Proyecto de Estadistica

ESCUELA
SUPERIOR
POLITECNICA
DEL LITORAL
PROBABILIDAD
Clculos de Probabilidad y aplicacin

de la estadstica descriptiva.
El siguiente proyecto trata de ofrecer una
visin amplia acerca de cmo tomar datos
en
simulacin
y
experimentalmente,
tratarlos y utilizarlos para realizar grficos
estadsticos y clculo de probabilidades.
Marn Gorotiza Silvio

Mendoza Alcvar Brady
, 11 de Diciembre del 2014
TABLA DE CONTENIDOS
INTRODUCCION
1.1 INTRODUCCION
1.2 OBJETIVOS:
1.2.1 OBJETIVO GENERAL:
1.2.2 OBJETIVOS ESPECIFICOS:
1
3
3
3
MARCO TEORICO
2.1 ESTADSTICA DESCRIPTIVA

2.2 CLCULO DE PROBABILIDADES
2.3 DISTRIBUCIN GEOMTRICA
2.4 MUESTREO DE ACEPTACIN Y CURVA DE OPERACIN (OC)
2.4.1 CURVA DE OPERACIN (OC):
4
5
7
7
10
METODOLOGIA
12
RESULTADOS
13
4.1 ANALISIS DE RESULTADOS

4.2 CONCLUSIONES
4.3 RECOMENDACIONES
13
14
14
ANEXOS
15
BIBLIOGRAFIA.
21
CAPITULO 1. INTRODUCCION
1 INTRODUCCION
1.1 INTRODUCCION
El presente proyecto nace de la necesidad de demostrar los conocimientos aprendidos en clases
del curso de Estadstica para ingenieras de la Escuela Superior Politcnica del Litoral, ya que se
busca comprobar que las frmulas, definiciones y ejercicios analizados en clases tienen un alto
grado de aplicacin en la vida real.
La importancia de sta investigacin radica en que el lector pueda darse cuenta de que posterior a
la toma de datos, a travs de la estadstica descriptiva, es decir, aquellos mtodos que incluyen la
recoleccin, presentacin y caracterizacin de un conjunto de datos con el fin de describir
apropiadamente las diversas caractersticas de ese conjunto, 1 y el clculo de probabilidades, que
es un mtodo por el cual se obtiene la frecuencia de un acontecimiento determinado mediante la
realizacin de un experimento aleatorio, del que se conocen todos los resultados posibles, bajo
condiciones suficientemente estables2 podemos hallar informacin significativa para establecer
conexiones entre la investigacin que se realice y los resultados obtenidos.
Adems de esta razn, este trabajo toma trascendencia, debido a que, para el estudiante que
recibe el curso de Estadstica es de suma importancia evidenciar que todos los conocimientos
adquiridos los puede utilizar cuando sea necesario en el campo profesional, y esto lo hacemos a
travs de este sencillo experimento que consiste en crear una urna, y dentro de la urna colocar 40
bolitas, de las cuales 8 estarn marcadas y las 32 restantes sin ninguna marca, las nforas, en la
vida real, representan lotes o contenedores de cierto artculo, y las bolitas marcadas objetos
defectuosos.
Luego, realizar la extraccin de 5 bolitas tomando datos de la cantidad de bolitas marcadas que
salieron y luego se las devuelve al nfora para repetir 100 veces el mismo experimento.
Tambin debemos tomar en cuenta que para demostrar la aplicacin de los captulos 1, 2 y 3 del
libro Zurita G. (2010) Probabilidad y Estadstica, Fundamentos y Aplicaciones, segunda
1 http://www.monografias.com/trabajos13/beren/beren.shtml#ixzz3L8HOLfeM
2 http://www.estadisticaparatodos.es/historia/histo_proba.html
Page 1
edicin, se realizaron las tablas de frecuencia, as como los grficos: Histograma de frecuencias,
Ojiva y Diagrama de Caja, y tambin se hizo el clculo de probabilidades respectivo a cada
evento posible, a travs de las frmulas de Eventos favorables para Eventos posibles y del
modelo Hipergeomtrico de variables aleatorias discretas estudiadas en clase.
Todos estos clculos fueron comprobados y realizados en el programa R para estadstica
bsica, desde la simulacin de las extracciones, hasta el clculo de media, varianza, histograma
de frecuencias, y probabilidades, vinculando datos y algoritmos, para as establecer los datos
comparativos de nuestro experimento.
Page 2
1.2 OBJETIVOS:
1.2.1 OBJETIVO GENERAL:
Realizar una prueba estadstica con todos sus pasos tanto experimentalmente como en un
proceso de simulacin, representando un proceso de revisin de calidad en el campo
profesional, debido a la necesidad de aplicar lo aprendido a la vida real, con la finalidad
de observar los resultados y darles un correcto anlisis.
1.2.2 OBJETIVOS ESPECIFICOS:
Adaptar las frmulas y definiciones estudiadas en clase, en el proceso para obtener las
conclusiones del proyecto.

