Métodos Estadísticos Básicos

Actividad 1.
Intervalos de confianza

Josué Brian Acuña Garduño

11 de noviembre de 2021
Contenido
Problema 1.........................................................................................................................................3
Problema 2.........................................................................................................................................6
Problema 3.........................................................................................................................................9
Problema 4.......................................................................................................................................13
Problema 5.......................................................................................................................................16
Problema 6.......................................................................................................................................18
Problema 7.......................................................................................................................................21
Problema 8.......................................................................................................................................23

Problema 1.
Una muestra aleatoria de tamaño n = 100 se extrae de una población con  = 5.1. Dado que la
media muestral es X̅= 21.6, construye un intervalo de confianza del 95% para la media de la
población .
 a) Exponga la evidencia muestral e información poblacional proporcionada en el ejercicio, por
ejemplo: tamaño de la muestra, estimadores, parámetros, etc.
α
n= 100, X̅ =21.6 , ❑2=26.01 Z =1.96
2

b) Exponga la ecuación del intervalo de confianza a emplear y en dicha ecuación sustituya los
valores correspondientes.

Zα σ Zα σ
(
P X̅ − ( )
2 √n
≤ μ ≤ X̅ +
2 √n ( ))
=1−α

(
P 21.6−(1.96) ( √5.1100 ) ≤ μ ≤ 21.6+(1.96)( √5.1100 ))=0.95
P ( 21.6−0.9995816≤ μ ≤21.6+ 0.9995816 )
P ( 20.60042≤ μ≤ 22.59958 )

c) Exponga su conclusión. Si tiene duda de cómo plasmar su conclusión dar un vistazo al

documento de ejercicios resueltos de esta unidad.
La muestra de 100 elementos revela que la media de la población se encuentra entre 20.62 y 22.5
con un nivel de confianza del 95%. El valor puntual de la media muestral de 21.6 se encuentra
dentro de este intervalo.

d) Código en RStudio

## calcular la media

media <- 21.6

print(media)

## [1] 21.6

## calkcular el error estandar de la media

## primero el tamaño de la muestra:

n <- 100

## desviación estándar de la muestra:

desvest <- 5.1

## calcular el error estándar de la media

error <- desvest/sqrt(n)

## imprime el error

print(error)

## [1] 0.51

# Encontrar el t-score que corresponde al nivel de confianza

alpha = 0.05

grados_libertad = n -1

score = qnorm(p= alpha /2, lower.tail = F)

print(score)

## [1] 1.959964

# Calcular el margen de error

error_margen = score * error

bajo <- media - error_margen

alto <- media + error_margen

print(c(bajo, alto))
## [1] 20.60042 22.59958

Problema 2.
La pérdida promedio en el peso de n=16 aspas después de cierto intervalo de tiempo en un
molino de aspas es 3.42 gramos, con una desviación estándar estimada igual a 0.68 gramos.
Construye un intervalo con un nivel de confianza del 99% para la perdida promedio real del
peso de las aspas en las condiciones establecidas.
a) Exponga la evidencia muestral proporcionada en el ejercicio, por ejemplo: tamaño de la
muestra, estimadores, parámetros, etc.

α
n= 16 , X̅ =3.42 , S2=0.4624 t =2.946713
2

0.01
t , 15 ¿ 2.946713
2

b) Exponga la ecuación del intervalo de confianza a emplear y en dicha ecuación

sustituya los valores correspondientes.

(
P X̅ −t 0.005 ,15 ( √σn )≤ μ ≤ X̅ +t 0.005, 15 ( √σn ))=0.99

(
P 3.42−2.946713 ( 0.68
√ 16 )
≤ μ ≤ 3.42+ 2.946713 (
0.68
√ 16 ) )
=0.99

P ( 3.42−2.946713∗0.17 ≤ μ ≤ 3.42+ 2.946713∗0.17 )=0.99

P ( 2.919059≤ μ ≤3.920941 )=0.99

c) Exponga su conclusión. Si tiene duda de cómo plasmar su conclusión dar un

vistazo al documento de ejercicios resueltos de esta unidad.
La estimación de la media poblacional para la pérdida de peso de las aspas se encuentra
dentro del intervalo 2.91 a 3.92 gramos, con un nivel de confianza del 99%. El valor
puntual del estimador es la media muestral es de 3.42. Este valor se encuentra dentro del
intervalo calculado.
 d) Código en Rstudio

