Soluciones de los ejercicios 1. Estadistica descriptiva de una variable 1. Analizamos la variable estadistica X = «Tiempo que tardan en morirm. Lo mis relevante de estos datos es Ja comparacién de la media con la mediana. 233, 41 n mientras que la E] tiempo medio que tardan en morir es ¥ mediana es M = 36. Se observa que la media es apreciablemente mayor, como consecuencia del dato 120, Probablemente, ese dato sca consecuencia de que durante varias horas se dejé de observar c| proceso. La mediana tiene la ventaja de ser una medida de centralizacién mas robusta, es decir, mas resistente a la influencia de datos atipicos que puedan proceder de diversos errores en la medicién. 2, La variable estadistica que vamos a analizar es X = «Puntuaci6n obtenida en el test de inteligencia». Tomando como marcas de clase, x,, os puntos me- dios de los intervalos tenemos: Ln,x, = 60,5 n Podemos observar también que el 50% de [os individuos tienen una pun- tuaci6n por debajo de 60, y el 50% restante pot encima de 60. Por tanto, la mediana serfa M = 60. 3. Eneste caso, la variable estadistica considerada es X = «Numero de hijos por familia». Tenemos: 2.8: Desviaci6n ipica =) Ya; -3)* 7 Vn 173QQ 174 SOLUCIONES DE LOS EJERCIC! Si colocamos todos los datos en orden creciente, los dos datos que quedan en las posiciones centrales son 3 y 3. Por tanto, fa mediana es M=3. 4. La variable estadistica que consideramos es X = «Talla del recluta», El re- presentante de cada clase, x, serd ef punto medio salvo en la primera clase y en la dltima (que no tendria sentido). Podemos tomar, por ejemplo, como representante dela primera clase el valor 147,5, y como representante del tiltimo intervafo ef valor 185. A partir de los porcentajes de cada intervalo podemos obtener las frecuencias relativas f, (o tantos por uno). De este modo, tenemos todo lo necesario para calcular la media y la desviacin ti- pica: F=D fx, = 168.29; Desviacién tipica = (Ef, Finalmente, podemos observar que hasta la altura 165 se han acumula- do el 30,8% de los datos, y hasta la altura 170 se han acumulado ef 61,3% de los datos. Por tanto, Ia mediana se encontraré en el intervalo (165, 170). seguramente mas cerca del valor 170 que del valor 165 nm En este ejercicio, vamos a analizar fa variable estadistica X = «Tamatio det huevo», Tomando como representantes de clase, x,, los puntos medios de los intervalos, calculamos: x =Lynjx, =16,54; Desviacién tipica » Por otra parte, observamos que, de los 243 huevos inspeccionados, 89 de ellos (menos del 50%) tienen un tamaiio inferior a 16,25, mientras que 140 (més del 50%) tienen un tamaito inferior a 16,75. Por tanto, la medjana es- tard situada entre 16,25 y 16,75. 6. a) Dividiendo los datos por 10, tenemos los siguientes diagramas de tallos y hojas: 7 5) 8 6} 5 6 | 810 7) 46 7 | 81877 8 | 558 8 | 82002 9 | 0358883 9 10 | 70 10) 5SOLUCIONES DE LOS EJERCICIOS 175 6) Con los datos de Michelson, zely x, =897,lo cual da una veloci- n dad media para la luz de 299897 km/seg, y «Desviacién tipica» = je L(y, - ¥)* = 105,3. \n Con los datos de Newcomb, 4, = 763, lo cual da una velo- n cidad media para la luz de 299763 km/seg, y «Desviacién tipica» = = Ly (y 3? =116,7. Va c) Segiin se desprende de la observaci6n de los diagramas de tallos y ho- jas y de los valores de las desviaciones tipicas, la dispersién es pareci- da en ambos conjuntos de datos; sin embargo, las mediciones obtenida son ligeramente superiores (en conjunto) en el experimento de Mi- chelson, como se observa en las medias y en los diagramas. 7. Redondeando los datos a cinco cifras significativas, tenemos el siguiente diagrama de tallos y hojas: 2298 | 29959 2299 | 4 2300 48 2309 | 9 2310 | 210233 Hay una clara separacién de los pesos del nitrégeno obtenidos por pro- cedimientos fisicos y de los obtenidos por procedimientos quimico: debe a que, al suprimir el oxigeno del aire por procedimientos fisicos, no queda sélo nitrégeno. 8. En primer lugar, podemos representar los datos sobre la variable estadistica X= «Densidad de la tierra con un diagrama de tallos y hojas176 SOLUCIONES DE LOS EJERCICIOS 48 | 8 4 | so | 7 51] 0 52 | 6997 53 | 64940 54 | 4276 55 | 05873 56 | 15238 57 | 95 ss} 5 Ordenande los datos de menor a mayor, la mediana seria el dato que ocupa el puesto decimoquinto: M = 5,46. Podemos calcular también la media y la desviacién tipica: Xx, — FF = 0,16 Dx, =5,45; Desviacién tipica = Podemos observar que la media y la mediana son miuy similares; esto es consecuencia de fa simetria que se puede apreciar en el diagrama de tallos y hojas. 9, Para la variedad normal observamos que los valores intermedios (una vez ordenados de menor a mayor) son 356 y 360: por tanto, la mediana es M = 358, Ademas: lS 366,30; Desviacion pica = J - na a =i Para la variedad mejorada observamos que los valores intermedios (una vez ordenados de menor a mayor) son 406 y 407; por tanto, ta mediana es M = 406,5. Ademas: I eee =¥.x, = 402,95; Desviacién tipica n ante con la variedad mnejorada. in embargo, la di viaci6n tipica) disminuye claramente con la variedad mejorada. En resumen, la variedad mejorada consigue pollos de mas peso que !a variedad normal y mas homogéneos.SOLUCIONES DE LOS EJERCICIOS 7 10. En primer lugar, podemos disponer Jos datos en un diagrama de tallos y hojas: 9} 17771 10 | 14818585888418 11 | 333388 12 | 383 13 4/1 a be | 16 17 is | 8 A la vista de este diagrama es natural esperar que la media sea ligera- mente superior a la mediana, como consecuencia de los dos consumos grandes que se apartan de la t6nica general. En efecto, disponiendo los da- tos en orden de menor a mayor, observamos que los dos consumos inter medios son 10,8 y 10,8. Por tanto, la mediana es M = 10,8. La media es algo superior, como era de esperar: 11, La variable estadistica analizada en este ejercicio es X = «Edad de la madre en el momento del parto». Tomando los puntos medios de los intervalos como represeniantes, x, de dichos intervalos, tenemos: 1 ~Ln,x, = 29,78; Desviacién tipica n \ Lyn 3? n Podemos también observar que el 51% de 1os partos tienen lugar antes de fos 30 afios. Esto significa que fa edad mediana de fa madre se situaria por debajo (pero muy cerca) de esos 30 aiios. 12. Analizamos la variable estadistica X = «Peso al nacer»: i qo 1 Six, =33,14; Desviacion tpica =, |1E.n,¢x, n Vn 5,17 I Observando que el 48% de los pesos s cluimos que el peso mediano al nacer se sitt 3250 gramos. ituia por debajo de 32,5, con- un poco por encima de los18 SOLUCIONES DE LOS EJERCICIOS 2. Estadistica descriptiva de dos variables 1. Eneste caso, tan razonable es hacer una regresién lineal de Y sobre X, como de X sobre ¥. Haremos, por ejemplo, una regresién lineal de ¥ sobre X: - 156 (97,875) > 61,8593 2,344 0,15x 2, Eldiagrama de dispersion de ¥= «Ventas» sobre X = «Gasto en TV» pone de manifiesto que, mas que una relaci6n lineal, se observa una relacién de tipo logarftmico. Por este motivo, planteamos una regresi6n logaritmica de Y sobre X: y=atblogx => Regresi6n lineal de ¥ sobre U=log xX => 6, 9488 y~ 77,29 = 1, 3553; y~77,29 0.1023" i = y =101,42+67,93u = y=101,42 + 67,93 log x Para evaluar el ajuste togaritmico efectuado, calcutamos El ajuste logaritmico es francamente bueno. 3. Podemos considerar las variables estadisticas X = «Ntimero de vendedores» e Y= «Ventas», y hacer una regresidn lineal de ¥ sobre X: CVs ge Sa) vy y=0,12x-0,40 Podemos medir la bondad de este ajuste mediante el coeficiente de co- trelacién entre X e ¥: cov, , 5,75 o “Peay 4BS6N0.7) ieneSOLUCIONES DE LOS EJERCICIOS 179 El modelo de regresién lineal expresa muy bien fa relaci6n entre los in- gresos anuales y ef tamaiio de su equipo de ventas (dentro de los tamafios considerados). La recta de regresién de Y sobre X viene dada por: ya reg) > y-21267= PSE x =13733) = 0,24x +1,80 El ajuste es bastante malo: la recta de regresién no expresa bien ¥ en funcién de X. Tenemos 5 pares de datos sobre las variables estadisticas Y= «Ntimero de hijos» y X = «Afio». Hallamos fa recta de regresién de Y sobre X: 2566 — 0,0255x. El numero de hijos estimados en 1996 seria: = 52,2566 ~ 0,0255(1996) = 1,36. @) Queremos expresar ¥ = «Numero de manaties muertos» en funcidn de la variable explicativa X = «Numero de licencias (en miles)». b), cy d) El diagrama de dispersin 0 nube de puntos nos dice que parece haber una estrecha relacidn lineal entre X e Y. Las variables estan aso- ciadas positivamente ya que los valores de ¥ crecen al crecer los de X. e) Podemos hallar la recta de regresidn lineal de ¥ sobre X y el coeficiente de correfacién lineal entre X ¢ Y: y= 0,1249x ~ 41,4304; r 0,94 La relacién es fuerte ya que r esté proximo a 1. Podemos utilizar la rec- ta de regresin para predecir, razonablemente bien, el ntimero de manaties muertos cuando X = 700: y= 0,1249(700) ~ 41,4304 = 46.180 SOLUCIONES DE LOS EJERCICIOS Lo que el profesor Cruz querfa decir es que no existe relacién apreciable (ni a favor ni en contra) entre la capacidad investigadora y la capacidad docen- te. Es decir, entre los buenos investigadores hay buenos y malos docentes, y Jo mismo ocurre entre los malos investigadores, a), b) yc) Enel diagrama de dispersion de Y = «Pasos por segundo» sobre X= «Velocidad» se puede apreciar una fuerte relacién lineal positiva. Ha- Hamos la recta de regresién de ¥ sobre X’y el coeficiente de correlacién: 1,771 + 0,263x; r= 0,999, y En efecto, el ajuste que proporeiona a recta de regresin es muy bueno (r muy proximo a 1), Esta recta puede utilizarse para predecir (aproxima- damente) el ntimero de pasos por segundo a partir de la velocidad. @),b)y 0) Enefecto, la recta de regresion de ¥ sobre X y el coeficiente de correlacién son iguales para los tres conjuntos de datos: y=3+05x5 = 0,82 de regresi6n para Sin embargo, el tinico caso en que se utilizarfa la r predecir el valor de ¥ cuando X = 14, serfa en el primer y=3+0,5(14) = 10. Tenemos: cov, , 837,6 KOE 311 29 (39,4 y (x-xX) = y-3. 64 )> 180,52x - 4001,38 y-y= y El peso aproximado de un nifio gue nace tras 40 semanas de gestacién seria: y = 180,52(40)4001,38 = 3219 gramos. Podemos medir la bondad del ajuste mediante el Coeficiente de correla- cién entre X e Y: cov, , Tyvy — V(4,64)(160383,2) 0,97 v El ajuste es muy bueno.SOLUCIONES DE LOS EJERCICIOS 181 11. a) Representamos los datos en un diagrama de dispersion de Y = «Pobla- cién (en millones)» sobre X = «Afio», haciendo un sencillo origen en los afios (para facilitar los célculos posteriores). En concreto, Hlamamos ajio 0 al 1750, afio 50 al 1800, y asi sucesivamente. El dia- grama que se obliene es de tipo exponencial, cosa que era de esperar, traténdose de la evolucién de una poblacién b) Si representamos un diagrama de dispersién de U = log Y sobre X, observamos que tiene un aspecto lineal, fo cual sugiere hacer una re- gresién lineal de U = log Y sobre X. Por supuesto, podemos hacer un razonamiento directo a partir del dia- grama de Y sobre X. A la vista de este diagrama de dispersién, conviene ha- cer una regresion exponencial de ¥ sobre X: yrae => logyslogatbx > cov, Regresi6n lineal de U =log YsobreX = u-a@=——* 4,835 +0,008x => logy=4,835+0,008x => y= 125,839 €0%», Para evaluar este ajuste exponencial, podemos calcular el coeficiente de correlacién lineal entre U = log ¥ y X: lo cual corrobora la impresi6n visual de que el ajuste exponencial es muy bueno. 12. Enefecto, el diagrama de dispersin de ¥ sobre X nos sugiere un modelo de regresién logariimica de Y sobre X: y sa log. x + b = Regresién lineal de ¥ sobre U = log X > yo 43= 22 (2,08) forse y = 1,14 +4,95 log x Para evaluar el ajuste logaritmico efectuado, calculamos co Igy 2 ope =0,99 yeu, El ajuste logaritmico efectuado es muy bueno.192 SOLUCIONES DE LOS EJERCICIOS 13. Lo natural es tratar de expresar el porcentaje de bacilos supervivientes en funcién del tiempo de exposicién. Par eso, haremos regresiones de Y sobre X. Regresién lineal de Y sobre X: y= 36,48 - 3,60.x; 1, =~0.53, EJ ajuste lineal no es muy bueno. Regresion exponencial de Y sobre X: ysae™ = logy=logatby => Regresi6n lineal de U = log Y sobre X => u-7= —16,04 a => u=3,1213-0,6843x => log y = 3,{213-0,6843x = y=22,68%e *** 4-0, 083-= Para evaluar este ajuste exponencial, calculamos ef coeficiente de co- rrelacién lineal entre U = log Y y X: cov, Pe =~0,94 VM En este caso, el ajuste exponencial es mucho mejor que el ajuste lineal. 14. @) Haremos una regresién lineal y una regresién exponencial de Y sobre X que podremos utilizar en el apartado c). Regresisn lineal de Y sobre X: y= 12,310 —7,588 x; 1, = 0,984. El ajuste lineal es may bueno. Regresién exponencial de ¥ sobre X: ae™ = logy=logatby => Regresién lineal de U = log YsobreX => u~# u=2,567—0,995x => log y=2,567-0,995x => 3.02760, p= a4 <9 998 VM u183 Por tanto, el ajuste exponencial es todavia mejor. 6) Al tratarse de la evolucién temporal de una poblacién, pensamos ini- cialmente en una regresin exponencial de X sobre T. El diagrama de dispersion de X sobre T nos confirma esta idea inicial: x=ae" = logx=logatbr => Regresién lineal de Z = log X sobre 7 => z £5-2,60540,919t = logx=-2,605+0,9191 => 2 0,074 69! ©) Primero utilizamos el modelo exponencial del apartado b) para estimar el peso celular que habia al cabo de 36 horas: = 0,074 e091M19) = 0,294, Después, utilizamos el ajuste exponencial del apartado a) para estimar la cantidad de nitrato que queda al cabo de 36 horas: y= 13,027 e70995102) = 9,72, 15. Lo razonable es elegir una regresin exponencial de ¥ sobre X: ae™ = logy=logatbxy = Regresién lineal de U = log ¥sobreX = uv 2 w0,768 = HOPE (3) a 0,512x-2,304 => Jog y= 0,512. x-2,304 => y= 0,0999 e%5!2*, 16. a) r.,=-0,75. b) _ = Regresi6n lineal de Y sobre Z = 1/X => x cov. 2 = y-16714= 9.0128 |, —0,5326) 0,0074 => y=0,75+1,732 = y=0,75+1,734 17. a) Hacemos una regresi6n logarftmica de ¥ sobre X:128 SOLUCIONES DE LOS EJERCICIOS a+blogx = Regresién lineal de ¥ sobre U=logX¥ = 90,4069 (44,3158) = 0,1507 © y=2,70u-041 = y=2,70logx-0,41 (u-@) => y-3,14= b) Cuando X = 5, tenemos: y= 2.70 log (3,5) ~ 0,41 = 2,97. 18. La representaci6n de la nube de puntos sugiere, precisamente, un ajuste lo- garitmico de ¥ sobre 7: => Regresién lineal de ¥ sobre U=logT => 1,3897 y= 35,1625 = (u-1,3250) => 44 y=3,20u+152 > y=3,20logr+ 1,52. Cuando T = 2,5, tenemos: 3,20 log (2,5) + 1,52 = 4,45. 3. Probabilidad 1. a) P(A)P(B) = (0,06)(0,08) = 0,0048 # P(A 0 B) = 0,04. Por tanto, los fallos de A y B no son independientes. by PIALB) = PADS) _ 0.04 _ 9 : PB) 0,08 2. a) P (Leer al menos uno) = P(A U BUC) = P(A) + PB) + P(C)- PAB) PA OC) -PB AC + PAO BAC) = 0,30 + 0,20 + 0,15 ~ 0,12 — 0,09 - 0,06 + 0,03 = 0,41 = 41% b) P (Leer sélo A) = PAU BU C)- P(BUC) = PAU BUC) [P(B) + PC) = PBA C)) = 01 ~ [0,20 + 0,15 — 0,06] = 0,12 => 12%. ©) PiLeer B 0 C, pero no leer A) = P(A U BUC) - P(A) = 0,41 - 0,30 = O11 = 11% 3. Tenemos que para i= I....,6: P(i) = ki. Obtenemos k de la siguiente ecuacién: 6 ‘ 1= P= Di= 2k > k aSOLUCIONES DE LOS EJERCICIOS 185 Luego: 2,4 ,6_ 12 P(Par)= +542 = Cae 21 21 21 21 Si representamos a los nifios por Vy a las nifias por H, tenemos que el es- pacio muestral es: Q= {H, VH, VVH, VVVH, VVVVH} a) P (Mas niiios que nifas) = P (VVH) + P (VVVH) + P (VVVVH) = C1/2)' + (1/2) + (1/2) = 0.2188. hijos er hijo var6 a —=CSsirtrséi‘( aEUC'i(N‘iC ‘( ‘él P(primer hijo varén) = POVH) _ 12)" _ 1-P(A) 1-(i/2) Cuando ha preparado 5 temas (y por tanto no sabe los otros 9), tenemos: P (Aprobar) = P (Saber al menos uno) = 1 ~ P (No saber ninguno) P (No saber el primero y no saber el segundo) —P (No saber el primero) P (No saber el segundolNo saber el primero) Se hace notar que exigir la ocurrencia de dos condiciones es io mismo que hablar de su intersecciéu. Para contestar a la segundo cuestién, calculamos la probabilidad de aprobar cuando sabe n temas (y por tanto no sabe 14 — # temas): P (Aprobar) = P (Saber al menos uno) = 1 - P (No saber ninguno) =1-P (No saber el primero y no saber el segundo) =1 =P (No saber ef primero) P (No saber el segundolNo saber el primero) _l4-n13=n _27n=n* 4 13 182 Ahora es muy facil comprobar que tiene que estudiar al menos 4 temas para tener una probabilidad de aprobar superior a 1/2. De hecho, la proba- bilidad en este caso es 0,5055.116 OLUCIONES DE LOS EJERCICIOS 6. Aplicamos a regla de la probabilidad total: 12 P (Seg. def.) = P (Prim. def.) P (Seg. def.iPrim. def.) + P (Prim, no def.) P (Seg. def.IPrim. no def.) . = 0.3415 87 88 7. P (Al menos dos coincidencias) = 1 - P (Ninguna coincidencia) : 1365364... 341 j 365° 8. Por un lado estén los mimeros del 00 al 09; la probabilidad de cualquiera de ellos se calcula de la misma forma. Por ejemplo: P (08) =P (Primera = 0 y Segunda = 8) =P (Primera = 0) P (Segunda = 8IPrimera = 0) out 210° 20 Por otto lado estén los ntimeros del 10 al 14; la probabilidad de cual- quiera de ellos también se calcula de la misma forma. Por ejemplo: P (12) = P (Primera = 1 y Segunda = 2) = P (Primera = 1) P (Segunda = 21Primera = 1) os 25° 10 Por tanto, con este sistema, {as probabilidades de los diferentes reclutas no son todas iguales. 9. P@ blancos) = (0,9)(0,8)(0,7). P(1 blanco) = (0,1)(0,8)(0,7) + (0,9)(0.2)(0,7) + (0,9)(0,8)(0.3). PQ2 blancos) = (0,1)(0,2)(0,7) + (0,1)0,8)(0,3) + (0,9)(0,2)(0,3). P(3 blancos) = (0,1)(0.2)(0,3). P(AI menos un blanco) = 1 — P(O blaneos) = 1 — (0,9) (0,8) (0.7). 10. P(X pueda recibir sangre de Y) = P(X =A e Y= A) + P(X =Ae Y=0)+ P(X =Be Y= B) + P(X =Be Y= 0) + P(X=ABe Y=AB) + P(X=ABe Y= A) + P(X = ABe Y = B) + P(X = ABe Y= 0)+ P(X = Oe ¥= 0) = (0,43)(0,43) + 0,43)(0.45) + .. = 0.66. 11. P(Revisar) = P(Mas de un defectuoso) = 1~ PCO defectuosos) — P(1 defectuoso) 7 2 252) ~5o( 48) 82) = 0,6990 100 / 100 /\ 100SOLUCIONES DE Los EJERCICIOS v7 12. Puesto que Jos fanzamientos son independientes, tenemos: P(Tema 1) = P(Primero sale 1) + P(Primero sale 6 y Segundo sale 1) +... = P(Primero sale 1) + P(Primero sale 6)P(Segundo sale 1) + . ee V7 1 777-777 1-1/7 6 13. En este caso, llamando x al instante de llegada del estudiante mimero I, € y al instante de Ilegada del estudiante mimero 2, podemos representar el es- pacio muestral de la siguiente forma: Q= [0,1] x fO.17= (yy): OS eS OS SI} EI hecho de que Ileguen al azar se interpreta como que todos los ins- antes de Tegada tienen la misma «probabilidad». Esto se traduce en que uti- lizaremos 1a regla de Laplace (convenientemente adaptada) para calcular probabilidades. En este caso, el suceso A = (Se encuentran) es el indicado en la siguiente figura: Por tanto: Area (A°) P{Se encuentran) = P(A)=1- P(A") = 1-2 14, Tenemos dos tipos de informacién: porcentajes de produccién de cada mé- quina y porcentajes de defectuosas para cada maquina. Estas informaciones se traducen en las siguientes probabilidades 200 2. pp 3003, pyc) 400_4 900 9 900 9 900 9 P(def.[A) = 0,04; P(def1B) =0,05; P(def.|C) = 0,02 P(A)185 SOLUCIONES DE Los EvERCICIOS a) Aplicamos fa regfa de fa probabilidad total: P(def.) = P(A)P(def.1A) + P(B)P (def. 1B) + P(C)P(def IC) 2 3 4 = =(0,04)+ 3(0,05) + (0,02) = 0,0344 9° ) 54 ) 9° yD) b) Aplicamos la regla de Bayes: 20,04) P(Aldet) = PAYP(eFIA) _ 9°” 92584 P(def.) 0,0344 15. Tenemos dos tipos de informacion: porcentajes de cada grupo y porcentajes de ojos claros dentro de cada grupo. Estas informaciones se traducen en las siguientes probabilidades. P(A)=03; P(B)=0.1; P(C)= 06 P(clarosiA) = P(clarosiB) = 0,4; P(clarosiC) = 0,05 4) Utilizamos la regla de la probabilidad total: P(claros) = P(A) P(clarosiA) + P(B) P(clarosiB) + P(C) P(clarosiC) = (0,3)(0,2) + (0,1)(0.4) + (0,6)(0,05) = 0,13. 