Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Libro Estadistica y Diseno de Experimentos
Libro Estadistica y Diseno de Experimentos
Estadística y diseño
de experimentos
I
Cecilia Ríos Varillas
© Derechos de edición
ISBN ....
II
Estadística y diseño de experimentos
Palabras liminares
Los autores han hecho un meritorio esfuerzo para organizar los temas de sus
exposiciones, realizando investigaciones y consultando fuentes peruanas y ex-
tranjeras, así como recogiendo el fruto del diálogo con sus colegas y los propios
estudiantes. Asimismo, se han esmerado en presentar sus cursos de manera que
facilita el acceso por parte de los interesados.
III
Cecilia Ríos Varillas
IV
Estadística y diseño de experimentos
Agradecimientos
V
Cecilia Ríos Varillas
VI
Estadística y diseño de experimentos
Índice
Presentación................................................................................................................XIII
Introducción.................................................................................................................XV
Capítulo 1
Conceptos básicos en estadística................................................................................ 1
1.1. Definición y división de la estadística................................................................. 1
1.1.1. Estadística ............................................................................................................ 1
1.1.2. División de la Estadística.................................................................................... 1
1.2. Conceptos fundamentales en estadística............................................................. 2
1.2.1. Población............................................................................................................... 2
1.2.2. Muestra.................................................................................................................. 2
1.2.3. Parámetro.............................................................................................................. 3
1.2.4. Estadígrafo............................................................................................................ 3
1.2.5. Dato........................................................................................................................ 3
1.2.6. Unidad Elemental................................................................................................ 3
1.3. Variable..................................................................................................................... 3
1.3.1. Variable Cualitativa............................................................................................. 3
1.3.2. Variable Cuantitativa........................................................................................... 4
1.4. Ejercicios desarrollados.......................................................................................... 5
1.5. Ejercicios propuestos.............................................................................................. 7
Capítulo 2
Estadística descriptiva.................................................................................................. 9
2.1 Organización y presentación de los datos............................................................ 9
2.2 Tabla de frecuencias cuando la variable es cualitativa....................................... 9
2.3 Tabla de frecuencias cuando la variable es cuantitativa................................... 11
2.3.1 Tabla de Frecuencias cuando la variable es cuantitativa discreta................ 12
VII
Cecilia Ríos Varillas
Capítulo 3
Probabilidades............................................................................................................. 51
3.1 Definiciones básicas............................................................................................... 51
3.1.1 Experimento......................................................................................................... 51
3.1.2 Espacio muestral Ω ............................................................................................ 52
3.1.3 Evento o suceso................................................................................................... 52
3.2 Técnicas de conteo.................................................................................................. 54
3.2.1 Principio de adición............................................................................................ 54
3.2.2 Principio de multiplicación............................................................................... 55
3.2.3 Permutación......................................................................................................... 55
3.2.4 Permutación Circular.......................................................................................... 56
3.2.5 Combinación........................................................................................................ 57
3.2.6 Ejercicios de Conteo............................................................................................ 57
3.3 Probabilidad............................................................................................................ 59
3.3.1 Enfoque Clásico (Probabilidad de un Evento)................................................ 59
3.3.2 Enfoque Empírico............................................................................................... 60
3.4 Axiomas de probabilidad...................................................................................... 60
3.5 Propiedades de probabilidad............................................................................... 60
VIII
Estadística y diseño de experimentos
Capítulo 4
Variable aleatoria........................................................................................................ 89
4.1 Definición................................................................................................................ 89
4.2 Variable aleatoria discreta..................................................................................... 90
4.2.1 Función de probabilidad (Distribución de probabilidades) de la
variable aleatoria discreta.................................................................................. 90
4.2.2 Función de distribución (acumulada) de la variable aleatoria discreta...... 91
4.3 Variable aleatoria continua................................................................................... 93
4.3.1 Función de probabilidad de la variable aleatoria continua.......................... 93
4.3.2 Función de distribución (acumulada) de la variable aleatoria continua.... 94
4.4 Valor esperado y varianza de la variable aleatoria........................................... 96
4.4.1 Valor esperado de la variable aleatoria............................................................ 96
4.4.2 Varianza de la variable aleatoria....................................................................... 98
4.5 Ejercicios desarrollados....................................................................................... 100
4.6 Ejercicios propuestos........................................................................................... 109
Capítulo 5
Distribución de probabilidades............................................................................. 113
5.1 Distribuciones discretas notables...................................................................... 113
5.1.1 Distribución Binomial...................................................................................... 113
5.1.2 Distribución de Poisson.................................................................................... 116
5.1.3 Distribución Hipergeométrica........................................................................ 119
5.2 Distribuciones continuas notables..................................................................... 120
5.2.1 Distribución Uniforme..................................................................................... 120
5.2.2 Distribución exponencial................................................................................. 121
5.2.3 Distribución Normal o Gaussiana.................................................................. 123
5.2.4 Distribuciones relacionadas con la normal, distribuciones para
muestras pequeñas........................................................................................... 129
5.3 Ejercicios desarrollados....................................................................................... 133
5.4 Ejercicios propuestos........................................................................................... 140
Capítulo 6
Muestreo aleatorio y distribuciones en el muestreo.......................................... 143
6.1 Definiciones básicas............................................................................................. 143
6.1.1 Distribución muestral....................................................................................... 143
6.1.2 Muestra aleatoria.............................................................................................. 143
6.1.3 Error en el muestreo......................................................................................... 144
6.2 Distribución de la media muestral.................................................................... 144
IX
Cecilia Ríos Varillas
Capítulo 7
Inferencia estadística................................................................................................ 159
7.1 Definición de la estadística inferencial............................................................. 159
7.2 Objetivos de la inferencia estadística................................................................ 160
7.3 Estimación de parámetros.................................................................................. 160
7.3.1 Estimación puntual........................................................................................... 161
7.3.2 Estimación por intervalos (Límites de Confianza)....................................... 162
7.4 Prueba o contraste de hipótesis......................................................................... 170
7.4.1 Tipos de errores................................................................................................. 171
7.4.2 Tipos de prueba................................................................................................. 171
7.4.3 Pasos necesarios para realizar una prueba de hipótesis a un parámetro..... 172
7.4.4 Prueba de hipótesis para los parámetros....................................................... 173
7.5 Ejercicios desarrollados....................................................................................... 179
7.6 Ejercicios propuestos.......................................................................................... 192
Capítulo 8
Diseños experimentales........................................................................................... 195
8.1 Definición e importancia del diseño experimental......................................... 195
8.2 Pasos a seguir en el diseño de experimentos .................................................. 196
8.3 Definiciones básicas............................................................................................. 196
8.4 Principios básicos del diseño experimental..................................................... 198
8.5 Análisis de varianza (anva)................................................................................. 199
X
Estadística y diseño de experimentos
Glosario....................................................................................................................... 247
Bibliografía................................................................................................................. 249
Anexos......................................................................................................................... 251
Anexo 1. Tabla función de distribución acumulativa distribución
t-student F(t)=P(T≤t).................................................................................................. 251
Anexo 2. Tabla de la función de distribución acumulativa normal
estándar P(Z≤z)=F(z)................................................................................................. 253
Anexo 3. Tabla de la función de distribución acumulativa distribución
ji-cuadrado.................................................................................................................. 255
Anexo 4. Tabla de valores de la distribución F para una probabilidad
acumulada de 0,99 .................................................................................................. 258
Anexo 5. Tabla de valores de la distribución F para una probabilidad
acumulada de 0,95.................................................................................................... 261
XI
Cecilia Ríos Varillas
Índice de Figuras
Figura 2.1. Diagrama de Barras.................................................................................. 10
Figura 2.2. Diagrama por sectores circulares........................................................... 11
Figura 2.3. Histograma de Frecuencias..................................................................... 16
Figura 3.1. Partición del espacio muestral................................................................ 68
Figura 3.2. Probabilidad Total.................................................................................... 69
Figura 3.3. Diagrama de Árbol................................................................................... 70
Figura 4.1. Dominio y rango de la variable aleatoria.............................................. 89
Figura 4.2. Función de Densidad f............................................................................. 93
Figura 5.1. Distribución Binomial............................................................................ 114
Figura 5.2. Distribución Uniforme........................................................................... 121
Figura 5.3. Distribución Exponencial...................................................................... 122
Figura 5.4. Gráfica de la función de probabilidad de Distribución Normal..... 124
Figura 5.5. Gráficos de la normal, con probabilidades notables......................... 125
Figura 5.6. Distribución Normal Estándar............................................................. 126
Figura 5.7. Distribución Chi-Cuadrado.................................................................. 131
Figura 5.8. Distribución T......................................................................................... 132
Figura 5.9. Distribución F.......................................................................................... 133
Figura 7.1. Intervalo de confianza........................................................................... 163
Figura 7.2. Regiones críticas de una media µX con varianza conocida............... 174
Figura 7.3. Regiones críticas de una media µX con varianza desconocida......... 175
Figura 7.4. Prueba de Hipótesis para la varianza poblacional σX....................... 178
Figura 7.5. Regiones críticas en la prueba de homogeneidad de varianzas...... 179
Figura 8.1. Regiones críticas en el diseño completamente aleatorio................... 205
Figura 8.2. Regiones críticas en el diseño bloque completamente aleatorio..... 212
XII
Estadística y diseño de experimentos
Presentación
En este libro se presentan temas muy importantes que va a permitir darle luego
al estudiante una visión de lo que puede hacer cuando tenga que realizar alguna
investigación, sobre todo cuando tenga que planificar y elegir el diseño más acor-
de al estudio que desee realizar.
Esta edición ha sido diseñada de manera tal que sea útil para diferentes finalidades,
como un libro de consulta, que imparte teoría y práctica de la Estadística Básica.
Algo muy importante que quiero resaltar, es que la mayoría de ejercicios desa-
rrollados y propuestos en este texto son ejercicios aplicados a la química y a la
manufactura textil, ya que soy docente de la Facultad de Ingeniería Química y
Textil de la UNI por más de 20 años; sin embargo, alumnos de nivel de pregrado
de cualquier especialidad también podrán buscar asesoría en este libro sin nin-
guna dificultad.
Finalmente, espero que este texto cumpla con el objetivo personal que me tracé,
de compartir conocimientos y experiencias que vayna más allá de las aulas y que
permita al lector entender la estadística como base para el análisis de sus futuras
investigaciones.
XIII
Cecilia Ríos Varillas
XIV
Estadística y diseño de experimentos
Introducción
XV
Cecilia Ríos Varillas
Es muy importante que todo ingeniero, cuando pretenda realizar una investiga-
ción, planifique adecuadamente sus procedimientos y pasos a seguir, esto quiere
decir que “diseñe” un buen plan de acción. En este texto, se presenta también
de manera simple y muy práctica los diseños básicos que más se aplican en las
investigaciones.
Este libro incluye en su mayoría los apuntes de las clases que he elaborado y pre-
sentado a los alumnos de la Facultad de Ingeniería Química y Textil de la UNI,
en más de 20 años de labor docente. Por tal motivo, sirve como una guía tan-
to teórica como práctica para todo alumno que necesite de la estadística básica.
Asimismo los ejercicios desarrollados y propuestos representan en su mayoría a
aquellos evaluados en prácticas calificadas y exámenes.
XVI
Estadística y diseño de experimentos
CAPÍTULO 1
1
Cecilia Ríos Varillas
Ejemplos:
La población de un país, de granos cristalizados en una roca, de bienes manu-
facturados por una fábrica en particular durante un periodo dado, número de
bacterias en 1 cm3 de agua. También podría ser un proceso observado en varios
instantes y los datos recogidos de esta manera constituyen una serie de tiempo.
1.2.2. Muestra
Es un subconjunto de la población, la muestra debe ser representativa o no ses-
gada (sin manipulación, ni adulteración) de la población respectiva. Si la muestra
es representativa de la población, inferencias y conclusiones hechas en la muestra
pueden ser extendidas a la población completa.
Existen diversos métodos para tomar la muestra (muestreo), como por ejemplo
un muestreo puede ser sistemático, estratificado, por conglomerado, aleatorio,
etc., el muestreo que más se aplica en ingeniería es el muestreo aleatorio (llamado
también probabilístico). Un muestreo es aleatorio cuando cada elemento de la
población tiene la misma posibilidad de ser seleccionado en la muestra.
Ejemplos:
Las mediciones de la humedad relativa (en porcentajes por día) en el lugar de
almacenamiento de una muestra de materias primas en 12 días
2
Estadística y diseño de experimentos
1.2.3. Parámetro
Es cualquier característica de la población que sea medible, por eso representa a
la población. Este valor para ser calculado requiere de la información de toda la
población lo cual muchas veces es difícil, por eso generalmente los parámetros
son estimados a partir de valores calculados en la muestra (este procedimiento se
desarrollará en Inferencia Estadística).
Ejemplos:
µX : Media poblacional
σX2 : Varianza poblacional
1.2.4. Estadígrafo
Representan a las medidas descriptivas que se obtienen de un conjunto de ob-
servaciones, se les llama también estadístico. Es un número o constante que re-
presenta a la muestra y que puede ser calculado teniendo la información de la
muestra, con calculadoras o paquetes estadísticos.
1.2.5. Dato
Es la recopilación, registro o anotación de una característica o un valor en parti-
cular que toma la variable en estudio.
1.3. VARIABLE
Es la característica que presenta las unidades o datos que compone una pobla-
ción y es lo que se desea estudiar, se representa en forma simbólica mediante
símbolos o letras. Según los datos recopilados, las variables se clasifican en:
3
Cecilia Ríos Varillas
Ejemplos:
- Tipos de tela
- Marcas de microscopios
- Profesiones
- Color de una sustancia química
Variable cualitativa ordinal. Estas variables no son medibles, sin embargo, ex-
presan cierto “orden o jerarquía”.
Ejemplos:
- Control de calidad de un producto (malo, regular, bueno, muy bueno)
- Intensidad del dolor (poco, regular, mucho)
Ejemplos:
- Número de microscopios por laboratorio
- Número de alumnos por aula
- El número de bacterias de una muestra de agua
4
Estadística y diseño de experimentos
Ejemplos:
- Tiempo (años)
- Volumen (cm3)
- Temperatura (°C)
- Longitud (m)
Solución
5
Cecilia Ríos Varillas
Ejercicio 2
En agosto del 2006, una empresa de gaseosas decidió hacer una encuesta para
conocer el grado de aceptación que había tenido su producto “agua de man-
zana” (un nuevo producto que ha lanzado al mercado), entre los habitantes de
Lima Metropolitana. Para ello se entrevistaron a 50 amas de casa, utilizando un
cuestionario que incluía preguntas para determinar: si en la casa han probado
el producto, quiénes han consumido el producto, la edad de los que consumen
el producto, si el producto qué tanto les ha gustado o aceptado (poco, regular,
mucho), si seguirán consumiendo el producto, etc.
De acuerdo a lo anterior:
- ¿Cuál es la población de estudio? ¿Es finita o infinita?
- ¿Cuál es la muestra?
- ¿Cuál es la unidad estadística elemental?
- ¿Cuáles son las variables que se presentan en esta entrevista? y ¿Qué tipo de
variable es cada una de las señaladas en este caso?
Solución
6
Estadística y diseño de experimentos
Ejercicio 3
Solución
Nota promedio ponderado, nivel económico, sexo, estado civil, número de hijos,
número de horas de clase por semana, ciclo de estudios, ingresos mensuales,
minutos de viaje a casa.
a) Identifique la población
b) Identifique la muestra
c) Según el párrafo con letra cursiva, indique las variables y sus tipos
Ejercicio 2
7
Cecilia Ríos Varillas
uno a uno, se seleccionan 10 equipos los cuales son enviados a distintas áreas
donde son clasificados entre otras características, el estado de las bisagras de las
puertas, las dimensiones del diámetro del plato interior del horno, el voltaje de
salida, la temperatura interior del equipo después de dos minutos de trabajo, la
radiación emitida y el color del horno
Ejercicio 3
Ejercicio 4
Ejercicio 5
Una fábrica industrial actualmente cuenta con 400 empleados y desea ofrecer a
los mismos un servicio de salud, el cual posiblemente se instale a 1kilómetro de
distancia de la fábrica. Suponga que usted lo encargan de realizar un estudio de
las necesidades de salud que los empleados tienen al respecto.
8
Estadística y diseño de experimentos
CAPÍTULO 2
Estadística descriptiva
La Tabla de Frecuencias tiene como objetivo resumir los datos sin perder ningu-
no de ellos. Indica la distribución de las frecuencias de los valores de la variable
dentro de varias clases. El término distribución de frecuencias se abrevia nor-
malmente como distribución: por ejemplo, se dice distribución de empleados de
una empresa por niveles de ingreso, distribución de las mediciones del volumen
(cm3), etc.
9
Cecilia Ríos Varillas
Ejemplo:
En el laboratorio de Textiles de la FIQT se desea clasificar 50 retazos de tela según su
tipo para luego realizar una investigación sobre la calidad de ellas, los tipos de tela
que corresponden a los 50 retazos analizados se presentan en el siguiente cuadro:
Estos gráficos y otros pueden ser realizados por cualquier software estadístico.
10
Estadística y diseño de experimentos
∑ fi n
=
i =1
0 ≤ fi ≤ n
n : tamaño de la muestra
m: número de clases o intervalos de clase
m
i
Fi = ∑ f j
j =1
fi m
=hi
n
∑ hi 1
0 ≤ hi ≤ 1 =
i =1
11
Cecilia Ríos Varillas
m
i
Fi
Hi = ∑ hj también H i =
j =1 n
Generalmente esta frecuencia también se expresa en porcentaje: Hi% = Hi x 100%
Ejemplo:
2 0 4 4 1 4 0 3
1 1 0 1 2 4 1 1
5 3 4 0 4 0 0 0
2 1 2 0 3 1
En este caso, la tabla de frecuencias se agrupa por clase, ya que los datos discretos
se repiten con frecuencia. En la tabla de frecuencias se presenta cada uno de estos
valores ordenados y se cuenta la cantidad de veces que se repite cada dato.
Se observa que sólo 1 rollo de tela presenta 5 imperfecciones, este valor repre-
senta el 3,33% del total, mientras que 16 rollos de tela presentan a lo mucho una
imperfección,es decir el 53,33% del total.
12
Estadística y diseño de experimentos
Primer paso
Cálculo del número de intervalos de Clase (m).
Para calcular el número de intervalos, se tiene dos criterios:
Segundo paso
Cálculo del rango de la muestra (R).
De todos los datos recopilados se consideran los extremos, el valor mayor y el
valor menor.
R= Valor Máx. – Valor Mín.
Tercer paso
Cálculo de la amplitud o ancho del Intervalo (c).
Para calcular la amplitud del intervalo, nos basamos en la siguiente expresión:
R
c=
m
Observaciones:
- Con este procedimiento la amplitud del intervalo que se calcula es constante
para todos los intervalos y es preferible que tenga la misma cantidad de
decimales que presentan los datos, por lo tanto debe ser redondeado y este
redondeo debe ser por exceso, para no perder ningún dato.
- Para determinar los límites de clase, se deberá considerar los siguientes puntos:
13
Cecilia Ríos Varillas
a. Los límites de clase deben ser mutuamente excluyentes, no debe haber duda
en cuanto a la clase a que pertenece una observación determinada.
b. La elección de los límites de clase depende en gran parte si los datos son
continuos o discretos.
Los límites pueden ser:
- Límites Traslapantes
Ejemplo: 4,18 – 4,28
4,28 – 4,38
- Límites No Traslapantes
Ejemplo: 4,18 – 4,27
4,28 – 4,37
Ambos tipos pueden usarse para datos continuos o para datos tratados
como continuos.
Al tratar datos discretos se puede usar los límites no traslapantes.
Cuarto paso
Tabulación, mediante el conteo adecuado a considerar.
Quinto paso
Calcular las marcas de clase Xi (punto medio de cada intervalo), se calcula me-
diante el promedio de los límites del intervalo respectivo. Sirve para representar
a los datos de cada intervalo:
xi' −1 + xi'
xi = xi' −1 : Límite inferior del intervalo
2
'
xi : Límite superior del intervalo
14
Estadística y diseño de experimentos
Ejemplo:
166 178 136 170 162 155 146 183 157 148 138 160 153 175 157 156
165 160 159 168 170 150 148 179 167 165 162 158 173 164.
Solución
m = 1+ (3,3)log30 = 5,8745 ≈ 6
c = 47 = 7,83 ≈ 8
6
15
Cecilia Ríos Varillas
Se puede observar que son 9 las mediciones cuyo punto de ebullición son de por
lo menos 160 °C pero menos de 168 °C y éstas representan el 30% del total de las
mediciones. También vemos que el 43,3% de las mediciones presentan un punto
de ebullición menor que 160 °C, las cuales corresponden a 13 de las mediciones.
Histograma de frecuencias
Para realizar un histograma se marcan una serie de intervalos sobre un eje horizon-
tal, y sobre cada intervalo se coloca un rectángulo de altura proporcional al número
de observaciones (frecuencia absoluta) que caen dentro de dicho intervalo. De esta
manera el histograma de frecuencias resulta muy útil para representar gráficamen-
te la distribución de frecuencias. También se puede usar la frecuencia relativa en
lugar de la frecuencia absoluta y el histograma es proporcional al anterior.
Polígono de frecuencias
Para construir el polígono de frecuencias se toma la marca de clase que coincide
con el punto medio de cada rectángulo de un histograma y la altura respectiva es
la frecuencia absoluta (también puede ser la frecuencia relativa). Este gráfico se
presenta en la sección 2.5.
16
Estadística y diseño de experimentos
Estas medidas se expresan en las mismas unidades de medición que los datos;
esto es, si la observación es en gramos, el valor de tendencia central también re-
sulta en gramos.
17
Cecilia Ríos Varillas
∑x i
X= i =1
∑x i fi
X= i =1
n
Donde:
xi= marca de clase o valor numérico de la variable
m = número de intervalos de clase
fi = frecuencia absoluta
Ejemplo:
Supóngase que se determinó que a 22°C una pipeta de 5,000 mililitros, después
de pesar por seis ocasiones su volumen vertido, generó los siguientes pesos apa-
rentes de agua en gramos:
Solución
La media aritmética para esta muestra pequeña (datos no agrupados en tabla de
frecuencias) se calcula:
∑x i
4,995+ 4,993 +4,994 +4,996+ 4,998 +4,992
=X =
i =1
= 4,9947
n 6
Ejemplo:
De la siguiente tabla de frecuencias construida en un ejemplo anterior, calcular la
media aritmética para datos agrupados.
