Está en la página 1de 12

GUIA DE PRACTICA N° 1

EJEMPLOS
1. Ejemplo 1
Acerotubo S.A. fabrica diariamente una cantidad invariable de tubos de acero. Los
productos son fabricados independientemente uno de otro. Un ingeniero ambiental
determina que la probabilidad de que un producto resulte defectuoso es del 10%.
Calcule la probabilidad de que en una muestra de 15 tubos elegidos al azar:
X = Número de aparatos defectuosos.
n = 15
α = 0.1 (10%)

 2 Tubos sean defectuosos:


P[x = 2] = P[x ≤ 2] - P[x ≤ 2]
P[x = 2] = 0.8159 – 0.5490 = 0.2669

Rpta. Es 26.69% probable que haya dos tubos defectuosos.

 A lo más 3 tubos sean defectuosos:


P[x ≤ 3] = 0.9444

Rpta. Es 94.44% probable que a lo mas, 3 tubos sean defectuosos.

 10 Tubos no sean defectuosos:


α = 0.9 (90%)
P[x = 10] = P[x ≤ 10] - P[x ≤ 9]
P[x = 10] = 0.01272 - 0.002250 = 0.01047

Rpta. Es 1.047% probable que 10 tubos no sean defectuosos.

 Por lo menos 4 tubos no sean defectuosos:


α = 0.9 (90%)
P[x ≥ 4] = 1.000

Rpta. Es 100% probable que lo menos 4 tubos no sean defectuosos.

2. Ejemplo 2
En un estudio de laboratorio bacteriológico de aguas se afirma que el 3% de las
tomas domiciliarias contienen la bacteria E. Coli en concentraciones arriba del límite
estipulado por las leyes ambientales. Si esta afirmación es correcta, encontrar la
probabilidad que, el número de bacterias E. Coli, en una muestra aleatoria de 25
tomas domiciliarias, se encontrará.
X = El número de bacterias E. Coli en domicilios.
n = 25
α = 0.03 (3%)

 Ninguna bacteria.
P[x = 0] = P[x ≤ 0] = 0.4670

Rpta. Hay un 46.7% de no haya ninguna bacteria.


 Cuando menos una bacteria.
P[x ≥ 1] = 0.5330

Rpta. Hay un 53.3% de que al menos haya una bacteria.


 Entre 1 y 5 incluso.
P[1 ≤ x ≤ 5] = 0.5329

Rpta. Hay un 53.29% de probabilidad que haya entre 1 y 5 bacterias.

 Mas de 5 bacterias.
P[x > 5] = P[x ≥ 6] = 0.00007890

Rpta. No es probable que haya más de 5 bacterias.

 Mas de 5 pero menos de 10.


P[5 < x < 10] = P[6 ≤ x ≤ 9] = 0.0007810

Rpta. No es probable que haya más de 5 y menos de 10 bacterias.

3. Ejemplo 3
Una compañía manufacturera utiliza un mecanismo de control para realizar el
embarque de sus artículos por aduana. De una caja 25 artículos de los cuales hay 2
artículos defectuosos, se selecciona una muestra de 4 artículos para verificar si tiene
articulo defectuoso.
Si se encuentra al menos un artículo defectuoso, la caja entera se regresa para
verificarla al 100% caso contrario, la caja se embarca. ¿Cuál es la probabilidad que
la caja se embarca?
X = N° de artículos defectuosos.
N = 25
r=2
n=4
P[x ≥ 1] = para que se regrese
P(embarque) [x  1]= P[x ≤0]= 0.7

Rpta.

4. Ejemplo 4
Un fabricante de precipitadores electrostáticos afirma que el 6% de este equipo para
controlar las particular contaminantes del aire, esta defectuoso. Si esta afirmación
es correcta, encontrar las probabilidades de que el número de aparatos defectuosos
sacados de una muestra de 10 estén en mal estado.
X = N° de aparatos defectuosos en mal estado.
n = 10
α = 0.06 (6%)

 Exactamente dos aparatos estarán defectuosos.


P[x = 2] = P[x ≤ 2] - P[x ≤ 1]
P[x = 2] = 0.9812 - 0.8824 = 0.0988

Rpta. Es 9.8% probable que 2 aparatos estén defectuosos.

 Cuando menos dos aparatos estarán defectuosos.


