Manual de Estadistica Ingenieria

2010
POR: M.C. SANDRA LUZ ROSAS ALATORRE

UNIVERSIDAD TECNOLOGICA DE CIUDAD
JUAREZ
04/09/2010
MANUAL DE ESTADISTICA INDUSTRIAL

MANUAL DE ESTADISTA INDUSTRIAL
CARRERA DE MANTENIMIENTO INDUSTRIAL
INGENIERIA POR COMPETENCIAS

2

CONTENIDO TEMATICO

Pginas
Introduccin

Unidad I

Estimacin

Muestreo

Distribuciones Mustrales

Estimacin

Practica

Unidad II

Prueba de hiptesis

Introduccin al contraste de hiptesis

Pruebas de hiptesis de medias

Pruebas de hiptesis de varianzas y desviaciones estndar

Practica

Unidad III

Regresin y Correlacin

Regresin lineal

Coeficiente de correlacin

Practica

Unidad IV

Anlisis de Varianza

Diseo y experimentos

Ejecucin de experimentos de un factor

Practica

Unidad V
Confiabilidad

Distribuciones exponenciales, Weibull, Logonormal y Rayleigh

Curva de la baera, MTBF, MTTF, mantenibilidad, confiabilidad y
disponibilidad

Confiabilidad de sistemas en serie y con redundancia activa o de reserva.

Practica


3

INTRODUCCIN
CONJUNTOS Y PROBABILIDAD

EL CONCEPTO DE CONJUNTO
El concepto de conjunto es un pilar fundamental de la probabilidad y la estadstica y de la
matemtica en general. Un conjunto puede considerarse como una coleccin de objetos,
llamados miembros o elementos del conjunto. En general, mientras no se especifique lo
contrario, denotamos un conjunto por una letra mayscula A, B, C, y un elemento por una
letra minscula a, b. Sinnimos de conjunto son clase, grupo y coleccin.

Si un elemento a pertenece a un conjunto C escribimos aeC. Si a no pertenece a C
escribimos aeC. Si a y b pertenecen a C escribimos a, beC. Para que un conjunto sea bien
definido, como siempre lo supondremos, debemos estar capacitados para determinar si un
objeto especfico pertenece o no al conjunto.

Un conjunto puede definirse haciendo una lista de sus elementos o, si esto no es posible,
describiendo alguna propiedad conservada por todos los miembros y por los no miembros.
El primero se denomina el mtodo de extensin y el segundo el mtodo de comprensin.

EJEMPLO 1. El conjunto de las vocales en el alfabeto puede definirse por el mtodo de
extensin como {a. e, i, o, u } o por el mtodo de comprensin como {x , x es una vocal},
lase "el conjunto de los elementos x tales que x es una vocal" donde la lnea vertical , se
lee "tal que" o "dado que".

EJEMPLO 2. El conjunto { x , x es un tringulo en un plano } es el conjunto de los tringulos
en un plano. Obsrvese que el mtodo de extensin no puede utilizarse aqu.


4

EJEMPLO 3. Si lanzamos un par de dados comunes los "nmeros" o "puntos" posibles que
pueden resultar sobre cara superior de cada dado son elementos del conjunto { 1, 2, 3, 4,
5, 6}
SUBCONJUNTOS.
Si cada elemento de un conjunto A tambin pertenece a un conjunto B llamamos a A un
subconjunto de B, escrito A c B B A ledo "A est contenido en B "B contiene a A
respectivamente.
EJEMPLO
{ a, i, u} es un subconjunto de { a, e, i, o, u}

CONJUNTO UNIVERSAL Y CONJUNTO VACIO

Para muchos propsitos restringimos nuestra discusin a subconjuntos de algn conjunto
especfico denominado el universo del discurso, o simplemente, universo. Tambin se llama
el conjunto o espacio universal y se denota por U. Los elementos de un espacio se llaman
los puntos del espacio.

Es til considerar un conjunto que no tiene elementos. Este conjunto se denomina el
conjunto vaco o el conjunto nulo y se denota por C ; es un subconjunto de cualquier
conjunto.

EJEMPLO. El conjunto de todos los nmeros reales x tales que 1
2
= x , escrito { x , 1
2
= x
}, es el conjunto nulo o vaco ya que no hay nmeros reales cuyos cuadrados sean iguales a
-1.
DIAGRAMAS DE VENN

Un universo U puede representase geomtricamente por el conjunto de puntos dentro de
un rectngulo. En tal caso los subconjuntos de U (como A y B indicados y sombreados en la
Fig. 1-1) se representan por conjuntos de puntos dentro de los crculos. Tales diagramas
denominados diagramas de Venn, sirven para darnos una intuicin geomtrica respecto a
las posibles relaciones entre conjuntos.


5

OPERACIONES ENTRE CONJUNTOS

1. Unin. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B, o
tanto a A. como a B, se llama la unin de A y B y se escribe A U B (regin sombreada en la
Fig. 1-2).

2. Interseccin. El conjunto de todos los elementos que pertenecen simultneamente a
A y a B se llama la interseccin de A y B y se escribe A B (regin sombreada en la Fig. 1-
3).

Dos conjuntos A y B tales que A B = C, es decir, que no tienen elementos comunes, se
llaman conjuntos disjuntos. En la Fig. 1-1, A y B son disjuntos.

3. Diferencia. El conjunto que consiste en todos los elementos de A que no pertenecen a
B se llama la diferencia de A y B, escrita por A - B (regin sombreada en la Fig. 1-4).


6

4. Complemento. Si B c A entonces A - B se llama el complemento de B relativo a A y
se escribe
A
B (regin sombreada en la Fig. 1-5). Si A = U, el conjunto universal, nos
referimos a U - B sencillamente como el complemento de B y lo escribimos B' (regin
sombreada en la Fig. 1-6). El complemento de A U B se escribe (A U B).

ALGUNOS TEOREMAS RELATIVOS A CONJUNTOS.

Teorema 1- 2: AB = BA Ley conmutativa de las
uniones.
Teorema 1- 3: A (BC) = (AB) C = ABC Ley asociativa de las
uniones.
Teorema 1- 4 AB = BA Ley conmutativa de las
intersecciones.
Teorema 1- 5 A(BC) = (AB) C = ABC Ley asociativa de las
intersecciones.
Teorema 1- 6: A (BC) = (AB) (AC) Primera ley distributiva.
Teorema 1- 7: A (BC) = (AB) (AC) Segunda ley distributiva.
Teorema 1- 8: A-B = AB'
Teorema 1- 9: Si A c B, entonces A' B' Bc A
Teorema 1-10: AC = A, AC = C


7

Teorema 1-11: A U= U, AU =A
Teorema 1-12a: (AB)' = AB' Primera ley De Morgan.
Teorema 1-12b. (AB)' = A B' Segunda ley De Morgan.
Teorema 1-13: A = (AB) (AB') Para cualquier conjunto A
y B
CONJUNTOS
1. Sea A el conjunto de todos los nmeros reales cuyos cuadrados son iguales a 25.
Indique cmo describir a A por (a) el mtodo de comprensin y (b) el mtodo de extensin.
(a) A = { x , 25
2
= x } que se lee "el conjunto de todos los elementos de x tales que
25
2
= x ".
(b) Puesto que
2
x = 25 para x = 5 y x = -5, podemos escribir A = { 5, -5}, es decir A se
describe dando sus elementos.
2. La empresa Telerrisa entrevista a 2000 personas para evaluar tres de sus programas. Al
tabular los resultados de la muestra concluye que:

580 escuchan el programa A
840 escuchan el programa B
920 escuchan el programa C
260 escuchan los programas A y B
220 escuchan los programas A y C
300 escuchan los programas B y C
100 escuchan los programas A, B y C


8

Se pregunta:

a) Cuntas personas escuchan slo el programa A?
b) Cuntas personas escuchan slo los programas A y B?
c) Cuntas personas escuchan el programa B, C, o ambos?
d) Cuntas personas no escuchan ninguno de los tres programas?

SOLUCIN
- Primero elaboramos un diagrama con los tres conjuntos interceptados.
- Cuantificamos cada regin con el nmero de elementos de acuerdo a la informacin
del problema escribiendo la cardinalidad en la regin. Recuerda que el nmero total de
elementos de un conjunto que no corresponde a ninguna regin lo simbolizamos
simplemente con la letra del conjunto. Ejemplo: A = 580.

Comienza siempre anotando la cardinalidad de la interseccin de los tres conjuntos y
posteriormente con las intersecciones de los conjuntos dos a dos.
- Procedemos a contestar las preguntas de acuerdo con el diagrama

a) Slo el programa A es la regin
1
R , igual a 200 personas.
b) Slo los programas A y B son la regin
2


9

c) Slo los programas B, C o ambos (B C) corresponden a las regiones:
2
R ,
3
R ,
4
R ,
5
R ,
6
R ,
7
d) No escuchan ninguno de los tres programas quienes integran la regin
8
R , igual a 340
personas.
EXPERIMENTOS ALEATORIOS

Todos estamos familiarizados con la importancia de los experimentos en la ciencia y en la
ingeniera. Un principio fundamental es que si efectuamos tales experimentos
repetidamente bajo condiciones aproximadamente idnticas obtenemos resultados que son
esencialmente los mismos.
Sin embargo, hay experimentos en los cuales los resultados no son esencialmente los
mismos a pesar de que las condiciones sean aproximadamente idnticas. Tales
experimentos se denominan experimentos aleatorios. Los siguientes son algunos ejemplos.
EJEMPLO 1. Si Ianzamos una moneda el resultado del experimento es un "sello", simbolizado por S
( 0), o una "cara", simbolizada por C ( 1), es decir uno de los elementos del conjunto { C, S} {0,
l}.

EJEMPLO 2. Si lanzamos un dado el resultado del experimento es uno de los nmeros en el
conjunto {1, 2, 3, 4, 5, 6}
EJEMPLO 3. Si lanzamos una moneda dos veces, el resultado puede indicarse por {CC, CS,
SC, SS}, es decir dos caras, cara la primera y sello la segunda, etc.
EJEMPLO 4. Si tenemos una mquina que produce tornillos, el resultado del experimento es
que algunos pueden estar defectuosos. As cuando se produce un tornillo ser un miembro
del conjunto {defectuoso, no defectuoso}.
EJEMPLO 5. Si un experimento consiste en medir "la vida" de las lmparas elctricas
producidas por una compaa entonces el resultado del experimento es el tiempo t en horas
que se encuentra en algn intervalo, por ejemplo, 4000 0 s s t , donde suponemos que
ninguna lmpara elctrica dura ms de 4000 horas.


10

ESPACIOS MUSTRALES.

Un conjunto , que consiste en todos los resultados de un experimento aleatorio se llama
un espacio muestral y cada uno de los resultados se denomina punto muestral, Con
frecuencia habr ms de un espacio muestral que describe los resultados de un
experimento pero hay comnmente slo uno que suministra la mayora de la informacin.
Obsrvese que , corresponde al conjunto universal.
EJEMPLO 1. Si lanzamos un dado, un espacio o conjunto muestral de todos los resultados
posibles se da por {1, 2, 3, 4, 5, 6}

Frecuentemente es til dibujar un espacio muestral grficamente. En tal caso es
deseable utilizar nmeros en cambio de letras siempre y cuando sea posible.
EJEMPLO 2. Si lanzamos una moneda dos veces y utilizamos 0 para representar sellos y 1
para representar caras el espacio muestral puede dibujarse por puntos en la Fig. 1-7
donde, por ejemplo, (0,1) representa sello en el primer lanzamiento y cara en el segundo
lanzamiento, es decir SC.

Si espacio muestral tiene un nmero finito de puntos, como en el ejemplo anterior, se
denomina espacio muestral finito. Si tiene tantos puntos como nmeros naturales 1, 2, 3,. .
., se denomina espacio muestral infinito contable. Si tiene tantos puntos como hay en algn
intervalo en el eje x, tal como 1 0 s s x se denomina espacio muestral infinito no contable.
Un espacio muestral que es finito o infinito contable frecuentemente se denomina espacio
muestral discreto, en tanto que uno que es infinito no contable se llama espacio muestral
continuo o no discreto.


11

SUCESOS

Un suceso es un subconjunto A del espacio muestral , , es decir es un conjunto de
resultados posibles. Si el resultado de un experimento es un elemento de A decimos que el
suceso A ha ocurrido. Un suceso que consiste de un solo punto de , frecuentemente se
llama un suceso elemental o simple.

EJEMPLO 1. Si lanzamos una moneda dos veces, el suceso que slo resulte una cara es el
subconjunto del espacio muestral que consiste de Ios puntos (0,1) y (1,0), como se indica
en la Fig. 1-8.

EJEMPLO 2. Haciendo referencia al experimento de lanzar una moneda dos veces sea A el
suceso por lo menor resulte una cara y B el suceso "el segundo lanzamiento sea un sello".
Entonces A={CS,SC,CC),B ={CS,SS} as tenemos

A B = {CS, SC, CC, SS} = , A B = {CS}

A' = {SS } A -B = {SC, CC}


12

TECNICAS DE CONTAR.

PRINCIPIO FUNDAMENTAL DEL CONTEO.
Empezamos con el siguiente principio bsico:
Principio fundamental del conteo: Si un evento puede realizarse de
1
n maneras diferentes, y
si, continuando el procedimiento, un segundo evento puede realizarse de
2
n maneras
diferentes, y si, despus de efectuados, un tercer evento puede realizarse de
3
n maneras
diferentes, y as sucesivamente, entonces el nmero de maneras en que los eventos pueden
realizarse en el orden indicado es el producto ........
3 2 1
- - - n n n

Ejemplo: Supongamos que una placa de automvil consta de dos letras distintas seguidas
de tres dgitos de los cuales el primero no es cero. Cuntas placas diferentes pueden
grabarse?

La primera letra puede colocarse de 26 maneras diferentes (supuesto el alfabeto de 26
letras), la segunda letra de 25 maneras (puesto que la letra grabada de primera no puede
escogerse como segunda letra), para el primer dgito hay nueve nmeros o sea nueve
maneras y para cada uno de los otros dos dgitos 10 maneras. Por lo tanto pueden
grabarse

26 * 25 * 9 * 10 * 10 = 585,000 placas diferentes.
NOTACIN FACTORIAL.

El producto de los enteros positivos desde 1 hasta n inclusive, se emplea con mucha
frecuencia en matemticas y aqu lo denotamos por el smbolo especial n ! (que se lee "n
factorial"):

n! = 1*2*3*** (n - 2)(n - l)n


13

Conviene tambin definir 0! = 1.
Ejemplo 1: 2! = 1 * 2 = 2, 3! = 1 *2 * 3 = 6,

4! = 1*2*3*4 = 24, 5! = 5 * 4! = 5*24=120,

6! = 6 * 5! = 6 *120 = 720

Ejemplo 2
! 6
! 8
=
! 6
! 6 7 8 - -
= 8*7=56 12*11*10=
! 9
! 9 10 11 12 - - -
=
! 9
! 12

DIAGRAMAS DE RBOL.
EJEMPLO 3. Si un hombre tiene 2 camisas y 4 corbatas entonces tiene 2 X 4 = 8 maneras
de escoger una camisa y luego una corbata.
Un diagrama, llamado diagrama rbol debido a su apariencia, se emplea frecuentemente en
conexin con el principio anterior.
Si las camisas se representan por
1
S ,
2
S y las corbatas por
1
T ,
2
T ,
3
T ,
4
T , las diferentes,
maneras de escoger una camisa y luego una corbata se indican en el diagrama rbol de la
Fig. 1-10.


14

PERMUTACIONES

Supngase que se dan n objetos diferentes y deseamos ordenar r de estos objetos en una
lnea. Puesto que hay n maneras de escoger el primer objeto, y luego de hacer esto n -1
maneras de escoger el segundo objeto, . . ., y finalmente n - r + 1 formas de escoger el r-
simo objeto, se deduce por el principio fundamental de cuenta que el nmero de
ordenaciones, o permutaciones diferentes como generalmente se les llama, est dado por

n
r
P = n(n - 1)(n - 2) ....(n - r + 1) (25)

donde se observa que el producto tiene r factores. Llamamos a
n
r
P , el nmero de
permutaciones de n objetos tomados de r en r.

Para el caso particular cuando r = n, (25) se convierte en

n
r
P = n(n - 1)(n - 2)..... 1 = n! (26)

que se denomina n factorial. Podemos escribir (25) en trminos de factoriales como

n
r
P =
)! (
!
r n
n
(27)

Si r = n observamos que (25) y (26) se satisfacen slo si tenemos que 0! = 1 y tomaremos
realmente esto como una definicin de 0!

EJEMPLO 1. El nmero de ordenaciones o permutaciones diferentes que consisten de 3
letras cada una y que pueden formase de las 7 letras A, B, C, D, E, F, G es


15

n
r
P =
! 4
! 7
= 7X6X5 = 210

Supngase que un conjunto que consiste de n objetos de los cuales
1
n son de un tipo (es
decir no se podran distinguir entre s),
2
n son de un segundo tipo, . . . ,
k
n son del k-
simo tipo. Aqu, lgicamente, n =
1
n +
2
n + . . . +
k
n . As el nmero de permutaciones
diferentes de los objetos es

n
n n n
k
P
! ,.... ! , !
2 1
=
! !.... !
!
2 1 k
n n n
n
(28)
EJEMPLO 2. El nmero de permutaciones diferentes de las, 11 letras de la palabra
MISSISSIPPI, que consiste de 1M, 4I, 4S y 2P es

! 2 ! 4 ! 4 ! 1
! 11
= 34 650

COMBINACIONES

En una permutacin estamos interesados en el orden de la distribucin de los objetos. As
abc es una permutacin diferente de bca. Sin embargo, en muchos problemas estamos
interesados solamente en seleccionar o escoger objetos sin interesar su orden. Dichas
selecciones se llaman combinaciones, Por ejemplo abc y bca son la misma combinacin.

El nmero total de combinaciones de r objetos seleccionados de n (tambin llamadas las
combinaciones de n cosas tomadas de r en r) se denota por
n
r
C , |
.
|
\
|
r
n
Tenemos

)! ( !
!
r n r
n
C
r
n
n
r
= = |
.
|
\
|
(29)


16

que tambin puede escribirse como

! !
) 1 ( ) 1 (
r
P
r
r n n n
r
n
n
r
=
+ - - -
=
|
.
|
\
|
(30)

Fcilmente se demuestra que

|
.
|
\
|
= |
.
|
\
|
r n
n
r
n

n
r n
n
r
C C

= (31)

EJEMPLO El nmero de maneras en las cuales 3 cartas pueden escogerse o
seleccionarse de un total de 8 cartas diferentes es

56
! 3
6 7 8
3
8
8
3
=
- -
= |
.
|
\
|
= C

PROBABILIDAD

Hasta aqu hemos estudiado slo lo que es posible en una situacin especfica; ahora
avanzaremos una etapa ms y juzgaremos tambin lo que es probable y lo que es
improbable. Histricamente, la forma ms antigua de medir lo incierto es el concepto
clsico de probabilidad, el cual tuvo su origen en los juegos de azar. Se aplica cuando todos
los resultados son igualmente posibles; decimos entonces que:


17

Si hay n resultados igualmente posibles, todos los cuales ocurren y s son
considerados favorables o como un "xito, entonces la probabilidad de un "xito
est dada por
n
s
.

EJEMPLO . Cul es la probabilidad de sacar un as de un paquete barajado de 52 naipes?
Solucin Hay s = cuatro ases entre los n = 52 naipes; as que se tiene

13
1
52
4
= =
n
s

Entre las diversas nociones de probabilidad, la ms ampliamente utilizada es
la interpretacin de probabilidad como frecuencia relativa. Segn la cul

La probabilidad de un evento (que suceda o que resulte) es la proporcin de veces que el evento
sucedera en una serie prolongada de experimentos repetidos.

Si decimos que la probabilidad de que un avin que vuela de Guadalajara a Monterrey
llegue a tiempo es 0.78, entendemos que tales vuelos llegan a tiempo 78 % de las veces.
AXIOMAS DE PROBABILIDAD

Axioma 1 1 ) ( 0 s s A P para cada evento A en S.
Axioma 2 P(S) = 1.
Axioma 3 Si A y B son eventos que se excluyen mutuamente en S,
entonces P(AB) = P(A) + P(B).


18

El primer axioma establece que las probabilidades son nmeros reales que varan entre 0 y
1. El segundo axioma afirma que al espacio muestral completo se le asigna una probabilidad
de 1 esto expresa la idea que la probabilidad de un evento cierto, o sea un evento que debe
suceder, es igual a 1. El tercer axioma establece que las funciones de probabilidad deben
ser aditivas.

