Distribucion de Probabilidades Completo

Control de calidad Aplicado a la Ingeniera
[ESTADISTICA INFERENCIAL]
MDULO 5: CONCEPTOS PROBABILSTICOS AZAR y DESCONOCIMIENTO. El azar est relacionado con el desconocimiento. Un ejemplo nos puede ayudar; piense en un proceso industrial que produce grandes cantidades de un artculo determinado. No todos los artculos producidos son idnticos, cada artculo puede calificarse como " bueno'' o "defectuoso''. Si de toda la produccin se escoge un artculo "a ciegas'', ese artculo puede resultar bueno o defectuoso. Esta es una situacin azarosa (o aleatoria) y la parte esencial de este azar es que no sabemos si el artculo seleccionado es defectuoso. Claro que con experiencia en el proceso es posible cuantificar de una manera numrica qu tan probable es que el artculo sea defectuoso o n. AZAR e INCERTIDUMBRE. Hay otro concepto asociado al azar y es el de incertidumbre. Veamos un eje mplo. Respecto a una inversin, podemos estar contemplando invertir una cantidad de dinero. El retorno sobre la inversin puede ser fijo, como en el caso de una cuenta en un banco con inters fijo; pero pensemos en una empresa. El negocio puede resultar de sde un gran xito hasta un fracaso, es decir, la ganancia no es fija, sino que depende del xito a obtener. Si no podemos evaluar qu tan factible es cada monto posible de la ganancia, tenemos una situacin de incertidumbre. Por el contrario, si podemos te ner una idea de qu tan probables son los diferentes resultados y entonces tendremos una situacin de riesgo. Esta ltima es la que llamamos aleatoria o azarosa. DEFINICIONES Probabilidad: valor entre cero y uno, inclusive, que describe la posibilidad rel ativa de que ocurra un evento. Experimento: proceso que conduce a la ocurrencia de una de varias observaciones posibles. Resultado: lo que resulta en particular de un experimento. Evento: conjunto de uno o ms resultados de un experimento. ENFOQUES DE LA PROBABILIDAD Probabilidad clsica se basa en la consideracin de que los resultados de un exper imento son igualmente posibles. Utilizando el punto de vista clsico, tenemos lo siguiente:
ESPACIO MUESTRAL Y PROBABILIDAD. El prrafo anterior se resume diciendo que en las situaciones o experimentos aleatorios tenemos dos elementos esenciales: Una lista de posibilidades a futuro: espacio muestral Una cuantificacin de la incertidumbre sobre esa lista de posibilidades: asign acin de probabilidades. Cualquier problema o situacin en la probabilidad, parte de esos dos elementos: Espacio Muestral y Probabilidades. ESPACIO MUESTRAL (S). El espacio muestral es el conjunto de todos los posibles resultados de un experimento o situ acin aleatoria.
< Ing. Edmundo Alarcn Cceres >
S = : { a1, a2, a 3, ..., a n }

Ejemplo: Si en una caja hay 10 manzanas y 2 estn echadas a perder, al extraer tres manzanas y ver cuantas son buenas podemos obtener 1, 2 o 3 buenas (0 buenas es imposible!). De modo que en este ejemplo el espacio muestral es: S = { 1, 2, 3 }. Ejemplo: Considere el experimento de lanzar dos monedas al mismo tiempo. El espacio muestral S = { CC, CS, SC, SS} Considere el evento de una cara. Probabilidad de una cara = 2/4 = 1/2 EVENTOS o SUCESOS. Cuando se tiene un espacio muestral llamamos, formalmente evento o suceso a cualquier subconjunto del espacio muestral. Decimos que un suceso se realiza, cuando el resultado del experimento aleatorio es uno de los sucesos posibles. Eventos mutuamente excluyentes : la ocurrencia de cualquie r evento implica que ningn otro puede ocurrir al mismo tiempo. En el anterior, los cuatro resultados posibles son mutuamente excluyentes. Eventos colectivamente exhaustivos : por lo menos uno de los eventos debe ocurrir cuando se realiza un experimento. En el EJEMPLO, los cuatro resultados posibles son colectivamente exhaustivos. En otras palabras, la suma de las probabilidades es = 1 = (0.25 + 0.25 + 0.25 + 0.25) Concepto de frecuencias relativas . La probabilidad de que un evento ocurra a largo plazo s e determina observando en qu fraccin de tiempo sucedieron eventos semejantes en el pasado:
Ejemplo: A lo largo de su carrera, el profesor de fsica ha otorgado 186 calificaciones de A entre sus 1200 estudiantes. Cul es la probabilidad de que un estudiante de su clase en este semestre reciba una A? Aplicando el concepto de frecuencias relativas, la probabilidad de una A es : 186 /1200 = 0.155 Probabilidad subjetiva : la posibilidad (probabilidad) de que suceda un evento especfico que asigna una persona con base en cualquier informacin disponible. Ejemplos de la probabilidad subjetiva son estimar la probabilidad de que los Salgado de Salta ganen la Lotera el prximo ao y estimar la probabilidad de que ocurra un terremoto en Los ngeles este ao. Reglas bsicas de probabilidad Si los eventos son mutuamente excluyentes, la ocurrencia de cualquier evento impide que otro evento ocurra.
Reglas de adicin : Si dos eventos A y B son mutuamente excluyentes, la regla especial de adicin indica que la probabilidad de que ocurra A o B es igual a la suma de sus probabilidades respectivas: P(A o B) = P(A) + P(B) Ejemplo: Aerolneas Argentinas acaba de proporcionar l a siguiente informacin de sus vuelos de Buenos Aires a Rosario: Llegada Antes de tiempo A tiempo Demorado Cancelado Total Frecuencia 100 800 75 25 1000
Si A es el evento de que un vuelo l legue antes de tiempo, entonces: P(A) = 100 /1000 = 0.1 Si B es el evento de que un vuelo llegue demorado, entonces: P(B) = 75 /1000 = 0.075 La probabilidad de que un vuelo llegue antes de tiempo o demorado es: P(A o B) = P(A) + P(B) = 0.1 + 0.075 = 0.175 Regla del complemento: La regla del complemento se utiliza para determinar la probabilidad de que ocurra un evento restando del nmero 1 la probabilidad de que un evento no ocurra. Si P(A) es la probabilidad del evento A y P(~A) es el complemento de A, P(A) + P(~A) = 1 o P(A) = 1 - P(~A). Diagrama de Venn que i lustra la regla del complemento:
Ejemplo: Si C es el evento de que un vuelo llegue a tiempo, entonces: P(C) = 800 /1000 = 0.8 Si D es el evento de que un vuelo sea cancelado, entonces: P(D) = 25 /1000 = 0.025 Utilice la regla del complemento para mostrar que la probabilidad de que el vuelo llegue antes de tiempo (A) o demorado (B) es: P(A o B) = 1 - P(C o D) = 1 - [0.8 + 0.025] = 0.175
Regla general de adicin Si A y B son dos eventos que no son mutuamente excluyentes, entonces P(A o B) se calcula con la siguiente frmula: P(A o B) = P(A) + P(B) - P(A y B) Diagrama de Venn que ilustra esta regla:
B AyB A
Ejemplo: En una muestra de 500 estudiantes, 320 dijeron tener un estreo, 175 dijeron tener una TV y 100 dijeron tener ambos:
TV 175
Ambos 100
Estreo 320
Si un estudiante es seleccionado aleatoriamente, cul es la probabilidad de que tenga slo un estreo, slo una TV y uno de cada uno? P(S) = 320 /500 = 0.64 P(T) = 175 /500 = 0.35 P(S y T) = 100 /500 = 0.20 Si un estudiante es seleccionado aleatoriamen te, cul es la probabilidad de que tenga un estreo o una TV en su habitacin? P(S o T) = P(S) + P(T) - P(S y T) = 0.64 +0.35 - 0.20 = 0.79 Regla especial de multiplicacin . La regla especial de multiplicacin requiere que dos eventos A y B sean independientes. Dos eventos A y B son independientes si la ocurrencia de una no afecta la probabililidad de ocurrencia del otro. La regla especial se escribe: P(A y B) = P(A) * P(B) Ejemplo: Chris posee dos inventarios independientes uno de otro. La probabilidad de que el inventario A aumente su valor el prximo ao es 0.5; La probabilidad de que el B aumente el suyo es 0.7 Cul es la probabilidad de que ambos aumenten su valor el prximo ao? P(A y B) = (0.5)(0.7) = 0.35 Cul es la probabilidad de que al menos uno aumente su valor el prximo ao (esto implica que cualquiera de los dos o ambos aumenten)? As, P(A)(al menos uno) = (0.5)(0.3 5) + (0.5)(0.7) + (0.7)(0.5) = 0.8 75 As, P(B)(al menos uno) = (0. 7)(0.35) + (0.5)(0.7) + (0.7)(0.5) = 0.945 Probabilidad conjunta : Probabilidad conjunta es una probabilidad que mide la posibilidad de que dos o ms eventos ocurran juntos. Un ejemplo sera el hecho de que un estudiante tenga tanto un estreo como una TV en su habitacin. Probabilidad condicional : Probabilidad condicional es la probabilidad de que ocurra un evento en particular, dado que ocurri otro evento. NOTA: la probabilidad de que ocurra el evento A dado que ya ocurri B se denota como P(A|B). Regla general de multiplicacin
La regla general de multiplicacin se utiliza para determina la probabilidad conjunta de que ocurran dos eventos y establece: para dos eventos A y B, la probabilidad conjunta que ambos ocurran se encuentra multiplicando la probabilidad de A por la probabilidad condicional de B dado que A ocurri. La probabilidad conjunta, P(A y B) est dada por la siguiente frmula: P(A y B) = P(A) * P(B|A) o P(A y B) = P(B) * P(A|B) Ejemplo: La directora de la escuela de administracin en Miami recolect la siguien te informacin acerca de los estudiantes de licenciatura del colegio: rea Contabilidad Finanzas Mercadotecnia Administracin Total Hombre 170 120 160 150 600 Mujer 110 100 70 120 400 Total 280 220 230 270 1000
Si un estudiante se selecciona al azar, cul es la probabilidad de que el estudiante sea mujer del rea de contabilidad? P(A y F) = 110 / 1000. Dado que la estudiante es mujer, cul es la probabilidad que est en el rea de contabilidad? P(A|F) = [P(A y F)] / [P(F)] = [110 / 1000] /[400 / 1000] = 0.275 Diagrama de rbol. El diagrama de rbol es muy til para visualizar las probabilidades condicional y conjunta y en particular para el anlisis de decisiones administrativas que involucran varias etapas. Ejemplo: una bolsa contiene 7 fichas rojas (R) y 5 azules (B), se escogen 2 fichas, una despus de la otra sin reemplazo. Construya el diagrama de rbol con esta informacin.
6/11
R2
R1 7/12 5/11 7/11 5/12 B1 B2 R2
4/11
B2
Teorema de Bayes
Las formulas de Bayes nos permiten calcular la probabilidad condicional de un evento cualquiera perteneciente a una familia de eventos exhaustivos y mutuamente excluyentes, si sabemos que ha ocurrido un evento B del espacio, siempre que P(A i) y P(B/A i) sean conocidas. El Teorema de Bayes se apoya en el proceso inverso del Teorema de la Probabilidad Total, el cual indica que a partir de las probabilidades del suceso A (probabilidad de que llueva o de que haga buen tiempo) deducimos la probabilidad del suceso B (que ocurra un acc idente). Por lo tanto, el Teorema de Bayes: a partir de que ha ocurrido el suceso B (ha ocurrido un accidente) deducimos las probabilidades del suceso A (estaba lloviendo o haca buen tiempo?). El teorema de Bayes se representa con la frmula:
Ejemplo: El parte meteorolgico ha anunciado tres posibilidades para el fin de semana: a) Que llueva: probabilidad del 50%. b) Que nieve: probabilidad del 30% c) Que haya niebla: probabilidad del 20%. Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un accidente es la siguiente: a) Si llueve: probabilidad de accidente del 20%. b) Si nieva: probabilidad de accidente del 10% c) Si hay niebla : probabilidad de accidente del 5%. Resulta que efectivamente ocu rre un accidente y como no estbamos en la ciudad no sabemos que tiempo hizo (llovo, nev o hubo niebla). El teorema de Bayes nos permite calcular estas probabilidades: Las probabilidades que manejamos antes de conocer que ha ocurrido un accidente se den ominan "probabilidades a priori" (lluvia con el 50%, nieve con el 30% y niebla con el 20%). Una vez que incorporamos la informacin de que ha ocurrido un accidente, las probabilidades del suceso A cambian: son probabilidades condicionadas P(A/B), que se denominan "probabilidades a posteriori". Vamos a aplicar la frmula:
a) Probabilidad de que estuviera lloviendo: La probabilidad de que efectivamente estuviera lloviendo el da del accidente (probabilidad a posteriori) es del 71,4%. b) Probabilidad de que estuviera nevando: La probabilidad de que estuviera nevando es del 21, 4%.
c) Probabilidad de que hubiera niebla:
La probabilidad de que hubiera niebla es del 7,1% Ejemplo: La compaa Duff Beer ha recibido varias quejas debido a que sus botellas no van bien llenas. Una queja fue recibida hoy pero el gerente de produccin no puede identificar cul de las dos plantas Springfield (A o B) llen esta botella. Cul es la probabilidad de que la botella mal llenada haya salido de la planta A? Plantas Springfield A1 (A) A2 (B) % de produccin total 55 45 % de faltante en botellas 3 4
Algunos principios de conteo . Frmula de la multiplicacin: si hay m modos de hacer una cosa y n formas de hacer otra, existen m x n formas de hacer ambas. Ejemplo: el Doctor Priss tiene 10 camisas y 8 corbatas. Cuntos conjuntos de camisas /corbatas tiene? (10)(8) = 80 Permutacin: un arreglo de r objetos seleccionados a partir de un grupo nico de n objetos posibles. NOTA: el orden del arreglo es importante en las permutaciones.