P[x ≥ 2] = 0.1176

Rpta. Es 11.76% probable que cuando menos 2 o más aparatos estén


defectuosos.

 Menos que un aparato estará defectuoso.


P[x < 1] = P[x ≤ 0] = 0.5386

Rpta. Es 53.86% probable que menos de un aparato este defectuoso.

 Entre 2 y 5 incluso y excluso.


P[2 ≤ x < 5] = P[2 ≤ x ≤ 4] = 0.1174

Rpta. Es 11.74% probable que haya entre 2 y 5 aparatos defectuosos, incluso y


excluso.

5. Ejemplo 5
Asúmase que una población de 10 medidores de pH (que miden la acidez y la
alcalinidad de soluciones químicas) contiene 4 unidades defectuosas (éxitos
arbitrariamente). Si una muestra de 3 medidores se selección al azar, sin reemplazo,
encontrar las siguientes probabilidades.
X = Medidores de pH defectuosos.
N = 10
r=4
n=3

 Exactamente 1 aparato de pH estará defectuoso.


P[x = 1] = P[x ≤ 1] – P[x ≤ 0]
P[x = 1] = 0.6667 - 0.1667 = 0.5

Rpta. Es 50% probable que 1 aparato de pH este defectuoso.

 2 aparatos estarán defectuosos.


P[x = 2] = P[x ≤ 2] – P[x ≤ 1]
P[x = 2] = 0.9667 - 0.6667 = 0.3

Rpta. Es 30% probable que 2 aparatos de pH estén defectuosos.

 3 aparatos de pH resultaran defectuosos de la muestra seleccionada.


P[x = 3] = P[x ≤ 3] – P[x ≤ 2]
P[x = 3] = 1 - 0.9667 = 0,0333

Rpta. Es 3.33% probable que 3 aparatos de pH estén defectuosos.

 A lo más 2 aparatos estarán defectuosos.


P[x ≤ 2] = 0.9667

Rpta. Es 96.67% probable que a lo más 2 aparatos de pH estén defectuosos.

 Hacer gráficas para P(X = x) y P(X ≤ x).

6. Ejemplo 6
Los cambios realizados en los procedimientos de los aeropuertos requieren una
planeación considerable. Los índices de llegada de los aviones es un factor
importante que se debe tomar en cuenta. Si los aviones pequeños llegan al
aeropuerto con una media de 6 por hora.
X = Los índices de llegada de los aviones.
λ=6

 Defina la variable en estudio y halle la probabilidad de que exactamente 4


aeronaves pequeñas lleguen en un lapso de una hora.
P[x = 4] = P[x ≤ 4] – P[x ≤ 3]
P[x = 4] = 0.2851 - 0.1512 = 0.1339

Rpta. Es 13.39% probable que 4 aeronaves pequeñas lleguen en un lapso de


una hora.

 ¿Cuál es la probabilidad que lleguen más de 4 aeronaves en una hora?


P[x > 4] = P[x ≥ 5] = 0.7149

Rpta. Es 71.49% probable que más de 4 aeronaves pequeñas lleguen en un


lapso de una hora.

 Defina la variable en estudio y ¿Cuál es la probabilidad de que exactamente 4


aeronaves pequeñas lleguen en un lapso de media hora?
λ=3
P[x = 4] = P[x ≤ 4] – P[x ≤ 3]
P[x = 4] = 0.8153 - 0.6472 = 0.1681

Rpta. Es 16.81% probable que 4 aeronaves pequeñas lleguen en un lapso de


media hora.

 ¿Cuál es la probabilidad que lleguen más de 4 aeronaves en media hora?


P[x > 4] = P[x ≥ 5] = 0.1847

Rpta. Es 18.47% probable que más de 4 aeronaves pequeñas lleguen en un


lapso de media hora.

7. Ejemplo 7
Un estudio de higiene industrial y seguridad hecho a largo plazo de los accidentes
en una fábrica, llevo a la gerencia a concluir que el número de accidentes por
trabajador, durante un año (x) sigue a una distribución Poisson. Si el número
promedio de accidentes por trabajador por año fue de 0.3, estimar lo siguiente:
X = Los accidentes en una fábrica por trabajador.
λ = 0.3

 ¿Cuál es la probabilidad de que un trabajador seleccionado, aleatoriamente, no


tendrá un accidente durante el año siguiente?
P[x = 0] = P[x ≤ 0] = 0.7408

Rpta. Es 74.08% probable que un trabajador seleccionado aleatoriamente no


tendrá un accidente durante el año siguiente.