5) Aplicamos la regla de Bayes: P(Aloscuros) = 2M PayPloscuras) (0,3)(0,8) 0,276 1-013 ©) Utilizando la regla de Bayes, obtenemos las siguientes probabilidades 16. condicionadas: P(Alclaros) = 0,46; P(Blelaros) = 0,31; P(Ciclaros) = 0,23 Por tanto, es mas probable que sea de A ya que el 46% de los que tienen ojos claros pertenece a este grupo. Conocemos las siguientes probabilidades: P(A) =0,50; P(B)= 0.40; P(C) = 0,10; P(enf.lA)= 2 =0,1; Penf.lB)= in =0,01; P(enf.iC) = 0,005 aSOLUCIONES DE LOS EJERCICIOS 189 a) P(enf. y A) = P(enf. ~ A) = P(A) P(enf.IA) = (0,50)(0,1) = 0,05. b) Usando la regla de Bayes: __ P(B)P(enf. 1B) a P(A)P(entlA) + P(B)P(ent.1B) + P(C)P(ent IC) (0,40)(0,01) © (0,50)(0.1) + (0,40)(0,01) + (0.10)(0,005) P(Blent.) = =0,0734 17. a) Mediante la regla de la probabilidad total: P(hijo en A) = P(A,) = PA, PCAJA,) + POM, )P(A,IM,) + PB,)P(A,IB,) = (0,10)(0,45) + (0,40)(0,05) + (0,50)(0.01) = 0.07. Es decir, el 7% de los hijos tiene empleos altos. b) Utilizando la regla de Bayes: P(padre en Alhijo en A) = P(A\IA,) = an = 0,64 0,07 18. a) Consideraremos que la vacuna es eficaz si P(ent.ivac.) < P(ent.Ino vac.) Tenemos: Prentlvac) = LEnt)PCvaclent,) _ Pent IWS) 12 preney Pivac.) v.15 Plentno vac.) = PeentyP{no vaclent.) _ Plenf)(4/5) _ 16 prone, P(no vac.) 3415 Por tanto, [a vacuna es eficaz. 6) El nueyo dato que nos aportan es que Penf.ivac.) = 1/12. Por tanto, P(enf.) = 5/48, y P(enf.Ino vac.) = 1/9. 19. a) P(pos. y enf.) = P(pos. 0 enf.) = Pen.) P(pos.lenf.) (0,001)(0,96) = 0,0010 = P(pos. Ano enf.) = P(no enf.)P(pos.ino ent’) =(1—0,001)(1 ~ 0,99) = &,0100 P(pos. y no ent.190 SOLUCIONES DE LOS EJERCICIOS a P(enf.) P(pos.lenf.) P(enf.)P(posienf.) + Pino enf.)P(po' (0,001)(0,96) . ~ ~=0,0877 (0,001)(0,96) + (1 - 0,001) — 0,99) b) Plenflipos) Ino enf.) Como se puede observar, la probabilidad de padecer cancer habiendo dando positivo en la prueba es muy baja. Pero esto es lo que ocurre siempre que se lleva a cabo una prueba sistematica sobre una enfermedad de poca in- cidencia; por este motivo, no suelen ser aconsejables. 20. Al iratarse de una prueba sistematica pata detectar un fallo de poca inci dencia, es de esperar que la probabilidad de que sea defectuosa habiéndola rechazado sea pequefia; en efecto: P(def.) P(rech.idef.) P(def.) P(rech def.) + P(no def.) P(rech Ino def.) __ (0,005)(0,96) ~ (0,005)(0,96) + (1—0,005)(0,05) P(def Irech.) = = 0,0880 21. a) Eneste apartado, estamos tratando con una prueba sistemética para de- tectar una enfermedad de escasa incidencia: Plenf.)P(posient) P(enf.ipos.) =————__“SRt pose) _ P(enf.)P(pos.ienf.) + P(no enf.)P(pos.ino enf.) 1 Fann (0,9) I ie 9999 ~~ = 0,0089 | i000 ”* jo000 °°? Como era de esperar, la probabilidad es muy pequeiia. En este apartado, al haber sintomas de 1a enfermedad (pérdida de ape- tito ¢ ictericia), la probabilidad a priori de estar enfermo es mucho mayor (50%), y ya no se trata de una prueba sistematica para detectar ‘una enfermedad de escasa incidencia; el escenario cambia completa- mente y la probabilidad final también: b) P(enf.)P(pos.lenf.) P(enf.)P(pos lenf.) + P(no enf.)P(pos.ino enf.) _ (0,5)(0,9) ~ 0,5)(0,9)+ (0,5)(0,01) P(enf.lpos.) = =0,9890 22, Tenemos tres tarjetas (RR, RB y BB), todas con la misma probabilidad (1/3).‘SOLUCIONES DE LOS EJERCICIOS 191 a) Aplicamos la regla de la probabilidad total: P(cara roja) = P(RR)P(cara rojalRR) + P(RB)P(cara rojalRB) + P(BB)P(cara rojalBB) = (1/3)(1) 4/3902) +03)(0) = 2 b) Ahora aplicamos la regla de Bayes: PCRRicata soja) = PRM Picara rojak) P(cara roja) = GO _ 2 ies 23. a) PXpescar) (A)P(pescarlA) + P(B)P(pescarlB) + P(C)P(pescarlC) 9. 3/20)(3/5) + (7/20)(2/7) + (10/20)(2/7) PBIEG by P(Bipescar) = = (11200) =0,3004 0,3329 c) P(Ninguna es A) = P(primera no es A y segunda no es A) = P(primera no es A)P(segunda no es Alprimera no es A) = (17/20)(16/19) = 0,7158. 24. Aplicamos la regla de Bayes: P(n fallos)P(no func.in fallos) P(n fallosino func. SY, Pn fallos)P(no func.in fallos) aay ent o 7 Doog lt a") 11 ary") 5 Ime 1 lee (1/2)" eQuni en a Masa") : teary ent a en Tyan eae 7192 SOLUCIONES DE LOS EJERCICIOS 25. Para simplificar la notaci6n, escribireios la informacién de la que dispo- nemos de la siguiente forma = {Las 3 personas entrevistadas de ese vuelo viajan por motivos per- sonales} Ahora, usamos fa regla de Bayes: ___ Pcharter)P¢Alcharter) oc: P(charier)P(A | charter) + P(nac.) P(Alnac.) + Pint.) P(Alint) P(charterlA) = = 0,7632 “@, (0,250, 90)° + (0,30)(0,10)" +0, 45)(0,50)" 50)° 26. Para simplificar la notacidn, escribiremos la informacién de la que dispo- hemos de la siguiente forma: = (3 dianas de 4 disparos} Ahora, usamos la regla de Bayes: _____ Pprofesor) P(Biprofesor) P (profesor) P(Biprofesor) + Ptatumno) P(Bialumno) (0,05)[4(0.90)°(0.10)] )* (0,10)] + (0,95)[4(0,15)"(0.85)} P(profesor!B) = “©, 05)[4(0, 27. a) P(Uno en Junio y Uno en Septiembre y Uno no apruebaltarde) = P(EI primero en Junio © El segundo en Septiembre 7 El tercero no apruebaltarde) + ... = (0,40)(0,20)(0,40)3? = 0,1920. b)Aplicamos la regia de Bayes: P(tarde)P(Junjoltarde) P(tardelJunio) = ————___* ree) a ee P(tarde) P(Junioltarde) + P(mafana)PJuniolmafiana) (0,40)(0,40) (0,40)(0,40) + (0,60)(0,30) =0,4706 28. a) Los cuatro posibles casos procedentes de un cruce de Bb con Bb son: BB, Bb, Bb y bb. Suptimiendo el tiltimo caso (ya que vemos que el ra- tn es negro), tenemos: P(BB) = 1/3; P(Bb) = 2 boSOLUCIONES DE LOS EJERCICIOS 193, b) Para simplificar la notacién, escribiremos la informacién de la que disponemos de la siguiente forma: H = (Se obtienen 7 ratones negros en el cruce con bb} Ahora usamos la regla de Bayes: P(BBIH) = PCB) PCHIBB) PCBB)PUHIBB) + P(Bb)PUHIBD) (/3)0) _ ==s Gah+@/ayarar = 846 29. a) Los cuatro posibles casos procedentes de un cruce de ratones portado- res (Bb con Bb) son : BB, Bb, Bb y bb. Suprimiendo el tiltimo caso (ya que sabemos que el ratén no esté enfermo), tenemos: P(BB) = 1/3; P(Bb) = 2/3 Por tanto, la probabilidad de que sea portador es 2/3 b) Para simplificar la notacién, escribiremos la informacién de la que disponemos de la siguiente forma: H = (Se obtienen 2 ratones no enfermos en el cruce con bb} Ahora usamos la regla de Bayes: P(Bb)P(HIBb) P(BB)P(HIBB) + P.Bb) PUTIBb) - (2/3) /2)" © 1/3) + (2/3)(1/2 P(BOIH) = 30. Lo primero que hacemos notar es que P(A = NN) = 1/2 y P(A = Nn) = 1/2, al proceder de un cruce de NN con Nn. a) P(2 negros y tres blancos) = P(A = NN) P(2 negros y tres blancoslA = NN) + P(A = Nn) P(2 negros y tres blancoslA = Na) _ ((°) 2 |= 3 )) +: 3a’) =0,1562 b) P(A = NN negros) ‘A= NN)P(3 negroslA = NN) + P 3 negrosiA = Nn) (/2yq) . (1/2) + 1/290 /2)% = 0,8889SOLUCIONES DE LOS EJERCICIOS 31. 32. a) En primer lugar, catcutamos las siguientes probabilidades. descompo- niendo los sucesos en casos clementales y aplicando ta regla de la muitiplicacién: 87 6 P(2.sanos) = P(Primero sano y Segundo sano) = 5.7 = 56 i ei PCL sano y 1 enf,) = P(Primero sano y Segundo enf.) | 109 109 90 An 2 enf.) = P(Primero enf. y Segundo enf.) =~ ~ ae ) = P( Primero e1 lo ent.) = 10990 +P(Primero ent. y Ahora, aplicamos la regla de Ja probabilidad total: P(2 sanos)P(vivos!2 sanos) = P(1 sano y 1 enf.)P(vivostl sano y 1 enf.) = P(Zenf.)P(vivosi2 enf.) -(35)CS) +) (G5) la) -o« P(2 enf.)P(yivos!2 enf.) Ptvivos) 2) P(Zenfiviyos)= P(vivos) ( i Jay =\9UNTS 6.0010 04749 Liamaremos p = P(A,) ¥ g = P(A) (p+ porci6n de cada genotipo en la generac de los padres: q = 1). Queremos probar que la pro- 1 de Jos hijos es 1a misma que en la Plhijo = A,A,)} = py P(hijo = A,A,) = 2pq; Pthijo = A,A,) = Comprobaremos, por ejemplo, 1a primera (las otras son andlogas): Phijo = A,A,) =P(padre aan y madre =A,A,) Phi A (padre=A,A, y madre A,lpadre=A,A, y madre= Ajlpadre=A,A, y madre: : Apadre=A,A, y madre =@" yep y+ @ y2pqyci2) + Qpgyp* ya) + (2pq)(2pq)(1/4) p+ 2pg+ P)= Pip + gy =p.SOLUCIONES DE LOS EJERCICIOS 198 33. Generacién de los padres P(CC) = a; Generacién de los hijos: 1 1 SC) =b; P(cc)=——; P(Ce)=1-b--——— P(CC) P(ce)= 7 P(Ce) b _ Por un lado, tenemos: im = P(hijo = cc) =P(padre = Cey madre = Cc) P(hijo=cc | padre = Ce y madre = Ce) =(1 -ay (1/4) De esta ecuacién, despejamos el valor de a: _19 a 20 Por otro lado, tenemos: ji Ce y madre = Ce) = a%(1) + a(1 — a)(1/2) + (-a) a (1/2) + (a °(1/4) aga! ean are! 4°2°4 Sustituyendo el valor de @, obtenemos: 2 z 1521 1600 En definitiva, obtenemos los siguientes resultados: Proporcién de portadores en la generacién de los padres: a. 20Proporcién de portadores en la generacién de los hijos: am = F600 600 = 888 34. Representaremos por X" un cromosoma con gen hemofilice, y por X un cro- mosoma con gen normal, Si la mujer tiene padres normales y un hermano he- mofilico, su padre es necesariamente XY y su madre es necesariamente X*X. En estas condiciones, tenemos: P(mujer = XX) = 1/2: P(mujer = X"X) = 1/2 Aplicamos ahora la regla de la probabilidad total: P(desc. hemof.) = P(mujer = XX) P(dese. hemof.lmujer = XX) + P(mujer = XX) P(dese. hemof. mujer = X"X} = (1/2)(0) + (1/2)(1/4) = 1/8. Llamaremos D al gen dominante y d al gen recesivo. Si Roberto padece ja- queca. pero su padre no, Roberto es necesatiamente Dd. La mujer de Ro- berto no padece jaqueca; por tanto, es dd. En estas condiciones, cada uno de sus hijos tiene a misma probabilidad (1/2) de padecer jaqueca que de no pa- decerla, Por tanto, tenemos: a) P(A menos uno padezea jaqueca) = 1 ~ P(Ninguno padezea jaqueca) = 1 - (1/2)? = 3/4. b) — P(Uno sélo padezca jaqueca) = P(El primero tiene jaqueca > El segundo no tiene jaqueca) + P(EI primero no tiene jaqueca > E) segundo tiene jaqueca) = (1/2)(1/2) + (1/2)(1/2) = 1/2. Variables aleatorias tamos considerando la variable aleatoria discreta X = «Ganancia» = «Pre- mio»-10. Su funcidn de masa es: P(X = 0-10 =—10) = 500/1000 = 0,5 P(X =5-10=~—5)= 300/1000 = 0,3 P(X =10~10 = 0)= 150/1000 = 0,15 P(X = 50 ~10 = 40) = 40/1000 = 0,04 P(X = 100-10 =90)= 10/1000 = 0,01SOLUCIONES DE LOS EJERCICIOS 197 «Ganancia esperada> = E[Ganancia] = E[X] = Lx, P(x,) =~ 10)(0,5) + 5)(0,3) + (0)(0,15) + (40)(0,04) + (90)(0,01) = - 4. P(Perder dinero) = P(X < 0) = 0,5 + 0,3 = 0,8. 2 a) (=f foode= fixde+ f'a—odr=k~1 => ke? Alrepresentar grificamente la funcin de densidad, obtenemos un tridn- gulo; se comprueba de manera inmediata que su drea es 1 b) FQ) =P(XSx)= Jpeoax 0 . six<0 Joe : sixe[0, 1) 1 x Joe] Q-wdx= 207-1 sixe[l, 2) 7 six22 a fxcoart [x@—oae=1 x? f)de-1= feed +] 8 e-nde- V(X) = EX?) = ) = . = ; 2 = = Sl) t= f poode= [Rb de = 12k => k=1/12 F(x)= P(X Sx)= f. f(odx 0 six1)_ PU1) P(X>1) a1 Sixt * sig _ 5 4) P(X 1)= am yay 16/18 16 f lt de 4. Planteamos un sistema de dos ecuaciones con dos incégnitas: 8a425 a i . fee +b)d: toa Te Jotssr=rarrexsn=[' ca +byde= 2128 De este sistema obtenemos: a = 0,3048 y b = 0,0936. 5. La mediana, M, tiene que verificar: 1 a sa hexsm)=f fxd _ 100 spk Was 4) P(X = 12)=0, ya que se trata de una variable continua. a FQ)=P(XSx)= fi Pods 0 six<0 = fxd -xde=3.?-20 six€(0,1) 2 six} 0 b) Tipe 1: PX < 0,50) = 5 6x(1~ x)dx=0,50 = 50% 0.8 Tipo 2: 9(0,50< X <0,80)= f, “6x(1=x)dx = 0,396 => 39,6% Tipo 3: P(X>0,80)= f’ 6x(1~ Ndr =0,104 => 10.4% -) La variable aleatoria Y = «Precio por litro» es una variable aleatoria dis- creta con funcidn de masa: P(Y = 0,80) = 0,50 P(Y = 0,90) = 0,396 P(Y=1) =0,104 «Precio medio por litro» = E[Precio por litro] = E[¥] = Zy, P0y) = (0,80)(0,50) + (0,90)(0,396) + (1)(0, 104) = 0,86 euros. a) Consideramos Ja variable aleatoria X = «Tiempo de vida (en minu- tos)». Tenemos: 0 P(X > 100 y X <1000) = P(100 < X < 1000) = [" e766 dx 1 > 1000 = 0,5370200 SOLUCIONES DE Los EJERCICIOS 00 y 5 i b) EX > 1001 < 500) = P= NO y Xs 500) _ PUM Xs 500) P(X <500) P(X < 500) soo : JE Too! Ton dx 0.2983 9 ng ke eed aan . Tt 7000" “jo dx 93935 9. a) «Tiempo medio hasta fe falio» = E[Tiempo hasta el fallo] = ELX] = 6 \s003 dx = 15000 horas i Tao P(X > 100001X > 5000) = PX? 10 10000.9 X > 5000) _ P(X > 10000) P(X > 5000) P(X > 5000) a. 1 esi dx 15000 i e-Ts000 dx soo | oe 1@. La variable aleatoria de interés es: fl con prob. (2/3) = 0,6667 1-0,50 = 0,50 con prob. (1/3)(0,40) = 0,1333 con prob. (J/3)(0,30) = 0,10 con prob. (1/3)(0,20) = 0.0667 con prob. (1/3)(0,10) = 0,0333 ¥ = «Ganancia» = 41— le 1- «Ganancia esperada» = E[Ganancia] = BLY] = Ly, Py.) = (1)(0,6667) + (0,5)(0,1333) + (0)(0,10) + (-1)(0,0667) + (~5)(0,0333) = 0,50 euros. Wa) 1=!) K-edge =W30 = k=30 b) esperanza de vida» = E[Tiempo de vida] = E[7] = J, ¢ f(r) at = £30 (1-1)? #7] dt= 0,5 aiios = 6 me ° ae menos de 9 meses) = P(T'<0,75 07s 30(1 -17#* dt = 0,8965. 12 a) 1=Sy flddr= fx xt [(G-2)e= : : dv f(E-2 AIX ax+ } . i x ee aaf (ade = |, figje+ [oG- Zara ss3SOLUCIONES DE LOS EJERCICIOS 201 Para determinar la mediana, M, planteamos la siguiente ecuacién: me f"(G-Z)e 2M Do ie 2 3 6 3 3 ) P(X < 2X <3 =P XS2YX 9) _ PX <2) PUX <3) P(X <3) *\y rv = J _ 0.6667 _ 9 75 Jar 0,9167 13. @) «Tiempo medio transcurrido entre la legada de dos coches consecutives» ‘{Tiempo transcurrido entre la Iegada de dos coches consecutivos} Mak fo d= Je 1 (4e49 dts 14. PU 1/2 PT >A ) _ Pas2 1/2) 6b) POT < AT >1/2)= 1 nel 16" ons [acta 01353 bio =0,86 14, Llamaremos 7, al tiempo que tarda en averiarse la maquina ntimero i. AS on J =e ion dt =1—(1/e) =0,632 100, } PCT, S100) 6) P(A) = P(Falle alguna en las 100 primeras hor: 1 —P(Ninguna falle en las 100 primera =1-P(T, > 100 y T, > 100 y T,>100) = = 1-P(T,> 100)P(L,> 100)P(T, > 100) = 1 ~ (I/e) = 0,95. horas) = ce) P(T, S)00IA)= Pay 100)P P(A = 2.32007 9 0,95 100) 45. a) Llamando X = «Velocidad (en Km/h)» tenemos:202 SOLUCIONES DE LOS EJERCICIOS P(X >1201X > 100) = PX > 120 y X > 100) _ P(X > 120) P(X > 100) ~ P(X >100) 200 200 — x Ss 10000 _ 32/100 _ |, |, = x00 2 . ed i 200-4, «1/2 100 10000 b) Ahora consideramos la variable aleatoria Y= «lmporte de la multa» que es de la forma: 100 y 0 con prob. P(X <100) = j Tooo0 120 200 — x 100 10000 200 200 — 200 con prob. P(X > 120) = j ae 120 100 con prob. P(100 < X < 120) =j dx = Tenemos: E[Y] = (0)(0,5) + (100)(0,18) + (200)(0,32) = 82 euros 16. En primer lugar, comprobaremos que la funcién de masa de a variable aleatoria X es de la forma P(X = 1) =... = P(X =n) = In. En efecto: P(X =1) = P(Prim, def) = 4 n P(X =2)= P(Prim. no def. y Seg. def.) = P(Prim. no def.) P(Seg. def JPrim. no def.) n-1 1 17. Llamaremos X, = «Longitud obtenida con el proceso 1» y X. obtenida con el proceso 2». = «Longitud a) P(Aceptable con el proceso 1) = P(l< X, <2)= j 2 dx =0,8750 3 x 87,50% de aceptables con el proceso 1. P(Aceptable con el proceso 2) = P(< X, <2)= faa =0,9375 = x 93,75% de aceptables con el proceso 2.SOLUCIONES DE LOS EJERCICIOS 203 b) Aplicaremos la regla de la probabilidad total: P(Aceptable) = P(Proc. 1)P(AceptablelProc. 1) + P(Proc. 2) P(Acep- tablelProc. 2) = P(Proc. 1)P(1 < X, < 2) + P(Proc. 2)P(I< X, < 2) = (1/2)(0,8750) + (1/2)(0,9375) = 0,9063. ) «Longitud media en el proceso I» = E[X,]= af (oar = [x 3 ae =1,5 5 Ge} «Longitud media en el proceso 2» = E| (5a =1,33 x Llamaremos X,, = y X, = I= [etar= 0,3679 4) Lamediana, M, tiene que verificar la ecuacién: 1 a = P(X, SM) = J etd “M25 M=0,6931 2 ©) Aplicamos la regla de la probabilidad coral P(Duracién > 1) = P(A)P(X, > D+ P(B)P(X, > 1) = (0,60) e “dx +(0, 40)" 2e?*dx =0,2749 d) Aplicamos la regla de Bayes: PAYPEX > D POAY[ eae P(Duracién > 1) P(Duracién > 1) _(0,60)(0,3679) _ “0.2749 P(AlDuraci6n > 1) = 0,80 a) Se quiere determinar el valor A tal que: ‘hava => A=5,7 = 5.700 unidades 0,95=P(X k=4/3 2) Densidades marginales: 4 s(xtaxy)dy=2x sidU%2 BD WWM) > (2.2) WMV) > (2.3) (M4,V,V) > (2.2) (VM,M) > (1,2) (M.V,M) > (1,3) (M,M.V) > (1,2) (MMM) > (01) Esto origina la siguiente funcién de masa conjunta: 0 Vv 0 0 [ oO 2 Ws 2 0 WW 18s - 1g 0 0 b) Las funciones de masa marginales son inmediatas de obtener: PX =0)=1/8 ae P(Y = 1)=2/8 PX ; P(Y=2)=4/8 PIX PUY =3)=2/8 X e ¥ no son independientes. Por ejemplo: P(X =1;¥=)=0 32 P(X=)P(Y === ( )P( ) agvaes a) Tenemos: SA fx, vd] ax =foLE, feeds] hs wo [f, very fie = ) Para estudiar si son independientes obtendremos las densidades margi- nales:210 SOLUCIONES DE Los EuERCICIOS ree Jij2ve Merdy=2e™f” ye Pdy=2e ied 0 en el resto siy>0 fo= ad enel resto Xe ¥ son independientes, ya que fix, y) = Axyfly). . ae 0 2*\dy = 1/2 bd) FIX] [fade I. x(2e™* dv =1/2 p 2 2 yi Se ae I iye (0,3) 8 a foy=f, fonydr= Sooo GY BP? Ji 9 ae 0 en el resto By)=ffordy= | , : . Tp 2 ala b) P (Mas sustancia A que B) = P(X> y-f [fa 4 n= a) J x'de 22 10243 5 9. La densidad conjunta f(x, y) reparte la probabilidad en la regién indicada en la figura siguiente: a) sixe(0,1) FQ) =f f(x yidy = 0 en el resto 10.SOLUCIONES DE LOS EJERCICIOS a 7 BS b) mixl= f.aftads=f) a) Sos ~s)|ae=9/8 10. a) Determinamos k de la siguiente ecuacién me olf! reef {f, (-ay dy lax = Kf A continuacién, obtenemos las densidades marginales de X e ¥: i pogo => k=6 1 6u- =x) sixe(,) fone fo, ole 6(1—x)y°'dy=201~x) sixe (Ot) lo enel resto 1 —xoy'dea3y? siye (0,1 WOE [,fosonde= J 6(—x)y"'de=3y? siye (0,1) 0 en el resto Xe Y son independientes, ya que fix, y) =f) f0). 1 2 by Ely|= h, yf)dy =f, yy? )dy =3/4 arf 3/4 >] ©) P(Ratén sano) = PO 3/4: <3/4)= J" I _, Oxy" ay le = 27 ps = -x)dx =0, 35 diag U7 Pdr = 0,40 11, a) Determinamos k de la siguiente ecuacién _ is vor tema pdx = 24/3 => k=3/2 =o] b) Tenemos: dy=x/2 sixe(0,2) ( pare | soon enel resto22 SOLUCIONES DE LOS EJERCICIOS Por tanto: f(X = 1) = 1/2 c) Tenemos: ee 7 fo)= J fouride= I Swtde=3y? sive(0.) 0 en el resto Por tanto: Bayar? 2 = 114 31/27 12. La regién donde se reparte la probabilidad es: a [ps 15 ) 1s 2 _ fale o& - 2 -Ey siye (0.2) 1, ») fo)=] fos)dr= [a 0 enel resto pven=f (8 ? By ay=a7r68SOLUCIONES DE LOS EJERCICIOS 213 13. Eneste caso, la regién donde queda repartida la probabilidad es: Beye, fi 2an2e sixeOD - 0 en el resto A | 2dx=2-2y siye(O,D F0)= [fossa - 0 en el resto bd) PUX<1/2Y< U9)= [LP 2a }ay=2f"(E-» Jor= 219 _ vl J EX fferde = ie x(2x)dx = 2/3 Bvl=[ ordy= f° x2-2y)ay=1/3 Ig oe 1 [pe ELXY]= Jf x, yydy]ee = SLf : sds as =f. jeae=1/4 Por tanto, tenemos: Cov (X, ¥) = ELXY|— E[XIEL?| = 1/4 — (2/3)(0/3) = 36, 14, La regién donde se distribuye la probabilidad es:208 SOLUCIONES DE LOS EJERCICIOS 90 pty Wa } rorsrs= f/f ards |ay= 3) “ae 2yidy=3/8 6. Modelos de probabilidad mas comunes 1. La variable aleatoria relevante en este problema es: X = 1) = 1-P(X = 0) = 2 b) Por lo menos 1 nifio) = PX < 5) = 1-P(XK = 6) €) P(Por lo menos 2 nifios y | nifia) = P(1 = X < 4) 2. La variable aleatoria relevante en este problema es: X= «Némero de accidentados entre 10000 asegurados» ~ B(n = 10000; p = 0,00005) = Poisson(A = np = 0.5). Hemos aproximado la Binomial por fa Poisson ya que es grande y p pro- ximo a cero. a) P(Pagar a mas de 3 asegurados) = P(X > 3)= 1 — P(X $3) = 0.0018, b) «Numero medio de siniestros por aito» = E{Ntimero de accidentados entre 10000] = E[X] = 4 = 0.5. 3. La variable aleatoria relevante en este problema es: X = «Numero de alérgicos entre 2000» ~ B(n = 2000; p = 0,001) = Pois- son(A = np Hemos aproximado la Binomiat por fa Poisson por ser n grande y p proximo acero. ) = 0,184, b) P(Mas de 2 alérgicos) = P(X > 2) = 1 - P(X $ 2) = 0,3233. 