Estadística Industrial

MCE
Héctor Eduardo De Cos Cholula

hector.decos@correo.buap.mx
Temario – Unidad 1
1.2. Estimadores puntuales e Intervalos de confianza.
1.3. σ Conocida o para una muestra grande.
1.4. Desviación Estándar de una población desconocida y una
muestra pequeña.
1.5. Intervalo de confianza para una proporción.
1.6. Factor de corrección para una población finita.
1.7. Tamaño apropiado de una muestra.

Temario – Unidad 2
2.2. Errores Tipo I y Tipo II.
2.3. Metodología para la prueba de hipótesis.
2.4. Pruebas de significancia de una y dos colas.
Temario – Unidad 2
(continuación)
2.5. Pruebas de hipótesis para la media.
2.6. El valor de P en las pruebas de hipótesis.
2.7. Pruebas de hipótesis para las proporciones.

Temario – Unidad 3
3.2. Pruebas de hipótesis de las muestras de poblaciones
independientes.
3.3. Pruebas de hipótesis para la diferencia entre las
proporciones muestrales de dos poblaciones.
3.4. Comparación de las medias de la población con muestras
pequeñas.
3.5. Pruebas de hipótesis de dos muestras dependientes.
3.6. Comparación de muestras dependientes e independientes
Temario – Unidad 4
4.1. Introducción ANOVA.
4.2. Distribución F.
4.3. Comparación de dos varianzas de población.
4.4. Suposiciones de ANOVA.
4.5. La prueba de ANOVA.
4.6. Inferencias sobre pares de medias de tratamiento.
4.7. Análisis de la varianza en dos direcciones.

Temario – Unidad 5
5.1. Introducción Regresión lineal y correlación.
5.2. El coeficiente de correlación y de determinación.
5.3. Pruebas de significancia del coeficiente.
5.4. Análisis de regresión. Mínimos cuadrados.
5.5. Error estándar de estimación.
5.6. Intervalos de confianza e intervalos de predicción.
Temario – Unidad 6
6.1. Introducción rgegresión lineal múltiple
6.2. Análisis de regresión múltiple.
6.3. Error estándar de estimación múltiple.
6.4. Tabla ANOVA.
6.5. Análisis de varianzas residuales.

Temario – Unidad 7
7.1. Introducción serie de tiempo y proyección.
7.2. Componentes de una serie de tiempo.
7.3. Método de promedio móvil.
7.4. Método de promedio móvil ponderado.
7.5. Tendencia lineal.
7.6. Método de los mínimos cuadrados.
7.7. Variación estacional.
7.8. Distribución Weibull.
 Criterios de evaluación

 Asistencia mínima obligatoria: 80% (Derecho a calificación ordinaria)

 Examen por unidad: Examen 1-2 20%

Examen por unidad: Examen 3-4 20%
Examen por unidad: Examen 5-6 20%
Examen por unidad: Examen 7 20%
Entrega de reporte: 20%
 Porcentaje de calificación final: 100%

 No hay reposición de exámenes

 Examen extraordinario al final de curso (calificación máxima 8.0).
 Participaciones CORRECTAS = punto extra sobre cualquier parcial.
 NO saber clase anterior = punto menos sobre cualquier parcial.
 Contacto vía correo electrónico: hector.decos@correo.buap.mx
Criterios de evaluación
Bibliografía
 Estimación de parámetros
ESTIMADOR PUNTUAL Estadístico calculado a partir de información
de la muestra para estimar el parámetro poblacional.

Una ESTIMACIÓN PUNTUAL de un parámetro es un número único que puede ser

considerado como un valor sensible de θ. Se obtiene una estimación puntual
seleccionando un estadístico apropiado y calculando su valor con los datos
muestrales dados. El estadístico seleccionado se llama ESTIMADOR PUNTUAL de
θ.

Si tres vidas útiles de baterías medidas en días hubieran sido x1 = 5.6, x2 = 4.5 y
x3 = 6.1, el uso del estimador (promedio) habría dado por resultado la
estimación:
x = (5.6 + 4.5 + 6.1)/3 = 5.40.

