DISEÑO Y ANALISIS DE

ENSAYOS INDUSTRIALES
DAIQ-00771
TALLER N°1
Tema: UNIDAD N° 1: 1.A.2”El método científico”,1.A.3”Operaciones
fundamentales del método científico”,1.A.4”proceso de investigación
científica”,1.A.4.1”Fases del proceso de investigación científica” UNIDAD N°2:
“Conceptos de estadística y Teoría de probabilidades”2.4”Elemento de
probabilidad”,2.4.3”Distribuciones de probabilidad”,2.4.3.b”Funcion de
densidad”,2.4.3.b.2”Caso continuo”2.4.3.c”Funcion de distribución de
probabilidad acumulativa” 2.6 “Función de distribución continuas”. UNIDAD
N°3: “Distribución Normal Multivariable” 3.1”Definición de la distribución
normal multivariable” 3.3 “Distribución marginal” 3.5 “Distribución
condicional” 3.6 “Funciones lineales de variables aleatorias” 3.7 “Formas
cuadráticas”. UNIDAD N°4: “Inferencia Estadística”.4.1 “Estimación
puntual”,4.1.5 ”Métodos de estimación de parámetros”,4.1.5.a ”Método de
máxima verosimilitud (caso continuo)” 4.2 “Estimación de intervalos de
confianza “,8.3.5 “Intervalos de confianza para la diferencia entre las medias

GEP: Cometas
Integrantes: Francisco Henriquez V.
Jonathan Torrico V.

Fecha de Entrega: 07/05/2018

  Índice

 Resumen página 2
 introducción al tema página 3
 Problema A 6 página 4 -12
 Problema B 1 página 13 - 18
 Problema B 2 página 19 - 23
 Problema C ejercicio 10 página 24 - 25
 problema D ejercicio 27 página 26 - 27
 problema E ejercicio 45 página 28 - 29
 apreciación global página 30
 referencias y bibliografía página 31

1
Resumen
En el informe trataremos temas referidos a la Unidades 1,2,3,4 del curso se
Diseños y Análisis de ensayos industriales
En el apartado A, se trabajará con el concepto como generalidad, respecto al
punto de vista del autor que busco lograr la aseguración de su trabajo con
confiabilidad y validez de sus resultados en la investigación.
En el apartado B, el cual se divide en dos partes; primera, se trabajará las
ecuaciones de probabilidad, chi cuadrado y distribución F; en la segunda, se
trabaja las matrices de distribución normal multivariable, viendo conceptos como
matriz de covarianza, vector de medias, distribuciones marginales, independencia
de variables aleatorias, distribución condicional, funciones lineales de variables
aleatorias y formas cuadráticas.
En la parte C, se realizará el cálculo del estimador de la máxima verosimilitud
mediante relaciones entre variables aleatorias Bernoulli y binomial
En la Parte D, se ven conceptos tales como estimación de intervalos de confianza
para la media con varianza desconocida
En la parte E, se verán conceptos tales como intervalos de confianza para la
diferencia de las medias de dos distribuciones normales donde las desviaciones
estándares son ambas desconocidas, pero iguales.

2
Introducción
En el desarrollo del trabajo señalaremos temas y conceptos fundamentales
aprendidos en clases, los que nos ayudaran a enfrentar adecuadamente
problemas científicos y tecnológicos, para así comprender la relación entre estos y
sus diferencias. Por lo tanto, estos conocimientos y habilidades son
indispensables para la resolución de problemáticas reales aplicadas en el ámbito
profesional.
Además, para tener una mayor comprensión de las unidades vistas, reforzando
conocimientos ya adquiridos en otros ramos, con el fin de poder comprender y
realizar procesos de investigación científica y manejar técnicas de análisis de
datos.
El trabajo está enfocado en los siguientes temas vistos en clases:
UNIDAD N° 1: “El proceso de investigación Científica”
UNIDAD N°2: “Conceptos de estadística y Teoría de probabilidades”2.7 “Función de
distribución continuas”.
UNIDAD N°3: “Distribución Normal Multivariable” 3.2” Distribución normal
multivariable”3.2.1” Definición” 3.2.3 “Distribución marginal” 3.2.4 “Independencia de
las variables aleatorias” 3.2.5“Distribución condicional”3.2.6 “Funciones lineales de
variables aleatorias” 3.2.7 “Formas cuadráticas”.
UNIDAD N°4: “Inferencia Estadística”.4.2 “Estimación de intervalos de confianza “4.2.2
“Análisis para Poblaciones Normales”.

