Академический Документы
Профессиональный Документы
Культура Документы
Introduccin:
Cuando se tiene preconcebida una idea del valor de un parmetro poblacional
implica que participan dos teoras o hiptesis, este es otro aspecto de la,
inferencia estadstica en esta unidad se desarrollar una metodologa paso a
paso que permita hacer inferencias sobre un parmetro muestral mediante el
anlisis diferencial entre los resultados observados y de esta manera disponer de
una slida fundamentacin conceptual para realizar apropiadamente una
evaluacin y sustentacin a una decisin.
Objetivo General de la Unidad: En esta unidad se presentara el concepto de la
prueba de hiptesis estadstica, las distribuciones mustrales presentadas en el
anterior capitulo sirven para construir pruebas con muestras grandes o pequeas
con los valores de los parmetros poblacionales de inters para el Ingeniero o
cientfico.
Objetivos Especficos del Unidad:
RESUMEN
En el presente capitulo se describirn las pruebas de hiptesis para: medias y
varianzas en variables cuantitativas y pruebas para las proporciones en
variables con aplicaciones en ciencias e Ingeniera.
GLOSARIO
HIPOTESIS : Afirmacin o conjetura acerca de dos o ms poblaciones.
HIPOTESIS NULA: Se define como la hiptesis que se desea contrastar. El
nombre de "nula" significa sin valor, efecto o consecuencia, lo cual sugiere
que H0, debe identificarse con la hiptesis de no cambio (a partir de la
opinin actual); no diferencia, no mejora, etc.
Pgina 1 de 45
Pgina 2 de 45
Ho es verdadera
Ho es falsa
Aceptar Ho
No hay error
Error tipo II
Rechazar Ho
Error tipo I
No hay error
H0
H1
Unilateral Izquierda
H0
H1
Pruebas de dos colas: Se le denomina tambin bilateral se enuncia as:
H0
H1
Pgina 3 de 45
H 0 800
H1 800
Unilateral Derecha
2) En cierta ciudad la alcalda afirma que la proporcin de hogares con gas
natural es del 45% . Para probar esta afirmacin, se inspecciona una
muestra grande de viviendas, la proporcin de estas viviendas con gas
natural se registra y se utiliza como estadstico de prueba. Establezca la
hiptesis nula y alternativa a utilizarse en esta prueba .
Si el estadstico de prueba es mayor o menor que p= 0,45 rechazaramos la
afirmacin de la alcalda , por lo que la hiptesis quedara:
H 0 0,45
H 1 0,45
3.3 Pruebas con respecto a una sola media con varianza poblacional
conocida.
En este caso se trabajara la distribucin normal y el estadgrafo que me permitir
aceptar o rechazar la hiptesis nula ser:
Ejemplo 1:
Pgina 4 de 45
H 0 172
H 1 172
El nivel de significancia: =0,05
La regin critica estar:
Aplicando el estadgrafo:
175 172
2,69
7
65
Como el estadgrafo dio mayor podemos concluir que con la evidencia tomada el
promedio de las estaturas de los estudiantes es mayor de 172 cm , la potencia de
la prueba ser :
Pgina 5 de 45
H 0 60000 P.S .I
H1 60000 P.S .I
El nivel de significancia: =0,01
La regin critica estar:
Pgina 6 de 45
Aplicando el estadgrafo:
59000 60000
2,32
1000
50
Como el estadgrafo dio entre los lmites podemos concluir que con la evidencia
tomada el promedio de la resistencia a la rotura de las varillas no es diferente de
60000 P.S.I.
3.4 Pruebas con respecto a una sola media con varianza poblacional
desconocida.