Combinacin: el nmero de modos para elegir r objetos de un grupo de n objetos sin considerar el orden.
Ejemplo: El entrenador Alexis tiene que elegir 5 jugadores entre los doce del equipo para incluirlos en alineacin. Cuntos grupos diferentes se pueden formar?
12C5
= ( 12! ) / [ 5! ( 12 - 5 )! ] =792 = ( 12! ) / ( 12 - 5 )! = 95,040
Suponga que el entrenador Alexis debe clasificarlos en orden:

12P 5
MDULO 6: DISTRIBUCIONES PROBABILSTICAS DISCRETAS Variables aleatorias Una variable aleatoria es un valor numrico determinado por el resultado de un experimento. Ejemplo: considere un experimento aleatorio en el que se lanza tres veces una moneda. Sea X el nmero de caras. Sea H el resultado de obtener u na cara y T el de obtener una cruz. El espacio muestral para este experimento ser: TTT, TTH, THT, THH, HTT, HTH, HHT, HHH. Entonces, los valores posibles de X (nmero de caras) son x = 0, 1, 2, 3. El resultado cero caras ocurri una vez.
El resultado una cara ocurri tres veces. El resultado dos caras ocurri tres veces. El resultado tres caras ocurri una vez. De la definicin de variable aleatoria, la X definida en este experimento, es una variable aleatoria. Distribuciones probabilsticas Una distribucin probabilstica es la enumeracin de todos los resultados de un experimento junto con las probabilidades asociadas. Para el Ejemplo anterior, Nmeros de caras 0 1 2 3 total Probabilidad de los resultados 1/8 = 0.125 3/8 = 0.375 3/8 = 0.375 1/8 = 0.125 8/8 = 1
Caractersticas de una distribucin probabilstica La probabilidad de un resultado siempre debe estar entre 0 y 1. La suma de todos los resultados mutuamente excluyentes siempre es 1. Variable aleatoria discreta Una variable aleatoria discreta es una variable que puede tomar slo ciertos valores diferentes que son el resultado de la cuenta de alguna caracterstica de inters. Ejemplo: sea X el nmero de caras obtenidas al lanzar 3 veces una moneda. Aqu los valores de X son X = 0, 1, 2, 3 Variable aleatoria cont nua. La media: Indica la ubicacin central de los datos. Es el promedio, a la larga, del valor de la variable aleatoria, tambin se conoce como el valor esperado, E(x), en una distribucin de probabilidad. Es un promedio ponderado. La media se calcula con la frmula: Varianza de una distribucin probabilstica discreta : La varianza mide la cantidad de dispersin (variacin) de una distribucin. La varianza de una distribucin discreta se denota por la letra griega 2 (sigma cuadrada). La desviacin estndar se obtiene tomando la raz cuadrada de
2
La variancia de una distribucin de probabilidad discreta se calcula a partir de la frmula :
Donde
representa la media y P(x) es la probabilidad de los difere ntes resultados X.
Ejemplo: Dan Desch, propieatario de College Painters, estudi sus registros de las ltimas 20 semanas y obtuvo los siguientes nmeros de casas pintadas por semana: # de casas pintadas 10 11 12 13 TOTAL semanas 5 6 7 2 20
Distribucin probabilstica: # de casas pintadas, X 10 11 12 13 Total Calcule el nmero medio de casas pintadas por semana: Probabilidad, P(X) 5/20 = 0.25 6/20 = 0.30 7/20 = 0.35 2/20 = 0.10 20/20 = 1.00
= (10)(0.25)+(11)(0.30)+(12)(0.35)+(13)(0.10) = 11.3 Calcule la variancia del nmero de casas pintadas por semana:
= 0.4225 + 0.0270 + 0.1715 + 0.2890

2
= 0.91
Distribucin probabilstica binomial . Las distribucin binomial es parte de la distribucin de Bernouilli debido a que la distribucin de Bernouilli se aplica cuando se realiza una sola vez un experimento que tiene nicamente dos posibles resultados (xito o fracaso), por lo que la variable slo puede tomar dos valores: el 1 y 0 . La distribucin binomial se aplica cuando se realizan un nmero"n" de veces el experimento de Bernouilli, siendo cada ensayo independiente del anterior. La variable puede tomar valores entre: 0: si todos los experimentos han sido fracaso n: si todos los experimentos han si do xitos Su expresin matemtica es X B( n, p ) donde: n = poblacin y p = probabilidad
La distribucin binomial tiene las siguientes caractersticas:

y y y y
un resultado de un experimento se clasifica en una de dos cat egoras mutuamente excluyentes: xito o fracaso. los datos recolectados son resultados de contar. la probabilidad de xito es la misma para cada ensayo. los ensayos son independientes.
Para elaborar una distribucin binomial, sea n el nmero de ensayos x el nmero de xitos observados, Tla probabilidad de xito en cada ensayo. La frmula para la distribucin de probabilidad binomial es:
Ejemplo: La Secretara del Trabajo del estado de Alabama reporta que 20% de la fuerza de trabajo en Mobile est desempleada. De una muestra de 14 trabajadores, calcule las siguientes probabilidades con la frmula de la distribucin binomial (n=14, T=0.2): Tres estn desempleados (20% de 14): P(x=3)=0.250
NOTA: stos tambin son ejemplos de distribuciones probabilsticas acumulativas: Tres o ms estn desempleados: P(x 3) = 0.250 + 0.172 + 0.086 + 0.032 + 0.009 + 0.002 = 0.551 Al menos un trabajador est desempleado: P(x 1) = 1 - P(x=0) =1 - 0.044 = 0.956 A lo ms dos trabajadores estn desempleados: P(x 2) = 0.044 + 0.154 + 0.250 = 0.448 Media y varianza de la distribucin binomial La media est dada por:
La varianza est dada por:
Del ejemplo anterior, recuerde que T= 0.2 y n = 14 As, la media = n T = 14(0.2) = 2.8 La varianza = n T (1 - T ) = (14)(0.2)(1 - 0.2) = 2.24 Distribucin hipergeomtrica La distribucin hipergeomtrica suele aparecer en procesos muestrales sin reemplazo, en los que se investiga la presencia o ausencia de cierta caracterstica. Por ejemplo, en un procedimiento de control de calidad en una empresa farmacutica, durante el cual se extraen muestras de las cpsulas fabricadas y se someten a anlisis para determinar su composicin. Durante las pruebas, las cpsulas son destruidas y no pueden ser devueltas al lote del que provienen. En esta situacin, la variable que cuenta el nmero de cpsulas que no cumplen los criterios de calidad establecidos sigue una distribucin hipergeomtrica. Por tanto, esta distribucin es la equivalente a la binomial, pero cuando el muestreo se hace sin reemplazo. Frmula:
Donde N es el tamao de la poblacin, S es el nmero de xitos en la poblacin, x es el nmero de xitos de inters, n es el tamao de la muestra, y C es una combinacin. Use la distribucin hipergeomtrica para encontrar la probabilidad de un nmero esp ecfico de xitos o fracasos si:
y y
La muestra se selecciona de una poblacin finita sin reemplazo (recuerde que un criterio para la distribucin binomial es que la probabilidad de xito es la misma de un ensayo a otro). El tamao de la muestra n es mayor que 5% del tamao de la poblacin N.
Ejemplo: La National Air Safety Board tiene una lista de 10 violaciones a la seguridad reportadas por ValueJet. Suponga que slo 4 de ellas son en realidad violaciones y que el Safety Board slo podr investigar cinco de las violaciones. Cul es la probabi lidad de que tres de las cinco violaciones seleccionadas al azar para investigarlas sean en realidad violaciones? N=10, S=4, X=3, n=5
10
MDULO 7: DISTRIBUCIN PROBABILSTICA NORMAL Caractersticas de la distribucin probabilstica normal La curva normal tiene forma de campana con un solo pico justo en el centro de la distribucin. La media, mediana y moda de la distribucin aritmtica son iguales y se localizan en el pico. La mitad del rea bajo la curva (50% ) est a la derecha del pico, y la otra mitad (50% ) est a la izquierda. La distribucin normal es simtrica respecto a su media. La distribucin normal es asinttica - la curva se acerca cada vez ms al eje x pero en realidad nunca llega a tocarlo. Esta distribucin viene definida por dos parmetros: X N ( QW)
Donde: Q es el valor medio de la distribucin y es precisamente donde se sita el centro de la curva (campana de Gauss).
W : es la varianza, indica si los valores estn ms o menos alejados del valor central: si la varianza es baja los valores estn prximos a la media; si es alta, entonces los valores estn muy alejados de ella. Se representa por W porque su raz cuadrada, W, es la denominada desviacin estndar.
Distribucin normal estndar Cuando una distribucin normal tiene una media igual a 0 y una varianza igual a 1 se denomina distribucin normal estndar , y su ventaja reside en que hay tablas, o rutinas de clculo que permiten obtener esos mismos valores, donde se recoge la probabilidad acumulada para cada punto de la curva de esta distribucin.
N ( 0 )
Adems, toda distribucin normal se puede transformar en una normal tipificada llamada estandarizacin, donde X se distribuye en la distribucin normal estandarizada de valor Z, la cual es la distancia entre un valor seleccionado, designado como X, y la poblacin media , dividida entre la desviacin estndar de la poblacin .
11
La distribucin normal tipificada o estandarizada tiene la ventaja de que las probabilidades para cada valor de la curva se encuentran recogidas en una tabla de Distribucin de Frecuencia Acumulada Normal (anexo 1). Cmo se lee esta tabla? La columna de la izquierda indica el valor cuya probabilidad acumulada queremos conocer. La primera fila nos indica el segundo decimal del valor que estamos consultando. reas bajo la curva normal. Para poder determinar la probabilidad del valor obtenido de Z, existen siete casos para calcular la probabilidad segn le corresponda la posicin en la curva de la normal estandarizada (anexo 2).
Ejemplo: Una corporacin grande ofrece a los graduados en MBA un ingreso mensual que tiene una distribucin normal con media de $2000 y desviacin estndar de $200. Cul es el valor z para un ingreso de $2200? y cul para uno de $1700? Para X = $2200, z = (2200 - 2000) /200 = 1.0 Para X = $1700, z = (1700 - 2000) /200 = - 1.5 probabilidad = 0 .3416 (ver tabla 1) probabilidad = 0. 4332 (ver tabla 1)
Un valor z igual a 1 indica que el valor de $2200 es mayor que la media de $2000, as como el valor z igual a -1.5 indica que el valor de $1700 es menor que la media de $2000. Ejemplo: El consumo de agua diario por persona en New Providence, Nueva Jersey tiene una distribucin normal con media de 20 galones y desviacin estndar de 5 galones. a). Cul es la probabilidad de que una persona de New Providence seleccionada al azar use menos de 20 galones por da? El valor z asociado es : P(X<20) z = (20 - 20) /5 = 0.0 P(z<0) = 0.0 (ver tabla 1) As es 0.0% b). Qu porcentaje usan entre 20 y 24 galones? P(20X24) El valor z asociado con X = 20 es : z = 0.0 y con P(0X24), z = (24 - 20) /5 = 0.8 As, P(0<z<0.8) = 0.2881 = 0.0 + 0.2881 = 0.2881 = 28.81% P(0Z0.8)
12
. Q El X X P[ P[ P P[ . A , P Ej i i f i j . i ti l ll i li i t li l i i i i l i i ll t l t t t , f i i i i i l t l i l i i li i i l i ti i i i 1. El i ti l X . . iti i . ] . l : , i
t j : /
l . /
tili
. ] ] P[ P[ P . . . t l l i l i lt t l l l f ll i i i i i i t t l , , i f i i t l t t i l iti , l i l i i i t m l. i il ti i t f i t i i l fi ili i t l t t t l t i l l i i t t i t i i t f ll t l i f i i i t . E t t t fi , fi ili i i t ,

