,
9
4
3
,
8
7
3
,
8
4
3
,
8
1
3
,
7
7
3
,
7
4
3
,
7
1
3
,
7
0
3
,
6
7
6
7
5
,
5
9
4
,
7
4
4
,
3
5
4
,
1
2
3
,
9
7
3
,
8
7
3
,
7
9
3
,
7
3
3
,
6
8
3
,
6
4
3
,
5
7
3
,
5
1
3
,
4
4
3
,
4
1
3
,
3
8
3
,
3
4
3
,
3
0
3
,
2
7
3
,
2
7
3
,
2
3
7
8
5
,
3
2
4
,
4
6
4
,
0
7
3
,
8
4
3
,
6
9
3
,
5
8
3
,
5
0
3
,
4
4
3
,
3
9
3
,
3
5
3
,
2
8
3
,
2
2
3
,
1
5
3
,
1
2
3
,
0
8
3
,
0
4
3
,
0
1
2
,
9
7
2
,
9
7
2
,
9
3
8
9
5
,
1
2
4
,
2
6
3
,
8
6
3
,
6
3
3
,
4
8
3
,
3
7
3
,
2
9
3
,
2
3
3
,
1
8
3
,
1
4
3
,
0
7
3
,
0
1
2
,
9
4
2
,
9
0
2
,
8
6
2
,
8
3
2
,
7
9
2
,
7
6
2
,
7
5
2
,
7
1
9
1
0
4
,
9
6
4
,
1
0
3
,
7
1
3
,
4
8
3
,
3
3
3
,
2
2
3
,
1
4
3
,
0
7
3
,
0
2
2
,
9
8
2
,
9
1
2
,
8
5
2
,
7
7
2
,
7
4
2
,
7
0
2
,
6
6
2
,
6
2
2
,
5
9
2
,
5
8
2
,
5
4
1
0
1
1
4
,
8
4
3
,
9
8
3
,
5
9
3
,
3
6
3
,
2
0
3
,
0
9
3
,
0
1
2
,
9
5
2
,
9
0
2
,
8
5
2
,
7
9
2
,
7
2
2
,
6
5
2
,
6
1
2
,
5
7
2
,
5
3
2
,
4
9
2
,
4
6
2
,
4
5
2
,
4
0
1
1
1
2
4
,
7
5
3
,
8
9
3
,
4
9
3
,
2
6
3
,
1
1
3
,
0
0
2
,
9
1
2
,
8
5
2
,
8
0
2
,
7
5
2
,
6
9
2
,
6
2
2
,
5
4
2
,
5
1
2
,
4
7
2
,
4
3
2
,
3
8
2
,
3
5
2
,
3
4
2
,
3
0
1
2
1
3
4
,
6
7
3
,
8
1
3
,
4
1
3
,
1
8
3
,
0
3
2
,
9
2
2
,
8
3
2
,
7
7
2
,
7
1
2
,
6
7
2
,
6
0
2
,
5
3
2
,
4
6
2
,
4
2
2
,
3
8
2
,
3
4
2
,
3
0
2
,
2
6
2
,
2
5
2
,
2
1
1
3
1
4
4
,
6
0
3
,
7
4
3
,
3
4
3
,
1
1
2
,
9
6
2
,
8
5
2
,
7
6
2
,
7
0
2
,
6
5
2
,
6
0
2
,
5
3
2
,
4
6
2
,
3
9
2
,
3
5
2
,
3
1
2
,
2
7
2
,
2
2
2
,
1
9
2
,
1
8
2
,
1
3
1
4
1
5
4
,
5
4
3
,
6
8
3
,
2
9
3
,
0
6
2
,
9
0
2
,
7
9
2
,
7
1
2
,
6
4
2
,
5
9
2
,
5
4
2
,
4
8
2
,
4
0
2
,
3
3
2
,
2
9
2
,
2
5
2
,
2
0
2
,
1
6
2
,
1
2
2
,
1
1
2
,
0
7
1
5
1
6
4
,
4
9
3
,
6
3
3
,
2
4
3
,
0
1
2
,
8
5
2
,
7
4
2
,
6
6
2
,
5
9
2
,
5
4
2
,
4
9
2
,
4
2
2
,
3
5
2
,
2
8
2
,
2
4
2
,
1
9
2
,
1
5
2
,
1
1
2
,
0
7
2
,
0
6
2
,
0
1
1
6
1
7
4
,
4
5
3
,
5
9
3
,
2
0
2
,
9
6
2
,
8
1
2
,
7
0
2
,
6
1
2
,
5
5
2
,
4
9
2
,
4
5
2
,
3
8
2
,
3
1
2
,
2
3
2
,
1
9
2
,
1
5
2
,
1
0
2
,
0
6
2
,
0
2
2
,
0
1
1
,
9
6
1
7
1
8
4
,
4
1
3
,
5
5
3
,
1
6
2
,
9
3
2
,
7
7
2
,
6
6
2
,
5
8
2
,
5
1
2
,
4
6
2
,
4
1
2
,
3
4
2
,
2
7
2
,
1
9
2
,
1
5
2
,
1
1
2
,
0
6
2
,
0
2
1
,
9
8
1
,
9
7
1
,
9
2
1
8
1
9
4
,
3
8
3
,
5
2
3
,
1
3
2
,
9
0
2
,
7
4
2
,
6
3
2
,
5
4
2
,
4
8
2
,
4
2
2
,
3
8
2
,
3
1
2
,
2
3
2
,
1
6
2
,
1
1
2
,
0
7
2
,
0
3
1
,
9
8
1
,
9
4
1
,
9
3
1
,
8
8
1
9
2
0
4
,
3
5
3
,
4
9
3
,
1
0
2
,
8
7
2
,
7
1
2
,
6
0
2
,
5
1
2
,
4
5
2
,
3
9
2
,
3
5
2
,
2
8
2
,
2
0
2
,
1
2
2
,
0
8
2
,
0
4
1
,
9
9
1
,
9
5
1
,
9
1
1
,
9
0
1
,
8
4
2
0
2
1
4
,
3
2
3
,
4
7
3
,
0
7
2
,
8
4
2
,
6
8
2
,
5
7
2
,
4
9
2
,
4
2
2
,
3
7
2
,
3
2
2
,
2
5
2
,
1
8
2
,
1
0
2
,
0
5
2
,
0
1
1
,
9
6
1
,
9
2
1
,
8
8
1
,
8
7
1
,
8
1
2
1
2
2
4
,
3
0
3
,
4
4
3
,
0
5
2
,
8
2
2
,
6
6
2
,
5
5
2
,
4
6
2
,
4
0
2
,
3
4
2
,
3
0
2
,
2
3
2
,
1
5
2
,
0
7
2
,
0
3
1
,
9
8
1
,
9
4
1
,
8
9
1
,
8
5
1
,
8
4
1
,
7
8
2
2
2
3
4
,
2
8
3
,
4
2
3
,
0
3
2
,
8
0
2
,
6
4
2
,
5
3
2
,
4
4
2
,
3
7
2
,
3
2
2
,
2
7
2
,
2
0
2
,
1
3
2