4, La variable aleatoria relevante en este problema es: X = «Néimero de erratas por pagina» ~ Poisson(A). El valor de 2 no es conocido. Lo que vamos a hacer es «estimarlo», ade-SOLUCIONES DE LOS EJERCICIOS 27 Jantando un procedimiento al que recurriremos sisteméticamente en Infe- rencia: A=E[X] 1 951400) + (30)(1) + (15)(2) + (73) + (2)(4) + DO) = = 0,989 ~1 Ahora tenemos: P(Alguna errata en una pagina) = P(X > 1) = 1 — P(X = 0) = 0,6321. La variable aleatoria con la que vamos a trabajar en este ejercicio es: X = «Longitud de as variffas (en cm.)» ~ N(u= 19,8; o = 0,5). P(9,S< X < 20,5) = =P(-0,6 0,6)— P(Z> 1,4) = Por tanto, aproximadamente el 64% de las varillas cumplirfa la normativa. La variable aleatoria con la que estamos trabajando es: X = «Numero de errores en 200 impulsos» ~ B(n = 200; p = 0,001) ~ Pois- son(2 = rp = 0,2). Aproximamos 1a Binomial por la Poisson por ser 1 grande y p préximo a cero. a) P(Ningiin error) = P(X = 0) = 0,8187. b) P(Bxactamente un error) = P(X = 1) = 0.1637. c) P(A menos un error) = P(X 2 1) = 1 - P(X = 0) a) P(Exactamente dos errores) = P(X = 2) = 0,0164. 0,1883. a) La variable aleatoria relevante en este apartado es: X = «Numero de recepciones correctas, de los 5 envios» ~ Bt 0,7). PUnterpretar correctamente el signo) = P(X = 3) = 0,8370 = 0,85 b) La variable aleatoria relevante en este apartado es: Y = «Numero de signos correctamente interpretados, de los 10» ~ Bin = 10; p = 0,85). PUnterpretar correctamente al menos 8 signos) = P(Y 2 8) = 0,8202.SOLUCIONES DE LOS EJERCICIOS 10. La variable aleatoria relevante es: Numero de emrores en 1000 bits transmitidos» ~ Bn = 1000; p = 104) isson(A = np = 0,1) Hemos aptoximado la Binomial por la Poisson por ser n grande y p préximo acero P(Mas de dos errores) = P(X > 2) = | — P(X S 2) = 0,0002. a) Representamos por H el suceso de que el conductor sea ua hombre, y aplicamos la regla de Bayes: P(2 001A) P(2 06.) P(HI2 0c.) ~ PUL 0c.) PCHII 0€.) + PO 0c.) PCHI2 oc.) + P(Mas de 2 0c.) PCH | Mas de 2.06) (0, 60)(0,80) — a) ____ 0, 7430 (0,02)(0, 70) + (0,60)(0,80) + (0,38)(0.40) b) La variable aleatoria refevante en este apartado es: X = «Numero de multas, en 200 coches» = «Numero de coches con f cocupante, en 200 coches» ~ B(n = 200; p = 0,02) = Poisson(A= np = 4). Hemos aproximado ta Binomial por la Poisson por ser n grande y p proximo a cero. P(Como mucho una multa) = P(X < 1) = 0,0916. @) P(Bronquitis 0 famador) = P(Bronquitis U Fumador) = P(Bronquitis) + P(Fumador) — P(Bronquitis \ Fumador}) = 0.06 + 0,60 - 0,04 = 0,62. b) La variable aleatoria relevante en este apartado es: X=<«Niimero de fumadores, entre 120 personas» ~ B( = 120; p = 0,60) ~ 37) N(w=np = 72; 0 = \npll—p Hemos aproximado la Binomial por la Normal por que nes grande y p no es prdximo a cero. P(Mas de 80 fumadores) = P(X > 80) = P| - (x -72 o?) |? . = P(Z> 1,49) = 0,0681 c) La variable aleatoria relevante en este apartado es: Y =«Namero de fumadores y bronquiticos, entre 200 personas» ~ B(n = 200; p = 0,04) = Poisson(A = np = 8).SOLUCIONES DE LOS EJERCICIOS 219 12, 13. Ahora hemos aproximado la Binomial por la Poisson ya que n es grande y p es préximo a cero. P(No haya més de uno fumador y bronquitico, entre 200 personas) = P(Y < 1) = 0,0030. La variable aleatoria relevante en este problema es: X = «Numero total de mariposas comidas» = «Numero de mariposas comi- das antes de la primera envenenada> + 1 = ¥ + 1, donde Y ~ Geométrica, con p = P(Comer mariposa envenenada) = 0,40. Por tanto, tenemos: «Numero medio de mariposas comidas en un dia» = E{Numero total de ma- . A 1- riposas comidas] = E[Y +1]= E[Y]+1= E[Geométrica]+1=——? +1= _ a) Eneste apartado, la variable aleatoria relevant X= «Niimero de mariposas capturadas de la clase no deseada antes de capturar un ejemplar de la clase deseada» ~ Geométrica, con p = 0,15 Entonces: P(X = 10) = (0,85)'°(0,15) = 0,0295. b) Eneste apartado, la variable aleatoria relevante es: Y = « ~ Binomial negativa, con p = 0,15. Entonces: 12 5 PY =10)= ({a oa" a5 =0,0439 \ a) Tenemos las dos siguientes variables aleatorias: 8; 0=5). ; O= 3). «Consumo de A» ~ N X, = «Consumo de B> ~ Ni220 SOLUCIONES DE LOS EJERCICIOS 14. Tencmos: P(El coche A consuma més de 9 litros) = P(X, > 9) = P| P(Z > 0,2}=0,4207. P(El coche B consuma entre 7 y 8,5 litros) = P(7< X, <8,5)= (ie Mass < BS) 71-03 Z<0,17)= 1- P(Z > 0,33)— P(Z > 0,17) = 1- 0,3707 —0, 4325 = 0,1968 b) La variable aleatoria relevante en este apartado es: Y = «Ahorro al comprar By = X, ~ X, ~ N(u=0; 0 = 2549 = 5,83) Entonces: ; P(Ahorrar mds de 2 litros al comprar B= PCY > 2)= P{ 22 5 2= (5837 58 P(Z> 0,34) = 0,3669 En este ejercicio vamos a trabajar con la variable aleatoria: X = «Coeficiente de inteligencia» ~ N(j= 100; o= 16). a) 120-164 16 P(Coeficiente superior a 120) = P(X > 120)= P(Z> 1,25) = 0,1056 d) P(Coeficiente superior a [20, sabiendo que es licenciado) = P(X >1201X > 110) = PX = 120 y X> 10) POX 120) “ P(X > 110) ~ P(X > 110)15. SOLUCIONES DE LOS EJERCICIOS 221 Sabemos que X = «Anchura de las hojas de a obtener el valor de o planteando una ec que tenemos: Jamo» ~ N(j1 = 6; 0). Vamos n a partir de la informacion EI 90% de las hojas tiene una anchura inferior a 7,5 em. => (F828) z0!8) 3 o o ao} 0,9= P(X <7,5)= Az2¥2)-o1 = ‘ei = 6=117 o o Una vez, obtenido el valor de o, la segunda parte es inmediata: P(X>8) rt 8). P(Z>1,71)=0,0436 Sabemos que X = «Anchura de los coledpteros» ~ N(s1; 6). Vamos a obte- ner los valores de fy o planteando dos ecuaciones a partir de la informa- cién que tenemos. Por un lado: El 77% de Ja poblacién mide menos de 12 mm. => 0.77 = P(x <12)= A AE BH) a7 BoH) \ azz! 5 )=0.23 = PoHLo7 o ° Por otro lado: El 84% de la poblacién mide mas de 7 mm. => 0,84= Pcx>7)= oA TH) o>) oo o22 SOLUCIONES DE LOS EJERCICIOS 17. 18, En este caso, trabajamos con ta variable aleatoria X = «Duracién del proce- so textil» ~ (st; 6), Planteamos dos ecuaciones a partir de la informacién que tenemos. Por un lado: El 60% de la veces dura mas de 40 minutos => X=u, 40-u o {z<#*) 0,60 => (eet Por otra parte: 0,60 = P(X > 40) = (# E] 55% de la veces dura menos de 50 minutos => - 50 x =e: i Oo; o 0,55 = P(X <50)= A Ai - Az #) 0.45 = WH Lone o oe Can esto, tenemos un sistema de dos ecuaciones can dos incégnitas: jure En este ejercicio trabajamos con la variable aleatoria X = «Ntimero de caras en 400 tiradas» ~ B(n = 400; p = 0,5) == np = 200; = \/npli= p) = 10), donde hemos aproximado la Binomial por la Normal, ya que n es ae y p n0 es proximo a cero. a) P(Nimero de caras entre 160 y 190) = P(160 < ¥ ¢ 190) = te -200 _ X= 200 _ 190~200 10 10 10 P(Z>1)— P(Z > 4) = 0,1587 — 0, 0000317 = 0,1587 Jercdszs-p=ruszs4=SOLUCIONES DE LOS EJERCICIOS 223 b) Tenemos que hallar un intervalo 1 = (a, b) = (200 ~ k, 200 + &), que ve+ rifique: 0,95 = P(200-k 5 ¥S 200+) = = o( 200-4 ke 200 X-200 — 200+k =) =A-4 10 < 1 10 \ / sisi} = ez> <\= 0,025 => & =1,96 = k=19,6, 0 10 10 10 Por lo tanto, el intervalo buscado seria: T= (a, b) = (200 — k, 200 + k) = (180.4; 219,6) =» Entre 181 y 219 caras. 49, a) Consideramos la variable aleatoria: X= «Ntimero de bacterias por mm? de agua» ~ Poisson(A = 0,5). Te- nemos: P(No haya bacterias en un mm*) = P(X = 0) = 0,6065. b) Eneeste apartado, consideramos la variable aleatoria: Y = «Numero de tubos sin bacterias, entre 40» ~ Bin =40;p o=4/npl X =0) = 0,6065) ~ N= np = 24,26; 3,1, donde aproximamos la Binomial por la Normal, ya que n es grande y p no es proximo a cero, Tenemos: ( rere a= 2) = pz2-1.30= = PZ S1,37)=1— P(Z > 1,37) = 10,0853 = 0.9147 °) P(Menos de 3 bacterias en un mm’, sabiendo que hay alguna) P(X <3 yX>0)_ P(X =1)+ P(X P(X >0) 1 PX =P(X<31X>0)=224 SOLUCIONES DE LOS EJERCICIOS 20. En este ejercicio, vamos a ir trabajando con variables aleatorias diferentes, segiin el tipo de muestreo que llevamos a cabo. a) La variable aleatoria relevante es: X, = «Niimero de ratones de esa especie en 6 capturas» ~ B(n P(Haya al menos 2 de esa especie) = P(X, >2)=1~ PC 10,1176 — 0,3025 = 0,579. b) Ahora, la variable aleatoria relevante es: X, = 0,72)— P(Z>4,3) = 1—0,2358 - 0,00000854 = 0, 7642 d) Finalmente, la variable aleatoria relevante en este apartado es: X, = «Numero total de ratones capturados» = «Ntimero de ratones capturados antes del primero de esa especie» + 1 = Y + 1, donde Y ~ Geométrica de parimetro p = 0,2 Entonces, tenemos: «Ntimero medio de ratones capturados» = E[Numero total de rato- fle nes capturados] = E[Y +1]= E[Y]+1= E[Geométrica]+1=—? 41= PSOLUCIONES DE LOS EJERCICIOS 228 21, La variable aleatoria basica en este ejercicio es X = «Duracién (en minutos) de las cintas de video» ~ Niu = 240; 6 = 10). a) Eneste apartado nos interesa la duracién total de 2 cintas. Por eso, con- sideramos la variable aleatoria: X, +8; ~ N(M=2(240) = 480; 6 = 2100) = 14,14) ‘Tenemos: P(Duraci6n total inferior a 490 minutos) = P(X, + X, < 490) = At AHo 0-8), 14,14 14,14 P(Z< 0,71) =1— P(Z > 0,71) =1-0,2389 = 0,761], b) Lo primero que hacemos es calcular la probabilidad de que una cinta tenga una duraci6n inferior a 250 minutos: P(X <250)= (ae < 20) = P(Z<\)=1-P(Z>1)=1-0,1587 = 0,8413 La variable aleatoria con la que trabajamos en este apartado es Y= «Numero de cintas con una duraci6n inferior a 250 minutos, entre 100» ~ Bln =100;p = P(X < 250) =0,8413) ~ N= np = 84,13; o = ,\np(\= p) = 3,65) Lo que buscamos es: ¥~ 84,13 SOB) a> 119) = PZ soy= pi T8418 ae ( 365. «3,65 1= P(Z > 1,13) =1-0,1292 = 0,8708 22. a) La variable aleatoria bi en Ia sangre», que es ‘Tenemos: sica en este ejercicio es X = «Cantidad de plomo caracterizada por la funcién de densidad fix) Cantidad media de plomo en la sangre = E[Cantidad de plomo en la sangre] = 20 x so 50—x ALXI= J xfode = [ Aap Ot Ly ye e889226 SOLUCIONES DE LOS EJERCICIOS 23. 20 >) P(Cantidad de plomo en la sangre inferior a 20) = P(X < 20)= f Fladde hi a0 x 2 =f —adx== M300 3 ©) Eneste apartado, vamos a trabajar con la variable aleatoria: Y = «Némero de personas con cantidad de plomo inferior a 20, entre 40> ~ Bln = 40;p = P(X <20) = 2/3) ~ N(u=np = 26,67; 0 = Vnpl= p) =2,98) Hemos aproximado la Binomial por la Normal ya que n es grande y p no es proximo a cero. En este caso, nos piden: peavey 30)= 9 2028 67 _ ¥=26,67 < 052561) 2,98 298298 = P(-2,245 ZS1,12)=1- P(Z > 2,24)- P(Z > 1,12) =1-0,0125—0,1314 = 0,8561 La variable aleatoria basica es X = «Retraso de un tren» que esta caracteri- zada por la funcién de densidad f(x). En primer lugar, calculamos la proba- bilidad de que se retrase 6 © mas minutos: P(Se retrase 6 o mas minutos) = P(X > 6) = ff fevas = Jf 0.25e° dy , =0,2231 Para poder calcular Ja probabilidad que nos piden, necesitamos consi- derar ta variable aleatoria Y = «Numero de veces que el tren se retrasa 6 0 mds minutos, en un afior ~ B(n = 365; p = P(X > 6) = 0.2231) ~ N(u= np =81,44;0 = np p) la Normal, ya que nes grande y p no es préximo a cero, Nos piden: .95), donde hemos aproximado la Binomial por of Y=8h44 50-8144 7,95 7,95 =1-P(Z>4)=1-0,0000317 = 1 PUY >50)= J-rz>—=Pz<4) Es decir, es précticamente seguro que el tren se retrasaré 6 0 mas minu- tos en més de 50 ocasiones a lo largo del afio.SOLUCIONES DE LOS EJERCICIOS 220 24, a) Para contestar este apartado, consideramos la variable aleatoria: X = «Niimero de personas con lengua no enrollable, entre 200» ~ Bin =200; p= 0,40) ~ Ne = np =80;0 = np — p) = 6.93), donde hemos aproximado la Binomial por la Normal, ya que nes grande y P no es proximo a cero, Ahora calculamo X-80 . 70-80 6,93 - 7. =1-P(Z> 1,44) =1—0,0749 = 0,9251 Pex 70)= F( Jora>-1aay= rez 44) b) Lo primero que hacemos notar es que si el hombre es EE, toda su des- cendencia con una mujer de lengua no enrollable (ee) tendré la lengua en- rollabie (Ee), mientras que si el hombre es Ee, el 50% de su descendencia con una mujer de lengua no enrollable (ce) tendr4 su lengua enrollable (Ee) y el 50% restante no la tendré (ee). Si Hamamos $ al suceso «Tener 3 hijos con lengua enrollable» y aplicamos la regla de Bayes, tenemos: + (P(Ee) P(SIEe) (0,3)) =—_US) ___0,7742 (0,3)(1) + (0,7}1/2)" 25. Tenemos dos variables aleatorias: X = «Didmetro de la variliay ~ N= 1; o= 0,2) Y = Didmetro del recipiente» ~ Nw = 1,05; 6 = 0,15) Queremos calcular: P(La varilla pueda insertarse en el recipiente) = P(X < ¥) = P(X - ¥ <0) = (*) Antes de proseguir, observamos que: X=¥ ~ N= 1-1,05=-0,05; 0 = (0,2)? +(O.1. Ahora, podemos proseguir el cdlculo: (Z <0,2)=1- P(Z>0,2) X=¥~(,05) _ 0-(-0,05)) 0,25 0,25 =1-0,4207 = 0,5793228 SOLUCIONES DE LOS EJERCICIOS 26. La variable aleatoria basica para este problema es X = «Peso de una perso- na» ~ N= 72; o= 10). 4) P(Entre los cuatro superen los 350 Kg.) = P(X, +X, +X, +X, > 350) = (4) Antes de proseguir observamos que: X,+Xj+X,4+X, ~ N= 4(72) = 2880 Ahora podemos proseguir zt it Xp +X; + Xq ~ 288 20 @) J P(Z > 3,1) = 0,000968. b) P(Puedan jugar en un balanein) = P(-5 < X,— X, <5) = (9) Antes de continuar observamos que: X, =X, ~ N(w= 72-72 =0; 6 = V100 +100 = 14,14) Ahora podemos continuar: 0 X,-X,-0_ 5-0) f (**)= P| Jo PC035<2<0.35) \ 14,14 14,14 14,14 =1-2P(Z> 0,35) = {- 20,3632) = 0,2736 27, En este problema estamos manejando dos variables aleatorias: X = «Tensién de la linea» ~ Mu = 100; o = 20) Y = «Capacidad de la linea» ~ Nu = 140; o = 10) ‘Tenemos: P(Averfa) = P(X > ¥) = P(X - ¥>0) =(#) Antes de seguir, obseryamos que: X—Y¥~ N(f= 100-140 = -40; 6 = (400 +100 = 22,36) Ahora podemos continuar: “ye oo y= A FOCAO) OCA) _ (> 1,19) =0,0367 22,36 22,36 J‘SOLUCIONES DE LOS EJERCICIOS 229 28. En este caso, tenemos dos variables aleatorias: X, = DIF U/A- P(Z> D) =(3/4)[1—0,0228] + (1/4)[1 -0,1587] = 0,9432 b) Eneste apartado, aplicamos la regla de Bayes: P(Mag, lespesor < 12) = POM PEspesor <121Maq. 1) P(Espesor <12) _ B/AP(X < 12) ~ P(Espesor < 12) 3/.4)(1-0,0228) _ 9 4779 0,9432 29. La variable aleatoria en este problema es: X = «Numero de dias sobrevividos» ~ N(u = 90; 6 = 20), Nos piden: P(Sobreviva més de 120 dias, sabiendo que esti vivo al cabo de 110 dias) = ee P(X> 110) P(X> 110) _ P(Z>(120~90)/20) _ P(Z>1,3) _ 0,068 _ 6 45 P(Z>(110-90)/20) PZ> 0.1587 30, a) Consideremos el caso n = 7 y a= 3 (para otros valores, el razonamien- to seria andlogo). En la primera generaci6n hay un total de 7 células: 3 anémalas y 4 normales. Al reproducirse por particién celular se origi- nan [4 células: 6 anémalas y 8 normales, La segunda generacién se for-230 SOLUCIONES DE LOS EJERCICIOS ma escogiendo al azar (sin reemplazamiento) 7 células de estas 14. Por Jo tanto, la variable aleatoria X = «Ntimero de individuos anémalos en la segunda generacidn» sigue una distribucién hipergeométrica. Los po- sibles valores de X van de 0a 6. b) Se trata de calcular la probabilidad de que en la segunda generacién siga habiendo 3 células anémalas: (IC) 3}\4) (") 0,41 a, 31. a) Vamos a llamar A a la plantacién considerada en los dos primeros apartados. La variable aleatoria basica en estos apartados es: P(X =3)= X, = Produccién por manzano en A» ~ N= 50; o= 10). Queremos caleular: P(La produecién de 2 manzanos supere los 110 Kz.) = P(X,, +X, > 110) =) Para continuar con el edlculo, observamos que: Xq +Xq2 ~ N( = 50+50=100; 0 = Vi00+100 14.14) Por tanto, tenemos: = 728 +X 42-100 110-100) _ 9-7, 9.71) = 14,14 14,14 b) En primer lugar, calculamos: P(La produccién de un manzano de A supere los 45 Kg.) = P(X, > 45) = J=rz>-0,5= 7120.5) =1-P(Z>0,5)=1-0,3085 =0,6915 ~ 0,70 La variable aleatoria relevante en este apartado es: Y = «Neimero de manzanos con produccién superior a 45 Kg.. entre 9» ~ B(n =9; p = P(X > 45) = 0,70). 0.2668. ‘Lo que nos piden es: P(Y =7) =SOLUCIONES DE LOS EJERCICIOS 231 ©) Eneste apartado, estamos interesados en una nueva plantacién, que Ia- maremos B, y trabajamos con una nueva variable aleatoria: X,, = «Produccién por manzano en B» ~ N(u = 50; 6), donde oes desconocida. Para conocer 6, plantearemos una ecuacién a par- tir de la informacién que tenemos: EI 80% de los manzanos de B tiene una produccién superior a 40 Ke. => 0,80 = P(X, > 40) = (2a 10) o o fz< ®)- 0,80 10, o =0,84 => o=11,90 En este ejercicio tenemos, en principio, tres variables aleatorias: a) P(Una persona del grupo A mida mas de 160 cm.) = P(X, > 160) = (X4 7165 | 160 — Wont) - 5 Does >-I)=P(Z1) 0,1587 = 0,8413 b) P(Entre 10 personas de A midan mas de 1600 em.) = PX, +. + Xug > 1600) = (*) Observamos que: Xqy tect Xqig ~ N(W= 10165) = 1650; o = /10(25) = 15,81) Entonces: =e Xa: +X 419-1650 > 1on= 1650) 15,81 15.81 =1- P(Z>3,2)=1—0,000687 = 0,9993 P(Z > -3,2) = P(Z<3,2)232 SOLUCIONES DE LOS EJERCICIOS 33. cc) Aplicamos la regla de Bayes: P(CIAM. > 172) _ ___ PC)P(AM.> 17210) a PCA)PCAI > 1721A) + P(B)PCAM. > 1721B)-+ P(C)P(AI. > 1721C) ' P(C)P(Xe > 472) © PA)P(X,, > 172)-+ P(B)P(Xy > 172)+ P(C)P(Xe > 172) . P(C)PIZ > (172-175)! 5] © PCAPLZ > (E72=165)/ 51+ PCB) PLZ > (172 -170)/5] + P(C)PLZ > (172 -175)/5] o = (0,30) P(Z > -0,60) © (0,50) P(Z > 1,40) + (0,20)P(Z > 0,40) + (0,30)P(Z > 0,60) _ (0,30)(0,7257) ~ (0,50)(0, 0808) + (0, 20)(0,3446) + (0,30)(0,7257) =0,67 d) Finalmente, consideramos la variable aleatoria: Y = «Ntimero de personas que miden mds de 172 cm., entre 100 de B> ~ Bin = 100; p = P(X, > 172) =0,3446) ~ N(L= np = 34,46; 0 = np — p) = 4,75), donde aproximamos la Binomial por la Normal, ya que n es grande y p no es préximo a cero, Tenemos entonces: ( ¥=34.46 P(¥ 250)= PI ¢ ) 4,75 #0) P(Z 23,3) = 0,000483 En este ejercicio, la variable aleatoria relevante es X = «Numero de aciertos en 10 cuestiones» ~ B(n = 10; p), donde p = «Probabilidad de acierto en cada cuestidn». Primer caso: Cuando el estudiante responde todo al azar, p = 0,50, con lo que X ~ B(n = 10; p = 0,50). Entonces: P(Aprobar) = P(X > 7) = 0,1719. Segundo caso: Cuando el estudiante sabe el 30% de Ja asignatura, p = P(Acierto) = (0,30)(1) + (0,70)(0,50) = 0.65, con lo que X ~ Bin = 10; p = 0,65). Entonces: P(Aprobar) = P(X = 7) = 0,5139. En este ejercicio, disponemos de 3 variables aleatorias relevantes: X, = «Altura de la casta A> ~ N= «Altura de la casta B> ~ N(u «Altura de Ia casta C> ~ NuSOLUCIONES DE LOS EJERCICIOS 233 a) P(ndividuo de A tenga estatura inferior a 164 cm.) = P(X, < 164) = ies ats) P(Z <1, = PZ > 1,1) =0,1357 b) Eneste apartado, aplicamos la regla de la probabilidad total: P(Altura < 164) = P(A)P(X, <164)+ P(B)P(X, < 164) + P(C)P(X,. < 164) = =175 _ 164-175) -170 P| wee? +0, 1,1) + (0,20) P(Z > 0,6) + (0,05) Z > 0,1) = (0,75)(0,1357) + (0,20)(0,2743)+ (G,05)(0,4602) = 0,1796 “10 +0, osyr{*s ©) Eneste apartado, aplicamos la regia de Bayes: P(A\Altura < 164) = PAP, < 164) P(Altura < 164) =0,57 0.1796 P(BIAItura < 164) = 2 BPXp < 164) (Altura <164) = :20)0,2743) _ 9 39 0.1796 P(O)PLX¢ < 164) ~P(Altura < 164) 05)(0,4602) _ 01796 P(ClAltura < 164) = _@ Hay un 57% de probabilidades que sea de A. 35. a) En este apartado, consideramos fa variable aleatoria: U = «Niimero de chicas obesas, entre 200» ~ B(n = 200; p = 0,10) = N(L= np = 20; 0 = /np(— p) = 4,24). P(AI menos 10 chicas obesas, entre 200) = P(U 210) =f L=20» 10-20) _ 4,24 ~ 4,24 J P(Z 2 ~2,36) = 1 P(Z > 2,36) =1-0,00914 = 0,9909234 SOLUCIONES DE LOS EJERCICIOS b) Eneste apartado, consideramos también la variable aleatoria: T = «Ntmero de chicos obesos, entre 250» ~ B(n = 250; p = 0,10). En primer lugar, calculamos la esperanza y la varianza de X — ¥: tu] Do ax-ri-d 0] sgn 250 200. 250 20 c == (250)(0,10) — ~—(200(0, 10) = 0. 