EJEMPLO. Si un experimento arroja tres resultados posibles que se excluyen mutuamente
A, B y C, verifquese en cada caso si la asignacin de probabilidades est permitida:

a) P(A) =
3
1
, P(B) =
3
1
y P(C) =
3
1

b) P(A) = 0.64, P(B) = 0.38, y P(C) = -0.02
c) P(A) = 0.35, P(B) = 0.52, y P(C) = 0.26
d) P(A) = 0.57, P(B)= 0.24 y P(C) = 0.19

Solucin a) La asignacin de probabilidades est permitida ya que todos los valores se
encuentran sobre el intervalo 0,1 y su suma es = 1 . b) La asignacin no es permisible
porque P es negativa. c) La asignacin no est permitida ya que 0.35 + 0.52 + 0.26 =
1.13, que excede 1. d) Se permite la asignacin porque los valores se encuentran sobre el
intervalo 0,1 y su suma es 0.57 + 0.24 + 0.19 = 1.
ALGUNOS TEOREMAS ELEMENTALES

Teorema 1. Si
n
A A A ,....., ,
2 1
son eventos mutuamente excluyentes en un espacio muestral
S, entonces

) ( ...... ) ( ) ( ) ..... (
2 1 2 1 n n
A P A P A P A A A P + + + =


19

Teorema 2. Si A es un evento en el espacio muestral finito S entonces P(A) es igual a la
suma de las probabilidades de todos los resultados, individuales incluidos en A.

Teorema 3. Si A y B son eventos cualesquiera en S, entonces

) ( ) ( ) ( ) ( B A P B P A P B A P + =
Teorema 4. Si A es cualquier evento en S, entonces ) ( 1 ) ( A P A P = '

PROBABILIDAD CONDICIONAL.
Si A Y B son eventos en S Y P(B) = 0, la probabilidad condicional de A con
respecto a B est dada por

( )
) (
) (
B P
B A P
B A P

=
EJEMPLO Si la probabilidad de que un sistema de comunicacin tenga alta fidelidad es
0.81 y la probabilidad de que tenga alta fidelidad y alta selectividad es 0. 18, cul es la
probabilidad de que un sistema con alta fidelidad tenga tambin alta selectividad?

Solucin Si A es el evento de que un sistema de comunicacin tenga alta selectividad
y B es el evento de que posee alta fidelidad, resulta que P(B) = 0.81 y P(A B) = 0.18,
sustituyendo en la frmula se tiene

( )
9
2
81 . 0
18 . 0
= = B A P


20

EJEMPLO Si la probabilidad de que un proyecto de investigacin est bien planeado es
0.80 y la probabilidad de que ser bien planeado y ejecutado es 0.72, Cul es la
probabilidad de que un proyecto de investigacin bien planeado tambin est bien
ejecutado?

Solucin. Sustituyendo en la frmula de probabilidad condicional se obtiene el resultado.
90 . 0
80 . 0
72 . 0
=

Teorema 5. Si A y B son eventos en S, entonces

) ( ) ( ) ( A B P A P B A P - = si P(A) = 0
) ( ) ( B A P B P - = si P(B) = 0

La segunda de las reglas anteriores se obtiene directamente de la definicin de probabilidad
condicional multiplicando ambos lados por P(B); la primera se deduce de la segunda
intercambiando las letras A y B.

EJEMPLO. El supervisor de un grupo de 20 obreros pide la opinin de dos de ellos
(seleccionados al azar) sobre las nuevas disposiciones de seguridad en la construccin. Si 12
estn a favor de las nuevas disposiciones y los ocho restantes en contra, cul es la
probabilidad de que ambos trabajadores elegidos por el supervisor estn en contra de las
nuevas disposiciones?

Solucin. Suponiendo probabilidades iguales para cada eleccin (lo cual significa que las
elecciones se realizaron aleatoriamente), la probabilidad de que el primer obrero
seleccionado est en contra de las nuevas disposiciones de seguridad es , y la probabilidad
de que el segundo obrero se pronuncie contra las nuevas disposiciones, dado que el
primero opin en contra de ellas, es . Por consiguiente, la probabilidad buscada es


21

Teorema 6. Si A y B son eventos independientes, entonces,

) ( ) ( ) ( B P A P B A P - =

EJEMPLO Cul es la probabilidad de obtener dos veces el mismo lado en dos
lanzamientos de una moneda balanceada?
Solucin. En vista de que la probabilidad de que caiga un lado es
2
1
en cada lanzamiento
y los dos son independientes, la probabilidad es
4
1
2
1
2
1
= -
EJEMPLO Dos cartas se extraen al azar de un paquete ordinario de 52 naipes. Cul es la
probabilidad de obtener dos ases si

a) la primera carta (naipe) es reemplazada antes de extraer la segunda;
b) la primera carta no es reemplazada antes de que la segunda sea extrada?

Solucin. a) Dado que hay cuatro ases entre las 52 cartas, obtenemos
169
1
52
4
52
4
= - . b)
Dado que solamente hay tres ases entre las 51 cartas que restan despus de extraer del
paquete un as obtenemos
221
1
51
3
52
4
= - .

Ntese que
52
4
52
4
221
1
- = , y por lo tanto se viola la independencia cuando el muestreo se
lleva a cabo sin reemplazo.


22

TEOREMA DE BAYES

Las reglas generales de la multiplicacin son tiles al resolver muchos problemas en que el
resultado final de un experimento depende de los resultados de varias etapas intermedias.
Supngase, por ejemplo, que una planta de ensamblado recibe sus reguladores de voltaje
de tres diferentes proveedores: 60% del proveedor
1
B , 30% del proveedor
2
B y 10% del
proveedor
3
B . En otras palabras, las probabilidades de que cualquier regulador recibido
provenga de estos tres proveedores son, respectivamente, 0.60, 0.30 y 0.10. Si 95 % de los
reguladores de voltaje que provienen de
1
B , 80% de los reguladores del proveedor
2
B , y el
65% de los reguladores proporcionados por
3
B , tienen un rendimiento de acuerdo con las
especificaciones, nos gustara saber la probabilidad de que cualquier regulador de voltaje
recibido por la planta d un rendimiento segn las especificaciones.
Si A denota el evento de que un regulador recibido por la planta tiene rendimiento conform
a las especificaciones, y si
1
B ,
2
B , y
3
B , son los eventos de que provienen de sus
respectivos proveedores, podemos escribir

| |
3 2 1
B B B A A =
) ( ) ( ) (
3 2 1
B A B A B A =
y
) ( ) ( ) ( ) (
3 2 1
B A P B A P B A P A P + + =

dado que
3 2 1
, , B yA B A B A se excluyen mutuamente. Entonces, si aplicamos la
segunda de las reglas generales de multiplicacin a ) ( ), (
2 1
B A P B A P y a ), (
3
B A P
obtenemos
) ( ) ( ) ( ) ( ) ( ) ( ) (
3 3 2 2 1 1
B A P B P B A P B P B A P B P A P - + - + - =


23

y la sustitucin de los valores numricos arroja el resultado

) 65 . 0 )( 10 . 0 ( ) 80 . 0 )( 30 . 0 ( ) 95 . 0 )( 60 . 0 ( ) ( + + = A P
= 0.875

para la probabilidad de que cualquier regulador de voltaje recibido por la planta citada d
un rendimiento conforme a las especificaciones.
Para interpretar este resultado, basta construir un diagrama de rbol como el de la figura
3.14, donde la probabilidad del resultado final se expresa como la suma de los productos de
las probabilidades correspondientes a cada rama del rbol.

Fig. 3.14

En el ejemplo anterior haba slo tres opciones en la etapa intermedia; pero si hubiesen n
opciones mutuamente excluyentes
1
B ,
2
B ,.....
n
B un razonamiento similar conducira al
siguiente resultado, denominado algunas veces regla de eliminacin o regla de
probabilidad total:
Teorema 7. Si
1
B ,
2
B ,.....
n
B son eventos mutuamente excluyentes, uno de los cuales debe
ocurrir, entonces


24

=
- =
n
i
i i
B A P B P A P
1
) ( ) ( ) (

Para convencernos de la validez de este resultado, basta construir un diagrama de rbol
como el de la figura 3.15, donde la probabilidad del resultado final, se expresa otra vez
como la suma de los productos de las probabilidades correspondientes a cada rama del
rbol.

Considrese ahora un problema estrechamente relacionado con el que hemos discutido.
Suponga que queremos conocer la probabilidad de que un regulador de voltaje especfico,
cuyo rendimiento corresponde a las especificaciones, provenga del proveedor
3
B .
Simblicamente, queremos conocer el valor de P(
3
B \A), y para ello escribimos

) (
) (
) (
3
3
A P
B A P
A B P

=

Entonces, sustituyendo ) ( ) (
3 3
B A p B P - por ) (
3
B A P y
=
-
3
1
) ( ) (
i
i i
B A P B P por

P(A) de acuerdo con los teoremas 2.8 y 2. 1 0 obtenemos la frmula.


25

=
-
-
=
3
1
3 3
3
) ( ) (
) ( ) (
) (
i
i i
B A P B P
B A P B P
A B P

la cual expresa ) (
3
A B P en, trminos de probabilidades conocidas. Sustituyendo los valores
de la figura 3.14, obtenemos finalmente

) 65 . 0 )( 10 . 0 ( ) 80 . 0 )( 30 . 0 ( ) 95 . 0 )( 60 . 0 (
) 65 . 0 )( 10 . 0 (
) (
3
+ +
= A B P
= 0.074

Ntese que la probabilidad de que un regulador de voltaje sea proporcionado por-
3
B , disminuye de 0.10 a 0.074, una vez que se sabe que el rendimiento corresponde a las
especificaciones.
El mtodo utilizando para resolver el ejemplo anterior puede generalizarse fcilmente y dar
la siguiente frmula:

Teorema 8. Si
n
B B B ,.... ,
2 1
, son eventos mutuamente excluyentes de los cuales uno debe
ocurrir, entonces,

=
-
-
=
n
i
i i
i r
r
B A P B P
B A P B P
A B P
1
) ( ) (
) ( ) (
) (

EJEMPLO. Los cuatro ayudantes de una gasolinera deben limpiar el parabrisas de los
autos de los clientes. Juan, quien atiende el 20% de todos los autos, no cumple su
cometido una vez cada 20 autos; Toms quien atiende el 60% de los autos, no limpia el


26

parabrisas una vez cada 10 autos; Jorge quien atiende al 15% de ellos, no cumple su
cometido una vez cada 10 autos; y Pedro quien atiende al 5% de los autos, no limpia el
parabrisas una vez cada 20 autos. Si un cliente se queja de que su parabrisas no fue
lavado, cul es la probabilidad de que su auto lo haya atendido Juan?

Solucin. Sustituyendo las diversas probabilidades en la frmula del teorema 8, se tiene

) 05 . 0 )( 05 . 0 ( ) 10 . 0 )( 15 . 0 ( ) 10 . 0 )( 60 . 0 ( ) 05 . 0 )( 20 . 0 (
) 05 . 0 )( 20 . 0 (
) (
1
+ + +
= A B P

= 0.144
y es interesante observar que si bien Juan no lava el parabrisas de slo un auto por cada
20, es decir, el 5% de los autos; ms del 11% de los parabrisas que no son lavados en la
gasolinera estn, bajo su responsabilidad.

ESTADSTICA BSICA.

Definicin: es aquella que estudia los mtodos cientficos para recoger, organizar, resumir
y analizar datos, as como para sacar conclusiones vlidas y tomar decisiones razonables
basadas en tal anlisis.

En un sentido menos amplio, se puede decir que la estadstica es el arte y la ciencia de dar
sentido a los datos numricos.

MEDIDAS DE TENDENCIA CENTRAL.

Media : la media aritmtica, o simplemente media, de un conjunto de n nmeros
1
x ,
n
x x x ,..... ,
3 2
se denota por X (lase X barra) y se define por

n
x
X
n
i
i
=
=
1


27

Ejemplo: calcule la media de los nmeros 8,3,5,12 y 10

6 . 7
5
38
5
10 12 5 3 8
= =
+ + + +
= X

Mediana: la mediana de un conjunto de nmeros ordenados en magnitud es el valor
central o la media de los dos valores centrales.
Ejemplos:

El conjunto de datos 3,0,4,5,5,7,7,8,9,11 tiene mediana : 6
2
7 5
=
+

El conjunto de datos 3,0,4,5,5,7,7,8,9,11,15 tiene mediana 7

Moda: la moda de un conjunto de nmeros es el valor que ocurre con mayor frecuencia; es
decir, el valor ms frecuente. La moda puede no existir, e incluso no ser nica en caso de
existir.
Ejemplos:

El conjunto 2,2,5,7,9,9,9,10,10,11,12 y18 tiene moda 9.
El conjunto 3,5,8,10,12,15 y 16 no tiene moda.
El conjunto 2,3,4,4,4,5,5,7,7,7 y 9 tiene dos modas, 4 y 7, y se llama bimodal.

MEDIDAS DE DISPERSIN.

Rango: el rango de un conjunto de nmeros es la diferencia entre el mayor y el menor de
todos ellos.
Ejemplo:
El rango del conjunto 2,3,3,5,5,5,8,10,12 es 12-2=10. A veces el rango se indica dando el
par de valores extremos; as, en este ejemplo, sera 2-12.

Desviacin absoluta media: la desviacin absoluta media es abreviada por DAM y se
define como
n
X x
DAM
n
i
i
=

=
1

Ejemplo: Hallar la desviacin absoluta media del conjunto 2,3,6,8,11.


28

Media aritmtica 6
5
11 8 6 3 2
) ( =
+ + + +
= X
8 . 2
5
5 2 0 3 4
5
6 11 6 8 6 6 6 3 6 2
=
+ + + +
=
+ + + +
= DAM

Desviacin estndar: la desviacin estndar o tpica de un conjunto de n nmeros
n
x x x ,...... ,
2 1
se denota por S y se define como:

1
) (
1
2
=

=
n
X x
S
n
i
i

Ejemplo: Hallar la desviacin estndar del siguiente conjunto de datos: 3,5,6,7,10,12,15,18.

5 . 9
8
76
8
18 15 12 10 7 6 5 3
1
= =
+ + + + + + +
= =

=
n
x
X
n
i
i

21 . 5
1 8
) 5 . 9 19 ( ....... ) 5 . 9 5 ( ) 5 . 9 3 (
2 2 2
=
+ + +
= S

Varianza: la varianza de un conjunto de datos se define como el cuadrado de la desviacin
tpica y viene dada como consecuencia con la siguiente ecuacin:

1
) (
2
1 2
=

=
n
X x
S
n
i
i

Ejemplo: calcule la varianza del problema anterior:
S = 5.21 14 . 27 ) 21 . 5 (
2 2
= = S

DATOS AGRUPADOS.
Histogramas.

Ejemplo:

Salario No. de personas Frecuencia
acumulada
Frecuencia
relativa
Frecuencia
relativa
acumulada.
2400sxZ2600 7 7 0.07 0.07
2600sxZ2800 20 27 0.20 0.27


29

2800sxZ3000 33 60 0.33 0.60
3000sxZ3200 25 85 0.25 0.85
3200sxZ3400 11 96 0.11 0.96
3400sxZ3600 4 100 0.04 1.00

7
20
33
25
11
4
0
5
10
15
20
25
30
35
2500 2700 2900 3100 3300 3500
F
r e
c
u
e
n
c
i a

Salarios
Histograma de frecuencias
Series1


30

Histograma de frecuencias acumuladas.
7
27
60
85
96
100
0
20
40
60
80
100
120
2500 2700 2900 3100 3300 3500
Salarios
F
r
e
c
u
e
n
c
i a
a
c
u
m
u
l a
d
a
Serie1

Diagrama de pareto acomodado de menor a mayor incidencia

Histograma de frecuencias relativas
0.07
0.2
0.33
0.25
0.11
0.04
0
0.1
0.2
0.3
0.4
2500 2700 2900 3100 3300 3500
Salarios
F
r
e
c
u
e
n
c
i
a
s

r
e
l
a
t
i
v
a
s
Serie1


31

CALCULO DE MEDIDAS DE TENDENCIA CENTRAL PARA DATOS AGRUPADOS.

Media : cuando los datos se presentan en una distribucin de frecuencias, todos los valores que
caen dentro de un intervalo de clase dado, se consideran iguales a la marca de clase, o punto medio
del intervalo. Luego entonces, la formula para calcular la media ser:

Marca de clase (
i
U ) =
2
inf sup erior Limite erior Lmite +

=
=
=
n
i
i
n
i
i i
f
U f
X
1
1

Donde:
= X Media
0.07
0.27
0.6
0.85
0.96
1
0
0.2
0.4
0.6
0.8
1
1.2
2500 2700 2900 3100 3300 3500
F
r
e
c
u
e
n
c
i a
s
r
e
l a
t
i v
a
s
a
c
u
m
u
l a
d
a
s

Salarios
Histograma de frecuencias relativas acumuladas.
Series1


32

=
i
f Frecuencia del -esimo intervalo
=
i
U Marca de clase del -esimo intervalo
= n Nmero de intervalos.
Mediana: para datos agrupados, la mediana obtenida por interpolacin viene dada por:

c
f e
f a
n
L MED -
|
|
|
|
.
|
\
|

+ =
2

Donde:
= L Frontera inferior de la clase de la mediana
= n Nmero total de observaciones
= fa Frecuencia acumulada de las clases inferiores a la de la mediana.
= fe Frecuencia del intervalo que contiene a la mediana
= c Anchura del intervalo de clase que contiene a la mediana.

Moda: en el caso de datos agrupados donde se haya construido una curva de frecuencias
para ajustar los datos, la moda ser el valor (o valores) de X correspondiente al mximo (o
mximos) de la curva. Ese valor de X se denota por X
. La moda puede deducirse de una

distribucin de frecuencias o de un histograma a partir de la siguiente formula:

c
D D
D
L MODA -
|
|
.
|
\
|
+
+ =
2 1
1

Donde:
= L Frontera inferior de la clase modal (clase que contiene a la moda y que es el intervalo
que tiene mayor frecuencia).


33

=
1
D Exceso de la frecuencia modal sobre la de la clase inferior inmediata.
=
2
D Exceso de la frecuencia modal sobre la clase superior inmediata.
= c Anchura del intervalo de clase modal.
Ejemplo:
Salario en pesos Frecuencia
2400-2599 7
2600-2799 20
2800-2999 33
3000-3199 25
3200-3399 11
3400-3599 4

Intervalo No. Salario ($) Frecuencia Marca de clase (
i
U )
i i
U f
1 2400-2599 7 (2400+25999/2)
=2499.5
2499.5x7=
17496.5
2 2600-2799 20 2699.5 53990
3 2800-2999 33 2899.5 95683.5
4 3000-3199 25 3099.5 77487.5
5 3200-3399 11 3299.5 36294.5
6 3400-3599 4 3499.5 13998
294950


34

Clculo de medidas de tendencia central y de dispersin.
=
=
=
n
i
i
n
i
i i
f
U f
X
1
1
5 . 2949
100
294950
= = X
Calculo de la desviacin estndar.
1
) (
1
2
=

=
n
X U f
S
n
i
i i

5 . 243
1 100
) 5 . 2949 5 . 3499 ( 4 ...... ) 5 . 2949 5 . 2699 ( 20 ) 5 . 2945 5 . 2499 ( 7
2 2 2
=
+ + +
= S

c
f e
f a
n
L MED -
|
|
|
|
.
|
\
|

+ =
2
5 . 2799
2
2799 2800
=
+
= L

7
20
33
25
11
4
7
20
33
25
11
4
0
10
20
30
40
2400-
2599
2600-
2799
2800-
2999
3000-
3199
3200-
3399
3400-
3599
F
r
e
c
u
e
n
c
i
a
s

Salario en pesos
Histograma de frecuencias
Series2


35

89 . 2938 200
33
27
2
100
5 . 2799 = -
|
|
|
|
.
|
\
|

+ = MED

c
D D
D
L MODA -
|
|
.
|
\
|
+
+ =
2 1
1

30 . 2923 200
8 13
13
5 . 2799 = - |
.
|
\
|
+
+ = MODA

TEOREMA DEL LMITE CENTRAL.