,
0
5
2
,
0
1
1
,
9
6
1
,
9
1
1
,
8
6
1
,
8
2
1
,
8
1
1
,
7
6
2
3
2
4
4
,
2
6
3
,
4
0
3
,
0
1
2
,
7
8
2
,
6
2
2
,
5
1
2
,
4
2
2
,
3
6
2
,
3
0
2
,
2
5
2
,
1
8
2
,
1
1
2
,
0
3
1
,
9
8
1
,
9
4
1
,
8
9
1
,
8
4
1
,
8
0
1
,
7
9
1
,
7
3
2
4
2
5
4
,
2
4
3
,
3
9
2
,
9
9
2
,
7
6
2
,
6
0
2
,
4
9
2
,
4
0
2
,
3
4
2
,
2
8
2
,
2
4
2
,
1
6
2
,
0
9
2
,
0
1
1
,
9
6
1
,
9
2
1
,
8
7
1
,
8
2
1
,
7
8
1
,
7
7
1
,
7
1
2
5
2
6
4
,
2
3
3
,
3
7
2
,
9
8
2
,
7
4
2
,
5
9
2
,
4
7
2
,
3
9
2
,
3
2
2
,
2
7
2
,
2
2
2
,
1
5
2
,
0
7
1
,
9
9
1
,
9
5
1
,
9
0
1
,
8
5
1
,
8
0
1
,
7
6
1
,
7
5
1
,
6
9
2
6
2
7
4
,
2
1
3
,
3
5
2
,
9
6
2
,
7
3
2
,
5
7
2
,
4
6
2
,
3
7
2
,
3
1
2
,
2
5
2
,
2
0
2
,
1
3
2
,
0
6
1
,
9
7
1
,
9
3
1
,
8
8
1
,
8
4
1
,
7
9
1
,
7
4
1
,
7
3
1
,
6
7
2
7
2
8
4
,
2
0
3
,
3
4
2
,
9
5
2
,
7
1
2
,
5
6
2
,
4
5
2
,
3
6
2
,
2
9
2
,
2
4
2
,
1
9
2
,
1
2
2
,
0
4
1
,
9
6
1
,
9
1
1
,
8
7
1
,
8
2
1
,
7
7
1
,
7
3
1
,
7
1
1
,
6
5
2
8
2
9
4
,
1
8
3
,
3
3
2
,
9
3
2
,
7
0
2
,
5
5
2
,
4
3
2
,
3
5
2
,
2
8
2
,
2
2
2
,
1
8
2
,
1
0
2
,
0
3
1
,
9
4
1
,
9
0
1
,
8
5
1
,
8
1
1
,
7
5
1
,
7
1
1
,
7
0
1
,
6
4
2
9
3
0
4
,
1
7
3
,
3
2
2
,
9
2
2
,
6
9
2
,
5
3
2
,
4
2
2
,
3
3
2
,
2
7
2
,
2
1
2
,
1
6
2
,
0
9
2
,
0
1
1
,
9
3
1
,
8
9
1
,
8
4
1
,
7
9
1
,
7
4
1
,
7
0
1
,
6
8
1
,
6
2
3
0
4
0
4
,
0
8
3
,
2
3
2
,
8
4
2
,
6
1
2
,
4
5
2
,
3
4
2
,
2
5
2
,
1
8
2
,
1
2
2
,
0
8
2
,
0
0
1
,
9
2
1
,
8
4
1
,
7
9
1
,
7
4
1
,
6
9
1
,
6
4
1
,
5
9
1
,
5
8
1
,
5
1
4
0
5
0
4
,
0
3
3
,
1
8
2
,
7
9
2
,
5
6
2
,
4
0
2
,
2
9
2
,
2
0
2
,
1
3
2
,
0
7
2
,
0
3
1
,
9
5
1
,
8
7
1
,
7
8
1
,
7
4
1
,
6
9
1
,
6
3
1
,
5
8
1
,
5
2
1
,
5
1
1
,
4
4
5
0
6
0
4
,
0
0
3
,
1
5
2
,
7
6
2
,
5
3
2
,
3
7
2
,
2
5
2
,
1
7
2
,
1
0
2
,
0
4
1
,
9
9
1
,
9
2
1
,
8
4
1
,
7
5
1
,
7
0
1
,
6
5
1
,
5
9
1
,
5
3
1
,
4
8
1
,
4
7
1
,
3
9
6
0
7
0
3
,
9
8
3
,
1
3
2
,
7
4
2
,
5
0
2
,
3
5
2
,
2
3
2
,
1
4
2
,
0
7
2
,
0
2
1
,
9
7
1
,
8
9
1
,
8
1
1
,
7
2
1
,
6
7
1
,
6
2
1
,
5
7
1
,
5
0
1
,
4
5
1
,
4
4
1
,
3
5
7
0
8
0
3
,
9
6
3
,
1
1
2
,
7
2
2
,
4
9
2
,
3
3
2
,
2
1
2
,
1
3
2
,
0
6
2
,
0
0
1
,
9
5
1
,
8
8
1
,
7
9
1
,
7
0
1
,
6
5
1
,
6
0
1
,
5
4
1
,
4
8
1
,
4
3
1
,
4
1
1
,
3
2
8
0
9
0
3
,
9
5
3
,
1
0
2
,
7
1
2
,
4
7
2
,
3
2
2
,
2
0
2
,
1
1
2
,
0
4
1
,
9
9
1
,
9
4
1
,
8
6
1
,
7
8
1
,
6
9
1
,
6
4
1
,
5
9
1
,
5
3
1
,
4
6
1
,
4
1
1
,
3
9
1
,
3
0
9
0
1
0
0
3
,
9
4
3
,
0
9
2
,
7
0
2
,
4
6
2
,
3
1
2
,
1
9
2
,
1
0
2
,
0
3
1
,
9
7
1
,
9
3
1
,
8
5
1
,
7
7
1
,
6
8
1
,
6
3
1
,
5
7
1
,
5
2
1
,
4
5
1
,
3
9
1
,
3
8
1
,
2
8
1
0
0
1
2
0
3
,
9
2
3
,
0
7
2
,
6
8
2
,
4
5
2
,
2
9
2
,
1
8
2
,
0
9
2
,
0
2
1
,
9
6
1
,
9
1
1
,
8
3
1
,
7
5
1
,
6
6
1
,
6
1
1
,
5
5
1
,
5
0
1
,
4
3
1
,
3
7
1
,
3
5
1
,
2
5
1
2
0
I
n
f
3
,
8
4
3
,
0
0
2
,
6
0
2
,
3
7
2
,
2
1
2
,
1
0
2
,
0
1
1
,
9
4
1
,
8
8
1
,
8
3
1
,
7
5
1
,
6
7
1
,
5
7
1
,
5
2
1
,
4
6
1
,
3
9
1
,
3
2
1
,
2
4
1
,
2
2
1
,
0
0
I
n
f
1
2
3
4
5
6
7
8
9
1
0
1
2
1
5
2
0
2
4
3
0
4
0
6
0
1
0
0
1
2
0
I
n
f
.
2
G
r
a
d
o
s