Determinar tericamente los mismos resultados obtenidos experimentalmente.
Investigar el tema de muestreo de aceptacin y curva de operacin.
Motivar al lector a comprobar la aplicacin de la estadstica descriptiva en la vida real.
Page 3
CAPITULO 2. MARCO TERICO
2 MARCO TEORICO
2.1 ESTADSTICA DESCRIPTIVA
La estadstica es una ciencia formal y una herramienta que estudia el uso y los anlisis
provenientes de una muestra representativa de datos, busca explicar las correlaciones y
dependencias de un fenmeno fsico o natural, de ocurrencia en forma aleatoria o condicional.3
La estadstica descriptiva es una gran parte de la estadstica que se dedica a recolectar, ordenar,
analizar y representar un conjunto de datos, con el fin de describir apropiadamente las
caractersticas de este. Este anlisis es muy bsico. Aunque hay tendencia a generalizar a toda la
poblacin, las primeras conclusiones obtenidas tras un anlisis descriptivo, es un estudio
calculando una serie de medidas de tendencia central, para ver en qu medida los datos se
agrupan odispersan en torno a un valor central.
En resumen, la Estadstica descriptiva registra los datos en tablas y los representa en grficos.
Calcula los parmetros estadsticos (medidas de centralizacin y de dispersin), que describen el
conjunto estudiado,4 estableciendo resultados que conecten la toma de informacin con las
conclusiones obtenidas.
Una de las tablas ms frecuentes en representacin de datos en estadstica descriptiva es La
distribucin de frecuencias o tabla de frecuencias, que es una ordenacin en forma de tabla de los
datos estadsticos, asignando a cada dato su frecuencia correspondiente. Un ejemplo de esta tabla
se muestra a continuacin:
3 Best, Joel (2001). Damned Lies and Statistics: Untangling Numbers from the
Media, Politicians, and Activists. University of California Press. ISBN 0-520-21978-3
4 http://www.ditutor.com/estadistica/estadistica_descriptiva.html
Page 4
Tabla de
En este caso, se tomaron datos y debido a la cantidad y expansin, hubo la necesidad de

ubicarlos por intervalos, en ese caso adems de las frecuencias absolutas, relativas, absolutas
acumuladas, y relativas acumuladas, se ubica otro parmetro, que es la marca de clase, o el
promedio entre los lmites de cada intervalo.
Adems de esta tabla se pueden hallar datos como la media, la varianza, desviacin estndar y
los cuantiles, de los cuales los ms importantes son los Cuartiles 1, 2 y 3. Cuyas frmulas se
plantean a continuacin:
xi
Me dia =
i=1
Varianza S =
(x i)2
i=1
Desviacin est ndar S= S2
n1
( i. a ) =( n+1 ) ; Cuantiles (i . a)=i +0. a(ii +1)

Los mtodos estadsticos son utilizados por mercadlogos, contadores, analistas de control de
calidad, clientes, profesionales del deporte, administradores, etc.
2.2 CLCULO DE PROBABILIDADES

Una vez presentado lo que se denomina estadstica descriptiva, es preciso comenzar a cuantificar
la incertidumbre relacionada con los eventos o posibles resultados. Es por ello que comenzamos
a hablar acerca de experimento, en particular experimento estadstico. 6
Siendo el experimento un conjunto de acciones, realizadas a travs de varios procesos y en el
cual se observan los resultados, podemos decir que un experimento es estadstico si contiene lo
siguiente:
5 http://www.escolares.net/matematicas/frecuencia-estadistica/
6 Zurita G. (2010) Probabilidad y Estadstica, Fundamentos y Aplicaciones, segunda
edicin. ESPOL, pagina 72.
Page 5

a) Se conoce el nmero de resultados posibles del experimento;
b) Cada vez que se lo realiza, no se sabe el resultado especfico que se va a obtener;
c) El experimento puede ser realizado n veces.
As llegamos a la definicin espacio muestral ( , L ), donde:
a) E1 y E2 L, entonces (E1 U E2) L.
c
b) E1 L, entonces E L.
Este espacio muestral puede ser continuo, o discreto, que a su vez de subdivide en: finito
conteble o infinito contable.
As llegamos a la definicin de evento (E):
1) E L
2) E es subconjunto de .
A raz de esta definicin podemos establecer cuando dos eventos son mutuamente excluyentes.
Si ( E1 E2) = , entonces son mutuamente excluyentes.
Ahora puede ocurrir que sobre un mismo espacio muestral correspondiente a un mismo
experimento se definan distintas funciones de probabilidades P, basados en distintas experiencias
o percepciones por parte de diferentes grupos humanos.
Asi se forma la terna ( , L,P ), que es llamado espacio de probab ilidades. 7
Y definimos probabilidad como una medida de la posibilidad de ocurrencia de un evento. Vuaya
frmula es:
P ( E )=
N ( E)
N ()
Y se establecen la probabilidad de la unin, probabilidad de la interseccin, en una estrecha

relacin con la cardinalidad de conjuntos. As como la probabilidad condicional:
Aqu se definen dos eventos posibles, cada uno con su probabilidad previamente hallada, y se
establece la pregunta: Cul es la probabilidad de que se de el evento 1(E1), dado el evento 2
(E2)?
P
( EE 12 )= P(PE (1E 2)E 2)