 ¿Cuál es la probabilidad de que un empleado seleccionado, aleatoriamente,


tendrá cuando menos un accidente durante el siguiente año?
P[x ≥ 1] = 0.2592
Rpta. Es 25.92% probable que un empleado seleccionado aleatoriamente tendrá
cuando menos un accidente durante el siguiente año.

 ¿Cuál es la probabilidad de que un trabajador tendrá, exactamente, un accidente?


P[x = 1] = P[x ≤ 1] – P[x ≤ 0]
P[x = 1] = 0.9631 - 0.7408 = 0.2223

Rpta. Es 22.23% probable que un trabajador tendrá exactamente, un accidente.

 ¿Cuál es la probabilidad de que un trabajador seleccionado al azar de la fábrica


tendrá entre 2 y 4 accidentes, inclusivamente, el próximo año?
P[2 ≤ x ≤ 4] = 0.03692

Rpta. Es 3.69% probable que un trabajador seleccionado al azar de la fábrica


tendrá entre 2 y 4 accidentes, inclusivamente, el próximo año.

8. Ejemplo 8
En un estudio de higiene industrial y seguridad, una población de trabajadores de
un grupo de industrias que manejan procesos, donde hay ruido, el 5% sufren de
problemas emocionales que interfieren con su trabajo. Si se saca una muestra
aleatoria de 60 trabajadores, ¿Cuál es la probabilidad del número de trabajadores,
quienes sufren disturbios emocionales? Hacer este problema con la distribución
binomial y luego con la distribución de Poisson como una aproximación la binomial
y comparar resultados:
X = N° de trabajadores que sufren disturbios emocionales.
n = 60
α = 0.05 (5%)

 Más de 2 trabajadores sufran de disturbios emocionales.


P[x > 2] = P[x ≥ 3] = 0.5826

Rpta. Es 58.26% probable que más de 2 trabajadores sufran de disturbios


emocionales.

 Cuando menos de 4.
P[x < 4] = P[x ≤ 3] = 0.6473

Rpta. Es 64.73% probable que cuando menos de 4 trabajadores sufran de


disturbios emocionales.

 5 o más.
P[x > 5] = P[x ≥ 6] = 0.07872

Rpta. Es 7.87% probable que 5 o más trabajadores sufran de disturbios


emocionales.

EJERCICIOS DE REPASO
1. El peso promedio de residuos tóxicos peligrosos generados por 500 industrias es de
151 toneladas métricas, con una desviación estándar de 15 toneladas. Si los pesos
de los residuos tóxicos generados por estas industrias están normalmente
distribuidos, encontrar todo lo siguiente:
X ~ N(µ ; σ)
µ = 151
σ = 15

a) ¿Cuántas industrias generan entre 120 y 155 toneladas, inclusive?


P[120 ≤ x ≤ 155] = 0.5858
0.5858 x 500 = 292.9

Rpta. 292 industrias generan entre 120 y 155 toneladas de residuos tóxicos
peligrosos.

b) ¿Cuántas generan más de 185 toneladas?


P[x > 185] = 0.01171
0.01171 x 500 = 5.855

Rpta. 5 industrias generan más de 185 toneladas de residuos tóxicos peligrosos.

c) ¿Cuántas generan cuando menos 128 toneladas?


P[x ≥ 128] = 0.9374
0.9374 x 500 = 468.7

Rpta. 468 industrias generan cuando menos 128 toneladas de residuos tóxicos
peligrosos.

d) ¿Cuántas generan igual a 128 toneladas?


P[x = 128] = P[x ≤ 128] - P[x ≤ 127]
P[x = 128] = 0.06260 - 0.05480 = 0.0078
0.0078 x 500 = 3.9

Rpta. 3 industrias generan 128 toneladas de residuos tóxicos peligrosos.

e) ¿Cuántas generan más de 75, pero menos de 100 toneladas?


P[75 < x < 100] = 0.0003367
0.0003367 x 500 = 0.16835

Rpta. 0 industrias generan más de 75, pero menos de 100 toneladas de residuos
tóxicos peligrosos.