d
e

l
i
b
e
r
t
a
d

d
e
l

n
u
m
e
r
a
d
o
r
:

=
0
.
0
2
5
T
a
b
l
a

F
)
(
,
,
,
,
,
2
1
2
1
2
1
F
F
P
F
0
2
5
.
0
)
5
3
.
4
(
:
8
,
7
=
F
P
E
j
e
m
p
l
o
1
2
3
4
5
6
7
8
9
1
0
1
2
1
5
2
0
2
4
3
0
4
0
6
0
1
0
0
1
2
0
I
n
f
.
1
6
4
7
,
8
7
9
9
,
5
8
6
4
,
2
8
9
9
,
6
9
2
1
,
8
9
3
7
,
1
9
4
8
,
2
9
5
6
,
6
9
6
3
,
3
9
6
8
,
6
9
7
6
,
7
9
8
4
,
9
9
9
3
,
1
9
9
7
,
3
1
0
0
1
,
4
1
0
0
5
,
6
1
0
0
9
,
8
1
0
1
3
,
2
1
0
1
4
,
0
1
0
1
8
,
3
1
2
3
8
,
5
1
3
9
,
0
0
3
9
,
1
7
3
9
,
2
5
3
9
,
3
0
3
9
,
3
3
3
9
,
3
6
3
9
,
3
7
3
9
,
3
9
3
9
,
4
0
3
9
,
4
1
3
9
,
4
3
3
9
,
4
5
3
9
,
4
6
3
9
,
4
6
3
9
,
4
7
3
9
,
4
8
3
9
,
4
9
3
9
,
4
9
3
9
,
5
0
2
3
1
7
,
4
4
1
6
,
0
4
1
5
,
4
4
1
5
,
1
0
1
4
,
8
8
1
4
,
7
3
1
4
,
6
2
1
4
,
5
4
1
4
,
4
7
1
4
,
4
2
1
4
,
3
4
1
4
,
2
5
1
4
,
1
7
1
4
,
1
2
1
4
,
0
8
1
4
,
0
4
1
3
,
9
9
1
3
,
9
6
1
3
,
9
5
1
3
,
9
0
3
4
1
2
,
2
2
1
0
,
6
5
9
,
9
8
9
,
6
0
9
,
3
6
9
,
2
0
9
,
0
7
8
,
9
8
8
,
9
0
8
,
8
4
8
,
7
5
8
,
6
6
8
,
5
6
8
,
5
1
8
,
4
6
8
,
4
1
8
,
3
6
8
,
3
2
8
,
3
1
8
,
2
6
4
5
1
0
,
0
1
8
,
4
3
7
,
7
6
7
,
3
9
7
,
1
5
6
,
9
8
6
,
8
5
6
,
7
6
6
,
6
8
6
,
6
2
6
,
5
2
6
,
4
3
6
,
3
3
6
,
2
8
6
,
2
3
6
,
1
8
6
,
1
2
6
,
0
8
6
,
0
7
6
,
0
2
5
6
8
,
8
1
7
,
2
6
6
,
6
0
6
,
2
3
5
,
9
9
5
,
8
2
5
,
7
0
5
,
6
0
5
,
5
2
5
,
4
6
5
,
3
7
5
,
2
7
5
,
1
7
5
,
1
2
5
,
0
7
5
,
0
1
4
,
9
6
4
,
9
2
4
,
9
0
4
,
8
5
6
7
8
,
0
7
6
,
5
4
5
,
8
9
5
,
5
2
5
,
2
9
5
,
1
2
4
,
9
9
4
,
9
0
4
,
8
2
4
,
7
6
4
,
6
7
4
,
5
7
4
,
4
7
4
,
4
1
4
,
3
6
4
,
3
1
4
,
2
5
4
,
2
1
4
,
2
0
4
,
1
4
7
8
7
,
5
7
6
,
0
6
5
,
4
2
5
,
0
5
4
,
8
2
4
,
6
5
4
,
5
3
4
,
4
3
4
,
3
6
4
,
3
0
4
,
2
0
4
,
1
0
4
,
0
0
3
,
9
5
3
,
8
9
3
,
8
4
3
,
7
8
3
,
7
4
3
,
7
3
3
,
6
7
8
9
7
,
2
1
5
,
7
1
5
,
0
8
4
,
7
2
4
,
4
8
4
,
3
2
4
,
2
0
4
,
1
0
4
,
0
3
3
,
9
6
3
,
8
7
3
,
7
7
3
,
6
7
3
,
6
1
3
,
5
6
3
,
5
1
3
,
4
5
3
,
4
0
3
,
3
9
3
,
3
3
9
1
0
6
,
9
4
5
,
4
6
4
,
8
3
4
,
4
7
4
,
2
4
4
,
0
7
3
,
9
5
3
,
8
5
3
,
7
8
3
,
7
2
3
,
6
2
3
,
5
2
3
,
4
2
3
,
3
7
3
,
3
1
3
,
2
6
3
,
2
0
3
,
1
5
3
,
1
4
3
,
0
8
1
0
1
1
6
,
7
2
5
,
2
6
4
,
6
3
4
,
2
8
4
,
0
4
3
,
8
8
3
,
7
6
3
,
6
6
3
,
5
9
3
,
5
3
3
,
4
3
3
,
3
3
3
,
2
3
3
,
1
7
3
,
1
2
3
,
0
6
3
,
0
0
2
,
9
6
2
,
9
4
2
,
8
8
1
1
1
2
6
,
5
5
5
,
1
0
4
,
4
7
4
,
1
2
3
,
8
9
3
,
7
3
3
,
6
1
3
,
5
1
3
,
4
4
3
,
3
7
3
,
2
8
3
,
1
8
3
,
0
7
3
,
0
2
2
,
9
6
2
,
9
1
2
,
8
5
2
,
8
0