Si tenemos una variable aleatoria que representa una distribucin normal con y
desconocidas, entonces la variable aleatoria tiene una distribucin t de student
con n-1 grados de libertad. La estructura es igual que la anterior, excepto que el
valor de se reemplaza por la desviacin estndar muestral s y la distribucin
normal estndar se sustituye con la distribucin t, el estadstico a emplear es:
Pgina 7 de 45
x
s
n
Ejemplo
Un fabricante de pinturas afirma que el tiempo medio de secado de uno de sus
productos bajo ciertas condiciones de temperatura exterior y superficie a aplicar,
es de 2 horas, para verificar o rechazar dicha afirmacin se toma una muestra
aleatoria de 10 especmenes bajo las condiciones que especifica el fabricante, los
resultados de los tiempos de secado en horas fueron:
xi
2,3
2,5
3,2
1,8
1,9
3,2
2,8
2,5
2,6
1,7
H 0 2 horas
H1 2horas
Pgina 8 de 45
De la muestra tenemos:
x 2,45
s 0,535931173
n 10
Los grados de libertad
v n 1
v 10 1 9
El valor crtico en la t de student para los 9 grados de libertad ser:
El estadgrafo de prueba:
2,45 2
2,66
0,535931173
10
Como el estadstico es mayor que el valor crtico podemos concluir que el tiempo
medio de secado es mayor a 2 horas, la potencia de la prueba estar dada por:
P Pt 2,66 0,013124928 1%
Pgina 9 de 45
Que se puede interpretar como: de 100 muestras de tamao 10, en una de estas
se cumplir la hiptesis nula.
3.5 Pruebas con respecto a dos medias con varianzas poblacionales
conocidas.
Es fcil comprender que la relacin entre las pruebas de hiptesis e intervalos de
confianza, las pruebas con respecto a dos medias constituyen una herramienta
muy importante para el ingeniero o cientfico, ya que permite comparar procesos.
Si tenemos dos muestras aleatorias independientes de tamao n1 y n2, de dos
poblaciones con medias 1 y 2 y varianzas 12 y 22 , la Variable aleatoria tiene
una distribucin normal estndar con n1 y n2, suficientemente grandes, el
estadstico es:
x 2 1 2
12 22
n n
2
1
Ejemplo:
1
http://www.itch.edu.mx/academic/industrial/estadistica1/cap02b.html
La formulacin de la hiptesis:
H 0 : 1 2 0
H1 : 1 2 0
Pgina 10 de 45
Formula 1
Formula 2
x1 121
x 2 112
2 10
1 10
n 1 10
n 2 15
El estadstico
Z
10 15
Conclusin: como el estadstico dio mayor que el valor crtico, con la evidencia
tomada se puede afirmar que el tiempo medio de secado es menor con la
frmula 2.
La potencia de la prueba
P PZ 2,20 0,01374317 1%
Pgina 11 de 45
x x
1
Sp *
1 1
n1 n2
Donde
2
SP
n1 1s12 n2 1s22
n1 n2 2
Medicamento 2
n1 = 20
n2 = 22
Pacientes
Pacientes
x 1 =17
x 2 =19
das
das
s12 = 1.5
s22 = 1.8
Pgina 12 de 45
H 0 : 2 1 0
H1 : 2 1 0
El valor crtico para
v=20+22-2= 40 Grados de libertad
=0,05
es:
t0,05 1,684
S P2
20 22 2
S P 1,28743932
El estadstico
x1 2 1
Sp *
t
1
1
n1 n2
19 17 0
1
1
1,28743932 *
20 22
5,03
Pgina 13 de 45
x 2 1 2
s12 s 22
n1 n2
s12 s 22
n1 n2
s12
s 22
n
1 n2
n1 1 n2 1
Grados de libertad.
Ejemplo
Una compaa de taxis trata de decidir si comprar neumticos de la marca A o de
la B para su flotilla. Para estimar la diferencia de las dos marcas, se lleva a cabo
un experimento utilizando 12 neumticos de cada marca .Los neumticos se
utilizan hasta que se desgastan, los resultados fueron:
Neumati cos A
Neumati cos B
x1 36.300 km
n1 12
x 2 38.100 km
n2 12
s1 5.000 km
s2 8.500 km
Pgina 14 de 45
La formulacin de la hiptesis:
H 0 : 2 1 0
H1 : 2 1 0
El valor crtico para
2
5000 2 8500 2
12
12
v
17,79847307 18
2
2
5000 2
8500 2
12 12
12 1
12 1
1,734
El estadstico
T
x 2 1 2
s12 s22
n1 n2
12
12
Pgina 15 de 45
Pgina 16 de 45
Poblacin 2
Diferencia d
2 5 = -3
4 6 = -2
62=4
84=4
10
10 8 = 2
Suma 30
25
Media 6
2=6
5 =1
Pgina 17 de 45
tiene una distribucin muestral que es una distribucin t con gl=n-1, donde
sd representa la desviacin estndar de la muestra de puntajes diferencia.