Por tanto, se lee como “el estimador puntual de µ es la media muestral ”.

La proposición “la estimación puntual de µ es 5.40” se escribe concisamente
como . = 5.40 (miu testada)
 Estimación de parámetros
Ejemplo: Se tienen 20 valores de ruptura dieléctrica de una resina
epóxica:

Proponer distintos métodos de estimación:

 Estimación de parámetros
Entonces, ¿cuál estimador es el mejor?

Un estimador preciso sería uno que produzca errores de estimación pequeños,

así que los valores estimados se aproximarán al valor verdadero.

Una medida general de precisión es el error cuadrático medio

Se dice que un es mador puntual ˆ es un estimador insesgado de si E( ) = θ

con todo valor posible de θ. Si no es insesgado, la diferencia se
conoce como el sesgo de .

Principio de estimación insesgada: Cuando se elige entre varios estimadores

diferentes de θ, se elige uno insesgado.
Estimación de parámetros

Primer estimador Sesgado Primer estimador Sesgado

Segundo estimador Insesgado Segundo estimador Sesgado

 Estimación de parámetros

Principio de estimación insesgada con varianza mínima

Entre todos los estimadores de θ insesgados, se selecciona el de varianza
mínima. El resultante se llama estimador insesgado con varianza mínima
(EIVM) de θ.

En algunas situaciones, es posible obtener un estimador con sesgo pequeño que

se preferiría al mejor estimador insesgado.
 Métodos de Estimación

El método de momentos
La idea básica de este método es poder igualar ciertas características muestrales,
tales como la media, a los valores esperados de la población correspondiente.

Ejemplo:
Distribución Gamma
Método de Momentos

Ejemplo:
 Método de Momentos

Ejemplo:
Si tuviésemos los siguientes valores, ¿cuál sería el resultado de los estimadores
anteriores?

DATO IMPORTANTE!! Si no nos indican los momentos, podemos tomar en

cuenta la siguiente propiedad:
Método de Momentos
 Método de Máxima
Verosimilitud
La mayoría de los estadísticos recomiendan este método,
por lo menos cuando el tamaño de muestra es grande, puesto que los
estimadores resultantes tienen ciertas propiedades de eficiencia deseables.

Que X1, X2, …, Xn tengan una función masa de probabilidad o una función de densidad
de probabilidad:

donde los parámetros θ1, …, θm tienen valores desconocidos. Cuando x1, …, xn son los
valores muestrales observados y la función anterior se considera como una función de
θ1, …, θm, se llama función de verosimilitud. Las estimaciones de máxima
verosimilitud (EMV) son aquellos valores de las θi que incrementan al
máximo la función de probabilidad, de modo que:

Cuando se sustituyen las Xi en lugar de las xi, se obtienen los estimadores de máxima
verosimilitud.
 Método de Máxima
Verosimilitud

Idealmente, se busca obtener el logaritmo natural de la función de distribución o

de la función de masa, se deriva esta última función con respecto al parámetro
deseado y se iguala a cero, encontrando entonces el estimador o un conjunto de
ecuaciones que permiten obtener los estimadores correspondientes.

Ejemplo: Se obtuvo una muestra de diez cascos de ciclista nuevos fabricados por una
compañía. Al probarlos, se encontró que el primero, el tercero y el décimo estaban
agrietados, en tanto que los demás no. Sea p = P(casco agrietado) y defina X1, …, X10
como Xi = 1 si el i-ésimo casco está agrietado y cero de lo contrario. En ese caso las xi
son 1, 0, 1, 0, 0, 0, 0, 0, 0, 1, así que la función masa de probabilidad conjunta de la
muestra es

Encontrar el estimador binomial “p”

Método de Máxima
Verosimilitud
Idealmente, se busca obtener el logaritmo natural de la función de
distribución o de la función de masa, se deriva esta última función con respecto al
parámetro deseado y se iguala a cero, encontrando entonces el estimador o un
conjunto de ecuaciones que permiten obtener los estimadores correspondientes.