2
,
7
9
2
,
7
2
1
2
1
3
6
,
4
1
4
,
9
7
4
,
3
5
4
,
0
0
3
,
7
7
3
,
6
0
3
,
4
8
3
,
3
9
3
,
3
1
3
,
2
5
3
,
1
5
3
,
0
5
2
,
9
5
2
,
8
9
2
,
8
4
2
,
7
8
2
,
7
2
2
,
6
7
2
,
6
6
2
,
6
0
1
3
1
4
6
,
3
0
4
,
8
6
4
,
2
4
3
,
8
9
3
,
6
6
3
,
5
0
3
,
3
8
3
,
2
9
3
,
2
1
3
,
1
5
3
,
0
5
2
,
9
5
2
,
8
4
2
,
7
9
2
,
7
3
2
,
6
7
2
,
6
1
2
,
5
6
2
,
5
5
2
,
4
9
1
4
1
5
6
,
2
0
4
,
7
7
4
,
1
5
3
,
8
0
3
,
5
8
3
,
4
1
3
,
2
9
3
,
2
0
3
,
1
2
3
,
0
6
2
,
9
6
2
,
8
6
2
,
7
6
2
,
7
0
2
,
6
4
2
,
5
9
2
,
5
2
2
,
4
7
2
,
4
6
2
,
4
0
1
5
1
6
6
,
1
2
4
,
6
9
4
,
0
8
3
,
7
3
3
,
5
0
3
,
3
4
3
,
2
2
3
,
1
2
3
,
0
5
2
,
9
9
2
,
8
9
2
,
7
9
2
,
6
8
2
,
6
3
2
,
5
7
2
,
5
1
2
,
4
5
2
,
4
0
2
,
3
8
2
,
3
2
1
6
1
7
6
,
0
4
4
,
6
2
4
,
0
1
3
,
6
6
3
,
4
4
3
,
2
8
3
,
1
6
3
,
0
6
2
,
9
8
2
,
9
2
2
,
8
2
2
,
7
2
2
,
6
2
2
,
5
6
2
,
5
0
2
,
4
4
2
,
3
8
2
,
3
3
2
,
3
2
2
,
2
5
1
7
1
8
5
,
9
8
4
,
5
6
3
,
9
5
3
,
6
1
3
,
3
8
3
,
2
2
3
,
1
0
3
,
0
1
2
,
9
3
2
,
8
7
2
,
7
7
2
,
6
7
2
,
5
6
2
,
5
0
2
,
4
4
2
,
3
8
2
,
3
2
2
,
2
7
2
,
2
6
2
,
1
9
1
8
1
9
5
,
9
2
4
,
5
1
3
,
9
0
3
,
5
6
3
,
3
3
3
,
1
7
3
,
0
5
2
,
9
6
2
,
8
8
2
,
8
2
2
,
7
2
2
,
6
2
2
,
5
1
2
,
4
5
2
,
3
9
2
,
3
3
2
,
2
7
2
,
2
2
2
,
2
0
2
,
1
3
1
9
2
0
5
,
8
7
4
,
4
6
3
,
8
6
3
,
5
1
3
,
2
9
3
,
1
3
3
,
0
1
2
,
9
1
2
,
8
4
2
,
7
7
2
,
6
8
2
,
5
7
2
,
4
6
2
,
4
1
2
,
3
5
2
,
2
9
2
,
2
2
2
,
1
7
2
,
1
6
2
,
0
9
2
0
2
1
5
,
8
3
4
,
4
2
3
,
8
2
3
,
4
8
3
,
2
5
3
,
0
9
2
,
9
7
2
,
8
7
2
,
8
0
2
,
7
3
2
,
6
4
2
,
5
3
2
,
4
2
2
,
3
7
2
,
3
1
2
,
2
5
2
,
1
8
2
,
1
3
2
,
1
1
2
,
0
4
2
1
2
2
5
,
7
9
4
,
3
8
3
,
7
8
3
,
4
4
3
,
2
2
3
,
0
5
2
,
9
3
2
,
8
4
2
,
7
6
2
,
7
0
2
,
6
0
2
,
5
0
2
,
3
9
2
,
3
3
2
,
2
7
2
,
2
1
2
,
1
4
2
,
0
9
2
,
0
8
2
,
0
0
2
2
2
3
5
,
7
5
4
,
3
5
3
,
7
5
3
,
4
1
3
,
1
8
3
,
0
2
2
,
9
0
2
,
8
1
2
,
7
3
2
,
6
7
2
,
5
7
2
,
4
7
2
,
3
6
2
,
3
0
2
,
2
4
2
,
1
8
2
,
1
1
2
,
0
6
2
,
0
4
1
,
9
7
2
3
2
4
5
,
7
2
4
,
3
2
3
,
7
2
3
,
3
8
3
,
1
5
2
,
9
9
2
,
8
7
2
,
7
8
2
,
7
0
2
,
6
4
2
,
5
4
2
,
4
4
2
,
3
3
2
,
2
7
2
,
2
1
2
,
1
5
2
,
0
8
2
,
0
2
2
,
0
1
1
,
9
4
2
4
2
5
5
,
6
9
4
,
2
9
3
,
6
9
3
,
3
5
3
,
1
3
2
,
9
7
2
,
8
5
2
,
7
5
2
,
6
8
2
,
6
1
2
,
5
1
2
,
4
1
2
,
3
0
2
,
2
4
2
,
1
8
2
,
1
2
2
,
0
5
2
,
0
0
1
,
9
8
1
,
9
1
2
5
2
6
5
,
6
6
4
,
2
7
3
,
6
7
3
,
3
3
3
,
1
0
2
,
9
4
2
,
8
2
2
,
7
3
2
,
6
5
2
,
5
9
2
,
4
9
2
,
3
9
2
,
2
8
2
,
2
2
2
,
1