## calcular la media

media <- 3.42

print(media)

## [1] 3.42

## calkcular el error estandar de la media

## primero el tamaño de la muestra:

n <- 16

## desviación estándar de la muestra:

desvest <- 0.68

## calcular el error estándar de la media

error <- desvest/sqrt(n)

## imprime el error

print(error)

## [1] 0.17

# Encontrar el t-score que corresponde al nivel de confianza

alpha = 0.01

grados_libertad = n -1

print(score)

## [1] 2.946713

# Calcular el margen de error

error_margen = score * error

bajo <- media - error_margen

alto <- media + error_margen

print(c(bajo, alto))

## [1] 2.919059 3.920941

Problema 3.

Una comparación del desgaste de neumáticos para automóvil se llevó a cabo rodando n 1
= n2 = 100 neumáticos de cada tipo. El número de kilómetros – vida de cada neumático –
se registró, en donde Km-vida fue definido como el kilometraje rodado antes de que el
neumático quedase en un cierto estado de desgaste inaceptable. Para el primer tipo de
neumático se estimó una media igual a 26,400 km y una varianza estimada igual a
1,440,00 km2; por otra parte, para el segundo tipo de neumático se estimó una media
igual 25,100 km y una varianza estimada igual a 1,960,000 km2.
Estime μ 1 - μ 2y establezca un intervalo de confianza del 99% para la diferencia de los
km-vida promedio. Asuma que las varianzas son distintas.
a) Exponga la evidencia muestral proporcionada en el ejercicio, por ejemplo: tamaño
de la muestra, estimadores, parámetros, etc.

1er tipo de neumático

X 1 =¿ 26,400

S21 = 1,440,000
n1 =¿ 100

2º tipo de neumático

X 2 =¿ 25,100

S22 =1, 960,000

n2 =¿ 100

Z 0.01 =2.575829
,
2
 b) Exponga la ecuación del intervalo de confianza a emplear y en dicha ecuación
sustituya los valores correspondientes.

S21 S 22 S21 S22

(
P ( X̅ 1 − X̅ 2 )−Z 0.01
2 √ n1 n2 1 2 √ )
+ ≤ μ −μ ≤( X̅ 1− X̅ 2)+ Z 0.01
2
+ =1−∝
n1 n2

1440000 1960000 1440000 1960

(
P (26,400−25,100)−2.575829
√ 100
+
100 √
≤ μ 1−μ2 ≤( 26,400−25,100)+2.575829
100
+
10

P ((1300)−2.575829∗184.3909 ≤ μ1 −μ 2 ≤(1300)−2.575829∗184.3909 )

P ((1300)−474.95 ≤ μ1−μ 2 ≤(1300)+474.95 )

P ( 825.05 ≤ μ1 −μ 2 ≤ 1774.95 )

c) Exponga su conclusión. Si tiene duda de cómo plasmar su conclusión dar un

vistazo al documento de ejercicios resueltos de esta unidad.
El estimador puntual, la diferencia de medias es de 1300.
La diferencia de medias entre el rendimiento de los dos tipos de neumáticos se encuentra
entre 825 y 1775 con un nivel de confianza del 99%. Existe evidencia estadística para
suponer que hay una diferencia entre el rendimiento que entregan los dos tipos de
neumáticos. El primer tipo de neumático avanza más kilómetros antes de llegar al
desgaste.

d) Código en RStudio

## varianzas iguales
library("dplyr")
##
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':

##
## filter, lag

## The following objects are masked from 'package:base':

##
## intersect, setdiff, setequal, union

media1 <- 26400

var1 <- 1440000
tamano1 <- 100

print(c(media1, var1, tamano1))

## [1] 26400 1440000 100

media2 <- 25100

var2 <- 1960000
tamano2 <- 100

print(c(media2, var2, tamano2))

## [1] 25100 1960000 100

alpha = 0.01

score <- qt(alpha/2, (tamano1+tamano2)-2, lower.tail = FALSE )

numerador <- ((tamano1 -1 ) * (var1)) + ((tamano2 -1 ) * (var2))

denominador <- ((tamano1 + tamano2) -2)

sp <- sqrt(numerador / denominador)

score

## [1] 2.600887

dif_medias <- media1-media2

factor <- (score) * sp * (sqrt( (1/ tamano1) + (1/tamano2)))

inf <- dif_medias - factor

sup <- dif_medias + factor
print(c(inf, sup))