Estadstico
de
confianza
para
Ejemplos:
Pgina 18 de 45
1-
cuando
se usa muestras
10
Antes
73
77
68
62
72
80
76
64
70
72
Despus
68
72
64
60
71
77
74
60
64
68
Use
Solucin:
Ensayo de hiptesis:
Ho;
A-
D=
H1;
A-
D>
Regla de decisin:
Si tR
1.833 No se rechaza Ho
Pgina 19 de 45
Clculos:
Se proceder a calcular las diferencias de cada par:
Voluntario
10
Antes
73
77
68
62
72
80
76
64
70
72
Despus
68
72
64
60
71
77
74
60
64
68
Diferencia
Justificacin y decisin:
Como 7.20 es mayor que 1.833, se rechaza H0, y se concluye con un nivel
de significancia de 0.05 que los datos indican que los ejercicios aerbicos
disminuyen significativamente el ritmo cardiaco durante el reposo.
Para calcular el valor de P se busca el 7.20 en el rengln de 9 grados de
libertad en la tabla t, y se observa que el valor mayor que aparece en dicha
tabla es 4.781 al cual le corresponde una rea a la derecha de 0.0005,
entonces se puede concluir que el valor de P es prcticamente cero.
Ejemplo
2) Diez hombres se sometieron a una dieta especial registrando sus pesos
antes de comenzarla y despus de un mes de estar en ella. Los resultados
de los pesos, en libras, se muestran a continuacin:
Hombre
Antes
181
172
190
186
210
202
166
173
183
184
Despus
178
175
185
184
207
201
160
168
180
189
Pgina 20 de 45
H1;
Regla de decisin:
Si 2.262
tc
Antes
181
172
190
186
210
202
166
173
183
184
Despus
178
175
185
184
207
201
160
168
180
189
Diferencia
-3
-5
Pgina 21 de 45
Justificacin y decisin:
Como 1.79 est entre los dos valores crticos de 2.262 y 2.262, por lo
tanto no se rechaza H0, y se concluye con un
= 0.05 que no existe
evidencia estadstica que apoye la efectividad de la dieta para variar el
peso.
Para calcular el valor de P se interpola entre 0.10 y 0.05, con 9 grados de
libertad obteniendo un rea de 0.0574, pero como el ensayo es bilateral
este sera un valor de P/2, por lo tanto el valor de P = (2)(0.0574) = 0.1148
Pgina 22 de 45
pP
p*q
n
Donde :
p : Pr oporcion Muestral
P : Pr oporcion Poblaciona l
q 1 p
n : Tamao de Muestra
Ejemplo:
El alcalde de una ciudad asegura que el 45% de los habitantes de una ciudad
posee gas natural, para corroborar o desvirtuar dicha afirmacin, un investigador
toma una muestra aleatoria de 500 viviendas y en 200 tienen gas natural, con
esta evidencia se puede demostrar que en la ciudad hay menos proporcin de
hogares con gas en la cuidad? , utilizar un nivel de significancia de 0,01.
La formulacin de la hiptesis:
^
H 0 : P 0,45
^
H 1 : P 0,45
El valor crtico para el nivel de significancia
Z 2.33
El estadstico
Pgina 23 de 45
200
0,45
500
-2,28
p*q
200 300
*
n
500 500
500
pP
p1 p2 P1 P 2
p1 * q1 p2 * q2
n1
n2
Ejemplo
Se evalan dos tipos diferentes de soluciones para pulir, para su posible uso en
una operacin de pulido en la fabricacin de lentes intraoculares utilizados en el
ojo humano despus de una ciruga de cataratas. Se pulen 320 lentes con la
primera solucin y, de stos, 253 no presentaron defectos inducidos por el pulido.
Despus se pulen otros 320 lentes con la segunda solucin, de los cuales 196
resultan satisfactorios. Existe alguna razn para creer que las dos soluciones
para pulir son diferentes? Utilice un nivel de significancia del 0,04
Tomado de : http://www.itch.edu.mx/academic/industrial/estadistica1/u0102.pdf
la hiptesis
^
H 0 : P1 P2 0
H 1 : P1 P2 0
Los valores crticos en esta prueba bilateral son:
Z 0,02 2.05
Z 0,98 2,05
Pgina 24 de 45
El estadstico
p1 p 2 P 1 P 2
p1 * q1 p 2 * q 2
n1
n2
253 196
0
320 320
5,02
253 67 196 124
*
*
320 320 320 320
320
320
Conclusin: como el estadstico dio mayor que el valor critic podemos afirmar que
con la primera solucin se presentan ms defectos inducidos puesto que qued en
la regin derecha de rechazo.