Si tenemos una poblacin cualquiera, y tomamos muestras de tamao "n" entonces la
distribucin muestral corresponde a la media de cada muestra, se parece a la distribucin
normal si la "n" es suficientemente grande. En particular si la poblacin tiene media
(m) y varianza
2
o la distribucin muestral tiene media tambin y varianza
n
2
o
.
Ejemplo:

Una ca. fabrica focos que tienen un periodo de vida que esta distribuido aproximadamente
en forma normal con media igual a 800 horas y una desviacin estndar de 40 horas.
Encuentre la probabilidad de que una muestra aleatoria de 16 focos tenga una vida
promedio de menos de 775 horas.


36

Solucin.
Frmula para transformacin bsica.

n
X
Z
o

=
Donde:
= X Media de la muestra.
= Media de la poblacin.
= o Desviacin estndar poblacional.

5 . 2
16
40
800 775
=
= Z

De las tablas bajo la curva normal obtenemos el valor 0.0062, entonces la probabilidad que
la media de las muestras sea menor que 775 horas es de 0.62%


37


38


39

SERIES TEMPORALES

Denominaremos serie temporal o cronolgica a un conjunto de datos estadsticos,
recopilados, observados o registrados a intervalos regulares y ordenados de tiempo.
La principal caracterstica de los datos temporales es la dependencia de las observaciones.
As, si estudiamos los pedidos, la produccin o las ventas de una empresa en distintas
semanas es muy probable que, aunque las magnitudes varen las variaciones, si las hay,
tengan una cierta regularidad. A largo plazo se apreciar por lo general una evolucin que
puede ser:
- Creciente, como la mostrada en las Figuras 8.1 y 8.2.
- Decreciente, Figura 8.3.
- Otras series presentan variaciones que no muestran un claro crecimiento o
decrecimiento a largo plazo.


40

Figura 8.1. Salario mnimo (por horas)/aos

Figura 8.2. Beneficio trimestral por accin


41

Figura 8.3. Poblacin empleada en la agricultura.

En la Figura 8.1 se presenta la evolucin anual en un periodo de10 aos del salario/hora
mnimo, de un pas, y en la Figura 8.2 los rendimientos o ganancias trimestrales de las
acciones de una empresa que cotiza en bolsa.

Ambas series son crecientes, pero en la segunda hay un claro patrn trimestral o variacin
estacional que se repite con pocas diferencias a lo largo del tiempo.

Los datos de poblacin empleada en la agricultura en una regin, muestran un fuerte
decrecimiento con el tiempo (Figura 8.3).

A la vista de lo anterior, podemos concluir que el estudio grfico de los datos de una serie
temporal nos proporciona bastante informacin de su evolucin a corto y largo plazo. En
los apartados que siguen trataremos de analizar esta informacin con mayor detalle y
precisin y veremos las tcnicas ms habituales que podemos aplicar para su estudio.

COMPONENTES DE LAS SERIES TEMPORALES

El anlisis clsico de series cronolgicas considera que una serie temporal est integrada
por cuatro componentes:


42

Tendencia, movimiento regular de la serie, a largo plazo.
Variaciones estacionales, oscilaciones a corto plazo de periodo regular, menor o igual a
un ao.
Fluctuaciones cclicas, movimientos a medio plazo en tomo a la tendencia, cuyo periodo
y amplitud presentan cierta regularidad a veces.
Componente irregular, es la parte residual de la serie cuando se eliminan las
componentes anteriores, recoge la influencia que ejercen sobre la misma circunstancias
aleatorias o accidentales.

El anlisis de una serie temporal consiste en describir las pautas de regularidad que sigue
cada una de sus componentes, con la finalidad de conocer la serie en el periodo para el que
se poseen datos y en su caso, poder predecir su evolucin futura.

Para describir cada una de las componentes se hace uso de mtodos grficos y modelos.
En los modelos se ignoran las causas de variacin de cada componente, tan solo se trata de
reproducir la evolucin temporal segn una pauta regular que concuerde con los datos.

Si se emplean los modelos para hacer predicciones, ha de suponerse que la regularidad,
observada en el pasado, se mantendr en el futuro.

ANLISIS DE LA TENDENCIA

El movimiento general a largo plazo de una serie temporal es lo que se denomina tendencia.
La tendencia se manifiesta en muchas series econmicas mediante un crecimiento regular a
largo plazo, como vimos en las Figuras 8.1 y 8.2.

Hay series, como las del empleo agrcola, que con el paso del tiempo sufren un
decrecimiento, (vase Figura 8.3), mientras que otras aparecen con variaciones
estacionarias.


43

Para obtener y estudiar la tendencia existen varios mtodos, veremos a continuacin los
ms usuales.
DIAGRAMAS DE DISPERSIN.
Este diagrama se utiliza para estudiar la posible relacin entre una variable y otra. As pues,
de alguna manera, prueba relaciones de causa y efecto; no sirve para probar que una
variable causa a la otra, pero s permite comprobar si existe o no una relacin y que tan
firme es sta.
Ejemplo: Para elaborar un diagrama de dispersin se siguen los pasos siguientes:
Paso 1.
Rena pares de datos (x, y), cuyas relaciones usted quiere estudiar, y organice esa
informacin en una tabla. Es deseable tener al menos 30 pares de datos.
Paso 2.
Encuentre los valores mnimo y mximo para x y y. Decida las escalas que se va a usar en
los ejes horizontal y vertical de manera que ambas longitudes sean aproximadamente
iguales, lo cual har que el diagrama sea ms fcil de leer. Trate de mantener el nmero
de divisiones en cada eje entre 3 y 10 y use nmeros redondos para facilitar la lectura.
Cuando las dos variables sean un factor y una caracterstica de calidad, use el eje horizontal
x para el factor y el eje vertical y para la caracterstica de calidad.
Paso 3.
Registre los datos en el grfico. Cuando se obtengan los mismos valores en diferentes
observaciones, muestre estos puntos haciendo crculos concntricos (0), o registre el
segundo punto muy cerca del primero.
Paso 4.
Registre todos los aspectos que puedan ser de utilidad. Cercirese de que se incluyan todos
los items siguientes de manera que cualquier persona, adems de la persona que hizo el
diagrama, pueda comprenderlo de un vistazo:
a) ttulo del diagrama.
b) perodo de tiempo.


44

e) nmero de pares de datos.
d) ttulo y unidades de cada eje
e) nombre (etc.) de la persona que hizo el diagrama.
Ejemplo

Un fabricante de tanques de plstico que los haca usando el mtodo de moldeo por soplado tuvo
dificultades con tanques defectuosos que tenan paredes delgadas. Se sospechaba que la causa de
las paredes defectuosas era la variacin en la presin del aire de soplado, la cual variaba cada da.
La tabla 6.1 muestra la informacin sobre la presin del aire de soplado y el porcentaje de defectos.
Hagamos un diagrama de dispersin con estos datos, siguiendo los pasos indicados arriba.

Tabla 6.1 datos de presin del aire de soplado y porcentaje de defectos de tanque de plstico.

Fecha Presin de
aire(Kg/
2
cm )
Porcentaje
de
defectos(%
)
Fecha Presin de
aire(Kg/
2
cm )
Porcentaje
de
defectos(%
)
Oct.1 8.6 0.889 Oct. 22 8.7 0.892
2 8.9 0.884 23 8.5 0.877
3 8.8 0.874 24 9.2 0.885
4 8.8 0.891 25 8.5 0.866
5 8.4 0.874 26 8.3 0.896
8 8.7 0.886 29 8.7 0.896
9 9.2 0.911 30 9.3 0.928
10 8.6 0.912 31 8.9 0.886
11 9.2 0.895 Nov.1 8.9 0.908
12 8.7 0.896 2 8.3 0.881
15 8.4 0.894 5 8.7 0.882
16 8.2 0.864 6 8.9 0.904


45

17 9.2 0.922 7 8.7 0.912
18 8.7 0.909 8 9.1 0.925
19 9.4 0.905 9 8.7 0.872

Paso 1. Como se ve en la tabla 6.1, hay 30 pares de datos.
Paso 2. En este ejemplo, sea x (eje horizontal) la presin del aire, y y (eje vertical) el
porcentaje de defectos. Entonces:

el valor mximo de x: ), / ( 4 . 9
2
mx
cm Kgf x =
el valor mnimo de x: : ), / ( 2 . 8
2
mn
cm Kgf x =
el valor mximo de y: : (%), 928 . 0
mx
= y
el valor mnimo de y: (%) 864 . 0
mn
= y
Marcamos:

El eje horizontal en intervalos de 0.5 (Kgf/
2
cm ), desde 8.0 hasta 9.5 (Kgf/
2
cm ),
y
el eje vertical en intervalos de 0.01 (%), desde 0.85 hasta 0.93 (%).

Paso 3. Registre los datos (ver la figura 6.1):

Figura 6.1. Diagrama de dispersin de presin del aire de soplado y porcentaje de
defectos.


46

Paso 4. Indique el intervalo de tiempo de la muestra obtenida (Oct.1- Nov.)), el nmero de
muestras (n=30), el eje horizontal (presin del aire de soplado (Kgf/
2
cm )), el eje vertical
(porcentaje de defectos (%)), y el ttulo del diagrama (diagrama de dispersin de presin
del aire de soplado y porcentaje de defectos).
COMO LEER LOS DIAGRAMAS DE DISPERSION

As cmo es posible captar la forma de la distribucin en un histograma, tambin es posible
leer la distribucin general de los pares de datos a partir de un diagrama de dispersin. Al
hacerlo, lo primero es examinar si hay o no hay puntos muy apartados en el diagrama.
Puede generalmente suponerse que estos puntos apartados del grupo principal (figura 6.2)
son el resultado de errores de medicin o de registro de los datos, o fueron causados por
algn cambio en las condiciones de operacin. Es necesario excluir estos puntos del anlisis
correlacional. Sin embargo, en lugar de despreciar completamente estos puntos, usted
debe dar la debida atencin a la causa de esas irregularidades porque con frecuencia se
obtiene informacin muy til averiguando por qu ocurren.
Hay muchos tipos de formas de dispersin, y algunas formas tpicas se dan en la figura
6.3.1 hasta la 6.3.6. En las figuras 6.3. 1 y 6.3.2, y crece con x; esto es una correlacin
positiva. Tambin, como la figura 6.3.1 muestra esta tendencia de una manera muy
pronunciada, se dice que es una correlacin positiva fuerte. Las figuras 6.3.4 y 6.3.5
muestran lo opuesto a una correlacin positiva, pues a medida que x aumenta, y disminuye;
esto se llama una correlacin negativa. La figura 6.3.4 muestra una correlacin negativa
fuerte. La figura 6.3.3 muestra el caso en el que x y y no tienen ninguna relacin particular,


47

y por eso decimos que no hay correlacin. En la figura 6.3.6, a medida que x aumenta, y
cambia en forma curva. Esto se explicar ms tarde.


48

EL CALCULO DE LOS COEFICIENTES DE CORRELACION

Para estudiar la relacin entre x y y es importante hacer primero un diagrama de dispersin;
sin embargo, para comprender la fuerza de la relacin en trminos cuantitativos es til
calcular el coeficiente de correlacin segn la siguiente definicin:
,
) ( ) (
) (
yy S xx S
xy S
r
-
= (6.1)
donde

=
=
=
|
.
|
\
|
= =
n
i
n
i
i
i
n
i
i
n
x
x x x xx S
1
2
1 2
1
2
) ( ) ( (6.2)

=
=
=
|
.
|
\
|
= =
n
i
n
i
i
i
n
i
i
n
y
y y y yy S
1
2
1 2
1
2
) ( ) ( (6.3)

n
y x
y x y y x x xy S
n
i
i
n
i
i
n
i
n
i
i i i i
|
.
|
\
|
- |
.
|
\
|
= =

= =
= =
1 1
1 1
) )( ( ) ( (6.4)
n es el nmero de pares de datos, y S(xy) se llama covarianza. El coeficiente de
correlacin, r, se encuentra en el rango 1 1 s s r . Si el valor absoluto de r es mayor que 1,


49

claramente ha ocurrido un error en el clculo, y debe calcularse de nuevo. En el caso de una
correlacin positiva fuerte como en la figura 6.3.1, se obtiene un valor cercano a +1, e
igualmente, con una correlacin negativa fuerte como en la figura 6.3.4, se obtiene un valor
cercano a 1. Es decir, cuando r esta cerca de 1, indica una correlacin fuerte entre x y y,
y cuando r est cerca de 0, una correlacin dbil. Adems cuando , 1 = r los datos
aparecern en lnea recta. Si usted recuerda esto, y adquiere el hbito de estimar el valor
de r a partir del diagrama de dispersin, podr verificar errores de clculo.

Calculemos el coeficiente de correlacin para el ejemplo anterior de los tanques plsticos.
En la tabla 6.2 se encuentra una tabla suplementaria de clculo. A partir de esto, tenemos:
88 . 2
30
2 . 263
02 . 231 ) (
2
2
30
1
30
1
2
= =
|
.
|
\
|
=

=
=
n
x
x xx S
i
i
i
i

00840 . 0
30
815 . 26
97833 . 23 ) (
2
2
30
1
30
1
2
= =
|
.
|
\
|
=

=
=
n
y
y yy S
i
i
i
i

S(xy)= 59 . 0
30
816 . 26 2 . 263
3570 . 235
30
1
30
1
30
1
= =
|
.
|
\
|
|
.
|
\
|
= =
=
X
n
y x
y x
i
i
i
i
i
i i

59 . 0
00840 . 0 88 . 2
0913 . 0
X
r =

El valor de r es 0.59, de manera que s hay una correlacin positiva entre la presin del aire
de soplado y el porcentaje de tanques plsticos defectuosos.


50

QUE ES EL ANALISIS DE REGRESIN?
En el ejemplo anterior de los tanques plsticos con paredes delgadas defectuosas, encontramos que
exista una correlacin positiva entre la presin del aire de soplado y el porcentaje de tanques
defectuosos.' Para evitar el problema de las paredes delgadas, debemos llevar nuestro anlisis un
paso ms adelante. Cuando la presin del aire de soplado est en un cierto valor, qu tan delgadas
sern las paredes que se formarn? Cmo debe controlarse la presin del aire para que las paredes
no se adelgacen? Para realizar este anlisis y responder las preguntas, es necesario comprender
cuantitativamente la relacin entre la presin del aire de moldeado y el espesor de las paredes.


51

La tabla 6.3 muestra los datos de un experimento en el cual la presin del aire se cambi
y el espesor de las paredes de los tanques se midi en cada ocasin. La figura 6.8 es un
diagrama de dispersin basado en los datos. A partir de este diagrama, parecera que la
presin del aire y el espesor de las paredes tuvieran una relacin en lnea recta. Ahora,
llamemos x a la presin del aire y y al espesor de las paredes, y supongamos una relacin
en lnea recta;
x y | o + =

Este tipo de lnea recta suele llamarse lnea de regresin, donde y, es la variable que
responde (o variable dependiente), y x es la variable explicativa (o independiente). As
mismo, o se llama una constante y | se llama un coeficiente de regresin. La forma
cuantitativa de captar la relacin entre x y y buscando una forma de regresin de x y y se
llama anlisis de regresin.
Presin del
aire (Kg/
2
cm )
8.0 8.5 9.0 9.5 10.0
4.62 4.12 3.21 2.86 1.83
Ancho de la 4.50 3.88 3.05 2.53 2.02
Pared 4.43 4.01 3.16 2.71 2.24
(mm) 4.81 3.67 3.30 2.62 1.95

Figura 6.8 Relacin entre la presin del aire y el espesor.


52

ESTIMACIN DE LAS LNEAS DE REGRESIN.

Sea ) 1 )( ( n i y x
i i
s s un conjunto de n pares de datos observados. Sea o
y |
el valor
estimado de o y | y sea
i
el residuo entre ,
i
y y ,
i
x | o + es decir
)
(
i i i
x y | o + = ). 1 1 ( n s s

Por medio del mtodo de los mnimos cuadrados, se obtiene o y | como los valores que
minimizan ,
1
2
=
n
i
i
la suma de los residuos. Para este mtodo se siguen los pasos siguientes:
Paso 1
Obtenga x y y de los datos.
Paso 2
Calcule ) (xx S y ) ( yy S .


53

Paso 3
Se obtiene | de
,
) (
) (
xx S
xy S
= |
y o se obtiene de
.
x y | o =

Los valores de o y | obtenidos en estos pasos hacen la suma de los cuadrados de los
residuos mnima.
Ahora; usando los datos en la tabla 6.3, calculemos la lnea de regresin:
Paso 1
00 . 9
20
4
) 0 . 10 5 . 9 0 . 9 5 . 8 0 . 8 ( = - + + + + = x
276 . 3 20 / ) 95 . 1 ..... 50 . 4 62 . 4 ( = + + + = y
Paso 2
0 . 10 20 / 180 1630 / ) (
2
2
1 1
2
= = |
.
|
\
|
=

= =
n x x xx S
n
i
i
n
i
i

n y x y x xy S
n
i
i
n
i
i
n
i
i i
/ ) (
1 1 1
|
.
|
\
|
- |
.
|
\
|
=

= = =

8 . 12
20
52 . 65
180 88 . 576 = - =
Paso 3
28 . 1 0 . 10 / 8 . 12
= = |
80 . 14 00 . 9 ) 28 . 1 ( 276 . 3 = - = o


54

De esta manera, la lnea de regresin se expresa por . 28 . 1 80 . 14 x y =
Es decir, por cada 1 kgf/
2
cm que aumente la presin del aire, el espesor de la pared
disminuye en 1.28 mm. La figura 6.9 muestra la lnea de regresin antes calculada. La
mayora de los puntos en el diagrama de dispersin deben distribuirse alrededor de la lnea
de regresin. Si no, puede haber un error de clculo y deben verificarse los pasos.

Figura 6.9 Relacin entre presin del aire y el espesor.

UNIDAD I
ESTIMACION
OBJETIVO: El alumno determinara los parmetros poblacionales para aprovechar los
resultados
En la toma de decisiones, mediante el uso de muestras aleatorias, en problemas
de tasa
De tasa de fallas, tiempo de vida de componentes.


55

Muestreo.
Existen dos mtodos para seleccionar muestras de poblaciones: Muestreo no aleatorio o de
juicio y muestreo aleatorio o de probabilidad.
En el muestreo aleatorio o de probabilidad, todos los elementos de la poblacin tienen la
Oportunidad de ser escogidos en la muestra.
En el muestreo no aleatorio o de juicio, se emplea el conocimiento y la opinin personal
para identificar aquellos elementos de la poblacin que debe incluirse en la muestra. Una
muestra seleccionada por muestreo de juicio se basa en la experiencia de alguien con la
poblacin.
Ejemplo, Un guardabosques tendra una muestra de juicio si decidiera con anticipacin las
zonas de una gran rea arbolada que recorrera para estimar los pies de tabla totales de
madera que podran cortarse.
Muestreo aleatorio o de probabilidad. Conocemos las posibilidades de que un elemento de
la poblacin se incluya o no en la muestra. Como resultado de lo anterior, podemos
determinar objetivamente las estimaciones de las caractersticas de la poblacin que
resulten de nuestra muestra; es decir, podemos describir matemticamente que tan
objetivas son nuestras estimaciones.
Existen cuatro mtodos del muestreo aleatorio:
1.- Muestreo aleatorio simple.
2.- Muestreo sistemtico.
3.- Muestreo estratificado.
4.- Muestreo de racimo.


56

Muestreo aleatorio simple.
El muestreo aleatorio simple selecciona muestras mediante mtodos que permiten que
cada posible muestra tenga una igual probabilidad de ser seleccionada y que cada elemento
de la poblacin total tenga una oportunidad igual de ser incluido en la muestra.