2. En un estudio de ingeniería de higiene industrial y seguridad, el supervisor de


producción encuentra que, los trabajadores, en promedio, completan una tarea en
10 minutos cuando están expuestos a altas concentraciones de gases. Los tiempos
requeridos para completar la tarea son aproximadamente normales con una
desviación estándar de 3 minutos. Encontrar lo siguiente:
X ~ N(µ ; σ)
µ = 10
σ=3

a) La proporción de empleados que completan la tarea en menos de 4 minutos.


P[x < 4] = 0.02275
Gráfica de distribución
Normal; Media=10; Desv.Est.=3
0.14

0.12

0.10
Densidad

0.08

0.06

0.04

0.02
0.02275
0.00
4 10
X

b) El % de empleados que requieren mas de 5 minutos en complementar la tarea.


P[x > 5] = 0.9522

Gráfica de distribución
Normal; Media=10; Desv.Est.=3
0.14

0.12

0.9522
0.10
Densidad

0.08

0.06

0.04

0.02

0.00
5 10
X

c) La probabilidad de que un empleado, quien acaba de ser asignado a la tarea, la


completará dentro de 3 minutos.
P[x = 3] = P[x ≤ 3] – P[x ≤ 2]
P[x = 3] =

3. En un estudio de meteorología de precipitación pluvial, el promedio de lluvia


registrado, a la centésima de un centímetro, para el mes de marzo fue de 9.22
centímetros. Asumiendo que estos valores están normalmente distribuidos con una
desviación estándar conocida de 2.83 cm. Encontrar la probabilidad de que el
siguiente mes de marzo del año entrante, se reciban:
a) Mas de 5 cm de lluvia.
b) Cuando menos 13.8 cm de lluvia.
c) A lo mas 10 cm de lluvia.
d) Igual a 5 cm de lluvia. e.g P(4.5 ≤ x ≤ 5.5)
e) Hacer una grafica para cada inciso.
GUIA DE PRACTICA N° 2

CASO 1: CUANDO SE CONOCE LA VARIANZA DE LA POBLACION:


EJEMPLO 1: En un estudio de la ingeniería ambiental atmosférica, para evitar la
contaminación ambiental producida por el consumo excesivo e innecesario de gasolina,
en el diseño de un motor de combustión interna, el departamento de ingeniería de un
constructor de autos, de cierto modelo, afirma que el rendimiento del millaje de este
modelo de auto es de cuando menos 35 millas por galón. El departamento de control de
calidad sugiere que el valor de la desviación estándar es de σ = 4 millas. La
Environmental Protection Agency de Estados Unidos de América quiere probar esta
afirmación para ver si la figura afirmada debería ser mas alta o mas baja que 35 millas
por galón. Para esto, se saca una muestra aleatoria de 50 modelos de este tipo y se
prueban bajo circunstancias iguales. Los resultados dan un promedio muestral de 33.6
millas de galón. Probar el reclamo del departamento de ingeniería usando un nivel de
significancia de 0.05.
n = 50 x̅ = 33.6
σ=3 α =0.05
H0: µ ≥ 35 (el rendimiento del millaje de este modelo de auto es de cuando menos 35
millas por galón)
H1: µ  35 (el rendimiento del millaje de este modelo de auto es menor a 35 millas por
galón)

EJEMPLO 2: El gerente de la empresa H&B afirma que el dinero que se gasta en


limpieza de la empresa diarias se distribuyen según el modelo de la probabilidad normal
con una media de 400 nuevos soles y una desviación estándar de 20 nuevos soles. Para
verificar la hipótesis con respecto a la media se escogió una muestra aleatoria de la
limpieza de la empresa de 100 días y encontró que la media de la limpieza de la empresa
es igual a 395 nuevos soles. Si el analista utiliza una hipótesis alternativa bilateral y el
nivel de significancia del 5%. ¿Cuál sería su conclusión?
n = 100 x̅ = 395
σ = 20 α =0.05
H0: µ = 400 (el dinero que se gasta en limpieza de la empresa es de 400 nuevos soles)
H1: µ ≠ 400 (el dinero que se gasta en limpieza de la empresa es diferente de 400
nuevos soles)
CASO 2: CUANDO LA VARIANZA DE LA POBLACION ES DESCONOCIDA:
EJEMPLO 3: Los registros de un propietario de una fabrica de embutidos indican que
la media del numero de galones de gasolina que consume es igual a 4 galones. Además,
los registros muestran que los consumos de gasolina de la fábrica tienen una
distribución normal. Sin embargo, debido a la reciente alza en el precio de la gasolina
se cree que este consumo ha bajado. Para verificar esta hipótesis se escogió una
muestra aleatoria de 14 días resultando los siguientes consumos de gasolina en
galones:
3.5 4.1 3.8 3.9 4.2 3.1 3.4 3.6 3.8 3.3 4.2 4.1 3.6 3.9
Con estos datos y con un nivel de significancia de 0.05, ¿el incremento en el precio de
la gasolina ha influido en la baja consumo promedio?
α =0.05
H0: µ = 4 (número de galones de gasolina que consume es igual a 4 galones)
H1: µ ≠ 4(número de galones de gasolina que consume es diferente a 4 galones)