3
Problema B:
B1). Para las distribuciones t(5); X2(12), obtenga:
i f(a) = P[ x = a ]
ii F(a) = P[ x ≤ a ]
iii P[ a ≤ x ≤b ] , de acuerdo a los valores que a continuación se indican :

a =3,7 b =5,2 Valores asignados a grupo 7

Solución i)

i.a. Chi-cuadrado : 𝒙𝟐 (12)

𝑣 𝑥
1
P [x] = f(x;v)= 𝑣
𝑣
𝑥 2−1 𝑒 −2 siendo v: grados de libertad
22 Γ( )
2

Con x > 0
Evaluamos en el valor a=3,7, junto a los grados de libertad v=12:
12 3,7
1
P [x = 3,7] = 12
12
3,7 2 −1 𝑒 − 2
2 2 Γ( )
2
3,7
1
P [x = 3,7] =26 Γ(6) 3,75 𝑒 − 2

Donde la función gamma de un número entero viene del Manual de Fórmulas y Tablas
Matemáticas, página 101,16”Función Gamma”
16.3 Γ(𝑛 + 1) = 𝑛!
Como n=6, implica que Γ(6) = Γ(5 + 1) = 5! = 120
3,7
−
693,44∗𝑒 2
P [x = 3,7] = = 0.014197
7680

P [x = 3,7] = 0.01420
i.b. t-student: t(5)

Γ[(v+1)/2]
𝑃(𝑡) = 𝑓(𝑡; 𝑣) = v [1 + (𝑡 2 /𝑣) ]−(𝑣+1)/2 siendo v: grados de libertad
√𝑣𝜋 Γ(2)

Con −∞ < 𝑡 < +∞

Evaluamos en el valor a=3,7, junto a los grados de libertad v=5:
Γ[(5+1)/2]
𝑃(𝑡 = 3,7) = 𝑓(3,7; 5) = 5 [1 + (3,72 /5) ]−(5+1)/2
√5𝜋 Γ(2)

Γ(3)
𝑃(𝑡 = 3,7) = 5 [1 + (3.72 /5) ]−3
√5𝜋 Γ(2)

Donde la función gamma de un número entero viene del Manual de Fórmulas y Tablas
Matemáticas, página 101,16”Función Gamma”
16.3 Γ(𝑛 + 1) = 𝑛!
Y los valores especiales de la función gamma vienen dado por:
1 1∗3∗5∗…∗(2𝑚−1)
16. 6 Γ (m + 2) = 2𝑚
√𝜋

Como n=2, implica que Γ(3) = Γ(2 + 1) = 2! = 2

5 1 1∗3
Y por otra parte, m=2, por lo que Γ (2) = Γ (2 + 2) = 22
√𝜋 =1,329340388
2
Luego; 𝑃(𝑡 = 3,7) = [3,738]−3 = 0,0072680175
√5𝜋∗1,329340388

𝑃(𝑡 = 3,7) = 0,007268

Solución ii)

ii.a. Chi-cuadrado : 𝒙𝟐 (12)

F (3,7) = P [x≤3,7]
De la tabla 2. Puntos porcentuales de la distribución 𝑥 2 que se nos entregó en clases,
interpolamos para sacar el valor del área de la P [x≥3,7] de nuestra distribución con
𝜈 = 12 𝑥 2 𝛼;12 = 3,7

𝑥 2 𝛼;12 𝛼
3,571 0,99
3,7 P[x≥3,7]
4,404 0,975

P [x≥3,7] = 0,9877
Por lo tanto, tenemos que:
P [x≤3,7]= 1 – P [x≥3,7]= 1-0,9877
P [x≤3,7]= 0,0123
ii.b. t-student: t(5)

F (3,7) = P [t≤3,7]
De la tabla 3. Puntos porcentuales de la distribución 𝑡 que se nos entregó en clases, interpolamos
para sacar el valor del área de la P [t≥3,7] de nuestra distribución con
𝜈=5 𝑡𝛼;5 = 3,7