18
Estadística y diseño de experimentos
Solución
La media aritmética para datos agrupados en tabla de frecuencias es:
m
∑ xifi
i=1 (140)(2) + (148)(4) + (156)(7) + (164)(9) + (172)(5) + (180)(3) 4840
‾=
X = =
n 30 30
‾ = 161,333°C
X
Propiedad 1
Si todos los datos son iguales a una constante k, entonces la media es igual a dicha
constante: k‾ = k
Demostración:
∑x i
Sea X = i =1
n
n
∑k nk
Si xi = k ⇒ k = i =1
= =k
n n
19
Cecilia Ríos Varillas
Propiedad 2
Si a cada dato se le suma o resta una constante k, a la media también se le suma
o resta, dicha constante:
x + k = x‾ + k
Demostración:
n n n
∑ ( xi + k ) ∑ xi + ∑ k
x +=
= k i1= =
=i 1 =i 1
n n
n n
∑ xi ∑ k nk
= +
=i 1 =i 1
x
=+ x k
=+
n n n
Propiedad 3
Si a cada dato se le multiplica o divide por una constante k, a la media también se
le multiplica o divide dicha constante:
xk =x k
Demostración:
n n n
∑(x k )
k ∑x ∑ xi i i
xk
= = = k= x k
=i 1 =i 1 =i 1
n n n
Propiedad 4
La suma de las desviaciones con respecto a la media es igual a cero:
n
∑( x
i =1
i −x =
0)
Demostración:
n n n n
∑ ( xi − x )= ∑ xi − ∑ x = ∑ xi − n x =
=i 1 =i 1 =i 1 =i 1
n ∑x i n n
= ∑ xi − n i =1
= ∑ xi − ∑ xi = 0
=i 1 n=i 1 =i 1
Nota. Todas las propiedades cumplen para datos agrupados y no agrupados.
20
Estadística y diseño de experimentos
‾w
Media ponderada X
Si cada observación xi tiene un peso o ponderación Wi , esto es, cuando las ob-
servaciones no tienen la misma importancia dentro de una muestra, entonces
tenemos la media ponderada que se calcula de la siguiente manera:
∑ x .w i i
Xw = i =1
m
∑w
i =1
i
Ejemplo:
Las notas de un alumno de ingeniería química al finalizar el semestre 2010-1
fueron:
2.4.1.2 Mediana
Cálculo de la mediana
21
Cecilia Ríos Varillas
Ejemplo:
Los siguientes datos corresponden al contenido de sólidos en el agua en partes
por millón (ppm) : 4520 4570 4520 4490 4570 4500 4520 4590 4540 4500 4520.
Calcule la mediana.
Solución
Primero se ordenan: 4490 4500 4500 4520 4520 4520 4520 4540 4570 4570 4590
Como n=11 (impar) el valor central es: me = 4520 ppm (representa la 6ta. posición)
entonces, el valor que tiene 50% de los valores por encima y 50% por debajo de
él es 4520 ppm.
n es par.- La mediana es igual al promedio de los 2 valores centrales:
xn + xn
+1
me = 2 2
2
Ejemplo:
Del ejemplo anterior de la media aritmética para datos no agrupados, después de
pesar su volumen vertido por seis ocasiones, generó los siguientes pesos aparen-
tes de agua en gramos: 4,995 4,993 4,994 4,996 4,998 4,992. Calcule la media-
na.
Solución
4,994 + 4,995
=me = 4,9945 g
2
Se observa que el valor de la mediana es muy similar a la media aritmética calcu-
lada anteriormente.
22
Estadística y diseño de experimentos
Donde:
X’me–1 = límite inferior de la clase mediana
Cme = tamaño del intervalo de la clase mediana
Fme–1 = frecuencia absoluta acumulada anterior a la clase mediana
fme = frecuencia absoluta de la clase mediana
Clase mediana
Es aquél intervalo que contiene al valor que ocupa la posición media, es decir,
contiene a la mediana.
Donde se cumple:
Ejemplo:
Calcule la mediana.
Solución
n
Como n=30 entonces: = 15 ⇒ 13 < 15 < 22
2
por lo tanto el intervalo que contiene a la posición 15 es el cuarto, es la clase me-
diana, y además:
' n
xme
= −1 160 =cme 8= 15 Fme −1 13
= = f me 9
2
Reemplazando en la fórmula de la mediana:
15 − 13
me =
160 + 8 =161, 7778°C
9
23
Cecilia Ríos Varillas
‾ = 161,333°C
X
2.4.1.3 Moda
Entonces:
- Si la distribución de frecuencias tiene un sólo valor que más se repite:
UNIMODAL.
- Si la distribución presenta dos o más valores que se repitan: POLIMODAL.
- Si no hay algún valor que se repita con más frecuencia: DISTRIBUCIÓN
UNIFORME.
Cálculo de la moda
Es fácil de calcular, bastará con observar cual es el dato que más se repite.
Ejemplo:
(i): 4 5 6 7 4 5 4 6 5 5 4 5 5
Mo = 5 UNIMODAL (es el valor que más se repite)
(ii) 7 7 6 8 8 6 8 7 7 9 12 11 10 8
Mo=7 Mo=8 BIMODAL (son dos valores que se repiten con más frecuencia)
' d1
mo xmo
= −1 + cmo
d1 + d 2
24
Estadística y diseño de experimentos
Donde:
’
X mo-1 : Límite inferior de la clase modal.
cmo : amplitud de la clase modal.
d1 : Diferencia entre la frecuencia absoluta de la clase modal menos la
frecuencia absoluta anterior.
d2 : Diferencia entre la frecuencia absoluta de la clase modal menos la siguiente.
'
xmo −1 = 160 cmo = 8 d1 = 9 − 7 = 2 d2 = 9 − 5 = 4
Reemplazamos en la fórmula
2
mo =
160 + 8 =162, 6667°C
2+4
Este es el valor de la moda para datos agrupados en tabla de frecuencias.
Finalmente, se observa que las tres medidas son muy cercanas y cualquiera de
ellas puede representar al conjunto de observaciones.
25
Cecilia Ríos Varillas
Media Geométrica
Mg = n x1 x2 .... xn
Media armónica
Esta medida representa la inversa del promedio de las inversas de cada dato
recopilado.
1 n
Mh
= =n
1 n
1
∑
=i 1 =xi
∑
i 1 xi
n
Su cálculo no tiene sentido cuando algún valor de la variable toma valor cero.
En esta sección se presenta las medidas de dispersión, estas medidas son núme-
ros que miden o cuantifican la variabilidad de las observaciones con respecto a
un estadígrafo de tendencia central (generalmente la media aritmética).
26
Estadística y diseño de experimentos
Cálculo de la varianza
∑(x )
2
i -x
S 2 ( x) = i =1
n -1
Desarrollando esta sumatoria, se obtiene una forma más simple para calcular la
varianza:
( )
n n n n
2
∑ xi2 - 2 x xi + x ∑ xi2 - 2 x ∑ xi + ∑ x 2
=S 2 (=
x) =
i 1 =i 1 =i 1 =i 1
n -1 n -1
n n
n n ∑x i
2
i ∑ x - 2 x n ∑ xi + n x 2 ∑x - 2xn 2
i
i =1
n
+ nx2
=i 1 =i 1
= i =1
n -1 n -1
n n
2
∑ xi2 - 2 x n x + n x ∑ xi2 - 2 n x 2 + n x 2
= =
=i 1 =i 1
n -1 n -1
2
∑ xi2 - n x 2
S ( x) = i =1
n - 1
27
Cecilia Ríos Varillas
∑(x )
2
i -x fi
S 2 ( x) = i =1
n -1
∑x 2
i fi - n x 2
S 2 ( x) = i =1
n -1
Donde:
Xi= marca de clase
fi = frecuencia absoluta
Propiedades de la varianza
Propiedad 1
2
El valor de la varianza es un valor no negativo: S (x) ≥ 0
Propiedad 2
Si todos los datos son iguales, no hay dispersión. Esto es si cada xi = k (constante):
2
S (k) = 0
Demostración
n n
∑(k - k )
2
∑(k - k )
2
S 2 (k )
=
=
= i=
i 1= 1
0
n -1 n -1
Propiedad 3
Demostración:
∑ ( ( xi + k ) )) ( ))
n n
( (
2 2
2
- x+k ∑ ( xi + k ) - x + k
=
=
S (x + k) =
i 1 =i 1
=
n -1 n -1
28
Estadística y diseño de experimentos
n n
∑(x ) ∑(x )
2 2
i + k - x - k - x i
=
=i 1 =i 1
= = S 2 ( x)
n - 1 n - 1
Propiedad 4
Demostración:
∑ ( ( x k ) - ( xk ) ) ∑ ( ( x k ) - ( xk ) )
n 2 n 2
i i
2
=
=
S ( xk )
i 1 =i 1
= =
n -1 n -1
n n
∑k (x ) ∑(x )
2 2
2
i -x -x i
2 i 1
=
=i 1 =
= k= k 2 S 2 ( x)
n - 1 n - 1
Propiedad 5
En general: S 2 (ax ± b=
y) a 2 S 2 ( x) + b 2 S 2 ( y )
Siendo a y b constantes, x e y variables independientes.
S ( x) = S 2 ( x)
29
Cecilia Ríos Varillas
El coeficiente de variación es lo que nos permite evitar estos problemas, pues elimi-
na la dimensionalidad de las variables y tiene en cuenta la proporción existente
entre la media X ‾ y la desviación estándar S(x).
S ( x)
C.V . = .100%
x
El C.V. como no tiene unidades se debe expresar en porcentaje y sirve como me-
dida de comparación con otras distribuciones de cualquier tipo de unidad, es
decir, el coeficiente de variación mide el grado de dispersión de los datos.
C.V. < 10% representa a una muestra que tiende a ser homogénea, los datos o
mediciones no son muy dispersos.
Ejemplo:
Se tiene dos muestras, con la siguiente información para cada una de ellas:
=n1 25 x 1
= 274.46 kg
= S1 8,58 kg
3
=n2 27 x 2
= 7,3 cm =S2 0, 75cm3
30
Estadística y diseño de experimentos
Solución
Primero hay que tener en cuenta que no se puede comparar las desviaciones es-
tándares de cada muestra, porque están expresadas en diferentes unidades, pero
sí podemos compararlas con sus respectivos C.V.
S1 8,58
=CV1 = .100% = .100% 3,126%
x1 274.46
S2 0, 75
=CV2 = .100% = .100% 10, 274%
x2 7,3
Procedimiento:
Los datos se pueden ingresar por variable (en columnas). Se debe ingresar el
nombre de la columna. Cuando los datos son del tipo alfanumérico (variable
cualitativa), el Minitab automáticamente a la columna le añade el sufijo –T.
La versión del Minitab que se usó para este texto usa la coma como separador
decimal, ya que algunas versiones del Minitab usan el punto como separador
decimal.
Guardar los datos como un proyecto: del menú la opción File / Save Proyect As
31
Cecilia Ríos Varillas
Seleccione la variable Cualitativa “Tipos de tela” luego elija las opciones Counts
y Percents, luego OK y se obtiene el siguiente cuadro, para la variable cualitativa
“Tipos de tela” (Tabla de Frecuencias):
Para realizar los gráficos de la variable cualitativa, se elige Graph/Bar Chart, luego
la opción “simple” y OK. En la ventana que aparece, se selecciona la variable
“Tipos de tela”, luego se presiona el botón “Chart Options” y por “Default“la grá-
fica se presenta como se muestra en la figura (si se elije las opciones “Decreasing
Y”y “Show Y as Percent”, las barras aparecen ordenadas de mayor a menor y en
porcentaje). Presione OK. Luego presionamos el botón “Labels” e ingrese el título
del trabajo: TIPOS DE TELA, al momento seleccione “Data Labels” y elija “Use y-
value labels”. En “Data View” marcar la opción Bars Presione OK y otra vez OK,
se muestra la siguiente figura:
32
Estadística y diseño de experimentos
Para el gráfico por Sectores Circulares, ejecute los siguientes comandos: Graph/
Pie Char. Seleccione la variable “Tipos de tela”. Elija Pie Options/Decreasing vo-
lumen OK. Elija Labels (coloque título)/Slice labels/Percent OK. El Gráfico es el
siguiente:
33
Cecilia Ríos Varillas
Número de
Count CumCnt Percent CumPct
Imperfecciones
0 8 8 26,67 26,67
1 8 16 26,67 53,33
2 4 20 13,33 66,67
3 3 23 10,00 76,67
4 6 29 20,00 96,67
5 1 30 3,33 100,00
N=30
Para graficar esta variable discreta, se ejecuta los siguientes comandos: Graph/
Bar Chart, elija la opción “simple”, OK, luego se selecciona la variable “Número
de Imperfecciones”. Presione el botón “Chart Options” y elija la opción “Show
Y as Percent” (debe estar activada la opción “Default”). Presione OK, luego pre-
sione el botón “Labels” e ingrese el título del trabajo Número de Imperfecciones,
al momento seleccione “Data Labels” y elija “Use y-value labels”. Presione OK.
Seguidamente, presione el botón “Data View” y elija la opción “Project lines”
(desactivar la opción “Bars” si se encuentra activa). Presionar OK y la gráfica es
la siguiente figura:
34
Estadística y diseño de experimentos
Para modificar el Histograma, hacemos clic dos veces dentro del histograma, en la
ventana que aparece escoja en la ficha Binning, las opciones “cutpoint”,”Midpoint
/cutpoint positions”, seguidamente se ingresa el valor mínimo (136), dos puntos,
valor máximo (183), diagonal y finalmente la amplitud 8, como aparece en la
siguiente ventana:
35
Cecilia Ríos Varillas
Estadísticos:
N for
Variable Range Mode Mode
N°de Imperfecciones 5.000 0, 1 8
Punto de ebullición 47.00 148, 157, 160, 162 2
The data contain at least five mode values. Only the smallest four are shown.
36
Estadística y diseño de experimentos
415 460 510 475 430 410 425 490 500 470
450 425 485 470 450 455 460 480 475 465
Sin agrupar los datos en tabla de frecuencias, calcule: media aritmética, mediana,
moda y el coeficiente de variación C.V. interprete.
Solución
n
∑X i
415 + 460 + 510 + ..... + 465 9200
X
= i =1
= = = 460 ° F
n 20 20
410 415 425 425 430 450 450 455 460 460
465 470 470 475 475 480 485 490 500 510
460 + 465
me
= = 462,5 ° F
2
mo1= 425 mo2= 450 mo3= 460 mo4= 470 mo5= 475 (todas se repiten dos veces)
27,9096286
=C.V . = 100% 6, 07 %
460
37
Cecilia Ríos Varillas
Ejercicio 2
∑x
i =1
i = 264 (suma de marcas de clase) mediana=43, 625 cm3
4
F=
2 10 f=
4 7 F=
4 25 h=
3 f=
6 f=
1 n -30
17
Calcular la media aritmética, moda, determine e interprete el coeficiente de va-
riación (C.V.)
Solución
Intervalo Xi fi Fi hi Hi
X1
X1 + c 10
X1 + 2c 4/17
X1 + 3c 7 25
X1 + 4c
X1 + 5c
Se observa que:
F3 F4=
= - f 4 25
= - 7 18
=f 3 F=
3 - F2 18=
-10 8
f3 4 8
h3 = ⇒ = ⇒ n =34
n 17 n
entonces f=
6 f=
1 34 -30= 4
38
Estadística y diseño de experimentos
Intervalo Xi fi Fi h i% Hi%
X1 4 4 11,8 11,8
X1 + c 6 10 17,6 29,4
X1 + 2c 8 18 23,5 52,9
X1 + 3c 7 25 20,6 73,5
X1 + 4c 5 30 14,7 88,2
X1 + 5c 4 34 11,8 100
n
Como: = 17 ⇒ 10 < 17 < 18
2
' c 3
xme x1 + 2c -
-1 = x1 + c (Límite inferior de la clase mediana)
=
2 2
3 17 -10
me =x1 + c + c =43, 625
2 8
19
x1 + = c 43, 625 ⇒ 8 x1 + 19
= c 349.......(1)
8
Del dato:
m
∑x
i =1
i = 264 ⇒ 6 x1 + 15c = 264 ........(2)
39
Cecilia Ríos Varillas
Luego:
6
X¯ = 43,8235 cm3
d1 = 8 - 6 = 2 d2 = 8 - 7 = 1
2
mo =+
41 3 =43 ⇒ 43 cm3
mo =
2 +1
Ahora calculamos la desviación estándar:
∑x 2
f - n x2
i i
66002,5 - 34(43,8235) 2
=S ( x) =
i =1
= 4, 6238 cm3
n -1 33
S ( x) 4, 6238
C.V .= 100%= 100%= 10,55% ⇒ C.V .= 10,55%
x 43,8235
40
Estadística y diseño de experimentos
Ejercicio 3
1,5 1,5 1,4 1,1 1,7 1,8 1,6 1,5 1,6 2,2 1,7 1,4 1,9 1,9 1,5 1,4 1,9 2,1
1,8 2,0 1,7 1,2 1,5 2,2 2,1 2,0 1,8 1,7 1,3 1,9 1,4 1,7 1,5 1,2
Solución
1,1
c
= = 0,183 ≈ 0, 2
6
Intervalos Xi fi Fi h i% H i%
1,1 – 1,3 1,2 3 3 8,8 8,8
1,3 – 1,5 1,4 5 8 14,7 23,5
1,5 – 1,7 1,6 8 16 23,5 47
1,7 – 1,9 1,8 8 24 23,5 70,5
1,9 – 2,1 2,0 6 30 17,7 88,2
2,1 - 2,3 2,2 4 34 11,8 100
41
Cecilia Ríos Varillas
17 − 16
me =
1, 7 + 0, 2 =1, 725 g por m3
8
m
2
∑x
f - nX 2 2
i i
103,88 - 34(1, 7235) 2
=S ( x) i=
=1
= 0, 087412833
n -1 33
=S ( x) =
0, 087412833 0, 2956566
S ( x) 0, 2956566
=C.V . = 100% = 100% 17,15%
X 1, 7235
Ejercicio 4
Solución
f1 = f5 = 4 f2 = f4 = 6
Intervalos Xi fi Fi hi% H i%
61-3c 4 4
61-2c 6 10
61-c 10 20
61 6 26
61+c 4 30
42
Estadística y diseño de experimentos
Intervalos Xi fi Fi hi% H i%
40 - 46 43 4 4 13,3 13,3
46 – 52 49 6 10 20,0 33,3
52 – 58 55 10 20 33,3 66,7
58 – 64 61 6 26 20,0 86,7
64 – 70 67 4 30 13,3 100
∑x 2
f - nX 2
i i
92334 − 30(55) 2
=S 2 ( x) =
i =1
= 54, 62068966
n -1 29
⇒ S ( x)
= = 7,39058 cm3
54, 62068966
S ( x) 7,39058
=C.V . = 100% = 100% 13, 44%
X 55
Este valor indica que los datos son regularmente heterogéneos, la dispersión es
moderada.
43
Cecilia Ríos Varillas
Ejercicio 5
‾ = 21 X = n
H1% = 10% f3 = 6f6 X 3 2
Solución
Intervalo Xi fi Fi hi% H i%
a
10%
n/2 6b 24
25%
a
b
F3 F3 24
como : H 3 = ⇒ n= = = 40
n H 3 0, 60
44
Estadística y diseño de experimentos
Intervalo Xi fi Fi h i% H i%
20-2c 4 4 10% 10%
20-c 8 12 20% 30%
20 12 24 30% 60%
20+c 10 34 25% 85%
20+2c 4 38 10% 95%
20+3c 2 40 5% 100%
Intervalos Xi fi Fi h i% Hi%
7,5 - 12,5 10 4 4 10% 10%
12,5 – 17,5 15 8 12 20% 30%
17,5 -22,5 20 12 24 30% 60%
22,5 – 27,5 25 10 34 25% 85%
27,5 – 32,5 30 4 38 10% 95%
32,5 – 37,5 35 2 40 5% 100%
20 − 12
me =
17,5 + 5 =20,8333
12
Ejercicio 6
45
Cecilia Ríos Varillas
Se pide,
a. Las frecuencias a, b y c.
b. El valor de la mediana.
Solución
2
30 30
S
= S2
58 ⇒= 58
7 7
∑x 2
f − n( X ) 2 30
2
∑x 2
f − 50(76) 2
=S2
i i
49
⇒ =
7
58
i i
49
∑ xi2 fi 341000
⇒=
Resistencia Xi fi
20 - 40 30 a
40 - 60 50 8
60 - 80 70 b
80 - 100 90 17
100 - 120 110 c
120 - 140 130 6
∑ x=
f 2
i i 341000 ⇒ 302 a + 702 b + 110=
2
c 81900 ⇒ 9a + 49b + 121
=c 819
x=
∑x i fi
= 76 ⇒ ∑x fi = 3800 ⇒ 3a + 7b + 11c = 109
i
50
46
Estadística y diseño de experimentos
∑=
f i 50 ⇒ a + b +=
c 19
9a + 49b + 121c =
819 (1)
a+b+c =
19 (2)
3a + 7b + 11c =
109 (3)
⇒ a = 10 b= 5 c= 4
25 − 23
me =
80 + 20 =82,3529 onzas
17
Ejercicio 7
Una fábrica de productos químicos paga en promedio 700 soles de salario sema-
nal a los trabajadores y la desviación estándar de los salarios es de 54 soles, el
sindicato pide un aumento para cada trabajador del 15% de su salario más una
bonificación por riesgo de planta de 25 soles por semana.
Solución
Sean
x = salario inicial de cada trabajador
y = salario de cada trabajador con el aumento
‾ = 700 S(X) = 54
Datos: X
Yi = xi + 0,15x + 25 = 1,15xi + 25
‾ = 1,15X
Y ‾ + 25 = 1,15(700) + 25 = 830 soles
47
Cecilia Ríos Varillas
Calculando el C.V. :
54
C.V .( x) = ×100% =7, 71%
700
62,1
C.V .( y ) = ×100% =7, 48%
830
Ejercicio 1
Los siguientes datos representan el peso (g) de 34 madejas de lana de las mismas
dimensiones:
6,23 6,78 6,32 6,34 6,17 6,32 6,54 6,70 6,78 6,43 6,89 6,54 6,78 6,54 6,54
6,78 6,54 6,32 6,73 6,58 6,54 6,76 6,50 6,43 6,32 6,54 6,21 6,45 6,65 6,64
6,63 6,43 6,54 6,69.
Ejercicio 2
3,85 3,88 3,90 3,62 3,72 3,80 3,85 3,36 4,02 3,83
3,80 3,85 3,36 4,01 3,85 3,88 3,90 3,90 3,62 3,72
3,62 3,72 3,80 3,85 3,72 3,80 3,85 3,36 4,01 3,85
48
Estadística y diseño de experimentos
Ejercicio 3
En una determinada prueba se obtuvieron los siguientes datos acerca de los pesos
(en gramos) de n productos elaborados por una fábrica. Los datos se agruparon en
una tabla de frecuencias con 7 intervalos de igual amplitud y se obtuvo un peso pro-
medio de 170 gramos, se sabe que el menor peso recopilado es de 100 gramos y que:
Límite superior del 5to intervalo = 200, complete la tabla de frecuencias y calcule
la mediana, la moda y el coeficiente de variación.