EJEMPLO 4: Las cajas de cierto tipo de cereal procesadas por una fábrica deben tener
un contenido promedio de 160 gramos. Por una queja ante el defensor del consumidor
de que tales cajas de cereal tienen menos contenido, un inspector tomo una muestra
aleatoria de 10 cajas encontrando los siguientes pesos de cereal en gramos:
157 157 163 158 161 159 162 159 158 156
¿Es razonable que el inspector multe al fabricante?
Utilice un nivel de significancia del 5% y suponga que los contenidos tienen distribución
normal.
α =0.05
H0: µ = 160 (la caja de cereal tiene un contenido promedio de 160 gramos)
H1: µ ≠ 160(la caja de cereal NO tiene contenido promedio de 160 gramos)

PRUEBA DE HIPOTESIS PARA UNA PROPORCION


EJEMPLO 5: Un grupo ambiental afirma que los incidentes de las aves que chocan con
los aviones son muy raros, es decir, como para justificar la matanza de aves en los
aeropuertos. Sin embargo, un grupo de pilotos aviadores afirman que, en el despegue
de los aviones, en el 10% de los casos, las aves chocan contra el avión. Usar α = 0.05.
Para probar esta afirmación. La muestra es de 150 despegues abortados de aviones,
de los cuales 5 se debieron a choque contra las aves.
N = 150 α =0.05
n=5
H0: P = 0.01 (el 10% de los casos, las aves chocan contra el avión)
H1: P ≠ 0.01 (el 10% de los casos, las aves no chocan contra el avión)
EJEMPLO 6: El laboratorio de la calidad del agua afirma que el porcentaje de clientes
que son atendidos en las ventanillas por mas de 5 minutos es igual a 0.30. Con el fin de
evaluar esta afirmación se escogió una muestra aleatoria de 400 clientes atendidos en
las ventanillas del laboratorio y se encontró que 100 de ellos demoraron más de 5
minutos.
Al nivel de significancia del 1% ¿Presenta esta muestra suficiente evidencia que indique
que el porcentaje de clientes que demoran más de 5 minutos en las ventanillas es
diferente de 0.3?
N = 400 α =0.01
n = 100
H0: P = 0.30 (el porcentaje de clientes que son atendidos en las ventanillas por más de
5 minutos es igual a 0.30.)
H1: P ≠ 0.30 (el porcentaje de clientes que son atendidos en las ventanillas por más de
5 minutos no es igual a 0.30.)

EJEMPLO 7: Un activista del medio ambiente afirma que, menos de la mitad de las
industrias, cumplen con los limites ambientales. Probar esta aseveración, si un sondeo
dice que 48% de 1998 de industrias si cumplen, satisfactoriamente, con los reglamentos
ambientales. Usar un nivel de α = 0.05.
En este problema la hipótesis alternativa se interpreta como Ha: P < 0.5
Por lo tanto, la hipótesis nula debe ser H0: P > 0.5
N = 1998 α =0.01
n = 48% (959)
H0: P > 0.5 (menos de la mitad de las industrias, cumplen con los limites ambientales)
H1: P < 0.5 (más de la mitad de las industrias, cumplen con los limites ambientales)
GUIA DE PRACTICA N° 3