250 })(0,10) so 0,10) : U 1 Wx-¥)=V-—-—— |= T VU et (os 200) 3507 * 5007 : = 250)(0,10)(1 - 0,10) 200 0,10)(1 — 0,10) = 0,0008 Fg? 250K0.100 Jee (0,10) ) Entonces: X-Y = N(t=0; 0 = /0,0008 =0,0285) Finalmente: X-Y-0_ 0,06-0 > oa Sor P(Z> 2,11) = 0.0174 0,0285 0,0285 } P(X-Y >0,06) ct 36. En este ejercicio, trabajamos con la variable aleatoria: X = «Cantidad de grasa envasada» ~ N(u; 0 = 25) Queremos elegir el valor de jr que verifique 1a condicién: El 2% de los envases tiene una cantidad de grasa inferior a 500 gramos | => 7 500— 0,02 = PLX «<500)= A ASH < = #). wz < aH) 25 as ro tome 2) 0.02 | === 28 25 37. Disponemos de dos variables aleatorias: X, = «Porcentaje de asfalteno en las telas de A» ~ N(, X, = «Porcentaje de asfalteno en las telas de By ~ N(wSOLUCIONES DE LOS EJERCICIOS 235 39, @) P(Una tela de A tenga un porcentaje de asfalteno entre 28 y 34) = /28- -30 34~ POB< X, <34)< Pf 2830 , Xa 230 <>) 3 3 3 = P(-0,66 < Z <1,33) =1- P(Z > 0,66) P(Z > 1,33) =1-0,2546 —0,0918 = 0,6536 b) Aplicamos la regla de Bayes: PUA)P(X,>34) PCA)P(X, > 34) + P(B)P(Xy > 34) P(A)P(Z> PZ > 1,33) + PCB) Pt (0,70)(0,0918) “©, 70)(0,0918) + (0, 30)(1 —0,3 3085) P(AlAsfalteno > 34) = a) Eneste apartado, trabajamos con la variable aleatoria X = «Cantidad de fertilizante por sacoy ~ N(u = 30; o= 1). P(La cantidad de fertilizante por saco esté entre 29 y 31) = P(Q9< X<31)= (2% < X730 1 1 2(0,1587) = 0,6826 = PCIS ZS 1)=1-2P(Z>1)= b) Eneste apartado, trabajamos con la variable aleatoria: Y = «Niimero de sacos con una cantidad entre 29 y 31 Kg, de los 80>~ B(n =80; p = P(29S X $31) =0,6826) ~ N(t=np =54,61:0 = y 4,16) -P Hemos aproximado Ja Binomial por la Normal, ya que n es grande y p no esti prdximo a cero. P(Y>50)= PI ¥-54,61 , 50—54,61 4,16 4,16 0,1335 = 0,8665 aro n= Pz<11)= I-P(Z>1,11) a) Laprimera variable aleatoria que consideramos es: X = «Cantidad de gasolina en cada muestra» ~ N(u =236 40. SOLUCIONES DE LOS EJERCICIOS En primer lugar, calculamos: X-10 _ 9,9-10)_ 0,1 OL P(Menos de 9,9 litros en una muestra) = P(X < 9,9) = | P(Z <1) = P(Z> 1) =0,1587 Ahora consideramos la variable aleatoria: Y = 1)— P(Z > 0,25) = 1—0,1587 - 0,4013 = 0.4400 eS X,-65 63 =) s< 2? 22 |= 8 8 8 P(-1,5 0,25)- (Z>1,5)= 0,4013 -0,0668 = 0,3345 P(MIB) = P(53< X, <63) = P| Ahora, podemos continuar: re298 SOLUCIONES DE LOS EJERCICIOS . (0,30)(0,4400) «a 346 (0,30)(0, 4400) + (0,70)(0,3345) b) En primer lugar, calculamos: = P(Z<-1)=P(Z>1)=0,1587 A continuacién, consideramos la variable aleatoria: Y= «Ntimero de huevos tipo S de la granja A, entre 6» ~ Bin = 6; p = P(X, < 53) = 0,1587 ~ 0,15). Entonces: P(¥ = 2)=0,1762 c) En primer lugar, calculamos: X, PULIB) = P(63< Xp <73)= (Se < P(-0,250,25)— P(Z >1)=1—0,4013-0,1587 = 0,4400 A continuacién, consideramos la variable aleatoria: T = «Numero de huevos tipo L de la granja B, entre 200» ~ B(n = 200; p = P(63< X, <73)=0,44) = N(u= np =88; 0 = ,/np(1— p) =7,02) Hemos aproximado la Binomial por la Normal ya que n es grande y p no es préximo a cero. Por tanto, tenemos: noosrs95)= A =P(-5,41S ZS) = 7,02 7,02 7,02 ) 1-P(Z>5,41)- P(Z > 1) = 1—0,0000000333 — 0,1587 = 0,8413 d) Finalmente, en este apartado consideramos la variable aleatoria: SeXy tet Xgg ~ N= 1260 = 732; 6 = 1208" = 27,7)SOLUCIONES DE LOS EJERCICIOS 239 Tenemos: S=732 | 720-732 27,71 27,71 1—P(Z > 0,43) = 1-0,3336 = 0,6664, P(S> 720) = \-Pe>-0.40)= PZ <0,48)= 42. La variable aleatoria de interés en este problema es: X= «Niimero de componentes defectuosos, entre 50» ~ B(n = 50; p = P(Defectuoso) = 0,048) ~ Poisson(A = np = 2,4). Hemos aproximado Ia Binomial por la Poisson ya que 7 es grande y p es préximo a cero. Finalmente, tenemos: P(Revisar el proceso de produccién) = P(X > 1) = 1 ~ P(X=0)- P(X=1 1 - 0,0907 ~ 0,2177 = 0,6916. 43. a) Eneste apartado, la variable aleatoria relevante es: X= «Niimero de personas que usan el lavabo 4, de un total de 3 personas» ~ Bn = 3; p= 1/8), Tenemos: P(X >0)= 1- P(X = 0) = 1 - (7/8) = 0,33. b) Eneste apartado, consideramos la variable aleatoria: Y = «Niimero de personas que usan el lavabo 2, de un total de 100 personas ~ B(n = 100; p=1/4) ~ N(u =np = 25; 6 = \np(l— p) = 4,33) Hemos aproximado la Binomial por Ja Normai, ya que n es grande y p no es proximo a cero, Tenemos: {x-25 20- PU > 20) = Pj X= 2 4,33 ~ 4,33 1~ P(Z > 1,15) = 1-0,1251 = 0,8749 \- P(Z>-1,15)= P(Z<1,15}= 44. @) y 4} Consideramos la variable aleatoria X = «Produccién anual> ~ Ne, 6), y planteamos dos ecuaciones:240 45. SOLUCIONES DE LOS EJERCICIOS El 90% de los aiios la producci6n es inferior @ 1300 => _ - 0,90 = P(X < 1300) = fae 1300=) 910 1300-4 _y 9g El 409% de los afios la producci6n es superior a 1100 => f \ .40= PE > 1100) = A Jara >t HY o \ ) M00=H _ 995 oO Por lo tanto, tenemos: 00 - Oat = 128 U=1051,46 H00-# _ 9 95 o=194,17 o X~1051.46 | 1000~ 105146 194,17 194,17 P(Z< 0,26) =1~ P(Z > 0,26) = 1~0,3974 = 0,6026 °) x> 1000) = of }-na>-0.26)~ d)_ En este apartado, necesitamos considerar la variable aleatoria: «Producci6n total en 10 afios» = X, +... Xjo~ N(t= 102051, 46) = 10514,6; 6 = «{100194,17)° = 614,02) Por tanto: PUX, ++ Xp <10000)= A wt Xp -10514,6 | 10000-10514,6 614,02 614,02 P(Z <—0,84) = P(Z > 0,84) = 0,2005 @) En primer lugar, observamos que P(Persona O positiva) = (0,45)(0,80) = 0,36. Ahora, consideramos la variable aleatoria:SOLUCIONES DE LOS EJERCICIOS 2a X = «Niimero de personas O positivas, entre 300» ~ B(n = 300; p = 0,36) ~ 31) N(iL= np = 108,06 = /np(l— p) = Hemos aproximado la Binomial por la Normal ya que 1 es grande y p no es préximo a cera, Tenemos: = 08 « 08) P(Z <—1,56) = P(Z > 1,56) = 0,0594 P(X <95)= AX 8.31 8,31 b) En primer lugar, observamos que P(Persona AB negativa) = (0,05) (0,20) = 0,01. Ahora, consideramos ta variable aleatoria: ¥ = «Ntimero de personas AB negativas, entre 150» ~ B(n = 150; p = 0,01) = Poisson(4 = np = 1,5). Hemos aproximado la Binomial por la Poisson ya que 1 es grande y p es proximo a cero. Tenemos: P(¥2 1) =1-P(¥ =0)= 1 -0,2231 =0,7759 c) El calculo de probabilidad que hacemos a continuacién, corresponde 2 una variable aleatoria con distribucién binomial negativa: P(Necesitar 12 personas hasta encontrar 3 del grupo A) = nn) ‘ 9 |(0,40)"(0,60)° = 0,0355 46. a) En primer lugar, consideramos la variable aleatoria: X = «Cantidad de contaminante de un coche de pequefia cilindrada cada 100 Km» ~ N= 3). La cantidad total de contaminante de 10 coches de este tipo viene dada por la variable aleatoria: X)..+ Xy ~ MW =10(20) = 200;0 = 1003)? = 9,49) Entonces, tenemos: Xj tot Xp =200 210-200 9,49 9,49 1- P(Z > 1,05) = 1—0,1469 = 0,8531 POX, +4 Xiq < 210) zt \=rz 0.80 p(y > 25)= A TH > B=H) =z > 5H) = aac o 1(2<#—3)-0,80 2 z> #3 )-0,20 = 7 o o El 60% de los coches expelen menos de 30 mg. 0,60 = Por <30)=7{ aH < MAH) = (72 OH) o o os Az>M#\-o.40 = 3xH. 005 o o Entonces, tenemos: 47. La variable aleatoria bésica en este ejercicio es: X = «Cantidad de plomo» ~ Ni = 30; o= 10) a) En primer lugar, calculamos: P(Cantidad de plomo extremadamente alta) = P(X > $3) = = P(Z > 2,30)=0,0107 Ahora, consideramos la variable aleatonia: ¥ = «NGmero de personas con cantidad de plomo extremadamente alte, entre 7» ~ B(n = 7; p = P(X > 53) = 0,0107 = 0,01).‘SOLUCIONES DE LOS EJERCICIOS 243 Tenemos: P(¥2 1)=1-P(¥=0)= 1 - 0,9321 = 0,0679. b) Ahora, necesitamos considerar la variable aleatoria: (5(10)? = 22,36) Xt. Xs ~ M(M= 5030) = 150; o Entonces: Xy +t X= 150 , 140-150 22,36 22,36 P(Z.<0,45) = 1— P(Z> 0,45) = 10,3264 = 0,6736 POR so R20) AL P(Z > -0,45)= c) Finalmente, consideramos la variable aleatoria: X,-X, ~ M(u=30-30=0; 6 = (210) = 14,14) Tenemos: -10-0 X,-X,-0_ 10-0 < So 14,14 14,14 14,14 P(-0,71 0,71) =1~2(0,2389) = 0,5222 P(-10< X,~X, <10)= of 7. Estimacién puntual 1. a) _Eneste caso, la funcién de masa es P(x) = p'(1-p)'*. Estimador por el método de los momentos: E{X] Estimador de maxima verosimilitud: L(p)= P(x,)...P(%,) = p= py... p's (1= py! = =p py = log L(p)=(Zx,)log p+(n—Lx,)log(l-p) => dlogL(p)_ 2x, _ nD, dp P I-p =0 = p=¥244 SOLUCIONES DE LOS EJERCICIOS Age b) _Eneste caso, la funcién de masa es P (x) = Estimador por el método de los momentos: E[X]=¥ => A=X¥ = A=¥ Estimador de maxima verosimilitud: eta otk cand LA)= Pla). Pa) = Top oie ae) log L(A) = -nA +(Lx;)logA—Llog(x,)! => diog LA) _ dh nt ©) Emeste caso, la funcién de densidad es fix) = he, Estimador por el método de los momentos: E\X]=3 => E=AIN=f fode=[" xe )de= | Estimador de méxima verosimilitud: LA) = f(x). f(%,) = Ae. de = Wer log L(A) =nloga-2Lx, = dlogl(a)_n a mn -Yx=0 = 4 d) Eneste caso, la funcién de densidad es — ov2n Estimador por el método de los momentos: AIX]=¥ > w=*¥ > jiz¥ => >‘SOLUCIONES DE LOS EJERCICIOS 248, Estimador de maxima verosimilitud: LO ff) = oi weet askew? Ly log L(t) = -nloga — nlog Vin Es, -y = oe dlogi{p) _ 1 a Meg? DEN =0 > t= e) Eneste caso, la funcién de densidad es Sosa" Estimador por el método de los momentos: La primera posible ecuacién: FIX]=3 > pak no sirve en este caso, ya que no aparece el parémetro o* que es el que que- remos estimar. Recurrimos a la segunda posible ecuacién: 1 . i 2 = 1 2 Exp = obew al Ea? = 6a we E[X?] n De paso, es conveniente hacer notar que el estimador obtenido por el método de los momentos produce, algunas veces, estimaciones absurdas. Por ejemplo, si es conocido que p1 = 3, y la muestra obtenida es (1, 2, 4), ob- tenemos 6? = -2, lo cual es claramente absurdo. Estimador de maxima verosimilitud: L(O)= f(x)... f% JES 1 1 A pyr Pw ay =a o"(2n)" log L(o) =—n logo - mlog Vm 5h 2, -ny => dlogl(o)__n 52a} 1 = ot gh hi Hy =0 => € yea2868 ‘SOLUCIONES DE LOS EJERCICIOS Sf) Eneste caso, la funcién de densidad sigue siendo: . teu? fo ov2n e Estimador por el método de los momentos: Como en este caso tenemos que estimar dos pardmetros, planteamos dos ecuaciones: => log L(,o =-nlogo — log /2n = 51> ¥ -wy = Plog Lu, 6)_ 1 au 207 Plog, O)_ nly 2 Xe Tg tah Lew? =0 | (2) x, — nu) =0 2. Estamos interesados en estimar el parémetro p = «Proporcién de personas que evaden impuestos». Para evitar respuestas falsas, recurrimos a un mé- todo indirecto (método de respuesta aleatorizada). Para poder estimar p con este método, seguiremos los siguiente pasos: Paso 1: Definimos un nuevo pardmetro, muy relacionado con p, pero algo diferente: q = «Probabilidad de recibir una respuesta afirmativa>.‘SOLUCIONES DE LOS EVERCICIOS 287 La ventaja de este nuevo pardmetro es que es un pardmetro directamente estimable. Como en todos los casos en que queremos estimar una pro- porci6n o una probabilidad, dispondremos de una muestra aleatoria (X,, . X,) de X ~ B(1; q). Ahora, podemos estimar q (por ejemplo, por mé- xima verosimilitud): pone oe : 600 4 = = aFrecuencia reiativa de respuestasafirmativas» = > = 0,60 Paso 2: Lo siguiente que necesitamos es poder establecer la rela- cién que hay entre p (pardmetro que nos interesa) y q (parametro que acabamos de estimar). Para esto, basta aplicar la regla de 1a probabili- dad total: = P(Si) = i at pe ttaeyt q = P(Si) = P(A)P(SiNA) + P(B)P(SiIB) = 2 pts ee + 4 > p=24- : Finalmente, podemos estimar p: 20,60)- = 0,70 Por lo tanto, se estima que el 70% de la poblacién evade impuestos. 3. a) Planteamos la ecuacién: E[X|]=% => F=EXI= J vip nide= [rede = 041 => 6=*-1 b) _Elestimador 6 ser4 insesgado para estimar 0 si E[6] = 8. Veamos si se verifica : E(6]= ELX -1\= E[X|-1= E[X]-1=(0+1)-1=8. Por tanto, es insesgado para estimar 0.248 SOLUCIONES DE LOS EJERCICIOS A 5 4. L(0)= f(x)» ibs = ee (- at}.. fevo(- Ze) Jog L(0) = ay dlog (6) __2n dé 6 on 5. a) 10)= fs)-hlxd= 9+} wf 4 log L(8) = nlog@-(8 +1) Elogx, => dlogL(@) _n n as) log x, =0 6=-—"— 8 ee b) Resolvemos la ecuaciét 1 E\X]=% 3 x= aixl= J agcardr= f° x0f + 6 L(u.0)= fla)... = o J xq ons = . — exp Zoe x,002K 20° (x, ..3,)0"C)2H)" 20° log L(u,0) = - Log x, ~nlogo~ nlog V2 ~ 54 Silog x-pe > io Plog Liu, 0) REE OT = (-2)[D log x, - . Hu ge IE log x; ~n]=0 _# 1S logs, Alog L(u, 0° al LX (log.x, - f° do oo 7. El objetivo fundamental de este ejercicio es estimar, por maxima verosimi- litud, el pardmetro p = «Proporcién de peces de la especie Av.‘SOLUCIONES DE LOS EJERCICIOS 249 a) P(Primer pez tipo A en la décima extraccién) = (I-p)°p. b) El apartado anterior nos sirve para indicarnos cémo escribir la funcién de verosimilitud. Recordemos que la funcién de verosimilitud es la pro- babilidad, bajo los diferentes valores del parimetro p, de los resultados muestrales obtenidos: L(p) = P(Resultados muestrales obtenidos) = P(Primer pez tipo A en la décima extraccién y Primer pez tipo A en Ia decimoquinta extraccion y Primer pez tipo A en la decimoctava extraccién) = =d-p)’ pd ~p)*pl-p)" pl=A-p)° p> => log L(p)=4@log(l—p)+3logp => dlogL(p) __ a a)y b) El objetivo fundamental en estos dos primeros apartados es estimar, por maxima verosimilitud, el parémetro p = «Propor- cién de caballos afectados por la peste equina». Para esto, se- guiremos los siguientes pasos: Paso 1: Consideramos un nuevo pardmetro, muy relacionado con p, pero algo diferente: g = «Probabilidad de dar positivo en la prueba». La ventaja de este nuevo parametro es que es un pardmetro directa- mente estimable. Como en todos los casos en que queremos estimar una proporcién una probabilidad, dispondremos de una muestra aleatoria (X,,.,X,) de X ~ B(1; q). Ahora, podemos estimar q por maxima verosi- «Frecuencia relativa de pruebas positivasy = 2 =0,19 Paso 2: Lo siguiente que necesitamos es poder establecer la relacién que hay entre p (pardmetro que nos interesa) y q (pardmetro que acabamos de estimar). Para esto, basta aplicar la regla de la probabilidad total: q= P(Pos.) = P(Enf)P(Pos. | Ent.) + P(No enf.) P(Pos.| No enf.) = (p)(1) + 0,04 +(1 — p)(0,04) = ,0440,96p => p= 0,96 Paso 3: Finalmente, podemos estimar p: g—0,04 _ 0,19--0,04 0,96 0,96 = 0,16SOLUCIONES DE (OS EJERCICIOS, 10. Es decir, alrededor de un 16% de los caballos estén afectados por la pes- te equina. c) Sirealmente hay un 20% de caballos atectados por la peste equina, en- tonces p = 0,20, y g = 0,04 + (0,96)(0,20) = 0,2320. Consideramos la variable aleatoria: T = «Ntimero de pruebas positivas, entre 500» ~ B(n = 500; q = 0,2320) = NGt=mp=ll6, o = jngl=q) =9,44), donde hemos aproximado la Binomial por la Normal, ya que n es grande y P no es proximo a cero. Tenemos: PIT 295) = Ae tse ets) P(Z2 -2,22)= P(ZS2,22)= 1~P(Z> 2,22) =1-0,0132 = 0,9868 4) L)= fol)... fol Xp) = (20x, exp(-Bx; J]. (28x, exp-Ox, = 2°8"(x)...X,)exp(-O Lx?) => jog L(8)= nlog2 +nlogO+Zlogx,-O82lx7 => dlog L(8) _n da 8 n ~Zx7=0 6-2, Bys0 = bag% Si queremos estimar por maxima verosimilitud g(8), tenemos: yun i = (1/2)(4/6)!? = — Mea lata] 6) Planteamos la ecuacién: EUX]=% => (1/2)(/8)"" a) Planteamos Ja ecuacién: EIX]=% = E=ELXT= f xfp(xideSOLUCIONES DE LOS EJERCICIOS 251 6) ViG)= VEX) =9V(X) =9LH) 22 : —V(X)= (*) n Calculamos la varianza de X: ° Vox) = EL] (EUR? = fx? yond 5 = 2 4-92 je @ 3-0 1 PA 9 9 Ahora, podemos continuar: 93- ()=-2— n 9 Para probar que 8 es consistente para estimar @ es suficiente comprobar que: lim, E{6\=@ lim, V(6)=0 Efectivamente: lim, £(6]= lim, EI3X}= lim, 3£| e = 3E[X]=3—= TX] 3 e . a) 3-8 lim, VG) = lim, 32 =0 a Por tanto, 8 es consistente para estimar 8. 1 r 11. a) L(®)= fy). tls=[gen | [be log L() = nog 23.5, = Mog) 2 Lys <0 = 6=% 40 @ 8 En consecuencia, tenemos:282 SOLUCIONES DE LOS EJERCICIOS 6) El estimador T serd insesgado para estimar 6 si E[T] = 8. Veamos si es cierto: X, EIT}= of 2428 | Ler zerxy b= tceise2e.xy= ELXI= =f foads af xhertano Por tanto, Tes insesgado para estimar 8. Calculamos ahora su varianza: 12, En este ejercicio, disponemos de una muestra aleatoria (X,,....X,) de la variable X = «Lectura del voltimetro» que sigue una distribucién uniforme enel intervalo (8, 8+ 1), con lo que su funcién de densidad es: 1 si@ \ «Sesgo (X)> = ax}-0-(0+4)-9=3 b) «Error cuadratico medio de ¥» = V(X) + (Sesgo(X)?? = VO lice ete'SOLUCIONES DE LOS EJERCICIOS 253, Calculamos V(X): ae 2 i VOX) = ELX?]—(ELXI? = f,tilards-(0+2) = pn neo =f eede-(0+5) = 5 Ahora, podemos continuar: ¢) Segtin hemos comprobado anteriormente, el sesgo de X era > Por lo tanto, para conseguir un estimador insesgado a partir de X lo tnico que tenemos que hacer es corregir el sesgo. Es decir, consideramos el esti~ mador T= X - > Comprobar que T es un estimador insesgado de @ es ya inmediato 13. En este ejercicio estamos considerando una muestra aleatoria (X,.,....X,) de tamafio n = 10 de X = «Contenido de asfalteno» ~ N (i = 35; o= 2). Esta- mos interesados en el estad{stico: «Contenido medio de asfalteno del lote» = =X¥~ Mu o = 2/10 =0,6325) Nos piden: P(Contenido medio de asfalteno del lote inferior a 37) = P(X < 37) = X-35 | 37-35) oie . 0,6325 ~ 0,6325 ) — 0,000687 = 0,993 P(Z <3,2)=1-P(Z >3,2)= 14. L(B) = f(x)... fo(%,) = [280 J... [260% log L(8) = wlog2+nlog@-OSx7 => dlogL(@) _n_ 460 rere = n De=0 = =254 SOLUCIONES DE LOS EJERCICIOS 15. L(8)= fl %,).-- fol Xp) =10- xe J... 102x,6°* 1 =O" (x, log L(@) = 2nlog0+Zlogx,-@Lx, = dog L(@) In 5 2n oa eee =0 A a0 gt > Ex, 16. a) Este ejercicio presenta una ligera diferencia a la hora de buscar el esti- mador de maxima verosimilitud de . Por supuesto, Jo que buscamos es el valor de @ que maximiza la funcién de verosimilitud, y lo vinico que tenemos que hacer es escribir esta funci6n con cnidado, La funcién de verosimnilitud es de la forma: LB) = fol )o--Saltq) = si todos los x, son mayores 0 iguales que 6, es decir, si min x, 2 0 (y cero, en caso contrario). En definitiva, ta funcién de verosimilitud serfa: 6" si 0<@< minx, L(@)= | Mae 0 en el resto Observemos que esta funcién es creciente para los valores de @ entre 0 y min x,, Esto significa que derivando no obtendriamos el maximo; natural- mente, no hace ninguna falta derivar ya que, al tratarse de una funcién cre- ciente, el maximo se encuentra en el extremo derecho del intervalo y, por tanto; = min x, b) Enconsecuencia: {/8 = min x, 17. a) Para hallar un estadistico suficiente 7, todo lo que tenemos que hacer es tratar de factorizar la funcién de verosimilitud en la forma: LE) = BT, BAC...) Tenemos: L(Q) = fol X,)--+ Sop) = [O00]. L002] = 8" (ay... )° 7SOLUCIONES DE LOS EJERCICIOS 285 18. 19. b o 8 b a) Por tanto, T= X,...X, es un estadistico suficiente. 1O)=6"(x,...%,)°"! => log L(@)=nlog@+(8-1)Elogx, => dlogl(@) _n 5 ee ies 0 6=- Llogx, > f Loss Planteamos la ecuacién: EUX]=¥ = F=L[X]=[_xf(xdr= "Or ldr= 2 < . = fafa n=[\x oa 6-—_ Planteamos la ecuacién: . - elo oe AX|== = F=EIXN= | h(nidr=[ x5 “a > 1 - 1 = 168) = fol) Sol Sn) = Gat neg xy = 6 tog L(6)=-nlog0 +[ -1)Etoes, = dlog Li 4 _ Llogx, aig Ae) logx, =0 = SEN Llogx; => 6 n En este apartado, queremos estimar la siguiente funcién de @. 24 P(X <1/2)=f ge ae yi® 1 0 Por tanto: P,(X<1/2)=(1/2)4 = (1/2) Consideramos la variable aleatoria: X = «Error cometido en una pesada» ~ N(qu= 0; o= 15).256 SOLUCIONES DE LOS EJERCICIOS Nos piden: 2 20- P-20< X <20)= (% ae a. 15 ee (-1,33< Z<1,33)= b) Ahora consideramos una muestra aleatoria (X,,...,X,) de X, y estamc interesados en el estadistico: «Error medio cometido» = ¥ ~ N(u=0; 6 =15/Vn) Nos piden determinar el valor de n para que: X-0 | 5-0 | < = 0,90 = P(-5< ¥ <5) =P| =< Ets Se) (a 15/Jn 15/Jn =P(-Vn/3Vn/3) => P(Z>Vn/3)=0,05 => Vn/3=1,64 = n=24,21 Por tanto, necesitarfamos un minimo de 25 pesadas. 