Page 6

Siempre que P(E1) sea distinta de 0. Despejando el numerador, tenemos la famosa REGLA
MULTIPLICATIVA:
P ( E 1 E 2 )=P(E 2)P
( EE 12 )
En esta definicin es obvio que si E2 afecta a probabilidad que E1 ocurra, entonces es verdad
que
( EE 12 ) P( E 2)
; pero tambin se puede suponer que
( EE 12 )=P( E 2)
. Entonces E1
es estocsticamente independiente de E2 si y slo si, se cumple est ltima condicin, o tambin:

P
( EE 21 )=P( E 1)
Ahora, si dentro del conjunto , E1, E2, , Ek son estocsticamente independientes entre s,
k
podemos escoger un evento A cualquiera tal que:
P ( A )= P ( Ei ) P(
i=1
A
)
Ei , esta es la definicin
de la REGLA DE PROBABILIDAD TOTAL.
2.3 DISTRIBUCIN GEOMTRICA

Sea ( , L ) el espacio muestral de un experimento estadstico y sea, X una funcin cuyo
dominio es , y cuyo conjunto de llegada es R, donde R es el conjunto de los nmeros reales;

bajo estas condiciones, la funcin X es una Variable Aleatoria.9
As definimos que en la funcin de distribucin de probabilidades f(x) = P(X=x), cada vez que x
toma un valor que pertenece al soporte de la variable aleatoria X, en cualquier otro caso f(x) = 0.
Y llegamos a la distribucin acumulada de X: Siendo una funcin de variable real F:R[0,1], es
definida con distrbucin acumulada de X, si y solo si: F(x) = P(Xx), para todo valor del soporte,
si x se encuentre o no en el soporte de x.
Existen varios modelos de variables aleatorias discretas, pero ahora vamos a limitarnos a hablar
hacer ca del Modelo Hipergeomtrico:
edicin. ESPOL, pagina 102 y 103.
Page 7

Sea X una variable aleatoria discreta, se dice que es de distribucin hipergeomtrica con
parmetros N, n y a, si y solo si su distribucin de probabilidad est dada por:
a Na
(
x )( nx )
f ( x )=
( Nn )
Donde,
N: Tamao de la poblacin,
n: Tamao de la muestra,
a: Nmero de elementos de la poblacin con cierta caracterstica,
y X: El nmero de elementos de la muestra que tengan la caracterstica de inters.
2.4 MUESTREO DE ACEPTACIN Y CURVA DE OPERACIN (OC)

En la actividad de control de calidad en ocasiones es necesario inspeccionar lotes de materia
prima, partes o productos terminados para asegurar que cumplen ciertos niveles de calidad con
un buen grado de confianza. El muestreo de aceptacin es el proceso de inspeccin de
una muestra de unidades extradas de un lote con el propsito de aceptar o rechazar todo el lote.10
Primero que nada hay que saber que la inspeccin para tener aceptacin, se realiza en muchas
etapas de la produccin, esta inspeccin es en gran parte sobre la base de muestreo. Quedando
claro que con ninguna revisin se va a eliminar los productos no conformes, se supone que la
mejor forma de tener un producto que cumpla con las especificaciones es hacerlo bien a la
primera vez. 11
El muestreo de aceptacin se lo puede realizar en cualquier relacin cliente-servidor, ya sea en el
interior de una empresa, o entre varias empresas, y se observa como una accin de defensa ante
la mala calidad, es decir, para proteger a los productos de posibles inconsistencias, o de obtener
productos que en su mayora sean malos.
Para entender mejor esta definicin presentamos el siguiente grfico:
10 http://www.monografias.com/trabajos46/muestreo-de-aceptacion/muestreo-deaceptacion.shtml#ixzz3L9KGMpkM
11 http://www.monografias.com/trabajos97/muestreo-aceptaciontecnicas/muestreo-aceptacion-tecnicas.shtml
Page 8
En este sentido, cuando se pretende enjuiciar un lote se tienen tres alternativas: inspeccin al
100%, cero inspeccin, o muestreo de aceptacin. Esta ltima es una decisin intermedia entre
las otras dos alternativas opuestas, y a veces resulta ser la ms econmica globalmente. A
continuacin explicamos cuando se aplica cada una de ellas.
El muestreo de aceptacin se lo realiza cuando se presentan algunos de los siguientes casos:
Cuando la inspeccin se hace con pruebas destructivas (como pruebas de tensin
y resistencia), es indispensable la inspeccin por muestras, de lo contrario todos los productos
seran destruidos con las pruebas.
Cuando el costo de la inspeccin al 100% es demasiado alto comparado con el costo de pasar
unidades defectuosas.
En los casos en los que la inspeccin al 100% no es tcnicamente posible o se requiere
mucho tiempo para llevarlo a cabo.
Cuando el lote lo forman gran cantidad de artculos que habra que inspeccionar y
la probabilidad de error en la inspeccin es suficientemente alta, de manera que la inspeccin al
100% podra dejar pasar ms unidades defectuosas que un plan de muestreo.
En situaciones donde histricamente el vendedor ha tenido excelentes niveles de calidad y se
desea una reduccin en la cantidad de inspeccin, pero la capacidad del proceso no es
suficientemente buena como para no inspeccionar.
Cuando es necesario asegurar la confiabilidad del producto, aunque la capacidad del proceso
fabricante del lote sea satisfactoria.
Page 9