^
Método de Máxima
Verosimilitud
Suponga que X1, X2, . . . , Xn es una muestra aleatoria de una
distribución exponencial con parámetro λ. Debido a la independencia, la función de
verosimilitud es un producto de las funciones de densidad de probabilidad
individuales:

El ln(verosimilitud) es

Si se iguala (d/dλ)[ln(verosimilitud)] a cero se obtiene:

^
 Método de Máxima
Verosimilitud

Ejercicio: Sean X1, X2, . . . , Xn una muestra aleatoria de una distribución normal. La
función de probabilidad es:

Pista: al momento de derivar se debe hacer parcialmente con respecto a cada

parámetro deseado.
 Estimación Puntual

Ejemplo:
 Intervalos de confianza

Una estimación puntual, por el hecho de ser un solo número no proporciona

información sobre la precisión y confiabilidad de la estimación.
Debido a la variabilidad del muestreo, virtualmente nunca es el caso de que x = µ. La
estimación puntual no dice nada sobre qué tan cerca pudiera estar a µ. Una
alternativa para reportar un solo valor sensible es: una estimación de intervalo o un
intervalo de confianza (IC).
Un intervalo de confianza siempre se calcula seleccionando primero un nivel de
confianza, el cual mide el grado de confiabilidad del intervalo. Un nivel de confianza
de 95% implica que 95% de todas las muestras daría un intervalo que incluye µ, o
cualquier otro parámetro que se esté estimando y sólo 5% de las muestras darían un
intervalo erróneo. Los niveles de confianza más frecuentemente utilizados son 95%,
99% y 90%.
Mientras más alto es el nivel de confianza, más fuerte es la creencia de que el valor
del parámetro que se está estimando queda dentro del intervalo.
 Intervalos de confianza

El ancho del intervalo da información sobre la precisión de una estimación de

intervalo. Si el nivel de confianza es alto y el intervalo resultante es bastante angosto,
el conocimiento del valor del parámetro es razonablemente preciso. Un muy amplio
intervalo de confianza, sin embargo, transmite el mensaje de que existe gran
cantidad de incertidumbre sobre el valor de lo que se está estimando.
Intervalos de confianza
Intervalos de confianza
Importancia de los intervalos
de confianza
Interpretación del nivel sigma

Menor a 3-Sigma: El proceso no cumple con los requerimientos del cliente.

3-Sigma: El proceso ocasionalmente cumple los requisitos del cliente, no hay

lugar para perturbaciones.

4-Sigma: Salida estándar.

5-Sigma: Salida excelente.

6-Sigma: Suficientemente robusto para tolerar un alto numero de perturbaciones.

Importancia de los intervalos
de confianza
Desempeño de
proveedor 3σ
Salida = 99.73%.
54,000 prescripciones erróneas al
año.
1,350 cirugías fallidas por semana.
54,000 paquetes perdidos por
hora.
Mas de 40,500 recién nacidos que
se les caen a los doctores o
enfermeras al año.
Falta de luz o de servicio
telefónico por 30 minutos a la
semana.
Desempeño de
proveedor 6σ
Salida = 99.9995 %.
1 prescripción incorrecta en 25
años.
1 cirugía fallida en 20 años.
35 paquetes perdidos al año.
3 recién nacidos que se les caen
a los doctores o enfermeras al
año.
Falta de luz o servicio telefónico
por 6 segundos en 100 años.
 Valores “Z”
INTERVALO DE CONFIANZA Conjunto de valores formado a partir de una muestra de datos
de forma que exista la posibilidad de que el parámetro poblacional ocurra dentro de dicho
conjunto con una probabilidad especifica. La probabilidad especifica recibe el nombre de
nivel de confianza.