6
2
,
0
9
2
,
0
3
1
,
9
7
1
,
9
5
1
,
8
8
2
6
2
7
5
,
6
3
4
,
2
4
3
,
6
5
3
,
3
1
3
,
0
8
2
,
9
2
2
,
8
0
2
,
7
1
2
,
6
3
2
,
5
7
2
,
4
7
2
,
3
6
2
,
2
5
2
,
1
9
2
,
1
3
2
,
0
7
2
,
0
0
1
,
9
4
1
,
9
3
1
,
8
5
2
7
2
8
5
,
6
1
4
,
2
2
3
,
6
3
3
,
2
9
3
,
0
6
2
,
9
0
2
,
7
8
2
,
6
9
2
,
6
1
2
,
5
5
2
,
4
5
2
,
3
4
2
,
2
3
2
,
1
7
2
,
1
1
2
,
0
5
1
,
9
8
1
,
9
2
1
,
9
1
1
,
8
3
2
8
2
9
5
,
5
9
4
,
2
0
3
,
6
1
3
,
2
7
3
,
0
4
2
,
8
8
2
,
7
6
2
,
6
7
2
,
5
9
2
,
5
3
2
,
4
3
2
,
3
2
2
,
2
1
2
,
1
5
2
,
0
9
2
,
0
3
1
,
9
6
1
,
9
0
1
,
8
9
1
,
8
1
2
9
3
0
5
,
5
7
4
,
1
8
3
,
5
9
3
,
2
5
3
,
0
3
2
,
8
7
2
,
7
5
2
,
6
5
2
,
5
7
2
,
5
1
2
,
4
1
2
,
3
1
2
,
2
0
2
,
1
4
2
,
0
7
2
,
0
1
1
,
9
4
1
,
8
8
1
,
8
7
1
,
7
9
3
0
4
0
5
,
4
2
4
,
0
5
3
,
4
6
3
,
1
3
2
,
9
0
2
,
7
4
2
,
6
2
2
,
5
3
2
,
4
5
2
,
3
9
2
,
2
9
2
,
1
8
2
,
0
7
2
,
0
1
1
,
9
4
1
,
8
8
1
,
8
0
1
,
7
4
1
,
7
2
1
,
6
4
4
0
5
0
5
,
3
4
3
,
9
7
3
,
3
9
3
,
0
5
2
,
8
3
2
,
6
7
2
,
5
5
2
,
4
6
2
,
3
8
2
,
3
2
2
,
2
2
2
,
1
1
1
,
9
9
1
,
9
3
1
,
8
7
1
,
8
0
1
,
7
2
1
,
6
6
1
,
6
4
1
,
5
5
5
0
6
0
5
,
2
9
3
,
9
3
3
,
3
4
3
,
0
1
2
,
7
9
2
,
6
3
2
,
5
1
2
,
4
1
2
,
3
3
2
,
2
7
2
,
1
7
2
,
0
6
1
,
9
4
1
,
8
8
1
,
8
2
1
,
7
4
1
,
6
7
1
,
6
0
1
,
5
8
1
,
4
8
6
0
7
0
5
,
2
5
3
,
8
9
3
,
3
1
2
,
9
7
2
,
7
5
2
,
5
9
2
,
4
7
2
,
3
8
2
,
3
0
2
,
2
4
2
,
1
4
2
,
0
3
1
,
9
1
1
,
8
5
1
,
7
8
1
,
7
1
1
,
6
3
1
,
5
6
1
,
5
4
1
,
4
4
7
0
8
0
5
,
2
2
3
,
8
6
3
,
2
8
2
,
9
5
2
,
7
3
2
,
5
7
2
,
4
5
2
,
3
5
2
,
2
8
2
,
2
1
2
,
1
1
2
,
0
0
1
,
8
8
1
,
8
2
1
,
7
5
1
,
6
8
1
,
6
0
1
,
5
3
1
,
5
1
1
,
4
0
8
0
9
0
5
,
2
0
3
,
8
4
3
,
2
6
2
,
9
3
2
,
7
1
2
,
5
5
2
,
4
3
2
,
3
4
2
,
2
6
2
,
1
9
2
,
0
9
1
,
9
8
1
,
8
6
1
,
8
0
1
,
7
3
1
,
6
6
1
,
5
8
1
,
5
0
1
,
4
8
1
,
3
7
9
0
1
0
0
5
,
1
8
3
,
8
3
3
,
2
5
2
,
9
2
2
,
7
0
2
,
5
4
2
,
4
2
2
,
3
2
2
,
2
4
2
,
1
8
2
,
0
8
1
,
9
7
1
,
8
5
1
,
7
8
1
,
7
1
1
,
6
4
1
,
5
6
1
,
4
8
1
,
4
6
1
,
3
5
1
0
0
1
2
0
5
,
1
5
3
,
8
0
3
,
2
3
2
,
8
9
2
,
6
7
2
,
5
2
2
,
3
9
2
,
3
0
2
,
2
2
2
,
1
6
2
,
0
5
1
,
9
4
1
,
8
2
1
,
7
6
1
,
6
9
1
,
6
1
1
,
5
3
1
,
4
5
1
,
4
3
1
,
3
1
1
2
0
I
n
f
5
,
0
2
3
,
6
9
3
,
1
2
2
,
7
9
2
,
5
7
2
,
4
1
2
,
2
9
2
,
1
9
2
,
1
1
2
,
0
5
1
,
9
4
1
,
8
3
1
,
7
1
1
,
6
4
1
,
5
7
1
,
4
8
1
,
3
9
1
,
3
0
1
,
2
7
1
,
0
0
I
n
f
1
2
3
4
5
6
7
8
9
1
0
1
2
1
5
2
0
2
4
3
0
4
0
6
0
1
0
0
1
2
0
I
n
f
.
2
G
r
a
d
o
s