20. a) En primer lugar, hacemas notar que las probabilidades de los cuatro po- sibles resultados muestrales son: P(Mujer con ojos claros P(Hombre con ojos claros) = pq P(Mujer con ojos oscuros) = (1-p)(1-9) P(Hombre con ojos oscuras) = pq) Recordemos que la funcién de verosimilitud es ta probabilidad, bajo los diferentes valores de los pardmetros p y q, de los resultados muestrales obtenidos: L(p, q)= P(Resultados muestrales obtenidos) = (= P)gP Epa! Ld - py DP Lp ~ gh” = p= py gq) = log L(p, q) = 450 log p + 550 log(l— p) + 350 logg + 650log(I-q) => Alog Lip, ¢SOLUCIONES DE LOS EJERCICIOS 257 b) Ahora sabemos que: P(Mujer con ojos oscures) = (1-p) (1-9) = 0,24. En primer lugar, consideramos la variable aleatoria: X = «Niimero de mujeres con ojos oscuros, entre 8» ~ B(n = p=0,24 = 0,25). Tenemos: P(X2 1) =1-P(X =) = 10,1001 ~ 0,90, Después, consideramos la variable aleatoria: ¥ = «Niimero de mujeres con ojos oscuros, entre 200» ~ Bin = 200; p = 0,24) ~ Nw = np = 48; 6 = /np(1- p) = 6,04) Hemos aproximado la Binomial por la Normal, ya que 7 es grande yp noes proximo acero. Entonces: pr>60)= A{ 148 = P(Z > 1,99) =0,0233 6.04 Estimaci6n por intervalos de confianza Deseamos estimar p = «Probabilidad de padecer alergia», con un nivel de confianza 1 — a = 0,95. Siempre que queremos estimar una probabilidad 0 proporcién, disponemos de una muestra aleatoria (X,,...,X,) de X ~ B (1; p); en este caso, n = 100 (muestra grande). El intervalo de conlianza es: En nuestro caso, tenemos: ae A 10 «Frecuencia relativa de alérgicos» = —~ = 0,10 Zas2 = Zo,ors = 1,96258 SOLUCIONES DE LOS EJERCICIOS Par tanto, tenemos: (0,100 0,10) )_ (*)=| 0,10+1,96,/ "> | = (0,04; 0,16 : ( 100 ’ Y ‘Veamos ahora cudntas observaciones necesitariamos para estimar p con un error maximo de 0,01. Planteamos la siguiente desigualdad, tomando como p el valor obtenido en 1a muestra piloto anterior: Farry = 3.96), \ ,01 => 23458 Y Es decir, necesitariamos det orden de 3500 observaciones para poder es- timar p con un error de 0,01 y una confianza del 95%. 2. Disponemos de una muestra aleatoria (X,, ...,X,,) de X = «Ntimero de erra- tas por pagina» ~ Poisson (A), con n = 95 (muestra grande). Queremos estimar «Nsimero medio de erratas por pagina» = E [Némero de etratas por pagina] = E [X] = A, con un nivel de confianza 1 - a= 0,90. El intervalo de confianza es: Gt zanvi/=() En nuestro caso, tenemos: [40(0) + 30(1) +... +1(5)] = 0,989. 0s = 164 Por tanto, tenemos: (*) = (0,989 1,64,'0,989/95) = (0,82; 1,16) 3. Eneste caso, disponemos de una muestra aleatoria (X,, ...,X,) de X = «Du- racién del proceso quimico» ~ N (4; ), con n = 20.‘SOLUCIONES DE LOS EJERCICIOS 259 a) Intervalo de confianza para estimar la duracion media del proceso, 1, con un nivel de confianza 1 — a= 0,90: Calculamos todo lo que necesitamos: Dx, =91,25 1 Ly - BY = [E27 —n(¥)]=8,6184 => 5=2,94 1, thy, 0.05 = 1,729 nots a2 Ahora, podemos continuar: (90,11; 92,39) *)=| 91,254(1,729 co-[2seann 3) b) _ Intervalo de confianza para estimar la varianza de la duracién del pro- ceso, 6, con un nivel de confianza | - @= 0,90: Obtenemos de las tablas: Hatin = Kio, 095 = 30,144 Kir oare = Hiv; 0.98 = 10,117 Tenemos, entonces: (5,43; 16,19) (Hy = (ase 84) oasis) 30,144 10,117 Naturalmente, un intervalo de confianza para estimar o serfa I = (2,33; 4,02).260 SOLUCIONES DE LOS EJERCICIOS 4, Eneste caso, disponemos de una muestra aleatoria (X,,....X,) de X= «Ten sion de rotura» ~ N(u; 0), conn = 5. a) Intervalo de confianza para estimar la tensi6n media de rotura, 1, con un nivel de confianza 1 — a= 0,95: Calculamos todo lo que necesitamos: g=1yu, =558 n 5 = 72,25 byt; a12 = ta; 002s = 2,776 Ahora, podemos continuar: ()-(s880,716) 225 ) = 46830 647,70) b) Interval de confianza para estimar la varianza de la tensién de rotura, O°, con un nivel de confianza 1 ~ a= 0,90: 7-(@cbds =ns betiata Mats al ) Obtenemos de las tablas: Kner: at2 = Xi; 0,05 = 9488 Maen a2 = La 098 = O71 Tenemos, entonces: (en = ( B20) (415220) { 9,488 ° 0,711 Naturalmente, un intervalo de confianza para estimar 6 seria I = (47; 171). }=cc20 29367)‘SOLUCIONES DE LOS EJERCICIOS 261 Nuestro problema, en este caso, es determinar el mimero n de observaciones necesarias en una muestra aleatoria (X,,...,X,) de X = «Altura» ~ N(t; 7,5), para estimar la altura media, 11, con un error maximo de 2m. y un vel de confianza 1 - a= 0,90. Puesto que, en este caso, el intervalo de confianza para estimar pl seria : o a : de la forma 1=/%+z,,.-7| la condicién sobre el error en la estima- _ vn cién, quedaria: «Error en la estimacién» = zy, =(,64) 22 <2 => n238 vn Por tanto, necesitarfamos 38 observaciones para estimar la altura media, 4, con un error de 2.cm. y un nivel de confianza 0,90. El lote que se va a enviar puede considerarse como una muestra aleatoria (X,,--.X,) de X = «Vida activa» ~ N(u = 1200; o = 40). Estamos interesa- dos en la vida media del lote: «Vida media del lote» = ¥ ~ N( = 1200; 6 =40/ Vn). Queremos hallar el valor de n que verifique la siguiente condicién: 0,95 = P(X >1180)= of Ra nee je Pee )= V P(Z<¥n/2)= P(Z>Vn/2)=0,05 => 1,64 = n=10,76 Por tanto, el tamajio del lote deberia ser 11. Disponemos de una muestra aleatoria (X,,....,X,,) de tamafio m = 10 de X= «Presi6n de nifios con padres de tensién normal», y de otra muestra aleatoria (Y,,...¥,) de tamajio n = 10 de ¥ = «Presién de nifios con uno de sus padres hipertenso». Asumimos que X ~ Nijt,; 0,), Y ~ NH; 6), y que 0, = 0. Ademés, podemos considerar que las muestras son independientes (los datos no van emparejados). Vamos a estimar j1, — , mediante un intervalo con un nivel de confian- zal—a@=0,95: Hf VE bnen-2; a2 Spy + Bev mn262 SOLUGIONES DE LOS EJERCICIOS En nuestro caso, tenemos: 1 yy, =105,8 n Lx? - m(X) y= 22,4 ; i 2 XO, - FY =—=1E y? - ny" J = 78.6 n-1 nol = Is? +(n- Ds? gp ost HDs => s,=711 ? m+n—2 : 1, = hs, 0,025 = 2,101 msnm2s a2 Ahora podemos continuar: (ee = -105,8+(2, ,11)y)—+—— |= (-15,28; — 1,92 “* (s72 105,8 + (2,101)(7, Vos] (-15,28; -1,92) 8. La noticia en el periddico nos estd hablando sobre la estimacién del pard- metro p = «Proporcién de personas a favor de una cuestién» mediante un in- tervalo de confianza. Como siempre que tratamos de estimat una propor- ci6n, disponemos de una muestra aleatoria (X,,...,X,) de X ~ B(1} p); en este caso, n = 1000. El intervalo de confianza correspondiente es de la forma: Ademis, en nuestro caso: 256. - 9,556 1000 x=p Como el margen de error es 0,03, tenemos finaimente: 0,03 = «Error en 1a estimacién» = — (@,556x n 1000 Zq2=h91 > a@/2=0,0281 > a@~ 0,06 = fairy fai2y Por lo tanto, el nivel de confianza de la afirmacién es | - a 0,06 = 0,94.10. SOLUCIONES DE LOS EJERCICIOS 263 Deseamos estimar p = «Proporcién de declaraciones defectuosas», con un nivel de confianza | ~ a= 0,99. Como siempre que queremos estimar una probabilidad o proporcin, disponemos de una muestra aleatoria (X,, de X ~ B(1; p); en este caso, disponemos de una muestra piloto con El intervalo de confianza seria: En este caso, lo que queremos es determinar e1 mimero de abservaciones necesarias para estimar p con un error maximo de 0,01 y una confianza del 99%. Para esto, efectuamos una estimacién previa de p con la muestra pi- loto: X = p= «Frecuencia relativa de declaraciones defectuosas» = «rror en la estimacién> = z4/25 “O-8 = 2.05 = 0,58) {OM=0) <0,01 = n216402 i Es decir, necesitariamos del orden de 16400 observaciones para poder estimar p con un error de 0,01 y una confianza del 99%. Disponemos de una muestra aleatoria (X,, ...,X,,) de tamafio m= 13 de X= «Calor latente de fusién del hielo medido con el métodd A», y de otra muestra aleatoria (¥,,..., ¥,) de tamafio n = 8 de ¥ = «Calor latente de fusi6n del hielo medido con el método B». Asumimos que X ~ N({L,; 0,), ¥ ~ M(t; ©,), y que 6, = 0,. Ademas, podemos considerar que las muestras son independientes (los datos no van emparejados). Vamos a estimar /, ~ 4, mediante un intervalo con un nivel de confian- za1—@=0,95: j — a fii F-TElnn iat Spy ty i) m264 SOLUCIONES DE LOS EJERCICIOS En nuestro caso, tenemos: PV men-2 Tren-2; a2 = hy, ons = 2.093 Ahora podemos continuar: o-(s0 02- 79,97 £2,093)(0,82) 5+ 3) = (-0,72; 0,82) 11. Disponemos de una muestra aleatoria (X,,....X,) de tamafio m = 13 de «Tiempo de desarrolio en la poblacién A,» y de otra muestra aleatoria (¥,, ¥,) de tamafio n = 11 de ¥ = «Tiempo de desarrollo en la poblacién A,». a) Asumimos que X ~ N(j1,; 6,) y que ¥ ~ N(ji,; 0). Queremos estimar 67/@2 mediante un intervalo con un nivel de confianza 1 ~ = 0,80: 1-[ sils3 sp/st J-o Fa. Lonel as? in-b l-as 2 En este caso, tenemos: Fy-tsn-t.012 = F:10; 040 = 242841 ee 12) 0,46 ° Foo;12,030 2.1878 Ahora podemos continuar: BY 2.2) BY 12,2 ayn) Ree ASAT = (0.81; 4,04) Y ( 2,2841 0.46 ‘ :SOLUCIONES DE LOS EJERCICIOS 265 12. b) neste apartado asumimos que X ~ Niui,:0,), ¥ ~ N(uu:0,), y que 6, = 6, Vamos a estimar /, — j, mediante un intervalo con un nivel de confian- zal—@=0,95: ra[- En nuestro caso, tenemos: 22; 0.025 = 2,074 Ahora podemos continuar: a7 *)=| 4-54 (2,074)(2,67),|— +— |= (-3,27; 1,27) a) ( ¢ MC viet) ¢ ) c) Eneste apartado sdlo necesitamos asumir que X ~ N(}1,; 0,). Estamos interesados en estimar #1, mediante un intervale con un nivel de con- fianza | - or= 0,95: (= i } 1=| 8th any vn En este caso, queremos determinar el valor de n para poder estimar 1, con un error inferior a 0,2 y un nivel de confianza de 0,95. Imponemos esta condicién, utilizando como valor de s, el obtenido en la muestra piloto: «Error en la estimacién» = Por tanto, necesitamos del orden de 865 observaciones para estimar {t, con un error 0,2 y una confianza 0,95. = «Proporcién de ovejas enfermas», con un nivel de ,95. Como siempre que queremos estimar una probabi- Deseamos estimar confianza 1 - a=266 SOLUCIONES DE LOS EJERCICIOS 13. lidad 0 proporcién, disponemos de una muestra aleatoria (X,, ...,X,) de X ~ B(1; p); en este caso, disponemos de una muestra preliminar con n = 30. El intervalo de confianza serfa: En este caso, lo que queremos es determinar ei ntimero de observaciones necesarias para estimar p con un error maximo de 0,03 y una confianza de 0,95. Para esto, efectuamos una estimacién previa de p con la muestra pre- liminar: =0,0667. . . 2 «Frecuencia relativa de ovejas enfermas» = <= Ahora, podemos plantear la desigualdad correspondiente: «Error en la estimacién» = z,,,. {(0,0667)(i— 0,0667) =(1 (1,96), . <0,03 => n= 266 Es decir, necesitarfamos del orden de 270 observaciones para poder estimar p con un error de 0,03 y una confianza de 0,95. En este problema, estamos interesados en estimar el pardmetro p = «Pro- porci6n de personas que tienen sensibilidad a la feniltiocarbamina». Como siempre que deseamos estimar una proporcién, necesitaremos una muestra aleatoria (X,,...,X,) de X ~ B(1; p). El intervalo para estimar p con un nivel de confianza | — aes de la forma: En este caso, Jo que queremos es determinar el nimero de observaciones necesarias para estimar p con un error menor que 0,05 y una confianza de 0,99. Para esto, efectuamos una estimacién previa de p con una muestra pi- loto de 60 personas:SOLUCIONES DE LOS EJERCICIOS 267 ¥ = p = «Frecuencia relativa de personas con sensibilidad» 4 = 0.2333, Ahora, podemos plantear la desigualdad correspondiente: «Error en fa estimacié = z,)7 =(2,58) OBO) <0,05 = n2476,26 ; Es decir, necesitarfamos del orden de 480 observaciones para poder estimar p con un error de 0,05 y una confianza de 0,99. 14, _Eneeste caso, disponemos de una muestra aleatoria (X,, de X = «Con- tenido en nicotina» ~ N(qr; 0), conn =5. a) Intervalo de confianza para estimar el contenido medio de nicotina, #1, con un nivel de confianza | - a= 0,90: 7 vn Calculamos todo lo que necesitamos: 05 #2154, 2212; 7 4, no a ta, 0.05 = 2,132 Ahora, podemos continuar: (y=(2n28013% 6) Intervalo de confianza para estimar la varianza de} contenido en nico- tina, @°, con un nivel de confianza 1 - a= 0,95: 1-( go" we co) 7 : Antal? Ani, arr268 SOLUCIONES DE LOS EJERCICIOS Obtenemos de las tablas: Hisar =H: 005 = M43 Kini arr = Hi, 997s = 0,484 Tenemos, entonces: ry ={ 2.08 | MG05F) _ 51; 34,73) 11,143 0,484 ) Naturalmente, un intervalo de confianza para estimar ¢ seria | = (1,23; 5,89). Contraste de hipstesis paramétricas Disponemos de una muestra aleatoria (X,, ..., X,), de tamafio n = 10, de X= «Ntimero de erratas por pégina». Suponemos que X ~ Poisson (A). Estamos interesados en el parémetro «Nimero medio de erratas por pagina» = £ {Numero de ertatas por péginal = £[X] = A. En concreto, de- seamos contrastar H,: A < 0,1 frente a H,: A> 0,1. Tomamos como regi6n de rechazo de la hipdtesis nula: R= {«Ntmero total de erratas en las 10 paginas»2 2} = {L X, 2 2}. Una vez planteados todos los elementos del contraste, calculamos su ni- vel de significacién: @= Max so, (R= Pro, (ZX, 22 =) Cuando A= 0,1 tenemos que E X, ~ Poisson (A= 10(0,1) = 1). Ahora, podemos continuar: (*)= P{Poisson(A = l) 2 2} = 1 - P{Poisson(A = 1) <= =1-0,3679 -0,3679 = 0,2642 Finalmente, un libro que tiene, en general, una media de 0,2 erratas por pagina, es un libro para el cual 4 = 0,2. La probabilidad de aceptar un libro en estas condiciones es: Py .o.(Aceptar) = Pyg 1f% X, $1} = (**)SOLUCIONES DE LOS EJERCICIOS 269 Cuando A = 0,2 tenemos que EX, ~ Poisson (A = 10(0,2) = 2). Ahora, podemos continuar: (#*) = P{Poisson(A = 2) < 1} = 0,1353 + 0,2707 = 0,4060 Estamos interesados en el parémetro p = «Proporcién de peces adultos que miden menos de 20 cm.». Como siempre que estamos interesados en hacer un contraste sobre una proporcién, disponemos de una muestra aleatoria (X,, ., X,), de tamafio n = 6, de X ~ B(1; p). Deseamos contrastar H,: p $ 0,10 frente'a H,: p > 0,10. Decidimos rechazar la hip6tesis nula cuando estemos en la regién de rechazo: R = («Numero de peces con longitud inferior a 20 cm, entre 6» > 1} Una vez planteados todos los elementos det contraste de hipstesis, po- demos pasar a calcular las cosas que nos piden: a) Elnivel de significacién sera: = MAK, <9 yP(R) =P, oy) {«Neimero de peces con longitud inferior a 20 cm, entre 6» > 1} = (*) Antes de continuar, observemos que, cuando p = 0,10: «Niimero de peces con longitud inferior a 20 cm, entre 6» ~ Bn = 6; p = 0,10) Ahora, podemos acabar el célculo: (= PIB(n = 6; p= 0,10) >1} = 1- P(B(n =6; p=0,10) < I= =1-0,5314—0,3543 = 0,1143 b) La potencia del contraste, cuando p = 0,20, es: Pwo) = Poa {aNimero de peces con longitud inferior a 20 cm, entre 6» >I 2¢ Cuando p = 0,20, tenemos: «Numero de peces con longitud inferior a 20 cm, entre 6» ~ B(n = 6; p = 0.20).210 SOLUCIONES DE LOS EJERCICIOS 3. Ahora, podemos continuar: (#*) = P{B(n = 6; p=0,20)> 1) =1- P{B(n = 6; p=0,20) < I}= 0,262] —0,3932 = 0,3447 Estamos interesados en el pardmetro p = «Probabilidad de que una persona resulte afectada». Como siempre que estamos interesados en hacer un con- traste sobre una probabilidad, disponemos de una muestra aleatoria (X,. «+» X,), de tamafio n = 1000, de X ~ B(1; p). Deseamos contrastar H,: p S 0,001 frente a H,: p > 0,001. Decidimos rechazar la hipotesis nula cuando estemos en la regiGn de rechazo: R = («Niimero de personas afectadas, entre 1000» > 1} Una vez planteados todos los elementos del contraste de hipstesis, po- demos pasar a calcular las cosas que nos piden: a) Elnivel de significacin sera: = MAK, yep, PCR) = P., - on {«Nuimero de personas afectadas, entre 1000» > 1} = (*) Antes de continuar, observemos que, cuando p = 0,001: «Ntimero de personas afectadas, entre 1000» ~ B(n = 1000; p = 0,001) = Poisson (4 = np = 1), donde hemos aproximado la binomial por la Poisson, por ser n grande y p proéximo a cero. Ahora, podemos continuar: (*) = P{Poisson(A = 1) > 1} 1-0,3679 — 0,3679 = 0, 2642 P{Poisson(A = 1) <1) = b) La probabilidad de aceptar H,, cuando p = 0,003, sera: P, eom(A) = oom ( 1, En nuestro caso: |x -10001=1995 — 1000I= 5 Por lo tanto, no se verifica la condicién de rechazo, y la conclusién es: Aceptamos H, = Se puede aceptar (al nivel de significacién 0,05) que el peso medio son 1000 gramos. Disponemos de una muestra aleatoria (X,, ..., X,), de tamajfio n = 20, de X” = «Concentracién de diéxido de carbono en puntos cercanos al suelo». Su- ponemos que X ~ M(1U; 0). Queremos comprobar si hay suficiente evidencia estadistica a favor de que 1 > 355. Tomaremos esto como hipdtesis alter- nativa, de modo que planteamos un contraste de H,: $355 frente a H,: U> 355, al nivel de significacién a = 0,01. Rechazaremos H, si se verifica la regién de rechazo: 5 na{r- 355>4, wa} En nuestro caso: — 355 = 580-355 = 225 180 a 20 = =1, nt: a = = hs: 0,01 = = vn vn v22m SOLUCIONES DE LOS EJERCICIOS Por lo tanto, se verifica la condicién de la regién de rechazo, y nuestra conclusién es: Rechazamos H, = Aceptamos H, = Existe suficiente evidencia es- tadistica para concluir (al nivel de significacin 0,01) que la concentracién media es superior a 355 cerca del suelo. Para contestar a la pregunta sobre el p-valor, recordemos que el p-valor se suele interpretar como el apoyo que los datos proporcionan a H,; de manera mas concreta, se rechaza H,, cuando el p-valor es inferior al nivel de significacién. En este caso hemos rechazado H, (al nivel 0,01) y, por tanto, el p-valor es inferior a 0,01. En este ejercicio, estamos interesados en el pardémetro p = «Proporci6n de nifios que presentan indicios de caries dental». Como siempre que quere- mos un hacer un contraste sobre una proporcién, disponemos de una muestra aleatoria (X,, ..., X,), de tamafio n= 100, de X ~ B(1; p). Que- remos ver si resulta aceptable que p = 0,40; para esto, recurrimos a un contraste de H,; p = 0,40 frente a H,: p # 0,40, al nivel de significacién a = 0,10. Rechazaremos H, si se verifica la regién de rechazo: -0.40)> ZN iS oa n n (0,40) )) 1 =L64, _ Por lo tanto, no se verifica la condicién de rechazo, y la conchsién es: Aceptamos H, = Se puede aceptar (al nivel de significacién 0,10) que el 40% de los nifios presenta indicios de caries dental. En este ejercicio, queremos comparar dos pardmetros: p, = «Proporci6n de nifios afectados por la malaria, entre los heterocigéti P= «Proporci6n de nifios afectados por la malaria, entre los homocigéticos»‘SOLUCIONES DE LOS EJERCICIOS 213 Disponemos de una muestra aleatoria (X,, ..., X,), dé tamaiio m = 136, de X ~ BU; p,), y de otra muestra aleatoria (Y,, ..., ¥,), de tamafio n = 407, de Y ~ B(1; p,). Podemos considerar que las muestras son independientes. La pregunta que nos hacemos es: ;Hay suficiente evidencia estadfstica para afirmar (al nivel de significacién or = 0,05) que p, < p,?; para contestar a esta pregunta, tomaremos p, < p, como hipotesis alternativa, y contrastaremos H,; P, 2p, frente a H,: p, Aceptamos H, => Hay suficiente evidencia estadis- tica para afirmar (al nivel de significacién 0,05) que los heterocigéticos estén mejor protegidos frente a la malaria que los homocigéticos. En este ejercicio, queremos comparar dos parametros: p, = «Proporcién de viviendas con calefaccién en Extremadura» p, = «Proporcién de viviendas con calefaccién en Galicia» Disponemos de una muestra aleatoria (X,, ..., X,,), de tamafio m = 500, de X ~ B(1; p,), y de otra muestra aleatoria (¥,, ..., ¥.), de tamaiio n = 1000, de Y ~ B(1; p,). Podemos considerar que las muestras son independientes. La‘SOLUCIONES DE LOS EJERCICIOS pregunta que nos hacemos es: ;Hay suficiente evidencia estadistica para concluir (al nivel de significacién or = 0,05) que p, < p,?; para contestar a esta pregunta, tomaremos p, < p, como hipétesis alternativa, y contrastaremos Hg: p, 2 p, frente a H,: p, Aceptamos H, => Hay suficiente evidencia estadis- tica para concluir (a} nivel de significaci6n 0,05) que la proporcién de vi- viendas con calefaccién es menor en Extremadura que en Galicia. Disponemos de una muestra aleatoria (X,, ..., X,,), de tamaiio m = 10, de X = «Duraci6n de la bombilla con el antiguo filamento», y de otra muestra ale- atoria (Y,, ..., Y,), de tamafio n = 12, de ¥ = «Duracién de la bombilla con el nuevo filamento». a) Asumiremos que X ~ N(11,; 6,) y que ¥ ~ N(}4; 6,). Ademés, pode- mos considerar que las muestras son independientes (los datos no van emparejados). La pregunta que nos hacemos en este apartado es: ;Resulta aceptable que o, = 6,? Daremos una respuesta al nivel de significacién a= 0,10. Para esto, planteamos un contraste de hipétesis de H,: 0, frente aH: 0, # ©, al nivel de significacién w= 0,10.SOLUGIONES DE LOS EJERCICIOS 28 Rechazaremos H, si se verifica la region de rechazo: 27,2 R= (51538 Fts nts -a/2» Pats nots ai2 1h En nuestro caso: (Fratzntsear2> Fy i 1 : sent a2] = [F145 095 Fy, 1,008) lee Fou wa] . 