Ejercicio 4
L6 = 50 (límite superior del 6to. intervalo); h3= 0,2; H4= 0,65; H6=0,95; se pide:
Ejercicio 5
a. Sin agrupar los datos calcule la media, mediana, moda y C.V. Interprete
b. Si cada dato disminuye un 18% y luego aumenta en 0,5 ug/m3 ¿Cuál es la nueva
media y el nuevo C.V.?
Ejercicio 6
H2 2
h5 = 0,26 y =
H3 5
49
Cecilia Ríos Varillas
Ejercicio 7
Los gastos (en dólares) correspondientes al mes de junio del 2005 de un grupo
de personas profesionales, las cuales fueron seleccionadas al azar en la ciudad
de Lima se distribuyó en una tabla de frecuencias con 6 intervalos de clase con
amplitud constante igual a 80 dólares; si se conocen los siguientes datos:
6
H3% = 49% ΣXi = 4800 (suma de marcas de clase)
i=1
Ejercicio 8
Ejercicio 9
∑
= h%
j =4
j 52,5%
= F2 28 =F3 38
= f1 f6
h2=
% + h4 % 38, 75 %
= h5 % 21, 25 %
50
Estadística y diseño de experimentos
CAPÍTULO 3
Probabilidades
51
Cecilia Ríos Varillas
Ω1 = {1, 2, 3, 4, 5, 6}
Ω2 = {Defectuoso, no defectuoso}
Ω3 = { x ∈ R / x > 10}
Entonces Ω1 , Ω2 son espacios muestrales finitos y Ω3 es un espacio muestral in-
finito.
a. Evento Elemental; formado por cada resultado individual del espacio muestral.
A = {2}
b. Evento imposible (φ); aquel evento que no tiene resultados que pertenezca al
espacio muestral, es el evento que nunca ocurre.
Ejemplo:
A: resultado siete al lanzar un dado normal A = { } = φ
c. Evento seguro; aquel evento formado por todos los resultados del espacio
muestral, entonces el evento seguro es el mismo espacio muestral Ω.
d. Evento Contrario (A’); aquel evento formado por todos los resultados que no
están en A, el evento A’ ocurre cuando el evento A no ocurre.
Se cumple que: A ∪ A' = Ω
e. Eventos mutuamente excluyentes (m.e).
Dos eventos A y B; definidos en Ω, son m.e. si A ∩ B = φ
(No ocurren simultáneamente)
Las operaciones o álgebra de eventos son las mismas que las operaciones entre
los conjuntos y cumplen todas las propiedades de los conjuntos.
52
Estadística y diseño de experimentos
Ocurrencias de eventos:
A
i =1
i ocurre, si ocurre al menos un Ai
A
i =1
i ocurre, si ocurre todos los eventos Ai
A’ ocurre, si A no ocurre.
Solución
Ω = {dd, dd’d, dd’d’d, dd’d’d’, d’dd, d’dd’d, d’dd’d’, d’d’dd, d’d’dd’, d’d’d’d, d’d’d’d’}
Solución
Ω = {x ∈ R / 15 ≤ x ≤ 50}
53
Cecilia Ríos Varillas
Solución
a. (A ∪ B ∪ C ∪ D)
b. (A ∩ B ∩ C ∩ D)
d. (A ∩ B' ∩ C' ∩ D') ∪ (A' ∩ B ∩ C' ∩ D') ∪ (A' ∩ B' ∩ C ∩ D') ∪ (A' ∩ B' ∩ C' ∩ D)
Ejemplo:
Solución
15 + 20 + 10 = 45 opciones
54
Estadística y diseño de experimentos
Ejemplo:
Solución
3.2.3 Permutación
Son arreglos lineales de los elementos de un conjunto teniendo en cuenta el orden
que ocupa en cada arreglo, es decir, interesa el orden.
Tenemos:
P nn = n !
Ejemplo:
Respuesta: P55
= 5!
= 120 maneras.
n!
P nr =
( n - r )!
55
Cecilia Ríos Varillas
Ejemplo:
¿Cuántos números (todos distintos) de tres cifras se pueden formar con los dígi-
tos 5; 3; 4; 6; 9?
5 5! 120
P3
Respuesta: = = = 60 números de tres cifras
( 5 - 3) ! 2
Permutación de n elementos (no todos distintos) tomados todos a la vez (de n en n)
n!
P nn1 ,n2 ,.....nr =
donde n1 + n2 + ... nr = n
n1 !n2 !....nr !
Ejemplo:
¿Cuántas palabras diferentes se pueden formar con todas las letras de la palabra
LABORATORIO?
Solución
11!
P 11
= 1, 2, 1,3,2, 1, 1 = 1 663 200
1!2!1!3!2!1!1!
Pcir, n = (n -1)!
Esta fórmula se obtiene cuando se fija uno de los n objetos en el arreglo circular,
los restantes (n – 1) se consideran como una permutación lineal, la cual se realiza
de (n - 1)!
Ejemplo:
56
Estadística y diseño de experimentos
Solución
(10 – 1)! = 9! = 362 880 formas de sentarse alrededor de la mesa circular los 10
estudiantes.
3.2.5 Combinación
Son arreglos lineales de los elementos de un conjunto sin considerar el orden en
cada arreglo, es decir, no interesa el orden. Tenemos:
n!
C nr =
r !( n - r ) !
Ejemplo:
Solución
11
n(=
A) C=
8 165
57
Cecilia Ríos Varillas
Solución
C 83 C 42 5 ! = 40 320 palabras
Ejercicio 2
Solución
5 x 4 x 3 x 2 = 120 (ni 4 ni 5)
58
Estadística y diseño de experimentos
Ejercicio 3
Solución
El primer análisis puede ser realizado por cualquiera de los 8 alumnos, el segun-
do análisis puede ser realizado por cualquiera de los 7 alumnos que quedan, el
tercer análisis por cualquiera de 6 alumnos restantes, el cuarto análisis por cual-
quiera de los 5 que quedan y el último análisis por cualquiera de los 4 alumnos
restantes, por lo tanto el número de formas que se pueden asignar a los 8 alum-
nos los 5 análisis es:
8! 8! 8 × 7 × 6 × 5 × 4 × 3 !
P58 = = = = 8 × 7 × 6 × 5 × 4 = 6720
(8 − 5)! 3! 3!
3.3 PROBABILIDAD
Podemos definir probabilidad, como la teoría relacionada con posibles resulta-
dos de experimentos, es decir, la cuantificación de una incertidumbre basada en
la experimentación. Para poder cuantificar numéricamente el valor de la proba-
bilidad de un evento se deberá enumerar cada resultado posible del evento dado
y establecer las frecuencias relativas de estos resultados.
Es decir:
59
Cecilia Ríos Varillas
n( A)
P ( A) =
n (Ω)
Aunque es fácil asignar frecuencias relativas esperadas a cada uno de los resulta-
dos posibles en un juego de azar, no es igualmente fácil hacerlo en la mayoría de
los experimentos de la vida real. En casos reales, la frecuencia relativa esperada
se asigna con base en resultados de experimentos empíricos. Así, podemos no
conocer la proporción exacta de alimentos contaminados en una feria, pero po-
demos estudiar una muestra al azar tomada entre todos los alimentos y estimar
la proporción del total que está contaminada de acuerdo con los resultados de
la muestra. Una vez que hayamos llegado a una estimación podemos emplear la
teoría clásica de probabilidad.
1) P(A) ≥ 0
2) P(Ω) = 1
∞ ∞
3) P Ai=
i =1
∑ P( A )
i =1
i ∀Ai ⊂ Ω, Ai ∩ A=
j φ ∀i ≠ j
P(φ) = 0
60
Estadística y diseño de experimentos
Demostración
n(φ ) 0
(φ )
P= = = 0
n (Ω ) n (Ω )
Propiedad 2
P(A') = 1- P(A)
Demostración
luego:
1 = P(A') + P(A)
Despejando:
P(A') = 1 – P(A)
Propiedad 3
Ejemplo:
Solución
61
Cecilia Ríos Varillas
Entonces:
Se calcula:
P ( A ∩ B)
P ( A / B) =
P( B)
62
Estadística y diseño de experimentos
n ( A ∩ B) n ( A ∩ B)
P ( A ∩ B) n (Ω) n (Ω)
P ( A / B) = =
=
P( B) n( B ) n( B )
n (Ω) n (Ω)
n ( A ∩ B)
P ( A / B) =
n( B )
Propiedad 1
0 ≤ P(A/B) ≤ 1
Esto es:
Demostración:
P ( A ∩ B)
Por definición P ( A / B) =
P( B)
P (φ ) 0
como: A ∩ B = φ ⇒ P ( A / B) = = = 0
P( B) P( B)
P ( A ∩ B)
Por definición P ( A / B) =
P( B)
P( B)
Si B ⊂ A ⇒ P ( A / B )= = 1
P( B)
63
Cecilia Ríos Varillas
Propiedad 2
P(A/B) ≠ P(B/A)
Propiedad 3
P (A/ Ω) = P(A)
Propiedad 4
P(Ω/B) = 1
Propiedad 5
Propiedad 6
P(A/B) + P(A'/B) = 1
a. ¿Cuál es la probabilidad de que sea tubo de prueba si se observa que está fallado?
b. Si no está fallado ¿Cuál es la probabilidad de que sea pipeta?
c. ¿Cuál es la probabilidad de que no sea probeta dado que no está fallado?
d. Si es tubo de prueba ¿Cuál es la probabilidad de que este fallado?
e. ¿Cuál es la probabilidad de que no sea probeta ni esté fallado?
Solución
Además
T R I
F 2 6 4 12
F’ 3 4 1 8
5 10 5 20
64
Estadística y diseño de experimentos
n (T ∩ F ) 2 1
a) P (T / =
F) = =
n (F ) 12 6
n(I ∩ F ' ) 1
b) P(I / F ' )
= =
n (F ' ) 8
n(R ∩ F ' ) 4 1
c) P(R'/ F ' ) 1 - P(R / F '
= )=
1− = = 0,5
=
n ( F ') 8 2
n(F ∩T ) 2
d) P ( F / T=
) = = 0, 4
n (T ) 5
1 − [ P( R) + P( F ) − P( R ∩ F )]
=
10 12 6 16 1
1 + − =−
=− 1 == 0, 2
20 20 20 20 5
Muestreo con reposición (con sustitución). En este caso el objeto extraído se de-
vuelve o repone y el número total de objetos (o espacio muestral) no disminuye
extracción tras extracción).
65
Cecilia Ríos Varillas
k
=P Ai P ( A 1 ) P ( A2 / A 1 ) P ( A3 / A1 ∩ A2 )....P ( Ak / A1 ∩ A2 ..... ∩ Ak -1 )
i =1
Nota. Para calcular probabilidades conjuntas se puede usar el diagrama del ár-
bol, donde cada rama del árbol es una probabilidad condicional y la ramifica-
ción completa es la probabilidad conjunta, además es necesario saber cómo fue
el muestreo.
Ejemplo:
Se tiene una urna con 4 fichas blancas y 5 rojas, se realizan dos extracciones su-
cesivas. Calcular la probabilidad de que ambas fichas extraídas sean de diferente
color, si el muestreo:
a. Es con reposición
b. Es sin reposición
Solución
66
Estadística y diseño de experimentos
B2
B1
R2
B2
B1
R2
Ejemplo:
67
Cecilia Ríos Varillas
llegar su flujo al recipiente, para obtener una solución. Si las dos tuberías están
funcionando. ¿Cuál es la probabilidad de que en el recipiente tenga flujos sólo
de la tubería 1?
Solución
Estos eventos son independientes, ya que si llega flujo de una de las tuberías, eso
no implica que llegue o no llegue flujo de la otra tubería, entonces la probabilidad
de que llegue flujo sólo de la tubería 1 y no llegue flujo de la tubería 2 es:
b.
i =1
Bi =
Ω ⇒ ∑ P( B )
i =1
i =1
68
Estadística y diseño de experimentos
k
P( A) = ∑ P( B ) P( A /
i =1
i Bi )
Demostración
Luego:
∑ P( Bi ) P( A / Bi )
⇒ P( A) =
i =1
69
Cecilia Ríos Varillas
B1
Aʹ
B2
Aʹ
. .
. .
. .
Bk
Aʹ
Figura 3.3. Diagrama de Árbol
Solución
70
Estadística y diseño de experimentos
P( B j ) P( A / B j )
P( B j / A) = k
∑ P( B ) P( A
i =1
i / Bi )
Demostración
P( B j ∩ A )
P( B j / A) =
P( A)
k
La ecuación de la probabilidad total es: P( A) = ∑ P( Bi ) P( A / Bi )
i =1
reemplazando
71
Cecilia Ríos Varillas
P( B j ) P( A / B j )
P( B j / A) = k
∑ P( B ) P( A
i =1
i / Bi )
Solución
P(C2) P(D/C2)
P(C2/D) = =
P(D)
Ejercicio 1
Solución
72
Estadística y diseño de experimentos
Por lo tanto la probabilidad de que las pruebas hayan sido engañosas es de 0,35.
Ejercicio 2
∩
Calcule las siguientes probabilidades:
a. P (A - B)
b. Probabilidad de que ocurra al menos un evento
c. P [(B ∪ C) ∩ A]
Solución
A = {(1,1), (1,2), (2,1)} B = {(1,3), (2,2), (3,1)} C = {(1,2), (2,1), (1,3), (2,2), (3,1)}
3
a ) P ( A − B ) = P ( A ∩ B ') = P ( A) = = 0, 08333
36
6
b) P ( A ∪ B ∪ C ) = = 0,166666
36
2
c) P( B ∪ C ) ∩ A) = P(C ∩ A) = = 0, 055555
36
Ejercicio 3
2 6 5
Si P ( A ' ∩ B ) = , P ( A ∪ B ) =, P( B) =
7 7 7
Calcule P(Bʹ/A)
73
Cecilia Ríos Varillas
Solución
P(A) P(B)
1/7
P ( B ' ∩ A) 1/ 7 1
P( B ' /=
A) = =
P( A) 4/7 4
Ejercicio 4
En una urna hay 4 fichas rojas y 5 blancas, se toma al azar una muestra de 5 fichas
y se las deja en una mesa, luego se extrae una ficha más. Calcular la probabilidad
de que esta última ficha extraída sea blanca.
Solución
Según el experimento, primero se extraen cinco fichas del total y para que que-
den algunas blancas, de las cinco fichas blancas se deben extraer: 4, 3, 2, ó 1 y
luego se realiza la última extracción, cuya probabilidad de que esta última ficha
sea blanca es:
Ejercicio 5
En una caja hay 8 sustancias químicas, tres de ellas son de un proveedor A y las
otras 5 son de un proveedor B, se realizan tres extracciones sucesivas y sin repo-
sición del total de sustancias, entonces se pide calcular la probabilidad de que:
a) Las dos primeras sean del proveedor A y la última sustancia del proveedor B.
b) Las tres sustancias químicas seleccionadas provengan del mismo proveedor.
Solución
74
Estadística y diseño de experimentos
1/6 A3
2/7 A2
5/6 B3
A1
A3
3/8 B2
B3
A3
5/8 A2
B3
B1
A3
B
4/7 2
3/6 B3
3 2 5 5
=
=
8 7 6 56
3 2 1 5 4 3 1 10 11
= + = + =
8 7 6 8 7 6 56 56 56
75
Cecilia Ríos Varillas
Ejercicio 6
Solución
De los datos:
P(Ω)
P(A) P(B)
0,03
0,05 0,09
0,08 0,52
P(C)
a. P(A ∪ B ∪ C) = 0,48
b. P(A ∩ Bʹ ∩ Cʹ) + P(Aʹ ∩ B ∩ Cʹ) + P(Aʹ ∩ Bʹ ∩ C) = 0,05 + 0,11 + 0,08 = 0,24
c. P(Aʹ ∩ Bʹ ∩ Cʹ) = 0,52
d. P(A ∩ B ∩ Cʹ) + P(Aʹ ∩ B ∩ C) + P(A ∩ Bʹ ∩ C) + P(A ∩ B ∩ C)
= 0,07 + 0,09 + 0,05 + 0,03 = 0,24
76
Estadística y diseño de experimentos
Ejercicio 7
Solución
P(M ∩ X)
P(M/X) = =
P(X)
77
Cecilia Ríos Varillas
(1/3)(1/3)(1/2)(1/2) + (1/3)(1/3)(1/2)(1) 3
= =
(1/3)(1/2)(1/2)(1) + (1/3)(1/2)(1/2)(2/3) + (1/3) (1/3) (1/2)(1/2) + (1/3)(1/3)(1/2)(1) 8
Ejercicio 8
Solución
a. De los datos:
2
P
= ( A) 1 / 3 P
= ( B) 1 / 5 P ( A | B ) + P ( B=
| A)
3
P( A ∩ B) P( A ∩ B) 2 P( A ∩ B) P( A ∩ B) 2
+ =⇒ + =
P( B) P ( A) 3 1 1 3
5 3
2 1
5 P ( A ∩ B ) + 3P ( A ∩ B ) = ⇒ P ( A ∩ B ) =
3 12
P( A ∩ B ∩ C ) 0,04 0,04
P (C | A=
∩ B) = = =
P( A ∩ B) P ( A) P ( B ) P ( A) ⋅ 4 P( A)
0,04 1 4
= 2
=0, 25 ⇒ P ( A) = y P( B) =4 P ( A) =
4 P ( A) 5 5
1 4 1 4 4 21
P ( A ∪ B ) = + − =1 − = = 0,84
5 5 5 5 25 25
78
Estadística y diseño de experimentos
Ejercicio 9
Solución
1 1 1 7
P(A ∪ B) = P(A) + P(B) – P(A ∩ B) = + + =
2 3 4 12
Se pide:
P (A' ∩ B')
P(A' / B') = =
P(B')
7 5
P(A' ∩ B') = P(A ∪ B)' = 1 - P(A ∪ B) = 1 - =
12 12
1 2
P(B') = 1 - P(B) = 1 - =
3 3
Reemplazando:
(5 / 12) 5
P( A
= '/ B ') =
(2 / 3) 8
Ejercicio 10
Una urna A contiene 9 cartas numeradas del 1 al 9, y otra urna B contiene 5 cartas
numeradas del 1 al 5, se escoge una urna al azar y se saca una carta, si la carta
indica un número par, se saca otra carta de la misma urna; si la carta indica un
número impar se saca carta de la otra urna. Si ambas cartas indican números pa-
res. ¿Cuál es la probabilidad de que las 2 cartas procedan de la urna A?
79
Cecilia Ríos Varillas
3/8 PA
4/9 PA
5/8 IA
1/2 A
2/5 PB
5/9 IA
3/5 IB
1/4 PB
2/5 PB
3/4 IB
1/2 B
4/9 PA
3/5 IB
5/9 IA
Solución
1 4 3
P( N ∩ M ) 5
P( N / M )= = 2 9 8 = = 0, 625
P( M ) 1 4 3 1 2 1 8
+
2 9 8 2 5 4
Ejercicio 11
Solución
80
Estadística y diseño de experimentos
1 3 1
⋅ ⋅
P( N ∩ M ) 5 4= 3 1
P( N / M ) =
=
P( M ) 1 1 2 4 1 1 1 3 1 3
⋅ ⋅ + ⋅ ⋅ + ⋅ ⋅
5 4 3 5 4 3 5 4 3
Ejercicio 12
Solución
81
Cecilia Ríos Varillas
El artículo defectuoso, es mucho más probable que haya sido producido por la
Máquina 3.
Ejercicio 13
Una caja contiene 6 tubos de radio de los cuales tres son defectuosos. Se prueban
los tubos unos tras otro hasta que se descubren dos defectuosos. ¿Cuál es la pro-
babilidad de que se suspenda el proceso en la:
a. Segunda prueba,
b. En la tercera prueba?
Solución
82
Estadística y diseño de experimentos
2/5 D
D 2/4 D
3/6 3/5 B
2/4 D
D
3/5
3/6 B
3 2 1
× = = 0, 2
6 5 5
3 3 2 3 3 2 3
⋅ ⋅ + ⋅ ⋅ = = 0,3
6 5 4 6 5 4 10
En una habitación hay 10 personas que llevan insignias numeradas del 1 al 10. Se
eligen 3 personas al azar y se les solicita que abandonen la habitación ¿Cuál es la
probabilidad de que:
83
Cecilia Ríos Varillas
Ejercicio 2
Se tienen los dígitos {4; 9; 3; 4; 5; 6}, se seleccionan en forma aleatoria cinco dígi-
tos, si los dígitos no se pueden repetir:
Ejercicio 3
Una fundidora produce piezas de hierro fundido para uso en las transmisiones
automáticas de camiones. Son dos las dimensiones cruciales de dicha pieza, A y
B. Suponga que si la pieza cumple con la especificación de la dimensión A, existe
la probabilidad de 98% de que también cumpla la de la dimensión B. Además,
existe 95% de probabilidad de que se cumpla con la especificación de la dimen-
sión A y de 97% de que se haga con la dimensión B. Se selecciona aleatoriamente
e inspecciona una unidad de dicha pieza. ¿Cuál es la probabilidad de que se
cumpla con las especificaciones de ambas dimensiones?
Ejercicio 4
Ejercicio 5
84
Estadística y diseño de experimentos
Ejercicio 6
El 20% de los empleados de una empresa son ingenieros y otro 20% economistas.
El 75% de los ingenieros ocupan un puesto directivo y el 50% de los economistas
también, mientras que de los no ingenieros y no economistas solamente el 20%
ocupan un puesto directivo. Se selecciona al azar un empleado y es directivo ¿Cuál
es la probabilidad de que el empleado directivo elegido al azar sea ingeniero?
Ejercicio 7
Ejercicio 8
Ejercicio 9
Ejercicio 10
Se tiene dos urnas. La primera tiene dos fichas blancas y tres negras, y la segunda
tiene dos blancas y tres rojas. Se extrae al azar una ficha de la primera urna y se
pasa a la segunda urna, luego se extrae una ficha de la segunda urna y se pasa a
la primera, finalmente se extrae al azar dos fichas de la primera urna y resultan
ser blanca y negra. Determinar la probabilidad de que la primera urna no tenga
ninguna ficha roja.
85
Cecilia Ríos Varillas
Ejercicio 11
Se tiene dos urnas. La primera con tres bolas blancas y dos negras; la segunda dos
blancas y tres negras. Se lanza un dado y si sale 1 o 2 o 3 o 4 se extrae una bola de
la primera urna, si sale 5 ó 6, se extrae una bola de la segunda urna.