d
e

l
i
b
e
r
t
a
d

d
e
l

n
u
m
e
r
a
d
o
r
:

=
0
.
0
1
T
a
b
l
a

F
)
(
,
,
,
,
,
2
1
2
1
2
1
F
F
P
F
0
1
.
0
)
1
8
.
6
(
:
8
,
7
=
F
P
E
j
e
m
p
l
o
1
2
3
4
5
6
7
8
9
1
0
1
2
1
5
2
0
2
4
3
0
4
0
6
0
1
0
0
1
2
0
I
n
f
.
1
4
0
5
2
,
2
4
9
9
9
,
3
5
4
0
3
,
5
5
6
2
4
,
3
5
7
6
4
,
0
5
8
5
9
,
0
5
9
2
8
,
3
5
9
8
1
,
0
6
0
2
2
,
4
6
0
5
5
,
9
6
1
0
6
,
7
6
1
5
7
,
0
6
2
0
8
,
7
6
2
3
4
,
3
6
2
6
0
,
4
6
2
8
6
,
4
6
3
1
3
,
0
6
3
3
3
,
9
6
3
3
9
,
5
6
3
6
5
,
6
1
2
9
8
,
5
0
9
9
,
0
0
9
9
,
1
6
9
9
,
2
5
9
9
,
3
0
9
9
,
3
3
9
9
,
3
6
9
9
,
3
8
9
9
,
3
9
9
9
,
4
0
9
9
,
4
2
9
9
,
4
3
9
9
,
4
5
9
9
,
4
6
9
9
,
4
7
9
9
,
4
8
9
9
,
4
8
9
9
,
4
9
9
9
,
4
9
9
9
,
5
0
2
3
3
4
,
1
2
3
0
,
8
2
2
9
,
4
6
2
8
,
7
1
2
8
,
2
4
2
7
,
9
1
2
7
,
6
7
2
7
,
4
9
2
7
,
3
4
2
7
,
2
3
2
7
,
0
5
2
6
,
8
7
2
6
,
6
9
2
6
,
6
0
2
6
,
5
0
2
6
,
4
1
2
6
,
3
2
2
6
,
2
4
2
6
,
2
2
2
6
,
1
3
3
4
2
1
,
2
0
1
8
,
0
0
1
6
,
6
9
1
5
,
9
8
1
5
,
5
2
1
5
,
2
1
1
4
,
9
8
1
4
,
8
0
1
4
,
6
6
1
4
,
5
5
1
4
,
3
7
1
4
,
2
0
1
4
,
0
2
1
3
,
9
3
1
3
,
8
4
1
3
,
7
5
1
3
,
6
5
1
3
,
5
8
1
3
,
5
6
1
3
,
4
6
4
5
1
6
,
2
6
1
3
,
2
7
1
2
,
0
6
1
1
,
3
9
1
0
,
9
7
1
0
,
6
7
1
0
,
4
6
1
0
,
2
9
1
0
,
1
6
1
0
,
0
5
9
,
8
9
9
,
7
2
9
,
5
5
9
,
4
7
9
,
3
8
9
,
2
9
9
,
2
0
9
,
1
3
9
,
1
1
9
,
0
2
5
6
1
3
,
7
5
1
0
,
9
2
9
,
7
8
9
,
1
5
8
,
7
5
8
,
4
7
8
,
2
6
8
,
1
0
7
,
9
8
7
,
8
7
7
,
7
2
7
,
5
6
7
,
4
0
7
,
3
1
7
,
2
3
7
,
1
4
7
,
0
6
6
,
9
9
6
,
9
7
6
,
8
8
6
7
1
2
,
2
5
9
,
5
5
8
,
4
5
7
,
8
5
7
,
4
6
7
,
1
9
6
,
9
9
6
,
8
4
6
,
7
2
6
,
6
2
6
,
4
7
6
,
3
1
6
,
1
6
6
,
0
7
5
,
9
9
5
,
9
1
5
,
8
2
5
,
7
5
5
,
7
4
5
,
6
5
7
8
1
1
,
2
6
8
,
6
5
7
,
5
9
7
,
0
1
6
,
6
3
6
,
3
7
6
,
1
8
6
,
0
3
5
,
9
1
5
,
8
1
5
,
6
7
5
,
5
2
5
,
3
6
5
,
2
8
5
,
2
0
5
,
1
2
5
,
0
3
4
,
9
6
4
,
9
5
4
,
8
6
8
9
1
0
,
5
6
8
,
0
2
6
,
9
9
6
,
4
2
6
,
0
6
5
,
8
0
5
,
6
1
5
,
4
7
5
,
3
5
5
,
2
6
5
,
1
1
4
,
9
6
4
,
8
1
4
,
7
3
4
,
6
5
4
,
5
7
4
,
4
8
4
,
4
1
4
,
4
0
4
,
3
1
9
1
0
1
0
,
0
4
7
,
5
6
6
,
5
5
5
,
9
9
5
,
6
4
5
,
3
9
5
,
2
0
5
,
0
6
4
,
9
4
4
,
8
5
4
,
7
1
4
,
5
6
4
,
4
1
4
,
3
3
4
,
2
5
4
,
1
7
4
,
0
8
4
,
0
1
4
,
0
0
3
,
9
1
1
0
1
1
9
,
6
5
7
,
2
1
6
,
2
2
5
,
6
7
5
,
3
2
5
,
0
7
4
,
8
9
4
,
7
4
4
,
6
3
4
,
5
4
4
,
4
0
4
,
2
5
4
,
1
0
4
,
0
2
3
,
9
4
3
,
8
6
3
,
7
8
3
,
7
1
3
,
6
9
3
,
6
0
1
1
1
2
9
,
3
3
6
,
9
3
5
,
9
5
5
,
4
1
5
,
0
6
4
,
8
2
4
,
6
4
4
,
5
0
4
,
3
9
4
,
3
0
4
,
1
6
4
,
0
1
3
,
8
6
3
,
7
8
3
,
7
0
3
,
6
2
3
,
5
4
3
,
4
7
3
,
4
5
3
,
3
6
1
2
1
3
9
,
0
7
6
,
7
0
5
,
7
4
5
,
2
1
4
,
8
6
4
,
6
2
4
,
4
4
4
,
3
0
4
,
1
9
4
,
1
0
3
,
9
6
3
,
8
2
3
,
6
6
3
,
5
9
3
,
5
1
3
,
4
3
3
,
3
4
3
,
2
7
3
,
2
5
3
,
1
7
1
3
1
4
8
,
8
6
6