7 1 7% =| ——;2,8962 | = [0,32; 2,90 lis os v4 (tn | ! 1 Por lo tanto, no se verifica a condici6n de la region de rechazo y nues- tra conclusi6n es: Aceptamos H, => Es razonable aceptar la igualdad de varianzas, b A las hipétesis asumidas anteriormente afiadimos ahora la de que 0, = 6, Queremos saber si se puede considerar estadisticamente probado (por ejemplo, al nivel de significacin a= 0,05) que #, < ut,. Tomaremos esto como hipétesis alternativa, de modo que planteamos un contraste de H,: Ml, H, frente a H,: [1, <[L,, al nivel de significacion o = 0,05. Rechavzaremos H, si se verifica la region de rechazo: R= E-F< tena. eet En nuestro caso: ¥-Y=1250-1340=-90 lon =1s? +(”- Ds? _ V m+n-2 tap; 09 = “oo, 0,05 = ~14725 ial flo f20, 0955p 79 + 7g = ETA OLAD 5 +75 = 8435 Por lo tanto, se verifica la condicién de la regién de rechazo y nuestra conclusién es:276 SOLUCIONES DE LOS EJERCICIOS Rechazamos H, => Aceptamos H, => Podemos considerar estadistica- mente probado (al nivel de significacién 0,05) que el nuevo filamento au- menta la duracién media de las bombilla Disponemos de una muestra aleatoria (X,, ..., X,), de tamafio m = 100, de X = «Nimero de horas que sobreviven con A», y de otra muestra aleatoria (¥,, .--» Y,), de tamafio n = 100, de ¥ = «Numero de horas que sobreviven con B». a) Asumiremos que X ~ N(jt,; 6,) y que ¥ ~ N(y1,; 6,). Ademis, pode- mos considerar que las muestras son independientes (los datos no van emparejados). La pregunta que nos hacemos en este apartado es: {Resulta aceptable que 6, = 6, Daremos una respuesta al nivel de significacién a= 0,10. Para esto, planteamos un contraste de hipotesis de H,: 0, = 6, frente a H,: 0, # 6, al nivel de significacién @ = 0,10. Rechazaremos H, si se verifica la regién de rechazo: R= (9193 Ftc ts a2 Fate tard En nuestro caso: [Fp tcna teaar Frat: nt: a/2] = [Fos, 990.959 Foo; 9:0.08 1 7 Es 99; 0.05 | Fi20; 120; 0.05 1 ———: 1,3519| = [0,74; 1, [ss si9| 10,74; 1,35} 120; 120; 0,05 Por lo tanto, no se verifica la condicién de la regién de rechazo y nues- tra conclusi6n es: Aceptamos H, => Es razonable aceptar la igualdad de varianzas. b) A las hipotesis asumidas anteriormente afiadimos ahora la de que 0, = ©, Queremos saber si se puede considerar estadisticamente probado (al nivel de significacién @ = 0,05) que 1, < 1,. Tomaremos esto como hi- potesis alternativa, de modo que planteamos un contraste de H,: {, = frente a H,: [1, < Ml, al nivel de significacién a= 0,05.SOLUCIONES DE LOS EJERCICIOS 2m ii. Rechazaremos H, si se verifica la regién de rechazo: 1 |r -F tau La oy in 1} En nuestro caso: = 1200-1400 = -200 ((m=Dsi +(n= Hs? __ (9000004950000 _ 96 4 m+n-2 tiga; 0.95 a; (ci Fi0s; 0,985. y 00 + Too \ (1,653)(96,6614) +1 29,60 000 N00 100 Por lo tanto, se verifica la condicién de la regi6n de rechazo y nuestra conclusién es: Rechazamos H, => Aceptamos H, => Podemos considerar estadistica- mente probado (al nivel de significacién 0,05) que el medicamento B es mas efectivo que el A. Disponemos de una muestra aleatoria (X,, ..., X,.), de tamaito m = 16, de X = «Numero de pulsaciones por minuto en hombres», y de otra muestra ale- atoria (Y,, ..., Y,), de tamafio n = 16, de Y = «Niimero de pulsaciones por minuto en mujeres». Para saber en qué direccién debemos trabajar calcula- mos tas medias muestrales, obteniendo: a see 16 16 Parece haber un mayor numero de pulsaciones en las mujeres que en los hombres. Por lo tanto, la pregunta que nos hacemos ¢s: ;Podemos concluir que ef nimero de pulsaciones es mayor en las mujeres que en los. hombres? Para contestar a esta pregunta llevamos a cabo el siguiente es- tudio: a) Asumiremos que X ~ N(1,; 6) y que ¥ ~ N(J1,; 6). Ademis, pode- mos considerar que Jas muestras son independientes (los datos no van emparejados).278 SOLUCIONES DE LOS EJERCICIOS Antes de contestar a la pregunta esencial del estudio, tenemos que re- solver una cuestidn auxiliar: ;Resulta aceptable que 6, = o,? Daremos una respuesta al nivel de significacién a = 0,10. Para esto, planteamos un con- traste de hipotesis de H,: 6, = 0, frente a H,: 0, # 0,, al nivel de significa- cién @= 0,10. Rechazaremos H, si se verifica la regién de rechazo: Ra (S13 € Fein ra Pare atl) En nuestro caso: Ee -xy ord — mi? \=15,07 shyla? nF 1= 10,80 aide =1,40 [Fatsnaty -ar2+ Frnatznets 0/21 = Lis; 15; 0.959 Fis; 15; 0,08)= 1 =|———. <=; 2.4035 [racaeto en Laas 2 (0,42; 2,40] Por lo tanto, no se verifica la condicién de la regidn de rechazo y nues- tra conclusi6n es: Aceptamos H, => Es razonable aceptar !a igualdad de varianzas. 6) Pasamos a la cuestin central del estudio. A las hipdtesis asumidas an- teriormente aiiadimos ahora la de que 6, = 0,. Queremos saber si se puede considerar estadisticamente probado (por ejemplo, al nivel de significacién o = 0,05) que 11, < H,. Tomaremos esto como hipétesis al- ternativa, de modo que planteamos un contraste de H,: 11, 2H, frente a Hy: Ui, 0 frente a H,: < 0, al nivel de significacién a = 0,01. Rechazaremos H, si se verifica la region de rechazo: R={d-0<1,4 a } vn280 SOLUCIONES DE LOS EJERCICIOS En nuestro caso: Por lo tanto, se verifica la condicién de la regiéa de rechazo, y nuestra conclusién es: Rechazamos H, => Aceptamos H, = Existe suficiente evidencia esta- distica para concluir (al nivel de significacién 0,01) que los fumadores pre- sentan una mayor tendencia a la formacién de codgulos. 13. Disponemos de una muestra aleatoria (X,, ..., X,,), de tamafio m = 10, de X = «Concentracién medida con el método A», y de otra muestra aleatoria (Y,, ss» ¥,), de tamafio n = 10, de ¥ = «Concentracién medida con el método B». Las dos muestras no son independientes ya que los datos van empare- jados: cada par de datos corresponde a la medida de la concentracién que se ha obtenido en una misma dosis con Jos dos métodos. Al tratarse de datos emparejados, lo primero que tenemos que hacer es obtener la diferencia de cada par de datos, resultando: -0,4 -0,2 0,3 -0,2 -0,4 -0,4 0,2 -0,3 0 -0,4 Estos datos constituyen una muestra aleatoria (D,, ..., D,), de tamafio n = 10, de D =X - ¥. Llamaremos 1, a la concentracién media que se obten- dria con el método A, 4, a la concentracién media que se obtendria con el método B, y asumiremos que X — ¥ ~ Nu = Mt, — H; 0). ‘Queremos estudiar si resulta aceptable que #1, = 4, (al nivel de signifi- cacién 0,10); 0 lo que es igual, queremos ver si 110s parece aceptable que 1 = 0 (al nivel de significacién 0,10). Para estudiar esto, planteamos un con- traste de H,; 11 = 0 frente a H,: #0, al nivel de significacién 0,10. Rechazaremos H, si se verifica la region de rechazo: R= {id -o1 Ste } En nuestro caso: {d-O1 = +0,171 = 0,17 Fut: 12 = by; 05 = 1833'SOLUCIONES DE LOS EJERCICIOS 281 Se verifica la condicién de la regién de rechazo y nuestra conclusion es: Rechazamos H, => Aceptamos H, => Los dos métodos proporcionan, en media, diferentes estimaciones (al nivel de significacién 0,10). 14, Disponemos de una muestra aleatoria (X,, .... X,,), de tamafio m= 10, de X = «Amplitud de ventana antes de la reaccién», y de otra muestra aleatoria (Ys VJ, de tamafio n= 10, de ¥ = «Amplitud de ventana después de la reaccién». Asumimos que X ~ N(t,; 0,), ¥ ~ M(t; 0,), Y que 6, = 0, Ademis, el enunciado nos informa de que las muestras son independientes (los datos no van emparejados). Queremos saber si hay suficiente evidencia estadistica (al nivel @ = 0,01) para afirmar que f1, < /4,. Tomaremos esto como hipétesis alternativa, de modo que planteamos un contraste de H,: , =H, frente a Hy: My < [al nivel de significacién a = 0,01. Rechazaremos H, si se verifica la regién de rechazo: id 5 R=ik-Y Aceptamos H, => Existe suficiente evidencia est distica para afirmar (all nivel de significacién 0,01) que ta amplitud media de ventana es mayor después de la reaccién que antes de la reaccién. En este ejetcicio, estamos interesados en el pardmetro p = «Proporcién de huevos viables después de Ia radiacién con rayos X». Como siempre que que- remos hacer un contraste sobre una proporcisn, disponemos de una muestra aleatoria (X,, .. .X,), de tamafio n = 1000, de X ~ B(1; p). Queremos ver a resulta aceptable que p = 0,63; para esto, recurrimos a un contraste de H,: p 0,63 frente a H,: p # 0,63, al nivel de significacién & = 0,05. Rechazaremos H, si se verifica la region de rechazo: R= Ie —0,631 > [(0.63)0= 0,63) 63)0= 0,63) je n Zein) V En nuestro caso: 1% - 0,631 =1p— 0,63) hoe -0.63|= 0,058, 1000 (a =0,030 Por lo tanto, se verifica la condici6n de la regién de rechazo, y la con- clusi6n es: Rechazamos H, => Aceptamos H, = Concluimos que la radiacién ha te- nido efecto sobre la viabilidad (al nivel de significacién 0,05). En este ejercicio, nuestro interés se centra en el pardmetto p = «Proporcién de consumidores que prefieren el color A». Como en todos los casos en que estamos interesados en una proporcién, disponemos de una muestra aleato- tia (X,, .... X,) de X ~ BU; p), de tamafio n = 1000. La cuestion a la que hay que contestar es: Proporcionan estos datos suficiente evidencia esta- distica para concluir (al nivel de significacién 0,01) que p > 0,50? Para contestar a esta pregunta, recurrimos a un contraste de hipétesis, donde p > 0,50 serd la hipstesis alternativa. Bs decir, contrastamos H,; p S 0,50 frente aH: p > 0,50, al nivel de significacién 0.01, Rechazaremos H, si se verifica la region de rechazo:17. 18. SOLUCIONES DE LOS EJERCICIOS 283 En nuestro caso: 560) : Toop ~250= 0.060 0,50)(1—0,50) SOTO) Ton 037 10) = 0,50) [.50) = Zo. \ n Por lo tanto, se verifica la condicién de la regi6n de rechazo, y la con- clusién es: Rechazamos H, = Aceptamos #, => Los datos proporcionan suficiente evidencia estadistica para concluir (al nivel de significacién 0,01) que los consumidores prefieren mayoritariamente el color A. El pardmetro de interés en este ejercicio es p = «Proporcidn de remisién de Ja enfermedad con el nuevo tratamiento». Como en todos los casos en que estudiamos una proporcién, disponemos de una muestra aleatoria (X,, X,) de X ~ B(L; p), de tamafio n = 50. La pregunta que nos hacemos ¢s {Cuél es el nimero minimo de casos de remisién, entre los 50 voluntario: para poder afirmar (al nivel de significaci6n 0,025) que p > 0,70? Para poder contestar a esta pregunta plantearemos un contraste de hi- potesis, donde p > 0,70 seré la hipétesis alternativa. Es decir, contrastamos Hy: p $0,70 frente a H,: p > 0,70, al nivel de significacién 0,025. Rechazaremos H, si se verifica la regién de rechazo: a= {r-070>2 (70% m0} \ 50 | < Numero de remisiones Teniendo en cuenta que x = p = ———___—_ 50 2a = Zo.o25 = 1,96, tenemos que rechazaremos H, si: (0,70). » ¥ que Namero de remisiones _ 0.70 > 1,96.) 0,70) 50 \ 50 Numero de remisiones > 41,35 En conclusién, podremos afirmar (a un nivel de significacién 0,025) que el porcentaje de remisién con el nuevo tratamiento est4 por encima del 70%. si se obtienen al menos 42 casos de remisién, entre los 50 voluntarios. El pardmetro de interés en este ejercicio es p = «Proporcién de asignatura que sabe el alumno». Sin embargo, puesto que el alumno puede acertar al- guna pregunta por casualidad, necesitamos definir el parametro auxiliar g =284 SOLUCIONES DE LOS EJERCICIOS 19. «Probabilidad de contestar correctamente una pregunta». La relaci6n entre p y q Se obtiene mediante la regla de la probabilidad total: 4 = P(Acertar) = P(Saber)P(AcertariSaber) + P(No saber) P(Acertar | No sabet) = p+t 4 pl) + py 4) = Las respuestas del examen nos proporcionan una muestra aleatoria (X,, X,) de X ~ B(1; q), de tamafio n = 100. La pregunta que nos hacemos es: {Cuél es el ntimero minimo de preguntas acertadas, entre tas 100, para poder afirmar (al nivel de significacién 0,01) que p > 0,50? Planteada en tér- minos de q, la pregunta seria: ;Cual es el nimero minimo de preguntas acer- tadas, entre las 100, para poder afirmar (al nivel de significacién 0,01) que q=2Bh, (0,50) +1 = 0,625? Para poder contestar a esta pregunta plantearemos un contraste de hi- potesis, donde q > 0,625 sera ta hipstesis alternativa. Es decir, contrastamos H,; @ $0,625 frente a H,: q > 0,625, al nivel de significaci6n 0,01. Rechazaremos H, si se verifica la regién de rechazo: ne F—0,625 > zy, | O2O25MU= 0,625) \ 100 » _ Numero de aciertos 100 Teniendo en cuenta que ¥ 1Y Qe Zq = 299) = 2.33, tenemos que rechazaremos Hy si: NéGmero de aciertos 100 Nuimero de aciertos > 73,78 - 0,625 > 2,3: En conclusi6n, podremos afirmar (a un nivel de significacién 0,01) que el alumno sabe més del 50% de la asignatura, si acierta al menos 74 pre- guntas, entre las 100. a) El pardmetro de interés en este ejercicio es r = «Probabilidad de pade- cer hepatitis virica», Sin embargo, puesto que existe la posibilidad de falsos positivos y de falsos negativos, necesitamos definir el parametro auxiliar p = «Probabilidad de dar positivo». La relaci6n entre r y p se obtiene mediante Ia regla de la probabilidad total:SOLUCIONES DE LOS EJERCICIOS 285 20. p= PPositivo) = P(Enfermo)P(PositivolEnfermo) + P(No enfermo)P(PositivolNo Enfer- mo) = 1(0,95) + (1 — r)(0,02) = 0,02 + 0,937. b) Las pruebas de deteccién aplicadas a 800 personas nos proporcionan una muestra aleatoria (X,, ... .X,) de X ~ B(1; p), de tamafio n = 800. La pregunta que nos hacemos es: ;Cual es el ntimero maximo de prue- bas positivas, entre las 800, para poder afirmar (al nivel de significacién 0,01) que r < 0,08? Planteada en términos de p, la pregunta seria: {Cual es el nimero maximo de pruebas positivas, entre las 800, para poder afirmar (al nivel de significacién 0,01) que p = 0,02 + 0,93r < 0,02 + 0,93(0,08) = 0,094? Para poder contestar a esta pregunta plantearemos un contraste de hi- potesis, donde p < 0,094 serd la hipotesis alternativa. Es decir, contrastamos H,; p 2 0,094 frente a H,: p < 0,094, al nivel de significacién 0,01. Rechazaremos H, si se verifica la regi6n de rechazo: . __ ._ Ntimero de pruebas positivas Teniendo en cuenia que X = p = 00 y que Z-@ = 299 = —2,33, tenemos que rechazaremos Hy si: Niimero de pruebas positivas 9 yyy - _» 43 {090 800. V 800 Niimero de pruebas positivas < 55,92 En conclusin, podremos considerar estadisticamente probado (a un nivel de significacién 0,01) que la enfermedad afecta a menos del 8% de la poblacién, si se obtiene un maximo de 55 pruebas positivas, entre las 800. Disponemos de una muestra aleatoria (X,, ..., X,,). de tamafio m = 10, de X = «Km. por litro sin aditivo» y de otra muestra aleatoria (Y,, ..., ¥,), de ta~ maiio 1 = 10, de Y= «Km. por litro con aditivo». a) Asumimos que X ~ N({l,; 0,). ¥ ~ N(Ul;; 0,). y que 0, = o,. Ademés, podemos considerar que las muestras son ‘independientes (los datos no van emparejados). Queremos saber si se puede considerar estadisticamente probado (al nivel a= 0,05) que 41, < J4,. Tomaremos esto como hipétesis alternativa, de modo que planteamos un contraste de H,; Ht, = Hl, frente a H,: f1, No podemos considerar estadfsticamente probado (al nivel de significacién 0,05) que el aditivo aumenta el kilometraje medio por litro. b) Para decidir si era razonable asumir la hip6tesis de igualdad de varian- zas, planteamos un contraste de hiptesis de H,: 0, = 0, frente a H, #0, al nivel de significacién o = 0,10. Rechazaremos AH, si se verifica la regi6n de rechazo: R= (153 CLF int aia Fetint ard) En nuestro caso: [Fn-tinaas ear Fm-tin-t,0121 = TF:9:0,985 Fo:9;0,05] = [ Fy:9,005 34789] x10, 31;3,18] (awSOLUCIONES DE LOS EJERCICIOS 287 Por lo tanto, no se verifica la condicién de la regién de rechazo y nues- tra conclusion es: Aceptamos H, => Es razonable aceptar la igualdad de varianzas (al nivel de significacién 0,10). 21. Disponemos de una muestra aleatoria (X,, X,,) de X = «Cantidad de fer- tilizante envasado con la primera méquina», de tamafio m = 10, y de otra muestra aleatoria (Y,, ..., ¥,) de Y= «Cantidad de fertilizante envasado con la segunda maquina», de tamafio n = 10. Asumimos que X ~ N(jt,, 0,), que Y ~ N(H,, 6,), y que las muestras son independientes (ya que los datos no van emparejados). @) _Intervalo de confianza para estimar 0;, con un nivel de confianza 1 — a = 0,95: i-(g=ut (m=Ust | _ oy An-tcat2” Ln al Obtenemos de las tablas: Kn-wat2 = Kicoors = 19,023 Kn-isv-ar2 = Hbi0975 = 2,700 Tenemos, entonces: )=( QED 802 casi 19,023 2,700 Naturalmente, un intervalo de confianza para estimar @, seria J = (0,75; 2). b) En este apartado asumimos, ademas de la Normalidad y la indepen- dencia, la igualdad de varianzas. Queremos saber si se puede concluir (al nivel de significacion a = 0,10) que 11, < 11,. Tomaremos esto como hipétesis alternativa, de modo que planteamos un contraste de H,: 1, = fl frente a H,: [, < fly, al nivel de sig- nificaci6n or= 0,10. Rechazaremos H, si se verifica la regién de rechazo: = il aa{rs Ktnuennetyfo ea} En nuestro caso:SOLUCIONES DE LOS EJERCICIOS 22, 29,8 - 30,2 =-0,40 (m= Dsi =D? yg Sp=y mY m+n— fii f “i090 oy) 7q 7 7g =O b3OML IA, 5 Por lo tanto, no se verifica la condicidn de Ia region de rechazo y nues- tra conclusi6n es: Aceptamos H, = No podemos concluir (al nivel de significacion 0,10) que la segunda maquina envasadora introduce més fertilizante que la primera. Disponemos de una muestra aleatoria (X,, ».., X,,), de tamajio m = 6, de X = «Duracién de las cintas de la marca A», y de otra muestra aleatoria (¥,, Y,), de tamafio n = 6, de ¥ = «Duraci6n de Jas cintas de la marca B». Asumi- mos que X ~ N(U,: 6,). ¥ ~ N(j4; 6,). ¥ que 6, = 0,. Ademis, podemas con- siderar que las mtuestras son independientes (los datos no van emparejados). Queremos saber si hay suficiente evidencia estadistica (al nivel 0,10) para afirmar que #4, < 44,. Tomaremos esto como hipétesis alternativa, de modo que planteamos un contraste de H,: M, > HM, frente a Hy: H, No se puede considerar estadfsticamente probado (al nivel de si; cién 0,10) que la duracién media de las cintas de la marca B es superior a la duracién media de las cintas de la marca A. 23. a) Disponemos de una muestra aleatoria (X,, .... X,), de tamafio m = 10, de X = «Puntuaci6n de los chicos», y de otra muestra aleatoria (Y,, .... Y,), de tamajio n = 10, de Y = «Puntuaci6n de las chicas». Asumimos que X ~ N(u,; 6,), ¥ ~ N(M,3 6,), y que 6, = 6,. Ademds, podemos considerar que las muestras son independientes (ios datos no van em- parejados). Queremos decidir si las aptitudes matematicas son iguales o diferentes en chicos y chicas (al nivel de significacién of = 0,05). Para esto, planteamos un contraste de H,: 11, = HL, frente a H,: 1, # U,, al nivel de significaci6n a= 0,05. Rechazaremos H, si se verifica la regién de rechazo: acl : ny i = |i F>t0 asap m En nuestro caso: [on—Ds? + —Dsi m+n=2 bmen-2scc12 = tie;0,025 = 25101 fli il — =(2,101)(3,50),/— + — 0 (2,101)C io io ha:o.00580 79 * Por lo tanto, no se verifica la condicién de la regi6n de rechazo y nues- tra conclusisn es: Aceptamos H, => Decidimos que las aptitudes matemdticas son pareci- das en chicos y chicas (al nivel de significacién 0,05).290 ‘SOLUCIONES DE LOS EJERCICIOS 24, b) Si las muestras anteriores correspondieran a pares hermano — hermana, los datos irfan emparejados y no serfan muestras independientes. En este caso habria que securrit a hallar las diferencias de cada par de datos: 4 -1 11 1 12 -3 -1 -3 5 3 Por lo tanto, disponemos de una muestra aleatoria de diferencias (D,, .... D,), de tamafio n= 10, de D = X- ¥ ~ N(t= jf, — 44; @). El contraste de hi potesis de H,: M, = H, frente a H,: UW, # ML, se transforma ahora en un con- traste de hipdtesis de H,: p= 0 frente a H,: #0, al mismo nivel or= 0,05. Rechazaremos H, si se verifica la regién de rechazo: R= {ld -00> ter En nuestro caso: Id-01=12,8-01 y,0,025 = 2.262 1, nts? {Sd} —nd*|= 28,62 No se verifica la condicién de la region de rechazo y nuestra conclusién es: Aceptamos H, => Decidimos que las aptitudes matematicas son pareci- das en hermanos y hermanas (al nivel de significacién 0,05). Disponemos de una muestra aleatoria (X,, ..., X,,), de tamafio m = 20, de X = «Tiempo de vida de los ratones que no reciben tratamiento», y de otra muestra aleatoria (Y,, ..., ¥,), de tamafio n = 40, de ¥ = «Tiempo de vida de los ratones tratados con la nueva droga». Asumimos que X ~ N(LL,; 6,), ¥ ~ M(,; 9), ¥ que 6, = 0,. Ademas, podemos considerar que las muestras son independientes (los datos no van emparejados). Queremos saber si se puede Hegar a 1a conclusién (al nivel a= 0,10) de que }!, < H,. Tomaremos esto come hipétesis alternativa, de modo que planteamos un contraste de H,; {l, > pl, frente a H,: [, < fl, al nivel de sig- nificacién a = 0,10.