Probabilidad de
Seleccionar
muestras
De dos estudiantes
de
Una poblacin de
Cuatro estudiantes.
ESTUDIANTES A, B, C y D
Muestras posibles de dos personas: AB, AC, AD, BC, DC, BD
La probabilidad de extraer esta muestra de dos personas debe ser
AB = 1/6
AC = 1/6 (Solo hay seis muestras posibles
AD = 1/6 de dos personas )
BC = 1/6
CD = 1/6
BC = 1/6
La probabilidad de este estudiante en la muestra debe ser
A = ( La probabilidad marginal es igual
B = a la suma de las probabilidades
C= conjuntas de los eventos dentro de
D = los cuales esta contenido el evento)
P( A ) = P (AB ) + P ( AC ) + P ( AD ) = 1/2


57

Supongamos que tenemos una poblacin de cuatro estudiantes en un seminario y que
queremos muestras de dos estudiantes a la vez para entrevistarlos. En la tabla se ilustran
todas las combinaciones posibles de muestras de dos estudiantes en un tamao de
poblacin de cuatro, la probabilidad de cada muestra debe ser seleccionada y la de que
cada estudiante este en una muestra, nuestro ejemplo ilustrado utiliza una poblacin finita.
Por finito nos referimos a que la poblacin tiene un tamao establecido o limitado, es decir,
existe un numero entero (N) que nos dice cuantos elementos hay en la poblacin.
Ciertamente, si muestreamos sin reemplazar al estudiante, pronto agotaremos nuestro
pequeo grupo de poblacin. Observe tambin que si muestreamos con reemplazo ( es
decir , si sustituimos al estudiante muestreado inmediatamente despus de haber sido
escogido y antes de elegir al segundo estudiante), la misma persona podra aparecer dos
veces en la muestra.
Hemos utilizado este ejemplo solo para ayudarnos a pensar en el muestreo de una
poblacin infinita. Una poblacin infinita es aquella en la que es tericamente imposible
observar todos los elementos. Aunque muchas poblaciones parecen ser excesivamente
grandes, no existe una poblacin realmente infinita de objetos fsicos. Entonces
utilizaremos el termino de poblacin infinita cuando hablemos acerca de una poblacin que
no podra enumerarse en un intervalo razonable.
Como hacer un muestreo aleatorio:
La forma ms fcil de seleccionar una muestra de manera aleatoria es mediante el uso de
nmeros aleatorios. Estos nmeros pueden generarse ya sea con una computadora
programada para revolver nmeros o mediante una tabla de nmeros aleatorios, que,
propiamente, debera llamarse tabla de dgitos aleatorios.


58

1150 digitos
aleatorios
1581922396 2068577984 8262130892 8374856049 4637567488
0928105582 7295088579 9586111652 7055508767 6472382934
4112077556 3440672486 1882412963 0684012006 0933147914
7457477468 5435810788 9670852913 1291265730 4890031305
0099520858 3090908872 2039593181 5973470495 9776135501
7245174840 2275698645 8416549348 4676463101 2229367983
6749420382 4832630032 5670984959 5432114610 2966095680
5503161011 7413686599 1198757695 0414294470 0140121598
7164238934 7666127259 5263097712 5133648980 4011966963
3593969525 0272759769 0385998136 9999089966 7544056852
4192054466 0700014629 5169439659 8408705169 1074373131
9697426117 6488888550 4031652526 8123543276 0927534537
2007950579 9564268448 3457416988 1531027886 7016633739
4584768758 2389278610 3859431781 3643768456 4141314518
3840145867 9120831830 7228567652 1267173884 4020651657
0190453442 4800088084 1165628559 5407921254 3768932478
6766554338 5585265145 5089052204 9780623691 2195448096
6315116284 9172824179 5544814339 0016943666 3828538786


59

3908771938 4035554324 0840126299 4942059208 1475623997
5570024586 9324732596 1186563397 4425143189 3216653251
2999997185 0135968938 7678931194 1351031403 6002561840
7864375912 8383232768 1892857070 2323673751 3188881718
7065492027 6349104233 3382569662 4579426926 1513082455

En la tabla tenemos 1,150 dgitos aleatorios divididos en conjuntos de 10 dgitos. Estos
nmeros han sido generados mediante un proceso mediante un proceso completamente
aleatorio. La probabilidad de que aparezca cualquier digito de 0 a 9 es la misma que la de
cualquier otra secuencia de la misma longitud.
Para saber cmo usar esta tabla, supongamos que tenemos 100 empleados de una
compaa y deseamos entrevistar una muestra de 10 de ellos escogidos al azar. Podramos
obtener una muestra aleatoria al asignar a cada empleado un nmero de 00 a 99,
consultando la tabla y escogiendo un mtodo sistemtico de seleccionar nmeros de dos
dgitos. En este caso, hagamos lo siguiente:
1.- Recorramos de arriba abajo las columnas, comenzando con la columna de la izquierda, y
leamos solo los primeros dos dgitos en cada fila. Observe que nuestro primer numero al
usar este mtodo seria de 15, el segundo 09, el tercero 41, etc,
2.- Si llegamos hasta el final de la ltima columna de la derecha y todava no tenemos
completos nuestros deseados 10 nmeros de dos dgitos menores de 99, podemos regresar
al principio ( a la parte de arriba de la columna de la izquierda ) y comenzar a leer el tercero
y cuarto dgitos de cada grupo o conjunto. Estos comenzaran con 81, 28 y 12.


60

Muestreo sistemtico.
En este tipo de muestreo, los elementos son seleccionados de la poblacin dentro de un
intervalo uniforme que se mide con respecto al tiempo, al orden o al espacio. Si quisiramos
entrevistar a cada vigsimo estudiante de una universidad, escogeramos un punto de inicio
aleatorio entre los primeros 20 nombres del directorio estudiantil y luego escogeramos
cada veinteavo nombre de all en adelante.
El muestreo sistemtico difiere del muestreo aleatorio simple en que cada elemento tiene
igual oportunidad de ser seleccionado, pero cada muestra no tiene una posibilidad igual de
ser seleccionada. Este hubiera sido el caso si, en nuestro anterior ejemplo, hubiramos
asignado nmeros entre 00 y 99 a los empleados y luego hubiramos empezado a escoger
una muestra de 10, seleccionando cada decimo numero; por ejemplo 1, 11, 21, 31, etc. Los
empleados numerados con 2,3,4 y 5 no hubieran tenido ninguna oportunidad de haber sido
seleccionados juntos.
En el muestreo sistemtico existe el problema de introducir un error en el proceso de
muestreo. Supongamos que estuviramos muestreando el desecho de papel producido por
la casa, y decidiramos muestrear 100 casa cada lunes. La probabilidad de que esa muestra
no fuera representativa es alta porque la basura de los lunes incluira muy probablemente
el peridico dominical. Por lo tanto, la cantidad de desechos estara sesgada hacia arriba
por nuestra eleccin de este procedimiento de muestreo.
Sin embargo, el muestreo sistemtico tambin tiene ventajas. Aun cuando este tipo de
muestreo puede ser inapropiado cuando los elementos entran en un patrn secuencial,
este mtodo puede requerir menos tiempo y algunas veces tiene como resultado un costo
menor que el mtodo de muestreo aleatorio simple.


61

Muestreo estratificado:
Para utilizar el muestreo estratificado, dividimos la poblacin en grupos
relativamente homogneos, llamados estratos. Seleccionamos aleatoriamente de
cada estrato un nmero un numero especifico de elementos correspondientes a la
fraccin de ese estrato en la poblacin como un todo o extraemos un numero igual
de elementos de cada estrato y damos peso a los resultados de acuerdo con la
porcin del estrato con respecto a la poblacin total. Con cualquiera de los
planteamientos, el muestreo estratificado garantiza que cada elemento de la
poblacin tenga posibilidad de ser seleccionado.
El muestreo estratificado resulta apropiado cuando la poblacin ya esta dividida en
grupos de diferentes tamaos y deseamos tomar en cuenta este hecho.
Supongamos que los pacientes de un medico estn divididos en cuatro grupos de
acuerdo con su edad, el medico desea averiguar cuantas horas duermen sus
pacientes. Para obtener una estimacin de esta caracterstica de la poblacin, podra
tomar una muestra aleatoria de cada uno de los cuatro grupos de edades y dar peso
a la muestra de acuerdo con el porcentaje de pacientes en ese grupo. Este sera un
ejemplo de una muestra estratificada.

Composicin de los grupos
De pacientes por su edad
Grupo de edad
Porcentaje del total

Nacimiento 19 aos 30
20 39 aos 40
40 59 aos 20
60 aos y mayores 10


62

La ventaja de las muestras estratificadas es que, cuando se disean
adecuadamente, reflejan de manera ms precisa las caractersticas de la poblacin
de la cual fueron elegidas, en comparacin con otro tipo de muestras.
Muestreo de racimo:
En este tipo de muestreo dividimos la poblacin en grupos, o racimos, y luego
seleccionamos una muestra aleatoria de estos racimos suponemos que dichos
racimos individuales son representativos de la poblacin como un todo. Si una
investigacin de mercado tiene la intencin de determinar por muestreo el numero
promedio de televisores por casa en una ciudad grande, podran usar un mapa de la
ciudad para dividir el territorio en manzanas y luego escoger un cierto nmero de
estas ( racimos ) para entrevistar a sus habitantes. Un procedimiento de muestreo
de racimo bien diseado puede producir una muestra ms precisa a un costo
considerablemente menor que el de un muestreo aleatorio simple.
Usamos el muestreo estratificado cuando cada grupo tiene una pequea variacin
dentro de si mismo, pero hay una amplia variacin entre los grupos.
Usamos muestreo de racimo en el caso opuesto, cuando hay una variacin
considerable dentro de cada grupo, pero los grupos son esencialmente similares
entre s.


63

Variables discretas y continuas
Variables discretas y continuas.
Una variable aleatoria es una funcin que asigna un nmero real a cada resultado en el
espacio muestral de un experimento aleatorio.
Las variables aleatorias se denotan con una letra mayscula, tal como X , y con una
letra minscula, como x , el valor posible de X . El conjunto de los posibles valores de la
variable aleatoria X recibe el nombre de rango de X .
Una variable aleatoria discreta es una variable aleatoria con un rango finito.

Ejemplo:
Se evala un nuevo proceso para la fabricacin de partes moldeadas en plstico en
trminos de la coloracin y reduccin de tamao. Una de las primeras corridas del proceso
proporciona la informacin para el espacio muestral y las probabilidades que aparecen en
la siguiente tabla:

Coloracin Reduccin de tamao Probabilidad
aprobado aprobado 0.64
aprobado inaceptable 0.16
inaceptable aprobado 0.16
inaceptable inaceptable 0.04


64

Supngase que el inters recae en resumir los resultados de este experimento aleatorio
con el nmero de caractersticas (de coloracin y reduccin de tamao) que son aprobadas.
Por lo cual, se define una variable aleatoria, X , para ser igual al nmero de caractersticas
aprobadas.
La cuarta columna de la siguiente tabla, contiene los valores de X asignados a cada
resultado del experimento. Por ejemplo al resultado (aprobado, aprobado) se le ha
asignado 2 = x .

Coloracin Reduccin de tamao Probabilidad x
aprobado aprobado 0.64 2
aprobado inaceptable 0.16 1
inaceptable aprobado 0.16 1
inaceptable inaceptable 0.04 0

En todos los procesos productivos las caractersticas del producto deben ser medidas para
asegura que el producto cuenta con las caractersticas especificadas en su diseo. En la
prctica pueden presentarse pequeas variaciones en las longitudes medidas, por muchas
causas, tales como vibraciones, fluctuaciones de temperatura, diferencias entre quienes
toman las mediciones, calibraciones, desgaste en la herramienta de corte, desgaste en los
cojinetes y cambios en la materia prima. Incluso el procedimiento de medicin puede
producir variaciones en los resultados finales.

En estos tipos de experimentos, las mediciones de inters la corriente en el alambre
de cobre, la longitud de una parte maquinada pueden representarse con una variable
aleatoria. Es razonable modelar el rango de los avalores posibles de la variable aleatoria
con un intervalo (finito o infinito) de nmeros reales. Por ejemplo, para la longitud de una
parte maquinada, este modelo permite que las mediciones del experimento produzcan


65

cualquier valor dentro de un intervalo de nmeros reales. Dado que el rango es cualquier
valor en el intervalo, el modelo es adecuado para cualquier precisin utilizada al efectuar
las mediciones. Sin embargo, como el nmero de valores posibles de la variable aleatoria X
es infinito no contable, X tiene una distribucin muy diferente de las de las variables
aleatorias discretas estudiadas en el captulo anterior. El rango de X incluye todos los
valores contenidos en un intervalo de nmeros reales; esto es, el rango de X puede
concebirse como un continuo de valores. En consecuencia, se tiene la siguiente definicin.

Definicin: Si el rango de una variable aleatoria X contiene un intervalo ( ya sea
finito o infinito) de nmero reales, entonces X es una variable aleatoria continua.

Distribuciones Discretas.

Distribucin binomial.

Un proceso de manufacturas electrnicas produce miles de diodos diariamente. En
promedio, el 1% de estos diodos no se apega a las especificaciones. Cada hora, un
inspector selecciona una muestra aleatoria de 50 diodos y los clasifica como conformes o
disconformes. Sea x la variable aleatoria que representa el nmero de piezas con
disconformidad en la muestra; entonces la distribucin de probabilidad de x es:

( ) ( )
x n x
p p
x
n
x p

|
|
.
|
\
|
= 1

n x ... 2 , 1 , 0 =

( ) ( ) ( )
x x
x
x p

|
|
.
|
\
|
=
50
99 . 0 01 . 0
50

50 ... 2 , 1 , 0 = x


66

Donde
( )! 50 !
! 50
50
x x x
=
|
|
.
|
\
|
que es el nmero de combinaciones de 50 partes tomadas x
cada vez. Esta es una distribucin discreta, ya que el nmero observado de
disconformidades es 50 ... 2 , 1 , 0 = x y se denomina distribucin binmica o binomial.
Podemos calcular la probabilidad de encontrar a lo ms una pieza disconforme en la
pieza:
( ) ( ) ( ) 1 0 1 = + = = s x p x p x p

( ) ( ) 1 0 p p + =
( ) ( )
|
.
|
\
|
=
1
0
50
99 . 0 01 . 0
50
x
x x
x

( ) ( ) ( ) ( )
49 1 0 50
99 . 0 01 . 0
! 49 ! 1
! 50
01 . 0 99 . 0
! 50 ! 0
! 50
+ =
9106 . 0 3056 . 0 6050 . 0 = + =
% 06 . 91 = de encontrar 1 o no encontrar ninguna.

Distribucin Exponencial

La variable aleatoria X que es igual a la distancia entre ocurrencias sucesivas de un
proceso poisson con media 0 > , tiene una distribucin exponencial con parmetro . La
funcin de densidad de probabilidad de X es:

( ) , ;
x
x
x f

= para < s x 0

La distribucin exponencial obtiene su nombre de la funcin exponencial que
aparece en la funcin de densidad de probabilidad. Para cualquier valor de la


67

distribucin exponencial tiene mucho sesgo. Los resultados siguientes se obtienen
con facilidad y la deduccin de stos se deja como ejercicio.

Si la variable aleatoria X tiene una distribucin exponencial con parmetro ,
entonces
( )

1
= X E y ( )
2
1
= X V

Ejemplo: La vida til de un foco es una variable exponencial con un promedio de
500 hrs. Calcula la probabilidad de que la vida de un foco cualquiera:

a) Este entre 400 y 700 hrs.
1
=
1
=
500
1
=

( )
( )
7534 . 0 1 700
700
500
1
= =

e F

( )
( )
5506 . 0 1 400
400
500
1
= =

e F

( ) ( ) ( ) 2028 . 0 5506 . 0 7534 . 0 400 700 700 400 = = = < < F F x p

La probabilidad de que el foco dure entre 400 y 700 hrs. Es de 20.28%

b) sea menor que el promedio.
500
1
=


68

( )
}

= <
500
0
) 500 dx e x p
x

( ) ( )
(
=
0
500
1
500
500
1
1 1 e e

=0.6321-0
=0.6321
La probabilidad de que un foco dure menos que el promedio (500 hrs. ) es de
63.21%

Distribucin de Poisson

Una aplicacin clsica de la distribucin de poisson en el control de calidad
es como un modelo del nmero de defectos o disconformidades que ocurren en
una unidad del producto por ejemplo, supngase que el nmero de defectos por
unidad en las conexiones de conductores en un dispositivo electrnico de
semiconductores tiene distribucin de poisson, con parmetro = 4 ( o sea 4
defectos en promedio cada unidad). Entonces, la probabilidad de que uno de estos
dispositivos seleccionados al azar contenga 2 defectos o menos (incluso ninguno)
es:
( ) ( ) ( ) ( ) 2 1 0 2 p p p x p + + = s
( ) .... 2 , 1 , 0
!
= =

x
x
e
x p
x

= o =
2


69

( ) 0183156 . 0
! 0
4
0
0
=
=

e
p

x P(x)
0 0.0183
1 0.0733
2 0.1465
3 0.1954
4 0.1954
5 0.1563
6 0.1042
7 0.0595
8 0.0298
9 0.0132
10 0.0053
11 0.0019
12 0.0006
13 0.0002
14 0.0000
15 0.0000
16 0.0000
. 0.0000
. 0.0000
. 0.0000
Resultado .2381


70

Existe 23.81% de probabilidad de encontrar dos, uno o ninguno.
Distribuciones continuas
Distribucin Normal
Sin lugar a dudas, la distribucin ms utilizada para modelar experimentos aleatorios
es la distribucin normal. Esta distribucin puede obtenerse al considerar el modelo bsico
de una variable aleatoria binomial cuando el nmero de ensayos se vuelve cada vez ms
grande. Este fue el enfoque original seguido por De Moivre en 1733. Desafortunadamente,
su trabajo se perdi por algn tiempo, y Karl Gauus Desarroll , de manera independiente,
la distribucin normal casi cien aos despus. Aunque ms tarde se dio crdito a De
Moivre, la distribucin normal tambin se conoce como distribucin Gaussiana.

Una variable aleatoria X con funcin de densidad de probabilidad normal :

( )
2
2
1
2
1
|
.
|
\
|
=
o
t o
x
e x f < < x

La resistencia a la tensin del papel utilizado en la fabricacin de bolsas para las compras
es una caracterstica de calidad importante, se sabe que la resistencia (x) tiene distribucin
normal, con media
2
lg
40
p
lb
= (psi, del ingls poud per square inch) y desviacin
estndar
2
lg
2
p
lb
= o , lo que se denota por ( )
2
2 , 40 N x ~ . El comprador de las bolsas
necesita una resistencia de por lo menos
2
lg 35 p lbs . La probabilidad de que una bolsa
producida con este papel satisfaga o exceda esta especificacin es { } 35 > x p . Ntese que

{ } { } 35 1 35 s = > x p x p


71

Para evaluar esta probabilidad a partir de las tablas de distribucin estndar hay que
estandarizar el punto 35 y se encuentra que:

{ }
)
`
s = s
2
40 35
35
o
x
z p x p

{ } 5 . 2 s = z p

( ) 25 u =

0062 . 0 =
Por consiguiente la probabilidad buscada es
{ } { } 9938 . 0 0062 . 1 35 1 35 = = s = > x p x p

La probabilidad de que una bolsa exceda las
2
lg
35
p
lbs
es de 99.38%

Distribucin T-Student

Supngase que se toma una muestra de una poblacin normal con media y
varianza
2
o . Si X es el promedio de las n observaciones que contiene la muestra
aleatoria, entonces la distribucin de ( ) ( ) n X Z / / o = es una distribucin normal
estndar. Supngase que la varianza de la poblacin
2
o es desconocida. Qu sucede
con la distribucin de esta estadstica si se reemplaza o por S? La distribucin t
proporciona la respuesta a esta pregunta.


72

Sea <Z una variable aleatoria con distribucin N(0,1) y V una variable aleatoria
jicuadrada con k grados de libertad. Si Z y V son independientes, entonces la variable
aleatoria
K V
Z
T
/
=
Tiene la funcin de densidad de probabilidad

( )
( ) | |
( )
( ) | |
( ) 2 / 1
2
1 /
1
2 /
2 / 1
+
+
I
+
=
k
k x
k k
k T
x f
t
< < x
y se dice que sigue la distribucin t con k grados de libertad, lo que se abrevia como
k
t .
La media y la varianza de la distribucin t son = 0 y ( ) 2 /
2
= k k o para que k>2,
respectivamente.
Ejemplo:
Un qumico afirma que el rendimiento medio de la poblacin de cierto proceso en lotes
es 500 gramos por milmetro de materia prima. Para verificar esta afirmacin muestrea 25
lotes cada mes. Si el valor t calculado cae entre
05 . 0
t y
05 . 0
t , queda satisfecho con su
afirmacin. Qu conclusin extraera de una muestra que tiene una media 518 = x
gramos por milmetro y una desviacin estndar muestral 40 = s gramos? Suponga que la
distribucin de rendimientos es aproximadamente normal.
De las tablas se extrae el valor 711 . 1
05 . 0
= t para 24 grados de libertad. Por tanto, el
fabricante queda satisfecho con esta afirmacin si una muestra de 25 lotes rinde un valor t
entre 1.711 y 1.711. Si 500 = , entonces


73

25 . 2
25 / 40
500 518
=
= t
un valor muy por arriba de 1.771. La probabilidad de obtener un valor t , con 24 = v , igual o
mayor que 2.25 es aproximadamente 0.02. Si 500 > , el valor de t calculado de la
muestra sera ms razonable. De aqu que es probable que el fabricante concluya que el
proceso produce un mejor producto del que piensa.