¿Como determinar un intervalo de confianza de 95%? La amplitud del intervalo se

determina por medio del nivel de confianza y de la magnitud del error estándar de la
media. El error estándar de la media indica la variación en la distribución de las medias
muestrales. Se trata, en realidad, de la desviación estándar de la distribución muestral de
medias. La formula se repite enseguida:

donde:
es el símbolo del error estándar de la media.
σ es la desviación estándar poblacional.
n es el numero de observaciones en la muestra.
 Valores “Z”
Modo de empleo de un valor “z”
 Valores “Z”

Ejemplo:
 Valores “Z”

Ejemplo:
 Valores “Z”

Ejemplo:
 Valores “Z”
Cómo determinar intervalos para distintos valores de confianza “z”.
 Valores “Z”
Uso de tablas “z”:
 Valores “Z”

¿Por qué decidirse por un nivel de confianza de 95% cuando un nivel de 99% es alcanzable?
Porque el precio pagado por el nivel de confianza más alto es un intervalo más ancho. Como el
intervalo de 95% se extiende 1.96 errores muestrales a cada lado de x, el ancho del intervalo es
2(1.96) = 3.92 errores muestrales. Asimismo, el ancho del intervalo de 99% es 2(2.58) = 5.16
errores muestrales. Es decir, se tiene más confianza en el intervalo de 99% precisamente porque
es más ancho.

Si se considera que el ancho del intervalo especifica su precisión o exactitud, entonces el nivel de
confianza del intervalo está relacionado de manera inversa con su precisión. La estimación de un
intervalo altamente confiable puede ser imprecisa por el hecho de que los puntos extremos del
intervalo pueden estar muy alejados, mientras que un intervalo preciso puede acarrear una
confiabilidad relativamente baja. Por consiguiente no se puede decir de modo inequívoco que se
tiene que preferir un intervalo de 99% a uno de 95%; la ganancia de confiabilidad acarrea una
pérdida de precisión.

Una estrategia atractiva es especificar tanto del nivel de confianza deseado como el ancho del
intervalo y luego determinar el tamaño de muestra necesario.
 Valores “Z”

La fórmula general para el tamaño de muestra n necesario para garantizar un ancho de

intervalo w se obtiene a partir de:

Ejemplo:
 Un intensivo monitoreo de un sistema de tiempo compartido de computadoras sugiere
que el tiempo de respuesta a un comando de edición particular está normalmente
distribuido con desviación estándar de 25 milisegundos. Se instaló un nuevo sistema
operativo y se desea estimar el tiempo de respuesta promedio verdadero en el nuevo
entorno. Suponiendo que los tiempos de respuesta siguen estando normalmente
distribuidos con 25, ¿qué tamaño de muestra es necesario para asegurarse de que el
intervalo de confianza de 95% resultante tiene un ancho de (cuando mucho) 10?
Valores “Z”

Valor de z es un numero de desviaciones estándar entre la media de los datos del proceso y el dato de
interés.
Si nuestro valor de interés es “x” de una población con “μ” y “σ”, tenemos:

(x  ) ¿Que tan lejos esta el valor de interés de la

ValorZ  media de la población?

 ¿Que tan típica es la distancia?

Esto representa el numero de desviaciones estándar a

las que el valor de interés “x” esta localizado respecto a
la media

El valor de Z tiene muchas intenciones:

Estandariza los datos para permitir entender de mejor modo diferentes casos
Es utilizado para encontrar las probabilidades de las distribuciones normales
Es utilizado para generar métricos de capacidad de los datos de procesos
Valores “Z”
Utilizando el valor de Z podemos hacer comparaciones entre diferentes procesos

Ejemplo:

El tiempo de ciclo de la estación de retrabajo de los probadores finales se encuentra bajo

investigación. (procesos A y B):

Retrabajos de A Retrabajos de B
μ = 7 minutos μ = 3 minutos
σ = 1 minuto σ = 0.5 minuto

El técnico trabaja 8 minutos para El técnico trabaja 4 minutos para

retrabajar una pieza retrabajar una unidad

Z = (8-7) / 1 = 1 Z = (4-3) / 0.5 = 2

Valores “Z”

(m  m) (0  0)
Z(x  m)   0
s s

(m  s   m ) ( s )
Z ( x  s)   1
s s

σ 1

μ 0
Ventajas:
“Todos nosotros estamos hablando el mismo lenguaje”, esto significa, que
cualquiera de nosotros entiende el significado del valor de Z. No es importante
en este ámbito el contexto original de los datos, porque estamos hablando y
trabajando con datos estandarizados.
 Valores “Z”
Cómo determinar intervalos de confianza cuando se desconoce la desviación estandar
 Valores “Z”
Ejemplo:
 Valores “Z”
Ejemplo:
 Intervalo de confianza para la
proporción de una población

Sea p la proporción de “éxitos” en una población, donde éxito identifica a un individuo

u objeto que tiene una propiedad específica (p. ej., individuos que se graduaron en
una universidad, computadoras que no requieren servicio de garantía, etc.). Una
variable aleatoria de n individuos que tiene que ser seleccionada y X es el número de
éxitos en la muestra.