‘SOLUCIONES DE LOS EJERCICIOS 291 Rechazaremos H, si se verifica la region de rechazo: 1 R=fEF tn sea En nuestro caso: tacos at are Lavon s+ + 3,94 Por lo tanto, se verifica la condicién de la regién de rechazo y nuestra conclusién es: Rechazamos H, => Aceptamos H, => Se puede coneluir (al nivel de sig- nificaci6n 0,10) que la nueva droga proporciona una mejora significativa en el tiempo de vida. 25. En este ejercicio, estamos interesados en el parémetro p = «Proporcién de absentismo laboral en la Comunidad Autonoma de Madrid». Como en todos. Jos casos en que estamos interesados en una proporcién, disponemos de una muestra aleatoria (X,, ..., X,) de X ~ B(1; p), de tamaiio n = 200, La cues- tidn a Ja que hay que contestar es: ;Se puede sacar la conclusién (al nivel de significacién 0,025) de que p > 0,11? Para contestar a esta pregunta, recu~ rrimos a un contraste de hipétesis, donde p > 0,11 sera la hipétesis alterna- tiva. Es decir, contrastamos H,: p < 0,11 frente a H,: p > 0,11, al nivel de significacién 0,025. Rechazaremos H, si se verifica la regi6n de rechazo: {O,1Nd—0,11 | von «of efron: En nuestro caso: ¥-0,11= p-0,11=0,16-0,11=0,05 {@1a=O1) _ {@1Dd-0.11) Fay) n 025 7 =1,96 1 = 0,04 {O,1)d-0,11) 200292 ‘SOLUCIONES DE LOS EJERCICIOS 26. Por lo tanto, se verifica la condicién de la regién de rechazo, y la con- clusién es: Rechazamos H, => Aceptamos H, =» Se puede sacar la conclusién (al nivel de significacién 0,025) de que el absentismo laboral es mayor en la Comunidad de Madrid que en la Unién Europea. Disponemos de una muestra aleatoria (X,, ..., X,,), de tamafio m = 10, de X = «Nivel de colesterol antes de la dieta», y de otra muestra aleatoria (Y,, ..., Y,), de tamafio n = 10, de Y= «Nivel de colesteral después de la dieta». Las dos muestras no son independientes ya que los datos van emparejados: cada par de datos corresponde al nivel de colesterol que se ha obtenido en un mismo individuo, antes y después de la dieta. Al tratarse de datos empa- rejados, lo primero que tenemos que hacer es obtener {a diferencia de cada par de datos, resultando: -10 6 -12 -7 4 -16 -15 -3 -17 15 Estos datos constituyen una muestra aleatoria (D,, ..., D,), de tamafio n = 10, de D= X- Y. Liamaremos 1, al nivel medio de colesterol antes de la dieta, 11, al nivel medio de colesterol después de la dieta, y asumiremos que X-Y~ NMM= Ll, ~ M0). Queremos estudiar si resulta aceptable que jt, = 1, (al nivel de signifi- cacién 0,05); 0 lo que es igual, queremos ver si nos parece aceptable que = 0 (al nivel de significacién 0,05). Para estudiar esto, planteamos un con- traste de H,: = 0 frente a H,: 1 0, al nivel de significaci6n 0,05. Rechazaremos H, si se verifica la regién de rechazo: R= {ao eae En nuestro caso: Id -01=1-5,51=5,5 T,-1,a/2 = b5,0,95 = 2,262 '\—[.d? -nd*] = 10,78 Vani ‘ ] 10.78 (2,262) —=— = 7,71 : : v10 No se verifica la condicién de a regi6n de rechazo y nuestra conclusién: es:27. SOLUCIONES DE LOS EJERCICIOS 293 Aceptamos H, = El nivel medio de colesterol es similar antes y después de la dieta (al nivel de significacién 0,05). Estamos interesados en comparar dos pardmetros: P, = «Proporci6n de pollos que muestran sintomas de contagio durante los 14 primeros dias con el organismo I» p,= «Proporcién de pollos que muestran sintomas de contagio durante los 14 primeros dias con el organismo 2» Disponemos de una muestra aleatoria (X,, ..., X,,), de tamafio m = 200, de X ~ BU; p,), y de otra muestra aleatoria (Y,, ..., ¥,), de tamaiio n = 150, de Y~ B(1;p,). Podemos considerar que las muestras son independientes. La pregunta que nos hacemos es: ;Las proporciones p, yp, son similares 0 existe diferencia entre ellas (al nivel de significacién c= 0,05)?; para con- testar a esta pregunta haremos un contraste de H,: p, = p, frente a H,: p, # Pz al nivel de significacién a = 0,05. Rechazaremos H, si se verifica la regién de rechaz« mx + ny siendo p= m+n En nuestro caso: 137 =— = 0,685; a) METRY _ 0.671 mtn (0,685 — 0,6531 = 0,032 = of 1 1(«* 1,96), |(0,671)(1 — 0,671)} ——- + — | = 0,099 (1,96), (0,671) (+ x) Por lo tanto, no se verifica la condicién de rechazo, y la conclusién es: Aceptamos H, = La virulencia de los dos organismos es similar (al ni- vel de significacién 0,05).294 28. 29. SOLUCIONES DE LOS EJERCICIOS En este ejercicio, estamos interesados en el pardmetro p = «Proporcién de personas a las que les desaparece el dolor de cabeza en un cuarto de hora con el medicamento». Como siempre que queremos un hacer un contraste sobre una proporcién, disponemos de una muestra aleatoria (X,, ..., X,), de tamafio n= 200, de X ~ B(1; p). Queremos ver si resulta aceptable la hipétesis de la compafifa de que p = 0,90; para esto, recurrimos a un contraste de H,: p = 0,90 frente a H,: p ¥ 0,90 (por ejemplo, al nivel de significacién a= 0,01). Rechazaremos H, si se verifica la regién de rechazo: af 00>, 22050} En nuestro caso: IF -0,901=|p~ o.s01= 79 -0.99= 0,050 [©.90.1-0.90) _ 9 55 200 (0,90)(1 ~ 0,90) [@.90)0= 0,90) eee 20S | eee n n \ = (2,58) Faia) Por lo tanto, no se verifica la condicién de rechazo, y la conclusi6n es: Aceptamos H,, => Resulta aceptable (al nivel de significacién 0,01) la hi- potesis de la compaiiia. Estamos interesados en el pardmetro p = «Proporcién de cheques sin fondos después de implantar el sistema de verificacién». Como siempre que esta- mos interesados en una proporcién, disponemos de una muestra aleatoria (X,, ...X,) de X ~ BC; p), de tamafio n = 1124. La pregunta que nos ha- cemos es: {Se puede concluir (al nivel de significacién @ = 0,01) que p< 0,05? Para contestar a esta pregunta, recurrimos a un contraste de hipo- donde p < 0,05 serd la hipétesis alternativa. Es decir, contrastamos H,: p 20,05 frente a H,: p < 0,05, al nivel de significacién 0,01. Rechazaremos A, si se verifica la regién de rechazo: ra{r-n05<, | 2ee98 } n En nuestro caso: a 0,05 = -0,0055 1124 (.0510=0,05) __ ((0,05)(1= 0,05) __, ,, (.05)0=0,05) _ soll n 2 ORY n mn ee 2 ¥-0,05= p-0,05 -0,0151SOLUCIONES DE LOS EJERCICIOS 295, Por lo tanto, no se verifica la condicién de la regién de rechazo, y la con clusién es: Aceptamos H,, = No se puede concluir (al nivel de significacién 0,01) que se ha reducido la proporcién de cheques sin fondos. ‘6. Disponemos de una muestra aleatoria (X,, ..., X,,) de X = «Cantidad de re- siduos quimicos encontrades en pelicanos jévenes», de tamaiio m = 10, y de ofra muestra aleatoria (Y,, ..., ¥,) de ¥ = «Cantidad de residuos quémicos en- contrados en polluelos», de tamafio 13. Asumimos que X ~ N(i,,0,), que Y ~ N(Uu,,0,), y que las muestras son independientes (ya que los datos no van emparejados). a) Sntervalo de confianza para estimar 7, con un nivel de confianza 1 — @ = 0,90: Obtenemos de las tablas: Un-talr = Xo:005 =16,919 Am-is-arr = sings = 3,325 Tenemos, entonces: ( ox0.017y* (90,017) : (0,002; 0,008) (16,919 3,325 : : = Naturaimente, un intervalo de confianza para estimar o, serfa I = (0,01; 0,03). b) En este apartado asumimos, ademds de la Normalidad y la indepen- dencia, la igualdad de varianzas. Queremos saber si se puede concluir (al nivel de significacién a = 0,05) que [, > H,. Tomaremos esto como hipétesis alternativa, de modo que planteamos un contraste de H,: 14,5 f¢, frente a H,: 11, > lt,, al nivel de sig- nificacién & = 0,05, Rechazaremos H, si se verifica la regi6n de rechazo: } 5, jee mon -tiaSp296 ‘SOLUCIONES DE LOS EJERCICIOS En nuestro caso: 04.1 — 0,026 = 0,0150 s,=,| PY mtn toy o05 = 1,721 il 1 1 taxoas8oy ig 73 =o 72DO.012) 45 +75 = Por Io tanto, se verifica la condicién de la regién de rechazo y nuestra conclusién es: Rechazamos H, => Aceptamos H, => Concluimos (al nivel de signifi- cacién 0,05) que la cantidad media de residuos es mayor entre los pelicanos j6venes que entre los polluclos. 10. Contrastes y? 1. Disponemos de una muestra aleatoria de n = 300 lanzamientos de un dado. Los posibles resultados de estos lanzamientos son: 1, 2, 3, 4, Sy 6. Para decidir si el dado es regular no, Ilevamos a cabo un contraste de bondad de ajuste, al nivel de significacién a= 0,05: augaaa. H,; «El dado es regular» (P(1) H,: «El dado es irregular» La tabla de frecuencias observadas y esperadas es: 43 49 56 45 66 41 e, 50. 50 50 50 50 50 donde las frecuencias esperadas, bajo H,, han sido calculadas de la si- guiente forma: e, = nP(A,) = 300(1/6) = 50. Rechazaremos H,, si se verifica la regién de rechazo: re {p Oe”SOLUCIONES DE LOS EJERCICIOS 297 En nuestro caso: re Kia = 5.005 = 11,07 Por lo tanto, no se verifica la condicién de la regién de rechazo, y nues- tra conclasién es: Aceptamos H, => Aceptamos que e! dado es regular (al nivel de signi- ficacién 0,05). Disponemos de una muestra aleatoria de n = 450 observaciones generadas por el programa, Los posibles resultados de estas observaciones se agrupan en 6 clases: A,=(-%,-2) A,=(-2,-1) A,=(1,0) A,=@,1) A,=(1,2) A,= (2, %) Para decidir si et programa funciona correctamente 0 no, Ilevamos a cabo un contraste de bondad de ajuste, al nivel de significacién a= 0,01: H,; «El programa funciona correctamente (las observaciones proceden de una (0; 1))> H,: «El programa no funciona correctamente» La tabla de frecuencias observadas y esperadas es: A, |=) 2-1) C10) O12) 2%) O, | 30 80 140 110 60 30 P(A) | 0,0228 0.1359 6.3413 -0,3413 0,1359 -0,0228 e, | 10,26 61,155 153,585 153,585 61,155 10,26 donde las frecuencias esperadas, bajo H,, han sido calculadas de la si- guiente forma: P(A) = 450P(A)), y los valores de P(A,) se han calculado de la forma habitual a partic de fa ta- bla de la NO; 1). Rechazaremos A, si se verifica la regién de rechazo: > Xe +}208 ‘SOLUCIONES DE LOS EJERCICIOS En nuestro caso: xy Higa * H5.001 = 15,086 Por lo tanto, se verifica la condici6n de la regién de rechazo, y nuestra conclusién es: Rechazamos H, = Aceptamos H, => Podemos afirmar que el programa no funciona correctamente (al nivel de significacién 0,01). 3. Disponemos de una muestra aleatoria de n = 1000 individuos de una po- blaci6n clasificados en 4 clases: A, = {Hombre normal} A, = {Hombre daliGnico} A, = {Mujer normal} A, = {Mujer dalténica} Para decidir si el modelo genético es correcto 0 no, Nevamos a cabo un con- traste de bondad de ajuste, al nivel de significacién a = 0,05 (por ejemplo): H,; «El modelo genético es correcto» H,: «El modelo genético no es correcto» La tabla de frecuencias observadas y esperadas e | (Hombre (Hombre (Mujer (Mujer normal} __dalténico} __normal}__dalt6nica} o, | 442 38 514 6 P(A) | 0.4565 0,0435 0,4962 0,0038 e, | 456,5 43,5 496,2 38 donde {as frecuencias esperadas, bajo H,, han sido calculadas de la si- guiente forma: ¢,=nP(A,) = 1000P(A), y los valores de P(A.) se han calculado a partir del modelo genético pro- Puesto, tomando q = 0,087. Rechazaremos H, si se verifica la region de rechazo: One, 42 | > itera aleSOLUCIONES DE LOS EJERCICIOS 299 En nuestro caso: Kirra = L005 = 5.991 Por lo tanto, no se verifica la condicidn de la regién de rechazo, y nues- tra conclusién es: Aceptamos H, => Podemos aceptar el modelo genético (al nivel de significacién 0,05). Disponemos de una muestra aleatoria de n = 120 minutos, en los cuales re- gistramos el mimero de Ilamadas que se han producido. El ntimero de Ila- madas por minuto lo clasificamos en las siguientes clases: (0) (1) {2} (3) (4) (25) Las dos tiltimas clases las hemos agrupado para evitar frecuencias de- masiado bajas. Para decidir si el nimero de lamadas por minuto sigue una distribucién de Poisson, llevamos a cabo un contraste de bondad de ajuste, al nivel de significacién @ = 0,05 (por ejemplo): «Niimero de lamadas por minuto» ~ Poisson = «Niimero de Ilamadas por minuto» no sigue una Poisson La tabla de frecuencias observadas y esperadas es: a) {2} (3) {4} {25} 0, 6 18 32 35 17 12 P(A) | 0,0743 0.1931 0,2510 0,2176 0,1414 00,1226 e 8,92 23,17 30,12 26,11 16,97 14,71 donde las frecuencias esperadas, bajo H,, han sido calculadas de la si- guiente forma: e,=nP(A) = 120P(A), y los valores de P(A,) se han calculado a partir de la tabla de la distribucién de Poisson, estimando A mediante A = x = 2,6.300 SOLUCIONES DE LOS EJERCICIOS Rechazaremos H, si se verifica la regién de rechazo: 0; 2 refs En nuestro caso: > pire) n=5,75 a Por lo tanto, no se verifica la condicién de la regin de rechazo, y nues- tra conclusién es: Aceptamos H, = Podemos aceptar que el ntimero de Ilamadas por mi- nuto sigue una distribucién de Poisson (al nivel de significacién 0,05). 5. Disponemos de una muestra aleatoria de 1000 hombres y de otra muestra aleatoria de 1000 mujeres, clasificadas por sus preferencias sobre los mo- delos A, By C. El ntimero total de datos es n = 2000. Para decidir si las preferencias en las dos poblaciones son homogéneas, planteamos un contraste de homogeneidad, al nivel de significacién a= 0,01: H,: «Las preferencias son homogéneas» H,: «Las preferencias no son homogéneas» La tabla de frecuencias observadas es: 0, iy Mujeres | 340 400 260 Hombres | 350 270 380 Las frecuencias esperadas se calculan como og, = 1 NE, Op) i . obteniéndose la siguiente tabla de frecuencias esperadas: 345 335 320 345 335 320 Mujeres Hombres‘SOLUCIONES DE LOS EJERCICIOS 301 Rechazaremos H, si se verifica la regién de rechazo: ey oa at Therein} En nuestro caso: _ 5,5, OT 5,5 Oh 47.87 i o Ke-neprtya = Hoon = 9210 Por lo tanto, se verifica fa condicién de la regién de rechazo y nuestra conclusi6n es: Rechazamos H, = Aceptamos H, => Podemos concluir que no son homogéneas las preferencias entre hombres y mujeres (al nivel de signifi- cacién 0,01) 6. a) Disponemos de una muestra aleatoria de 353 individuos de fa comuni- dad 1 y de otra muestra aleatoria de 364 individuos de la comunidad 2, clasificadas por sus grupos sanguineos. El nmero total de datos es n = 353 + 364 =717. Para decidir si la distribucién de los grupos sanguineos es homogénea en las dos comunidades, planteamos un contraste de homogeneidad, al nivel de significaci6n a= 0,05 (por ejemplo): H,; «La distribucién de los grupos sanguineos es homogénea> H,; «La distribucién de los grupos sanguineos no es homogénea» La tabla de frecuencias observadas es: Comunidad 1 121120) 79) 33) Comunidad 2 18 95 121 30 Las frecuencias esperadas se calculan como (2, 0j)(2; %) n302 SOLUCIONES DE LOS EJERCICIOS obteniéndose la siguiente tabla de frecuencias esperadas: A B AB Comunidad | | 117,67 105,85 98,47 31,02 Comunidad 2 | 121,33 109,15 101,53 31,98 Rechazaremos H, si se verifica la regién de rechazo: (Qy-e)" 2 R=)EE, > Kip na 7 En nuestro caso: Kayp-rsa = Boos = 1815 Por lo tanto, se verifica la condicién de la regi6n de rechazo y nuestra conclusién es: Rechazamos H, => Aceptamos H, => Podemos coneluir que la distribu- cién de los grupos sanguineos no es homogénea en las dos comunidades (al nivel de significacién 0,05). b) Eneste apartado vamos a considerar una muestra aleatoria de n = 353 individuos de una poblacién clasificados en 4 clases; O, A, B y AB. Para decidir si el modelo genético es correcto 0 no, Ilevamos a cabo un con traste de bondad de ajuste, al nivel de significacién o= 0,05 (por ejemplo): «El modelo genético es corrector : «El modelo genético no es correcto» La tabla de frecuencias observadas y esperadas es: oO, |121 120 79 33 P(A) | 0,3367 —_0,3469 0,2310 _0,0854 e 118,86 122,46 81,54 30,15‘SOLUCIONES DE LOS EJERCICIOS 303, donde las frecuencias esperadas, bajo H,, han sido calculadas de la si- guiente forma: ¢,=nP(A) = 353P(A)), y los valores de P(A,) se han calculado a partir del modelo genético pro- puesto, tomando p = 0,2465 y q = 0,1732. Rechazaremos H, si se verifica la regién de rechazo: ofp Osh En nuestro caso: Kirin = Kioos =3,841 Por Io tanto, no se verifica la condicién de la regiGn de rechazo, y nues- tra conclusi6n es: Aceptamos H, => Podemos aceptar el modelo genético (al nivel de sig- nificacién 0,05). a) Disponemos de una muestra aleatoria (X,, .... X,,), de tamafio m= 8, de X = «Numero de horas perdidas en el nivel A», y de otra muestra alea- toria (Y,, ..., ¥,), de tamaiio n = 8, de Y= «Niimero de horas perdidas en el nivel B». Asumimos que X ~ N(w,; 0), ¥ ~ Ny; 0), ¥ que 6, = o,, Ademas, podemos considerar que las muestras son independientes (los datos no van emparejados). Queremos decidir si el niimero de horas perdidas es similar o diferente en los dos niveles (al nivel de significacién o = 0,05, por ejemplo). Para esto, planteamos un contraste de H,: it, = it, frente a H,: [, #44, al nivel de significacin a= 0,05. Rechazaremos H, si se verifica la region de rechazo: ( (apa REL ESP baum reno mn308 SOLUCIONES DE LOS EJERCICIOS En nuestro caso: ae = mk") = 22,96 *} = 16,08 _ im DsE HD my men— =4,42 Fraen-2.02 = haio,o2s = 2,145 5 hacoans8py) 5 +4 = (2,145)(4, aye ot =4,74 Por Io tanto, se verifica la condici6n de la regién de rechazo y nuestra conclusién es: Rechazamos H, => Aceptamos H, = Decidimos que el nimero de horas perdidas es diferente en los dos niveles profesionales (al nivel de significa- cién 0,05). b) Eneste caso, disponemos de una muestra aleatoria (X,, .... X,), de ta- maiio n = 8, de X = «Numero de horas perdidas en el nivel A antes del plan de prevencién», y de otra muestra aleatoria (T,, ..., T,), de tamaiio n= 8, de T= «Numero de horas perdidas en el nivel A después del plan de prevencién». Se trata de dos muestras de datos emparejadas (no in- dependientes), ya que cada par de datos corresponde al mismo obrero, y hay que recurrir a hallar las diferencias de cada par de datos: 16,1 7,9 9,1 21 17 -2,2 -19,3 -85 Por lo tanto, disponemos de una muestra aleatoria de diferencias (D, D,), de tamaiio n = 8, de D =X —T ~ Mt pt, ~ fy; 0), siendo py, el nimero medio de horas perdidas antes del plan de prevencién y ys, el nimero medio de horas perdidas después del plan de prevencién. Queremos saber si hay su- ficiente evidencia estadistica (al nive) o = 0,05) para afirmar que = Ml, — U, > 0. Tomaremos esto como hipétesis alternativa, de modo que planteamos un contraste de hipstesis de H,: 41 <0 frente a H,: {> 0, al nivel a= 0,05. Rechazaremos H, si se Verifica la tegién de rechazo; ={-0> 4.0} YeSOLUCIONES DE LOS EJERCICIOS 305 En nuestro caso: d =3,225 00s = 1,895 X(d,-d) ne =nd*|=173,53 aa 173.53 $2. = (1,895). 