Ejercicio 12
Ejercicio 13
Se desea realizar un experimento con una sustancia química, donde dicha sustan-
cia puede estar compuesta por tres componentes A, B, y C. En el laboratorio hay
3 tubos de ensayo con el componente A, dos tubos con el componente B y cinco
tubos con el componente C. La probabilidad de que el componente A produzca
una reacción fuerte es de 1/3, que la produzca B es de 2/3 y que la produzca el
componente C es de 1/7. Se realiza el experimento y se produce la reacción fuerte.
¿Cuál es la probabilidad de que el componente que la produjo sea el C?
Ejercicio 14
Ejercicio 15
86
Estadística y diseño de experimentos
Ejercicio 16
Se toma una muestra de 100 productos de una caja elegida al azar. Si se encuen-
tra a lo sumo dos defectuosas, se acepta, la caja si se encuentra 3 o 4 defectuosos,
se elige una muestra de 80 productos. Si en total 180 productos elegidos hay 5 ó
más defectuosos, se rechaza la caja. Y en caso contrario se le acepta. Calcular la
probabilidad de que la caja elegida sea aceptada.
Ejercicio 17
87
Cecilia Ríos Varillas
88
Estadística y diseño de experimentos
CAPÍTULO 4
Variable aleatoria
4.1 DEFINICIÓN
La función que asigna números a cada uno de los elementos del espacio muestral
con una probabilidad definida se llama variable aleatoria. En ocasiones las va-
riables aleatorias están ya implícitas en los puntos muestrales, sobre todo en los
casos de variables cuantitativas donde los valores son numéricos. En el caso de
las variables cualitativas donde los resultados no se dan en términos numéricos,
entonces se les puede asignar números y tratarlos como cuantitativos, esta asig-
nación está sujeta a ciertas condiciones que se propone el investigador.
Ω R
Rx
s x
89
Cecilia Ríos Varillas
1) p ( x) ≥ 0 ∀x ∈ Rx
2) ∑ p ( x) = 1
x∈Rx
Ejemplo:
Se buscan todos los puntos muestrales que dan lugar a cada valor de la variable
y a ese valor se le asigna la probabilidad del suceso correspondiente, entonces se
tiene que:
111 1
p (-3) =P( X =−3) =P ({sss} ) = =
222 8
111 1
p (3)= P ( X= 3)= P ({ccc}=
) =
222 8
90
Estadística y diseño de experimentos
x -3 -1 1 3
p(x) 1/8 3/8 3/8 1/8
Observación
Obsérvese que X está definido sobre el espacio muestral, mientras que p(x) lo está
sobre el espacio de números reales R. Las propiedades de la función de proba-
bilidad de variable aleatoria se deducen de forma inmediata de los axiomas de
probabilidad:
p(x)
3/8
1/8
-3 -2 -1 1 2 3
Propiedad
91
Cecilia Ríos Varillas
1
F (−3) = P ( X ≤ −3) = p (−3) =
8
1 3 4
F ( −1) = P ( X ≤ −1) = p ( −3) + p ( −1) = + =
8 8 8
1 3 3 7
F (1) = P ( X ≤ 1) = p (−3) + p (−1) + p (1) = + + =
8 8 8 8
1 3 3 1 8
F (3) = P ( X ≤ 3) = p (−3) + p (−1) + p (1) + p (3) = + + + = = 1
8 8 8 8 8
0 si x < −3
1 / 8 si − 3 ≤ x < −1
=F ( x) 4 / 8 si -1 ≤ x < 1
7 / 8 si 1≤ x < 3
1
si x≥3
F(x)
1
7/8
1/8
-3 -1 1 3
Hay que observar que a valores no admisibles por la variable les pueden corres-
ponder valores de F no nulos. Por ejemplo:
92
Estadística y diseño de experimentos
=
3. F (+∞) lim
= F ( x) 1
x → +∞
P( x )
4.=
i F ( xi ) − F ( xi -1 )
5. P ( a < x≤b=
) P ( x ≤ b) - P ( x ≤ a=
) F (b) - F (a )
1) f ( x) ≥ 0 ∀x ∈ Rx
+∞
2) ∫ f ( x)dx 1=
= es decir : ∫ f ( x)dx 1
-∞ ∀x∈Rx
P ( a ≤ X ≤ b)
a b
Figura 4.2. Función de Densidad f
b
∫ f ( x)dx
P ( a ≤ X ≤ b) =
a
93
Cecilia Ríos Varillas
P(a ≤ X ≤ b) = P(a < X < b) = P(a < X ≤ b) = P(a ≤ X < b) = ∫ab f(x) dx
4.3.2 Función de distribución (acumulada) de la variable aleatoria
continua
Se denota F(x) y se define de modo que dado X R y f(x) es la función de pro-
∩
babilidad de la variable aleatoria continua X, F(x) es la probabilidad de que X sea
menor o igual que x, es decir:
x
F ( x) = P( X ≤ x) = P( X < x) = ∫
-∞
f (t ) dt
3. f(x) = F'(x)
P(a ≤ X ≤ b) = P(a < X < b) = P(a < X ≤ b) = P(a ≤ X < b) = ∫b f(x) dx = F(b) – F(a)
a
Ejemplo:
x 0 ≤ x <1
f ( x) = 2 − x 1 ≤ x ≤ 2
0 en otros casos
a. P(-1 ≤ X ≤ 1/2)
b. P(X < 3/2)
c. La función de distribución F(x)
94
Estadística y diseño de experimentos
Solución
f(x)
11
0
0 1 2 x
12 0 1/2
a. P(−1 ≤ X ≤ 1/
= 2) ∫
−1
f (=
x)dx ∫ (0)dx + ∫ ( x)dx
−1 0
1/2
x2 (1/ 2) 2 1
= = =
2 0 2 8
3/2
b.
P( X < 3 /=
2) ∫
−∞
f ( x)=
dx
0 1 3/2
= ∫ (0)dx + ∫ xdx +
−∞ 0
∫ (2 − x)dx=
1
7/8
c. Cálculo de F(x):
Si x < 0 => F(x) = 0
0 x
Si 0 ≤ x < 1 ⇒ F ( x=
) P( X ≤ x=
) ∫ (0)dt + ∫ (t )dt
−∞ 0
x
t2 x2
= =
20 2
95
Cecilia Ríos Varillas
0 1 x
Si 1 ≤ x ≤ 2 ⇒ F ( x=
) P( X ≤ x=
)
−∞
∫ (0)dt + ∫ ( x)dx + ∫ (2 − t )dx
0 1
1 x
x2 x t2
= + 2t 1 − =
2 0 21
1 x2 1
= + 2x − 2 − +
2 2 2
2
−x
= + 2x −1
2
0 1 2
Si x > 2 ⇒ F ( x)= P( X ≤ x)= ∫ (0)dt + ∫ ( x)dx + ∫ (2 − x)dx + 0 =
−∞ 0 1
1
Entonces:
0 x<0
2
x
0 ≤ x <1
2
F ( x) = 2
− x + 2x −1 1≤ x ≤ 2
2
1 x>2
Es una medida de localización, que indica el valor alrededor del cual fluctúa la
variable aleatoria X
E ( X ) = ∑ xi p ( xi )
∀i
96
Estadística y diseño de experimentos
E(X) = ∫+∞
-∞
x f(x)dx
E(X) = µx
Teorema
Sea X una variable aleatoria discreta o continua y h(x) es una función de la varia-
ble aleatoria. X, entonces el valor esperado de h(x) está dado por:
cambia.
Rx = {-3; -1; 1; 3}
x -3 -1 1 3
Calcular E(x).
97
Cecilia Ríos Varillas
Solución
E(x) = 0
Sea X una variable aleatoria continua, que representa el peso (Kg) de conservas
envasadas de frutas para exportación, cuya función de densidad es la siguiente:
3
x(2 − x) 0≤ x≤2
f ( x) = 4
0 en otros casos
Hallar E(x)
Solución
2
E(x) = ∫x. 3 x(2 – x)dx = 1
0 4
98
Estadística y diseño de experimentos
Propiedades de V(X)
Como la varianza está en unidades cuadradas sacamos su raíz cuadrada, que nos
da la desviación estándar, que es la que mejor indica la dispersión de los datos ya
que está en sus mismas unidades.
Rx = {-3; -1; 1; 3}
x -3 -1 1 3
Calcular V(x).
Solución
Calculamos:
Del ejemplo donde X: peso (Kg) de latas de conservas para exportación, cuya
función de densidad es la siguiente:
99
Cecilia Ríos Varillas
3
x(2 − x) 0≤ x≤2
f ( x) = 4
0 en otros casos
Solución
Reemplazando:
σx = √ 0,2 = 0,447214 Kg
En una urna hay dos bolas rojas, 3 azules, 4 verdes y 1 blanca. Cuando se extrae
una bola y es roja el jugador recibe $ 6,00, cuando es azul recibe $ 5,00, cuando es
verde el jugador paga $ 2,50 y cuando es blanca paga $ 15,00. ¿Cuál es la ganancia
esperada del jugador? (Si es que le conviene o no jugar en estas condiciones).
Solución
100
Estadística y diseño de experimentos
Ejercicio 2
En una urna hay tres fichas rojas y cinco blancas, en otra urna hay cuatro fichas
rojas y tres blancas; se toma una urna al azar y se saca una ficha, esta ficha se co-
loca en la otra urna, luego de esta última urna se saca una muestra de tres fichas.
a. La función de probabilidad de X
b. F(x), E(X) y P(1< X < 4)
Solución
5 3 4 4 4 5 3 6
1 3 0 3 1 5 0 3 1 4 0 3 1 3 0 3 14581
p (0) = ⋅ ⋅ + ⋅ ⋅ + ⋅ ⋅ + ⋅ ⋅ = = 0,1107036565
2 8 8 2 8 8 2 7 9 2 7 9 131712
3 3 3 3
101
Cecilia Ríos Varillas
x 0 1 2 3
{
0 ; x<0
0,110704 ; 0≤x<1
F(x) = 0,5457 ; 1≤x2
0,9280 ; 2≤x<3
1 ; x≥3
Ejercicio 3
Sea X una variable aleatoria que representa el peso (gramos) de ovillos de hilo,
cuya función de probabilidad es:
x −1
k 1< x ≤ 2
2 2 < x ≤ 2,5
f ( x) =
k
6 − 2 x 2,5 < x ≤ 3
0 caso contrario
102
Estadística y diseño de experimentos
a. Determine el valor de k
b. Calcular E(x) e interprete.
Solución
2 5/2 3
x −1 2
a. ∫ dx + ∫ dx + ∫ (6 − 2 x)dx =
1
k k
1 2 5/2
k=2
1
2 ( x − 1) 1 < x ≤ 2
f ( x) = 1 2 < x ≤ 2,5
6 − 2x 2,5 < x ≤ 3
0 caso contrario
b. E(x) = ∫xf(x)dx
2 5/2 3
1
E ( x)=
21∫ ( x 2 − x)dx + ∫ xdx + ∫ (6 x − 2 x 2 )dx
2 5/2
53
E ( x=
) = 2, 2083 g
24
Ejercicio 4
Se tienen dos cajas A y B. La caja A tiene en total 9 bolas de las cuales 3 son rojas
y las demás negras y verdes. En B hay 5 bolas: 3 verdes y 2 negras. Se propone el
siguiente juego: se saca una bola de A y se pone en B y luego se saca una bola de
B. Si de ésta última caja sale una roja se gana $ 60, si sale una verde se pierde $45
y si sale una negra se gana $20. Calcular la ganancia esperada, si se sabe que la
probabilidad de que salga una bola negra en la última caja es de 10/27.Determine
la función de probabilidad.
Solución
Sea x: Nro. de bolas negras en la caja A. 6-x: Nro. de bolas verdes en la caja A.
3 2 x 3 ( 6 - x ) 2 10
+ + = ⇒ x= 2
9 6 9 6 9 6 27
103
Cecilia Ríos Varillas
G 60 -45 20
3 31 20
P(x)
54 54 54
3 1 3
P(60) =
=
9 6 54
3 3 2 3 4 4 31
P(−=
45) + + =
9 6 9 6 9 6 54
3 2 2 3 4 2 20
P(20) = + + =
9 6 9 9 9 6 54
3 31 20 815
E (G ) =( 60 ) + ( -45 ) + ( 20 ) =-
54 54 54 54
E(G) ≈ -15,0926
En estas circunstancias y con las condiciones del juego, se espera obtener una
pérdida de aproximadamente $ 15,0926.
Ejercicio 5
Las máquinas tejedoras en una fábrica de elástico usan un rayo láser para detec-
tar los hilos rotos. Cuando se rompe un hilo, es necesario detener la máquina y el
técnico debe localizar y reparar el hilo roto. Suponer que la función de probabili-
dad de X: número de veces que se detiene cada día una máquina, está dada por:
x
1
=p ( x) k=
x 0;1; 2;3; 4
2
Solución
104
Estadística y diseño de experimentos
x 0 1 2 3 4
k k k k k
p(x)
2 4 8 16
x 0 1 2 3 4
16 8 4 2 1
p(x)
31 31 31 31 31
P (1 ≤ x ≤ 3) 14 31 14
(
P x ≥1 =
x≤3 ) P ( x ≤ 3)
=
30
= = 0, 46667
30
31
Sea T: Tiempo (minutos) que se emplea cada vez que se detiene la máquina
x 0 1 2 3 4
T 0 3,5 7 10,5 14
16 8 4 2 1
p(x)
31 31 31 31 31
16 8 4 2 1
E (T ) =( 0 ) + ( 3,5 ) + ( 7 ) + (10,5 ) + (14 ) = 2,93548
31
31
31
31
31
Ejercicio 6
x
, 0 < x≤6
f ( x) = 18
0 , en otros casos
105
Cecilia Ríos Varillas
Solución
6 6
x
b. E ( x)
= ∫=
x f ( x) dx ∫0 x 18 dx 4
=
0
6 6
x
∫ x= ∫ x 18 dx
2 2 2
E(x )
= f ( x) dx = 18
0 0
V (U ) 8
C.V . (U )
= = 100% = 100% 15, 7135%
E (U ) 18
Ejercicio 7
f(x) = |x|e-x V x
2
R
∩
106
Estadística y diseño de experimentos
Solución
xe − x
2
− x2 x≥0
f ( x)
= xe
= − x2
− xe x<0
e− x
2
x<0
F ( x) = 2
1 − 1 e − x2 x≥0
2
1 1
F (2) = 1 − e −4 F (1) = 1 − e −1
2 2
1 −1 1 −4
F (2) − F (1) = e − e = 0,1747819
2 2
1 −1
1 − F (1) = e = 0,1839397
2
Por lo tanto, la probabilidad de que el error de medición sea menor que 2, sabien-
do que es mayor que 1 mm es de 0,950213, una probabilidad muy alta.
Ejercicio 8
107
Cecilia Ríos Varillas
0, x<0
2
x / 4, 0 ≤ x <1
F ( x) = 1/ 4 + ( x − 1) / 2, 1≤ x < 2
1 − [(3 − x) 2 / 4], 2≤ x<3
1, x≥3
Solución
Se sabe que f(x) = F’(x) entonces, derivando F(x) se encuentra la función de pro-
babilidad:
1
2 x 0 ≤ x <1
1 1≤ x < 2
f ( x) = 2
1
(3 − x ) 2≤ x<3
2
0 en otros casos
( 0, 75 )2
=(1 − [(3 − 2, 2) 2 / 4]) − =0,84 − 0,140625 =0, 699375
4
Ejercicio 9
4 xe −2 x x≥0
f ( x) =
0 en otros casos
108
Estadística y diseño de experimentos
Solución
∫ x f ( x) dx ∫=
x 4 xe −2 x dx ∫ x e dx
2 −2 x
E( X )
= = 4= 1
0 0 0
+∞ +∞ +∞
3
∫= ∫= 4 ∫ x 3e −2 x dx
2 2 2 −2 x
E( X )
= x f ( x) dx x 4 xe dx =
0 0 0
2
3 1
V ( X ) = s X2 = E ( X 2 ) − ( E ( X ) ) =
2
−1 =
2 2
1
P ( X ≤ 2s X2 =
) P X ≤ 2 = P ( X ≤ 1=
)
2
1 0 1
∫ f ( x) dx =
∫ 0 dx + ∫ 4 xe dx =
−2 x
=
−∞ −∞ 0
= 1 – 3e-2 = 0,593994
Una urna contiene 6 bolas numeradas de 1 a 6. Se extraen al azar dos bolas, una
después de otra con reposición. Sea X el menor de los dos números obtenidos.
Ejercicio 2
3 −5
10 x ( 100 − x ) 0 ≤ x ≤100
f ( x) = 5
0 en otros casos
109
Cecilia Ríos Varillas
Determine:
3
P x -µ x ≤ sX ; donde E ( x) =
µX V ( x) =
s X2
2
Ejercicio 3
0 si x ≤ −1
2
k ( x + 1) + x − 1 −1 < x ≤ 0
2
F ( x) = 2
k ( x + 1) − x + 1 0 < x ≤1
2
1 x >1
a. Calcule el valor de k.
b. Calcule la probabilidad de que el tren llegue entre medio minuto de adelanto
y un minuto de retraso.
c. Sabiendo que el tren ha llegado con retraso, calcule la probabilidad de que lo
haya hecho menos de 15 segundos después de lo previsto.
Ejercicio 4
0, x<0
2
x / 4, 0 ≤ x <1
F ( x) = 1/ 4 + ( x − 1) / 2, 1≤ x < 2
1 − [(3 − x) 2 / 4], 2≤ x<3
1, x≥3
a. Hallar f(x)
b. Calcular E(X) y P( 0,75 < X < 2,2)
110
Estadística y diseño de experimentos
Ejercicio 5
2 x si 0 ≤ x ≤ 1/ 2
=f ( x) k si 1/ 2 < x ≤ 2
0 en otros casos
a. El valor de k y F(X)
b. La duración esperada
c. Probabilidad de que un componente sea válido
Ejercicio 6
0 si x≤0
1
=F ( x) α x si 0 < x <
α
1
1 si x≥
α
Verifique que F(x) es una función de distribución. Además encuentre la función
1
de probabilidad f(x), y calcule la siguiente probabilidad: P0 ≤ x ≤
2α
Ejercicio 7
cx / 8 si 0 ≤ x ≤ 6
f ( x) =
0 en otro caso
111
Cecilia Ríos Varillas
Ejercicio 8
En cierta ciudad el consumo diario de agua (en millones de litros) es una variable
aleatoria cuya densidad de probabilidad está dada por:
x −x / 3
e , x>0
f ( x) = 9
0, x≤0
112
Estadística y diseño de experimentos
CAPÍTULO 5
Distribución de probabilidades
Se inicia este capítulo con el estudio de las distribuciones notables para cada clase
de variable aleatoria.
113
Cecilia Ríos Varillas
n
P (= ) p x q n− x
X x= xx = 0,0,1,
= 2, ... ; nn
1, 2,......;
x
Propiedades
2. ∑i =1
P(=
X x=
i) 1
3. E(X) = n p
4. V(X) = n q p
0,2
0,18
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
1 4 7 10 13 16 19
114
Estadística y diseño de experimentos
Ejemplo:
Solución
20
P (= ) (0, 05) x (0,95) n − x
X x= x 0,1, 2,......; 20
=
x
20 3 17
a. P ( =
X 3)= (0, 05) (0,95)= 0, 05958
3
20 20
1 − (0, 05)0 (0,95) 20 + (0, 05)1 (0,95)19
=
0 1
= 0,26416
c. E(X) = np = 20 ( 0,05) = 1
Se espera que un rollo de papel presente decoloración debido al agente químico.
115
Cecilia Ríos Varillas
X~Poisson (λ), se dice que X sigue una distribución de Poisson con parámetro λ,
si la función de densidad es como sigue:
e−λ λ x
P (=
X x=
) x 0,1, 2,......
=
x!
e−t λ ( λ t ) x
P (=
X x=
) x 0,1, 2,......
=
x!
116
Estadística y diseño de experimentos
Propiedades
1. P(X = x) ≥ 0 x = 0,1,2,....
∞
∑ P(X = x ) = 1
2. i
i= 1
3. E(X) = λ
4. V(X) = λ
Ejemplo:
Solución
e − 0.7 ( 0, 7 ) x
P (=
X x=
) x 0,1, 2,......
=
x!
e − 0.7 ( 0, 7 ) 2
a. P ( =
X 2)
= = 0,12166
2!
e − 3,5 ( 3,5 ) 10
P=
( X 10)
= = 0, 00229555
10!
P(X ≤ 4) = 0,986
117
Cecilia Ríos Varillas
Es decir:
n x n − x e − ( n p ) ( np ) x
P (= )
X x= lim pq ≈ λ = np
n →∞ x x!
p →0
Ejemplo:
Solución
X ~ B (500 ; 0,002)
X se distribuye como una Binomial, pero como n es muy grande y p muy peque-
ño, entonces se puede aproximar a Poisson con λ = np = (500) (0,002) = 1, es decir:
P(X ≤ 3) = 0,981
118
Estadística y diseño de experimentos
k N -k
P (= x n- x
)
X x= x 0;1;2;......, mín (n; k )
=
N
n
Propiedades
2. ∑ P(X = xi) = 1
i=1
( )
k
3. E(X) = n n
( )(
4. V(X) = n k 1 - k ) ( NN -- n1 )
n n
Ejemplo:
119
Cecilia Ríos Varillas
Solución
7 93
x 10 - x
P ( X ≤ 2) = = p (0) + p (1) + p (2)=
100
10
7 93 7 93 7 93
= 0 10 + 1 9 + 2 8 = 0,97924
100 100 100
10 10 10
1
si x ∈ [ a ; b ]
f ( x) = b - a
0 en caso contrario
X ~ U (a,b)
120
Estadística y diseño de experimentos
0 si x < a
x - a
=F ( x) si a ≤ x < b
b - a
1 si x ≥ b
(b + a )
b 2
1
E ( X ) ∫=
= 2
x dx 2
a
b-a 3
(b + a )
2 2 2
2 2 b + a (b + a )
V ( X ) = E( X ) − E (X ) = − =
3 2 12
a b
Figura 5.2. Distribución Uniforme
121
Cecilia Ríos Varillas
λ e − λ x si x ≥ 0
f ( x) =
0 en caso contrario
0 si x < 0
F ( x) = −λ x
1 − e si x ≥ 0
1
V (X ) =
λ2
122
Estadística y diseño de experimentos
Ejemplo:
El tiempo de vida de una bacteria (en horas) sigue una distribución exponencial
con media de 16 horas.