𝑡𝛼;5 𝛼
3,365 0,01
3,7 P[x≥3,7]
4,032 0,005
P [x≥3,7] = 0,007489
Por lo tanto, tenemos que:
P [x≤3,7]= 1 – P [x≥3,7]= 1-0,007489
P [x≤3,7]= 0,9925

Solución iii)

iii.a. Chi-cuadrado : 𝒙𝟐 (12)

P [3,7<x≤5,2]= F(5,2)-F(3,7) = P[x≤5,7]-P[x≤3,4]

Sabemos de (ii.a):
P [x≤3,7] = 0,0123
Y para obtener valor del área 𝛼 que es la probabilidad de que la variable aleatoria x sea mayor o
igual a 5,2 para esta distribución, o sea P [x≥5,2]; nos vamos a la tabla 2. Puntos porcentuales de la
distribución 𝑥 2 , e interpolamos nuevamente:

𝑥 2 𝛼;12 𝛼
4,404 0,975
5,2 P[x≥5,2]
5,226 0,95

P[x≥5,2]= 0,9508

Entonces,
P [x≤5,2]= 1 – P [x≥5,2]= 1-0,9508
P [x≤5,2]= 0,04920
Por tanto;
P[x≤5,2]-P[x≤3,7]= 0,0491- 0,0123
P[3,7 ≤ 𝑥 ≤ 5,2]=0,0368
iii.b. t-student: t(5)

P [3,7<t≤5,2]= F(5,2)-F(3,7) = P[t≤5,7]-P[t≤3,4]

Sabemos de (ii.b):
P [t≤3,7] = 0,9925
Y para obtener valor del área 𝛼 que es la probabilidad de que la variable aleatoria t sea mayor o
igual a 5,2 para esta distribución, o sea P [t≥5,2]; nos vamos a la tabla 3. Puntos porcentuales de la
distribución t, e interpolamos nuevamente:
𝑡𝛼;5 𝛼
4,773 0,0025
5,2 P[t≥5,2]
5,893 0,001

P[t≥5,2]= 0,001928
Entonces,
P [t≤5,2]= 1 – P [t≥5,2]= 1-0,001928
P [t≤5,2]= 0,9981
Por tanto;
P[t≤5,2]-P[t≤3,7]= 0,9981- 0,9925
P[3,7 ≤ 𝑡 ≤ 5,2]=0,005600
Conclusión B1:
Las distribuciones Chi-cuadrado y la Distribución t asignadas, se procedieron a realizar los cálculos
referidos a los apartados del ejercicio, obteniendo los resultados respectivos para cada
distribución:

Chi-cuadrado X2 (12) Distribución t(5)

i) P [x = 3,7] = 0.01420 P [t=3,7] = 0.007268

ii) P[x≤3,7]= 0,0123 P [t ≤ 3,7]= 0,9925

iii) P[3,7<x≤5,2]=0,03680 P[3,7<t≤5,2]= 0.005600

B2). Dada la forma cuadrática de una distribución Normal Multivariable,
determine:
a) La Matriz de Covarianzas y el Vector de Medias de la Distribución.
b) La Distribución Marginal Conjunta de (y1, y3).
c) La Distribución Condicional de (y1, y2/y3=4).
d) La Distribución de (2y1 +4y2 –y3).
e) La Distribución del vector [y1+2y3, 4y2 + 2y3].

a) La forma cuadrática, que debemos analizar es la siguiente:

Q = 2,4y12 + 2,8y22+ 2,5y32+ 0y1y2 + 1,5y1y3 + 3,4y2y3 + 2y1 + 4y2 + 2y3 + 12
En la cual debemos obtener la Matriz de Covarianza, empezando con
encontrar el R que está en la forma cuadrática:
2,4 0 0,75
R=[ 0 2,8 1,7 ]
0,75 1,7 2,5
Sabemos que R-1 = V
(𝑎𝑑𝑗 𝑅)𝑇 Calculamos la determinante de R 3 veces, ya que de esta manera
Y que R-1= |𝑅|
conoceremos la entrada de la matriz de cofactores.