2: Vn 8 = 8,83 No se verifica la condicién de la regién de rechazo y nuestra conclusi6n es: Aceptamos H,, => No podemos concluir que el plan de prevencién ha re- sultado efectivo (al nivel de significacién 0,05). c) Disponemos de una muestra aleatoria de n = 100 dias, en los cuales re- gistramos el ntimero de accidentes que se han producido. El ntimero de accidentes diarios to clasificamos en las siguientes clases: (0) {I} (22) Las tres titimas clases las hemos agrupado para evitar frecuencias de- masiado bajas. Para decidir si el ntimero de accidentes diarios sigue una distribucién de Poisson, llevamos a cabo un contraste de bondad de ajuste, al nivel de sig- nificacién 0 = 0,05 (por ejemplo): A, «Niimero de accidentes diarios» ~ Poisson H,: X = «Numero de accidentes diarios» no sigue una Poisson La tabla de frecuencias observadas y esperadas es: (0} a) (22) OQ iy 30 13 P(A) | 05488 0,3293 0,1219 e 5488 32; 12,19 donde las frecuencias esperadas, bajo H,, han sido calculadas de la si- guiente forma: ¢,=nP(A) = 100P(A)), y las valores de P(A.) se han calculado a partir de la tabla de la distribucién de Poisson, estimando % mediante A 0,6.306 SOLUCIONES DE LOS EJERCICIOS Rechazaremos H, si se verifica la regién de rechazo: [7 n-{rnek, iar «} En nuestro caso: 2 _@ ney 5% 420,306 & i irene = Hivos =3,841 x Por lo tanto, no se verifica la condicién de la regin de rechazo, y nues- tra conclusién es: Aceptamos H, = Podemos aceptar que el niimero de accidentes diarios sigue una distribuci6n de Poisson (al nivel de significacién 0,05). 8. Disponemos de una muestra aleatoria de n = 600 sorteos. Los posibles re- sultados de estos sorteos los agrupamos en tres clases, de acuerdo con la in- formaci6n que tenemos: A, = {Premio importante} A, = {Premio de consolacién} A, = {Nada} Para decidir si los sorteos se ajustan a lo que dice el feriante, Ilevamos a cabo un contraste de bondad de ajuste, al nivel de significacién a= 0,05: H,; «Los sorteos se ajustan a lo que dice el feriante» H,; «Hace trampa» La tabla de frecuencias observadas y esperadas es: _A,_| Premio importante Premio de consolacién Nada 0, 6 160 434 PIA) 5/200 45/200 150/200 e 15 135 450 donde las frecuencias esperadas, bajo H,, han sido calculadas de la si- guiente forma: ¢,=nP(A,) = 600P(A)), y las P(A.) se obtienen a partir de lo que dice et feriante.SOLUCIONES DE LOS EJERCICIOS 307 Rechazaremos H, si se verifica la regién de rechazo: 1 aa {rOaee > aise} En nuestro caso: ee yOH -¥% 4 <10,598 2 2 Ki-iva = H2:005 = 5,991 Por lo tanto, se verifica la condicién de la regién de rechazo, y nuestra conelusi6n es: Rechazamos H, => Aceptamos H, => Podemos afirmar que hace trampa (al nivel de significacién 0,05). a) Recordemos que la funcién de verosimilitud es la probabilidad, bajo los di- ferentes valores del pardmetro p, de los resultados muestrales obtenidos: L(p) = P(Resultados muestrales obtenidos) = P(10 moscas de tipo L, 50 moscas de tipo M y 40 moscas de tipo N) = (CQ?) 2pqy!® =2" pq" =2" pL py” > log L(p) = 40 log2+60log p +140log(1— p) => b) Disponemos de una muestra aleatoria de n = 100 moscas clasificadas en 3 clases: L, M y N. Para decidir si el modelo teérico es correcto 0 no, llevamos a cabo un contraste de bondad de ajuste, al nivel de significacién a = 0,05: H,; «El modelo teérico es correcto» H,: «El modelo tesrico no es correcto» La tabla de frecuencias observadas y esperadas es: 0, 10 50 40 P(A)| 0,09 0.49 0,42 e 9 49 42308 SOLUCIONES DE LOS EJERCICIOS donde las frecuencias esperadas, bajo H,, han sido calculadas de la si- guiente forma: e,=nP(A)) = 100P(A)), y los valores de P(A,) se han calculado a partir del modelo teérico propues- to, tomando p = 0,3. Rechazaremos H, si se verifica ta regiGn de rechazo: R= 20a se 3 J En nuestro caso: @ —n=0,227 Kitna = Kioos = 3,841 Por lo tanto, no se verifica la candicién de la regién de rechazo, y nues- tra conclusi6n es: Aceptamos H, = Podemos aceptar el modelo te6rico (al nivel de signi- ficacién 0,05). 10. Disponemos de una muestra aleatoria de n = 1000 habitantes clasifi giin dos caracteristicas: «Ntimero de dosis recibidas» y «Protecci6n frente a la gripe». Para decidir si existe dependencia entre estas dos caracteristicas, plan- teamos un contraste de independencia, al nivel de significaci6n a= 0,05: H,; «Las dos caracteristicas son independientes» H,: «Existe dependencia entre las dos caracteristicas» La tabla de frecuencias observadas es: No vacunados Unadosis Dos dosis 13 565 Las frecuencias esperadas se caiculan como (ZONE Op) e nSOLUCIONES DE LOS EJERCICIOS 309 obteniéndose la siguiente tabla de frecuencias esperadas: [ No vacunados Unadosis _Dos dosis Gripe 144 5 26,6 No gripe 298,6 104 3514 Rechazaremos H, si se verifica la regiGn de rechazo: (y= ey" n={p.2, ? Kap: “| iy En nuestro caso: Por lo tanto, se verificf la condicién de la regién de rechazo y nuestra conclusién es: Rechazamos H, => Aceptamos H, =+ Podemos concluir que existe de- pendencia entre el ntimero de dosis recibidas y la proteccidn frente a ta gri- pe (al nivel de significacién 0,05) 11. Disponemos de una muestra aleatoria de 50 zonas en un monte y de otra muestra aleatoria de 40 zonas en otro monte, clasificadas en tres clases: me- nos de 6 especies diferentes, entre 6 y 8 especies, y mas de 8 especies. El numero total de datos es n = 90. Para decidir si los dos montes son similares en lo que se refiere a su bio- diversidad, planteamos un contraste de homogeneidad, al nivel de signifi- cacién @ = 0,10: H,: «Son similares en su biodiversidad» H,: «No son similares en su biodiversidad> La tabla de frecuencias observadas es: Menosde6 Entre6y8 Mas de 8 Monte 1 20 17 13 Monte 2 12 20 8310 ‘SOLUCIONES DE LOS EJERCICIOS Las frecuencias esperadas se calculan como = SQW, Oy) ej a n obteniéndose la siguiente tabla de frecuencias esperadas: Menos de6 Entre6y8 Mas de8 Monte | 17,78 20,56 11,67 Monte 2 14,22 16,44 9,33 Rechazaremos H, si se vetifica la regién de rechazo: Cae R= > Hie-inp- .| En nuestro caso: . 0; -5) OF 33 ert oy y Ona 2,352 ej oi a Kiripane = Bion = 4,605 Por lo tanto, no se verifica la condicién de la regién de rechazo y nues- tra conclusién es: Aceptamos H, => Podemos aceptar que los dos montes son bastantes si- milares en lo que se refiere a su biodiversidad (al nivel de significacién 0,10). 12. Disponemos de una muestra aleatoria de n = 297 pacientes de SIDA clasi- ficados segdn dos caracteristicas: «Posible presencia de anticuerpos TAT» y Para decidir si existe relacidn entre estas dos caracter{sticas, planteamos un contraste de independencia, al nivel de significacién a= 0,05: ; «Las dos caracteristicas son independientes» : «Existe asociacin entre las dos caracteristicas» La tabla de frecuencias observadas es: Sarcoma _No sarcoma Con anticuerpos TAT Sin anticuerpos TAT 68 198‘SOLUCIONES DE LOS EJERCICIOS ant Las frecuencias esperadas se calculan como — Bi OXX5 Oy) n obteniéndose la siguiente tabla de frecuencias esperadas: No sarcoma ; 22,86 69,86 196,14 Sarcoma Con anticuerpos TAT Sin anticuerpos TAT Rechazaremos H, si se verifica la regidn de rechazo: ow & 2 ey En nuestro caso: Sy, ye =3,3, Zin 0,68 Kle-ap-mia = Kioos = 3841 Por lo tanto, no se verifica la condicién de la regién de rechazo y nues- tra conclusi6n es: Aceptamos H, = No podemos afirmar que existe asociacién entre las dos caracteristicas (al nivel de significacién 0,01). 13. Disponemos de una muestra aleatoria de n = 400 personas clasificadas segdin dos caracteristicas: «Nivel educativo» y «Nivel de consumo». Para decidir si existe relacién entre estas dos caracteristicas, planteamos un contraste de independencia, al nivel de significacién a = 0,01: H,; «Las dos caracteristicas son independiente» H,; «Existe relaci6n entre las dos caracteristicas» La tabla de frecuencias observadas es: Bajo Medio Alto Superior | 31 41 44 Media 2 «79125 Primaria | 16 17 19312 SOLUCIONES DE LOS EJERCICIOS Las frecuencias esperadas se calculan como _ 0,12, 0)) obteniéndose la siguiente tabla de frecuencias esperadas Bajo Medio Alto 21,75 3 54,52 43,50 79,46 109,04 9,75 17,81 24,44 i se verifica la regién de rechazo: Rechazaremos H, (Qj -eyF En nuestro caso: x py a Dy 5,2 ——n=19,12 &y &% Ke-ryp-rna = Hoi = 13,277 Por lo tanto, se verifica la condicién de la region de rechazo y nuestra conclusi6n es: Rechazamos H, =» Aceptamos H, = Podemos concluir que existe re- lacién entre el nivel educativo y el nivel de consume (al nivel de significa- cién 0,01). 14, Disponemos de una muestra aleatoria de n = 200 observaciones generadas con Statgraphics. Los posibles resultados de estas observaciones son: 0, 1, Para decidir si la generacién de nimeros aleatorios ha funcionado co- rrectamente 0 no, Hevamos a cabo un contraste de bondad de ajuste, al nivel de significacién a = 0,10: H,; «Los datos proceden de una Poisson (A = 2)» ‘Los datos no proceden de una Poisson (A = 2)»SOLUCIONES DE LOS EJERCICIOS 313 La tabla de frecuencias observadas y esperadas es: O, | 28 49 Sl 34 28 5 5 - 27,06 54,14 54,14 36,08 18,04 7,22 3,32 donde las frecuencias esperadas, bajo H,, han sido calculadas de la si- guiente forma: nP(A,) =200P(A,), y los valores de P(A,) se han obtenido de las tablas de la distribucién de Poisson. Rechazaremos H, si se verifica la regién de rechazo: 2 aa{pi=ed >a wo} En nuestro caso: Yen =7,85 & 3 One) yO e Kk-tva = Ké:o.0 = 10,645 Por lo tanto, no se verifica la condicién de la regin de rechazo, y nues- tra conclusi6n es: Aceptamos H, => Aceptamos que la generacién de némeros aleatorios ha funcionado correctamente (al nivel de significacién 0,10). 15. En los dos primeros apartados, disponemos de una muestra aleatoria (X,, ..., X,,), de tamaiio m = 25, de «Contenido en protefnas en la raza A», y de otra muestra aleatoria (Y,, ..., ¥,), de tamaiio n = 25, de ¥ = «Contenido en protefnas en la raza B». a) Asumiremos que X ~ N(jt,; 0,) y que ¥ ~ N(il,; 0,). Ademés, pode- mos considerar que las muestras son independientes (los datos no van emparejados). La pregunta que nos hacemos en este apartado es: ,Resulta aceptable que ©, = 6,? Daremos una respuesta al nivel de significacién @ = 0,02. Para esto, planteamos un contraste de hipétesis de H,: 6, = 6, frente a H,: 6, # 6,, al nivel de significacién a = 0,02. Rechazaremos H, si se verifica la region de rechazo: R= (5/53 LF, 1-0/2 Fmtntsas2314 ‘SOLUCIONES DE LOS EJERCICIOS En nuestro caso: 8? 1s} =4/4,4063 = 0,91 (Fntincast-0r2 Fin-tin-tiar2) = 1 Fas: 24.0.99° Feai2e:o0) 1 Excasoot {0,38; 2,66] L py 26591 [asm 7 | Por Io tanto, no se verifica Ja condicién de fa regién de rechazo y nues- tra concfusi6n es: Aceptamos FH, => Es razonable aceptar la igualdad de varianzas. b) A Jas hipstesis asumidas anteriormente afiadimos ahora la de que 0, = ©,. Queremos saber si resulta aceptable que e) contenido medio de proteinas en las dos razas es el mismo (al nivel de significacién a = 0,10). Planteamos un contraste de H,: H, =H, frente a 11: t, # [Ly al ni- vel de significacién a= 0,10. Rechazaremos H, si se verifica la regtén de rechazo: = [Ft ony “| im En nuestro caso: \x— yl=l14-14,51= 0,5 t48:0,05 = 50,0,05 = 1,676 { f == 76)(2, 05), | 5 (1,676)(2, | Por lo tanto, no se verifica ta condicién de la regién de rechazo y nues- tra conclusién es: Aceptamos H, => Resulta aceptable (al nivel de significacion 0,10} que el contenido medio de protefnas es parecido en las dos razas.SOLUCIONES DE LOS EJERCICIOS 318 ©) Eneste apartado, disponemos de una muestra aleatoria de 79 animales de raza A, y de otra muestra aleatoria de 102 animales de raza B, cla- sificados en cinco clases atendiendo a su contenido en proteinas: muy bajo, bajo, medio, alto y muy alto. El ntimero total de datos es n= 181. Para decidir si las dos razas son similares en lo que se refiere a su con- tenido en proteinas, planteamos un contraste de homogeneidad, al nivel de significaci6n a = 0,01: H,; «Son similares en su contenido en protefnas» H,: «No son similares en su contenido en protefnas» La tabla de frecuencias observadas es: Muy bajo Bajo Medio Alto Muy alto Raza A 7 16 32 18 6 RazaB 10 20 40 20 12 Las frecuencias esperadas se calculan como . 0,)(8,,0,) " n obteniéndose la siguiente tabla de frecuencias esperadas: é | Muy bajo _ Bajo Medio Alto Muy alto RazaA 7.4199 15,7127 31,4254 16,5856 = 7,8564 RazaB 9,5801 20,2873 40,5746 21,4144 10,1436 Rechazaremos H, si se verifica la regién de rechazo: (Oj- 65" a é i > Kamp “| En nuestro caso: 55, Coe. i Liv-np-ra = Layo,01 = 13,28316 ‘SOLUCIONES DE LOS EJERCICIOS Por lo tanto, no se verifica la condicién de la regi6n de rechazo y nues- tra conclusin es: Aceptamos H, => Podemos aceptar que las dos razas son homogéneas en su contenido en proteinas (al nivel de significacién 0,01). 16. Disponemos de 3 muestras aleatorias (con 200 datos cada una) sobre los re- sultados de la germinacion con 3 productos diferentes. El némero total de datos es n = 600. Para decidir si los porcentajes de germinacién son los mismos (es decir, son homogéneos) con los tres productos, planteamos un contraste de ho- mogeneidad, al nivel de significacién a = 0,05: H,; «Los porcentajes de germinacién son homogéneos» Los porcentajes de germinacién no son homogéneos» La tabla de frecuencias observadas es: Germinadas No germinadas A 190 10 B 170 30 c 180 20 Las frecuencias esperadas se calculan como _ (20,12, 0)) ih 7 obteniéndose la siguiente tabla de frecuencias esperadas: Germinadas No germinadas A 180 20 B 180 20 iG 180 20 Rechazaremos H, si se verifica la regidn de rechazo: fp 5, (0,~e,¥ ey En nuestro caso: =3,5,2 a Hi-inp-rye = Loos = 5,991 yy 2 =1L11SOLUCIONES DE LOS EJERCICIOS 307 Por Io tanto, se verifica la condicin de la regiGn de rechazo y nuestra conclusién es: Rechazamos H,, => Aceptamos H, => Podemos concluir que los por- centajes de germinacién no son los mismos con los tres productos (al nivel de significacién 0,05). 17. Disponemos de 3 muestras aleatorias (con 104, 102 y 69 datos, respectiva- mente) sobre las calificaciones de los alumnos de tres grupos de una as natura. En total, disponemos de n = 275 datos. Para decidir si los tres grupos son homogéneos en sus calificaciones, planteamos un contraste de homogeneidad, al nivel de significacién r= 0,05: H,: «Los grupos son homogéneos» H,: «Los grupos no son homogéneos> La tabla de frecuencias observadas es: . DeQa4 Ded4a7 De7al0- Grupo | 49 21 Grupo 2 42 20 Grupo 3 31 10 Las frecuencias esperadas se calculan como = Oy) if 7 obteniéndose la siguiente tabla de frecuencias esperadas: DeQad De4da7 De7al0 38,57 46,14 19,29 37,83 45,25 18,92 25,59 30,61 12.80 Grupo 1 Grupo 2 Grupo 3 Rechazaremos H, si se verifica la regidn de rechazo: (Oye) t318 'SOLUCIONES DE LOS EJERCICIOS En nuestro caso: zz, une =3,5,2b-na23 Kli-tno-tya = 10.08 = 9.488 Por lo tanto, no se verifica la condicién de la regién de rechazo y nues- tra conclusi6n es: Aceptamos H, = Podemos aceptar que los tres grupos son homogéneos en sus calificaciones (al nivel de significacién 0,05). 18. a) Disponemos de una muestra aleatoria de n = 78 cm, en los cuales re- gistramos el nimero de virus obtenidos. El némero de virus obtenidos lo clasificamos en las siguientes clases: Las tres ltimas clases fas hemos agrupado para evitar frecuencias de- masiado bajas. Para decidir si el ntimero de virus por cm.’ sigue una distribucién de Pois- son, llevamos a cabo un contraste de bondad de ajuste, al nivel de signifi- cacién = 0,01: Ntimero de virus por cm.» ~ Poisson Numero de virus por cm.» no sigue una Poisson La tabla de frecuencias observadas y esperadas es: a) 0, | 45 4 9 P(A) 0,5488 — 0,3293 0,1219 e 4281 2569 9,51 donde las frecuencias esperadas, bajo H,, han sido calculadas de la si- guiente forma: ¢,= P(A) = T8P(A). y los valores de P(A.) se han calculado a partir de la tabla de Ia distribucién de Poisson, estimando 2 mediante 2 = ¥ = 0,58 ~ 0,6.SOLUCIONES DE LOS EJERCICIOS 319 Rechazaremos H, si se verifica la regi6n de rechazo: En nuestro caso: ry Ki-ra = Kicoon = 9.635 Por lo tanto, no se verifica la condicién de la regién de rechazo, y nues- tra conclusién es: Aceptamos H, =» Podemos aceptar que el nimero de virus por cm. si- gue una distribuci6n de Poisson (al nivel de significacién 0,01). 6) Disponemos de una muestra aleatoria (X,, .... X,) de X = «Niimero de virus por cm.» ~ Poisson(A), con n = 78 (muestra grande). Queremos estimar A, con un nivel de confianza | - or = 0,95. El inter- valo de confianza es: . En nuestro caso, tenemos: X= 0,58 Zar = Zoos = 1,95 Por tanto, tenemos: (*) = (0,58 + 1,96 ./0,58/78) = (0,41; 0,75) 19. Disponemos de una muestra aleatoria de n = 100 individuos, y anotamos el niimero de defectos congénitos de cada uno. El ntimero de defectos congé- nitos Jo clasificamos en las siguientes clases: (0) {1} (22) Las cuatro tiltimas clases las hemos agrupado para evitar frecuencias de- masiado bajas. Para decidir si el mimero de defectos congénitos sigue una distribucion de Poisson, Hevamos a cabo un contraste de bondad de ajuste, al nivel de significacin a= 0,01 (por ejemplo):320 SOLUCIONES DE LOS EJERCICIOS H,: X= «Niimero de defectos congénitos» ~ Poisson H,: X = «Numero de defectos congénitos» no sigue una Poisson La tabla de frecuencias observadas y esperadas es: A, {0} Uy 22) 0, 84 9 7 P(A) 0,7408 — 0,2222 —-0,0370 7 74,08 epee ao donde las frecuencias esperadas, bajo H,, han sido calculadas de la si- guiente forma: e,=nP(A,) = 100P(A), y los valores de P(A,) se han calculado a partir de la tabla de la distribucién. de Poisson, estimando A mediante A. = ¥ = 0,3. Rechazaremos H, si se verifica la regién de rechazo: R= jpees® _ «} En nuestro caso: yey n=12,13 Kitna = Mica = 9.635 Por lo tanto, se verifica la condicién de la regién de rechazo, y nuestra conclusién es: Rechazamos H, => Aceptamos H, = Podemos afirmar que el nimero de defectos congénitos no se ajusta a una distribucién de Poisson (al nivel de significaci6n 0,01). 20. Disponemos de una muestra aleatoria de = 100 ldminas de madera. Los posibles espesores de estas lminas se agrupan en 4 clases: A «Inferior a9» A,=«Entre9 y 10» A, = «Entre 10 y 11> A, = «Superior a 11»SOLUCIONES DE LOS EJERCICIOS 321 Para decidir si la variable aleatoria X = «Espesor» se ajusta a una dis- tribucién Normal, llevamos a cabo un contraste de bondad de ajuste, al nivel de significacién @ = 0,05: H,: «X ~ Normal» H,: «X no sigue una Normal» La tabla de frecuencias observadas y esperadas es: A,__| «Menor que 9» «Entre 9 y 10» «Entre 10 y 11» «Superior a Il» 0, 20 38 25 7 P(A) 0,2514 0,3627 0,2784 0,1075 e 25,14 36,27 27,84 10,75 donde las frecuencias esperadas, bajo H,, han sido calculadas de la si- guiente forma: e,=nP(A,) = 100P(A,), y los valores de P(A,) se han calculado de la forma habitual a partir de la tabla de la Normal, usando para los pardmetros las estimaciones ji= 9,7 y G= 1,05. Rechazaremos H, si se verifica la region de rechaz@: 7 2 {Os Beg En nuestro caso: 2 2 yOra yO, é e —_ Por lo tanto, se verifica la condici6n de la regién de rechazo, y nuestra conclusién es: Rechazamos Hf, => Aceptamos H, => Podemos afirmar que el espesor No se ajusta a una distribucién Normal (al nivel de significacién 0,05). 21. a) Disponemos de una muestra aleatoria de n = 200 partes, en los cuales registramos el mimero de accidentes por dia. El ntimero de accidentes diarios lo clasificamos en las siguientes clases: (0) Cy (2) G) (24)