P[
. ] . ] P[ . ] . ] . i l t i i i i t l i i i , i li i fi ti l i . ili , i f . i t ll l t l , t it t l . i i ili fi l ti l ll i l i . P i t l i t t ll l t l lt l t i i i t t . l i i i A t 10. S 5. t lli i l l t l i ti ili . i t . fi l . lifi i i i i A.
-0.4
1.2
t l
ti l
i 15%
ti lifi l
i i
< Ing. Edmundo Alarc n Cceres >

Cont ol d
lid d Apli do l n ni
CA N
NC A L
13

verificar que se est dentro de las condiciones de respuesta del sistema esperadas. Slo entonces se podr afirmar que la probabilidad de fallo de un componente es conocida y est controlada. El objetivo es dar a conocer un tipo de dis tribucin estadstica aplicable al estudio de la fiabilidad de componentes tcnicos que, dentro de una misma clase, presentan distintos valores como consecuencia de la conjuncin de una serie de factores tales como su procedencia, carga, temperatura de su entorno, presin de trabajo, medio ambiente de trabajo (agua, aire, cidos.) etc. La distribucin lognormal tiene, principalmente, las siguientes aplicaciones: a. Representa la evolucin con el tiempo de la tasa de fallos, (t), en la primera fase de vida de un componente, la correspondiente a los fallos infantiles en la "curva de la baera" entendindose como tasa de fallos la probabilidad de que un componente que ha funcionado hasta el instante t, falle entre t y t + dt. En este caso la variable independiente de la distribucin es el tiempo (ver figura). b. Permite fijar tiempos de reparacin de componentes, siendo tambin en este caso el tiempo la variable independiente de la distribucin. c. Describe la dispersin de las tasas d e fallo de componentes, ocasionada por diferente origen de los datos, distintas condiciones de operacin, entorno, bancos de datos diferentes, etc. En este caso la variable independiente de la distribucin es la tasa de fallos.
Curva tpica de la evolucin de la tasa de fallos Curva de la baera
Caractersticas de la distribucin . La distribucin lognormal se obtiene cuando los logaritmos de una Variable se describen mediante una distribucin normal. Es el caso en el que las variaciones en la fiabilidad de una misma clase de componentes tcnicos se representan considerando la tasa de fallos aleatoria en lugar de una variable constante. Es la distribucin cuando las desviaciones a partir del valor del modelo estn formadas por factores, proporciones o porcentajes ms que por valores absolutos como es el caso de la distribucin normal. La distribucin lognormal tiene dos parmetros: m* = media aritmtica del logaritm o de los datos o tasa de fallos. = desviacin estndar del logaritmo de los datos o tas a de fallos. Propiedades La distribucin lognormal se caracteriza por las siguientes propiedades:
14
Asigna a valores de la variable < 0 la probabilidad 0 y de este modo se ajusta a las tasas y probabilidades de fallo que de esta forma slo pueden ser positivas. Como depende de dos parmetros, se ajusta bien a un gran nmero de distribuciones empricas. Es idnea para parmetros que son a su vez producto de numerosas cantidades aleatorias como son los mltiples efectos que influyen sobre la fiabilidad de un componente. La esperanza matemtica o media en la distribucin lognormal es mayor que su mediana. De este modo da ms importancia a los valores grandes de las tasas de fallo que una distribucin normal con los mismos percentiles del 5% y 50% tendiend o, por tanto, a ser pesimista (ver figura).
Comparacin entre una distribucin normal y una lognormal con los mismos percentiles del 5% y 50%.
Variable independiente: el tiempo La distribucin lognormal se ajusta a ciertos tipos de fallos (fatiga de com ponentes metlicos), vida de los aislamientos elctricos, procesos continuos (procesos tcnicos) y datos de reparacin y puede ser una buena representacin de la distribucin de los tiempos de reparacin. Es tambin una distribucin importante en la valora cin de sistemas con reparacin. La distribucin lognormal esta expresada por:
f ( x) !
1 xF 2T
-(1/2((x )/ ) 2 )
Donde E - media de los logaritmos de x

F - desviacin estndar de los logaritmos de x
Siendo: = desviacin estndar en la distribucin normal tm = tiempo medio t = tiempo La dispersin es tambin un parmetro de forma segn se ve en la figura , donde aparece la funcin densidad de probabilidad de la distribucin lognorma l para distintos valores de (0,4; 0,6; 1,0 y 1,4).
15
l i i l l i i
i i t t f
l t t : t l
ll i ti f ll i l t . l f l i i i i l , i i
li i t t i i
> 0; : t f ll
> 0;
#
< l l
< i ti l i i t l , i i t ti ti t , i l : l it l
.S
Si i
l l
t t l l
l t t l
f ll i ti i l l
t . l t f ll :
Si P f t t i i
l l i
i l l
i i i
t l, t
ll l i t :
it i i
i ,
i ti i , ti

"
Cont ol d calidad Aplicado a la In ni a

[ESTA ISTICA IN ERENCIAL
f ll i
. ,
16
E l Di l t t l li
y
i i i ti i ll i i i ti
i i l. i l i i i
i l t
i i
l l l , l ti t tf , i l l ti i i i i i i l l i f ili ti t
til ti i t i l ti l : , t i t t l
i i ti
t i l ti i
l t ti
f ll i t i t t t
i t , .
l i t i i i
l i l. S i t t i t t
ili l t ti l l i i ti
ti .
El ti i t i l ti i t .
t tili i t l t t PS i l i
i t . El j l , l t 14,C14; i l l t i t i t t t . i l l i ti i i t i t l t
i i i f
t il
. E t f i i t t , , i t ti fi t l l ll l
El ti i il. P i l l t , l ti il ti f t , i i i : t
i i it t l j t ti l , l ti t i X t
E i
i l. P i l l t i
i ti
i
Px
i l
i ti
i
Px
f x; P ! Pe
Si S i
F x P ! 1 e
x l i l l f i l i . t X E
P l
i
l di i
Fi
, f,

0
'

$% % % $
l 5%. t .E t t, l i ti i
l l l i i
ti i
17
&
P l
l l f
l i
l t ti :
i ti
i l,
E [X] E [X ]
E t l i l :
8
/ /
8
DULO 8 EL EORE
DEL L I E
RAL
Sea cual sea la distribucin de los datos originales y para muestras de tamaos lo bastante , grandes, la distribucin de la media muestral es normal sea cual sea la distribucinoriginal. Este resultado fundamental de la estadstica tiene un nombre propio: el teorema del lmite central. El teorema del lmite central dice que si una muestra es lo bastante grande (n > 30), sea cual sea la distribucin de la variable de inters, la distribucin de la media muestral ser aproximadamente una normal. Adems, la media ser igual a y la varianza ser igual a 2/n. Una consecuencia de este teorema es la siguiente: dada cualquier variable aleatoria con esperanza y para n lo bastante grande, la distribucin de la variable es:

Ejemplo: El consume de combustible por las unidades de transporte de mineral se distribuyen casi normalmente con una media de 11.8 galones y una desviacin estndar de 3.5 gl., se toma una muestra de tamao 49. a). Cul es la probabilidad que el promedio muestral sea mayor que 12 gl.? y b). Cul es la probabilidad de que el promedio muestral vare entre 10.5 y 12.5 galones respectivamente? Consideremos la variable X = consumo de combustible. Sabemos que su media es 11.8 galones y su desviacin estndar es 3.5 gl. la muestra evaluada es n = 49 unidades. Es decir, tenemos una muestra x1, x2, ..., xn de nuestra variable. Por el teorema del lmite central sabemos que la media muestral se comporta como unanormal de esperanza 11.8 y desviacin estndar de 3.5:

a. Debemos calcular:
11.8 = 0.5 - P[ 0 Z 0 4 ]
9
X>12

7

12 2 2 1
18
= 0.5 0.15542 = 0.3446 b. Debemos calcular:

La iaci t ar la i tri ci tral tad tico conocecomo error estndar del estadstico. Para el ejercicio anterior el error est ndar de la media denotado or Wx, ede demostrar e si de na oblaci n se eli en muestras de tamao n es 1.58. on esto se con reemplazo, entonces el error est ndar de la media es i ual a la desviaci n est ndar de la distribuci n de los errores muestrales.
) = 0.4953 + 0.4192 = 0.9145
Comienzo
Es la poblacin infinita?
Si
No
Se muestrea con reemplazo?
Si
No
Es N30n?
Si
onde W es la desviaci n est ndar de la oblaci n de donde se toman lasmuestras, n es el tamao de la muestra N el de la oblaci n. omo regla de clculo, si el muestreo se ace sin reemplazo el tamao de la poblaci n es al menos 0 veces el tamao de la muestra 30), entonces se puede usar la f rmula.
Este factor se denomina factor de correccin para una poblaci n finita. Frm l
W W !
G
Obti Error estndar de la media para una poblaci n infinita. Error estndar de la media para una poblaci n finita.
n
x
Nn

@A A A @
19
Estimaciones puntuales Una estimacin puntual es un valor (punto) que se usa para estimar un parmetro de la poblacin. Ejemplos de estimaciones puntuales son media muestral, desviacin estndar muestral, variancia muestral, relacin proporcional de la muestra. Ejemplo 2: se registra el nmero de defectos producidos durante 5 horas seleccionadas al azar en una semana de 40 horas. Los defectos observados fueron 12, 4, 7, 14 y 10. La media muestral es 9.4. Entonces la estimacin puntual para el promedio de defectos por hora es 9.4. Estimaciones de intervalo Una estimacin de intervalo establece la amplitud en la que quiz se encuentre un parmetro poblacional. El intervalo dentro del cual se espera que est un parmetro poblacional se llama o e o fi z i e
eS U V d Q R U X UR Q V S Vc U X URb U b a UT
e o
VV
Ypi V Q S g i V qp r w u UT UT R UR u d Q i V Q Q V Q V d i V ga S g i Q d Y Q S g T f UX X W f X W b X xb R v uw W b U U W U X b Q Q aS Q QdQ S V d a Vc Sg V QdQ V S a V Q Q c rU b b bU b b U R UR W b R W b WU X W U WU X ip S Q S V Qd S d V S g V c c S g Q d S ga Q Sg S qp d a S r u b UT f U U b UR b f b R W UW W X h b Y a Sg i s d g S d S Q d V ga Q S g iQ a t f b f h W f UX b XU R R UR Rb u U S dQ Q S V c c Sg a i qp S V S a a S a VV V rU U Rb X U W W UW U bh UT b U U U R W i qp S g a S Q Sg S V V c c Sg S V V Y V S V c c Sg Qd Q r b UR b U U URb UT UR U R XU U U X WUW W W WUW iS a S a S g V S S Q Q Q V S Q Q d S Q g Sg a d a U X b W UT R U b UT f X W b Rb U R W h U h U R
He o o e i
i ho e o o o e i e o o e e e o e o ii e ie o A o ee o ii e e e e o nivel de confianza. A o o e o ii e i o oe oi i e e e e e e o i o e e e ie e o e i o o o ee o o e e o ii o o e e e o o e ee e e i oe e i e e e i e e o fi z e e
Re o e o e ie e o o ie o A e o
Intervalos de Confianza para la media () conocida la deviacin tpica de la poblacin . En general, un intervalo de confianza para la media se calcula mediante:
Ejemplo: El director de la escuela de administracin desea estimar el nmero medio de horas por semana que estudian los alumnos. Una muestra de 49 estudiantes dio una media de 24 h con desviacin estndar de 4 h. La estimacin puntual es 24 h (media muest ral).
S Q UT R
e e
i iz
S ` U U
e o e i e o o ie o e e
o e e i o e % i ifi
i o e
(-Z) (-t)
(Z) (t)
20
Cul es el intervalo de confianza de estudian los alumnos?
5% para el nmero promedio de
oras por semana
Si se usa un IC de 5% para la media poblacional, se tiene Los puntos terminales del intervalo de confianza son los lmites de confian a. El lmite inferior de z confianza es .88 el lmite superior de confianza es 5.12
L.C.S.
25.12
24.00
L.C.I.