Hay ventajas y desventajas de utilizar el muestreo de aceptacin, y estas son:
VENTAJAS.
1.
Tiene menor costo porque se inspecciona menos, a pesar de algunos costos adicionales
generados por la planificacin y administracin de los planes de muestreo.
2.
Requiere de menos personal en las actividades de inspeccin, simplificando con ello el

trabajo de coordinacin y reduciendo los costos.
3.
El producto sufre menos dao al haber menos manipulacin.
4.
Es aplicable en pruebas destructivas.
DESVENTAJAS.
1. Hay cierto riesgo de aceptar lotes malos y rechazar buenos, aunque en un plan de
muestreo de aceptacin estn previstos y cuantificados estos riesgos.
2. Proporciona menos informacin acerca del nivel de calidad del producto o de su proceso
de fabricacin. Aunque bien utilizada, la informacin obtenida puede ser suficiente.
3. Se requiere ms tiempo y conocimiento para planificar y documentar el muestreo,
mientras la inspeccin al 100% no. Esto tal vez no sea una desventaja, ya que la
planificacin genera otros efectos positivos, como mayor conciencia de los niveles de
calidad exigidos por el cliente. 12
Ahora, para cierta poblacin debemos saber cmo determinar la muestra y exactamente cul es el
grado de disconformidad de esa poblacin.
Para hallar cual va a ser nuestra muestra, nosotros podramos buscar una manera de numerar los
productos, o clasificarlos por filas y columnas, o estratificarlos, o de alguna manera ubicarlos
bajo numeracin, de tal manera que aleatoriamente se puedan escoger algunos de estos para que
sean la muestra, ahora si existen circunstancias donde no se puede asignar un nmero a cada
unidad, es posible emplear alguno de los otros mtodos de muestreo que aseguren que el
muestreo es aleatorio o representativo.
Para tomar cualquier decisin sobre la poblacin, lo primero que se debe hacer es conocer tal
variabilidad. As, forzosamente se tiene que aplicar algn modelo probabilstico. En muestreo de
aceptacin tal modelo probabilstico es la curva caracterstica de operacin.13
12 http://es.slideshare.net/profesorimoran/muestreo-de-aceptacion
13 http://www.monografias.com/trabajos46/muestreo-de-aceptacion/muestreo-deaceptacion2.shtml#ventajas
Page 10

Y en cuanto a la condicin para que el lote sea aceptado, establecemos las siguientes frmulas:
10nN y por cada n = 60, entonces c = 1
Bajo estas condiciones surgen algunas interrogantes, como por ejemplo: Qu tipo de calidad
garantiza este plan y cul es el nivel de calidad que no tolera; o de una manera ms tcnica: si un
lote tiene cierta proporcin de artculos defectuosos, cul es la probabilidad de que el lote sea
aceptado? Las respuestas a estas preguntas se obtiene a partir de la curva caracterstica de
operacin (curva CO) para el citado plan.
2.4.1 CURVA DE OPERACIN (OC):
La curva CO de un plan proporciona una caracterizacin del potencial desempeo del mismo, ya
que con sta se puede saber la probabilidad de aceptar o rechazar un lote que tiene determinada
calidad. Adems, como de un lote que se somete a inspeccin por muestreo se desconoce su
proporcin, p, de artculos defectuosos, entonces la curva CO tiene que proporcionar la
probabilidad de aceptar lotes con cualquier valor de p.
A continuacin proponemos un ejemplo:
Se tiene un lote de infinito numero de artculos, y para realizar la muestra de aceptacin, se
escoge una muestra de 60 de los mismos, teniendo en cuenta que se acepta el lote, si y solo si, 1
o menos artculos son defectuosos. Esto es:
N: muy grande
n: 60
c: 1
Entonces se pide determinar cul es la probabilidad de aceptacin del lote, esto es la probabilidad
de que se tengan 2 o menos artculos defectuosos, significa que demos hallar P(x1), siendo
p=0,02.
Entonces hallando P(x=0) + P(x=1) es igual a 0,6619. Con esto sabemos el valor de la
probabilidad para una proporcin de defectuosos del 2% con respecto al total de artculos, pero la
OC, nos da una grfica a travs de la cual podemos aproximar los valores correspondientes a los
valores de p, que nosotros queramos.
Pero si el tamao de la muestra es N, diferente de infinito, n y c, entonces la probabilidad debe
ser hallada con distribucin hipergeomtrica.
Siendo as nos plantean el siguiente problema:
PROBLEMA:
Page 11