Potencia de la prueba
P PZ 5,02 2,58236E - 07
3.11 Prueba de hiptesis para la varianza
Si se extrae una muestra aleatoria de tamao n de una poblacin normal con
media , y varianza 2 ,y se calcula la varianza muestral , se obtiene el valor del
estadstico s2 que se utilizar para conocer la 2, mediante una variable aleatoria
chi cuadrada con n-1 grados de libertad . Formalizando con el siguiente teorema:
si s2 es la varianza de una muestra aleatoria de tamao n que se toma de una
poblacin normal que tiene varianza 2 entonces el estadstico:
n 1s 2
Pgina 25 de 45
H 0 : 2 0,8
H 1 : 2 0,8
Calculamos el estadstico
8 1 *1,2 2
0,8 2
15,75
21 18,475
Como el estadstico qued dentro de la regin de aceptacin, con la evidencia
tomada podemos aceptar la afirmacin del fabricante.
Pgina 26 de 45
Presentan los datos evidencia suficiente para indicar que las variaciones
del proceso son menores para el 2? Realice una prueba con un
= 0.05.
Solucin:
Datos:
Poblacin 1
n1 = 25
Poblacin 2
n2 = 20
= 0.05
Ensayo de hiptesis:
Estadstico de prueba:
Pgina 27 de 45
Regla de decisin:
Si Fc
Decisin y Justificacin:
Como 2.04 es menor que 2.11 no se rechaza Ho, y se concluye con un
= 0.05
que no existe suficiente evidencia para decir que la varianza del proceso 2 es
menor que la del proceso 1.
2. Las capas de xido en las obleas semiconductoras son depositadas en una
mezcla de gases para alcanzar el espesor apropiado. La variabilidad del
espesor es una caracterstica crtica de la oblea, y lo deseable para los
siguientes pasos de la fabricacin es tener una variabilidad baja. Para ello
se estudian dos mezclas diferentes de gases con la finalidad de determinar
con cul se obtienen mejores resultados en cuanto a la reduccin en la
variabilidad del espesor del xido. Veintin obleas son depositadas en cada
gas. Las desviaciones estndar de cada muestra del espesor del xido son
s1 = 1.96 angstroms y s2 = 2.13 angstroms. Existe evidencia que indique
una diferencia en las desviaciones? Utilice =0.05.
Solucin:
Pgina 28 de 45
Datos:
s1= 1.96
n1 = 21
s2 = 2.13
n2= 21
Ensayo de hiptesis:
Estadstico de prueba:
Regla de decisin:
Si 0.406
Fc
Pgina 29 de 45
Decisin y Justificacin:
Como 0.85 esta entre los dos valores de Ho no se rechaza , y se concluye con
un
= 0.05 que existe suficiente evidencia para decir que las varianza de las
poblaciones son iguales.
UNIDAD ACADMICA No. 04.