La prueba ms universal para la comparacin de dos tratamientos
Probablemente el primer anlisis estadstico que uno realiza en su vida es la
comparacin de dos medias. Esta situacin se plantea cuando se estn
comparando dos grupos (normalmente dos tratamientos) con relacin a una variable
de eficacia cuantitativa (p.ej. VEMS). La prueba de eleccin es la t de Student. Su
clculo no tiene mayor dificultad, sin embargo, requiere de ciertas asunciones que a
menudo no se suelen verificar, pudiendo llegar a conclusiones errneas segn
veremos en este artculo.
Asunciones de la prueba t de Student
Tcnicamente se puede describir la prueba t de Student como aquella que se utiliza
en un modelo en el que una variable explicativa (var. independiente) dicotmica
intenta explicar una variable respuesta (var. dependiente) dicotmica. Es decir en la
situacin: dicotmica explica dicotmica.
La prueba t de Student como todos los estadsticos de contraste se basa en el
clculo de estadsticos descriptivos previos: el nmero de observaciones, la media y
la desviacin tpica en cada grupo. A travs de estos estadsticos previos se calcula
el estadstico de contraste experimental. Con la ayuda de unas tablas se obtiene a
partir de dicho estadstico el p-valor. Si p<0,05 se concluye que hay diferencia


74

entre los dos tratamientos.
Las hiptesis o asunciones para poder aplicar la t de Student son que en cada
grupo la variable estudiada siga una distribucin Normal y que la dispersin
en ambos grupos sea homognea (hiptesis de homocedasticidad=igualdad
de varianzas). Si no se verifica que se cumplen estas asunciones los resultados de
la prueba t de Student no tienen ninguna validez.
Por otra parte no es obligatorio que los tamaos de los grupos sean iguales, ni
tampoco es necesario conocer la dispersin de los dos grupos.
Qu hacer cuando las asunciones no se cumplen?
Existen varias pruebas estadsticas para contrastar la Normalidad de los datos: la
ms utilizada la de Kolmogorov-Smirnov. De igual modo existen tambin varias
pruebas que permiten contrastar la homogeneidad de varianzas: la ms utilizada es
la prueba de Levene.
En el caso de que no se cumpla la asuncin de Normalidad se suele intentar alguna
transformacin de los datos que "normalice" los datos, siendo la transformacin
logaritmo neperiano la ms usual. Ocurre en la prctica que la transformacin que
"normaliza" los datos tambin consigue igualdad de varianzas. En el caso de que no
se diera la hiptesis de igualdad de varianzas ni siquiera despus de transformar los
datos, hay que utilizar una modificacin de la prueba t de Student debida a
Satterthwaite que es vlida para el caso de no homogeneidad de varianzas.
Ejemplo
Se supone que se quiere comparar dos tratamientos con relacin a una variable
cuantitativa. Los datos experimentales son:


75

Trat A: 25, 24, 25, 26
Trat B: 23, 18, 22, 28, 17, 25, 19, 16
Si se aplica la t de Student directamente se obtiene una p=0,096>0,05 con lo que se
concluye que no se puede demostrar diferencias entre los dos tratamientos. Sin
embargo la prueba de Levene pone de manifiesto que p=0,014<0,05 con lo que se
concluye que en estos datos no se verifica la igualdad de varianzas, con lo que la
conclusin anterior queda en suspenso. Tras aplicar Satterthwaite, que es vlido en
este caso de heterocedasticidad, se obtiene que p=0,032<0,05 con lo que la
conclusin correcta es que s hay diferencia entre los dos tratamientos.
Conclusiones
La prueba t de Student es muy utilizada en la prctica, sin embargo a menudo su
aplicacin se hace sin excesivo cuidado, no comprobando las asunciones que
requiere. En este artculo se ha puesto de manifiesto que la falta de normalidad o la
falta de homogeneidad en las varianzas invalida la prueba t de Student
Distribucin t-Student de n grados de libertad
1. Funcin de densidad de probabilidad:

2. Valores esperados
E(t)=0
3. Parecida a N(0,1)
4. Th. Si es una v.a. con distribucin N(0,1) y es otra v.a. con
distribucin de n grados de libertad, entonces es una v.a. con
distribucin t-Student de n grados de libertad.
1. es una t-Student de n-1 grados de libertad
2. Analoga con, que es N(0,1)


76

5. Si es el fractil de la distribucin t-Student de n grados de libertad,
entonces, por ser simtrica respecto del origen, se tiene que:

TABLA DE LA DISTRIBUCION t
y valores , donde, , y donde T tiene
distribucin t-Student con r grados de libertad..

r 0.75 0.80 0.85 0.90 0.95 0.975 0.99 0.995
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032

6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707
7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169

r
t c
, 1 o
=
o = s 1 ] [ c T P


77

11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106
12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947

16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921
17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845

21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831
22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787

26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779
27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750

40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704
60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.660
120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617
0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576


78

Prueba
En estadstica y estadstica aplicada se denomina prueba (pronunciado como "ji-
cuadrado" y a veces incorrectamente como "chi-cuadrado") a cualquier prueba en la que el
estadstico utilizado sigue una distribucin si la hiptesis nula es cierta. Algunos ejemplos
de pruebas son:
- La prueba de Pearson, la cual tiene numerosas aplicaciones:
- La prueba de frecuencias
- La prueba de independencia
- La prueba de bondad de ajuste
- La prueba de Pearson con correccin por continuidad o correccin de Yates
- La prueba de Bartlett de homogeneidad de varianzas
Prueba de Pearson
La prueba de Pearson es considerada como una prueba no paramtrica que mide la
discrepancia entre una distribucin observada y otra terica (bondad de ajuste), indicando en
qu medida las diferencias existentes entre ambas, de haberlas, se deben al azar en el
contraste de hiptesis. Tambin se utiliza para probar la independencia de dos variables entre
s, mediante la presentacin de los datos en tablas de contingencia.
La frmula que da el estadstico es la siguiente:


79

Cuanto mayor sea el valor de
2
, menos verosmil es que la hiptesis sea correcta. De la
misma forma, cuanto ms se aproxima a cero el valor de chi-cuadrado, ms ajustadas estn
ambas distribuciones.
Los grados de libertad gl vienen dados por :
gl= (r-1)(k-1). Donde r es el nmero de filas y k el de columnas.
- Criterio de decisin:
Se acepta H
0
cuando . En caso contrario se rechaza.
Donde t representa el valor proporcionado por las tablas, segn el nivel de significacin
estadstica elegido.
Poblaciones y muestras.
En muchos problemas estadsticos, es necesario utilizar una muestra de
observaciones tomadas de la poblacin de inters con objeto de obtener
conclusiones sobre ella. A continuacin se presenta la definicin formal de algunos
trminos:

Poblacin: es aquella que est formada por la totalidad de las observaciones en las cuales
se tiene cierto inters.

En cualquier problema particular, la poblacin puede ser pequea, grande pero finita o
infinita. El nmero de observaciones en la poblacin recibe el nombre de tamao de la
muestra. Por ejemplo, el ingreso de los habitantes de una ciudad de Mxico, y el nmero de
botellas con un contenido menor de bebida en un da de produccin de una compaa
refresquera, son poblaciones de tamao finito. Las observaciones obtenidas al medir todos
los das el nivel de monxido de carbono, es una poblacin de tamao infinito. Por otra


80

parte, un tcnico de estructuras puede considerar que la poblacin de resistencias a la
tensin tiene una distribucin normal con media y varianza
2
o . Puede hacerse
referencia a este hecho diciendo que es una poblacin normal o que es una poblacin
normalmente distribuida.

En muchos problemas de inferencia estadstica, es posible o poco prctico observar
toda la poblacin. Por ejemplo, no es posible probar la resistencia a la tensin de todos los
elementos estructurales de las carroceras, ya que esto se lleva mucho tiempo y tiene un
costo muy alto. Por otra parte, algunos (quiz muchos) de los elementos estructurales
todava no existen en el momento de tomarse la decisin, as que, en gran medida, la
poblacin debe verse como algo conceptual. En consecuencia, se depende de un
subconjunto de las observaciones provenientes de la poblacin que sean de ayuda para
tomar decisiones sobre esta.
Muestra: es un subconjunto de observaciones seleccionadas de una poblacin.
Para que las inferencias sean vlidas, la muestra debe ser representativa de la
poblacin. A menudo resulta atractivo seleccionar las observaciones ms convenientes
como muestra o ejercitar el juicio en la seleccin de la muestra. Es frecuente que estos
procedimientos introduzcan un sesgo en la muestra, lo que trae como consecuencia que el
parmetro de inters sea subestimado (o sobrestimado) por la muestra. Por otra parte, no
es posible describir de manera estadstica el comportamiento de una muestra de este tipo.
Para evitar estas dificultades, es deseable seleccionar una muestra aleatoria como el
resultado de un mecanismo aleatorio, y cada observacin de la muestra es un experimento
aleatorio. En consecuencia, la seleccin de una muestra es un experimento aleatorio, y
cada observacin de la muestra es el valor observado de una variable aleatoria. Las
observaciones en la poblacin determinan la distribucin de probabilidad de la variable
aleatoria.


81

Para definir una muestra aleatoria, sea X la variable aleatoria que representa el
resultado de tomar una observacin de la poblacin. Sea ) (x f la funcin de densidad de
probabilidad de X . Supngase que cada observacin de la muestra se obtiene de manera
independiente, bajo las mismas condiciones. Esto es, las observaciones de la muestra se
obtienen al observar X de manera independiente bajo condiciones que no cambian,
digamos, n veces. Sea
i
X la variable aleatoria que representa la i-sima rplica.
Entonces
n
X X X ,..., ,
2 1
constituyen una muestra aleatoria, donde los valores numricos obtenidos
son
n
x x x ,..., ,
2 1
. Las variables aleatorias en una muestra aleatoria son independientes,
con la misma distribucin de probabilidad ) (x f debido a que cada observacin se obtiene
bajo las mismas condiciones. Esto es, las funciones de densidad de probabilidad marginal
de
n
X X X ,..., ,
2 1
son ), ( ),..., ( ), (
2 1 n
x f x f x f respectivamente, y por independencia, la
funcin de densidad de probabilidad conjunta de la muestra aleatoria es
) ( )... ( ) (
2 1 n
x f x f x f .
Las variables aleatorias ) ,..., , (
2 1 n
X X X constituyen una muestra aleatoria de tamao n
, si
a) Las
i
X son, variables aleatorias independientes, y
b) Todas las
i
X tienen la misma distribucin de probabilidad.

Para ilustra esta definicin, supngase que se investiga la duracin efectiva de un
componente electrnico utilizado en un marcapasos cardiaco, y que a duracin del
componente tiene una distribucin normal. Entonces se espera que cada una de las
observaciones de la duracin del componente
n
X X X ,..., ,
2 1
en una muestra aleatoria de n
componentes, sean variables aleatorias independientes con la misma distribucin normal.
Despus de recopilar los datos, los valores numricos de duracin observados se denotan
por
n
x x x ,..., ,
2 1
.
El propsito principal de la toma de una muestra aleatoria es obtener informacin sobre
los parmetros no conocidos de la poblacin, Supngase, por ejemplo, que se desea
alcanzar una conclusin acerca de los habitantes de la poblacin de Mxico que prefiere


82

una marca particular de refresco. Sea p el valor no conocido de esta proporcin. Resulta
poco prctico interrogar a cada persona de la poblacin para determinar el verdadero valor
de p . Para hacer una inferencia con respecto a la proporcin verdadera p , un
procedimiento ms razonable consiste en seleccionar una muestra aleatoria (de un tamao
apropiado) y utilizar la proporcin observada p
de personas de la muestra que prefieren
cierta marca de refresco.

La proporcin de la muestra p
, se calcula dividiendo el nmero de personas de la
muestra que prefieren una marca particular de refresco entre el tamao total de la muestra,
n . Por tanto, p
es una funcin de los valores observados de la muestra aleatoria. Puesto
que es posible obtener muchas muestras aleatorias de una poblacin, el valor de p
cambiar de una a otra. Esto es, p
es una variable aleatoria. Esta variable aleatoria se
conoce como estadstica.

Estadstica: es cualquier funcin de las observaciones contenidas en una muestra
aleatoria.

Hasta el momento, ya se han considerado varias estadsticas. Por ejemplo,
n
X X X ,..., ,
2 1
es una muestra aleatoria de tamao n , entonces la media muestral
X , la varianza muestral
2
S , y la desviacin estndar muestral S son estadsticas.
El proceso de obtener conclusiones sobre poblaciones con base en datos
contenidos en una muestra, hace un uso considerable de estas estadsticas.

Puesto que una estadstica es una variable aleatoria, esta tiene una distribucin de
probabilidad. Se conoce como distribucin de muestreo a la distribucin de
probabilidad de una estadstica.


83

Determinacin del tamao de una muestra.
Una cuestin muy importante en cualquier mtodo de seleccin de unidades de
una poblacin es conocer el tamao de muestra adecuado para cometer un
determinado error de muestreo prefijado. En la prctica del muestreo nos
encontramos de inmediato con este problema. Evidentemente tenemos que
seleccionar la muestra, para lo que es estrictamente necesario conocer su tamao.
Como es natural al aproximar las caractersticas poblacionales mediante
estimadores basados en la muestra se comete un error, error que mide la
representatividad de dicha muestra. Dependiendo de la accesibilidad y
disponibilidad del marco, del costo de entrevista de las unidades encuestadas, del
presupuesto disponible y de otros muchos factores, fijaremos un error de muestreo
que en todo caso debe ser el mnimo posible. Dicho error de muestreo puede venir
dado en trminos absolutos, en trminos relativos o sujeto adicionalmente a un
coeficiente de confianza dado (sujeto a lmites de tolerancia).

Existen dos tipos generales de muestreo: el probabilstico y el no probabilstico.
En el primero, cada uno de los elementos de la muestra tiene la misma probabilidad
de ser muestreado, y en el muestreo no probabilstico, la probabilidad de ser
muestreado no es igual para todos los elementos del espacio muestral.

Para calcular el tamao de la muestra se deben tomar en cuenta algunas
propiedades de ella y el error mximo que se permitir en los resultados. Para el
clculo de n (tamao de la muestra) se puede emplear la siguiente frmula:

2
2 2
E
Z
n
o
=


84

Donde o (sigma) es la desviacin estndar, que puede calcularse por criterio, por
referencia a otros estudios o mediante una prueba piloto. El nivel de confianza
deseado se denota por Z , el cual se acepta que sea de 95% en la mayora de la
investigaciones. El valor de Z es entonces llamado nmero de errores estndar
asociados con el nivel de confianza. Su valor se obtiene de la tabla de
probabilidades de una distribucin normal. Para un nivel de confianza de 95%,
96 . 1 = Z , lo que significa que con una probabilidad total de 0.05 la media de la
poblacin caera fuera del intervalo o 3 (o es la desviacin estndar de la muestra).
Finalmente, E es el error mximo permitido y se puede interpretar como la mayor
diferencia permitida entre la media de la muestra y la media de la poblacin ( ). E X

Supngase que se desea investigar acerca de los hbitos en el uso del shampoo.
Para determinar el tamao de la muestra por entrevistar, de alguna fuente de
informacin se obtiene que el consumo medio anual de este producto es de 5 litros.
El analista supone que el error permitido en el uso de shampoo de litros E 37 . 0 = por
ao, esto es, del consumo anual de la media, que es de 5 litros. El analista supone
que ningn usuario consume ms de 5.37 litros ni menos de 4.63 litros por ao. Por
medio de un muestreo piloto, el analista encuentra que la desviacin estndar para
el uso de este producto es de 3 litros. Como , 96 . 1 = Z valor que ya se haba fijado
dado el nivel de confianza de 95%, entonces:
250
37 . 0
96 . 1 3
2
2 2
2
2 2
=
= =
E
Z
n
o

Tamao ptimo de la muestra para una proporcin.

Muchas veces nos interesa dividir la poblacin en variables dicotmicas (o sea
dividir la poblacin en dos partes), a continuacin se presenta las frmula para


85

determinar el tamao de la muestra en caso de que quisiramos conocer una
proporcin :

2
2
E
pq
n
o
=

Donde:

2
o = Nivel de confianza (generalmente se utiliza un nivel de confianza de 95%, por
lo tanto
2
o = 2)
= p estimado de la proporcin (se recomienda utilizar 0.5)
= q complemento de la proporcin. (si se utiliz 0.5 el complemento ser 0.5 ya que
la suma da el 100% de la poblacin).
= E error permitido.
Ejemplo:

Se quiere saber que porcentaje de un lote de produccin es defectuoso, para esto
se quiere hacer un muestreo, determine el tamao de la muestra si se requiere un
95% de nivel de confianza, un error permisible del 4% y una proporcin de piezas
defectuosas estimadas de 30%.

2
2
E
pq
n
o
=
2
2
) 04 . 0 (
) 7 . 0 )( 3 . 0 ( ) 96 . 1 (
= n = 504.
Determine el tamao de las siguientes poblaciones.
1. Nivel de confianza del 95%, desviacin estndar de 4 y error
del 0.5


86

2. Nivel de confianza del 95% desviacin estndar de 10 y error
del 0.2
del 0.3
del 0.6
5. Nivel de confianza del 95%, desviacin estndar de 1.5 y error
del 0.4
6. Nivel de confianza del 95%, desviacin estndar de 2.8 y error
del 0.2
7. Se quiere conocer el porcentaje de un lote de produccin es
defectuoso, para esto se requiere un 95% de nivel de
confianza, un error permisible de 2% y una proporcin de
piezas defectuosas estimadas de un 35%.

SOLUCIN
1. 384
4 . 0
96 . 1 4
2
2 2
2
2 2
=
= =
E
Z
n
o

2. 9604
2 . 0
96 . 1 10
2
2 2
2
2 2
=
= =
E
Z
n
o

3. 2732
3 . 0
96 . 1 8
2
2 2
2
2 2
=
= =
E
Z
n
o

4. 523
6 . 0
96 . 1 7
2
2 2
2
2 2
=
= =
E
Z
n
o

5. 54
4 . 0
96 . 1 5 . 1
2
2 2
2
2 2
=
= =
E
Z
n
o

6. 753
2 . 0
96 . 1 8 . 2
2
2 2
2
2 2
=
= =
E
Z
n
o

7.
( )( )
2185
02 . 0
65 . 0 35 . 0 96 . 1
2
2
2
= = =
E
pq
n
o

Estimaciones de medias.
Una aplicacin muy importante de la estadstica es obtener estimaciones puntuales de
parmetros tales como la media y la varianza de la poblacin. Cuando se estudian
problemas de inferencia, es conveniente tener un smbolo general para representar el


87

parmetro de inters; para ello se har uso de la letra griega u (theta). El objetivo de la
estimacin puntual es seleccionar un nmero, con base en los datos de la muestra, que sea
el valor ms plausible de u . El valor numrico de alguna estadstica de la muestra es el
que ser utilizado como estimacin puntual.

En general, si X es una variable aleatoria con distribucin de probabilidad ) (x f ,
caracterizada por el parmetro no conocido u , y si
n
X X X ,..., ,
2 1
es una muestra aleatoria
de X de tamao n , entonces la estadstica ) ,..., , (
2 1 n
X X X h = O recibe el nombre de
estimador puntual de u . Ntese que O
es una variable aleatoria, ya que es una funcin

de variables aleatorias. Despus de que se ha seleccionado la muestra, O
toma un valor
numrico particular u
denominado estimacin puntual de u .

Estimacin puntual: la estimacin puntual de algn parmetro u de la poblacin es una
valor numrico u
de la estadstica O
.

Ejemplo:

Supngase que la variable aleatoria X tiene una distribucin normal con media no
conocida de la poblacin. Esto es, X =
. Despus de tomar la muestra, el valor
numrico x es la estimacin puntual de . Por tanto, si 29 , 30 , 25
3 2 1
= = = x x x y
, 31
4
= x entonces la estimacin puntual de es:


88

n
x
x
n
i
i
=
=
1

75 . 28
4
31 29 30 25
=
+ + +
= x
Ej. 10.1

a) Si de una poblacin normal con varianza 4 se extrae una muestra aleatoria de tamao
20 en la que se calcula 3 . 5 = X se puede decir que tiene una probabilidad de 0.95
de estar comprendida en el intervalo.
b) En una muestra de 10 pacientes sometidos a un cierto tratamiento se obtienen 80
curaciones calcular el intervalo de confianza al 95% de la eficiencia del tratamiento.