22.88
Sigue una distribucin llamada t-Student con (n-1) grados de libertad y para un alfa de (1confianza), que presenta una forma en la curva muy similar a la de la distribucin normal. Estamos pues ante la siguiente situacin:

Ejemplo: La puntuacin media de una muestra de 20 bolsas de mineral, elegidos al azar, para una misma prueba, present una media de 9,8525 kilos y una cuasi desviacin tpica muestral de 0,0965 kilos. Calcular un intervalo de confianza con un 95 para el peso medio. (Suponemos que la variable que mide el peso sigue una distribucin normal.) Estamos en el caso de un intervalo de confianza para la media desconociendo ladesviacin tpica de la poblacin. Datos: Media = 9,8525, cuasi desviacin = 0,0965, n = 20, confianza 0,95 Tenemos que buscar un valor t, de modo que en la distribucin -Student con g.l. = (n-1) = 19 t grados de libertad deje una rea de probabilidad es igual a = (1-0.95) = 0.05. Dic o valor le corresponde un valor de t =2,0930. As pues el intervalo buscado es:

= 9,8525 0,045
L.C.S. = 9,8525 + 0,045 = 9.807 L.C.I. = 9,8525 - 0,045 = 9.897 La media se estima en 9,8525 ms menos un margen de error de 4,5
I terval de ianza ara na relacin roporcional de poblacin
El intervalo de confianza para una relaci n proporcional de una poblaci n se estima como:
s e C nf nz p r
me
() es
n tp
Inter
p b

y y
ue
21
Donde es el error estndar de la proporcin:
Ejemplo: Matt Williams, planificador financiero, estudia los planes de retiro para jvenes ejecutivos. Una muestra de 500 ejecutivos que son dueos de sus casas revel que 175 planean venderlas y retirarse en Arizona. Desarrolle un intervalo de confianza de 98% para la proporcin de ejecutivos que planean vender e irse a Arizona. Aqu, n=500, p=175/500= 0.35 y z=2.33 el IC de 98% es: LC LCI =

= =
0.3997
% 39.97%
o p u x r o r y n u m q qp q o m w o o o m n v t q u q r n os o oqp o
Con ol de calidad. o h i e en o e o e o i e eo e e i e entral e a la Uno e o hora e hacer n roce o e control e cali ad. ntendere o or control de calidad el e i iento de cierta ariable aleatoria en n roce o de roduccin a artir de la edia de ue tras sucesi as.
r r r n n x { x y w x nx o z r m r x v x x w m v n r r } | x v | ~ r w o r v m r z
stablecere os un intervalo de anera ue las edias ue cai an fuera de este intervalo nos indicarn ue e iste alguna ano ala en el roceso de roduccin en aquel instante. Los l ites de este intervalo se deno inan l ites de control. i es la esperanza de la variable de inters, la desviacin tpica consideramos una muestra de esta variable de tamao n, los lmites de control vendrn dados por n y n. s decir, calculamos tres veces el error estndar a lado y lado de la media. or tanto, la longitud del intervalo es dos veces el triple del error estndar.
r r
Eje plo de ealizaci n de un con ol de calidad Consideremos una mquina que llena tarros de pegamento. Supongamos que, de media, cada tarro contiene 125 gramos de pegamento con una desviacin tpica de 1,5 gramos. Todas las semanas hacemos un control de la mquina: analizamos una muestra de 0 tarros y calculamos la media de cada uno. n este e emplo el error estndar es:

22
or qu tomamos este intervalo i aplicamos el teorema del lmite central sobre la variable de inters, sabemos que la media de n datos se distribuye como una normal con media y varianza n. Se demuestra fcilmente que la probabilidad de que una media est fuera del intervalo n y n es de ,001 esto significa que un valor fuera de este intervalo, si el proceso funcionase correctamente, se puede dar slo con una probabilidad de 0,001). or tanto, cuando se d un valor fuera del intervalo, pensaremos que no es casualidad y que en el problema la variable no se comporta como suponamos.

f j d i hg f e d ih h ihg
m l k
{ o
Por tanto, los lmites de control sern: 125

125
0,274 = 125,82 0,274 = 124,18
As pues, si la media de las muestras semanales de tamao 0 est entre estos dos valores, consideraremos que todo est correcto, mientras que si es inferior a 124,18 o superior a 125,82 supondremos que hay alguna anomala en el proceso de produccin, y habr que revisarlo. Por tanto, en este control de calidad slo se desperdicia treinta tarros a la semana por que contienen un error en el llenado. Seleccin del tamao de muestra Existen 3 factores que determinan el tamao de una muestra, ninguno de ellos tiene una relacin directa con el tamao de la poblacin. Los factores son:
y y y
Tamao de la muestra para la media. El tamao de la muestra es la siguiente: Cuando N > 100,000 Cuando N 1,500 Cuando N > 1,500
Donde: E es el error permitido, Z es el valor normal estndar asociado con el grado de confianza seleccionado y es la desviacin estndar estimada del estudio piloto. Ejemplo: Un grupo de consumidores desea estimar la media mensual en los recibos de luz para una casa unifamiliar. Segn estudios similares la desviacin estndar se estima en $20.00. Se desea un nivel de confianza de 99%, con una precisin de $5.00. Qu tamao de muestra se requiere?
Tamao de la muestra para proporciones . La frmula para determinar el tamao de la muestra en el caso de una proporcin es: Cuando N > 100,000 Cuando N 1,500 Cuando N > 1,500
Donde p es la proporcin estimada, basada en la experiencia o en un estudio piloto; Z es el valor asociado con el nivel de confianza deseado; E es el error mximo que tolerar el investigador. Ejemplo: El American Kennel Club desea estimar la proporcin de nios que tienen un perro como mascota. Si el club quiere la estimacin dentro de 3% de la relacin proporcional, cuntos nios debern contactar? Suponga 95% de nivel de confianza y que el club estim que 30% de los nios tienen un perro como mascota. N = (0.30)(0.70)(1.96/0.03) 2 = 896.3733 896
El grado de confianza elegido. El error mximo permitido. La variacin en la poblacin.
23
MDULO 9: PRUEBAS DE HIPTESIS Qu es una hip esis? En una investigacin no solo se requiere estimar un parmetro, sino que el investigador puede proponer hipotticamente un valor o valores para el parmetro; valor basado en su propia e periencia profesional o segn oriente el marco terico, de la investigacin. Por tanto, es necesario decidir si se considera ese supuesto o se rechaza, obviamente se efecta en base a datos obtenidos de una muestra aleatoria, y empleando la prueba de hiptesis estadsticas o llamado tambin contraste de hiptesis estadstica, o simplemente prueba de hiptesis. Qu es una p ue a de hip esis? Una prueba de hiptesis es el proceso mediante el cual, a partir de los valores de una muestra aleatoria e trada de una poblacin bajo estudio, se decide si mantiene el supuesto que plantea el investigador para el parmetro, o se rechaza; con cierta probabilidad de error riesgo) por tomar una decisin. P ocedi ien o de la P ue a de hip esis

1. Plantear adecuadamente la hiptesis nula y la alternativa.
2. Elegir el nivel de significancia (E
3. Elegir el estadstico para la prueba, de acuerdo a los requisitos que exige la teora estadstica inferencial.
4. Definir la regin de rechazo, segn la hiptesis alternativa propuesta.
5. Calcular el estadstico seleccionado para realizar la prueba de hiptesis.
6. Compara el valor de la estadstica de prueba con el valor crtico.
No rechazar la Hiptesis Nula
Rechazar la Hiptesis Nula y aceptar la Alterna
24
Definiciones
Ho es
ptes s nu , y es la que se somete a contraste.

e prueb : La probabilidad Ees el nivel de significacin de la prueba, N e e s gn f n es el riesgo o la probabilidad que el investigador asume de manera voluntaria para equivocarse al rec azar la iptesis nula, cuando en realidad es verdadera. Es tambin la confiabilidad de decidir si se rec aza o no la iptesis nula. La decisin requiere, en primer lugar, trazar un punto de corte (o dos, en elcontraste bilateral), que definir dos zonas, una de rechazo (o crtica) y otra de aceptacin. Ese punto de corte vendr dada por el n e e onf anza y e n e e r esgo, La decisin consiste en rec azar la o si el estadstico de contraste cae en la regin de rec azo, y mantenerla si cae en la regin de aceptacin. Mantener la o significa que la iptesis es compatible con los datos. Rec azarla implica que ambos son incompatibles, luego consideramos la o falsa. Estado real H0 es verdadera H0 es falsa Rec azar H0 Error de t po I OK. No rec azar H0 OK. Error de t po II Error ipo I: rechazar la hiptesis nula cuando en realidad es verdadera. Error ipo II: aceptar la hiptesis nula cuando en realidad es falsa. Estadst o de prueba: Para rec azar o no la iptesis nula se toma una muestra aleatoria de la poblacin bajo estudio y los resultados contenida en ella se usa en expresiones llamadas estadsticos o estadsticas de prueba e indican el grado de discrepancia entre la iptesis nula y los datos muestrales que estn resumidos en las estadsticas. e s n

La e s n (H0 s o H0 no?)
Valor rt o: el punto que divide la regin de aceptacin y la regin de rec azo de la iptesis nula.

Regin de Aceptacin Regin de Rechazo
a). Contraste Unilateral

Derec o: H0 : 0 H1 : > 0
b). Contraste Unilateral

Izquierdo: H0 : 0 H1 : < 0
Rechazar H 0 si el valor de la
Rechazar H 0 si el valor de la estadstica Z zE, en caso
Pruebas un laterales y b laterales
c). Contraste Bilateral:

H0 : = 0 H1 : 0
Rechazar H 0 si el valor de la
< Ing. Edmundo Alarcn Cceres > 25
ptes s H1 es ser inexacta.

tern t
H0, y es la negacin de o. Mientras que o es exacta,

suele
est sti Z "zE, en caso cont ario no se rechaza H 0.
contrario no se rechaza H 0.
estadstica Z zE/ 2 Z 2 , en caso contrario no se rechaza H 0 .
"z
E/
P ue as de si nificancia Prueba de significancia de una cola. Una prueba es de una cola cuando la hiptesis alterna, H 1, establece una direccin, como: H0: el ingreso medio de las mujeres es menor o igual al ingreso medio de los hombres. H1: el ingreso medio de las mujeres es mayor que el de los hombres. Distribucin de muestreo para el valor estadstico z, prueba de una cola, nivel de significancia de 0.05

Prueba de significancia de dos colas . Una prueba es de dos colas cuando no se establece una direccin especfica de la hiptesis alterna H 1, como: H0: el ingreso medio de las mujeres es igual al ingreso medio de los hombres. H1: el ingreso medio de la s mujeres no es igual al ingreso medio de los hombres. Distribucin de muestreo para el valor estadstico z, prueba de dos colas, nivel de significancia de 0.05
MDULO 9: PRUEBAS DE HIPTESIS PARA MUESTRAS GRANDES PRUEBA PARA LA MEDIA POBLACIONAL: Desviacin estndar poblacional conocida Desviacin estndar poblacional desconocida Pruebas respecto a relaciones proporcionales El estadstico de prueba est dado por:
Se estimar con la desviacin estndar de la muestra S, z puede aproximarse con: Parte fraccional o porcentaje que indica la parte de la poblacin o muestra que tiene un atributo particular de inters.