Nombre de la Unidad: Regresin Lineal
Introduccin:
En ciencias e Ingeniera es frecuente que se requiera resolver problemas donde
se relacionan dos variables, es decir que una variable responda ( dependiente) a
otra ( independiente), por ejemplo si tenemos un artculo y lo ofrecemos a
diferentes precios(variable independiente) la demanda ( variable dependiente)
cambiara en funcin del precio o que La distancia requerida(dependiente) para
frenar un automvil es una funcin de su rapidez ( independiente) , si esta relacin
es exacta se trata de un modelo determinista entre dos variables y no contendra
ningn componente aleatorio o probabilstico. Sin embargo, en los ejemplo
mencionados, la relacin no es determinstica (es decir a un valor de x no
siempre produce el mismo valor de y), por lo tanto el concepto de anlisis de
regresin tiene que ver con encontrar la mejor relacin entre variables aleatorias y
cuantificar la intensidad de la relacin empleando mtodos que permitan los
valores de respuesta ante los valores dados del regresor x
Objetivo General de la Unidad: Establecer una funcin lineal o polinmica a
partir de unos datos experimentales para realizar estimaciones entre los datos
observados y cuantificar la medida de la calidad de ajuste coeficiente de
determinacin
Objetivos Especficos del Unidad:
RESUMEN
Pgina 30 de 45
Pgina 31 de 45
y a bx ,
En la cual ( a y b) son los parmetros desconocidos de la interseccin con el eje
vertical a y la pendiente b y es una variable aleatoria que se supone esta
Ejemplo
El vendedor de un almacn de repuestos automotrices desea conocer la demanda
de cierto repuesto en funcin de su precio. La siguiente tabla presentan las ventas
que el ha observado cuando le cambia el precio al mismo repuesto:
Precio (x)
Demanda (y)
$ 25.000
100
$ 30.000
90
$ 38.000
78
Pgina 32 de 45
$ 42.000
60
$ 43.500
50
Demanda (y)
110
100
90
80
70
60
50
40
$20.000
$25.000
$30.000
$35.000
$40.000
$45.000
Pgina 33 de 45
i 1
SSE yi a bxi
i 1
n
SSE yi a bxi
i 1
SSE
0
a
SSE
0
b
2 yi a bxi 1 0
i 1
Distribuyendo la sumatoria
n
i 1
i 1
i 1
y i a b xi 0
Como
n
a na
i 1
n
y na b x 0
i 1
i 1
i 1
i 1
na b xi yi Ecuacin 1
2 yi a bxi xi 0
i 1
Distribuyendo la sumatoria
Pgina 34 de 45
x y
i 1
i 1
i 1
a xi b xi 0
2
i 1
i 1
i 1
2
a xi b xi xi yi Ecuacin 2
De la ecuacin 2 si despejamos a
n
xi y i b xi
i 1
i 1
x
i 1
i
i
n
i 1
i 1
x
i
i 1
n
n
2
n xi y i b xi
i 1
i 1
b
n
x
i 1
i 1
i 1
xi y i
n
n
n
n
2
n xi y i b xi b xi xi
i 1
i 1
i 1
i 1
x
i 1
i 1
i 1
y
i
i 1
i 1
i 1
n xi yi nb xi b xi xi yi
2
i 1
n
n
n
n
n
2
2
b xi n xi xi yi n xi yi
i 1
i 1
i 1
i 1
i 1
n
xi yi n xi yi
i 1
i 1
x
i 1
i 1
n xi
i 1
Pgina 35 de 45
y b x
i
i 1
n
n
i 1
y
i
i 1
Como
b xi
i 1
xi
i 1
y
i
i 1
n
a y bx
Ejemplo:
El vendedor de un almacn de repuestos automotrices desea conocer la demanda
de cierto repuesto en funcin de su precio. La siguiente tabla presentan las ventas
que el ha observado cuando le cambia el precio al mismo repuesto:
Precio (x)
Demanda (y)
$ 25.000
100
$ 30.000
90
$ 38.000
78
$ 42.000
60
$ 43.500
50
xi
xi y i
yi
i 1
Sumas
N Datos
Medias
25000
30000
38000
42000
43500
178500
6
29750
100
90
78
60
50
378
2500000
2700000
2964000
2520000
2175000
12859000
63
Pgina 36 de 45
x
i 1
2
i
625000000
900000000
1444000000
1764000000
1892250000
6625250000
x y n x y
i
i 1
i 1
i 1
i 1
i 1
2
2
xi n xi
Evaluando
b
Evaluando
a 63 0,002514229750
a 165,35839
El modelo de regresin quedara
^
yi 165,35839 - 0,0025142xi
b) Si el precio es de $35.000 la demanda estimada ser:
^
yi 77,359968 77
4.3 Varianza de los estimadores
Para realizar inferencias sobre (a y b), es necesario llegar a una estimacin del
parmetro
s xx xi x
i 1
El estimador insesgado de
,s yy yi y
i 1
Pgina 37 de 45
,s xy xi x yi y
i 1
y yi
n i
SSE
s yy b * s xy
s2
n 2 i 1 n 2
n2
Ejemplo:
Calcular el estimador insesgado de
La tabla seria:
xi
Sumas
N Datos
Medias
b=
25000
30000
38000
42000
43500
178500
5
35700
-0,00251424
yi
100
90
78
60
50
378
114490000
32490000
5290000
39690000
60840000
252800000
x xy
i
595,36
207,36
5,76
243,36
655,36
1707,2
75,6
s xx 252800000
s yy 1707,2
s xy -635600
Por lo tanto:
s2
s yy b * s xy
n2
1707,2 0,00251424 * 635600
s2
36,38291
52
s 6,031825
Pgina 38 de 45
-261080
-82080
5520
-98280
-199680
-635600
t
*
2
S xx
s
b t *
2
S xx
Limite Superior
Limite Inferior
Donde
b: Pendiente de la recta.
s xx xi x
i 1
Ejemplo:
Encontrar un intervalo de confianza de 95% para del ejemplo anterior.
