Apuntes Disenþo de Experimentos

PRESENTACIÓN
El presente trabajo es un apoyo didáctico en tu formación como profesional y tiene por

objeto facilitar tu aprendizaje en ésta asignatura. La lectura de cada una de sus
lecciones te ayudará a comprender mejor los temas que abordan tus profesores en el aula.
Te deseamos mucha suerte en el comienzo de ésta nueva etapa de tu superación y te
aseguramos una cosa: los retos dentro del campo laboral son muy variados, pero ninguno
tiene por objeto frustrar el entusiasmo de alguna persona por aprender. Te invitamos a
sentir confianza en tu capacidad y a enfrentar éstos retos que sin duda te
dejarán gratamente satisfecho y posiblemente sorprendido una vez que los superes.
Cuando concluyas tu carrera estarás preparado para enfrentar los retos de la vida y con la
posibilidad de ocupar un puesto de trabajo bien remunerado.
CONTENIDO DE LA ASIGNATURA
UNIDAD I
1. PRUEBAS DE HIPOTESIS
1.1 Inferencia estadística.
1.2 Estimaciones puntuales.
1.3 Error estándar.
1.4 Estimación de proporciones.
1.5 Estimación de varianzas.
1.6 Hipótesis estadísticas.
1.7 Toma de decisiones.
1.8 Intervalos de confianza.
1.9 Métodos gráficos.
1.10 pruebas para una y dos muestras.
UNIDAD II
2. REGRESION LINEAL MULTIPLE
2.1 Estimación de coeficientes.
2.2 Uso de matrices.
2.3 Inferencias y pruebas de hipótesis.
2.4 Software estadístico.
UNIDAD III
3. EXPERIMENTOS DE UN FACTOR
3.1 Análisis de varianza.
3.2 Estrategia del diseño experimental.
3.3 Diseño aleatorizado.
3.4 Comparación con un grado de libertad.
3.5 Comparaciones múltiples.
3.6 Tratamiento en un control.
3.7 Tratamiento en bloques.
3.8 Cuadrados latinos.
3.9 Software estadístico
UNIDAD IV
4. EXPERIMENTOS FACTORIALES
4.1 Experimento de dos factores.
4.2 Varianza de dos factores.
4.3 Gráficos.
4.4 Experimento de tres factores.
4.5 Modelos multifactoriales.
4.6 Software estadístico.
UNIDAD V
5. CONTROL ESTADISTICO DE LA CALIDAD
5.1 Naturaleza de los límites de control.
5.2 Propósito de las gráficas de control.
5.3 Graficas de control para variables.
5.4 Graficas de control para atributos.
5.5 Six Sigma
TRABAJO FINAL
PhD. J.C. JUAREZ-MORALES 2

SUMATORIAS
Se tiene lo siguiente:
(𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 )
Se quiere como primer punto de operación, realizar la sumatoria de un conjunto de datos.
Esto es;
(𝑥1 + 𝑥2 + 𝑥3 + ⋯ + 𝑥𝑛 )
Se define una sumatoria de la siguiente manera:
Su forma general es de la forma:

𝑛
∑ 𝑎𝑘 = 𝑎1 + 𝑎2 + 𝑎3 + ⋯ + 𝑎𝑛
𝑘=1
Ejemplo:
Si 𝑛 = 5,
3
Y sean las funciones: 𝑆𝑛 = 3𝑛 𝑆𝑛 = 10𝑛 𝑆𝑛 = −6 + 2(𝑛 − 1)
Encontrar,
𝑛
∑ 𝑆𝑛
𝑖=1

Ejercicios
1.- ∑𝟔𝒏=𝟏(−𝟏)𝒏 Resp. 0
𝟏 𝒏
2.- ∑𝟒𝒏=𝟏 𝟐 (− 𝟐) Resp. 5/16
3.- ∑𝟓𝒌=𝟏(𝟐𝒌 − 𝟏) Resp. 25
4.- ∑𝟒𝒏=𝟏(𝟐𝒏𝟐 − 𝒏) Resp. 50
𝒏+𝟏 𝒏
5.- ∑𝟑𝒏=𝟏 − 𝒏+𝟏 Resp. 35/12 o 2.91
𝒏
𝟏+(−𝟏)𝒌
6.- ∑𝟖𝒏=𝟏 Resp. 4
𝟐
7.- ∑𝟑𝒏=𝟏(𝟎. 𝟏)𝟐𝒌 Resp. 0.010101
8.- ∑𝟖𝒌=𝟏(𝟐𝒌 + 𝒌) Resp. 108
9.- ∑𝟔𝒏=𝟏(𝒏𝟐 − 𝒏) Resp. 70
10.- ∑𝟒𝒌=𝟏(𝟎. 𝟐)𝟐𝒏 Resp. 0.04166656
11.- ∑𝟏𝟐
𝒏=𝟏(𝟑 + 𝒏)
𝟐
Resp. 1226
12.- ∑𝟓𝒏=𝟏(−𝟏)𝒏 + (−𝟏)𝒏+𝟏 Resp. 0
13.- ∑𝟏𝟑
𝒏=𝟕(𝒏 − 𝟏)
𝒏+𝟏
Resp. 1.31x10 15