SOLUCIN

a) ( ) 618 , 42 . 4
20
2
96 . 1 3 . 5 =

que sera el intervalo de confianza al 95% para .
b) 8 . 0 = p 2 . 0 = q 100 = n 96 . 1
025 . 0
= Z

IC al 95% 0784 . 0 8 . 0
100
2 . 0 8 . 0
96 . 1 8 . 0 =

Qu significa este intervalo? La verdadera proporcin de curaciones est comprendida
entre, aproximadamente, 72% y 88% con un 95% de probabilidad Es suficiente preciso?
Habr que juzgarlo con criterios clnicos.


89

TEMA
Estimaciones de varianzas
Objetivo de Aprendizaje:
10. Elegir el tipo de estimacin de la varianza de una poblacin.

Criterio de Aprendizaje:
11.1 Enlistar el procedimiento para la estimacin de la varianza, ya sea puntual o por
intervalos.
Estimacin de varianzas.
De manera similar, si la varianza
2
o es tambin desconocida, un estimador puntual de
2
o es la varianza muestral
2
s y se calcula de la siguiente forma:
1
) (
1
2
2
=

=
n
x x
s
n
i
i

9 . 6
1 4
) 75 . 28 31 ( ) 75 . 28 29 ( ) 75 . 28 30 ( ) 75 . 28 25 (
2 2 2 2
2
=
+ + +
= s
Los problemas de estimacin se presentan con frecuencia en la ingeniera. A
menudo es necesario estimar:

La media de una poblacin.
La varianza
2
o ( o desviacin estndar o ) de una poblacin.
La proporcin p de objetos de una poblacin que pertenecen a cierta clase de inters.
La diferencia entre medias de dos poblaciones,
2 1

la diferencia entre dos proporciones de dos poblaciones,
2 1
p p


90

Estimadores puntuales razonables de estos parmetros, son los siguientes:

Para , el estimado es x =
, la media muestral.
Para
2
o , el estimado es
2
s = o , la varianza muestral.
Para p , el estimado es
n
x
p = , la proporcin muestral, donde x es el nmero de
objetos en una muestra aleatoria de tamao n que pertenece a la clase de inters.
Para
2 1
, el estimado es
2 1 2 1
x x = , la diferencia entre las medias
muestrales de dos muestras aleatorias independientes.
Para
2 1
p p , es estimado es
2 1
p p , la diferencia entre las proporciones de las dos
muestras, calculadas a partir de dos muestras aleatorias independientes.

Pueden tenerse varias opciones para el estimador puntual de un parmetro. Por
ejemplo, si se desea estimar la media de una poblacin, puede considerarse como
estimadores puntuales la media muestral, la mediana muestral, o quiz el promedio de
las observaciones ms grande y ms pequea. Para decidir cul es el mejor estimador
puntual para un parmetro en particular, es necesario examinar las propiedades
estadsticas de stos y desarrollar algunos criterios para comparar estimadores.
Ejemplo.
a) En una muestra aleatoria de 90 pacientes se mide el nivel de glucosa en la sangre en
ayunas. Se obtiene dl mg X / 132 = y 109
2
= S . Construir el IC al 95% para Qu
asuncin se ha hecho?

b) Para evaluar una vacuna para la gripe se selecciona un grupo de 200 individuos de
riesgo. Se eligen aleatoriamente a 100 de ellos y se les suministra la vacuna; de ellos
10 pasan la gripe. Construir un IC al 95% para la probabilidad de pasar la gripe si se
est vacunado. En los otros 100 pacientes sin vacunar la pasan 20 Hay evidencia de
que la vacuna es eficaz?.


91

SOLUCIN
Usando la frmula para cuando
2
o es desconocida
n
S
t X
2
o

Podemos o bien mirar a las tablas de la t (o en un programa de ordenador) el valor de
025 . 0
t
que para 89 grados de libertad (los grados de libertad son n-1) es 1.99, o bien como n>30
aproximar a la Z y usar el valor 1.96
IC 95% 19 . 2 132
90
109
99 . 1 132 =
c) La frmula para calcular IC para proporciones es

n
pq
Z p
2
o

y aproximando p y q por sus estimaciones
IC 95%:
( )( )
( ) 16 . 0 , 04 . 0 006 . 0 1 . 0
100
9 . 0 1 . 0
96 . 1 1 . 0 = =
Es decir, hay una probabilidad del 95% de que la probabilidad de pasar la gripe si se esta
vacunado este comprendida entre el 4% y el 16% para los no vacunados.

IC al 95%:
( )( )
( ) 28 . 0 , 12 . 0 08 . 0 2 . 0
100
8 . 0 2 . 0
96 . 1 2 . 0 = =


92

Existe solapamiento, aunque pequeo, entre ambos intervalos; por tanto no podemos
asegurar que la vacuna sea eficaz.
Pruebas de hiptesis.

Pruebas de hiptesis.

Primero, definamos con precisin que entendemos por hiptesis estadstica.

Una hiptesis estadstica es una aseveracin o conjetura con respecto a una o ms
poblaciones.

La verdad o falsedad de una hiptesis estadstica nunca se sabe con absoluta certidumbre
a menos que examinemos toda la poblacin. Esto, por supuesto, sera poco prctico en la
mayora de las situaciones. En su lugar, tomamos una muestra aleatoria de la poblacin de
inters y utilizamos los datos contenidos en esta muestra para proporcionar evidencia que
apoye o no a la hiptesis. La evidencia de la muestra que es inconsistente con la hiptesis
que se establece conduce al rechazo de sta, mientras que la evidencia que la apoya
conduce a su aceptacin.

Debe quedar claro al estudioso de la materia que el diseo de un procedimiento de
decisin se debe hacer con la idea en mente de la probabilidad de una conclusin errnea.
Por ejemplo, suponga que la conjetura (hiptesis) que postula el tcnico es que la fraccin
p de defectuosos en cierto proceso es 0.10. El experimento es la observacin de una
muestra aleatoria del producto en cuestin. Suponga que se prueban 100 artculos y se
encuentra que 12 estn defectuosos. Es razonable concluir que esta evidencia no rechaza
la condicin 10 . 0 = p , y por ello puede conducir a la aceptacin de la hiptesis. Sin
embargo, tampoco rechaza 12 = p o incluso 15 = p . Como resultado, el lector se debe


93

acostumbrar a comprender que la aceptacin de una hiptesis simplemente implica que los
datos no dan suficiente evidencia para rechazarla. Por otro lado, el rechazo implica que la
evidencia muestral la refuta. Puesto de otra forma, el rechazo significa que hay una
pequea probabilidad de obtener la informacin muestral observada cuando, de hecho, la
hiptesis es verdadera. Por ejemplo, en nuestra hiptesis de proporcin de defectuosos,
una muestra de100 que revela 20 artculos defectuosos es ciertamente evidencia de
rechazo. Por qu? Si, en realidad, 10 . 0 = p , la probabilidad de obtener 20 o ms
defectuosos es aproximadamente 0.0035. Con el pequeo riesgo resultante de una
conclusin errnea, parecera seguro rechazar la hiptesis de que 10 . 0 = p . En otras
palabras, el rechazo de una hiptesis tiende a casi excluir la hiptesis. Por otro lado, es
muy importante enfatizar que la aceptacin o, ms bien, la falla al rechazo no excluye otras
posibilidades. Como resultado, el analista de los datos establece una conclusin firme
cuando se rechaza una hiptesis.

El planteamiento formal de una hiptesis a menudo est influido por la
estructura de la probabilidad de una conclusin errnea. Si el cientfico se interesa
en apoyar con fuerza una opinin, desea llegar a la opinin en la forma de rechazo
de una hiptesis. Si el investigador mdico desea mostrar fuerte evidencia a favor
de la opinin de que beber caf aumenta el riesgo de contraer cncer , la hiptesis
a aprobar debe ser de la forma no hay aumento en el riesgo de contraer cncer
como producto de beber caf. Como resultado, la opinin se alcanza por medio de
un rechazo. De manera similar, para apoyar la afirmacin de que un tipo de
medidores es ms preciso que otro, el ingeniero prueba la hiptesis de que no hay
diferencia en la precisin de los dos tipos de medidor.


94

Hiptesis Nula y Alternativa

La estructura de la prueba de hiptesis se formular con el uso del trmino hiptesis
nula. ste se refiere a cualquier hiptesis que deseamos probar y se denota con
0
H
conduce a la aceptacin de una hiptesis alternativa, que se denota con
1
H . Una hiptesis
nula con respecto a un parmetro poblacional siempre se establecer de modo que
especifique un valor exacto del parmetro, mientras que la hiptesis alternativa permite la
posibilidad de varios valores. De aqu, si
0
H es la hiptesis nula 5 . 0 = p para una
poblacin binominal, la hiptesis alternativa
1
H sera una de las siguientes:

, 5 . 0 > p , 5 . 0 < p o, . 5 . 0 = p

Hiptesis relativas a la media.
Pruebas de Hiptesis sobre la Media, Varianza Conocida

En este tema se consideran pruebas de hiptesis sobre la media de una
poblacin ( o la media de una distribucin de probabilidad), donde la varianza de la
poblacin es conocida.

Las suposiciones para esta prueba son mnimas. La poblacin o distribucin
de inters tiene media y varianza
2
o , con
2
o conocida. El estadstico de prueba
se basa en la media muestral X , por lo que tambin se supondr que la poblacin
est distribuida de manera normal o que se aplican las condiciones del teorema del


95

lmite central . Esto significa que la distribucin de X es aproximadamente normal
con media y varianza
2
o /n.
Desarrollo del procedimiento de prueba

Supngase que se desea probar la hiptesis
0 0
: = H

0 1
: = H
Donde
0
es una constante especfica. Se tiene una muestra aleatoria
n
X X X ,......... ,
2 1
De la poblacin. Puesto que X tiene una distribucin
aproximadamente normal con media
0
y desviacin estndar
n
o
si la
hiptesis nula es verdadera, entonces puede construirse una regin crtica con base
en el valor calculado de la media muestral x .
Habitualmente, es ms conveniente estandarizar la media muestral y utilizar
una estadstica de prueba basada en la distribucin normal estndar. Esto es, el
procedimiento de prueba para
0 0
: = H utiliza el estadstico de prueba
n
X
Z
o

0
0

=

Si la hiptesis nula
0 0
: = H es verdadera, ( )
0
= X E , de donde se desprende
que la distribucin de
0
Z es la distribucin normal estndar | denotada por N( ) | 1 , 0 . En
consecuencia, si
0 0
: = H es cierta, la probabilidad de que la estadstica de prueba
0
Z
caiga entre
2
o
Z y
2
o
Z es o 1 . (Recurdese que
2
o
Z es el punto que corresponde al
porcentaje 2 / 100o de la distribucin normal estndar). Ntese que la probabilidad de que


96

la estadstica de prueba
0
Z caiga en la regin
2 / 0 o
Z Z > o
2 / 0 o
Z Z < cuando
0 0
: = H es verdadera, es o . Es evidente que una muestra que produce un valor del
estadstico de prueba que cae en las colas de la distribucin de
0
Z ser inusual si
0 0
: = H es cierta; por tanto, esto es un indicador de que
0
H es falso. En
consecuencia,
0
H debe rechazarse si
2
0 o
Z Z >
2
0 o
Z Z >
Por otra parte,
0
H no puede rechazarse si
2 / 0 2 / o o
Z Z Z s s

La ecuacin 5 define la regin de aceptacin de
0
H , y las ecuaciones 3 y 4 definen
la regin crtica o regin de rechazo. La probabilidad del error tipo I para este procedimiento
de prueba es o .

En general, es ms fcil comprender la regin crtica y el procedimiento de prueba
cuando la estadstica de prueba es
0
Z ms que X . Sin embargo, la misma regin crtica
siempre puede escribirse en trminos del valor calculado de la media muestral x . Un
procedimiento idntico al anterior es el siguiente:

Rechazar
0 0
: = H si a x > o b x <
Donde
n Z a /
2 / 0
o
o
+ =
n Z b /
2 / 0
o
o
=

(3)
(4)
(5)


97

Ejemplo:
Los sistemas de escape de emergencia para tripulaciones de aeronaves son
impulsados por un combustible slido. Una de las caractersticas importantes de este
producto es la rapidez de combustin. Las especificaciones requieren que la rapidez
promedio de combustin sea 50 cm/s. Se sabe que la desviacin estndar de esta rapidez
es 2 = o cm./s. El experimentador decide especificar una probabilidad para el error tipo I, o
nivel de significancia, de 05 . 0 = o selecciona una muestra aleatoria de n = 25 y obtiene
una rapidez promedio muestral de combustin de . / 3 . 51 s cm x = A qu conclusiones debe
llegar?
La solucin de este problema puede hallarse siguiendo el procedimiento de ocho
pasos:
1. El parmetro de inters es , la rapidez promedio de combustin.
2. . / 50 :
0
s cm H =
3. . / 50 :
1
s cm H =
4. 05 . 0 = o
5. La estadstica de prueba es

n
x
Z
/
0
0
o

=
6. Rechazar
0
H si 96 . 1
0
> Z o 96 . 1
0
< Z . Ntese que esto es consecuencia del paso 4,
donde se especifica 05 . 0 = o , de modo que las fronteras de la regin crtica son
96 . 1
025 . 0
= Z y 96 . 1
025 . 0
= Z
7. Clculos: Puesto que 3 . 51 = x y 2 = o ,

25 . 3
25 / 2
50 3 . 51
0
=
= Z
8. Conclusin: Dado que 96 . 1 25 . 3
0
> = Z , se rechaza 50 :
0
= H con nivel de
significancia de 0.05. Planteado de manera ms completa, se concluye que, con base en
una muestra de 25 mediciones, la rapidez promedio de combustin es diferente de 50 cm/s.
De hecho, existe una evidencia fuerte que la rapidez promedio de combustin es mayor
que 50 cm/s.


98

Pruebas de Hiptesis sobre las Medias de dos Distribuciones Normales,
Varianzas Desconocidas.

Ahora se considerarn pruebas de hiptesis sobre la igualdad de las medias
1
, y
2
de dos distribuciones normales donde las varianzas
2
1
o y
2
2
o son
desconocidas. Para probar esta hiptesis se usar una estadstica t . Se requiere la
hiptesis de normalidad para desarrollar el procedimiento de prueba, pero los
alejamientos moderados de la normalidad no tendrn efectos adversos sobre el
procedimiento.

Ejemplo.

Indices de Octano en Carretera
Formula 1
( con tetraetil-plomo)
Formula 2
(Sin plomo)
89.5 89.5
90.0 91.5
91.0 91.0
91.5 89.0
92.5 91.5
91.0 92.0
89.0 92.0
89.5 90.5
91.0 90.0
92.0 91.0

Se desea probar la hiptesis de que el ndice octnico medio de la
formulacin 1 (con plomo) es igual al ndice de octano medio para la formulacin 2;
o sea,

2 1 0
: = H
2 1 1
: = H

Rechazar
0
H si
v
t t
, 2 / 0 o
>


99

34 . 1
16 . 1
7 . 90
10
2
1
1
1
1
=
=
=
=
S
S
x
n

07 . 1
03 . 1
8 . 90
10
2
2
2
2
2
=
=
=
=
S
S
x
n

( ) ( )
2
1 1
2 1
2
2 2
2
1 1
+
+
=
n n
S n S n
S
p
2
2 1
+ = n n V
( ) ( )
2 10 10
03 . 1 1 10 34 . 1 1 10
+
+
=
p
S 18 2 10 10 = + = V
09 . 1 =
p
S

2 1
2 1
0
1 1
n n
S
x x
t
p
+
=

21 . 0
10
1
10
1
09 . 1
8 . 90 7 . 90
0
=
+
= t

Usando 01 . 0 = o tenemos
18 , 2 / 01 . 0
t
878 . 2
18 , 005 . 0
= t

878 . 2 21 . 0 <

La decisin es aceptar
0
H


100

Hiptesis relativas a las varianzas.

Pruebas de Hiptesis sobre la Varianza

Algunas veces se necesitan pruebas sobre la varianza o la desviacin
estndar de una poblacin. En esta seccin se presentan dos procedimientos; uno
se basa en la hiptesis de que la poblacin es normal, mientras que el otro es una
prueba para una muestra grande que no requiere la suposicin de normalidad.

Procedimientos de Prueba para una Poblacin Normal

Supngase que se desea probar la hiptesis de que la varianza de una
poblacin normal
2
o es igual a un valor especfico, por ejemplo,
2
0
o . Sea
n
X X X ,.... ,
2 1
una muestra aleatoria de n observaciones tomadas de esta poblacin.
Para probar.

2
0
2
0
: o o = H
2
0
2
1
: o o = H
Se utiliza el estadstico de prueba

( )
2
0
2
2
0
1
o
S n
X

=

Donde
2
S es la varianza muestral. Ahora, si
2
0
2
0
: o o = H es verdadera,
entonces el estadstico de prueba
2
0
X sigue una distribucin ji-cuadrada con 1 n
grados de libertad. Por consiguiente, se calcula el valor de la estadstica de prueba
2
0
X , y la hiptesis
2
0
2
0
: o o = H debe rechazarse si

2
1 , 2 /
2
0
>
n
X X
o

(1)
(2)
(3)


101

o si

2
1 , 2 / 1
2
0
<
n
X X
o

Donde
2
1 , 2 / n
X
o
y
2
1 , 2 / 1 n
X
o
son los puntos que corresponden a los porcentajes
2 / 100o inferior y superior de la distribucin ji-cuadrada con 1 n grados de libertad,
respectivamente.
El mismo estadstico de prueba se utiliza para hiptesis alternativas
unilaterales. Para la hiptesis unilateral.

2
0
2
0
: o o = H

2
0
2
1
: o o > H

Se rechaza
0
H si

2
1 ,
2
0
>
n
X X
o

Para la hiptesis unilateral
2
0
2
0
: o o = H
2
0
2
1
: o o < H

Se rechaza
0
H si

2
1 , 1
2
0
<
n
X X
o

(4)
(5)
(6)
(7)
(8)


102

Ejemplo:

Un fabricante de detergente lquido est interesado en la uniformidad de la
mquina utilizada para llenar las botellas. De manera especfica, es deseable que la
desviacin estndar o del proceso de llenado sea menor que 0.5 onzas de lquido;
de otro modo, existe un porcentaje mayor del deseable de botellas con un
contenido menor de detergente. Supngase que la distribucin del volumen de
llenado es aproximadamente normal. Al tomar una muestra aleatoria de 20 botellas,
se obtiene una varianza muestral 0153 . 0
2
= s (Onzas de fluido)
2
. Si la varianza del
volumen de llenado es mayor que 0.01 (onzas de fluido)
2
, entonces existe una
proporcin inaceptable de botellas que sern llenadas con una cantidad menor de
lquido. Existe evidencia en los datos muestrales que sugiera que el fabricante
tiene un problema con el llenado de las botellas? Utilcese 05 . 0 = o .

Al utilizar el procedimiento de ocho pasos se tiene lo siguiente:

1. El parmetro de inters es la varianza de la poblacin
2
s .
2. 01 . 0 :
2
0
= o H
3. 01 . 0 :
2
0
> o H
4. 05 . 0 = o
5. El estadstico de prueba es

( )
2
0
2
2
0
1
o
s n
X

=

6. Se rechaza
0
H si 14 . 30
2
19 , 05 . 0
2
0
= > X X
7. Clculos:

( )
07 . 29
01 . 0
0153 . 0 19
2
0
= = X
8. Conclusiones: Puesto que 14 . 30 07 . 29
2
19 , 05 . 0
2
0
= < = X X , se concluye que no hay
ninguna evidencia fuerte de que la varianza del volumen de llenado sea mayor que
0.01 (onzas de fluido)
2


103

DISTRIBUCION F
Recibi este nombre en honor a Sir Ronald Fisher, uno de los fundadores de la
estadstica moderna. Esta distribucin de probabilidad se usa como estadstica
prueba en varias situaciones. Se emplea para probar si dos muestras provienen de
poblaciones que poseen varianzas iguales. Esta prueba es til para determinar si
una poblacin normal tiene una mayor variacin que la otra y tambin se aplica
cuando se trata de comparar simultneamente varias medias poblacionales. La
comparacin simultnea de varias medias poblacionales se conoce como anlisis
de varianza (ANOVA). En ambas situaciones, las poblaciones deben ser normales y
los datos tener al menos la escala de intervalos.
La distribucin F se define como la razn entre dos distribuciones ji cuadrada
independientes, dividida cada una de ellas entre sus respectivos grados de libertad.
F =
1

2

Si las dos varianzas poblacionales son iguales la frmula se reduce a:
F =
1

=
( n
1
- 1) s
1

=
s
1

=

1

1 1

1
s
1

2
( n
2
- 1) s
2
s
2
s
2

2

2 2

2


104

Si las dos varianzas poblacionales son iguales, se genera una distribucin F con
promedio de 1. Si las varianzas de la poblacin no son iguales, la distribucin de las
razones ser tambin una distribucin F, pero el promedio no ser igual a 1.
Cuando las varianzas reales son iguales, a la distribucin F generada se le llama
distribucin F tabulada, ya que es la distribucin F que aparece en la tabla. Por lo
anterior, cuando un valor de F calculada ( F* ) es mayor al obtenido de la
distribucin F tabulada ( tabla ), nos indica que la diferencia entre las dos varianzas
es significativa y se acepta Ha, en caso contrario, se considera que la diferencia se
debe al azar y por lo tanto se acepta Ho.