,
5
1
5
,
5
6
5
,
0
4
4
,
6
9
4
,
4
6
4
,
2
8
4
,
1
4
4
,
0
3
3
,
9
4
3
,
8
0
3
,
6
6
3
,
5
1
3
,
4
3
3
,
3
5
3
,
2
7
3
,
1
8
3
,
1
1
3
,
0
9
3
,
0
0
1
4
1
5
8
,
6
8
6
,
3
6
5
,
4
2
4
,
8
9
4
,
5
6
4
,
3
2
4
,
1
4
4
,
0
0
3
,
8
9
3
,
8
0
3
,
6
7
3
,
5
2
3
,
3
7
3
,
2
9
3
,
2
1
3
,
1
3
3
,
0
5
2
,
9
8
2
,
9
6
2
,
8
7
1
5
1
6
8
,
5
3
6
,
2
3
5
,
2
9
4
,
7
7
4
,
4
4
4
,
2
0
4
,
0
3
3
,
8
9
3
,
7
8
3
,
6
9
3
,
5
5
3
,
4
1
3
,
2
6
3
,
1
8
3
,
1
0
3
,
0
2
2
,
9
3
2
,
8
6
2
,
8
4
2
,
7
5
1
6
1
7
8
,
4
0
6
,
1
1
5
,
1
9
4
,
6
7
4
,
3
4
4
,
1
0
3
,
9
3
3
,
7
9
3
,
6
8
3
,
5
9
3
,
4
6
3
,
3
1
3
,
1
6
3
,
0
8
3
,
0
0
2
,
9
2
2
,
8
3
2
,
7
6
2
,
7
5
2
,
6
5
1
7
1
8
8
,
2
9
6
,
0
1
5
,
0
9
4
,
5
8
4
,
2
5
4
,
0
1
3
,
8
4
3
,
7
1
3
,
6
0
3
,
5
1
3
,
3
7
3
,
2
3
3
,
0
8
3
,
0
0
2
,
9
2
2
,
8
4
2
,
7
5
2
,
6
8
2
,
6
6
2
,
5
7
1
8
1
9
8
,
1
8
5
,
9
3
5
,
0
1
4
,
5
0
4
,
1
7
3
,
9
4
3
,
7
7
3
,
6
3
3
,
5
2
3
,
4
3
3
,
3
0
3
,
1
5
3
,
0
0
2
,
9
2
2
,
8
4
2
,
7
6
2
,
6
7
2
,
6
0
2
,
5
8
2
,
4
9
1
9
2
0
8
,
1
0
5
,
8
5
4
,
9
4
4
,
4
3
4
,
1
0
3
,
8
7
3
,
7
0
3
,
5
6
3
,
4
6
3
,
3
7
3
,
2
3
3
,
0
9
2
,
9
4
2
,
8
6
2
,
7
8
2
,
6
9
2
,
6
1
2
,
5
4
2
,
5
2
2
,
4
2
2
0
2
1
8
,
0
2
5
,
7
8
4
,
8
7
4
,
3
7
4
,
0
4
3
,
8
1
3
,
6
4
3
,
5
1
3
,
4
0
3
,
3
1
3
,
1
7
3
,
0
3
2
,
8
8
2
,
8
0
2
,
7
2
2
,
6
4
2
,
5
5
2
,
4
8
2
,
4
6
2
,
3
6
2
1
2
2
7
,
9
5
5
,
7
2
4
,
8
2
4
,
3
1
3
,
9
9
3
,
7
6
3
,
5
9
3
,
4
5
3
,
3
5
3
,
2
6
3
,
1
2
2
,
9
8
2
,
8
3
2
,
7
5
2
,
6
7
2
,
5
8
2
,
5
0
2
,
4
2
2
,
4
0
2
,
3
1
2
2
2
3
7
,
8
8
5
,
6
6
4
,
7
6
4
,
2
6
3
,
9
4
3
,
7
1
3
,
5
4
3
,
4
1
3
,
3
0
3
,
2
1
3
,
0
7
2
,
9
3
2
,
7
8
2
,
7
0
2
,
6
2
2
,
5
4
2
,
4
5
2
,
3
7
2
,
3
5
2
,
2
6
2
3
2
4
7
,
8
2
5
,
6
1
4
,
7
2
4
,
2
2
3
,
9
0
3
,
6
7
3
,
5
0
3
,
3
6
3
,
2
6
3
,
1
7
3
,
0
3
2
,
8
9
2
,
7
4
2
,
6
6
2
,
5
8
2
,
4
9
2
,
4
0
2
,
3
3
2
,
3
1
2
,
2
1
2
4
2
5
7
,
7
7
5
,
5
7
4
,
6
8
4
,
1
8
3
,
8
5
3
,
6
3
3
,
4
6
3
,
3
2
3
,
2
2
3
,
1
3
2
,
9
9
2
,
8
5
2
,
7
0
2
,
6
2
2
,
5
4
2
,
4
5
2
,
3
6
2
,
2
9
2
,
2
7
2
,
1
7
2
5
2
6
7
,
7
2
5
,
5
3
4
,
6
4
4
,
1
4
3
,
8
2
3
,
5
9
3
,
4
2
3
,
2
9
3
,
1
8
3
,
0
9
2
,
9
6
2
,
8
1
2
,
6
6
2
,
5
8
2
,
5
0
2
,
4
2
2
,
3
3
2
,
2
5
2
,
2
3
2
,
1
3
2
6
2
7
7
,
6
8
5
,
4
9
4
,
6
0
4
,
1
1
3
,
7
8
3
,
5
6
3
,
3
9
3
,
2
6
3
,
1
5
3
,
0
6
2
,
9
3
2
,
7
8
2
,
6
3
2
,
5
5
2
,
4
7
2
,
3
8
2
,
2
9
2
,
2
2
2
,
2
0
2
,
1
0
2
7
2
8
7
,
6
4
5
,
4
5
4
,
5
7
4
,
0
7
3
,
7
5
3
,
5
3
3
,
3
6
3
,
2
3
3
,
1
2
3
,
0
3
2
,
9
0
2
,
7
5
2
,
6
0
2
,
5
2
2
,
4
4
2
,
3
5
2
,
2
6
2
,
1
9
2
,
1
7
2
,
0
6
2
8
2
9
7
,
6
0
5
,
4
2
4
,
5
4
4
,
0
4
3
,
7
3
3
,
5
0
3
,
3
3
3
,
2
0
3
,
0
9
3
,
0
0
2
,
8
7
2
,
7
3
2
,
5
7
2
,
4