P = Relacin proporcional poblacional
26
Prueba de dos medias poblacionales
Suponga ue los parmetros para dos poblaciones son: 2 no se conocen pero el Cuando 1 tamao de muestra n1 n2 30, el estadstico de prueba es:
Ejemplo: Los fabricantes de ries Catsup indican en su eti ueta ue el contenido de la botella es de 16 onzas. Cada hora se toma una muestra de 36 botellas se pesa el contenido el cual tiene , una distribucin normal de probabilidad La muestra de la ltima hora tiene un peso medio de . 16.12 onzas con una desviacin estndar de 0.5 onzas. Est el proceso fuera de control para un nivel de significancia de 0.05?
3. Estadstico de contraste
Z zE/ 2 Z "zE/ 2 = .96

Contraste Unilateral Derec o:
/2 = 0.025 -1.96
/2 = 0.025 +1.96
Contraste Unilateral Izquierdo:
H0 se rechaza si z < 1. 6 z > 1. 6
4. Definir la regin Primero, la zona de rec azo segn Contraste Bilateral:
= 1 NC = 1 0.95 = 0.05 /2 = 0.05/2 = 0.025 p = 0.95/2 = 0.475 Tabla de D.N. Z 0.475 = 1.96 Contraste bilateral, luego
Caso general 1. Hiptesis Contr. Bilateral: H0 : = 0 H1 : 0 Contr. Unil. Der.: H0 : 0 H1 : > 0 Contr. Unil. Izq.: H0 : 0 H1 : < 0 2. Supuestos a). Poblacin con distribucin normal b). Muestra aleatoria de tamao n.
Ejemplo espe f o Est el proceso fuera de control para un nivel de significancia de 0.05? Media de la poblacin = 16 Media de la muestra X = 16.12 Nivel de Confianza = 0.95 n = 36, = 0.5 H0 : = 16 H1 : 16 Tenemos n suficientemente grande para garantizar una Distribucin Media de la Muestra normal.
Prueba de la diferencia entre dos relaciones proporcionales de poblacin
elacin proporcional muestral
La media ponderada de la elacin proporcional poblacional elacin proporcional muestral
Cont ol de calidad Aplicado a la In eniera
27
5. Calcular el estadstico Del estadstico seleccionado para realizar la prueba de iptesis.
El estadstico de contraste cae en la regin de aceptacin:
Regin de rec azo -1.96
Regin de aceptacin 1.44 1.44 < 1.96
Regin de rec azo +1.96
6. La regla de decisin Se rec aza 0 si Z emp cae en la zona de rec azo determinada por Zteor.

Z emp < Z teor 1.44 < 1.96 Luego mantenemos la 0: los resultados son compatibles con una media igual a 16, es decir, son compatibles con los aciertos esperados por azar.
MDULO
PRUE AS DE
IPTESIS, MUESTRAS PE UEAS
aractersticas de la distribucin t de Student La distribucin t tiene las siguientes propiedades: es continua, tiene forma de campana es simtrica respecto al cero como la distribucin z. existe una familia de distribuciones t ue comparten una media de cero pero con desviaciones estndar diferentes. la distribucin t est ms dispersa es ms plana en el centro ue la distribucin z, pero se acerca a ella cuando el tamao de la muestra crece.
y y y
desviacin estndar poblacional desconocida
PRUE A PARA LA MEDIA POBLACIONAL: El estadstico de prueba para el caso de una muestra est dado por la t de student tiene
una distribucin t, con R= n-1 rados de libertad.

< Ing. Edmundo Alarcn Cceres > 28
Control de calidad Aplicado a la In eniera
Comparacin de dos medias poblacionales
se requieren tres suposiciones: y las poblaciones deben tener una distribucin normal o normal aproximada y las poblaciones deben ser independientes y las variancias de las poblaciones desconocidas pero deben ser iguales Variancia muestral combinada: se requieren tres suposiciones: y las poblaciones deben tener una distribucin normal o normal aproximada y las poblaciones deben ser independientes y las variancias de las poblaciones desconocidas y diferentes y Las muestras independientes que no estn relacionadas. y Las muestras dependientes estn pareadas o relacionadas de alguna manera. y Por ejemplo, cotizacin de precios. Donde: d = promedio de las diferencias S d = desviacin estndar de las diferencias n = es el nmero de pares (diferencias)
Comparacin de dos medias poblacionales
Prueba con observaciones por pares
Ejemplo: La tasa actual para producir fusibles de 5 amp en Neary Electric Co. es 250 por hora. Se compr e instal una mquina nueva que, segn el proveedor, aumentar la tasa de produccin. Una muestra de 10 horas seleccionadas al azar el mes pasado indica que la produccin media por hora en la nueva mquina es 256, con desviacin estndar muestral de 6 por hora. Con 0.05 de nivel de significancia, puede Neary concluir que la nueva mquina es ms rpida?
3. Es ad s ico de con as e
! " !
4. efini la e i n Primero, la zona de rechazo segn Contraste ilateral:

=1 C = 1 0.95 = 0.05; Para una cola es: 1/ = 1/0.05 = 20 /2 = 20/2 = 10 g.l. = n-1 = 10 1 = 9 Tabla de t de una cola t(g.l.),NC = t9,0.05

Caso ene al 1. Hip esis Contr. ilateral: H0 = 0 H1 0 Contr. Unil. Der.: H0 0 H1 0 Contr. Unil. Izq.: H0 0 H1 0 2. upues os a). Poblacin con distribucin normal b). Muestra aleatoria de tamao n.
Eje plo especifico puede Neary concluir que la nueva mquina es ms rpida? Media de la poblacin = 250 Media de la muestra = 256 ivel de Confianza = 0.95; n = 10, = 6 H0 250 H1 250 Tenemos n suficien e en e pequea para garantizar una Distribucin Media de la Muestra normal.

29
t9,0.05 = 1.8331 Contraste Unilateral Derec o, luego
Contraste unilateral derecho, luego tteor = tn1, 1 = t 9,0.95 =1.8331

Contraste Unilateral Derec o:
'
/2 = 10 +1.8331
H0 se rechaza si temp > 1.8331
5. Calcular el estadstico Del estadstico seleccionado para realizar la prueba de iptesis.

1 (
El estadstico de contraste cae en la regin de rec azo:

1.8331 3.1623 3.1623 > 1.8331
6. La regla de decisin Se rec aza 0 si temp cae en la zona de rec azo determinada por tteor.
0 ) 1
MDULO 11: JI CUADRADO Y ANLISIS DE VARIANCIA - ANOVA
Hasta a ora emos trabajado con una o dos muestras. De una muestra, para determinar si una media o proporcin era significativamente diferente del valor ipotetizado y de dos muestras, para determinar si la diferencia de medias o proporciones es significativa. La prueba de Ji cuadrado nos permite trabajar con ms de dos proporciones y ANOVA (anlisis de varianzas) nos permitir probar si ms de dos medias de poblaciones pueden considerarse iguales. PRUEBA JI CUADRADO Gran parte de la informacin recolectada en investigaciones estadstica es nominal o categrica. Cuando tenemos ms de dos poblaciones, utilizaremos la prueba Ji cuadrado, es la distribucin de una variable aleatoria siempre positiva, con una posicin oblicua acia la derec a y unimodal. En realidad la distribucin Ji-cuadrada es la distribucin muestral de S2. O sea que si se extraen todas las muestras posibles de una poblacin normal y a cadamuestra se le calcula su varianza, se obtendr la distribucin muestral de varianzas. < Ing. Edmundo Alarcn Cceres > 30
3 3 3 3 3
t emp > t teor 3.1623 > 1.8331 Luego rec azamos rpida.
1
0:
La nueva mquina es ms
Regin de aceptacin
Regin de rec azo
&
'
La siguiente figura ilustra tres distribuciones X2
La tabla que se utilizar esta en el anexo de probabilidad para valores crticos Ji cuadrado X2 a grados de libertad para valores especiales de E. Para denotar el valor crtico de una distribucin X2 con g.l. grados de libertad se usa el smbolo X2 E (gl) ; por ejemplo para encontrar X2 0.05(6) en la tabla se localiza 6 g.l. en el lado izquierdo y E=0.05 a o largo del lado superior de la misma tabla.
9
Se utiliza para demostrar: y y y Prueba de bondad de ajunte. Prueba de independencia. Prueba de omogeneidad.
@
Deseamos saber si dos caracteres de una poblacin son dependientes o independientes, tambin se trabaja con tablas de contingencias como por ejemplo:
El clculo de probabilidad en una distribucin muestral de varianzas nos sirvepara saber como se va a comportar la varianza o desviacin estndar en una muestra que proviene de una distribucin normal. El clculo de la prueba Ji cuadrado, se realiza con la siguiente formula: < Ing. Edmundo Alarcn Cceres > 31
Donde
2 2
S = Varianza poblacional = Varianza muestral

B
Las hiptesis a plantearse son:

Si aceptamos la H0, podemos considerar que no tenemos evidencia que nos hagan suponer una dependencia entre las dos variables a un nivel de confianza = 1Ejemplo: Una compaa que produce una parte maquinada para un motor, afirma que tiene una varianza de dimetro no mayor a 0.0002 pulgadas. Una muestra aleatoria de 10 de dichas partes dio una varianza de muestra S2=0.0003. Si se supone que las medidas del dimetro se distribuyen en forma normal, hay evidencia para refutar lo que afirma el proveedor? Use E= 0.05 So ucin: Como en todos los ensayos de hiptesis que se han realizado anteriormente el procedimiento es el mismo. Despus de que se identifican los datos, se plantea la hiptesis para determinar el tipo de ensayo. Datos: 2 = 0.0002 n = 10 S2 = 0.0003 E = 0.05 Ensayo de hiptesis:
G F E
Regla de decisin:
P I
Si Si
2 2
16.919 no se rechaza Ho. 16.919 se rechaza Ho.
se distribuye con (n-1) g.l.
Contraste ilateral:
Contraste Unilateral Derecho:
C H
32

Clculos:
Justificacin y decisin: Como 13.5 no es mayor que 16.919 por lo tanto no se rechaza Ho y se concluye con un nivel de significancia de 0.05 que no se puede refutar la afirmacin del proveedor. Es un mtodo de clculo para probar la hiptesis de que las medias de dos o ms poblaciones son iguales. En un estudio ANOVA, se aplican tratamientos (programas de capacitacin, mtodos de enseanza, ingreso per cpita, etc.) a entidades denominados uni ades e erimentales (estudiantes, clientes, consumidores, trabajadores). El atributo de las entidades, que se desea medir recibe el nombre de factor. En un estudio ANOVA se pueden aplicar modelos de efectos fijos o aleatorios. En un modelo de efectos fijos, se seleccionan tratamientos especficos o se fijan antes del estudio determinstico. En un modelo de efectos aleatorios, los tratamientos utilizados en el estudio se seleccionan aleatoriamente. Como por ejemplos:1). Comparacin de ilometraje logrado por cinco clases de gasolina. 2). Cual de los cuatro mtodos de capacitacin produce el rpido aprendizaje. 3). La dosificacin de drogas en un paciente. La necesidad de disponer de mtodos estadsticos para comparar las varianzas de dos poblaciones es evidente a partir del anlisis de una sola poblacin y para la solucin de este tipo de estudios se aplica la distribucin F de FISHER. Frecuentemente se desea comparar la precisin de un instrumento de medicin con la de otro, la estabilidad de un proceso de manufactura con la de otro. La variable aleatoria F es no negativa, y la distribucin tiene un sesgo hacia la derecha. La distribucin F tiene una apariencia muy similar a la distribucin Ji cuadrada; sin embargo, se encuentra centrada respecto a 1, y los dos parmetros v1 y v2 proporcionan una fle ibilidad adicional con respecto a la forma de la distribucin. Si S12 y s22 son las varianzas muestrales independientes de tamao n1 y n 2 tomadas de poblaciones normales con varianzas 12 y 22, respectivamente, entonces se tiene la prueba estadstica de F con n1 1 , n2 1 ados de li e ad:
f g h b f b e dd c d cc a ` YX W V
5 6 7 8 24 500 2.11 2.92 33.804 32.363 32.058 31.621 21.828 20.649 20.409 20.045
N VA Anal sis f Va iance