Solución
1
Sea X: tiempo de vida (en horas) de la bacteria X ~ Exp
λ
1 1
E ( X=
) 16
= ⇒ λ=
λ 16
1 −161 x
e si x ≥ 0
f ( x) = 16
0 en caso contrario
0 si x < 0
F ( x) = 1
− x
1 − e 16 si x ≥ 0
20
1 − 161 x −
20
a. P ( X ≤ 20 ) =∫0 16 e dx = F (20) =
1− e =16
0, 7135
P ( 5 ≤ X ≤ 25 ) F (25) − F (5)
(
b. P X=
≤ 25
X ≥5 ) = = 0, 713495
P ( X ≥ 5) 1 − F (5)
123
Cecilia Ríos Varillas
Se dice que una variable aleatoria continua X sigue una distribución normal de
parámetros µx y σ2x , y se denota como X ~ N(µx; σx2) si su función de probabilidad
o densidad es la siguiente:
2
1 x−µx
1 −
2 s x
=f ( x) e x∈R
2π s x
µx : media poblacional
σx2 : varianza poblacional
f(x)
a. Forma acampanada.
b. Asintótica respecto al eje X.
c. Es unimodal ya que solo tiene un valor máximo en el que coincide la media,
mediana y la moda.
124
Estadística y diseño de experimentos
Observación
2.25% 2.25%
16% 16%
µ −s µ µ +s µ − 2s µ µ + 2s
99.7%
µ − 3s µ µ + 3s
125
Cecilia Ríos Varillas
2
b b 1 x−µx
1 −
P (a ≤=
x ≤ b) ∫ f=
( x) dx ∫
2 s x
e dx
a a 2π s x
Debido a que estos cálculos son algo complicados, entonces se puede realizar una
transformación para estandarizar la variable normal.
Sea X una variable aleatoria continua que se distribuye normalmente X ~ N(µx; σx2),
esta variable se puede transformar en otra variable normal con media 0 y varianza
1, la cual se le conoce como Distribución Normal Estándar y se representa por Z.
X - µx
=Z ∼ N ( 0 , 1)
sx
Existen tablas estadísticas que da el área debajo de la curva normal estándar (pro-
babilidad acumulativa). Ver Anexo 2, donde F(Z) = P(Z ≤ z)
126
Estadística y diseño de experimentos
P(X ≤ 16) = P( x σ– µ
x
x
>
16 – 15
2 )= P(Z ≤ –0,5) = F(0,5) = 0,69146
(
x–µ
P(X > 14,5) = P σ x >
14,5 – 15
2 )
= P(Z > –0,25) = P(Z < 0,25) = F(0,25) = 0,59871
x
Nota: Los valores negativos por simetría.
Solución
Como X ~ N(µx; σx2) es decir X ~ N(491; 25), entonces se debe estandarizar para
calcular la probabilidad pedida P(480 < X < 500):
Nota. Las probabilidades acumuladas se han calculado con las tablas estadísticas
de la normal estándar.
{
n > 30
X ~ B(n,p) donde => X = N (np; npq)
np ≥ 5
127
Cecilia Ríos Varillas
P(X = x) (
P x–
1
2
≤X≤x+
1
2 )
P(X ≤ x) (
P X≤x+
1
2 )
P(X < x) (
P X≤x–
1
2 )
P(X ≥ x) (
P X≥x–
1
2 )
P(X > x) (
P X≥x+
1
2 )
P(a ≤ X ≤ b) (
P a–
1
2
≤X≤b+
1
2 )
P(a < X ≤ b) (
P a+
1
2
≤X≤b+
1
2 )
P(a ≤ X < b) (
P a–
1
2
≤X<b–
1
2 )
P(a < X < b) (
P a+
1
2
<X<b–
1
2 )
128
Estadística y diseño de experimentos
Ejemplo:
Solución
n = 1000
El hecho fue reconocido por W. S. Gosset, un químico irlandés que en 1908 publi-
có, bajo el pseudónimo de Student, un trabajo titulado “El error probable de una
medida”. En parte por consideraciones teóricas y en parte por el uso de muestras
129
Cecilia Ríos Varillas
La función de densidad se hace más simétrica incluso casi gaussiana cuando au-
menta el número de grados de libertad.
Decimos que una variable aleatoria tiene distribución chi-cuadrado con v = (n-1)
grados de libertad, cuando sigue la misma distribución que la suma de n varia-
bles aleatorias normales (0,1) elevadas al cuadrado, independientes.
n
χ 2 = ∑ Z i2
i =1
E(X)= v y V(X)= 2v
130
Estadística y diseño de experimentos
(n − 1) S 2
χ2 = ~ χ 2 ( n −1) g .l .
s X2
Distribución Chi Cuadrado
0.2
0.15
0.1
0.05
0
0.001 2 4 6 8 10 12 14 16
Grados de libertad
Z x − µx
=t = n ~ T (n -1) g .l.
χ2 Sx
n −1
Que sigue una distribución t de Student con v = (n -1) grados de libertad, la fun-
ción de probabilidad es:
131
Cecilia Ríos Varillas
n +1
Γ
2 1
f ( x) =
n n +1
π n Γ x2 2
2 1 +
n
1. Cada curva t tiene forma de campana con media igual a 0 y varianza v/(v-2).
2. Tiene un parámetro denominado grados de libertad.
3. Cuando aumentan los grados de libertad, más se acerca a la curva normal
estándar N(0,1).
4. Es simétrica con respecto al cero.
5. Se consideran valores anómalos los que se alejan de cero (positivos o negativos).
Distribución T
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-3 -2.7 -2.4 -2.1 -1.8 -1.5 -1.2 -0.9 -0.6 -0.3 0 0.3 0.6 0.9 1.2 1.5 1.8 2.1 2.4 2.7 3
Ejemplo:
Si n=12, se tiene 11gl, luego, las tablas de t tienen la forma: F(t) = P(T ≤ t), así te-
nemos:
132
Estadística y diseño de experimentos
(n − 1) χ12
F (n1 − 1; n2 − 1) = 1
(n2 − 1) χ 22
Una prueba contiene 10 preguntas y cada una de ellas 5 respuestas de las cuales 1
es la correcta. Si un estudiante desconocía las respuestas y contestó al azar todas
las preguntas. Hallar la probabilidad:
Solución
133
Cecilia Ríos Varillas
10
P (= ) (1 / 5) x (4 / 5) n − x
X x= x 0,1, 2,......;10
=
x
Ejercicio 2
Los mensajes que llegan a una computadora utilizada como servidor lo hacen
con una tasa promedio de 10 mensajes por hora.
Solución
134
Estadística y diseño de experimentos
Ejercicio 3
a. ¿Cuál es la probabilidad de que entre las 9 a.m. y las 9:10 a.m. lleguen a lo más
ocho clientes?
b. ¿Cuál es la probabilidad de que entre las 9 a.m. y las 9:05 a.m. lleguen más de
tres clientes?
Solución
Ejercicio 4
Una máquina fabrica una determinada pieza y se sabe que produce un 7 por 1000
de piezas defectuosas. Hallar la probabilidad de que al examinar 80 piezas sólo
haya dos piezas defectuosas.
Solución
X: número de piezas defectuosas en las 80 piezas analizadas.
Éxito: pieza defectuosa
P(Éxito) = p = 0.007 n= 80
e-0,56 (0,56)2
P(X=2) = = 0,08957
0!
Ejercicio 5
135
Cecilia Ríos Varillas
Solución
Solución
X − µX 160 − µ X 160 − µ X
P ≥ P Z
=≥ =
sX 3 3
160 − µ X 160 − µ X 160 − µ X
1− P Z <
= =1− F =0,19766 ⇒ F =0,80234
3 3 3
De la tabla:
160 – µx
= 0,85 => µx = 157,45 onzas
3
Ejercicio 7
136
Estadística y diseño de experimentos
Solución
X ~ N(7, σx2)
P (x ≥ 10) = 0,06681 10 – 7
P(Z < σ ) = 0,93319
P (x < 10) = 0,93319
Ejercicio 8
Solución
a. De los datos:
ux = 503 σx2 = 100 X ~ N(503,100)
0,005 0,005
0,99
-Zo Zo =2,58
137
Cecilia Ríos Varillas
0,0015 0,0015
0,997
−10 10
s s
De acuerdo a tabla:
10
= 2,96 ⇒ s x= 3,3778378 ohmios
sx
σ2 = 11,4134
La nueva varianza es de σ2 = 11,4134ohmios2
Ejercicio 9
Una panadería vende cierto tipo de pastel, tal que con probabilidad de 0,52 con-
tiene por lo menos 30 pasas. Dicho pastel si contiene menos de 30 pasas se le
considera “No apto para la venta”. Si en un pedido de 100 de estos pasteles hay a
138
Estadística y diseño de experimentos
lo más 32 pasteles “No apto para la venta”, ¿Cuál es la probabilidad de que hayan
por lo menos 29 pasteles “No apto para la venta”?
Solución
p = 0,48 n = 100
Donde:
28,5 − 48 32,5 − 48
P(28,5 ≤ X ≤ 32,5) = P ≤Z≤ = P ( −3,9 ≤ Z ≤ −3,10 )
24,96 24,96
32,5 − 48
P ( X ≤ 32,5)
= PZ ≤ = P ( Z ≤ −3,10
= ) 0, 00097
24,96
Entonces:
0, 00092
P( X ≥ 29 / X ≤ 32) ≈ ≈ 0,948454
0, 00097
Ejercicio 10
Se sabe que cierto virus ha invadido la UNI y ataca a la mitad de los estudiantes.
Se toma una muestra aleatoria de 200 estudiantes y se pide calcular la probabili-
dad que en dicha muestra a lo más el 49% sean atacadas por el virus.
Solución
49
P( X ≤ ⋅ 200 ) =P( X ≤ 98) ⇒ Aproximación de la Binomial a la Normal
100
139
Cecilia Ríos Varillas
98,5 − 100
P( X ≤ 98) ≈ P( X ≤ 98,5) ≈ P ( Z ≤ ) ≈ P( Z ≤ −0, 21) ≅ 0, 41683
50
Existe una probabilidad de 0,41683 que a lo más 98 alumnos de la muestra de 200
sean atacados.
Ejercicio 11
Solución
Con los datos: p = 0,52 n = 40 como n es grande (n > 30), X se aproxima a la Normal.
np npq
{
{
1
P( X ≤ 18) ≈ P( X ≤ 18 + ) ≈ P ( X ≤ 18,5)
2
18,5 − 20,8
= PZ ≤ = P( Z ≤ −0, 73)
= 0, 23270
9,984
Una prueba de laboratorio para detectar el peso (g) de cierta muestra química
tiene un 52% de precisión. Si se analizan 20 muestras en un mes, ¿cuál es la pro-
babilidad de que
140
Estadística y diseño de experimentos
Ejercicio 2
Un laboratorio afirma que una droga causa de efectos secundarios en una pro-
porción de 3 de cada 100 pacientes. Para contrastar esta afirmación, otro labora-
torio elige al azar a 5 pacientes a los que aplica la droga. ¿Cuál es la probabilidad
de los siguientes eventos?
Ejercicio 3
Ejercicio 4
Ejercicio 5
Ejercicio 6
141
Cecilia Ríos Varillas
Ejercicio 7
Por análisis anteriores se sabe que la resistencia a la ruptura (onzas) de una fi-
bra de cáñamo, se distribuye normalmente y además existe una posibilidad de
76,115% de que la resistencia sea no menor de 14 onzas y un 85,543% de posibi-
lidad de que la resistencia tenga a lo más 16,5 onzas, se pide:
Ejercicio 8
Ejercicio 9
Sea X una variable aleatoria que representa el peso (kg) de una pieza de acero,
la experiencia dice que dicha variable se distribuye normalmente, y es tal que el
2,275% de las piezas pesan menos de 6 kg y el 84,134% pesan no menos de 8 kg.
Calcule:
142
Estadística y diseño de experimentos
CAPÍTULO 6
Consideremos todas las posibles muestras que pueden extraerse de una pobla-
ción dada. Para cada muestra se puede calcular un estadístico, tal como la media,
la desviación estándar, la varianza, que variará de una muestra a otra. De esta
forma se obtiene una distribución del estadístico que se conoce como distribu-
ción muestral o distribuciones en el muestreo.
143
Cecilia Ríos Varillas
Así, el muestreo es una técnica que utilizaremos para inferir algo respecto de una
población mediante la selección de una muestra de esa población.
De la misma manera, tal vez otra medición que se calcule con base en la muestra
no sea igual al valor correspondiente de la población, a dicha diferencia se la co-
noce como error de muestreo.
s X2 sX
s x2 = ⇒ sx = error
errorestándar
estándarde
delalamedia
mediamuestral
muestral
n n
144
Estadística y diseño de experimentos
Demostración
n
∑ xi 1 n 1
µx
= E
= (X ) E =
i =1
∑=
n n i =1
E ( xi )
n
(=
n µx ) µx
n
∑ xi 1 s x2
2 (
s x2
= V
= (X ) V =i =1
s x2 )
n=
n n n
Sea X una variable aleatoria que sigue una distribución normal X ~ N(µx, σx2) y
sea X la media muestral de una muestra aleatoria de cualquier tamaño n (n ≥ 2)
extraída de la población X, entonces:
s2
X ~ N (µ x , s x2 ) ⇒ X ~ N µx , x
n
Observación:
s2
Como X ~ N µ x , x entonces para el cálculo de probabilidades se debe es-
n
tandarizar:
x − µx x − µx x − µx
=Z = = n ~ N (0,1)
s x2 sx sx
n n
145
Cecilia Ríos Varillas
Esto es: Sea X una variable aleatoria con distribución desconocida o diferente
de la Normal, de parámetros µX y σX2 , y sea X la media muestral de una muestra
aleatoria tamaño n (n > 30), entonces:
s2
Si n >>> 30 ⇒ X ~ N µX , X
n
s2
entonces: X ~ N µx ; x
n
X - µx
Z = ~ N (0;1)
sx
n
Ejemplo:
Una compañía vende insumos químicos, y se hace entrega de pedidos a cada em-
presa que lo solicita. El tiempo de demora en la entrega tiene distribución normal
con promedio de 25 minutos y desviación estándar 7 minutos ¿Cuántos pedidos
de insumos químicos se deben atender, para tener un tiempo promedio de entre-
ga de insumos a lo más de 30 minutos, con una probabilidad de 0,98?
Solución
146
Estadística y diseño de experimentos
n
Como la varianza poblacional es conocida, entonces, para el cálculo de probabi-
lidades se usa:
X - µx
Z =
sx
n
30 − 25 30 − 25
P( X ≤ 30) = P Z ≤ = F 7 = 0,98
7
n n
De la tabla de Z acumulativa:
0,98
0,02
2,05
5
n ≈ 2, 05 ⇒ n ≈ 8, 2369
7
n≈8
X - µx
entonces: t = ~ t( n-1) g .l .
Sx
n
147
Cecilia Ríos Varillas
x - µx
Z= ~ N (0;1)
Sx
n
Entonces
(n − 1) S x2
χ2 = ~ χ 2 ( n-1) g .l .
s 2
X
Ejemplo:
Solución
σ = 15 n = 25
P(S ≤ a) = 0,98
2 (n − 1) S 2 24a 2
P ( S= ≤ a2 ) P ≤ 2
s s
2
(n − 1) S 2
Como χ 2 =
s2
24a 2
P χ2 ≤ =0,98
225
148
Estadística y diseño de experimentos
0,02
0,98
39,3641
X2 (0,98),24gl = 40,27
24a 2
= 40, 27 ⇒ a= 19, 43 minutos
225
s2 s2
( X 1 - X 2 ) ~ N µ1 − µ2 ; 1 + 2
n1 n2
( X 1 − X 2 ) − ( µ1 − µ2 )
Z= ~ N (0;1)
s 12 s 22
+
n1 n2
s2 s2
( X 1 - X 2 ) ~ N µ1 − µ2 ; 1 + 2
n1 n2
2 2
Muestras pequeñas y varianzas muestrales S1 y S2 conocidas
Si σ12 = σ22 :
149
Cecilia Ríos Varillas
t =
(X 1 − X 2 ) - ( µ1 − µ2 )
~ t( n1 + n2 − 2) g .l .
Sp
2
Donde Sp es la desviación estándar de la varianza ponderada Sp
1 1 S 2 (n − 1) + S 22 (n2 − 1)
S p2 + 1 1
=
n1 n2 n1 + n2 − 2
Si σ21 ≠ σ22:
t =
(X 1 − X 2 ) − ( µ1 − µ2 )
~ tG g .l .
s12 s22
+
n1 n2
Donde
s12 s22
+
G= n1 n2
s 2 2 s 2 2
1 2
n1 n2
n −1 + n −1
1 2
∑x 2 2
i = 30000 y Sx = 100
i =1
Solución
−2 2
P (-2 ≤ X − µ X ≤ 2) =P 100 ≤ Z ≤ 100 =1 − α
10 10
150
Estadística y diseño de experimentos
luego α = 0,0455
=S x2
∑x 2
i − nx 2
⇔
= 100
30000 − 100 x 2
⇒ x 14,1774
=
n −1 99
= P(12,1774 ≤ µx ≤ 16,1774)
{
{
a b
Ejercicio 2
Solución
2 σ2 No se conoce
σ
X ~ N(12; σ2) X ~ N(12; 20 ) n < 30 Usar t-student
11,8 − 12 12,4-12
P 20 < t < P (−0,3578< t <0,7155)
20 =
2,5 2,5
t P(T≤t)
0,688 0,75 0,861 − 0, 688 0, 7155 − 0, 688
= = → p0 0, 75795
0,7155 p0 0,80 − 0, 75 p0 − 0, 75
0,861 0,8
151
Cecilia Ríos Varillas
t P(T≤t)
0 0,5 0, 688 − 0 0,3578 − 0
= → p1 0, 630014 →=
= 1 − p1 0,36999 ≈ 0,37
0, 75 − 0,5 p1 − 0,5
0,3578 p1
0,688 0,75
= F(0,7155) – F(–0,3578)
Ejercicio 3
La densidad de un líquido orgánico (en g/cm3) es una variable aleatoria con dis-
tribución desconocida, sin embargo se conoce que la media general es de 0,9130
g/cm3 y la desviación estándar es de 9,65978x10-4 , se realizan cincuenta deter-
minaciones de la densidad del líquido orgánico (en g/cm3) y se desea calcular la
probabilidad de que el promedio de las cincuenta mediciones de la densidad sea
a lo más 0,9132 g/cm3
Solución
s2
Como n >>> 30 ⇒ X ~ N µX , X
n
( 9, 65978 ×10−4 )
2
X ~ N 0,9130 ,
50
X − µX 0,9132 − 0,9130
P ≤ P ( Z ≤ 1, 46 )
=
s
X 9, 65978 ×10−4
n 50
152
Estadística y diseño de experimentos
Ejercicio 4
Un químico analiza dos técnicas para determinar el punto de fusión del estaño,
las mediciones con cada técnica siguen una distribución normal con media de
232,26°C y 250°C y desviaciones estándares de 1,4°C y 1,8°C respectivamente.
Para estos análisis realiza 15 mediciones usando la primera técnica y 12 medi-
ciones con la segunda técnica, se desea calcular la probabilidad de que la media
de la primera muestra exceda a la media de la segunda muestra en no más de
12,5°C.
Solución
1, 42 1,82
(X1 – X2) ~ N ( − 17, 74 ; + )
15 12
Ejercicio 5
Los pesos de los usuarios regulares de un ascensor siguen una distribución Nor-
mal, con una media de 70 Kg y una desviación estándar de 10 Kg
Solución
X ~ N(70,100)
153
Cecilia Ríos Varillas
Calculando
Entonces: Y ~N(280,400)
M − 280 M − 280
P(Y > M ) =>
P( Z 0, 01 P( Z ≤
) =⇒ )=
0,99
20 20
En tablas:
M − 280
= 2,33 ⇒ M = 326, 6
20
El peso máximo que debería soportar el ascensor, para que cumpla la condición
dada es de 326,6 Kg.
Entonces:
585 − 70n
P( Z ≤ )=
0, 0668
100n
En tablas:
585 − 70n
=
−1,5 ⇒ n=
9
100n
154
Estadística y diseño de experimentos
Ejercicio 6
x 10 -1 -2 -3 -4
P(x) 0,2 0,2 0,2 0,2 0,2
Solución
µx = E(x) = 0
Entonces: X ~ N(0;26)
2
= 1,96
26
n
n = 24,9704 ≈ 25
Ejercicio 7
155
Cecilia Ríos Varillas
Solución
s2 s2
( X 1 − X 2 ) ~ N -8; 1 + 2
8 10
1 1 7 S1 + 9 S 2
2 2
S12 =
4 S 22 ==
(2,5) 2 S p + =1, 08847
8 10 16
−7 − (−8) +7 − (−8)
=1− P ≤t ≤
Sp Sp
Ejercicio 2
Calcular:
156
Estadística y diseño de experimentos
Ejercicio 3
Ejercicio 4
Ejercicio 5
157
Cecilia Ríos Varillas
158
Estadística y diseño de experimentos
CAPÍTULO 7
Inferencia estadística
159
Cecilia Ríos Varillas
Cuando no se tienen en cuenta estos dos principios básicos, las inferencias reali-
zadas son deficientes.
- Estimación de Parámetros
- Prueba de Hipótesis
160
Estadística y diseño de experimentos
Por ejemplo, si se estudia el peso (Kg) de cierto producto y queremos saber cuál
es la verdadera media del peso de dicho producto, mediante una muestra de n=
40 productos. Podemos hacer una primera aproximación, utilizando la media
muestra; sin embargo, este valor está sesgado debido a que solo representa a una
muestra.
Podríamos decir que la media buscada es próxima a 3 Kg., pero ¿cuánto de próxi-
ma? ¿Digamos que 200 gramos más o menos? Esto significaría que la media esta-
ría entre 2,8 y 3,2 Kg.. Esto último se denomina estimar por intervalo, y es uno de
los métodos que ahora vamos a ver.
- Estimación puntual
- Estimación por intervalos
s X2 Es la menor varianza.
=E( X ) µ=
X V (X )
n
161
Cecilia Ríos Varillas
La estimación puntual, implica cierto riesgo, ya que con un solo valor se estima al
verdadero parámetro de la población, no es el método más utilizado para estimar
parámetros, el que más se aplica es la estimación por intervalos.
P(L1 ≤ θ ≤ L2) = 1 – α
Donde:
162
Estadística y diseño de experimentos
Para estimar µX, el estadístico que mejor nos va a ayudar es X del que conocemos
su distribución:
σ2
X ~ N (µX, x)
n
X − µX
Z= ~ N (0,1)
sX
n
α /2
α /2
1−α
Zα /2 0 Z1−α /2
163
Cecilia Ríos Varillas
P(|z| ≤ z1 – α/2) = 1 – α
X − µX sX
z ≤ z1−α / 2 ⇒ ≤ z1−α / 2 ⇒ X − µ X ≤ z1−α / 2
sX n
n , de este modo un interva-
lo de confianza al nivel 1 – α , para la esperanza de una normal de varianza cono-
cida es el comprendido entre los valores:
sX
xα /=
2 X − z1−α / 2
n
s
x1−α /=
2 X + z1−α / 2 X
n
sX
LC ( µ X =
) X ± z1−α / 2
n
164
Estadística y diseño de experimentos
y nos interesa obtener para un nivel de significación α dado, una precisión (error
máximo de estimación) E .
sX
µ X= X ± z1−α / 2
n
Siendo: E = z1−α / 2 s X
n
2
Despejando n ≥ z1−α / 2 .s X
E
El problema que tenemos en este caso es más complicado que el anterior, pues
no es tan sencillo eliminar los dos parámetros a la vez. Para ello, cuando n ≤ 30 y
se conoce S2x nos vamos a ayudar de la prueba estadística de t-student siguiente:
X − µX
T= ~ t( n −1) g .l .