Siempre que n sea pequeño comparado con el tamaño de la población, X puede ser
considerada como una variable aleatoria binomial con E(X) np y X np(1p) . .
Además, si tanto np≥10 como nq≥10, X tiene aproximadamente una distribución
normal.

Extremos del intervalo de

confianza.
Intervalo de confianza para la
proporción de una población
 Intervalo de confianza para la
proporción de una población

Si el tamaño de muestra es bastante grande, z2/(2n) es insignificante comparado con

p,z2/(4n2) bajo la raíz cuadrada es insignificante comparado con ˆpˆq/bbn es
insignificante comparado con 1. Si se desechan estos términos insignificantes se
obtienen los límites de confianza aproximados

Ejemplo:
El artículo “Repeatability and Reproducibility for Pass/Fail Data” (J. of Testing and
Eval., 1997: 151-153) reportó que en n=48 ensayos en un laboratorio particular, 16
dieron por resultado la ignición de un tipo particular de sustrato por un cigarrillo
encendido. Sea p la proporción a largo plazo de tales ensayos que producirían ignición.
Una estimación puntual de p es p=16/48=0.333.
 Intervalo de confianza para la
proporción de una población

Un intervalo de confianza para p con un nivel de confianza de aproximadamente 95%

es:
 Intervalo de confianza para la
proporción de una población

Si se iguala al ancho del intervalo de confianza para p al ancho preespecificado w se

obtiene una ecuación cuadrática para el tamaño de muestra n necesario para dar un
intervalo con un grado de precisión deseado. Si se suprime el subíndice en z/2 , la
solución es:

Omitiendo los términos en el numerador que implican w2 se obtiene

Intervalo de confianza para la
proporción de una población
Intervalo de confianza para la
proporción de una población
Intervalos de confianza
unilaterales
 Intervalos de confianza para
muestras pequeñas

Si el tamaño de muestra es pequeño, no es probable que S se aproxime a σ, de modo

que la variabilidad de la distribución de Z surge la aleatoriedad tanto en el numerador
como en el denominador. Esto implica que la distribución de probabilidad de (X
)/(S/n) se dispersará más que la distribución normal estándar. El resultado en el cual
están basadas las inferencias introduce una nueva familia de distribuciones de
probabilidad llamada familia de distribuciones t.
 Intervalos de confianza para
muestras pequeñas (T – Student)

El número de grados de libertad con T es n -1 porque, aunque S está basada en las n

desviaciones X1 X, . . . , Xn X, (Xi X) implica que sólo n – 1 de éstas están
“libremente determinadas”. El número de grados de libertad para una variable t es el
número de desviaciones libremente determinadas en las cuales está basada la
desviación estándar estimada en el denominador de T.
Intervalos de confianza para
muestras pequeñas (T – Student)
 Intervalos de confianza para
muestras pequeñas (T – Student)

Ejemplo de búsqueda para “valor t”

Intervalos de confianza para
muestras pequeñas (T – Student)
Intervalos de confianza para
muestras pequeñas (T – Student)
 Intervalos de confianza para
muestras pequeñas (T – Student)

Ejemplo: Como parte de un proyecto más grande para estudiar el comportamiento de

paneles de revestimiento sometidos a esfuerzo, un componente estructural
extensamente utilizado en Estados Unidos, el artículo “Time-Dependent Bending
Properties of Lumber” (J. of Testing and Eval., 1996: 187-193) reportó sobre varias
propiedades mecánicas de especímenes de madera de pino escocés. Considere las
siguientes observaciones de módulo de elasticidad (MPa) obtenidas un minuto después
de cargar una configuración:

Por consiguiente x =14 532.5 y sx = 2055.67

Intervalos de confianza para
muestras pequeñas (T – Student)

 El tamaño de muestra es 16, así que un intervalo de confianza para el módulo de

elasticidad medio de la población está basado en 15 grados de libertad. Un nivel de
confianza de 95% para un intervalo bilateral requiere el valor crítico t de 2.131. El
intervalo resultante es:
 Intervalos de confianza para
muestras pequeñas (T – Student)

En algunas ocasiones se desea predecir solo un valor futuro (el valor inmediato
siguiente), para estos casos lo ideal es establecer un intervalo de predicción

La interpretación de un nivel de predicción de 95% es similar a la de un nivel de

confianza de 95%; si se calcula el intervalo para muestra tras muestra, a la larga 95% de
estos intervalos incluirán los valores futuros correspondientes de X.
Intervalos de confianza para
muestras pequeñas (T – Student)

 Ejercicio: Con n = 10, x = 21.90, s = 4.134 y t 0.02 = 2.262, un intervalo de

predicción de 95% para el contenido de grasa de un solo perro caliente es
Intervalos de confianza con
varianza desconocida
Intervalo de confianza para la media con desviación estándar desconocida

Ejemplo
La expectativa del cliente en la refinería es que la cantidad promedio de
aceite por barril es igual a 55,0 galones. Usted decide tomar una
muestra aleatoria de 20 barriles para determinar cuál es el promedio
real. En su muestra de 20 barriles, encontrará que la media de la
muestra, x, es igual a 54,860 galones y que la desviación estándar, s, es
igual a 1,008 galones.
Los datos reales eran éstos:
54.1, 53.3, 56.1, 55.7, 54.0, 54.1, 54.5, 57.1, 55.2, 53.8,
54.1, 54.1, 56.1, 55.0, 55.9, 56.0 ,54.9, 54.3, 53.9, 55.0

¿Qué es un intervalo de confianza del 95% para el verdadero volumen de

llenado medio?
Intervalos de confianza con
varianza desconocida
Entrar a Minitab, ingresar los datos en la primera columna, después:

1. Seleccione Stat > Basic Statistics >

Display Descriptive Statistics
2. Ingrese ‘C1’ en Variables
3. Haga clic en OK
Intervalos de confianza con
varianza desconocida

Resultados para: Oilrefinery.MTW

Estadística descriptiva: C1

Variable N N* Media Media SE DesvSt Mínima Q1 Media Q3

C1 20 0 54,860 0,225 1,008 53,300 54,100 54,700 55,850

Variable máxima
C1 57,100

Así es como hemos calculado

la media y la desviación estándar
Intervalos de confianza con
varianza desconocida

1. Seleccione Stat>Basic Statistics>Graphical

Summary
2. Seleccionar ‘C1’ para Variables
3. Haga clic en OK

3
Intervalos de confianza con
varianza desconocida
Summary for C1
Anderson-Darling Normality Test
A-Squared 0.60
P-Value 0.105

Mean 54.860
StDev 1.008
Variance 1.016
Skewness 0.560026
Kurtosis -0.509797
N 20

Minimum 53.300
1st Quartile 54.100
Median 54.700
3rd Quartile 55.850
54 55 56 57 Maximum 57.100
95% Confidence Interval for Mean
54.388 55.332
95% Confidence Interval for Median
54.100 55.582

95% Confidence Intervals 95% Confidence Interval for StDev

0.767 1.472
Mean

Median

54 .0 54 .4 54 .8 55 .2 55 .6

Tenemos un intervalo de confianza del 95% de que la media real está comprendida
entre 54,3882 y 55,3318.
También estamos corriendo un riesgo del 5% de equivocarnos.
 Intervalos de confianza para la
varianza y la desviación estándar

Aun cuando las inferencias por lo que se refiere a la varianza 2 o a la desviación

estándar de una población en general son de menos interés que aquellas con respecto a
una media o proporción, hay ocasiones en que se requieren tales procedimientos. En el
caso de una distribución de población normal, las inferencias están basadas en el
siguiente resultado por lo que se refiere a la varianza muestral S2.
 Intervalos de confianza para la
varianza y la desviación estándar

Comportamiento de una función ji cuadrada (chi cuadrada):

Conforme contenga más grados de libertad tenderá a volverse simétrica.