U R S R
Las tablas tienen la siguiente estructura: Para manejar las tablas de Fisher se tendr que buscar los grados de libertad n1 y n2, para calcular el valor de F.
n2 1 2 19 20 63.621 49.782 44.412 41.531 39.727 38.475 37.558 36.86 36.307 46.071 34.794 30.457 28.114 26.645 25.633 24.891 24.324 23.88 1 2 3 5% (normal) y 1% (negritas) puntos para la distribucin F n1 grados de libertad (para el mayor cuadrado medio) 4
Ejemplos: Encontrar el valor de F, en cada uno de los siguientes casos: a). El rea a la derecha de F, es de = 5% con b). El rea a la derecha de F, es de = 1% con
33
n 1 = 24 y n 2 = 19.
n 1 = 24 y n 2 = 19.
Las hiptesis se plantean de la siguiente manera: Contraste Unilateral Derecho:
Se debe cumplir las siguientes condiciones:
Las poblaciones estn distribuidas normalmente. Las poblaciones tienen varianzas iguales Las muestras se seleccionan de modo independiente. Ejemplo: La variabilidad en la cantidad de impurezas presentes en un lote de productos qumicos, utilizada para un proceso en particular, depende del tiempo que tarda el proceso. Un fabricante que emplea dos lneas de produccin 1 y 2, hizo un pequeo ajuste al proceso 2, con la esperanza de reducir la variabilidad, as como la cantidad media de impurezas en los productos qumicos. Muestras de n1=25 y n2=20 mediciones de dos lotes produjeron las siguientes medias y varianzas:
Presentan los datos evidencia suficiente para indicar que las variaciones del proceso son menores para el 2? Realice una prueba con un a = 0.05.
Solucin: Datos:
Ensayo de hiptesis:
Estadstico de prueba:
34
La sugerencia que se hace es que el numerador sea el de valor mayor. Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos uno. v1 = 25 - 1 = 24 y v2 = 20 1 = 19.
p
Regla de decisin: Si F 2.11 No se rechaza Ho, Clculo:

r q
Si F
2.11 se rechaza Ho.
Decisin y Justificacin: Como 2.04 es menor que 2.11 no se rechaza Ho, y se concluye con un a = 0.05 que no e iste suficiente evidencia para decir que la varianza del proceso 2 es menor que la del proceso 1. MDULO 12: REGRESIN LINEAL Y CORRELACIN Anlisis de co elaci n: se usa un grupo de tcnicas estadsticas para medir la fuerza de la relacin (correlacin) entre dos variables. Al analizar un conjunto de datos bivariados es conveniente obtener algn conocimiento acerca de la relacin que puede e istir entre estas variables cuantitativas, por ejemplo, analizar la relacin entre: X Ingresos Peso Ingresos generados Puntaje en prueba de habilidad matemtica Y Egresos Edad
v t ss
UNIDAD ESTADSTICA Municipio de Lima Metropolitana Personal obrero de una constructora Centro hospitalario Alumno de nivel secundaria en Ate
u
astos
Puntaje en prueba de habilidad verbal
La naturaleza e intensidad de las relaciones entre variables pueden ser e aminadas por medio del anlisis de regresin y correlacin, dos tcnicas estadsticas relacionadas pero que sirven para propsitos diferentes. El anlisis se realiza conjuntamente dos variables cuantitativas, una de ellas llamada variable dependiente o de respuesta (y) cuyo comportamiento se debe o se e plica por otra variable llamada independiente (x), a sta ltima se le denomina tambin variable e plicativa o variable regresora. Dia a a de dispe si n:
y y x w w
35
Grfica que describe la relacin entre las dos variables de inters. Es de gran utilidad porque los puntos graficados nos mostrarn la naturaleza y la fuerza de la relacin entre dichas variables: Co elaci n ne a iva pe fec a
e ee
Co elaci n posi iva pe fec a

e ee
5.4. Modelo de e esi n lineal si ple po lacional
Para las variables bajo estudio, el
odelo se escribe:
y !F0 F1x I
Es la ecuacin que describe como se relaciona y con x y el trmino error aleatorio. Donde: y : variable dependiente o de respuesta. Es la variable por modelar o predecir. x : variable independiente o regresora. Es la variable que se utiliza para modelar o predecir. o: parmetro del modelo; es la ordenada en el origen, 1: parmetro del modelo, pendiente de la recta, indica la magnitud del incremento o decremento de y por cada unidad de incremento en x. e: error o perturbacin aleatoria, e plica la variabilidad en y, que no puede ser e plicada en el modelo. Supues os: 1. Los valores de la variable independiente x son "fijos". 2. La variable x se mide sin error (se desprecia el error de medicin en x) 3. Los errores son aleatorios, se distribuyen normalmente con media cero y variancia uno. Suposiciones funda en ales de e esi n lineal
y y

Para cada valor de , e iste un grupo de valores de Y que tienen una distribucin normal. Las medias de estas distribuciones normales de valores de Y deben estar sobre la recta de regresin.
d
ee
Co elaci n ce o
e ee
Co elaci n posi iva fue e
e h
h g f
36
Estimacin de los Par metros del
El modelo de regresin lineal simple ajustado, se obtiene en base a los datos de u muestra: na Donde: y: Es el valor estimado de y para un determinado valor de x. F0: Es el estimador de la ordenada en el origen. F1: Es el estimador de la pendiente de la recta. Para estimar los parmetros del modelo se utiliza el Mtodo de los mnimos cuadrados, que es un procedimiento que permite encontrar los estimadores de los parmetros del modelo, que minimiza la suma de los cuadrados de las desviaciones entre los valores de la variable de respuesta (valores de la muestra) y los valores estimados de la variable de respuesta (obtenidos en la ecuacin estimada de regresin): An lisis de regresin Propsito: determinar la ecuacin de regresin; se usa para predecir el valor de la variable diente (X). dependiente ( ) basado en la variable indepen Procedimiento: seleccionar una muestra de la poblacin y enumerar los datos por pares para cada observacin; dibujar un diagrama de dispersin para visualizar la relacin; determinar la ecuacin de regresin.
La ecuacin de regresin: onde:
q p
Valor promedio pronosticado de Y para cualquier valor de X. a Intercepcin en Y, o el valor estimado de Y cuando X 0 b Pendiente de la recta, o cambio promedio en Y por cada cambio de una unidad en X usa el se principio de mnimos cuadrados para obtener a b:
Coeficiente de covarianza. Llamada tambin varianza simultanea o compartida, es el estadgrafa que mide la varianza conjunta de las variables, se le representa por:
Varianza residual. < Ing. Edmundo Alarcn Cceres > 37
y y
Las desviaciones estndar de estas distribuciones normales son iguales. Los valores de son estadsticamente independientes. Es decir, que en la seleccin de una muestra, los valores elegidos de para un valor particular de X no depende de los valores de para otro valor de X. odelo de regresin lineal simple .
Es el estadgrafo que mide el grado de dispersin de los datos respecto a la recta de ajuste,
Por tanto la varianza residual de la regresin del Y en funcin de

r
Y la varianza residual de la regresin del
en funcin de Y es:
Ejemplo: Ejemplo: Dan Ireland, presidente de la sociedad editora de libros, est preocupado por el costo de los libros. Para tener un panorama del problema elige una muestra de 8 libros de venta en la librera. Desarrollar una ecuacin de regresin para la informacin dada para estimar el precio de venta basado en el nmero de pginas. Por el principio de mnimos cuadrados, b = 0.01714 y a = 16.0 = 16.0 + 0.01714X Error es ndar de la es i aci n
u s s
Libro 1 2 3 4 5 6 7 8
El error estndar de la estimacin mide la dispersin de los valores observados alrededor de la recta de regresin. La frmula usada para calcular el error estndar es la raz cuadrada positiva de la varianza Residual. Ejemplo: del ejercicio anterior calcule el error estndar de la estimacin:
Coeficien e de correlaci n, r El coeficiente de correlacin (r) es una medida de la intensidad de la relacin entre dos variables. Esta correlacin permite tomar decisiones o calificar a la relacin e istente entre i Y, se le representa por r Puede tomar valores entre -1.00 y 1.00. (-1 r 1) Valores que indican correlacin fuerte y perfecta. Valores cercanos a 0.0 indican correlacin dbil. Valores negativos indican una relacin inversa y valores positivos indican una relacin directa. En la prctica se trabaja con el valor absoluto de r, entonces, a medida que r se apro ime a 1, ms grande es el grado de correlacin entre los datos, de acuerdo con esto el coeficiente de correlacin se puede clasificar de varias formas, como se observa en la Tabla. Clasificacin del grado de correlacin. CORRELACIN Perfecta Excelente uena Regular Mala
z v y y w v x
VALOR O RANGO |r| = 1 0.9 = |r| 1 0.8 = |r| 0.9 0.5 = |r| 0.8 |r| 0.5
y y y y y y y
Frmula para r.
es:
Pginas X 500 700 800 600 400 500 600 800
Costo ($) Y 28 25 33 24 23 27 21 31
38
El ngulo entre el vector formado por las desviaciones del X con respecto a su valor medio y el de la con respecto a su valor medio, , esta definido por:

El ngulo muestra el grado de paralelismo entre los vectores (a > desviacin).
> desviacin y a <
La varianza que no es explicada por las rectas de regresin esta dada por: 100 - r2 Coeficiente de determinacin. El coeficiente de determinacin, r2 es la proporcin de la variacin total en la variable dependiente que est explicada por o se debe a la variacin en la variable independiente X. El coeficiente de determinacin es el cuadrado del coeficiente de correlacin, y toma valores de 0 a 1. Ejemplo: Calcule el coeficiente de correlacin del estudio de la relacin entre el nmero de pginas del libro y el costo. r = 0.614 (verificar) Pruebe la iptesis. La prueba de iptesis se desarrolla con la t de student.

Ejemplo: Del ejercicio anterior se formula la poblacin. Use 0.02 de nivel de significancia. Paso 1: Paso 2: Determinar la t con t en tabla
iptesis de que no existe correlacin en la
Ho: la correlacin en la poblacin = cero. H1 : la correlacin en la poblacin cero. = 0.02 y (n 2) gl (8 2) = 6 g.l.
t = 3.143 para dos colas
Ho se rec aza si t > 3.143 o si t < -3.143, Calcular es estadstico de prueba con:
El estadstico de prueba es t = 1.9055, Paso 4: Ho no se rec aza.
<
39
rea bajo la curva normal estndar de 0 a )