2,8 1,7 0 1,7 0 2,8

|R|= 2,4*| |−0∗| | + 0,75 ∗ | |=
1,7 2,5 0,75 2,5 0,75 1,7
2,4*(4,11) – 0*(-1,275) + 0,75(-2,1) = 8,289
Esta sería el primer cálculo de la determinante de R que calculamos con lo que
seguimos con la otra línea para así comprobar que nuestra adjunta estará
correcta. Notamos que las determinantes que se sacaron anteriormente son las
entradas de la matriz adjunta de R.
0 0,75 2,4 0,75 2,4 0
-0*| | + 2,8 ∗ | | − 1,7 ∗ | |=
1,7 2,5 0,75 2,5 0,75 1,7
-0*(-1,275) + 2,8*(5,4375) – 1,7(4,08) = 8,289
0 0,75 2,4 0,75 2,4 0
0,75*| | − 1,7 ∗ | | + 2,5 ∗ | |=
2,8 1,7 0 1,7 0 2,8
0,75*(-2,1) – 1,7*(4,08) + 2,5*(6,72) = 8,289
Respetamos los signos que llevan la adjunta que serían así
 + − +
Adj R = [− + −]
+ − +
Y finalmente queda así

4,11 1,275 −2,1

Adj R = [1,275 5,4375 −4,08] Con |R| = 8,289
−2,1 −4,08 6,72
Ahora calculamos la traspuesta de la Adj R que es igual, ya que son matriz
simétrica.
4,11 1,275 −2,1
(Adj R)T = [1,275 5,4375 −4,08]
−2,1 −4,08 6,72
(𝑎𝑑𝑗 𝑅)𝑇
Después calculamos V = R-1 = |𝑅|

4,11 1,275 2,1

− 8,289
8,289 8,289 0,495838 0,153818 −0,253348
1,275 5,4375 4,08
− 8,289  [ 0,153818 0,65599 −0,492219]
8,289 8,289
2,1 4,08 6,72 −0,253348 0,492219 0,810713
[− 8,289 − 8,289 8,289 ]

Y como R-1 = V, tenemos la matriz de covarianza;

0,495838 0,153818 −0,253348
V = [ 0,153818 0,65599 −0,492219]
−0,253348 0,492219 0,810713
Por último, encontramos el Vector de Medias de la distribución.
Caso para cuando Q no está de forma matricial
𝜕𝑄
=0 4,8y1+1,5y3 + 2 = 0  µ1 = -0,4476
𝜕𝑦1

𝜕𝑄
=0 8y2+2,2y1+1,4y2+ 4 = 0  µ2 = -0,04311
𝜕𝑦2

𝜕𝑄
=0 6y3+2,4y1+1,4y2+ 2 = 0  µ3 = -0,1039
𝜕𝑦3

𝜇1 −0.4476
𝜇
( 2 )= (−0.04311)
𝜇3 −0.1039

b) La Distribución Marginal Conjunta de (y1, y3)

 𝑦1 𝜇1 𝑦1 𝜇1
Y=(𝑦2 ) µ= (𝜇2 ) → Y= (𝑦3 ) µ=(𝜇3 )
𝑦3 𝜇3 𝑦2 𝜇2

0,299 −0,0639 0,105

V=[−0,0639 0,274 −0,0384]
0,105 −0,0384 0,384

0,299 0,105 −0,0639

V=[ 0,105 0,384 −0,0384]
−0,0639 −0,0384 0,274
Y1 (kx1) ~ N(U1,V11)
−0,10388 0,299 0,105
Y1 (kx1) ~ N( ; )
−0,04476 0,105 0,384
20
c) Distribución Condicional (y1 , y2 / y3 =4)
𝑦1 𝜇1 −0.4476 𝑈
𝑌
Y= ( 2 ) 1
𝑦 µ=( 2 )= (−0.04311) 1
𝜇
𝑦3 𝑌2 𝜇3 𝑈2
−0.1039

0,299 −0,0639 0,105

V=[−0,0639 0,274 −0,0384]
0,105 −0,0384 0,384

Y1/Y2=Y2 * ~ [U1 + V12* V22-1*(Y2* - U2); V11 – V12*V22-1*V21]