El valor critico en la distribucin t de student para v=n-2 grados de libertad en
este caso v=5-2 = 3
Pgina 39 de 45
- 0,00251 3,182 *
- 0,00251 3,182 *
6,031825
- 0,0013071 Limite Superior
252800000
6,031825
- 0,0037214 Limite Inferior
252800000
2
s * xi
i 1
a t *
2
n * S xx
n
2
s * xi
i 1
a t *
2
n * S xx
Limite Superior
Limite Inferior
Donde
a: Interseccin de la recta con el eje y.
s xx xi x
i 1
Ejemplo:
Encontrar un intervalo de confianza de 95% para del ejemplo anterior.
El valor critico en la distribucin t de student para v=n-2 grados de libertad en
este caso v=5-2 = 3
Pgina 40 de 45
6,031825 * 6625250000
209,30005 Limite Superior
165,35839 3,182 *
5
*
252800000
5 * 252800000
Al graficar estas inferencias se obtiene:
Pgina 41 de 45
120
Demanda
100
80
Datos
Recta de Regresion
60
20
0
20000
25000
30000
35000
40000
45000
Precio
R2 1
SSE
SST
Donde
n
SSE yi yi
i 1
n
SST yi yi
i 1
Pgina 42 de 45
SST: Suma total de los cuadrados corregida, representa la variacin en los valores
de respuesta que idealmente serian explicados con el modelo.
Ejemplo:
Hallar el coeficiente de determinacin para el mismo ejemplo:
La tabla y el clculo son:
xi
Sumas
N Datos
Medias
25000
30000
38000
42000
43500
178500
5
35700
yi
yi
100
90
78
60
50
102,5023734
89,93117089
69,81724684
59,76028481
55,98892405
378
yi yi
6,261872722
0,004737447
66,95744935
0,057463372
35,86721128
109,1487342
yi
595,36
207,36
5,76
243,36
655,36
1707,2
75,6
SSE 109,148734 2
SST 1707,2
R2 1
109,148734 2
0,9360656
1707,2
La interpretacin de (R2 ) nos dice que el 94% de los datos se ajusta la lnea de
regresin.
4.6 Regresin lineal modelo matricial
Para un conjunto de puntos (x1,y1) , (x2, y2) (xn, yn) si pasamos una recta
que se ajuste a la tendencia del conjunto de datos dado, la recta que presenta el
mejor ajuste se define como el que minimiza el error de la suma de cuadrados y se
denomina recta de regresin por mnimos cuadrados el modelo viene dado por :
f x a0 a1 x
Donde a0 y a1 Son los coeficientes del modelo y vienen dados por:
Pgina 43 de 45
a0
t
a x * x
1
* x
1
*y
1
1
1
x
.
x1
x2
x3
.
.
xn
y1
y
2
y
, y 3
.
.
y n
$ 25.000
100
$ 30.000
90
$ 38.000
78
$ 42.000
60
$ 43.500
50
17
60
18.5
50
Solucin:
a) Para no trabajar con valores tan altos podemos hacer
x 25.000
z
1.000
La nueva tabla:
z
Demanda (y)
0
100
5
90
13
78
x 1
1
1
0
5
13
17
18.5
100
90
, y 78
60
50
c) Realizando Operaciones:
a0
t
a x * x
1
* x
1
*y
Pgina 44 de 45
1
a0 1 1 1 1
a 0 5 13 17 18.5 * 1
1
1
0
100
90
5
1
1 1 1 1
13 *
*
78
0 5 13 17 18.5
17
60
50
18.5
129.563
a 0 1.264
a 1.589
1
632
El modelo quedara:
f z
129.563 1.589
*z
1.264
632
Pgina 45 de 45