0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
Z 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3.0 3.1 3.2 3.3 3.4 3.6 3.9
0.0000 0.0398 0.0793 0.1179 0.1554 0.1915 0.2257 0.2580 0.2881 0.3159 0.3416 0.3643 0.3849 0.4032 0.4192 0.4332 0.4452 0.4554 0.4641 0.4713 0.4773 0.4821 0.4861 0.4893 0.4918 0.4938 0.4953 0.4965 0.4974 0.4981 0.4987 0.4990 0.4993 0.4995 0.4997 0.4998 0.5000
0.0040 0.0438 0.0832 0.1217 0.1591 0.1950 0.2291 0.2611 0.2910 0.3186 0.3438 0.3665 0.3869 0.4049 0.4207 0.4345 0.4463 0.4564 0.4649 0.4719 0.4778 0.4826 0.4865 0.4896 0.4920 0.4940 0.4955 0.4966 0.4975 0.4982 0.4987 0.4991 0.4993 0.4995 0.4997 0.4998
0.0080 0.0478 0.0871 0.1255 0.1628 0.1985 0.2324 0.2642 0.2939 0.3212 0.3461 0.3686 0.3888 0.4066 0.4222 0.4357 0.4474 0.4573 0.4656 0.4726 0.4783 0.4830 0.4868 0.4898 0.4922 0.4941 0.4956 0.4967 0.4976 0.4983 0.4987 0.4991 0.4994 0.4995 0.4997 0.4999
0.0120 0.0517 0.0910 0.1293 0.1664 0.2019 0.2357 0.2673 0.2967 0.3238 0.3485 0.3708 0.3907 0.4082 0.4236 0.4370 0.4484 0.4582 0.4664 0.4732 0.4788 0.4834 0.4871 0.4901 0.4925 0.4943 0.4957 0.4968 0.4977 0.4983 0.4988 0.4991 0.4994 0.4996 0.4997 0.4999
IS
IB CI
A EX S ECUE CIAS ACUMULA IVA
MAL
0.0160 0.0557 0.0948 0.1331 0.1700 0.2054 0.2389 0.2704 0.2995 0.3264 0.3508 0.3729 0.3925 0.4099 0.4251 0.4382 0.4495 0.4591 0.4671 0.4738 0.4793 0.4838 0.4875 0.4904 0.4927 0.4945 0.4959 0.4969 0.4977 0.4984 0.4988 0.4992 0.4994 0.4996 0.4997 0.4999
0.0199 0.0596 0.0987 0.1368 0.1736 0.2088 0.2422 0.2734 0.3023 0.3289 0.3531 0.3749 0.3944 0.4115 0.4265 0.4394 0.4505 0.4599 0.4678 0.4744 0.4798 0.4842 0.4878 0.4906 0.4929 0.4946 0.4960 0.4970 0.4978 0.4984 0.4989 0.4992 0.4994 0.4996 0.4997 0.4999
0.0239 0.0636 0.1026 0.1406 0.1772 0.2123 0.2454 0.2764 0.3051 0.3315 0.3554 0.3770 0.3962 0.4131 0.4279 0.4406 0.4515 0.4608 0.4686 0.4750 0.4803 0.4846 0.4881 0.4909 0.4931 0.4948 0.4961 0.4971 0.4979 0.4985 0.4989 0.4992 0.4994 0.4996 0.4997 0.4999
0.0279 0.0675 0.1064 0.1443 0.1808 0.2157 0.2486 0.2794 0.3078 0.3340 0.3577 0.3790 0.3980 0.4147 0.4292 0.4418 0.4525 0.4616 0.4693 0.4756 0.4808 0.4850 0.4884 0.4911 0.4932 0.4949 0.4962 0.4972 0.4980 0.4985 0.4989 0.4992 0.4995 0.4996 0.4997 0.4999
0.0319 0.0714 0.1103 0.1480 0.1844 0.2090 0.2517 0.2813 0.3106 0.3365 0.3599 0.3810 0.3997 0.4162 0.4306 0.4429 0.4535 0.4625 0.4699 0.4761 0.4812 0.4854 0.4887 0.4913 0.4934 0.4951 0.4963 0.4973 0.4980 0.4986 0.4990 0.4993 0.4995 0.4996 0.4997 0.4999
0.0359 0.0723 0.1141 0.1517 0.1879 0.2224 0.2549 0.2852 0.3133 0.3389 0.3621 0.3830 0.4015 0.4177 0.4319 0.4441 0.4545 0.4633 0.4706 0.4767 0.4817 0.4857 0.4890 0.4916 0.4936 0.4952 0.4964 0.4974 0.4981 0.4986 0.4990 0.4993 0.4995 0.4997 0.4998 0.4999
40
TABLAS DE DISTRIBUCIN t
Tablas de distribucin t de student, los grados de libertad se encuentran en la primera fila, los valores de alfa es para un tratamiento de dos colas .
gl -E 10 20 40 50 100 200 1000 2000 10000 20000 100000 200000 1000000 E 0.1 0.05 0.025 0.02 0.01 0.005 0.001 0.0005 0.0001 1 6.3137 12.7062 25.4519 31.8210 63.6559 127.3211 636.5776 1273.1552 6370.5444 2 2.9200 4.3027 6.2054 6.9645 9.9250 14.0892 31.5998 44.7035 100.1358 141.2630 314.7125 457.7637 915.5273 3 2.3534 3.1824 4.1765 4.5407 5.8408 7.4532 12.9244 16.3261 28.0142 35.3158 60.7967 76.2939 133.514 152.588 13 1.7709 2.1604 2.5326 2.6503 3.0123 3.3725 4.2209 4.5972 5.5134 5.9279 6.9663 7.4506 8.6427 9.5367 23 1.7139 2.0687 2.3979 2.4999 2.8073 3.1040 3.7676 4.0475 4.6939 4.9733 5.6252 5.9232 6.5565 4 2.1318 2.7765 3.4954 3.7469 4.6041 5.5975 8.6101 10.3051 15.5345 18.5147 27.7162 33.3786 47.6837 57.2205 14 1.7613 2.1448 2.5096 2.6245 2.9768 3.3257 4.1403 4.4995 5.3644 5.7556 6.7055 7.1526 8.3447 8.9407 24 1.7109 2.0639 2.3910 2.4922 2.7970 3.0905 3.7454 4.0207 4.6543 4.9267 5.5693 5.8487 6.5565 5 2.0150 2.5706 3.1634 3.3649 4.0321 4.7733 6.8685 7.9756 11.1759 12.8895 17.8814 20.5636 28.6102 38.1470 15 1.7531 2.1315 2.4899 2.6025 2.9467 3.2860 4.0728 4.4168 5.2387 5.6066 6.5193 6.9290 7.7486 8.3447 25 1.7081 2.0595 2.3846 2.4851 2.7874 3.0782 3.7251 3.9965 4.6194 4.8848 5.5134 5.7742 6.5565 6 1.9432 2.4469 2.9687 3.1427 3.7074 4.3168 5.9587 6.7882 9.0804 10.2632 13.5601 15.1992 20.2656 23.8419 16 1.7459 2.1199 2.4729 2.5835 2.9208 3.2520 4.0149 4.3464 5.1339 5.4855 6.3330 6.7055 7.7486 8.3447 26 1.7056 2.0555 2.3788 2.4786 2.7787 3.0669 3.7067 3.9744 4.5868 4.8475 5.4576 5.7369 6.2585 7 1.8946 2.3646 2.8412 2.9979 3.4995 4.0294 5.4081 6.0815 7.8883 8.7824 11.1759 12.5170 15.4972 19.0735 17 1.7396 2.1098 2.4581 2.5669 2.8982 3.2224 3.9651 4.2858 5.0431 5.3784 6.1840 6.5565 7.4506 8.3447 27 1.7033 2.0518 2.3734 2.4727 2.7707 3.0565 3.6895 3.9540 4.5565 4.8149 5.4203 5.6624 6.2585
1.8595 2.3060 2.7515 2.8965 3.3554 3.8325 5.0414 5.6170 7.1200 7.8510 9.7603 10.7288 13.1130 14.3051 18 1.7341 2.1009 2.4450 2.5524 2.8784 3.1966 3.9217 4.2332 4.9663 5.2899 6.0722 6.4075 7.1526 7.7486 28 1.7011 2.0484 2.3685 2.4671 2.7633 3.0470 3.6739 3.9348 4.5309 4.7823 5.3644 5.6252 6.2585
0.00005 12664.7949 0.00001 63476.5625 0.000005 126953.125 0.000001 625000.0 gl --
2000000 0.0000005
2500000.0 1220.7031
E 10 20 40 50 100 200 1000 2000 10000 20000 100000 200000 1000000
E 0.1 0.05 0.025 0.02 0.01 0.005 0.001 0.0005 0.0001 0.00005 0.00001 0.000005 0.000001 gl --
11 1.7959 2.2010 2.5931 2.7181 3.1058 3.4966 4.4369 4.8633 5.9232 6.4075 7.6368 8.1956 9.5367 10.7288
12 1.7823 2.1788 2.5600 2.6810 3.0545 3.4284 4.3178 4.7166 5.6950 6.1467 7.2643 7.7486 8.9407 9.5367 22 1.7171 2.0739 2.4055 2.5083 2.8188 3.1188 3.7922 4.0769 4.7358 5.0198 5.6997 5.9977 6.7055
2000000 0.0000005
E 10 20 40 50 100 200 1000 2000 10000 20000 100000 200000 1000000
E 0.1 0.05 0.025 0.02 0.01 0.005 0.001 0.0005 0.0001 0.00005 0.00001 0.000005 0.000001
21 1.7207 2.0796 2.4138 2.5176 2.8314 3.1352 3.8193 4.1095 4.7847 5.0757 5.7742 6.0722 6.8545
9 1.8331 2.2622 2.6850 2.8214 3.2498 3.6896 4.7809 5.2911 6.5938 7.2177 8.8289 9.6112 11.9209 13.1130 19 1.7291 2.0930 2.4334 2.5395 2.8609 3.1737 3.8833 4.1869 4.8988 5.2061 5.9605 6.2585 7.1526 7.7486 29 1.6991 2.0452 2.3638 2.4620 2.7564 3.0380 3.6595 3.9177 4.5053 4.7544 5.3272 5.5879 6.2585
10 1.8125 2.2281 2.6338 2.7638 3.1693 3.5814 4.5868 5.0489 6.2119 6.7614 8.1584 8.7917 10.7288 11.9209 20 1.7247 2.0860 2.4231 2.5280 2.8453 3.1534 3.8496 4.1461 4.8382 5.1409 5.8487 6.1840 6.8545 7.1526 30 1.6973 2.0423 2.3596 2.4573 2.7500 3.0298 3.6460 3.9017 4.4820 4.7311 5.2899 5.5507 6.1095
41
2000000 0.0000005 gl -E 10 20 40 50 100 200 1000 2000 10000 20000 100000 200000 1000000 E 0.1 0.05 0.025 0.02 0.01 0.005 0.001 0.0005 0.0001 0.00005 0.00001 0.000005 0.000001 gl -E 10 20 40 50 100 200 1000 2000 10000 20000 100000 200000 1000000 E 0.1 0.05 0.025 0.02 0.01 0.005 0.001 0.0005 0.0001 0.00005 0.00001 0.000005 0.000001 gl -E 10 20 40 50 100 200 1000 2000 10000 20000 100000 200000 1000000 E 0.1 0.05 0.025 0.02 0.01 0.005 0.001 0.0005 0.0001 0.00005 0.00001 0.000005 0.000001
7.1526
7.1526 50 1.6759 2.0086 2.3109 2.4033 2.6778 2.9370 3.4960 3.7230 4.2282 4.4378 4.9174 5.1036 5.6624 5.9605 225 1.6517 1.9706 2.2565 2.3430 2.5979 2.8350 3.3343 3.5320 3.9616 4.1351 4.5262 4.6752 5.0664 5.3644 550 1.6476 1.9643 2.2476 2.3331 2.5848 2.8184 3.3082 3.5018 3.9197 4.0885 4.4610 4.6194 4.9174 5.0664
7.1526 60 1.6706 2.0003 2.2990 2.3901 2.6603 2.9146 3.4602 3.6808 4.1688 4.3702 4.8243 5.0291 5.5134 5.6624 250 1.6510 1.9695 2.2550 2.3414 2.5956 2.8322 3.3299 3.5268 3.9546 4.1281 4.5076 4.6566 5.0664 5.0664 600 1.6474 1.9639 2.2470 2.3326 2.5841 2.8175 3.3068 3.5000 3.9162 4.0862 4.4517 4.6194 4.9174 5.0664
7.1526 70 1.6669 1.9944 2.2906 2.3808 2.6479 2.8987 3.4350 3.6508 4.1269 4.3213 4.7684 4.9546 5.3644 5.6624 275 1.6504 1.9686 2.2537 2.3400 2.5938 2.8299 3.3263 3.5227 3.9488 4.1211 4.5076 4.6566 5.0664 5.0664 650 1.6472 1.9636 2.2466 2.3321 2.5834 2.8167 3.3056 3.4983 3.9150 4.0838 4.4517 4.6007 4.9174 5.0664
6.5565 80 1.6641 1.9901 2.2844 2.3739 2.6387 2.8870 3.4164 3.6287 4.0955 4.2887 4.7125 4.8988 5.3644 5.3644 300 1.6499 1.9679 2.2527 2.3388 2.5923 2.8279 3.3232 3.5192 3.9442 4.1164 4.4890 4.6566 5.0664 5.0664 700 1.6470 1.9634 2.2462 2.3317 2.5829 2.8160 3.3044 3.4971 3.9127 4.0815 4.4517 4.6007 4.9174 5.0664
6.5565 90 1.6620 1.9867 2.2795 2.3685 2.6316 2.8779 3.4019 3.6118 4.0722 4.2608 4.6752 4.8429 5.2154 5.3644 325 1.6496 1.9673 2.2518 2.3379 2.5910 2.8263 3.3207 3.5163 3.9395 4.1118 4.4890 4.6380 4.9919 5.0664 750 1.6469 1.9631 2.2459 2.3313 2.5824 2.8154 3.3036 3.4960 3.9116 4.0792 4.4517 4.6007 4.9174 5.0664
6.5565 100 1.6602 1.9840 2.2757 2.3642 2.6259 2.8707 3.3905 3.5984 4.0536 4.2398 4.6566 4.8243 5.2154 5.3644 350 1.6492 1.9668 2.2511 2.3370 2.5899 2.8249 3.3186 3.5137 3.9360 4.1071 4.4890 4.6380 4.9919 5.0664 800 1.6468 1.9629 2.2456 2.3310 2.5820 2.8148 3.3027 3.4951 3.9104 4.0792 4.4517 4.6007 4.9174 5.0664
6.5565 125 1.6571 1.9791 2.2687 2.3566 2.6157 2.8577 3.3701 3.5742 4.0198 4.2003 4.6007 4.7684 5.2154 5.3644 375 1.6489 1.9663 2.2504 2.3363 2.5890 2.8237 3.3167 3.5114 3.9325 4.1025 4.4797 4.6194 4.9919 5.0664 1000 1.6464 1.9623 2.2448 2.3301 2.5807 2.8133 3.3002 3.4922 3.9069 4.0745 4.4424 4.5821 4.9174 5.0664
6.5565 150 1.6551 1.9759 2.2641 2.3515 2.6090 2.8492 3.3565 3.5582 3.9977 4.1770 4.5728 4.7311 5.0664 5.3644 400 1.6487 1.9659 2.2499 2.3357 2.5882 2.8227 3.3151 3.5093 3.9302 4.1001 4.4703 4.6194 4.9174 5.0664 2000 1.6456 1.9612 2.2431 2.3282 2.5783 2.8102 3.2954 3.4863 3.8987 4.0652 4.4331 4.5821 4.9174 5.0664
6.5565 175 1.6536 1.9736 2.2608 2.3478 2.6042 2.8431 3.3469 3.5472 3.9814 4.1584 4.5449 4.7125 5.0664 5.3644 450 1.6482 1.9652 2.2489 2.3347 2.5868 2.8210 3.3123 3.5064 3.9255 4.0955 4.4703 4.6194 4.9174 5.0664 3000 1.6454 1.9608 2.2425 2.3276 2.5775 2.8091 3.2938 3.4846 3.8953 4.0606 4.4238 4.5821 4.9174 5.0664
2000000 0.0000005
2000000 0.0000005
2000000 0.0000005
40 1.6839 2.0211 2.3289 2.4233 2.7045 2.9712 3.5510 3.7884 4.3213 4.5449 5.0478 5.2527 5.8115 5.9605
200 1.6525 1.9719 2.2584 2.3451 2.6006 2.8385 3.3398 3.5387 3.9698 4.1444 4.5262 4.6939 5.0664 5.3644
500 1.6479 1.9647 2.2482 2.3338 2.5857 2.8195 3.3101 3.5038 3.9220 4.0908 4.4610 4.6194 4.9174 5.0664
42
TABLAS DE DISTRIBUCIN JI CUADRADA Tablas de distribucin "Ji Cuadrada" o 2, los grados de libertad se encuentran en la primera fila.
g.l.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 2.7055 4.6052 6.2514 7.7794 9.2363 10.6446 12.017 13.3616 14.6837 15.9872 17.275 18.5493 19.8119 21.0641 22.3071 23.5418 24.769 25.9894 27.2036 28.412 29.6151 30.8133 32.0069 33.1962 34.3816 35.5632 36.7412 37.9159 39.0875 40.256 41.4217 42.5847 43.7452 44.9032 46.0588 47.2122 48.3634 49.5126 50.6598 51.805