Calculamos:
0,105 1 0,2734
V12* V22-1 =( )* =( )
0,0384 0,384 0,1
Y2* - U2= 4-(-0,04476)= 4,04476
1,106
V12* V22-1*(Y2* - U2)= ( )
0,404
−0,10388 1,106 1,0011
U1 + V12* V22-1*(Y2* - U2)= ( )+ ( )= ( )
−0,0431 0,404 0,3609
 0,105 1
V12*V22-1*V21= ( )∗ * (0,105 −0,0384)
0,0384 0,384

0,2734
=( )*(0,105 −0,0384)
0,1
0,029 −0,0105
=( )
0,0105 −0,00384
0,299 −0,0639 0,029 −0,0105
V11 – V12*V22-1*V21= ( )- ( )
−0,0639 0,274 0,0105 −0,00384
0,27 −0,0534
=( )
−0,0534 0,227784
Por lo tanto, la distribución Condicional es:
1,0011 0,27 −0,0534
Y1/Y2=Y2 * ~ N[( ); ( )]
0,3609 −0,0534 0,227784

21
d) Dada:
𝑦1
a`Y = (2,4,-1)* (𝑦2 )= 2y1 +4y2 –y3
𝑦3

Del teorema Ypx1 ~ N(µ; V) ; donde a`(a1, a2, …, ap)

Encontramos la distribución univariable,

Z= a`Y~ N( a`µ , a`V a)

−0.4476
a`µ= ( 2, 4, -1)* (−0.04311)= - 0,9637
−0.1039
0,299 −0,0639 0,105 2
a`V a= ( 2, 4, -1)* [−0,0639 0,274 −0,0384 ] ∗ ( 4)
0,105 −0,0384 0,384 −1
2
=(0,2374; 1,0066; -0,3276)*( 4 )= 4.8288
−1
Por lo tanto,
Z= a`Y~ N( -0,9637 ; 4,8288)

e) Para encontrar la distribución de [y1+2y3; 4y2 + 2y3]

𝑦1
10 2 𝑦 y1 + 2y3
( ) ( 2) = ( )
04 2 𝑦 4y2 + 2y3
3
1 0 2
Donde la matriz ( ) corresponde al factor B de la ecuación.
0 4 2
Sabemos que del teorema:

Sean Ypx1 ~ N(µ; V) ; donde Bqxp, con (q≤p) ꞈ 𝑦(𝑦)= q

Entonces:

Z = B Y ~ N (B µ ; B V B`)
Por lo tanto, calculamos:
−0.4476 22
1 0 2 −0,6554
B µ= ( ) ∗ (−0.04311)= ( )
0 4 2 −0,38024
−0.1039
 0,299 −0,0639 0,105 1 0
1 0 2
B V B`= ( ) * [−0,0639 0,274 −0,0384]* (0 4)
0 4 2
0,105 −0,0384 0,384 2 2
0,509 −0,1407 0,315
B V B`=( )
−0,0456 1,0192 0,6144
Finalmente, la distribución Normal q-variable queda:
−0,6554 0,509 −0,1407 0,315
Z = B Y ~ N [( );( )]
−0,38024 −0,0456 1,0192 0,6144
Conclusión:
Dada la forma cuadrática Q, se calculó, en primer lugar la matriz de covarianzas y
el vector de medias respectivo, luego se trabajó buscando las Distribución
Marginal conjunta(y1,y3), una la distribución Condicional, una distribución
univariable y por ultimo una distribución Normal q-variable.

23
Problema C:
N° 10 (Pag.327)
En la sección 8.2.5 se encontró el estimador de máxima verosimilitud ṕ, para el
parámetro p de una variable aleatoria Bernoulli, basado en una muestra de
tamaño n. También se conoce que la suma T, de n variables aleatorias
independientes distribuidas idénticamente Bernoulli con parámetro p, tiene una
distribución Binomial con parámetros n y p, es decir:
P [T=k] = (𝑦k ) pk(1-p)n-k ,para k = 0,1,…,n.
Encuentre el estimador de máxima verosimilitud de p, basado en una sola
observación de la variable aleatoria p, ¿coincide con ṕ?
Solución:
Para la expresión P(x) = ϕx(1- ϕ)1-x distribución Bernoulli.
Se analiza la formula respecto a la entregada en el enunciado p k(1-p)n-k
Lo siguiente es poner la distribución Binomial:
P (k) = (𝑦k ) pk(1-p)n-k para k = 0,1,2,….,n
Luego con la guía entregada en clases, en la sección 8.2.5
P (artículo es defectuoso) = P (x = 1) = p
P (artículo no es defectuoso) = P (x = 0) = 1 - p
Donde P(X = x) = px(1 – p)1 – x, para x = 0,1
Teniendo esto, continuamos con nuestro enunciado aplicando lo escrito
anteriormente:
P (k) = (1k ) pk(1-p)1-k ;para k = 0,1.