Realizar los clculos y dibujar la curva de operacin (OC), para un lote con 40 artculos, del cual
8 estn defectuosos, en el que se toma una muestra de 5, y se acepta el lote si entre los 5, hay a lo
mucho 1 artculo defectuoso. La curva de operacin se la calcular para los siguientes valores:
0.02, 0.04, 0.06, 0.08, , 0.50.
N:40
n: 5
c: 1
a:8
Siendo as si la probabilidad de aceptacin del lote viene dada por:
8 408
(
x )( 5x )
P ( x 1 ) =
( 405)
Que es igual a 0.306 + 0.437 = 0.743
Page 12
CAPITULO 3. ANLISIS DE RESULTADOS
3 ANLISIS DE RESULTADOS
3.1.1 Procedimiento para realizar el experimento
El experimento se lo puede realizar de dos maneras ya sea fsicamente, as como

utilizando programas informticos para realizar una simulacin, colectivamente se tom
la decisin de realizar la segunda opcin y se utiliz una programa informtico muy
interesante y a la vez muy complejo, puesto que, el lenguaje y la estructura que llevan
los algoritmos no son tan claros como en otros programas, pero investigando se pudo
descubrir ciertas funciones muy utilices a la hora realizar el experimento.
1. Se introdujo en un vector de 40 elementos con nomenclatura N Y D, los que
simbolizan las 40 bolitas introducidas en un nfora, que se tendrn dos
caractersticas, daadas (D) y no daadas (N)
El experimento consista en que de las 40, 8 van a estar daadas y 32 no daadas, es
decir el vector va de la siguiente manera
2. Luego utilizando una funcin llamada sample la cual sirve para tomar una muestra
de tamao n del vector productos, en este caso la muestra ser de 5 productos que se
van a ser extrados y se anotara cuantas salieron daadas y cuantas no daadas
3. Se hizo la extraccin simulada de los 5 productos 100 veces y se construy una tabla
con todos los resultados para determinar cuntas veces se obtuvo, 0, 1, 2, 3, 4, 5,
productos daados
4. Con los datos obtenidos utilizando R y los conceptos que hemos ido obteniendo en
estadstica, se comienza a determinar la media, la varianza, los cuartiles, las
frecuencias, histograma y todos los grficos como histograma, ojiva, y diagrama de
cajas
5. Por ltimo se utiliza la distribucin hipergeomtrica para comprobar si los valores
experimental son iguales o casi iguales con los valores tericos
Page 13

3.1.2 Utilizacin de R.
> PRODUCTOS <- c ("N", "N", "N", "D", "N", "N", "N", "N", "N", "N", "N", "N",
"D", "N", "N", "N", "N", "N", "N", "N", "N", "N", "N", "D", "N", "N", "N", "D", "N",
"N", "N", "D", "D", "D", "N", "N", "N", "N", "D", "N")
El siguiente algoritmo nos permite realizar los 100 sorteos en un solo paso utilizando el
programa R
i=0
i1=0
i2=0
i3=0
i4=0
i5=0
i6=0
Datos = matrix(100,1)
for (j in 1:100)
{
Q = sample(PRODUCTOS,5)
for (i in 1:5)
{
if(Q[i]=='D')
i=i+1
}
Datos[j]<-i
if (i==0)
i1=i1+1
if (i==1)
i2=i2+1
if (i==2)
i3=i3+1
if (i==3)
i4=i4+1
if (i==4)
i5=i5+1
if (i==5)
i6=i6+1
i=0
}
Page 14

Los resultados que obtuvimos fueron estos y estn detallados en la siguiente
tabla:
TABLA RESULTADOS DE EXPERIMENTO BOLITAS
RESULTADO DE
SACAR 5 BOLITAS
"N"
1 "N"
"N"
2 "N"
"N"
3 "N"
"N"
4 "N"
"N"
5 "N"
"N"
6 "N"
"N"
7 "N"
"N"
8 "N"
"N"
9 "N"
"N"
10 "N"
"N"
11 "N"
"N"
12 "N"
"N"
13 "N"
"N"
14 "N"
"N"
15 "N"
"N"
16 "N"
"N"
17 "N"
"N"
18 "N"
"N"
19 "N"
"N"
20 "N"
"N"
21 "N"
"N"
22 "N"
23 "N"
Page 15
"N" "N" "N"