Intervalos de confianza para la
varianza y la desviación estándar
Intervalos de confianza para la
varianza y la desviación estándar
Intervalos de confianza para la
varianza y la desviación estándar

Cuidado!!!
NO SON los mismos valores
 Intervalos de confianza para la
varianza y la desviación estándar

Ejemplo:
Valores de temperatura en el manejo de metales fundidos en colado-1:

1470 1510 1690 1740 1900 2000 2030 2100 2190

2200 2290 2380 2390 2480 2500 2580 2700
 Intervalos de confianza para la
varianza y la desviación estándar

Ejemplo:
Valores de temperatura en el manejo de metales fundidos en colado-1:

1470 1510 1690 1740 1900 2000 2030 2100 2190

2200 2290 2380 2390 2480 2500 2580 2700

Valores de ji cuadrada:
 Intervalos de confianza para la
varianza y la desviación estándar

Ejemplo:
Valores de temperatura en el manejo de metales fundidos en colado-1:

1470 1510 1690 1740 1900 2000 2030 2100 2190

2200 2290 2380 2390 2480 2500 2580 2700

Valores de ji cuadrada:

Intervalo de confianza para la varianza:

 Intervalos de confianza

Ejercicios:

El artículo “Ultimate Load Capacities of Expansion Anchor Bolts” (J. of Energy Engr.,
1993: 139-158) reportó los siguientes datos resumidos sobre resistencia al esfuerzo
cortante (klb/pulg2) para una muestra de pernos de anclaje de 3/8 pulg: n = 78, x =
4.25, s = 1.30. Calcule un límite de confianza inferior utilizando un nivel de confianza de
90% para una resistencia al esfuerzo cortante promedio verdadero.
 Intervalos de confianza

Ejercicios:

Una legisladora estatal desea encuestar a los residentes de su distrito para ver qué
proporción del electorado está consciente de su posición sobre la utilización de fondos
estatales para solventar abortos.

a. ¿Qué tamaño de muestra es necesario si el intervalo de confianza de 95% para p

debe tener un ancho de cuando mucho 0.10
independientemente de p?
b. Si la legisladora está firmemente convencida de que por lo menos 2/3 del
electorado conoce su posición, ¿qué tamaño de muestra
recomendaría?
 Intervalos de confianza
Ejercicios:
El artículo “Measuring and Understanding the Aging of Kraft Insulating Paper in Power
Transformers” contiene las siguientes observaciones de grado de polimerización de
especímenes de papel para los cuales la concentración de tiempos de viscosidad
cayeron en un rango medio:

418 421 421 422 425 427 431 434 437 439 446 447 448 453 454 463 465

a. Construya una gráfica de caja de los datos y comente sobre cualquier

característica interesante.
b. ¿Es factible que las observaciones muestrales dadas fueron
seleccionadas de una distribución normal?
c. Calcule un intervalo de confianza de 95% bilateral para un grado de
polimerización promedio verdadero (como lo hicieron los autores del
artículo). ¿Sugiere este intervalo que 440 es un valor factible del grado de
polimerización promedio verdadero? ¿Qué hay en cuanto a 450?
 Intervalos de confianza
Ejercicios:
Se hicieron las siguientes observaciones de tenacidad a la fractura de una placa base de
acero maraging con 18% de níquel [“Fracture Testing of Weldments”, ASTM Special
Publ. No. 381, 1965: 328-356 (en k/pulg √pulg., dadas en orden creciente)]:

69.5 71.9 72.6 73.1 73.3 73.5 75.5 75.7 75.8 76.1 76.2 76.2 77.0 77.9 78.1
79.6 79.7 79.9 80.1 82.2 83.7 93.7

Calcule un intervalo de confianza de 99% para la desviación estándar de la distribución

de la tenacidad a la fractura.
¿Es válido este intervalo cualquiera que sea la naturaleza de la distribución? Explique.