9
2
,
4
1
2
,
3
3
2
,
2
3
2
,
1
6
2
,
1
4
2
,
0
3
2
9
3
0
7
,
5
6
5
,
3
9
4
,
5
1
4
,
0
2
3
,
7
0
3
,
4
7
3
,
3
0
3
,
1
7
3
,
0
7
2
,
9
8
2
,
8
4
2
,
7
0
2
,
5
5
2
,
4
7
2
,
3
9
2
,
3
0
2
,
2
1
2
,
1
3
2
,
1
1
2
,
0
1
3
0
4
0
7
,
3
1
5
,
1
8
4
,
3
1
3
,
8
3
3
,
5
1
3
,
2
9
3
,
1
2
2
,
9
9
2
,
8
9
2
,
8
0
2
,
6
6
2
,
5
2
2
,
3
7
2
,
2
9
2
,
2
0
2
,
1
1
2
,
0
2
1
,
9
4
1
,
9
2
1
,
8
0
4
0
5
0
7
,
1
7
5
,
0
6
4
,
2
0
3
,
7
2
3
,
4
1
3
,
1
9
3
,
0
2
2
,
8
9
2
,
7
8
2
,
7
0
2
,
5
6
2
,
4
2
2
,
2
7
2
,
1
8
2
,
1
0
2
,
0
1
1
,
9
1
1
,
8
2
1
,
8
0
1
,
6
8
5
0
6
0
7
,
0
8
4
,
9
8
4
,
1
3
3
,
6
5
3
,
3
4
3
,
1
2
2
,
9
5
2
,
8
2
2
,
7
2
2
,
6
3
2
,
5
0
2
,
3
5
2
,
2
0
2
,
1
2
2
,
0
3
1
,
9
4
1
,
8
4
1
,
7
5
1
,
7
3
1
,
6
0
6
0
7
0
7
,
0
1
4
,
9
2
4
,
0
7
3
,
6
0
3
,
2
9
3
,
0
7
2
,
9
1
2
,
7
8
2
,
6
7
2
,
5
9
2
,
4
5
2
,
3
1
2
,
1
5
2
,
0
7
1
,
9
8
1
,
8
9
1
,
7
8
1
,
7
0
1
,
6
7
1
,
5
4
7
0
8
0
6
,
9
6
4
,
8
8
4
,
0
4
3
,
5
6
3
,
2
6
3
,
0
4
2
,
8
7
2
,
7
4
2
,
6
4
2
,
5
5
2
,
4
2
2
,
2
7
2
,
1
2
2
,
0
3
1
,
9
4
1
,
8
5
1
,
7
5
1
,
6
5
1
,
6
3
1
,
4
9
8
0
9
0
6
,
9
3
4
,
8
5
4
,
0
1
3
,
5
3
3
,
2
3
3
,
0
1
2
,
8
4
2
,
7
2
2
,
6
1
2
,
5
2
2
,
3
9
2
,
2
4
2
,
0
9
2
,
0
0
1
,
9
2
1
,
8
2
1
,
7
2
1
,
6
2
1
,
6
0
1
,
4
6
9
0
1
0
0
6
,
9
0
4
,
8
2
3
,
9
8
3
,
5
1
3
,
2
1
2
,
9
9
2
,
8
2
2
,
6
9
2
,
5
9
2
,
5
0
2
,
3
7
2
,
2
2
2
,
0
7
1
,
9
8
1
,
8
9
1
,
8
0
1
,
6
9
1
,
6
0
1
,
5
7
1
,
4
3
1
0
0
1
2
0
6
,
8
5
4
,
7
9
3
,
9
5
3
,
4
8
3
,
1
7
2
,
9
6
2
,
7
9
2
,
6
6
2
,
5
6
2
,
4
7
2
,
3
4
2
,
1
9
2
,
0
3
1
,
9
5
1
,
8
6
1
,
7
6
1
,
6
6
1
,
5
6
1
,
5
3
1
,
3
8
1
2
0
I
n
f
6
,
6
3
4
,
6
1
3
,
7
8
3
,
3
2
3
,
0
2
2
,
8
0
2
,
6
4
2
,
5
1
2
,
4
1
2
,
3
2
2
,
1
8
2
,
0
4
1
,
8
8
1
,
7
9
1
,
7
0
1
,
5
9
1
,
4
7
1
,
3
6
1
,
3
2
1
,
0
0
I
n
f
1
2
3
4
5
6
7
8
9
1
0
1
2
1
5
2
0
2
4
3
0
4
0
6
0
1
0
0
1
2
0
I
n
f
.

Libro Estad. Total

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Libro Estad. Total

Caricato da

Copyright:

Formati disponibili

ESTADSTICA

Podemos armar que hay un error en los clculos? Por qu?

), t > 0, k > 0, > 0.

1. Mtodo de los momentos

) ,..., , ( ) ,..., , , ( log ) ,..., , ( log

ntes independie son ,

: grados de libertad (g.l.)

: grados de libertad (g.l.)

diferente es una menos Al :

Diagnosis del modelo

que mayor ser

ijk ijkm ijkm

ntes independie son ,

ados estandariz Residuos

, donde T es el tiempo y y son parmetros

, donde T es el tiempo en horas, y y

2.23 = 0. Las variables no son independientes porque por ejemplo P(Y

100 0.75 0.25

= 0.01044 < = 0.05. Con nivel de signi-

; P(Error tipo II|p = 0.06) = 1 Pot(p = 0.06) = 0.2709.

Potrebbero piacerti anche