"N" "N" "N"
# DE
BOLITAS
DAADAS
0
0
"N" "N" "N"

0
"N" "N" "N"
0
"N" "N" "N"
"N" "N" "N"
"N" "N" "N"
"N" "N" "N"
"N" "N" "N"
"N" "N" "N"
"N" "N" "N"
"N" "N" "N"
"N" "N" "N"
"N" "N" "N"
"N" "N" "N"
0
0
0
0
0
0
0
0
0
0
0
"N" "N" "N"

0
"N" "N" "N"
"N" "N" "N"

0
"N" "N" "N"
0
"N" "N" "N"
"N" "N" "N"
"N" "N" "N"
"N" "N" "N"
0
0
0
0
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
"N"
"N" "N" "N" "N"
"N"
"N" "N" "N" "N"
"N"
"N" "N" "N" "N"
"N"
"N" "N" "N" "N"
"N"
"N" "N" "N" "N"
"N"
"N" "N" "N" "N"
"N"
"N "N" "D" "N"
"N"
"D" "N" "N" "N"
"N"
"N "D" "N" "N"
"N"
"N" "D" "N" "N"
"N"
"N" "D" "N" "N"
"N"
"N" "N" "D" "N"
"N"
"N" "N" "D" "N"
"N"
"N" "N" "N" "D"
"N"
"N" "N" "N" "D"
"N"
"N" "N" "N" "D"
"N"
"N" "N" "N" "N"
"D"
"N" "N" "N" "N"
"D"
"N" "N" "N" "N"
"D"
"N" "N" "N" "N"
"D"
"N" "D" "N" "N"
"N"
"N" "D" "N" "N"
"N"
"N" "N" "D" "N"
"N"
"N" "N" "D" "N"
"N"
"N" "N" "D" "N"
"N"
"N" "N" "D" "N"
"N"
Page 16
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

"N" "N" "N" "D"
50 "N"
"N" "N" "N" "D"
51 "N"
"N" "N" "N" "D"
52 "N"
"N" "N" "N" "D"
53 "N"
"N" "N" "N" "D"
54 "N"
"N" "N" "N" "N"
55 "D"
"N" "N" "N" "N"
56 "D"
"N" "N" "N" "N"
57 "D"
"N" "N" "N" "N"
58 "D"
"N" "N" "N" "N"
59 "D"
"N" "N" "N" "N"
60 "D"
"N" "N" "N" "N"
61 "D"
"N" "N" "N" "N"
62 "D"
"D" "N" "N" "N"
63 "N"
"D" "N" "N" "N"
64 "N"
"D" "N" "N" "N"
65 "N"
"N "N" "N" "N"
66 "D"
"N" "D" "N" "N"
67 "N"
"N" "N" "D" "N"
68 "N"
"N" "N" "N" "D"
69 "N"
"N" "N" "N" "D"
70 "N"
"N" "N" "N" "N"
71 "D"
"N" "N" "N" "N"
72 "D"
"N "N" "N" "D"
73 "N"
"D "N" "D" "N"
74 "N"
"D" "N" "N" "D"
75 "N"
76 "D" "N" "N" "N"
Page 17
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
10
0
"D"
"D" "N" "N" "N"
"D"
"N" "N" "N" "D"
"D"
"N" "N" "N" "D"
"D"
"N" "N" "N" "D"
"D"
"D" "N" "N" "D"
"N"
"N" "N" "D" "D"
"N"
"N" "D" "D" "N"
"N"
"N" "D" "D" "N"
"N"
"N" "D" "D" "N"
"N"
"N" "D" "D" "N"
"N"
"N" "D" "N" "D"
"N"
"D" "N" "N" "D"
"N"
"D" "N" "N" "D"
"N"
"D" "N" "N" "D"
"N"
"N" "N" "N" "D"
"D"
"N "D" "D" "N"
"N"
"N "D" "N" "N"
"D"
"N" "D" "N" "N"
"D"
"N" "D" "N" "D"
"N"
"N" "N" "N" "D"
"D"
"N" "D" "D" "D"
"N"
"D" "D" "D" "N"
"N"
"D" "D" "N" "D"
"N"
"N" "D" "D" "D"
"N"
Page 18
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3