## [1] 820.4201 1779.5799

if(between(0, inf, sup)){print("el 0 está dentro del intervalo, no hay

diferencia entre las muestras, puedes ir a casa")
}else {
print("el cero no está dentro del intervalo. Hay diferencias entre los
datos, hay que aplicar la otra fórmula")

## [1] "el cero no está dentro del intervalo. Hay diferencias entre los
datos, hay que aplicar la otra fórmula"

### Asumiendo que las varianzas son distintas

## calculo de V

numerator <- ((var1/ tamano1) + (var2 / tamano2))^2

denominator <- (((var1/tamano1)^2)/(tamano1-1)) +

(((var2/tamano2)^2)/(tamano2-1))

v = round(numerator / denominator, 0)

score2 <- qnorm(p= alpha /2, lower.tail = F)

score2

## [1] 2.575829

dif_medias <- media1-media2

factor2 <- score2* (sqrt( (var1/ tamano1) + (var2/tamano2)))

inf2 <- dif_medias - factor2

sup2 <- dif_medias + factor2

print(c(inf2, sup2))

## [1] 825.0405 1774.9595

Problema 4.
En un estudio cuyo objetivo es conocer las propiedades de materiales potencialmente
peligrosos, se tomaron 10 muestras de cemento estándar, y se encontró que el peso
promedio de calcio en dichas muestras fue de X̅ 1=¿80.0, con una desviación estándar
muestral de S1 = 5.0. Por otro lado, se tomaron 15 muestras de cemento contaminado por
plomo, cuyo peso promedio de calcio fue de X̅ 2 =¿77.0, con una desviación estándar
muestral de S2 = 4.0. Supóngase que el peso del calcio está distribuido de manera
normal. Obtenga un intervalo de confianza del 95% para la diferencia entre medias μ 1 -
μ 2 de los dos tipos de cemento. Por otra parte, suponer que las dos poblaciones poseen
igual desviación estándar o varianza.

a) Exponga la evidencia muestral proporcionada en el ejercicio, por ejemplo: tamaño

de la muestra, estimadores, parámetros, etc.

Cemento estándar
a) X 1 =¿ 80
2
b) S1 25
c) n1 =¿ 10
Cemento contaminado

d) X 2 =¿ 77
e) S22 = 16
f) n2 =¿ 15

b) Exponga la ecuación del intervalo de confianza a emplear y en dicha ecuación

sustituya los valores correspondientes.

1 1 1 1
(
P ( X̅ 1 − X̅ 2 )−t ∝
2
,
n 1+n 2−2
Sp
√ + ≤ μ1 −μ 2 ≤( X̅ 1− X̅ 2)−t ∝
n1 n 2 ,
2 √ )
n 1+n 2−2
Sp + =1−∝
n1 n2
 1 1 1 1
(
P (80−77)−t ∝
2
,
n 1+ n2−2
Sp
√ + ≤ μ1−μ2 ≤(80−77)−t ∝
10 15 2
,
n 1 +n 2−2√Sp +
)
10 15
=1−0.05

(10−1)(25)+(15−1)(16)
S2p= =4.41
10+15−2
P ((3)−2.068658∗4.41∗0.4082483 ≤ μ 1−μ2 ≤(3)−2.068658∗4.41∗0.4082483 ) =1−0.05

P (−0.7314037 ≤ μ 1−μ2 ≤ 6.7314037 )

c) Exponga su conclusión. Si tiene duda de cómo plasmar su conclusión dar un

vistazo al documento de ejercicios resueltos de esta unidad.

El valor puntual del estimador, es la diferencia de medias de ambas muestras es 3.