SX
n
Dado el nivel de confianza 1-α buscamos en una tabla de T, el valor de t(n–1) con
1-α/2 de probabilidad. Por simetría de la distribución de Student se tiene que
P(|t| ≤ t(n–1,1–α/2)) = 1 – α
X − µX S
t ≤ t( n −1,1−α / 2) ⇒ ≤ t( n −1,1−α / 2) ⇒ X − µ X ≤ t( n −1,1−α / 2) X
SX n
n
165
Cecilia Ríos Varillas
Entonces:
SX S
P( X − t( n −1,1−α / 2) ≤ µ X ≤ X + t( n −1,1−α / 2) X ) =1 − α
n n
SX
LC ( µ X =
) X ± t( n −1,) gl (1−α /2)
n
Ejemplo:
Solución
SX
LC ( µ X =
) X ± t( n −1,) gl (1−α /2) t(24gl;0,975) = 2,06
n
Reemplazando, tenemos.
10
LC ( µ X ) =170 ± (2, 06) =170 ± 4,12 =
25
Con un nivel de confianza del 95% podemos decir que la media poblacional está
en el intervalo siguiente µX [165,88; 174,12] cm3 .
∩
Nota. En este 2do. Caso, cuando no se conoce σx2 y muestras grandes: (n > 30),
entonces SX ≈ σx2 y se puede usar Z.
SX
En este caso, usamos: LC ( µ X =
) X ± t( n −1) gl ,(1−α /2)
n
166
Estadística y diseño de experimentos
Siendo: E = t( n −1,1−α / 2)
S X , error de estimación
1
n
2
t( n −1,1−α / 2 ).S X
Despejando n≥ 1
E
Ejemplo:
Calcular cuántas mediciones del volumen, se debe realizar para que se obtuviese
un intervalo de confianza para la media poblacional con un nivel de significación
α =0,01 (al 99%) y con una precisión de E = 1 cm3.
Solución
2 2
z .s 2,58 ×10
n ≥ 1−α /2 X ⇒ n ≥ ⇒ n ≥ 665, 64 ⇒ n ≈ 666
E 1
(n − 1) S x2
=χ2 ≈ χ 2 ( n −1) g .l .
s 2
X
167
Cecilia Ríos Varillas
Consideremos dos valores de esta distribución que nos dejen una probabilidad
1-α en la “zona central” de la distribución
(n − 1) S x2
χ (2n −1) gl , α /2 ≤ χ 2 ≤ χ (2n −1) gl , 1−α /2 ⇒ χ (2n −1) gl , α /2 ≤ ≤ χ (2n −1) gl , 1−α /2
s X2
(n − 1) S x2 (n − 1) S x2
⇒ ≤ s X2 ≤
χ 2
( n −1) gl , 1−α /2 χ (2n −1) gl , α /2
(n − 1) S 2 (n − 1) S x2
Entonces: P 2 x
≤ s X2 ≤ 2 =1−α
χ ( n −1) gl , 1−α /2 χ
( )
n −1 gl , α /2
(n − 1) S 2 (n − 1) S 2
Por tanto el intervalo que se busca es s X ∈ 2
2 x
; 2 x
con una con-
χ χ
n −1) gl , α /2
fianza del (1 – α) 100%. ( n −1) gl , 1−α /2 (
Ejemplo:
Calcule un intervalo de confianza con α =0,05 para la varianza σX2 del verdadero
volumen de las mediciones realizadas.
Solución
168
Estadística y diseño de experimentos
X1 ~ N(µ1;σ21) X2 ~ N(µ2;σ22)
s 12 s 22
X 1 − X 2 ~ N ( µ1 − µ2 , + )
n1 n2
Podemos plantearnos a partir de las muestras el saber qué diferencias existen en-
tre las medias de ambas poblaciones, o por ejemplo estudiar las relaciones exis-
tentes entre sus dispersiones respectivas.
( X 1 − X 2 ) − ( µ1 − µ2 )
Z= ~ N (0,1)
s 12 s 22
+
n1 n2
Siguiendo los mismos pasos, del 1er. Caso para estimar el intervalo de confianza
para µX, obtenemos en este caso:
s 12 s 22
LC ( µ1 − µ2 ) = ( X 1 − X 2 ) ± z1−α / 2 +
n1 n2
169
Cecilia Ríos Varillas
En este caso, si las muestras son pequeñas, se conocen las varianzas muestrales
S21 y S22 y las varianzas poblacionales desconocidas (asumiendo σ12 = σ22 homoce-
dasticidad), usaremos:
( X 1 − X 2 ) − ( µ1 − µ2 )
T= ~ t( n1 + n2 − 2) g .l
Sp
En esta sección se presenta las pruebas de hipótesis para los parámetros más
usuales que fueron citados en la sección anterior: media, varianza y diferencia
de medias poblacionales, con la asunción que los datos de partida siguen una
distribución normal.
Hipótesis nula
Es la hipótesis formulada con intención de rechazarla y se representa por H0 , es
la hipótesis que se formula antes de tener información de la muestra, general-
mente en base a estudios anteriores o por la experiencia del investigador.
170
Estadística y diseño de experimentos
Hipótesis alternante
Rechazar H0 implica aceptar una hipótesis alternativa (H1), es la hipótesis que se
formula como alternativa de la nula, después de tener información de la mues-
tra. Normalmente H1 es la negación de H0, aunque esto no es necesariamente así.
Error de tipo I
α = P (rechazar H0 | H0cierta)
Error de tipo II
H0falsa
H0 cierta
H1 cierta
H0 rechazada Error tipo I (α) Decisión correcta
H0 : θ = θ0
Prueba de 2 colas (contraste bilateral)
H1 : θ ≠ θ0
171
Cecilia Ríos Varillas
H0 : θ ≥ θ0
Prueba de una cola a la Izquierda (contraste unilateral a la iz-
H : θ < θ 0
quierda)
1
H0 : θ ≤ θ0
Prueba de una cola a la Derecha (contraste unilateral a la de-
H : θ > θ0
recha)
1
Paso 1
H0 : θ = θ0 H0 : θ ≥ θ0 H0 : θ ≤ θ0
H1 : θ ≠ θ0 H1 : θ < θ0 H1 : θ > θ0
Paso 2
Paso 3
Paso 4
Paso 5
172
Estadística y diseño de experimentos
Obsérvese que, de esta manera, se está más seguro cuando se rechaza una hipó-
tesis que cuando no. Por eso se fija como H0 lo que se quiere rechazar. Cuando
no se rechaza, no se ha demostrado nada, simplemente no se ha podido rechazar.
Por otro lado, la decisión se toma de acuerdo a la distribución muestral en H0, por
eso es necesario que tenga la igualdad.
Paso 6
Observación. Para dar una forma homogénea a todos los contrastes de hipótesis
es costumbre denominar al valor del estadístico del contraste calculado sobre la
muestra como valor calculado o experimental y a los extremos de la región críti-
ca, como valores teóricos o tabulados.
173
Cecilia Ríos Varillas
H0 : µ = µ0 H0 : µ ≥ µ0 H0 : µ ≤ µ0
H1 : µ ≠ µ0 H1 : µ < µ0 H1 : µ > µ0
X - µ0
Z cal = n
sX
Las regiones críticas de una media µX con varianza conocida, puede ser bilateral
o unilateral (depende de H1)
H1 : µ ≠ µ 0
Región de
Aceptación
Zα /2 0 Z1−α /2
Pruebas unilaterales
H1 : µ < µ 0 H1 : µ > µ 0
Región de Región de
Aceptación Aceptación
Zα 0 0 Z1−α
174
Estadística y diseño de experimentos
H0 : µ = µ0 H0 : µ ≥ µ0 H0 : µ ≤ µ0
H1 : µ ≠ µ0 H1 : µ < µ0 H1 : µ > µ0
X - µ0
t cal = n
SX
Las regiones críticas de una media µX con varianza desconocida, puede ser bila-
teral o unilateral (depende de H1) .
H1 : µ ≠ µ 0
Región de
Aceptación
tα /2 0 t1−α /2
Pruebas unilaterales
H1 : µ < µ 0
H1 : µ > µ 0
Región de
Región de
Aceptación
Aceptación
tα 0
0 t1−α
175
Cecilia Ríos Varillas
X1 ~ N(µ1;σ12) X2 ~ N(µ2;σ22)
De cada una de ellas se toma una muestra y se calculan sus promedios muestra-
les respectivos X1 y X2, cuya distribución es la siguiente:
s2 s2
X 1 − X 2 ~ N µ1 − µ2 , 1 + 1
n1 n1
H0 : µ1 – µ2 = Δ H0 : µ1 – µ2 ≥ Δ H0 : µ1 – µ2 ≤ Δ
H1 : µ1 – µ2 ≠ Δ H1 : µ1 – µ2 < Δ H1 : µ1 – µ2 > Δ
( x1 - x2 ) − ∆
Z cal =
s 12 + s 22
n1 n2
H0 : µ1 – µ2 = Δ H0 : µ1 – µ2 ≥ Δ H0 : µ1 – µ2 ≤ Δ
H1 : µ1 – µ2 ≠ Δ H1 : µ1 – µ2 < Δ H1 : µ1 – µ2 > Δ
176
Estadística y diseño de experimentos
( x1 − x2 ) − ∆
tcal = 2
donde: Sp: varianza ponderada
Sp
Los valores tabulados para ubicarlos en las regiones críticas se buscan en la tabla
de T(n1 + n2 – 2)gl
b. Si σ21 ≠ σ22
tcal =
( x1 − x2 ) − ∆
S12 S 22
+
n1 n2
Los valores tabulados para ubicarlos en las regiones críticas se buscan en la tabla
de t(G)g.l donde:
S12 S 22
+
G= n1 n2
S 2 2 S 2 2
1 2
n1 n2
n −1 + n −1
1 2
177
Cecilia Ríos Varillas
(n − 1) S x2
χ cal
2
=
k
H1 : s 2 ≠ k
Región de
Aceptación
x 2α /2 x 21−α /2
Pruebas unilaterales
H1 : s x2 < k H1 : s x2 > k
Región de Región de
Aceptación Aceptación
x 2α x 21−α
Prueba de 1 cola a la izquierda Prueba de 1 cola a la derecha
2
Figura 7.4. Prueba de Hipótesis para la varianza poblacional σX
Para determinar la homogeneidad de varianzas (si las varianzas de las dos pobla-
ciones son iguales) es necesario hacer la prueba de homogeneidad de varianzas.
En esta nueva prueba se comparan las varianzas de las poblaciones en la hipóte-
sis nula.
178
Estadística y diseño de experimentos
H1 : s 12 ≠ s 22
Región de
Aceptación
Fα /2 F1−α /2
El punto de ebullición del azufre tiene una varianza de 0,6889 (grados Celsius)2.
¿Qué tamaño debe tener la muestra para asegurar con una confianza del 99% que
el error para estimar el punto promedio de ebullición del azufre sea a lo más de
0,15 grados Celsius?
Solución
2,58
Error de estimación:
s 0, 6889
=E Z= α (2,58) ≤ 0,15
1−
2 n n
179
Cecilia Ríos Varillas
Ejercicio 2
Un intervalo de Confianza del 95% para estimar el peso promedio de los hornos
microondas (de las mismas dimensiones) usados en laboratorio, basado en una
muestra de 36 hornos, resultó ser [4,0; 10,5] libras
Solución
X–E=4
X + E = 10,5
X = 7,25 lb E = 3,25 lb
E = 3, 25
sX s
E = Z 0,975 = 1,96 X = 3, 25 ⇒ s X = 9,94898
36 6
S S
E2 Z=
= 0,95 1,=
64 2, 7194
6 6
180
Estadística y diseño de experimentos
Como se observa, éste último intervalo con 90% de confianza es menos amplio
que el intervalo anterior con 95% de confianza; en este segundo caso el error de
estimación es menor y las mediciones del peso (lb) están menos dispersas alrede-
dor de su verdadera media.
H0 : µ = 6,5
H1: µ > 6,5 n > 30 => usar Z
α = 0,05
7, 25 − 6,5
=Z c = 36 3, 75
1, 2
0,95 0,05
1,64
Zc RA H0 => Aceptar H1
∩
Ejercicio 3
200
=n 200
= ∑ xi2 71100
S2 100 =
1
a. Determine el valor de α
b. Calcule un intervalo de confianza para la verdadera media (usando α calculado
anteriormente).
181
Cecilia Ríos Varillas
Solución
200
De los datos:
= n 200
= S2 100 = xi2 71100 ∑
1
P(|X – µ| ≤ 2) = 1 – α
S ≈ σX => t ≈ Z
1−α α /2
-2,83 2,83
α
1−
= 0,99767 ⇒
= α 0, 00466
2
b. Para calcular el intervalo de confianza, primero se calcula el valor de la media
muestral
X ?
= 2
S=
∑x 2
i − nx 2
⇒ 100
=
71100 − 200 x 2
X 16
⇒ =
n −1 199
L1 = 13,99888 L2 = 18,0011
182
Estadística y diseño de experimentos
Ejercicio 4
10 10
Mediante un intervalo de confianza del 98% para la media poblacional, ¿es razo-
nable que INDECOPI multe al fabricante? Suponer que el peso de las cajas sigue
una distribución normal.
Solución
=X 159
= S2
∑
=
2
x − nx
i
2
252858 − 10(159) 2
n −1 9
2
S = 5,3333
S L1 = 156,9398
LC ( µ=
x) 159 ± t t(9gl;0,99) = 2,821
n L2 = 161, 0602
H 0 : µ = 160
H1 : µ ≠ 160
159 − 160
tcal = 10 = −1,369
5,3333
0,01 0,01
0,98
T(0,99;9gl)
-2,821
2,821
tcalc RA H0
∩
183
Cecilia Ríos Varillas
Ejercicio 5
Solución
Formulación de hipótesis:
H0 : µ1 = µ2
H1 : µ1 ≠ µ2
Datos:
S1 = 2,38E – 04 n1 = 13
S2 = 6,04E – 04 n2 = 10
1 1 S1 (12) + S 2 (9)
2 2
S p2 =
+ =3,33885 ×10−8
13 10 21
184
Estadística y diseño de experimentos
α
-2,08 t (1− ;21gl)
2
2,08
∴ Con un nivel de confianza del 95%, existe evidencia estadística para afirmar
que sí hay diferencias significativas entre los valores medios de las normalidades
obtenidas por el método de determinación gravimétrica de cloruros y el método
de valoraciones frente a carbono sódico puro.
Ejercicio 6
Solución
H0 : µ1 = µ2 H0 : µ1 – µ2 = 0 n1 = 10
ó
H1 : µ1 ≠ µ2 H1 : µ1 – µ2 ≠ 0 n2 = 8
185
Cecilia Ríos Varillas
H0 : σ12 = σ22
H1 : σ12 ≠ σ22
0,025
0,025
RAHo
0,95
0,238 4,82
F0,025(9,7)gl = 0,238
F0,975(9,7)gl = 4,82
S12
Fcalc
= = 0, 6504
S 22
σ12 = σ22
2° Contrastar la hipótesis
H0 : µ1 – µ2 = 0
H1 : µ1 – µ2 ≠ 0
Considerar α = 0,05.
( x1 − x2 )
tcal =
Sp
donde:
2
Sp: varianza ponderada
186
Estadística y diseño de experimentos
Datos:
x1 = 35,8 x2 = 36,5
n1 = 10 n2 = 8
s1 = 2,5 s2 = 3,1
Donde:
1 1 S1 (9) + S 2 (7)
2 2
Sp =
+ =1,3179
10 8 16
187
Cecilia Ríos Varillas
-1,895 1,895
t(0,95)7gl = 1,895
S2 (3,1)
LC ( µ2 ) =
x2 ± t(1−α /2,n2 −1) 36,5 ± (1,895)
=
n2 8
Existe una confianza del 90% que el verdadero promedio de las mediciones del
ángulo horizontal de un objeto durante el mediodía, esté comprendido en el in-
tervalo: [34,42305;38,5769]
Ejercicio 7
Solución
De los datos:
nA = 16 xA = 38 nB = 13 xB = 31
188
Estadística y diseño de experimentos
2
Ai A
2
2
∑(X −X ) ∑(X Bi − X B )2
=
A S =
i 1=
B
i 1
S =
A n −1 nB − 1
150 159
S A2
= = 10 S B2
= = 13, 25
15 12
H0 : σA2 = σB2
H1 : σA2 ≠ σB2
0,025
0,025
RAHo
0,95
0,337 3,18
F0,025(15,12)gl = 0,337
F0,975(15,12)gl = 3,18
S A2 10
Fcalc
= = 2
= 0, 7547
S B 13, 25
Se observa que:
2° Contrastar la hipótesis
H0 : µA – µB = 0
H1 : µA – µB ≠ 0
189
Cecilia Ríos Varillas
Considerar α = 0,05.
( x A − xB ) donde:
tcal =
Sp S p2 : varianza ponderada
38 − 31 7
tcalc
= = = 5,5415
1 1 10(15) + 13, 25(12) 1, 2632
+
16 13 27
-2,052
t( 0,975;27 gl ) = 2,052
Conclusión:
Aceptar H1
α = 0,01
190
Estadística y diseño de experimentos
0,01
RAHo
0,99
3,57
χ2(0,01;12gl) = 3,57
χcal
2
= 9,6364 Región de aceptación H0
∩
∴ Sí, es cierto lo que se asegura, que σB2 ≥ 16,5. Se presenta la evidencia estadística
de lo mencionado, considerando un error del 1%.
SA
LC
= X A ± t( 0,975 ; 15gl)
16
-2,131 2,131
10
LC
= 38 ± (2,131)
16
191
Cecilia Ríos Varillas
Una empresa decide comprar dos máquinas. Antes de elegir una decide realizar
una prueba para saber si las dos máquinas ofertadas pueden producir la misma
cantidad de unidades por hora. Para ello, observa la producción de las dos má-
quinas y observa los resultados que se reflejan en la tabla adjunta:
Máquina A 89 84 81 87 79 97 92 87 89 80
Máquina B 88 77 87 92 81 94 79 85 84 88
Ejercicio 2
192
Estadística y diseño de experimentos
f. ¿Existe diferencia significativa con un nivel de confianza del 99% entre los
métodos?
g. En base a estudios anteriores, se afirma que la verdadera varianza con el
Método Colorimétrico es no más de 12 500 (mg/dl)2 ¿Qué podemos asegurar
de esta afirmación? α = 0,05.
Ejercicio 3
Ejercicio 4
Ejercicio 5
Se aplican dos métodos diferentes para medir la resistencia de los lotes de algo-
dón (lb), necesarias para romper una madeja. Con este fin se toman los siguientes
lotes de algodón:
193
Cecilia Ríos Varillas
Ejercicio 6
Ejercicio 7
La dureza del agua en la salida de cierta planta de energía eléctrica tiene una
distribución normal con µX = 55 ppm, y desviación estándar de 5,5 ppm Doce
muestras de agua dieron como resultado una media aritmética de 53 ppm. ¿Se
puede concluir que la dureza media del agua es inferior a 55 ppm? α = 0,10.
194
Estadística y diseño de experimentos
CAPÍTULO 8
Diseños experimentales
195
Cecilia Ríos Varillas
Esta lista es una guía referencial para cualquier investigador, ya que puede ase-
gurar que nada ha pasado desapercibido.
Un diseño de experimentos tendrá dos o más tratamientos, tal que una com-
paración entre ellos permitirá resolver los problemas planteados al inicio del
experimento. En la selección de tratamientos es importante definir claramente
cada uno de ellos y entender el papel que jugará para alcanzar los objetivos del
experimento.
1
The Design and Analysis of Experiments
196
Estadística y diseño de experimentos
Unidad Experimental
Se usará el término de unidad experimental para representar el conjunto de ma-
terial al cual se aplica un tratamiento en un solo ensayo.
Error Experimental
Es la medida de la variación, existente entre dos o más unidades experimentales
que han recibido la aplicación de un mismo tratamiento.
197
Cecilia Ríos Varillas
Factor
Un factor es un grupo específico de tratamientos, como por ejemplo: temperatu-
ra, humedad, dosis de nitrógeno en trigo, tipos de suelo, aditivo químico, etc., se
consideran un factor cada uno.
Las diversas categorías de un factor se denominan niveles del factor, como por
ejemplo:
- Proporciona una estimación del error experimental que actúa como una unidad
básica de medida para indicar el significado de las diferencias observadas o
para determinar la amplitud de un intervalo de confianza.
198
Estadística y diseño de experimentos
Aleatorización
Consiste en asignar al azar los tratamientos a las unidades experimentales. La aleato-
rización permite proceder como si la independencia de errores fuera un hecho. Los
errores asociados con unidades experimentales, tenderán a correlacionarse, y lo que
hace la aleatorización es asegurar que el efecto de esta correlación sea muy pequeño.
Control Local
Control local, se refiere a la cantidad de balanceo, bloqueo y agrupamiento de las
unidades experimentales que se emplean en el diseño estadístico que se emplea.
El propósito del control local es hacer al diseño experimental más eficiente. Esta
eficiencia significa la reducción del error experimental mediante el control de
todos los factores.
199
Cecilia Ríos Varillas
ción residual (error) quedará por explicar. Pero siempre quedará alguna varia-
ción residual (o error).
En algunos casos los datos o mediciones que se realizan no satisfacen las su-
posiciones, sobre todo cuando las varianzas de las respuestas para diferentes
tratamientos no son iguales, entonces en estos casos interviene el criterio del in-
vestigador, ya que no se puede desechar las mediciones realizadas en laborato-
rio, lo que sí se puede hacer es transformar las mediciones; es decir, usando las
mediciones originales, se podrían usar sus raíces cuadradas, logaritmos o alguna
otra función. Muchas de las transformaciones realizadas tienden a estabilizar la
varianza de la respuesta y hacen también que las distribuciones de probabilidad
de las respuestas transformadas estén más cerca de la normalidad.
Cuando es imposible lograr que se satisfagan estos supuestos del ANVA, se debe
utilizar procedimientos no-paramétricos de pruebas de hipótesis.