3.1.3 Trabajo experimental
Se construy la siguiente Tabla de Frecuencias con todos los datos obtenidos y se

determin las frecuencias absolutas, relativas y acumuladas
Nmero de
Productos
Defectuoso
0
1
2
3
4
5
Frecuencia
Frecuencia
Absoluta
Relativa (fi)
(ni)
29
0,29
44
0,44
23
0,23
4
0,04
0
0,00
0
0,00
1,00
Frecuencia
Absoluta
Acumulada (Ni)
29
73
97
100
100
100
Frecuencia
Relativa
Acumulada (Fi)
0,29
0,73
0,90
1,00
1,00
1,00
Utilizando esta tabla se podr determinar las medidas de tendencia central como la
media aritmtica y de dispersin como la varianza y desviacin estndar, adems de
graficar el histograma, la ojiva, y el diagrama de cajas todo esto aprendido en la captulo
de estadstica descriptiva
Colocamos todos los 100 resultados del nmero de productos daados en un nuevo
vector
m<-c(0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3)
xi
x= i=1
n
x=
( 29 )( 0 )+ ( 44 )( 1 ) + ( 23 ) ( 2 ) + ( 4 )( 3 )+ ( 0 )( 4 ) +(0)(5)
100
x=1.02 Productos Defe ctuosos
En R
Media = mean(m)
[1] 1.02
Varianza = var(m)
Page 19

[1] 0.6864646
Desviacin estnda = sd(m)
[1] 0.8285316
Los cuantiles:
quantile(m, probs = 0.25)
25%
0
50%
1
75%
2
Histograma de Frecuencias
0,5
Frecuencia Relativa
0,4
0,3
0,2
0,1
0,0
n objetos defectuosos
Page 20

Ojiva
Normal
Media
1,02
Desv.Est. 0,8285
N
100
1,0
0,8
Fi
0,6
0,4
0,2
0,0
0
N Objetos Defectuosos
Grfica de caja de n objetos defectuosos
0,0
0,5
1,0
1,5
2,0
2,5
3,0
4,0
5,0
n objetos defectuosos
3.1.4 PROBABILIDAD HIPERGEOMETRICA UTILIZANDO R
Cuando se calcul las frecuencias relativas de cada caso posible del nmero de
productos que estn defectuosos nos dimos cuenta de que ese valor comparado con el
valor determinado a travs de la distribucin hipergeomtrica de variables aleatorias
discretas, son iguales con una incertidumbre 0,02.
Page 21

Para comprobar la veracidad de lo anteriormente descrito, a continuacin se presentan
los resultados obtenidos a travs la hipergeomtrica
a Na
(
x )( nx )
f ( x )=
( Nn )
Esta frmula en el leguaje de R se expresa de la siguiente manera:
> Dhyper(x,n,N,a)
> dhyper(0,5,35,8)
[1] 0.3060388
> dhyper(1,5,35,8)
[1] 0.4371983
> dhyper(2,5,35,8)
[1] 0.2110613
> dhyper(3,5,35,8)
[1] 0.04221225
> dhyper(4,5,35,8)
[1] 0.003404214
> dhyper(5,5,35,8)
[1] 8.510535e-05
Page 22
CAPITULO 4. CONCLUSIONES Y RECOMENDACIONES
4 CONCLUSIONES Y RECOMENDACIONES
4.1 CONCLUSIONES
Luego de realizar este proyecto podemos concluir que:
Las partes de los estudiantes de la ESPOL, consideran importante, necesario y
utilizaran una ciclo va para trasladarse en el campus universitario.

Las mayores motivaciones para trasladarse en bicicleta a travs del campus universitario
son la conciencia ambiental de los estudiantes y la importancia que le dan a realizar
actividad fsica.
Un alto porcentaje de la poblacin estudiantil est dispuesto a rentar bicicletas y tiene las
habilidades necesarias para hacerlo.

Los estudiantes necesitan facilidades para trasladarse sobre todo en las reas
comprendidas entre la garita y el rectorado, y entre la FEN y la FIEC.

La tendencia actual en el mundo es a desarrollar medios de transporte que prevengan la
contaminacin ambiental.
4.2 RECOMENDACIONES
Las recomendaciones que consideramos oportunas de hacer son:
Dada la importancia que tiene para el estudiante de la ESPOL el uso de este medio de
transporte, creemos que debe darse prioridad a un proyecto de esta naturaleza.

Facilitar un sistema de alquiler de bicicletas que permita un traslado rpido, econmico y
conveniente dentro de las instalaciones de la universidad, debe ser complementario a la
construccin de la ciclovia.
Se debe considerar las bicicletas de montaa como la opcin ms adecuada a las
demandas de los consumidores, que sern los estudiantes de la universidad.