P (0) = (10 ) p0(1-p)1-0

P (1) = (11 ) p1(1-p)1-1

Finalmente, nuestra función de verosimilitud será:

L(𝑦) = 𝑦 f(xi, 𝑦) L(p) = 𝑦 f(xi, p)

L(p) = (10 ) p0(1-p)1-0 (11 ) p1(1-p)1-1

L(p) = (1-p) p
24
Posteriormente se calcula la derivada de L y se iguala a cero.
 𝑦𝑦
=0
dP
(-1) p + (1-p) = 0
-p+1–p=0 1 = 2p P = 1/2

Conclusión:
Se trabajó con una variable aleatoria Bernoulli, y se convirtió en una Binomial,
encontrando la función de verosimilitud, con la cual se obtuvo un estimador de
máxima verosimilitud.

25
Problema D:
N° 27 (pag.329)
Resuelva el problema 20 sin suponer σ = 5.
Problema 20: Se midió la resistencia a la ruptura por torcimiento de un cierto tipo
de tela en cuatro especímenes de un lote con los siguientes resultados (en
psi):182, 172, 176,178. La desviación estándar basada en la experiencia previa es
5 psi. Encuentre un intervalo de confianza del 99% para la resistencia promedio a
la ruptura por torcimiento del lote.
Solución: Se pide un intervalo de confianza del 99%, como dice en el problema
que no hay que suponer σ entonces nos encontramos con “intervalo de confianza
para la media, con varianza desconocida”.
Variable pivotal es Y ~ t (n-1) dado que n=4 tendremos, Y ~ t (3)
Como da 99% de intervalo de confianza, las áreas extremas serán 0,005 cada una
y el área central será de 0,99.
Se ingresa a la tabla de distribución t de student entregada en clases para sacar el
punto d que marca los límites de las áreas.
El valor que se obtiene de la tabla t de student con 0,005 es de 5,841.
Como la distribución t de student es simétrico solo se saca d.
Realizando la siguiente tabla se obtiene X y ∑(Xi − X)2 :
Xi Xi-X (Xi-X)2
182 5 25
172 -5 25
176 -1 1
178 1 1
X = ∑ 𝐗𝐢 / 𝐧 =177 ∑(𝐗𝐢 − 𝐗)𝟐 = 52

Luego se resuelve el intervalo de confianza

𝑑 √∑(Xi−X)2 𝑑 √∑(Xi−X)2
X - ( ) < µ < X + ( )
√𝑛(𝑛−1) √𝑛(𝑛−1)

(5,841)√52 (5,841)√52
177 - ( ) < µ < 177 + ( )
√4∗(3) √4∗(3)

164,84 < µ < 189,159

26

Conclusión:
Se analizó el concepto de intervalo de confianza, el cual se obtuvo para la media,
con sigma desconocido.

27

Problema E:
45) La siguiente tabla muestra porcentaje de pérdida en resistencia a la tensión,
producida por inmersión en solución en solución corrosiva, de un par de muestras
de una aleación. Una de las muestras está sometida a esfuerzo y la otra no.