En este modelo la respuesta viene dada por una combinación lineal de términos
que representan las principales fuentes de variación planificada más un término
residual (error) debido a las fuentes de variación no planificada. Los modelos
que más se estudian y aplican, se ajustan a esta forma general.
200
Estadística y diseño de experimentos
Modelo mixto
Es un modelo en el que hay factores de efectos fijos y factores de efectos alea-
torios.
201
Cecilia Ríos Varillas
Yij = µ + τi + eij
i = 1,2,..., t (tratamientos)
j = 1,2,..., n (iguales repeticiones por tratamiento)
j = 1,2,..., ni (diferentes repeticiones por tratamiento)
Donde:
t
Asunciones: ∑τ i =0 eij ~ N ( 0,s 2 )
i =1
202
Estadística y diseño de experimentos
1 2 ... i ... t
Y11 Y21 ... Yi1 ... Yt1
Y12 Y22 ... Yi2 ... Yt2
. . . .
. . . .
. . . .
Y1j Y2j ... Yij ... Ytj
. . . .
. . . .
. . . .
Y1n Y2n ... Yin ... Ytn
1 2 i t
Donde:
Σ
t ni
Y.. = Σi=1 Yi.. = j=1
Yij: La suma de todas las observaciones
H0 : µ1 = µ2 = ... = µt
H1 : al menos un µi ≠ µj i≠j
H0 : τi = 0, ∨i = 1,2,...,t
H1 : τi ≠ 0 para algún i
Donde: τi = µi - µ, efecto de un nivel del factor Ht0: i = 0,∀=i 1,,2 . ,a
203
Cecilia Ríos Varillas
Tabla 1. ANVA Diseño Completo Aleatorio (Igual número de u.e. por tratamiento)
Grados Cuadrados
Fuente de F calculado
de Suma de Cuadrados Medios
Variación (Fc)
Libertad (varianzas)
t
y2 y2 SCTr CMTr
Tratamientos SCTr ∑ i. − ..
t −1 = CMTr = Fc =
i =1 n tn t −1 CME
t n 2 y..2
Total tn − 1=
SCTo ∑∑ yij −
=i 1 =j 1 tn
Tabla 2. ANVA Diseño Completo Aleatorio (diferente número de u.e. por tratamiento)
Grados Cuadrados
Fuente de F calculado
de Suma de Cuadrados Medios
Variación (Fc)
Libertad (varianzas)
t
yi2. SCTr CMTr
Tratamientos t −1 SCTr
= ∑n
i =1
− TC CMTr =
t −1
Fc =
CME
i
t SCE
Error ∑ ( n − 1)
i =1
i SCE SCTo − SCTr CME = n − t
=
t t ni
Total ∑ ni − 1 =
SCTo ∑∑ y
=i 1 =j 1
2
ij − TC
i =1
y..2
TC =
Donde: t
: Término de corrección CME
∑n i C.V . =
y..
i =1
204
Estadística y diseño de experimentos
CMTr
Fc = ~ F1– α [(gl.Trat),(gl.Error)]
CME
F1−α
5. Conclusiones e interpretación.
Conclusiones:
Si Fc > F1–α => Se rechaza Ho
Si Fc < F1–α => No se rechaza Ho
¿Existe diferencia significativa con un nivel de significación del 5%, entre los mé-
todos? Suponer poblaciones normales.
Solución
205
Cecilia Ríos Varillas
H0 : µ1 = µ2 = µ3
H1 : al menos un µi ≠ µj i ≠ j
∑∑ y=
=i 1 =j 1
2
ij 5, 652 + 5, 752 + ... + 5, 66=
2
593, 4358
(103,34 =
)
2
y..2
TC
= = 593, 2864222
tn 3(6)
t n y..2
= ∑∑ yij2 −
SCTo = 593, 4358 − 593, 2864222
= 0,14937778
=i 1 =j 1 tn
t y 2 y..2
= ∑ i. −=
SCTr
i =1 n tn
34,17 2 + 35, 092 + 34, 082
SCTr
= (métodos ) − 593,
= 2864222 0,1041444667
6
Total 17 0,14937778
206
Estadística y diseño de experimentos
Conclusión
Cuando se requiere saber entre cuales de los métodos hay estas diferencias, se
procede a las pruebas de comparaciones de medias (como Tuckey, Duncan, DLS,
etc.), los paquetes estadísticos presentan estos resultados de manera inmediata.
H1 : al menos un σi ≠ σj
∑ (n − 1) S i i
2
S2 = i =1
t
∑ (n − 1)
i =1
i
207
Cecilia Ríos Varillas
1 t
1 1
C=
1+ ∑ − t
3(t − 1) i =1 (ni − 1)
∑ (ni − 1)
i =1
t t
2
i
2
∑ (n − 1).Ln S − ∑ (n − 1).Ln S
i i
2
=
X cal =
i 1 =i 1
Conclusión:
Ejemplo:
Se sospecha que cuatro máquinas llenadoras en una planta, están sacando pro-
ductos con diferentes pesos. Se realizó un experimento para comprobarlo, me-
diante una muestra de 17 productos, cuyos pesos en onzas fueron recopilados
usando las máquinas A, B, C y D. Los datos en onzas son los siguientes:
MÁQUINAS
(Peso neto en onzas)
A B C D
(ni) 5 3 4 5 17
2
Si 0.00067 0.0019 0.0003 0.00025
208
Estadística y diseño de experimentos
1 t
1 1
C=
1+ ∑ − t =
3(t − 1) i =1 (ni − 1)
∑i =1
( ni − 1)
1 1 1 1 1 1
C =1 + + + + − =1.1396
3(3) 4 2 3 4 13
[ ]
t t
χcal2 = 1c ∑ (ni – 1) ln S2 – ∑ (ni – 1) ln S2i
i=1 i=1
1
χcal = [(ln 0.0006446)13 – (4ln SA2 + 2SB2 + 3SC2 + 4SD2 )] = 3.3053
1.1396
Se compara:
χ1–α
2
= χ0,95(3)gl
2
= 7,81
Conclusión:
χcal
2
= 3,3053 < χ0,95(3)gl
2
= 7,81 => existe homogeneidad de varianzas
Con la aprobación de este supuesto, se puede realizar el ANVA (Ver pág. 222).
209
Cecilia Ríos Varillas
Yij = µ + τi + βj + eij
i = 1,2,..., t (tratamientos)
j = 1,2,..., r (bloques)
Donde:
µ : es el efecto medio verdadero
τi : es el efecto verdadero del i-ésimo tratamiento.
βj : es el verdadero efecto del j-ésimo bloque
eij : es el efecto verdadero de la unidad experimental en el j-ésimo bloque que está
sujeta al i-ésimo tratamiento.
Yij : Respuesta de la de la unidad experimental en el j-ésimo bloque que está
sujeta al i-ésimo tratamiento.
Asunciones:
Los supuestos que deben cumplir los errores, son los siguientes: independencia,
homocedasticidad y Normalidad.
Además:
r
∑ βj = 0 eij ~N(0,σ2)
j=1
210
Estadística y diseño de experimentos
Totales
Tratam. 1 2 ... i ... t
bloques
Bloque I Y11 Y21 ... Yi1 ... Yt1 Y.1
211
Cecilia Ríos Varillas
Matemáticamente:
r t
=Yi. ∑=
Yij i 1, 2,...., t =Y. j ∑=
Yij j 1, 2,...., r
j =1
i =1
t r t r
Y..
= ∑=
Y ∑=
y ∑∑ Y i. .j ij
=i 1 =j 1 =i 1 =j 1
Y ..2
TC =
tr
4. Analizar las regiones críticas
Se establece las regiones críticas y se compara con los F calculados, tanto para
bloques como para tratamientos.
F
= CMTr ~ F1–α[(gl.Trat),(gl.Error)]
c(tr) CME
CMBloque
F = ~ F1–α[(gl.bloque),(gl.Error)]
c(bloq) CME
F1–α[(gl.Trat),(gl.Error)]
212
Estadística y diseño de experimentos
5. Conclusiones e interpretación.
Conclusiones:
Si Fc > F1–α => Se rechaza H0
Si Fc < F1–α => No se rechaza H0
Fibras I1 I2 I3 I4
F1 20,6 20,7 20,0 21,4
F2 24,7 26,5 27,1 24,3
F3 25,2 23,4 21,6 23,9
F4 24,5 21,5 23,6 25,2
F5 19,3 21,5 22,2 20,6
Solución
a. La variable respuesta es: resistencia a la ruptura de fibras textiles (en onzas)
El factor principal: fibras textiles
b. Para calcular el ANVA, las hipótesis de interés son:
Para fibras textiles Para instrumentos de medición
H0 : µ1 = µ2 = µ3 = µ4 = µ5 H0 : µ1 = µ2 = µ3 = µ4
H1 : al menos un µi ≠ µj H1 : al menos un µi ≠ µj
Realizando los cálculos:
Instrumentos de medición
213
Cecilia Ríos Varillas
( 457,8=
)
2
Y ..2
TC =
= 10479,042
tr 20
Instrumento
3 0,330 0,11 0,0521
Medición
Total 19 95,818
Luego de ver los resultados del ANVA, comparamos los F calculados con los F de
la tabla, se usa α = 0,05, entonces:
Para fibras:
CMfibras
Fc(fibras) = F(0,95)[4,12]gl = 3,26
CME
214
Estadística y diseño de experimentos
CMInsMed
Fc(InsMed) = F(0,95)[3,12]gl = 3,49
CME
Conclusión:
Existen diferencias significativas entre las fibras textiles; sin embargo, los instru-
mentos de medición no afectan a esta diferencia en la resistencia a la ruptura, por
lo tanto el bloqueo no tuvo éxito.
Al decir que hay diferencias significativas entre las fibras textiles, se debe enten-
der que al menos dos de ellas nos dan resultados diferentes, y si se desea compa-
rar entre ellas, en estadística hay pruebas de comparación que nos permite saber
entre cuales hay diferencias, esas pruebas de comparación lo realiza de manera
inmediata cualquier paquete estadístico.
El efecto del doble agrupamiento es el de eliminar de los errores todas las dife-
rencias entre filas, al igual que todas las diferencias entre columnas. Así el cua-
drado latino mediante una planificación hábil, da más oportunidad para reducir
los errores que el diseño bloque completo al azar.
215
Cecilia Ríos Varillas
En el diseño cuadrado latino con una observación por unidad experimental, las
observaciones pueden representarse mediante el modelo aditivo lineal siguiente:
Yij(k) = µ + fi + cj + τk + eij(k)
i = 1, 2, ...., n j = 1, 2, ...., n k = 1, 2, ...., n
Donde:
µ : Media general
fi : Efecto de la i-ésima fila
cj : Efecto de la j-ésima columna
τk : Efecto del k-ésimo tratamiento
eij(k) :Error experimental de la unidad observada de la fila i, columna j,
correspondiente al tratamiento k.
Para tratamientos
H0 : µ1 = µ2 = ... = µn
H1 : al menos un µi ≠ µj
2. Presentar un nivel de significación adecuado, generalmente α = 0,05.
3. Realizar los cálculos respectivos. Se presentan éstos cálculos en la Tabla 4 (
también puede ser directamente aplicando paquetes estadísticos como el
Minitab, SPSS y otros)
216
Estadística y diseño de experimentos
∑ Y. 2j (.) SCcolum
Columna n–1 − TC Fc(Col)
n n–1
Tratamiento n–1 ∑Y 2
.. ( k )
SCTr
Fc(tr)
− TC n–1
n
SCE
EE (n-1)(n-2) SCEE
(n – 1) (n – 2)
Total n 2– 1 ΣY 2
ij(k)
– TC
Donde: Y 2..(.)
TC =
n2
5. Conclusiones e interpretación.
Conclusiones:
Si Fc > F1–α => Se rechaza H0
Si Fc < F1–α => No se rechaza H0
217
Cecilia Ríos Varillas
Laboratorios
Proveedores I II III
1 9(A) 8(B) 3(C)
2 7(B) 5(C) 7(A)
3 2(C) 4(A) 2(B)
Solución
La variable respuesta es: determinaciones de la viscosidad de caucho de silicón.
El factor principal: Métodos para la determinación de la viscosidad.
Hipótesis a probar:
Para proveedores Para laboratorios
H0 : µp1 = µp2 = µp3 H0 : µl1 = µl2 = µl3
H1 : al menos un µi ≠ µj H1 : al menos un µi ≠ µj
Para métodos
H0 : µA = µB = µC
H1 : al menos un µi ≠ µj
Laboratorio Total
Proveedor I II III proveedor
1 9(A) 8(B) 3(C) 20
2 7(B) 5(C) 7(A) 19
3 2(C) 4(A) 2(B) 8
Total laboratorio 18 17 12 47
Métodos
A B C
9 8 3
7 7 5
4 2 2
Total Métodos 20 17 10
218
Estadística y diseño de experimentos
( 47 )
2
Y 2..(.)
TC =
= = 245, 4444
n2 9
Se concluye lo siguiente:
219
Cecilia Ríos Varillas
No hay diferencias significativas entre los laboratorios donde se realizan los aná-
lisis; los resultados realizados por los analistas de cada laboratorio no se dife-
rencian, por lo tanto no interfirieren en las diferencias de las determinaciones de
caucho de silicón, igual da realizarlo con cualquiera de los laboratorios.
En este caso, algunos investigadores pueden considerar que son iguales, tanto el
F calculado como el F de la tabla, y la decisión es según su criterio; sin embargo
si respetamos el resultado como está, se observa que Fcal es mayor, por lo tanto
hay diferencias significativas entre los proveedores que han proporcionado los
materiales, al menos dos de los proveedores están enviando materiales que inter-
firieren en las diferencias de las determinaciones de caucho de silicón.
Se sospecha que cuatro máquinas llenadoras en una planta, están sacando pro-
ductos con diferentes pesos.
Se realizó un experimento para comprobarlo y los datos en onzas son los si-
guientes:
Máquinas
A B C D
12,25 12,18 12,24 12,20
12,27 12,25 12,23 12,17
12,24 12,26 12,23 12,19
12,25 12,20 12,18
12,20 12,16
220
Estadística y diseño de experimentos
Solución
Paso 1
En la Columna 1, la variable respuesta (Peso Neto en onzas) ingrese los datos, en
la Columna 2 el Tipo de Máquina.
Paso 2
Para la Prueba de Homogeneidad de Varianzas, seleccione: Stat/ ANOVA/ Test
for Equal Variances
En la ventana Test for Equal Variances, en Response: Peso Neto, en Factors: Má-
quinas y en Title: Prueba de Homogeneidad de Varianzas.
221
Cecilia Ríos Varillas
Como p-value > 0,05, por defecto, indicaría que las varianzas son estadísticamente
homogéneas.
Nota: En todo paquete estadístico aparece por defecto el valor p-value, y se com-
para así:
Paso 3
Para realizar el ANVA para el ejemplo en DCA: Stat / ANOVA / One-Way.
Source DF SS MS F P
Máquinas 3 0,010726 0,003575 5,55 0,011
Error 13 0,008380 0,000645
Total 16 0,019106
El p-valor del análisis de varianza sale 0,011< 0,05, luego estadísticamente se ob-
servan diferencias significativas en el peso neto de los productos llenados por las
máquinas.
Como las pruebas se han realizado con 4 máquinas distintas, se requiere con-
cluir entre cuáles de estas máquinas existe esta diferencia (entre todas, o solo
entre algunas de ellas). El Minitab ofrece éstos métodos de comprobación, me-
diante el método Tuckey (uno de los más utilizados). Edgar Acuña, en su libro
Análisis Estadístico de datos usando Minitab, presenta todos los procedimien-
tos necesarios.
Una industria química desea probar el efecto de cuatro agentes químicos sobre
la resistencia de un tipo particular de tela. Dado que puede haber variabilidad
entre un rollo de tela y otro decide utilizar a los rollos de tela como bloques, y
selecciona 5 rollos y les aplica los cuatro agentes químicos en orden aleatorio. A
continuación se presentan los datos de la resistencia a la tensión (en psi).
222
Estadística y diseño de experimentos
Solución
Paso 1
En la Columna 1, la variable respuesta (Resistencia a la Tensión) ingrese los da-
tos, en la Columna 2 (Rollo de Tela) y en la Columna 3 (Agente Químico).
Paso 2
Para realizar el ANVA para el ejemplo en DBCA: Stat / ANOVA / Two-Way.
223
Cecilia Ríos Varillas
Source DF SS MS F P
Agente Químico 3 12,95 4,3167 2,38 0,121
Rollo de tela 4 157,00 39,25 21,61 0,000
Error 12 21,80 1,8167
Total 19 171,75
p-value = 0,000 < 0,05 existe diferencias significativas entre los rollos de tela.
Operador
O1 O2 O3
P1 3,0 A 2,4 B 1,9 C
P2 2,1 B 2,7 C 2,3 A
P3 2,1 C 2,6 A 2,5 B
224
Estadística y diseño de experimentos
Solución
Paso 1
En la Columna 1, la variable respuesta (Fuerza) ingrese los datos, en la Columna
2 (Métodos), en la Columna 3 (Operadores) y en la Columna 4 (Plásticos).
Paso 2
Para realizar el ANVA para el ejemplo en DCL: Stat-ANOVA-General Linear Mo-
del.
225
Cecilia Ríos Varillas
Source DF SS MS F P
operadores 2 0,1667 0,0833 0,33 0,752
plásticos 2 0,0067 0,0033 0,01 0,987
métodos 2 0,2600 0,1300 0,51 0,661
Error 2 0,5067 0,2533
Total 8 0,9400
El p-value del análisis de varianza en los tres casos es p > 0,05, estadísticamente se
observan que no hay diferencias significativas en los operadores, tipos de plásti-
cos y tampoco hay diferencias entre los métodos.
Para hacer ello, prueba los cueros con una máquina que hace pasar los zapatos
por una superficie abrasiva; la suela de los zapatos se desgasta al pasarla por
dicha superficie. Como criterio de desgaste se usa la pérdida de peso después de
un número fijo de ciclos. Se prueban en orden aleatorio 24 zapatos, seis de cada
tipo de cuero.
(Pérdida de peso)
A B C D
264 208 220 217
260 220 263 226
258 216 219 215
241 200 225 224
262 213 230 220
255 206 228 222
226
Estadística y diseño de experimentos
Solución
A B C D
264 208 220 217
260 220 263 226
258 216 219 215
241 200 225 224
262 213 230 220
255 206 228 222
n1 6 6 6 6 24
Yi 1540 1263 1385 1324 5812
Yi 256,67 210,5 230,83 220,67
Si 8,29 7,26 16,34 4,18
∑ (n − 1)S i i
2
5S A2 + 5S B2 + 5SC2 + 5S D2
S2 = i =1
= = 101,474925 (CMEE)
t
20
∑ (n − 1)
i =1
i
1 t 1 1
C=
1+ ∑ − t = 1,0833
3(4 − 1) i =1 (ni − 1)
∑ (ni − 1)
i =1
1 t t
=
∑
χ cal
2
= ( ni
C i 1 =i 1
− 1) ln S 2
− ∑ (ni − 1) ln Si2 =8,476565
Conclusión:
Si χcal
2
< 11,3449
227
Cecilia Ríos Varillas
Total 23 9101,33
Ftab(3,20) = 3,098
Como Fcal > Ftab —> Se rechaza Ho
El factor tipo de cuero influye sobre la calidad de las suelas, es claro observar
que los diferentes tipos de cuero, dan calidades diferentes en cuanto a la
pérdida de peso.
228
Estadística y diseño de experimentos
Ejercicio 2
Cobre (mg/ml)
0,00 0,05 0,10 0,20 0,50
0,045 0,084 0,115 0,183 0,395
0,047 0,087 0,116 0,191 0,399
0,051
0,054
Solución
Cobre (mg/ml)
0,00 0,05 0,10 0,20 0,50
0,045 0,084 0,115 0,183 0,395
0,047 0,087 0,116 0,191 0,399
0,051
0,054
n1 4 2 2 2 2 12
Yi 0,197 0,171 0.231 0,374 0,794
Yi 0,04925 0,08550 0,11550 0,187 0,397
Si 0,00403 0,00212 0,00071 0,00566 0,00283
∑ (n − 1)S i i
2
3S12 + 1S 22 + 1S32 + 1S 42 + 1S52
=S 2
=
i =1
t
= 0, 0000134 (CME)
7
∑ (ni − 1)
i =1
229
Cecilia Ríos Varillas
1 t 1 1
C=
1+ ∑ −
3(t − 1) i =1 (ni − 1) t
∑ (ni − 1)
i =1
1 1 1
C = 1+ + 1 + 1 + 1 + 1 − = 1,3492
3(5 − 1) 3 7
1 t t
=
∑
χ cal
2
= ( ni
C i 1 =i 1
− 1) ln S 2
− ∑ (ni − 1) ln Si2
1 t
=χ cal
2
( 7 ) ln ( 0, 0000134 ) − ∑ (ni − 1) ln Si2
1,3492 i =1
1
=χ cal
2
( 7 ) ln ( 0, =
00334 ) − ( −81,9807 ) 2,5489
1,3492
Conclusión:
Si χcal
2
= 2,5489 < 9,4877
H0 : µ1 = µ2 = µ3 = µ4 = µ5
H1 : al menos un µi ≠ µj
Y 2 1, 767 2
TC
= =.. = 0, 26019075
12 12
t n
SCTotal
= ∑∑ y
=i 1 =j 1
2
ij TC
−=
230
Estadística y diseño de experimentos
– (0,26019075) = 0,1759685
Como el Fcal es mayor que el F tabulado, entonces se rechaza Ho, por lo tanto se
concluye que sí hay diferencias significativas en los niveles de cobre, al menos
dos de los niveles producen diferencias en los resultados de espectroscopía en
las unidades de absorción.
Ejercicio 3
Para estudiar el efecto de la temperatura sobre el rendimiento de un proceso
químico se produjeron cinco lotes con cada uno de tres valores de temperatura
(50°C, 60°C y 70°C). Luego de presentar los datos y realizando los cálculos en
MINITAB, el ANVA resultó:
Source DF p
Temperaturas 2 0,210
Error 12
Total 14
231
Cecilia Ríos Varillas
b. ¿El nivel de temperatura tiene efecto sobre la media del rendimiento del
proceso químico?
Solución
a.
La unidad experimental = 1 lote
Variable respuesta. = Rendimiento del proceso químico
Factor = Temperatura
Niveles = 50°C, 60°C y 70°C
b.
El Minitab calcula automáticamente el p-value (valor de probabilidad) que en
este caso es p = 0,210 > 0,05 => No se rechaza H0
El nivel de temperatura no tiene efecto sobre el rendimiento del proceso
químico.