Debido a que la mayor parte de la poblacin estudiantil entiende su responsabilidad en la
conservacin del ambiente, se recomienda incentivar la realizacin de proyectos
ecolgicos.
CAPITULO 5. BIBLIOGRAFIA
5 BIBLIOGRAFIA.
1. http://www.fhwa.dot.gov/infrastructure/the_great_cycle_way_.cfm
2. JHONNY GAMBOA, http://arquitecturayeducar.zonalibre.org/archives/051898.html
3. Ciclova Guayaquil Averos Nuez M. pag 18.
4. MK TRENDS (2006). Evaluacin cuantitativa del proyecto: Biciva (Medio Electrnico).
.I. Municipalidad de Guayaquil, NNUU. (2010, abril 15).
5.
Ciclova Guayaquil Averos Nuez M. pag 14.
6. EL UNIVERSO (2002). Guayaquil, la ciudad del ro y del estero (En lnea). El Universo
<http://www.eluniverso.com/2002/07/06/0001/766/97DCD6BDB
BFB4E3DB4582D63FD7A0A3D.html>
7. http://www.bicicultura.cl/tipos-de-bicicletas
8. Ciclova Guayaquil Averos Nuez M. pag 30.
9. Frederick J., 2012, http://www.deia.com/2012/01/07/sociedad/euskadi/un-bidegorri-demas-de-mil-kilometros-unira-hendaia-con-bretana-en-2013
10. JHONNY
GAMBOA,
Julio
del
2004,
http://arquitecturayeducar.zonalibre.org/archives/051898.html>
11. Vida para Quito (2010). Ciclo Q, una va en movimiento. (En lnea). Vida para Quito.
<http://www.vidaparaquito.com/
index.php?
option=com_content&task=view&id=58&Itemid=50>
12. Marcos Granados, Colombia, 2006, http://cicloviarecreativa.uniandes.edu.co/espanol/
promocin/anexos/Taller/apoyo/BeneficiosCiclovia.pdf

Proyecto de Estadistica

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Proyecto de Estadistica

Uploaded by

Copyright:

Available Formats

ESCUELA

Clculos de Probabilidad y aplicacin

Marn Gorotiza Silvio

2.1 ESTADSTICA DESCRIPTIVA

4.1 ANALISIS DE RESULTADOS

1.2.1 OBJETIVO GENERAL:

1.2.2 OBJETIVOS ESPECIFICOS:

conclusiones del proyecto.

CAPITULO 2. MARCO TERICO

CAPITULO 2. MARCO TERICO

En este caso, se tomaron datos y debido a la cantidad y expansin, hubo la necesidad de

Desviacin est ndar S= S2

( i. a ) =( n+1 ) ; Cuantiles (i . a)=i +0. a(ii +1)

2.2 CLCULO DE PROBABILIDADES

CAPITULO 2. MARCO TERICO

Y se establecen la probabilidad de la unin, probabilidad de la interseccin, en una estrecha

( EE 12 )= P(PE (1E 2)E 2)

7 Zurita G. (2010) Probabilidad y Estadstica, Fundamentos y Aplicaciones, segunda

CAPITULO 2. MARCO TERICO

; pero tambin se puede suponer que

es estocsticamente independiente de E2 si y slo si, se cumple est ltima condicin, o tambin:

podemos escoger un evento A cualquiera tal que:

de la REGLA DE PROBABILIDAD TOTAL.

2.3 DISTRIBUCIN GEOMTRICA

dominio es , y cuyo conjunto de llegada es R, donde R es el conjunto de los nmeros reales;

CAPITULO 2. MARCO TERICO

2.4 MUESTREO DE ACEPTACIN Y CURVA DE OPERACIN (OC)

CAPITULO 2. MARCO TERICO

CAPITULO 2. MARCO TERICO

Requiere de menos personal en las actividades de inspeccin, simplificando con ello el

El producto sufre menos dao al haber menos manipulacin.

Es aplicable en pruebas destructivas.

CAPITULO 2. MARCO TERICO

CAPITULO 2. MARCO TERICO

CAPITULO 3. ANLISIS DE RESULTADOS

El experimento se lo puede realizar de dos maneras ya sea fsicamente, as como

CAPITULO 3. ANLISIS DE RESULTADOS

CAPITULO 3. ANLISIS DE RESULTADOS

"N" "N" "N"

"N" "N" "N"

"N" "N" "N"

"N" "N" "N"

CAPITULO 3. ANLISIS DE RESULTADOS

CAPITULO 3. ANLISIS DE RESULTADOS

CAPITULO 3. ANLISIS DE RESULTADOS

CAPITULO 3. ANLISIS DE RESULTADOS

Se construy la siguiente Tabla de Frecuencias con todos los datos obtenidos y se

x=1.02 Productos Defe ctuosos

CAPITULO 3. ANLISIS DE RESULTADOS

CAPITULO 3. ANLISIS DE RESULTADOS

Grfica de caja de n objetos defectuosos

3.1.4 PROBABILIDAD HIPERGEOMETRICA UTILIZANDO R

CAPITULO 3. ANLISIS DE RESULTADOS

CAPITULO 4. CONCLUSIONES Y RECOMENDACIONES

Las partes de los estudiantes de la ESPOL, consideran importante, necesario y

utilizaran una ciclo va para trasladarse en el campus universitario.

habilidades necesarias para hacerlo.

comprendidas entre la garita y el rectorado, y entre la FEN y la FIEC.

transporte, creemos que debe darse prioridad a un proyecto de esta naturaleza.

demandas de los consumidores, que sern los estudiantes de la universidad.

Ciclova Guayaquil Averos Nuez M. pag 14.

You might also like