NIVEL DE SIGNIFICANCIA
3.8415 5.9915 7.8147 9.4877 11.0705 12.5916 14.0671 15.5073 16.919 18.307 19.6752 21.0261 22.362 23.6848 24.9958 26.2962 27.5871 28.8693 30.1435 31.4104 32.6706 33.9245 35.1725 36.415 37.6525 38.8851 40.1133 41.3372 42.5569 43.773 44.9853 46.1942 47.3999 48.6024 49.8018 50.9985 52.1923 53.3835 54.5722 55.7585 5.0239 7.3778 9.3484 11.1433 12.8325 14.4494 16.0128 17.5345 19.0228 20.4832 21.92 23.3367 24.7356 26.1189 27.4884 28.8453 30.191 31.5264 32.8523 34.1696 35.4789 36.7807 38.0756 39.3641 40.6465 41.9231 43.1945 44.4608 45.7223 46.9792 48.2319 49.4804 50.7251 51.966 53.2033 54.4373 55.668 56.8955 58.1201 59.3417 6.6349 9.2104 11.3449 13.2767 15.0863 16.8119 18.4753 20.0902 21.666 23.2093 24.725 26.217 27.6882 29.1412 30.578 31.9999 33.4087 34.8052 36.1908 37.5663 38.9322 40.2894 41.6383 42.9798 44.314 45.6416 46.9628 48.2782 49.5878 50.8922 52.1914 53.4857 54.7754 56.0609 57.342 58.6192 59.8926 61.162 62.4281 63.6908 7.8794 10.5965 12.8381 14.8602 16.7496 18.5475 20.2777 21.9549 23.5893 25.1881 26.7569 28.2997 29.8193 31.3194 32.8015 34.2671 35.7184 37.1564 38.5821 39.9969 41.4009 42.7957 44.1814 45.5584 46.928 48.2898 49.645 50.9936 52.3355 53.6719 55.0025 56.328 57.6483 58.9637 60.2746 61.5811 62.8832 64.1812 65.4753 66.766

0 1/0 90

0 05/0 95
0 025/0 975
0 01/0 99
0 005/0 995
43
41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84
52.9485 54.0902 55.2302 56.3685 57.5053 58.6405 59.7743 60.9066 62.0375 63.1671 64.2954 65.4224 66.5482 67.6728 68.7962 69.9185 71.0397 72.1598 73.2789 74.397 75.5141 76.6302 77.7454 78.8597 79.973 81.0855 82.1971 83.3079 84.4179 85.527 86.6354 87.7431 88.8499 89.9561 91.0615 92.1662 93.2702 94.3735 95.4762 96.5782 97.6796 98.7803 99.8805 100.98
56.9424 58.124 59.3035 60.4809 61.6562 62.8296 64.0011 65.1708 66.3387 67.5048 68.6693 69.8322 70.9934 72.1532 73.3115 74.4683 75.6237 76.7778 77.9305 79.082 80.2321 81.381 82.5287 83.6752 84.8206 85.9649 87.108 88.2502 89.3912 90.5313 91.6703 92.8083 93.9453 95.0815 96.2167 97.351 98.4844 99.617 100.7486 101.8795 103.0095 104.1387 105.2672 106.3949
60.5606 61.7767 62.9903 64.2014 65.4101 66.6165 67.8206 69.0226 70.2224 71.4202 72.616 73.8099 75.0019 76.1921 77.3804 78.5671 79.7522 80.9356 82.1174 83.2977 84.4764 85.6537 86.8296 88.004 89.1772 90.3488 91.5193 92.6885 93.8565 95.0231 96.1887 97.353 98.5162 99.6784 100.8393 101.9992 103.1581 104.3159 105.4727 106.6285 107.7834 108.9373 110.0902 111.2422
64.95 66.2063 67.4593 68.7096 69.9569 71.2015 72.4432 73.6826 74.9194 76.1538 77.386 78.6156 79.8434 81.0688 82.292 83.5136 84.7327 85.9501 87.1658 88.3794 89.5912 90.8015 92.0099 93.2167 94.422 95.6256 96.8277 98.0283 99.2274 100.4251 101.6214 102.8163 104.0098 105.2019 106.3929 107.5824 108.7709 109.9582 111.144 112.3288 113.5123 114.6948 115.8762 117.0566
68.0526 69.336 70.6157 71.8923 73.166 74.4367 75.7039 76.9689 78.2306 79.4898 80.7465 82.0006 83.2525 84.5018 85.7491 86.994 88.2366 89.477 90.7153 91.9518 93.1862 94.4185 95.6492 96.8779 98.1049 99.3303 100.5538 101.7757 102.9961 104.2148 105.4323 106.6473 107.8619 109.0742 110.2854 111.4954 112.7037 113.9107 115.1163 116.3209 117.524 118.7261 119.927 121.1262
44
85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
102.0789 103.1773 104.275 105.3723 106.4689 107.565 108.6606 109.7556 110.8501 111.9442 113.0377 114.1307 115.2232 116.3153 117.4069 118.498
107.5217 108.6479 109.7733 110.898 112.022 113.1452 114.2679 115.3898 116.511 117.6317 118.7516 119.8709 120.9897 122.1077 123.2252 124.3421
112.3933 113.5436 114.6929 115.8415 116.989 118.1359 119.282 120.427 121.5714 122.7152 123.858 125.0001 126.1414 127.2821 128.4219 129.5613
118.2356 119.4137 120.5909 121.7672 122.9422 124.1162 125.2893 126.4616 127.633 128.8032 129.9725 131.1411 132.3089 133.4756 134.6415 135.8069
122.3244 123.5218 124.7176 125.9123 127.106 128.2987 129.4902 130.6812 131.8705 133.0589 134.2466 135.4327 136.6188 137.803 138.9869 140.1697
45
46
47
48
49

Distribucion de Probabilidades Completo

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Distribucion de Probabilidades Completo

Загружено:

Авторское право:

Доступные форматы

Control de calidad Aplicado a la Ingeniera

< Ing. Edmundo Alarcn Cceres >

Control de calidad Aplicado a la Ingeniera

S = : { a1, a2, a 3, ..., a n }

< Ing. Edmundo Alarcn Cceres >

Control de calidad Aplicado a la Ingeniera

< Ing. Edmundo Alarcn Cceres >

Control de calidad Aplicado a la Ingeniera

< Ing. Edmundo Alarcn Cceres >

Control de calidad Aplicado a la Ingeniera

R1 7/12 5/11 7/11 5/12 B1 B2 R2

< Ing. Edmundo Alarcn Cceres >

Control de calidad Aplicado a la Ingeniera

c) Probabilidad de que hubiera niebla:

< Ing. Edmundo Alarcn Cceres >

Control de calidad Aplicado a la Ingeniera

= ( 12! ) / [ 5! ( 12 - 5 )! ] =792 = ( 12! ) / ( 12 - 5 )! = 95,040

Suponga que el entrenador Alexis debe clasificarlos en orden:

< Ing. Edmundo Alarcn Cceres >

Control de calidad Aplicado a la Ingeniera

La variancia de una distribucin de probabilidad discreta se calcula a partir de la frmula :

representa la media y P(x) es la probabilidad de los difere ntes resultados X.

< Ing. Edmundo Alarcn Cceres >

Control de calidad Aplicado a la Ingeniera

= 0.4225 + 0.0270 + 0.1715 + 0.2890

La distribucin binomial tiene las siguientes caractersticas:

< Ing. Edmundo Alarcn Cceres >

Control de calidad Aplicado a la Ingeniera

La varianza est dada por:

< Ing. Edmundo Alarcn Cceres >

Control de calidad Aplicado a la Ingeniera

< Ing. Edmundo Alarcn Cceres >

Control de calidad Aplicado a la Ingeniera

< Ing. Edmundo Alarcn Cceres >

. ] ] P[ P[ P . . . t l l i l i lt t l l l f ll i i i i i i t t l , , i f i i t l t t i l iti , l i l i i i t m l. i il ti i t f i t i i l fi ili i t l t t t l t i l l i i t t i t i i t f ll t l i f i i i t . E t t t fi , fi ili i i t ,

. ] . ] P[ . ] . ] . i l t i i i i t l i i i , i li i fi ti l i . ili , i f . i t ll l t l , t it t l . i i ili fi l ti l ll i l i . P i t l i t t ll l t l lt l t i i i t t . l i i i A t 10. S 5. t lli i l l t l i ti ili . i t . fi l . lifi i i i i A.

< Ing. Edmundo Alarc n Cceres >

Control de calidad Aplicado a la Ingeniera

Curva tpica de la evolucin de la tasa de fallos Curva de la baera

< Ing. Edmundo Alarcn Cceres >

Control de calidad Aplicado a la Ingeniera

Donde E - media de los logaritmos de x

< Ing. Edmundo Alarcn Cceres >

< Ing. Edmundo Alarc n Cceres >

Cont ol d calidad Aplicado a la In ni a

[ESTA ISTICA IN ERENCIAL

< Ing. Edmundo Alarc n Cceres >

Cont ol d calidad Aplicado a la In ni a

[ESTA ISTICA IN ERENCIAL

< Ing. Edmundo Alarc n Cceres >

Cont ol d calidad Aplicado a la In ni a

[ESTA ISTICA IN ERENCIAL

= 0.5 0.15542 = 0.3446 b. Debemos calcular:

) = 0.4953 + 0.4192 = 0.9145

< Ing. Edmundo Alarc n Cceres >

Cont ol d calidad Aplicado a la In ni a

[ESTA ISTICA IN ERENCIAL

Control de calidad Aplicado a la Ingeniera

< Ing. Edmundo Alarcn Cceres >

Cul es el intervalo de confianza de estudian los alumnos?

5% para el nmero promedio de

oras por semana

< Ing. Edmundo Alarcn Cceres >

Cont ol d calidad Aplicado a la In ni a

2. Elegir el nivel de significancia (E

Rechazar H 0 si el valor de la estadstica Z zE, en caso

estadstica Z zE/ 2 Z 2 , en caso contrario no se rechaza H 0 .

Z zE/ 2 Z "zE/ 2 = .96