Sustancias 75,13
Muestras 6,69
Error
Total
Solución
a. Las pruebas de hipótesis son las siguientes:
232
Estadística y diseño de experimentos
Y .. S
Datos: Y =
1,96 = CV =× 100% =
14, 44% S=CME
20 Y
Reemplazando en CV:
CME
= 14, 44% ⇒ CME
×100% = 0, 08010
1,96
CM Tr CM Tr
Fc = = = 75,13 ⇒ CM Tr = 6, 0179
CME 0, 0801
Finalmente:
Ejercicio 2
233
Cecilia Ríos Varillas
Variedades
Loc. 1 2 3 4
1 43,60 24,05 19,47 19,41
2 40,40 21,76 16,61 23,84
3 18,08 14,19 16,69 16,08
4 19,57 18,61 17,78 18,29
5 45,20 29,33 20,19 30,08
Solución
∴ Sí, existe diferencia significativa de las respuestas dadas de los cuatro tipos de
variedades, es decir las variedades de trigo producen diferentes respuestas en
bushels por acre.
234
Estadística y diseño de experimentos
Existe diferencias de las respuestas dadas de las cinco localidades, las localidades
producen diferentes respuestas en búshels por acre.
Ejercicio 3
Solución
De la tabla se observa que:
CM ( Mét )
Fc ( Met )
= = 2
CME
Entonces:
CM ( Mét )
2= ⇒ CM ( Mét ) = 10
5
Se completa la tabla del ANVA:
235
Cecilia Ríos Varillas
F(0,95,2,8) = 4,46 => Fcal = 2 < 4,46 => No hay diferencias significativas
F(0,95,4,8) = 3,84 => Fcal = 4,5 > 3,84 => Si hay diferencias significativas
Casilleros
Pisos
1 2 3 4
1 1,40(A) 1,38(B) 1,40(C) 1,60(D)
2 1,35(B) 1,28(A) 1,45(D) 1,62(C)
3 1,38(C) 1,40(D) 1,42(B) 1,63(A)
4 1,39(D) 1,39(C) 1,40(A) 1,60(B)
Solución
Hipótesis a probar:
Para pisos: Para casilleros:
H0 : µp1 = µp2 = µp3 = µp4 H0 : µc1 = µc2 = µc3 = µc4
H1 : al menos un µi ≠ µj H1 : al menos un µi ≠ µj
236
Estadística y diseño de experimentos
Para raciones:
H0 : µA = µB = µC = µD
H1 : al menos un µi ≠ µj
Casilleros Total
Pisos
1 2 3 4 Pisos
Raciones
A B C D
1,40 1,38 1,40 1,60
1,28 1,35 1,62 1,45
1,63 1,42 1,38 1,40
1,40 1,60 1,39 1,39
Total
5,71 5,75 5,79 5,84 23,09
raciones
(=
23, 09 )
2
=TC 33,32175625
16
237
Cecilia Ríos Varillas
Se concluye lo siguiente:
238
Estadística y diseño de experimentos
H0 : µC – µB = 0
H1 : µC < µB <—> µC – µB < 0
Donde SP = 0,08039
0,05 0,95
T(6gl)=-1,943
tCtc ∈ RA H00
Hay evidencia estadística para afirmar que el verdadero peso promedio de los
pollos usando la ración C no es menor que el verdadero peso promedio de los
pollos usando la ración B.
Ejercicio 2
Humedad
Nitrógeno
1 2 3 4
1 A= 8,5 B= 5,0 C=11,5 D= 8,2
2 B= 6,2 A= 10,1 D= 9,2 C= 10,5
3 C= 6,4 D= 2,4 B= 6,0 A= 9,0
4 D= 6,4 C= 9,8 A= 13,5 B= 5,8
239
Cecilia Ríos Varillas
Solución
a. La variable respuesta es: Rendimiento en 100 Kg por parcela
b. Las hipótesis a probar son las siguientes:
Para Nitrógeno: Para humedad:
H0 : µN1 = µN2 = µN3 = µN4 H0 : µh1 = µh2 = µh3 = µh4
H1 : al menos un µi ≠ µj H1 : al menos un µi ≠ µj
Ejercicio 3
Orden de Operador
Montaje 1 2 3 4
I 5,8 C 1,7 D 3,2 A 4,4 B
II 4,2 B 5,5 C 1,4 D 3,0 A
III 3,1 A 4,0 13 5,3 C 1,5 D
IV 1,5 D 3,3 A 4,1 B 5,5 C
240
Estadística y diseño de experimentos
Solución
Se concluye lo siguiente:
Los métodos de ensamblaje y las órdenes de montaje tienen efecto sobre el tiem-
po de ensamblaje de un componente para televisores a color; sin embargo el es-
tudio realizado por los operadores no brinda diferencias significativas sobre el
tiempo de ensamblaje.
Los datos que se muestran a continuación son los grados de dureza Brinell obte-
nidos para muestras de cuatro aleaciones de magnesio:
241
Cecilia Ríos Varillas
¿Existe una diferencia significativa en los grados dureza de las cuatro aleaciones?
α = 0,05.
Ejercicio 2
Se ensayan tres métodos para la determinación del calor de fusión del hielo en
calorías por gramo. Se desea conocer si existen diferencias entre los métodos a un
nivel de significación del 5%.
Ejercicio 3
Lote
1 26,15 26,25 26,39 26,18 26,2
2 24,95 25,01 24,89 24,85 25,13
3 25 25,36 25,2 25,09 25,12
4 26,81 26,75 26,15 26,5 26,7
242
Estadística y diseño de experimentos
Días A B C
3 días 68 90 82
5 días 82 96 88
7 días 90 93 91
Ejercicio 2
Bloque Micrómetro
Calibrador 1 2 3 4 5
A 0,0110 0,0115 0,0130 0,0151 0,0121
B 0,0135 0,0127 0,0132 0,0155 0,0128
C 0,0127 0,0124 0,0132 0,0152 0,0130
Ejercicio 3
Una industria química desea probar el efecto de cuatro agentes químicos sobre
la resistencia de un tipo particular de tela. Dado que puede haber variabilidad
entre un rollo de tela y otro decide utilizar a los rollos de tela como bloques, y
selecciona 5 rollos y les aplica los cuatro agentes químicos en orden aleatorio. A
continuación se presentan los datos de la resistencia a la tensión (en psi).
243
Cecilia Ríos Varillas
Ejercicio 4
Ejercicio 5
Días A B C D
1 84 80 83 79
2 79 77 80 79
3 83 78 80 78
Cada día se prepararon disoluciones del ion metálico (con concentración especi-
ficada) y se realizó la extracción con cada uno de los agentes quelantes, tomados
de una manera aleatoria.
244
Estadística y diseño de experimentos
Posición
Ejecución
1 2 3 4
1 118(B) 136(D) 168(A) 135(C)
2 127(D) 141(B) 129(C) 151(A)
3 174(A) 173(C ) 126(B) 134(D)
4 130(C) 170(A) 125(D) 95(B)
Ejercicio 2
OPERARIO
Orden 1 2 3
1 10(X) 9(Z) 9(Y)
2 10(Y) 11(X) 9(Z)
3 11(Z) 10(Y) 10(X)
Ejercicio 3
245
Cecilia Ríos Varillas
Disponibilidad Pendiente
de Nitrógeno 1 2 3 4
1 785(D) 730(A) 700( C) 795(B)
2 855(A) 775(B) 760(D) 710( C)
3 950( C) 885(D) 795(B) 780(A)
4 945(B) 950( C) 880(A) 835(D)
246
Estadística y diseño de experimentos
Glosario
Grado de libertad. Cantidad que per- Sesgo. Error relacionado con las for-
mite introducir una corrección mate- mas en que difieren la ubicación y
mática en los cálculos estadísticos para muestreo de la población; llamado
restricciones impuestas en los datos. también error de medición, amenaza la
Representa al número de variables in- validez de un estudio.
dependientes de la muestra corregida Valor crítico. Cantidad que una prueba
(n-1). estadística debe exceder (en un sentido
Hipótesis nula. Es la que se está pro- de valor absoluto) para poder rechazar
bando acerca de una población. En ge- la hipótesis nula.
247
Cecilia Ríos Varillas
248
Estadística y diseño de experimentos
Bibliografía
Acuña F, Edgar. Análisis estadístico de datos usando minitab. 3a. edición. Puerto Rico:
Universidad de Puerto Rico, 2010.
Araya Alpízar, Carlo Magno. Estadística para laboratorista químico. San José, C.R.:
Editorial de la Universidad de Costa Rica, 2004.
Chue, Jorge; Barreno, Enma; Millones, Rosa; Vásquez, Félix y Castillo, Carlos.
Estadística aplicada. Lima: Fondo Editorial de la Universidad de Lima, 2009.
Chue, Jorge; Barreno, Enma; Millones, Rosa; Vásquez, Félix y Castillo, Carlos.
Estadística descriptiva y probabilidades. Lima: Fondo Editorial de la Universidad de
Lima, 2007.
249
Cecilia Ríos Varillas
250
Estadística y diseño de experimentos
Anexos
251
Cecilia Ríos Varillas
252
Estadística y diseño de experimentos
0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535
0,2 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1,0 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214
1,1 0,86433 0,86650 0,86864 0,87076 0,87286 0,87493 0,87698 0,87900 0,88100 0,88298
1,2 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89617 0,89796 0,89973 0,90147
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91309 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,5 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327
1,8 0,96407 0,96485 0,96562 0,96638 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99896 0,99900
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918 0,99921 0,99924 0,99926 0,99929
253
Cecilia Ríos Varillas
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942 0,99944 0,99946 0,99948 0,99950
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960 0,99961 0,99962 0,99964 0,99965
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972 0,99973 0,99974 0,99975 0,99976
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981 0,99981 0,99982 0,99983 0,99983
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987 0,99987 0,99988 0,99988 0,99989
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99991 0,99992 0,99992 0,99992 0,99992
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994 0,99994 0,99995 0,99995 0,99995
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996 0,99996 0,99996 0,99997 0,99997
4,0 0,99997 0,99997 0,99997 0,99997 0,99997 0,99997 0,99998 0,99998 0,99998 0,99998
4,1 0,99998 0,99998 0,99998 0,99998 0,99998 0,99998 0,99998 0,99998 0,99999 0,99999
4,2 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999
4,3 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999
4,4 0,99999 0,99999 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000
4,5 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000
4,6 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000
4,7 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000
4,8 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000
4,9 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000
5,0 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000
254
Estadística y diseño de experimentos
255
Cecilia Ríos Varillas
256
Estadística y diseño de experimentos
257
Cecilia Ríos Varillas
V2\v1 1 2 3 4 5 6 7 8 9 10 11 12
1 4052 4999 5403 5625 5764 5859 5928 5981 6022 6056 6083 6106
2 98,50 99,00 99,17 99,25 99,30 99,33 99,36 99,37 99,39 99,40 99,41 99,42
3 34,1 30,8 29,5 28,7 28,2 27,9 27,7 27,5 27,3 27,2 27,1 27,1
4 21,2 18,0 16,7 16,0 15,5 15,2 15,0 14,8 14,7 14,5 14,5 14,4
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05 9,963 9,888
6 13,75 10,92 9,780 9,148 8,746 8,466 8,260 8,102 7,976 7,874 7,790 7,718
7 12,25 9,547 8,451 7,847 7,460 7,191 6,993 6,840 6,719 6,620 6,538 6,469
8 11,26 8,649 7,591 7,006 6,632 6,371 6,178 6,029 5,911 5,814 5,734 5,667
9 10,56 8,022 6,992 6,422 6,057 5,802 5,613 5,467 5,351 5,257 5,178 5,111
10 10,04 7,559 6,552 5,994 5,636 5,386 5,200 5,057 4,942 4,849 4,772 4,706
11 9,646 7,206 6,217 5,668 5,316 5,069 4,886 4,744 4,632 4,539 4,462 4,397
12 9,330 6,927 5,953 5,412 5,064 4,821 4,640 4,499 4,388 4,296 4,220 4,155
13 9,074 6,701 5,739 5,205 4,862 4,620 4,441 4,302 4,191 4,100 4,025 3,960
14 8,862 6,515 5,564 5,035 4,695 4,456 4,278 4,140 4,030 3,939 3,864 3,800
15 8,683 6,359 5,417 4,893 4,556 4,318 4,142 4,004 3,895 3,805 3,730 3,666
16 8,531 6,226 5,292 4,773 4,437 4,202 4,026 3,.890 3,780 3,691 3,616 3,553
17 8,400 6,112 5,185 4,669 4,336 4,102 3,927 3,791 3,682 3,593 3,519 3,455
18 8,285 6,013 5,092 4,579 4,248 4,015 3,841 3,705 3,597 3,508 3,434 3,371
19 8,185 5,926 5,010 4,500 4,171 3,939 3,765 3,631 3,523 3,434 3,360 3,297
20 8,096 5,849 4,938 4,431 4,103 3,871 3,699 3,564 3,457 3,368 3,294 3,231
21 8,017 5,780 4,874 4,369 4,042 3,812 3,640 3,506 3,.398 3,310 3,236 3,173
22 7,945 5,719 4,817 4,313 3,988 3,758 3,587 3,453 3,346 3,258 3,184 3,121
23 7,881 5,664 4,765 4,264 3,939 3,710 3,539 3,406 3,299 3,211 3,137 3,074
24 7,823 5,614 4,718 4,218 3,895 3,667 3,496 3,363 3,256 3,168 3,094 3,032
25 7,770 5,568 4,675 4,177 3,855 3,627 3,457 3,324 3,217 3,129 3,056 2,993
26 7,721 5,526 4,637 4,140 3,818 3,591 3,421 3,288 3,182 3,094 3,021 2,958
27 7,677 5,488 4,601 4,106 3,785 3,558 3,388 3,256 3,149 3,062 2,988 2,926
28 7,636 5,453 4,568 4,074 3,754 3,528 3,358 3,226 3,120 3,032 2,959 2,896
29 7,598 5,420 4,538 4,045 3,725 3,499 3,330 3,198 3,092 3,005 2,931 2,868
30 7,562 5,390 4,510 4,018 3,699 3,473 3,304 3,173 3,067 2,979 2,906 2,843
35 7,419 5,268 4,396 3,908 3,592 3,368 3,200 3,069 2,963 2,876 2,803 2,740
40 7,314 5,179 4,313 3,828 3,514 3,291 3,124 2,993 2,888 2,801 2,727 2,665
45 7,234 5,110 4,249 3,767 3,454 3,232 3,066 2,935 2,830 2,743 2,670 2,608
continua en la pág. siguiente
258
Estadística y diseño de experimentos
50 7,171 5,057 4,199 3,720 3,408 3,186 3,020 2,890 2,785 2,698 2,625 2,562
60 7,077 4,977 4,126 3,649 3,339 3,119 2,953 2,823 2,718 2,632 2,559 2,496
100 6,895 4,824 3,984 3,513 3,206 2,988 2,823 2,694 2,590 2,503 2,430 2,368
200 6,763 4,713 3,881 3,414 3,110 2,893 2,730 2,601 2,497 2,411 2,338 2,275
300 6,720 4,677 3,848 3,382 3,079 2,862 2,699 2,571 2,467 2,380 2,307 2,244
500 6,686 4,648 3,821 3,357 3,054 2,838 2,675 2,547 2,443 2,356 2,283 2,220
259
Cecilia Ríos Varillas
28 2,842 2,795 2,753 2,602 2,506 2,440 2,354 2,300 2,263 2,187 2,090
29 2,814 2,767 2,726 2,574 2,478 2,412 2,325 2,271 2,234 2,158 2,060
30 2,789 2,742 2,700 2,549 2,453 2,386 2,299 2,245 2,208 2,131 2,032
35 2,686 2.639 2,597 2,445 2,348 2,281 2,193 2,137 2,099 2,020 1,918
40 2,611 2.563 2,522 2,369 2,271 2,203 2,114 2,058 2,019 1,938 1,833
45 2,553 2.506 2,464 2,311 2,213 2,144 2,054 1,997 1,958 1,875 1,767
50 2,508 2.461 2,419 2,265 2,167 2,098 2,007 1,949 1,909 1,825 1,713
60 2,442 2.394 2,352 2,198 2,098 2,028 1,936 1,877 1,836 1,749 1,633
100 2,313 2.265 2,223 2,067 1,965 1,893 1,797 1,735 1,692 1,598 1,466
200 2,220 2.172 2,129 1,971 1,868 1,794 1,694 1,629 1,583 1,481 1,328
300 2,190 2.142 2,099 1,940 1,836 1,761 1,660 1,594 1,547 1,441 1,276
500 2,166 2,117 2,075 1,915 1,810 1,735 1,633 1,566 1,517 1,408 1,232
260
Estadística y diseño de experimentos
v2\v1 1 2 3 4 5 6 7 8 9 10 11 12
1 161,4 199,5 215,7 224,6 230,2 234,0 236,8 238,9 240,5 241,9 243,0 243,9
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,40 19,41
3 10,13 9,552 9,277 9,117 9,013 8,941 8,887 8,845 8,812 8,786 8,763 8,745
4 7,709 6,944 6,591 6,388 6,256 6,163 6,094 6,041 5,999 5,964 5,936 5,912
5 6,608 5,786 5,409 5,192 5,050 4,950 4,876 4,818 4,772 4,735 4,704 4,678
6 5,99 5,14 4,757 4,534 4,387 4,284 4,207 4,147 4,099 4,060 4,027 4,000
7 5,59 4,737 4,347 4,120 3,972 3,866 3,787 3,726 3,677 3,637 3,603 3,575
8 5,32 4,459 4,066 3,838 3,687 3,581 3,500 3,438 3,388 3,347 3,313 3,284
9 5,12 4,256 3,863 3,633 3,482 3,374 3,293 3,230 3,179 3,137 3,102 3,073
10 4,96 4,103 3,708 3,478 3,326 3,217 3,135 3,072 3,020 2,978 2,943 2,913
11 4,844 3,982 3,587 3,357 3,204 3,095 3,012 2,948 2,896 2,854 2,818 2,788
12 4,747 3,885 3,490 3,259 3,106 2,996 2,913 2,849 2,796 2,753 2,717 2,687
13 4,667 3,806 3,411 3,179 3,025 2,915 2,832 2,767 2,714 2,671 2,635 2,604
14 4,600 3,739 3,344 3,112 2,958 2,848 2,764 2,699 2,646 2,602 2,565 2,534
15 4,543 3,682 3,287 3,056 2,901 2,790 2,707 2,641 2,588 2,544 2,507 2,475
16 4,494 3,634 3,239 3,007 2,852 2,741 2,657 2,591 2,538 2,494 2,456 2,425
17 4,451 3,592 3,197 2,965 2,810 2,699 2,614 2,548 2,494 2,450 2,413 2,381
18 4,414 3,555 3,160 2,928 2,773 2,661 2,577 2,510 2,456 2,412 2,374 2,342
19 4,381 3,522 3,127 2,895 2,740 2,628 2,544 2,477 2,423 2,378 2,340 2,308
20 4,351 3,493 3,098 2,866 2,711 2,599 2,514 2,447 2,393 2,348 2,310 2,278
21 4,325 3,467 3,072 2,840 2,685 2,573 2,488 2,420 2,366 2,321 2,283 2,250
22 4,301 3,443 3,049 2,817 2,661 2,549 2,464 2,397 2,342 2,297 2,259 2,226
23 4,279 3,422 3,028 2,796 2,640 2,528 2,442 2,375 2,320 2,275 2,236 2,204
24 4,260 3,403 3,009 2,776 2,621 2,508 2,423 2,355 2,300 2,255 2,216 2,183
25 4,242 3,385 2,991 2,759 2,603 2,490 2,405 2,337 2,282 2,236 2,198 2,165
26 4,225 3,369 2,975 2,743 2,587 2,474 2,388 2,321 2,265 2,220 2,181 2,148
27 4,210 3,354 2,960 2,728 2,572 2,459 2,373 2,305 2,250 2,204 2,166 2,132
28 4,196 3,340 2,947 2,714 2,558 2,445 2,359 2,291 2,236 2,190 2,151 2,118
29 4,183 3,328 2,934 2,701 2,545 2,432 2,346 2,278 2,223 2,177 2,138 2,104
30 4,171 3,316 2,922 2,690 2,534 2,421 2,334 2,266 2,211 2,165 2,126 2,092
35 4,121 3,267 2,874 2,641 2,485 2,372 2,285 2,217 2,161 2,114 2,075 2,041
40 4,085 3,232 2,839 2,606 2,449 2,336 2,249 2,180 2,124 2,077 2,038 2,003
261
Cecilia Ríos Varillas
45 4,057 3,204 2,812 2,579 2,422 2,308 2,221 2,152 2,096 2,049 2,009 1,974
50 4,034 3,183 2,790 2,557 2,400 2,286 2,199 2,130 2,073 2,026 1,986 1,952
60 4,001 3,150 2,758 2,525 2,368 2,254 2,167 2,097 2,040 1,993 1,952 1,917
100 3,936 3,087 2,696 2,463 2,305 2,191 2,103 2,032 1,975 1,927 1,886 1,850
200 3,888 3,041 2,650 2,417 2,259 2,144 2,056 1,985 1,927 1,878 1,837 1,801
300 3,873 3,026 2,635 2,402 2,244 2,129 2,040 1,969 1,911 1,862 1,821 1,785
500 3,860 3,014 2,623 2,390 2,232 2,117 2,028 1,957 1,899 1,850 1,808 1,772
262
Estadística y diseño de experimentos
27 2,103 2,078 2,056 1,974 1,921 1,884 1,836 1,806 1,785 1,742 1,686
28 2,089 2,064 2,041 1,959 1,906 1,869 1,820 1,790 1,769 1,725 1,669
29 2,075 2,050 2,027 1,945 1,891 1,854 1,806 1,775 1,754 1,710 1,653
30 2,063 2,037 2,015 1,932 1,878 1,841 1,792 1,761 1,740 1,695 1,637
35 2,012 1,986 1,963 1,878 1,824 1,786 1,735 1,703 1,681 1,635 1,574
40 1,974 1,948 1,924 1,839 1,783 1,744 1,693 1,660 1,637 1,589 1,526
45 1,945 1,918 1,895 1,808 1,752 1,713 1,660 1,626 1,603 1,554 1,488
50 1,921 1,895 1,871 1,784 1,727 1,687 1,634 1,599 1,576 1,525 1,457
60 1,887 1,860 1,836 1,748 1,690 1,649 1,594 1,559 1,534 1,481 1,409
100 1,819 1,792 1,768 1,676 1,616 1,573 1,515 1,477 1,450 1,392 1,308
200 1,769 1,742 1,717 1,623 1,561 1,516 1,455 1,415 1,386 1,321 1,221
300 1,753 1,725 1,700 1,606 1,543 1,497 1,435 1,393 1,363 1,296 1,188
500 1,740 1,712 1,686 1,592 1,528 1,482 1,419 1,376 1,345 1,275 1,159
263
Cecilia Ríos Varillas
264
Estadística y diseño de experimentos
265