Toda vez que el rango de la diferencia de medias con un nivel de confianza del 95%
contiene al 0 (−0.7314037 ≤ μ 1−μ2 ≤6.7314037 ¿, no existe evidencia estadística para
pensar que la contaminación por Pb, ha influido en la concentración de Ca. Es decir,
que no existen diferencias significativas en la concentración de Calcio de ambas
muestras de Cemento.
d) Código en RStudio

## varianzas iguales
library("dplyr")

print("Estos datos son los del cemento estándar")

## [1] "Estos datos son los del cemento estándar"

media1 <- 80
var1 <- 5^2
tamano1 <- 10

print(c(media1, var1, tamano1))

## [1] 80 25 10

print("Estos datos son los del cemento contaminado")

## [1] "Estos datos son los del cemento contaminado"

media2 <- 77
var2 <- 4^2
tamano2 <- 15

print(c(media2, var2, tamano2))

## [1] 77 16 15

alpha = 0.05

score <- qt(alpha/2, (tamano1+tamano2)-2, lower.tail = FALSE )

numerador <- ((tamano1 -1 ) * (var1)) + ((tamano2 -1 ) * (var2))

denominador <- ((tamano1 + tamano2) -2)

sp <- sqrt(numerador / denominador)

score

## [1] 2.068658

dif_medias <- media1-media2

factor <- (score) * sp * (sqrt( (1/ tamano1) + (1/tamano2)))

inf <- dif_medias - factor

sup <- dif_medias + factor

print(c(inf, sup))

## [1] -0.7314037 6.7314037

if(between(0, inf, sup)){print("el 0 está dentro del intervalo, no hay

diferencia entre las muestras, puedes ir a casa")
}else {
print("el cero no está dentro del intervalo. Hay diferencias entre los
datos, hay que aplicar la otra fórmula")

## [1] "el 0 está dentro del intervalo, no hay diferencia entre las
muestras, puedes ir a casa"
Problema 5.

En una muestra aleatoria de 85 soportes para el cigüeñal de un motor de automóvil,

10 tienen un terminado que es más rugoso de lo que las especificaciones permiten.
Calcula un intervalo de confianza del 95% para 𝑷.

a) Exponga la evidencia muestral proporcionada en el ejercicio, por ejemplo: tamaño

de la muestra, estimadores, parámetros, etc.
La proporción de cigüeñales rugosos en la muestra se puede expresar del siguiente
modo:
100

∑ xi
ρ́= i=1
100
10
ρ́=
85

10
ρ́= = 0.11765
85

Z0.025 = 1.96
n= 85
b) Exponga la ecuación del intervalo de confianza a emplear y en dicha ecuación
sustituya los valores correspondientes.

P¿

P¿

P¿

c) Exponga su conclusión. Si tiene duda de cómo plasmar su conclusión dar un

vistazo al documento de ejercicios resueltos de esta unidad.

Esta estimación sugiere que entre el 4.9 y 18.6 % de la producción de cigüeñales (la
población), tienen un terminado más rugoso del que admiten las especificaciones, con
un nivel de confianza del 95%. El estimador puntual es la proporción de cigüeñales
defectuosos en la muestra, la cual es del 11.76%.
d) Código en RStudio
e) ## varianzas iguales
library("dplyr")

exitos <- 10
muestra <- 85
razon_exitos <- exitos / muestra
alpha <- 0.05
dif_proporcion <- 1-razon_exitos
score = qnorm(alpha /2, lower.tail = F)

inferior <- razon_exitos - (score * sqrt(((razon_exitos) *

(dif_proporcion))/ muestra) )

superior <- razon_exitos + (score * sqrt(((razon_exitos) *

 (dif_proporcion))/ muestra) )

print(c(inferior, superior))

f) ## [1] 0.04915341 0.18614071

Problema 6.

Considérese el proceso de fabricación de soportes para cigüeñales del ejercicio 5.

Suponga que se hace una modificación al proceso de acabado de la superficie y que, de
manera subsecuente, se toma una segunda muestra aleatoria de 85 ejes. El número de
ejes defectuosos en esta segunda muestra es 8. Construya un intervalo de confianza
aproximado para la diferencia en la proporción de los soportes defectuosos producidos
por ambos procesos. Considere un nivel d confianza del 95%.

a) Exponga la evidencia muestral proporcionada en el ejercicio, por ejemplo: tamaño

de la muestra, estimadores, parámetros, etc.

Antes de la modificación al proceso:

n= 85
defectuosos = 10
Después de la modificación al proceso:
n= 85
defectuosos = 8

10 8
ρ́1= =0.1176 y ρ́2= =0.094
85 85
 Z 0.05
= Z 0.025=1.96
2

b) Exponga la ecuación del intervalo de confianza a emplear y en dicha ecuación

sustituya los valores correspondientes.