Prueba número Sin esfuerzo Con esfuerzo

1 6,4 9,2
2 4,6 7,9
3 4,6 7,3
4 6,4 8,0
5 3,2 6,7
6 5,2 7,6
7 6,5 5,7
8 4,9 4,1
9 4.3 8,1
10 5.6 6.5
11 3,7 6,9
12 4,6 6,0
∑Ẋ=5 ∑Ẏ=7

Encuentre un intervalo de confianza del 95% para la diferencia esperada en

resistencia a la tensión.
Solución: El problema da un intervalo de confianza para la diferencia entre las
medias de dos distribuciones normales donde las desviaciones estándares son
ambas desconocidas, pero iguales, por lo que se resuelve mediante la siguiente
ecuación entregada en una guía en clases para la diferencia de medias:

1 1 ∑(Xi−X)^2 + ∑(Yi−Y)^2
X-Y - t𝜶/2 ; nx+ny-2 √( ) + ( ) √( ) ≤ µ𝐱 − µ𝐲 ≤
nx ny nx+ny−2
1 1 ∑(Xi−X)^2 + ∑(Yi−Y)^2
X-Y + t𝜶/2 ; nx+ny-2 √( ) + ( ) √( )
nx ny nx+ny−2

Al darnos un intervalo de confianza del 95% se resuelve nuestro 𝛼

𝛼
q = 0,95 = 1 – 𝛼 => 𝛼 = 0,05 entonces tenemos = 0,025
2
nx = 12 ny = 12
Resolvemos nuestra distribución
t𝛼/2 ; nx+ny-2 y queda asi t0,025 ; 12+12-2 => t0,025 ; 22 28
Por lo tanto nuestros grados de libertad será 22 con 𝑦/2 = 0,025 y por tabla
tenemos el valor de 2,074
Resolvemos nuestra tabla de valores siguiente para seguir con nuestra ecuación:
Ẋ=5 Ẏ=7
Xi - Ẋ (Xi - Ẋ) 2 Yi-Ẏ (Yi-Ẏ) 2
6,4 – 5 = 1,4 1,96 9,2 – 7 = 2,2 4,84
4,6 – 5 = -0,4 0,16 7,9 – 7 = 0,9 0,81
4,6 – 5 = -0,4 0,16 7,3 – 7 = 0,3 0,09
6,4 – 5 = 1,4 1,96 8,0 – 7 = 1,0 1
3,2 – 5 = -1,8 3,24 6,7 – 7 = -,3 0,09
5,2 – 5 = 0,2 0,04 7,6 – 7 = 0,6 0,36
6,5 – 5 = 1,5 2,25 5,7 – 7 = -1,3 1,69
4,9 – 5 = -0,1 0,01 4,1 – 7 = -2,9 8,41
4,3 – 5 = -0,7 0,49 8,1 – 7 = 1,1 1,21
5,6 – 5 = 0,6 0,36 6,5 – 7 = -0,5 0,25
3,7 – 5 = 1,3 1,69 6,9 – 7 = -0,1 0,01
4,6 – 5 = -0,4 0,16 6,0 – 7 = -1 1
∑ Xi - Ẋ = 2,6 ∑ (Xi - Ẋ) 2 = 0,856 ∑ Yi - Ẏ = 0 ∑ (Yi - Ẏ) 2 = 1,646

Ya teniendo todos los datos terminaremos con nuestra ecuación:

1 1 0,858+1,646 1 1
5 - 7 - 2,074 √(12) + (12) √( ) ≤ µ𝒙 − µ𝐲 ≤ 5 - 7 + 2,074 √(12) + (12)
12+12−2
0,858+1,646
√( )
12+12−2

-2,285 ≤ µ𝐱 − µ𝐲 ≤ -1,714
Conclusión:
Se obtuvo un intervalo de confianza para la diferencia de medias cuando las
desviaciones estándares son iguales y desconocidas. Logrando consigo la
resolución del problema.

29

Apreciación Global del Trabajo Realizado

Realizar el taller de Diseño y análisis de ensayos industriales, significo un
organizado estudio de las unidades vistas en clases y repaso de concepto, para
poder realizar la resolución de los problemas planteados. El taller fue significativo
ya que fue útil para llegar a tener un nivel de conocimiento adecuado, y así tener
una capacidad óptima para rendir la prueba de cátedra del ramo.
Además, gracias al análisis de investigación, comprendimos mejor la estructura de
una investigación científica, y la significancia de la generalidad que necesita esta,
para poder asegurar un trabajo con una confiabilidad y validez.

30
 REFERENCIAS Y BIBLIOGRFIAS

http://eprints.uanl.mx/4767/1/1080073271.PDF

31