CASO 1: TRATAMIENTOS DE LODOS ACTIVADOS


Para probar la eficiencia de una planta de tratamiento lodos activados se midió la
concentración de DBO5 en la entrada y en el efluente (salida). Se requiere saber que
tan eficiente es este sistema de tratamiento del drenaje. Use un nivel de significancia
del 5%.
Tabla 1.0 Tabla mostrando las concentraciones de DBO. (Elaboración propia).
Concentraciones de DBO Concentraciones de DBO Diferencia de las
en la entrada (mg/L) en el efluente (mg/L) concentraciones (mg/L)
170.5 140.4 30.1
207.4 174.7 32.7
215.9 170.2 45.7
209.0 174.6 34.4
171.6 154.6 17
201.2 185.0 16.2
209.9 118.9 91
213.3 169.8 43.5
184.1 174.7 9.4
220.4 176.7 43.7

H0: µ1 - µ2 ≥ 0 (Que sea eficiente)


H1: µ1 - µ2 < 0 (Que no sea eficiente)

CASO 2: HONGO EN LAS RAICES DE ARBOLES


Este es un ejemplo sacado del texto de Probabilidad y Estadística de Walpole et al.
(1999). Esta investigación esta relacionada con el desarrollo de lo llamado
ectomycorrhizal, una relación simbiótica entre las raíces de los arboles y un hongo en la
que se transfieren minerales del hongo a los árboles y azucares de los arboles a los
hongos. Este experimento consistió en aplicar nitrógeno a la mitad de los árboles y a la
otra mitad o sea el grupo de control al cual no se le aplico el nitrógeno.
Los pesos de los arboles se registraron en gramos al final del experimento. Probar que
no hay diferencia entre los pesos de las dos poblaciones de árboles. Asumir en
pareamiento en este problema. Asumir un nivel de significancia del 2%. Los datos se
presentan a continuación:
Tabla 2.0 Tabla mostrando los datos del problema (Walpole et al. 1999)
Sin
0.32 0.53 0.28 0.37 0.47 0.43 0.36 0.42 0.38 0.43
nitrógeno
Con
0.26 0.43 0.47 0.49 0.52 0.57 0.79 0.86 0.62 0.46
nitrógeno

H0: µ1 - µ2 = 0 (no hay diferencia entre los pesos de las dos poblaciones de árboles)
H1: µ1 - µ2 ≠ 0 (si hay diferencia entre los pesos de las dos poblaciones de árboles)
CASO 3: RESISTENCIA EN LLANTAS DE AUTOMOVILES
Un fabricante desea comprar la resistencia al desgaste de dos tipos de llantas A y B.
Para hacer la comparación, asigno al azar una llanta A y una B a las ruedas posteriores
de 5 automóviles. Los automóviles recorrieron un numero especifico de kilómetros y se
observo el desgaste de cada llanta. Estos valores aparecen en la siguiente tabla:
Tabla 3.0 Resistencia en llantas de automóviles.
Automovil Llanta A Llanta B
1 10.6 10.2
2 9.8 9.4
3 12.3 11.8
4 9.7 9.1
5 8.8 8.3
¿Hay diferencia significativa entre el desgaste medio de los dos tipos de llantas? Use α
= 0.04.
H0: µ1 - µ2 ≥ 0 (hay diferencia significativa entre el desgaste medio de los dos tipos de
llantas)
H1: µ1 - µ2 < 0 (no hay diferencia significativa entre el desgaste medio de los dos tipos
de llantas)

EJERCICIOS
1. Los archivos de un hospital muestran que 52 hombres y 23 mujeres de sendas
muestras de 1000 hombres y 1000 mujeres fueron admitidos debido a enfermedades
del corazón. ¿Presentan estos datos suficiente evidencia al 5% de significancia que
indique una tasa mayor de enfermedades del corazón entre los hombres admitidos
en el hospital que entre las mujeres?
2. Considere los datos seleccionados al azar de la siguiente tabla para conductores
detenidos por la policía en un año reciente.
Reza y grupo étnico.
Negros y Blancos y
No hispanos No hispanos
Conductores detenidos por la policía. 24 147
Número total de conductores observados. 200 1400
Utilice un nivel de significancia de 0.05 para probar la hipótesis de que la proporción
de conductores negros detenidos por la policía es mayor que la proporción de
conductores blancos detenidos.
3. El porcentaje de adultos que se conectan a internet en EE.UU se incremento del
63% en 2000 al 69% en diciembre de 2003. En 2000, el 25% de adultos que se
conectan a internet para recabar datos sobre productos y servicios. Se supone que
este resultado

También podría gustarte