Ṕ1 (1− Ṕ1 ) Ṕ2 (1− Ṕ2 ) Ṕ1 (1− Ṕ1 ) Ṕ 2( 1− Ṕ2)
(
P ( Ṕ1− Ṕ2 )−Z α
2 √ n1
+
n2 √
≤ P1−P 2 ≤( Ṕ1− Ṕ2 )+Z α
2
n1
+
n2 ) =1−0.095

P¿
P (( 0.1176−0.094)−1.96∗0.0471461 ≤ P1−P2 ≤(0.1176−0.094)+1.96∗0.0471461 )

P (−0.0689074200698738 ≤ P1−P2 ≤ 0.115966243599286 )

c) Exponga su conclusión. Si tiene duda de cómo plasmar su conclusión dar un

vistazo al documento de ejercicios resueltos de esta unidad.
Se estima que la diferencia de las proporciones de cigüeñales defectuosos está entre -6.9
% y el 11% con un nivel de confianza de 95%. Este intervalo incluye al 0, por lo que se
puede concluir que existe evidencia estadística de que la modificación del proceso no
introduce una mejora significativa en la producción de los cigüeñales. El estimador puntual
es la diferencia de las proporciones en las muestras :11.76%.

e) El código en RStudio es el siguiente:

## Diferencia de medias para muestras independientes.

library("dplyr")
exitos1 <- 10
exitos2 <- 8
muestra1 <- 85
muestra2 <- 85
razon_exitos1 <- exitos1 / muestra1
razon_exitos2 <- exitos2 / muestra2
paste("la p1 es", razon_exitos1, "la p2 es", razon_exitos2)

## [1] "la p1 es 0.117647058823529 la p2 es 0.0941176470588235"

alpha = 0.05

score = qnorm(alpha /2, lower.tail = F)

raiz <- sqrt(((razon_exitos1 * (1- razon_exitos1)) / muestra1 ) +

((razon_exitos2 * (1- razon_exitos2)) / muestra2 ))

raiz

## [1] 0.04716252

menor <- (razon_exitos1- razon_exitos2) - (score * raiz)

mayor <- (razon_exitos1- razon_exitos2) + (score * raiz)

paste("El intervalo va de ", menor, "hasta", mayor)

## [1] "El intervalo va de -0.0689074200698738 hasta 0.115966243599286"

if(between(0, menor, mayor)){print("El 0 está en el intervalo, por lo que

se puede concluir que no hay dif significativa")
} else(print("hay diferencias significativas, estás en problemas vato"))

## [1] "El 0 está en el intervalo, por lo que se puede concluir que no

hay dif significativa"
Problema 7.

Un fabricante de detergente liquido está interesado en la uniformidad de la maquina

utilizada para llenar las botellas. De manera específica, es deseable que la 𝝈𝟐 del
proceso de llenado sea menor que 0.25 onzas de líquido. Supóngase que la
distribución de llenado es aproximadamente normal. Al tomar una muestra aleatoria
de 20 botellas, se obtiene una estimación de la varianza igual a 0.0153 (onzas de
fluido)2. Calcule un intervalo de confianza del 95% para el valor de la varianza (𝝈𝟐)
del llenado.

a) Exponga la evidencia muestral proporcionada en el ejercicio, por ejemplo: tamaño

de la muestra, estimadores, parámetros, etc.
S2 = 0.0153
n = 20 , n-1 = 19

X 2∝ n-1
2,

b) Exponga la ecuación del intervalo de confianza a emplear y en dicha ecuación

sustituya los valores correspondientes.
S 2 (n−1) 2 S2 (n−1)
P 2
(
X ∝ n−1
≤σ ≤ 2
2,
X ∝ n−1
=1−∝
1,
)
0.0153(19) 2 0.0153(19)
P
( X 2∝ n−1
2,
≤σ ≤
X 2∝ n−1
1,
)
=1−0.95
P ( 0.0153(19)
32.85233
2
≤σ ≤
0.0153(19)
8.906516 )
=1−0.95