Caractersticas de la distribucin F
1. Hay una familia de distribuciones F. Cada miembro de esta familia esta
determinado por los grados de libertad del numerador (varianza mayor ) y por los
del denominador (varianza menor).

DISTRIBUCIN F: GL1
7
GL2
7

2. La distribucin F es una distribucin continua y no puede tomar valores
negativos.
3. La curva que representa la distribucin F esta sesgada hacia la derecha.
4. Su rango de valores va desde 0 hasta infinito, cuanto mas se incrementa F, la
curva se aproxima al eje X, pero nunca lo toca.


105

Prueba de hiptesis relativas a la variabilidad de dos poblaciones
Ejemplo
Cierta compaa de taxis ofrecer servicio de limosinas del centro de la ciudad al
aeropuerto. El presidente de la compaa est considerando dos rutas ( A y B ), que
tienen tiempos promedio muy similares, pero diferente variacin. Esto es
consistente con un conocimiento de las dos rutas, la ruta A tiene mas semforos,
sin embargo la ruta B es algunas millas mas larga. Para ofrecer un servicio puntual
y consistente decidi realizar una prueba estadstica para determinar si realmente la
diferencia entre la variabilidad de los tiempos de las dos rutas es significativa. Se
utiliz un nivel de significancia de 0.05
Ruta
Tiempo promedio (
min. )
Desviacin estndar
(min.)
Tamao de la
muestra
A 56 12 7
B 59 5 8
Para probar hiptesis relativas a varianzas de dos poblaciones se utilizan los
mismos cuatro pasos antes descritos:
1. Establecer las hiptesis
Ha: s1
2
> s2
2
( La variacin es mayor en la ruta A que en la ruta B )
Ho: s1
2
<= s2
2
( La variacin no es mayor en la ruta A que en la ruta B )
2. Establecer el criterio de contraste ( F )
El nivel de significancia es


106

a = .05,
Se calculan los grados de libertad,
En la ruta A
n = n 1 = 7 1 = 6
En la ruta B
n = 8 1 = 7.
La distribucin F est tabulada de la siguiente manera, hay una tabla para cada
nivel de significancia, en el rengln de arriba se busca el valor de los grados de
libertad de la muestra que tiene la varianza ms grande, y en la primer columna el
valor de los grados de libertad de la muestra que tiesa la varianza ms chica.
Valores de F para a = .05
n de la muestra con varianza
mayor n = 6
n de la muestra con varianza
menor n = 7
F = 3.87
3. Calcular el estadstico de prueba
Se calculan las varianzas de cada una de las muestras:
S
1
= ( 12 ) = 144
S
2
= ( 5 )= 25
Se calcula el valor de F*


107

F* =
S mayor
=
144
= 5.76
S menor 25
4. Conclusin.
.05F=3.87F*=5.760
Como el valor del estadstico de prueba es mayor y queda dentro de la zona crtica
se acepta Ha, por lo tanto hay suficiente evidencia para afirmar que la variacin es
mayor en la ruta A que en la ruta B, a un nivel de significancia de .05

Ejercicios de aplicacin de la distribucin F
1. El embotellador del refresco de cola Vubby se molest por las ventas que obtiene
la cola Buncy, y afirm que su refresco no solo es tan bueno, sino que su calidad es
mucho mas consistente. Un investigador para probar dicha afirmacin seleccion al
azar 8 botellas de ambos refrescos y las calific mediante una escala de 1 para
mala calidad y de 10 para buena calidad. Los resultados fueron los siguientes:
Cola Vubby

Cola Buncy
4.5 8.5 9 4 4 10 5 4.5
8 5 6 7 8 9.5 9 6
Se puede afirmar con base en estos datos que la calidad de la cola Vubby es mas
consistente que la calidad de la cola Buncy, en el nivel de significancia de 0.01?


108

2. Un investigador quiere probar que el tamao de un donativo es mas variable si
este se hace en forma annima que cuando se hace pblicamente. Para lo cual
seleccion dos muestras de donadores potenciales a los que se les invit a
colaborar econmicamente en una obra de beneficencia. A los de la primera
muestra se les dice que el donativo va ser annimo y a los de la segunda que se va
hacer pblica la cantidad que aport. Los donativos fueron los siguientes:
Con Anonimato

Sin Anonimato
1000 2000 3000 5000 1500 500 5000 5000
2000 500 4000 1000 3000 5000 3500
Se puede afirmar con base en estos datos que es mas variable la donacin
cuando es annima que cuando no lo es, en el nivel de significancia de 0.05?

3. Se presume que la variabilidad en el consumo diario de protenas es la misma
para muchachos y muchachas de 15 aos. Una muestra aleatoria de 16 muchachas
y una muestra aleatoria de 20 muchachos arrojan desviaciones estndar de 24.65
gramos y de 17.88 gramos respectivamente. Si el nivel de significancia es 0.05,
son estos resultados consistentes con la suposicin?

4. Se quiere determinar si la tendencia hacia el crimen de los nios negros es mas
variable que en los nios blancos. Para probar esta hiptesis en el nivel de
significancia de 0.05 se aplic una prueba a dos muestras de nios de estos dos
grupos raciales. Las calificaciones, que pueden ir desde 10 (baja tendencia hacia el
crimen ) hasta 50 ( alta tendencia hacia el crimen ), son las siguientes:


109

Negros

Blancos
40 10 10 20 12 14 12 30
11 20 11 22 22 13 13 31
38 15 35 10 24 20
21 12 45
Se puede afirmar con base en estos datos que es mas variable la tendencia hacia
el crimen en negros que en blancos, en el nivel de significancia de 0.05?

5. Se quiere probar que cuando se estudia en el texto requerido, sin asistir a clases,
la calificacin obtenida es mas variable que cuando adicionalmente a estudiar el
texto se asiste a clases. Se seleccionaron dos muestras de estudiantes, a la primera
se le impartieron las clases y el texto de manera usual, a la segunda solo texto sin
clases. Las calificaciones fueron las siguientes:
Con clases

Sin clases
5 7 7 10 10 5 6 6 6 5 8 10 8 7 6 5
8 9 7 8 6 10 5 9 7 10 6 9 8 9 7 7
8 6 9 7 6 6 5 5


110

Se puede afirmar con base en estos datos que son mas variables las calificaciones
de los estudiantes que no asisten a clases que las calificaciones de los que si
asisten, en el nivel de significancia de 0.05?

6. Los puntajes de una prueba de aptitud aplicada a una muestra de 21
profesionistas egresados de universidades pblicas y a una muestra de 19
profesionistas egresados de universidades privadas dan varianzas de 876 y 400
respectivamente. Si el nivel de significancia es .05, se puede afirmar que los
puntajes de los egresados de las universidades pblicas son mas variables que los
puntajes de los egresados de las universidades privadas?

7. Se realiz una investigacin sobre los hbitos de sintona de la radio de los
hombres y las mujeres. Una faceta del estudio trata sobre el tiempo promedio de
sintona, y revel que en una muestra de 10 hombres, en promedio sintonizan la
radio 35 minutos por da, con una desviacin estndar de 10 minutos. En el caso de
las mujeres, en una muestra de doce, el tiempo promedio que sintonizan la radio es
de 32 minutos con una desviacin estndar de 12 minutos.
En el nivel de significancia de .05, pruebe que la variacin del tiempo que sintonizan
la radio es diferente en hombres que en mujeres.


111

DISTRIBUCION T
William Sealy Gosset, "student"
Esta distribucin fue publicada por primera vez en 1908 por William Sealy Gosset,
que trabajaba en el departamento de fermentacin de la cervecera Guinness en
Irlanda. Las circunstancias en las que se llevan a cabo los procesos de
fermentacin en la produccin de cerveza demostraron a Gosset las limitaciones de
la teora de muestras grandes y le enfatizaron la necesidad de un mtodo correcto
para el tratamiento de muestras pequeas. Estas circunstancias de su trabajo
dirigieron a Gosset al descubrimiento de la distribucin t, quien debido a que la
compaa cervecera desaprobaba la publicacin de investigaciones de sus
empleados, la public con el seudnimo de "student".
Gossett se interes en el comportamiento del valor z cuando se utilizaba s en vez
de , y particularmente en la discrepancia entre s y cuando s se calcula de
muestras muy pequeas.
Las caractersticas de la distribucin t
1. Es una distribucin continua.
2. Tiene forma de campana.
3. La distribucin t tiene una media de cero, es simtrica respecto de la media. y se
extiende hasta el infinito en ambas direcciones.
4. No hay una distribucin t, sino una "familia" de distribuciones t. todas con la
misma media cero, pero con su respectiva desviacin estndar diferente de acuerdo
con el tamao de la muestra n.


112

5. La distribucin t es ms baja y dispersa que la distribucin normal. Cuando el
tamao de la muestra se incrementa, la distribucin t se aproxima a la normal.
6. Su funcin de densidad es:

f ( t )=
I |( v + 1)| / 2
( 1 +
t
)
( v + 1 ) / 2
I ( v / 2 )

t v v

Curva t de student: TAMAO DE LA MUESTRA
2

DISTRIBUCION t STUDENT
Formalmente la distribucin t se define de la forma siguiente. Sea Z una variable
aleatoria normal estndar y sea c una variable ji cuadrada con n grados de libertad,
entonces:
T =
z

Donde:
z =
-

n

( n - 1 ) s

Sustituyendo en la frmula:


113

T =
-
o

n

( n - 1 ) s
o
( n - 1 )

=
-
o

n

s
o

=
-
s

n

Por lo tanto
T =
-
s

n
con grados de libertad V = n - 1
Grados de Libertad
Los grados de libertad son el nmero de valores que se pueden elegir lbremente
para llegar a un resultado, por ejemplo, supongamos que tenemos una muestra de
tres elementos, la cual tiene una media de 8.
a + b + c
= 8
3


114

Para asignar valores a los elementos que forman la muestra, podemos hacerlo
libremente en dos de ellos pero al asignar el valor al tercero debemos hacer un
clculo para que el resultado sea correcto. Entonces se dice que hay 2 grados de
libertad, porque dos valores ( n - 1) se asignaron libremente y uno en funcion de los
otros valores y el resultado.
ESTIMADORES
Podemos hacer dos tipos de estimacin concernientes a una poblacin:
Una estimacin puntual y una estimacin de intervalo. Una estimacin puntual es
un solo numero que se utiliza para estimar un parmetro de poblacin
desconocido. Si mientras observamos al primer integrante de un equipo de futbol
americano salir al campo dejuego , usted se dice : Anda! Apuesto que su lnea
defensiva pesara una 125 kilogramos, usted ha hecho una estimacin puntual. El
jefe de departamento de alguna universidad estara haciendo una estimacin una
estimacin puntual si afirmara Nuestros datos actuales indican que en esta materia
tendremos 350 estudiantes en el siguiente semestre.
Una estimacin putual a menudo resulta insuficiente, debido a que solo tiene dos
opciones: es correcta o equivocada. Si nos dice solamente que la afirmacin del jefe
de departamento sobre la inscripcin esta equivocada, usted no sabe que tanto esta
mal, y no puede tener la certeza de la confiabilidad de la estimacin. Si usted se
entera que solo esta errada por 10 estudiantes, podra aceptar a 350 estudiantes
como una buena estimacin de la inscripcin futura. Pero si esta equivocada en 90
estudiantes, podra usted rechazar la estimacin por poco confiable. En
consecuencia, una estimacin puntual es mucho mas til si viene acompaada por
una estimacin del error que podra estar implicado.
Una estimacin de intervalo es un intervalo de valores que se utiliza para
estimar un parmetro de poblacin. Esta estimacin indica el error de dos


115

maneras: por la extensin del intervalo y por la probabilidad de obtener el verdadero
parmetro de la poblacin que se encuentra dentro del intervalo. En este caso , el
jefe de departamento dira algo como lo siguiente: estimo que la inscripcin real de
este curso para el prximo estar entre 330 y 380 y es muy probable que la
inscripcin exacta caiga dentro de este intervalo. Tiene una mejor idea de la
confiabilidad de su estimacin. Si el curso se imparte en grupos de 100 estudiantes
cada uno y si, tentativamente, ha programado 5 cursos, entonces, basndose en su
estimacin, puede cancelar uno de tales grupos y dejarlo como optativo.
Estimador.
Cualquier estadstica de muestra que se utilice para estimar un parmetro de
poblacin se conoce como estimador, es decir, un estimador es una estadstica de
muestra utilizada para estimar un parmetro de la poblacin
Estimacin.
Es un valor especifico observado de una estadstica. Hacemos una estimacin si
tomamos una muestra y calculamos el valor que toma nuestro estimadoren esa
muestra.
Criterios para seleccionar un buen estimador
1.- imparcialidad
2.- Eficiencia
3.- Coherencia
4.- Suficiencia


116

UNIDAD II
PRUEBA DE HIPOTESIS:
La prueba de hiptesis comienza con una suposicin, que hacemos con respecto a
un parmetro de poblacin. Despues recolectamos datos de muestra, producimos
estadsticas de muestra y usamos esta informacin para decir que tan probable es
que sea correcto nuestro parmetro de poblacin acerca de cual hicimos la
hiptesis.
No podemos aceptar o rechazar una hiptesis sobre un parmetro de poblacin
simplemente por intuicin. Mas bien, necesitamos aprender como decir
objetivamente si aceptamos o rechazamos una corazonada, con base a la
informacin acerca de la muestra.
Definicion de Hipotesis:
Es un reclamo o declaracin acerca de una propiedad de una poblacin ( como
media, varianza o proporcin).
Es una explicacin tentativa que cuenta con una serie de hechos y puede ser
probada por investigaciones posteriores.
Para que las pruebas de hiptesis?


117

Es real la diferencia observada?
DISTINTAS PRUEBAS DE HIPOTESIS:
Las siguientes situaciones son utilizadas ms comnmente al conducir pruebas de
Hiptesis:
1.- Probar igualdad de la media poblacional a un valor especifico.
2.- Probar igualdad de medias de dos poblaciones.
3.- Probar igualdad de medias de mas de dos poblaciones.
4.- Probar igualdad de varianza poblacional a un valor especifico.
5.- Probar igualdad de varianzas.
6.- Probar igualdad proporciones de poblacin ( datos binomiales).
7.- Probar igualdad defectos de poblacin ( datos Poisson ).
8.- Pruebas de asociacin.
0
0.2
0.4
0.6
0.8
1
PROGRAMA A PROGRAMA B


118

IMPORTANTE: CUANDO SE CONDUCE UNA PRUEBA DE HIPOTESIS,
PRIMERO SE DETERMINA CUAL DE LAS ANTERIORES SITUACIONES SE
AJUSTA MEJOR A LA APLICACIN REQUERIDA.

GUIA DE RAZONAMIENTO ESTADISTICO.
Analizamos datos en una muestra para distinguir entre los resultados que podran
ocurrir fcilmente y los resultados que son altamente improbables.
Podemos explicar la ocurrencia de resultados altamente improbablesw diciendo
que.
- Ha ocurrido un evento raro.
- Las cosas no son como suponamos.
PASOS PARA LAS PRUEBAS DE HIPOTESIS.
1.- Establecer la hiptesis nula o alternativa.
2.- Determinar el nivel de significancia.
3.- Seleccionar aleatoriamente una muestra representativa de datos.
4.- Calcular el valor P: la probabilidad de que la hiptesis nula sea verdadera.
5.- Comparar el valor P con el valor de significancia.
EL VALOR P.
Realizando la prueba estadstica apropiada y tomando en cuenta la media, la
variacin y el numero de datos en la muestra, Minitab proporciona el valor P.
P es la probabilidad de obtener la muestra particular si la hiptesis nula es
verdadera.


119

Generalmente si P es menor de 0.05, se rechaza la hiptesis nula.
Nota: El riesgo de 0.05 corresponde a un 95% de nivel de confianza.
INTERPRETANDO EL VALOR P.
Hiptesis Nula: La media del proceso es igual al valor del objetivo.
Hiptesis Alternativa: La media del proceso no es igual al objetivo

?

OBJETIVO 0.750 0.752 PROMEDIO DE LA MUESTRA
Valor P= 0.04 . Se rechaza la hiptesis nula.
Hay solo un 4% de oportunidad de obtener esa muestra si, en verdad, la media del
proceso es igual al objetivo. Por lo tanto, creemos que el proceso no es igual al
objetivo.
INTERPRETANDO LA PRUEBA DE HIPOTESIS.
Hay dos conclusiones apropiadas de una prueba de hiptesis.
1.- Si el valor P es menor que el nivel de significancia, se rechazara la hiptesis
nula. S e podra decir lo siguiente. Existe suficiente evidencia a un nivel de
significancia para demostrar que la hiptesis alternativa es verdadera.
2.- Si el valor de P es mayor del nivel de significancia, fallamos en rechazar la
hiptesis nula. Se podra decir lo siguiente: no existe suficiente evidencia a un
nivel de significancia para demostrar que la hiptesis alternativa es verdadera.


120

ERRORES TIPO I y TIPO II.
- El rechazo de una hiptesis nula cuando es cierta se denomina error tipo I, y
su probabilidad se simboliza .
- El hecho de aceptar una hiptesis nula cuando es falsa se le denomina error
tipo II y su probabilidad se simboliza como .
UNIDAD III
REGRESION Y CORRELACION.
La regresin y los anlisis de correlacion nos mostraran como determinar tanto la
naturaleza como la fuerza de una relacin entre dos variables. Aprenderemos a
predecir, con cierta precisin , el valor de una variable desconocida, basndonos en
observaciones anteriores de esa y otras variables.
En el anlisis de regresin, desarrollaremos una ecuacin de estimacin, esto es,
una formula matematica que relaciona las variables conocidas con la variable
desconocida. Entonces, despus de que hayamos aprendido el patrn de esta
relacin, podemos aplicar el anlisis de correlacion para determinar el grado en el
que estn relacionadas las variables. El anlisis de correlacion, entonces, nos dice
que tan bien la ecuacin de estimacin realmente describe la relacin.
TIPOS DE RELACIONES:
La regresin y los anlisis de correlacion se basan en la relacin, o asociacin,
entre dos o mas variables. La variable o variables conocidas se llama en variable
independiente. La variable que tratamos de predecir es la variable dependiente.

Mtodo cientfico y Diseo de Experimentos


121

Mtodo cientfico

Ejercicio.
Suponga que Ud desea encontrar el diseo ptimo para alcanzar la mxima altura con una
cometa. Considere dados: la longitud de la cuerda, el rea, su forma y los materiales; puede
variar, la longitud de tres tirantes y de la cola; que hara?

Existe un mtodo o procedimiento concreto para realizar una
investigacin cientfica?

Al menos se debe contar con guas bsicas que aunque no generen el
Saber automticamente, si orienten al investigador para no perderse
en los fenmenos o caer en sus prejuicios, permitiendo ahorrar
esfuerzo, tiempo y dinero.

Hay dos grandes clases de mtodos de investigacin:

- los mtodos lgicos: Usan las funciones del pensamiento como la
deduccin, induccin, modelado, anlisis y sntesis.
- los mtodos empricos. Explotan el conocimiento directo sobre el
objeto y la experiencia, entre ellos se encuentran la observacin y
la experimentacin.

En cada clase existen mltiples mtodos, varios de ellos
complementarios entre s; a continuacin se describen los de mayor
inters en ingeniera por su orientacin a resolver problemas.

MTODOS LGICOS


122

Mtodo deductivo

Aplica juicios lgicos a un principio o ley conocida para encontrar
otros principios o consecuencias desconocidas.