P ( 0.00884868828998052≤ σ 2 ≤0.0326390234148104 )=1−0.95

0.0153(19) 0.2907
= =4.652<8.90
(0.25)2 0.0625

c) Exponga su conclusión. Si tiene duda de cómo plasmar su conclusión dar un

vistazo al documento de ejercicios resueltos de esta unidad
El estimador puntual, es la varianza, la cual se estima en 0.0153. La varianza poblacional
se encuentra, de acuerdo a esta estimación; en un intervalo de 0.0088 al 0.032 con un
nivel de confianza del 95%. El planteamiento del problema indica que se espera que
exista una varianza menor a 0.25 onzas. El intervalo señala que se esperan varianzas
dentro de un rango numérico mucho menor que el límite máximo permitido, por lo que se
puede concluir que existe la evidencia estadística suficiente de que el proceso de
llenado cumple con las especificaciones necesarias.

d) Código en RStudio.

## intervalo varianzas

v = 0.0153

alpha <- 0.05

n = 20
superior <- ((n-1)*v)/qchisq(alpha/2, n-1)

inferior <- ((n-1)*v)/qchisq(1- (alpha/2), n-1, lower.tail = TRUE)

paste("el intevalo va de ", inferior, "a", superior)

## [1] "el intevalo va de 0.00884868828998052 a 0.0326390234148104"

Problema 8.

Una compañía fabrica propulsores para uso en motores de turbina. Una de las
operaciones consiste en esmerilar el terminado de una superficie particular con una
aleación de titanio. Pueden emplearse dos procesos de esmerilado, y ambos pueden
producir partes que tienen la misma rugosidad superficial promedio. Al ingeniero de
manufactura le gustaría seleccionar el proceso que tenga la menor variabilidad en la
rugosidad de la superficie. Para ello, toma una muestra de tamaño igual a 12 partes del
primer proceso, la cual tiene una estimación de la desviación estándar igual 5.1
micropulgadas; y una segunda muestra aleatoria de tamaño igual 15 partes del segundo
proceso, la cual tiene una estimación de la desviación estándar igual a 4.7 micropulgadas.
Se desea encontrar un intervalo de confianza del 90% para el cociente de las dos
varianzas σ 12 /σ 22. Suponga que los dos procesos son independientes y que la rugosidad de
la superficie está distribuida de manera normal.

a) Exponga la evidencia muestral proporcionada en el ejercicio, por ejemplo: tamaño

de la muestra, estimadores, parámetros, etc.
n(primer_proceso) = 12
n(segundo_proceso) = 15
s2 (primer_proceso) = (5.1)2
s2 (segundo_proceso) = (4.7 )2

b) Exponga la ecuación del intervalo de confianza a emplear y en dicha ecuación

sustituya los valores correspondientes.
 S 2A 1 σ 2A S2A 1
2
≤ 2
≤ 2
S B F 0.05, 11,14 σ A S B F 1−0.05 ,11,14

(5.1)2 1 σ 2A (5.1)2 1
2
≤ 2≤ 2
(4.7) 2.565497 σ A ( 4.7) 0.3651436

σ 2A
0.4589582 ≤ ≤3.224638
σ 2A

c) Exponga su conclusión. Si tiene duda de cómo plasmar su conclusión dar un

vistazo al documento de ejercicios resueltos de esta unidad
El intervalo de la razón de varianzas es de 0.4589 a 3.224 con un nivel de confianza del
90%. La estimación puntual de la razón de la varianza de la rugosidad de la superficie es
de 1.177456
Como se puede observar en la estimación, el intervalo incluye al 1 como valor posible en
la razón de varianzas. Esto quiere decir que no existen diferencias significativas entre las
varianzas de la rugosidad que se produce en ambos procedimientos.

d) El código en RStudio es el siguiente:

## intervalo de razón de varianzas

varianza1 = 5.1^2 #primero

varianza2 = 4.7^2 ## segundo

alpha = 0.10

n <- 12 ## partes del primer proceso

n2 <- 15 ## partes del segundo proceso

nen <- qf(alpha/2, n-1, n2-1, lower.tail = FALSE)

nen2 <- qf(1- alpha/2, n-1, n2-1, lower.tail = FALSE)

menor <- (varianza1 / varianza2) * (1/nen)

mayor <- (varianza1 / varianza2) * (1/nen2)

paste("El intervalo de la razón de varianzas va desde ", menor, "a",

mayor)

## [1] "El intervalo de la razón de varianzas va desde 0.458958118327613

a 3.22463739513152"