Ejemplo
Un cuerpo con masa sufre una fuerza de gravedad; la cometa tiene
masa, luego la cometa sin viento, cae.
Si conocemos la altura y el tiempo que tarda en caer podemos
calcular su velocidad.

La Matemtica es una ciencia deductiva, parte de definiciones y
axiomas.

Mtodo hipottico-deductivo

Se propone una hiptesis
1
a partir de la inferencia de datos empricos
(induccin) o de principios y leyes (deduccin). A partir de ella y
mediante deduccin lgica, se obtienen conclusiones particulares que
se pueden comprobar experimentalmente.

Mtodo inductivo

Se estudian casos particulares y se extienden a conocimientos
generales.

1
proposicin que establece relaciones, entre hechos o variables


123

Ejemplo
Analizando el resultado del rendimiento acadmico de cada
estudiante del curso de Investigacin I, se concluye que el
rendimiento promedio del curso es excelente (induccin completa).
Que hara para analizar el rendimiento acadmico promedio de los
estudiantes de la Universidad del Valle?

Si los objetos de investigacin son infinitos o no se pueden estudiar
en su totalidad, se toma una muestra representativa que permita
generalizar (induccin incompleta). Si la conclusin se infiere
observando que un mismo carcter se repite en una serie de elementos
del objeto de investigacin (induccin por enumeracin), la
generalizacin slo es probabilstica. La induccin incompleta puede
ser cientfica; en este caso, se estudian los caracteres, conexiones,
relaciones de causalidad, etc., del objeto de investigacin; ste
mtodo se apoya en los mtodos empricos de observacin y
experimentacin, ver ms adelante.

Ejemplo
Para que un cuerpo flote en el aire, se requiere que est sometido a
una fuerza en direccin contraria a la de la gravedad, igual o superior
en magnitud; la cometa necesita viento para volar.

En el mtodo de induccin hay otros mtodos para encontrar causas a
partir de la experimentacin, tales como:
- Concordancia: se comparan varios casos donde se presenta un
fenmeno y se infiere como causa al fenmeno, lo que se repite en
los casos.


124

- Diferencia: del anlisis de varios casos, se observa qu ausencia
de una circunstancia, no produce el efecto, estando siempre todas
las dems circunstancias; la circunstancia ausente es la causa de lo
investigado.
- Variaciones concomitantes: si la variacin de una variable o
fenmeno aparece con la variacin de otra variable o fenmeno,
entonces hay relacin causa-efecto entre las variables o
fenmenos.
- Residuos: para un fenmeno dado, se eliminan las circunstancias
cuyas causas se conocen; la circunstancia residual es la causa del
fenmeno.

Mtodo sinttico

Mediante una reunin racional de elementos dispersos o hechos
aparentemente aislados, se formula una teora que unifica los diversos
hechos o elementos.

Mtodo analtico

Se extraen las partes de un todo para estudiarlas por separado y
analizar las relaciones entre ellas; experimentando y analizando
muchos casos, se establecen leyes universales. Incluye por tanto un
ejercicio de sntesis sobre los resultados obtenidos en el anlisis.

Ejemplo
La investigacin en la fsica, la qumica y la biologa utilizan este
mtodo.

Mtodo del Modelado


125

Es la creacin de abstracciones con miras a explicar la realidad. El
modelo busca representar el objeto de investigacin en cierto sistema
auxiliar, natural o artificial.

Mtodo sistmico

Busca modelar el objeto a partir de sus componentes y de las
relaciones entre ellos.

MTODOS EMPRICOS

Se basan en la percepcin directa del objeto de investigacin y del
problema.

Observacin cientfica

El investigador conoce el problema y el objeto de investigacin,
estudiando su curso natural, sin alterarlo; de ella se derivan grandes
bases de conocimientos de las ciencias.

Ejemplo
La Astronoma.

La experimentacin cientfica

La experimentacin consiste en alterar controladamente las
condiciones naturales del objeto de investigacin, de forma que
realizando pruebas, creando modelos y reproduciendo condiciones,
se obtendrn relaciones o rasgos del objeto o problema.


126

Con ella, se caracterizan los factores (X) de mayor influencia en
variables de respuesta (Y) del objeto, de forma que si
sistemticamente se realizan cambios controlados en los factores
del proceso, sea posible observar y cuantificar los cambios que
stos generan sobre la variable de respuesta.

EL MTODO CIENTFICO

En trminos simples, lo podemos definir como la aplicacin de la
lgica y la objetividad para entender un fenmeno, descubrir nuevos
conocimientos o resolver un problema; en general se caracteriza por
partir de lo conocido (definiciones, conceptos), utilizar las
operaciones lgicas y validar o desaprobar hiptesis mediante la
observacin o la experimentacin cientfica. Ntese que el mtodo
cientfico puede utilizar diversas combinaciones de los mtodos arriba
presentados, en particular el hipottico deductivo o inductivo y el
experimental.

No hay reglas ni pasos infalibles para aplicar el mtodo cientfico; los
pasos siguientes son algunos de los ms importantes:
- Formular precisa y especficamente el problema: Inicialmente se
percibe la dificultad (hay un problema que preocupa, faltan medios
para resolverlo, no se explica un acontecimiento inesperado), luego
mediante observacin o experimentacin se identifica y precisa la
dificultad o el problema.
- Proponer hiptesis bien definidas y fundamentadas como posible
solucin del problema; las hiptesis deben:
A. Ser empricas, sin prejuicios.
B. Ser conceptualmente claras.


127

C. Ser especficas, sin predicciones generales.
D. Estar relacionadas con las tcnicas tericas disponibles para
verificarlas.
- Someter la hiptesis a una verificacin rigurosa: normalmente
mediante experimentacin cientfica
- Deducir las consecuencias de la solucin propuesta, su alcance y
limitaciones; las hiptesis confirmadas no son absolutamente
verdaderas.
- Intentar formalizar en leyes el nuevo conocimiento obtenido.
- Analizar extensiones, planteamientos alternos o trabajos futuros.
Por tanto, la experimentacin en el mtodo cientfico juega un rol
importante por cuanto permite examinar crticamente los resultados
basados en el conocimiento corriente y permite validar o no, las
nuevas hiptesis propuestas; se debe para ello disear
experimentos que de manera rigurosa permitan el estudio
experimental del problema y la validacin de las hiptesis.

Diseo de Experimentos

La planificacin de la experimentacin debe considerar los
siguientes
aspectos importantes:
- La experimentacin es normalmente costosa. Exige personal, tiempo, instrumentacin,
etc. se debe por tanto contemplar el menor nmero de experimentos que permitan obtener
la informacin buscada.


128

- El resultado observado de un experimento (y) tiene
incertidumbre; si h es el resultado verdadero (desconocido) del
experimento: y = h + e donde e es una contribucin aleatoria, que
vara cada vez que se repite el experimento. Por ello, en el diseo
de los experimentos y en la evaluacin de los resultados
experimentales, la Estadstica juega un papel fundamental pues es
la disciplina que proporciona las herramientas para trabajar en
ambientes de incertidumbre.
- El anlisis de los resultados experimentales permitir obtener
conclusiones sobre el objeto en estudio y decidir las acciones a
seguir.

Por lo anterior no es adecuado dejar la eleccin de los experimentos y
la evaluacin de los resultados a la mera intuicin del
experimentador. Es ms razonable utilizar metodologas matemticas
y estadsticas que permitan disear la secuencia de experimentos de
una forma ptima, de modo que se minimice tanto el costo de la
experimentacin como la influencia del error experimental sobre la
informacin buscada; ste es el objetivo del Diseo Estadstico de
Experimentos.

En general, se aplica el diseo de experimentos para sistemas donde
existen una o varias variables de respuesta (y) cuyo valor depende de
una o varias variables independientes (x) controlables, llamadas
factores. Las respuestas pueden estar influenciadas por otras
variables no controladas.


129

Factores Respuestas

Variables no controladas

Entre otros, para este caso se puede buscar:

- Obtener un conocimiento inicial sobre un nuevo sistema en
estudio; identificar los factores de inters.
- Determinar los efectos de los factores sobre las respuestas, cules
son los ms importantes y cmo son las interacciones.
- Optimizar las respuestas, determinar los valores de los factores
que den las respuestas ptimas.
- Determinar la robustez del sistema ante las variables no
controladas o variaciones indeseables de los factores.

El mtodo tradicional de experimentacin

Viene de la intuicin y consiste en variar un factor cada vez: para unas condiciones iniciales,
se realizan experimentos en los cuales los factores se mantienen constantes excepto el que
est bajo estudio; as, la variacin de la respuesta solo se debe al factor; lo mismo se repite
para los dems factores.


130

El procedimiento asume que si se vara ms de un factor entre dos
experimentos consecutivos, no se podra conocer el factor causante
de la variacin de la respuesta.

El mtodo tambin se utiliza para hallar los valores de los factores
que optimizan una respuesta. Se experimenta inicialmente con un
solo factor y obtiene el ptimo; se deja el factor inicial en ste
ptimo y se procede con de la misma manera con los factores
siguientes.

Este mtodo presenta inconvenientes importantes cuando existe
interaccin entre factores (el efecto de un factor es diferente segn
el valor que tome otro factor y viceversa). Adems, el mtodo no
informa sobre como un factor interacta con los otros factores o
como estas interacciones afectan a la respuesta, con lo cual slo se
obtiene una comprensin limitada de los efectos de los factores. En
optimizacin, no necesariamente se obtiene el ptimo; se puede
reiniciar el proceso desde el ptimo obtenido pero esto es
imprctico si existen muchos factores.

La limitacin del mtodo tradicional estriba en que slo se vara un
factor a la vez; con el diseo de experimentos estadstico se tiene el
anlisis matemtico que permite cambiar los factores


131

simultneamente y obtener la informacin buscada de las
interacciones con un nmero reducido de experimentos.

Procedimiento de aplicacin del Diseo de Experimentos
Se consideran los siguientes pasos:
1. Comprender el problema.

Se debe realizar un planteamiento muy claro del problema, el cual
involucra conocer profundamente el sistema y problema bajo
estudio: informacin de antecedentes, zonas del dominio
experimental donde ya se conocen resultados, datos sobre
repetitividad de la experimentacin, tipo de relaciones esperadas
entre los factores y la respuesta (lineal, alineal), interaccin entre
factores, presupuesto disponible, cronograma de trabajo.
2. Definir claramente el objetivo
Se deben tener unos objetivos bien definidos que indiquen qu se
necesita investigar o conocer, cul es la informacin deseada que
debe generar el experimento.

3. Definir las respuestas de inters.
Se debe seleccionar qu respuesta experimental (o caractersticas de
inters o de calidad de un producto) se va a observar. Segn el
objetivo buscado, pueden necesitarse varias salidas.


132

Ejemplo
En productos comestibles comerciales, se debe considerar el sabor,
olor, presentacin, costo, durabilidad, etc.
4. Identificar los factores y el dominio experimental de inters.
Se deben identificar y listar todas las variables independientes (factores) que
pueden influenciar las respuestas, aunque puedan tener pequeos efectos. Se
debe identificar si cada factor es constante, se cambiar de forma controlada, si es
incontrolable medible o incontrolable e imposible de medir.
Igualmente a cada factor se le debe definir el dominio experimental o intervalo de
valores que puede tomar. La combinacin del dominio de todos los factores define
el dominio experimental posible, donde en principio estn todos los experimentos
factibles de realizar. Sin embargo, no es deseable realizar todas las combinaciones
de factores pues existen restricciones tcnicas o econmicas por las cuales el
dominio se restringe al de inters. Es el experimentador quien decide el dominio de
inters y ello le exige el conocimiento previo del sistema

5. Plan de experimentacin

Se trata del plan formal para realizar el experimento. A menudo se desarrolla en
etapas secuenciales; en cada etapa, las series de experimentos se agrupan en
diseos llamados matrices de experimentos. La seleccin de una matriz u otra
depende del objetivo de cada etapa y de otras caractersticas como:
- Naturaleza del problema, informacin conocida y a obtener del problema.
- Nmero de factores e interacciones que se deben estudiar


133

- Complejidad del diseo
- Validez estadstica y efectividad de cada diseo
- Facilidad de comprensin e implementacin
- Restricciones operativas, de costo y tiempo.

Algunas etapas tpicas y tipos de diseos posibles de aplicar:
- Tamizado. Al inicio de una experimentacin puede haber un gran nmero de
factores potencialmente influyentes; el nmero de experimentos aumenta
exponencialmente con el nmero de factores; se debe por tanto reducirlos al
mximo; para no hacerlo subjetivamente, se deben escoger en funcin de su
influencia estadstica en la respuesta; para determinarla, se puede realizar
una investigacin exploratoria con un diseo experimental sencillo, que
permita determinar con pocos experimentos, los factores claves y descartar
los de efectos despreciables. Entre los diseos adecuados para esto, estn
las matrices de Hadamard, las cuales permiten estudiar el efecto de hasta N-
1 factores con slo N experimentos.
- Estudio de los factores. Identificados los factores ms importantes, se pasa a
estudiar cuantitativamente su efecto sobre la respuesta y las interacciones
entre factores. Para este propsito se pueden utilizar los diseos factoriales
completos o fraccionados.
- Optimizacin. Es un objetivo de muchas investigaciones; busca conocer qu
valores de los factores proporcionan respuestas (rendimiento, sabor, etc.)
que minimicen o maximicen un desempeo; esto se puede obtener
calculando la superficie de respuesta que relaciona los factores ms
relevantes con las respuestas. Los experimentos ms adecuados para
calcular stas superficies son el diseo central compuesto o el diseo de
Doehlert. Opcionalmente se puede usar el mtodo secuencial Simplex,


134

escogiendo el experimento siguiente en funcin de los resultados obtenidos
en los experimentos anteriores.
- Estudio de mezclas. En ellos los factores son porcentajes de los
constituyentes y deben sumar 100%. Esta restriccin requiere el uso de
diseos y modelos matemticos adecuados a este tipo de restricciones.

En general si el problema a resolver no se ajusta a un diseo clsico, es posible
encontrar un diseo ptimo usando algoritmos que permiten seleccionar los
experimentos ms adecuados de entre una lista de experimentos candidatos.

6. Realizacin de la experimentacin.

El diseo experimental se describe usualmente con variables; stas se
particularizan para los factores en estudio, se verifica la viabilidad del experimento y
si lo es, se realiza la experimentacin en orden aleatorio para asegurar que los
factores no considerados introduzcan sesgo en los resultados.
7. Interpretar los resultados.
Conocidos los resultados de los experimentos se calculan los efectos de los
factores y as, sus interacciones. Los tests estadsticos permiten comprobar si los
efectos calculados son significativos comparndolos con el error experimental.
Similarmente en optimizacin hay tests que validan el modelo de superficies y
luego hallan la zona ptima a partir del modelo.
Estos pasos son cclicos; la informacin obtenida en una serie de experimentos se
utiliza para planificar la siguiente experimentacin, pues al conocer mejor el
problema se pueden redefinir o concretar ms los objetivos, descartar factores poco


135

importantes, o modificar el dominio experimental; por ello, normalmente se trata de
realizar series cortas de experimentos.
Mantenimiento Y Confiabilidad - Presentation Transcript
1. MANTENIMIENTO Y CONFIABILIDAD
2. Mantenimiento y Confiabilidad Incluye todas las actividades MANTENIMIENTO en
mantener un equipo para que funcione correctamente. Es la probabilidad de que
una parte de la maquina o CONFIABILIDAD del producto funcione adecuadamente
en un momento determinado y bajo condiciones establecidas.
3. Mantenimiento y Confiabilidad Estrategia de Mantenimiento y Confiabilidad
Implicacin de los empleados Compartir informacin Formacin de aptitudes
Sistema de Gratificacin Resultados Compartir el poder Reduccin del inventario
Mejora de la calidad Procedimientos de Mejora de la capacidad mantenimiento y
confiabilidad Limpieza y lubricacin Seguimiento y ajustes Reparaciones de poca
MEJORA EN LA importancia PRODUCTIVIDAD Registros informatizados
4. Mantenimiento y Confiabilidad Ventajas del mantenimiento Costes de Produccin
produccin Inventario ms rpida y menores reducido fiable Mantenimiento Mejor
Mayor capacidad productividad Mejora Mejor calidad continua
5. Mantenimiento y Confiabilidad Tipos de Mantenimiento Inspecciones rutinarias y de
servicio MANTENIMIENTO Mantenimiento de Instalaciones PREVENTIVO
Prevencin de fallas Cuando un equipo falla y se tiene que reparar debido a una
MANTENIMIENTO CORRECTIVO emergencia o prioridad
6. Mantenimiento y Confiabilidad CURVAS DEL COSTO TOTAL MINIMO OS ST CO
Costos totales Costos mantenimiento preventivo Costos mantenimiento correctivo
Compromisos de Punto ptimo mantenimiento


136

7. Mantenimiento y Confiabilidad TACTICAS PARA MEJORAR EL MANTENIMIENTO
Y LA CONFIABILIDAD Poner en prctica el mantenimiento preventivo. Tcticas de
Aumentar las capacidades Mantenimiento de reparacin o la rapidez. Mejorar los
componentes Tcticas de individuales. Confiabilidad Proporcionar excedentes.
8. Mantenimiento y Confiabilidad Aumento de las capacidades de reparacin
Personal bien formado. Recursos adecuados. Capacidad para establecer un plan
y unas prioridades de reparacin. Capacidad y autoridad para planificar los
materiales. Capacidad para identificar la causa de los fallas. Capacidad para
disear formas de aumentar el tiempo medio entre fallas.
9. Mantenimiento y Confiabilidad Mantenimiento Productivo Total El diseo de
maquinas fciles de manejar y fciles de mantener Hacer hincapi en los costos
totales de la propiedad cuando se compren las maquinas, de forma que el servicio y
el mantenimiento estn incluidos en el costo. El desarrollo de proyectos de
mantenimiento preventivo que utilicen las mejores prcticas de los operarios, del
mantenimiento de los departamentos y del servicio del depsito. La formacin de
los trabajadores para que manejen y mantengan sus propias mquinas.
10. Mantenimiento y Confiabilidad Evaluar el mantenimiento Fiabilidad: Probabilidad
de que un artculo funcione durante un periodo de tiempo determinado. Tiempo
medio entre fallos (MTBF): Es el tiempo medio entre fallos de un artculo
reparable.
11. Mantenimiento y Confiabilidad Porcentaje de fallos nmero de fallos Tasa de
fallos(%) = x 100% nmero de unidades probadas
12. Mantenimiento y Confiabilidad Fallos durante una hora de operacin nmero de
fallos Tasa de fallos (n) = tiempo de operacin
13. Mantenimiento y Confiabilidad Tiempo medio entre fallos Tiempo medio 1 entre
fallos (MTBF) = Tasa de fallos (N)


137

14. Mantenimiento y Confiabilidad Fiabilidad de los componentes en serie R = R1 x R2
x R3 x ...
15. Mantenimiento y Confiabilidad Proporcionar excedente Probabilidad Probabilidad
Probabilidad de que el 1er de que el 2 de necesitar componente + = P(R) *
componente el 2 funcione funcione componente

VI REFERENCIAS

Wonnacott

Jay L.Davone


138

INTRODUCCIN A LA ESTADSTICA
LIMUSA
PROBABILIDAD Y ESTADSTICA
PARA INGENIERA Y CIENCIAS
THOMSON

Miller,Irwin
PROBABILIDAD Y ESTADSTICA P/INGENIEROS
MC GRAW HILL

Lipschutz,S.
PROBABILIDAD
MC GRAW HILL

Murray L., Spiegel
PROBABILIDAD Y ESTADSTICA
MC GRAW HILL
Spiegel, M.R.
ESTADSTICA
MC GRAW HILL

Canavos, GeorgeC.
PROBABILIDAD Y ESTADSTICA,
APLICACIONES Y MTODOS
MC GRAW HILL

H. C. Charbonneau & G. L. Webster
CONTROL DE CALIDAD
MC GRAW HILL
Carlos Gonzlez
CONTROL DE CALIDAD
MC GRAW HILL
Armand V. & Feigenbaum
CONTROL TOTAL DE LA CALIDAD
CECSA
Douglas C. Montgomery
CONTROL ESTADSTICO DE LA CALIDAD
Ed. Iberoamericana

Manual de Estadistica Ingenieria

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Manual de Estadistica Ingenieria

Încărcat de

Drepturi de autor:

Formate disponibile

2010

POR: M.C. SANDRA LUZ ROSAS ALATORRE

. La moda puede deducirse de una

es una variable aleatoria, ya que es una funcin

denominado estimacin puntual de u .

S-ar putea să vă placă și