PROPIEDADES DE LA SUMATORIA
Nos permiten resolverlas de una manera más analítica y su demostración es por inducción
matemática.
Donde c= cte y i = función
PROPIEDAD 1
𝑛 𝑛
∑ 𝑐𝑖 = 𝑐 ∑ 𝑖
𝑖=1 𝑖=1
PROPIEDAD 2
𝑛
∑ 2𝑖 = 𝑛(𝑛 + 1)
𝑖=1
PROPIEDAD 3
𝑞
(𝑝 + 𝑞)(𝑄 − 𝑃 + 1)
∑𝑖 =
2
𝑖=𝑝
Para p < q, el valor inicial es diferente a 1.
PROPIEDAD 4
𝑚
∑ 𝑘 = (𝑚 − 𝑛 + 1)𝑘
𝑖=𝑛
Para n < m.
PROPIEDAD 5
𝑛
𝑛(𝑛 + 1)(𝑛 + 2)
∑(𝑖 2 + 𝑖) =
3
𝑖=1
PROPIEDAD 6
𝑛
1 𝑛
∑ =
(𝑖 2 + 𝑖) 𝑛 + 1
𝑖=1

EJEMPLOS
1) ∑6𝑖=1 2𝑖
2) ∑7𝑖=4 𝑖
1
3) ∑10
𝑖=1 𝑖(𝑖+1)
EJERCICIOS
1 𝟏
1) ∑𝑛𝑖=1 𝑖 Resp. 𝟒 (𝒏𝟐 + 𝒏)
2
2) ∑15
𝑗=4 𝑗 Resp. 114
3) ∑12 2
𝑘=1(𝑘 + 𝑘) Resp. 728
4) ∑18
𝑖=7 12 Resp. 144
1
5) ∑21
𝑖=1 (𝑖 2 Resp. 21/22
+𝑖)

PRODUCTORIAS
Se tiene lo siguiente:
(𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 )
Se quiere como primer punto de operación, realizar la sumatoria de un conjunto de datos.
Esto es;
(𝑥1 ∙ 𝑥2 ∙ 𝑥3 ∙ … ∙ 𝑥𝑛 )
Se define una sumatoria de la siguiente manera:
Su forma general es de la forma:

𝑛
∏ 𝑎𝑘 = 𝑎1 ∙ 𝑎2 ∙ 𝑎3 ∙ … ∙ 𝑎𝑛
𝑘=1
PROPIEDADES DE LA PRODUCTORIA
PROPIEDAD 1
El producto de una constante es igual a una potencia, donde la base es la constante y el

exponente es el límite superior del producto.
2
∏ 3 = 32 = 9
𝑖=1
PROPIEDAD 2
El producto de una constante por una variable es igual a la constante elevada al límite
superior por la productoria de la variable.

3 3
3
∏ 2𝑖 = 2 ∏ 1 = 8(1 ∙ 2 ∙ 3) = 48
𝑖=1 𝑖=1
PROPIEDAD 3
La productoria de una constante con límite inferior diferente a 1 es:

4
∏ 3 = 34−3+1 = 9
𝑖=3
PROPIEDAD 4
𝑛 𝑛 𝑛 𝑛
∏ 𝑓(𝑖)𝑔(𝑖)ℎ(𝑖) = ∏ 𝑓(𝑖) ∏ 𝑔(𝑖) ∏ ℎ(𝑖)

𝑖=1 𝑖=1 𝑖=1 𝑖=1
PROPIEDAD 5
𝑛
𝑓(𝑖) ∏𝑛𝑖=1 𝑓(𝑖)
∏ =
𝑔(𝑖) ∏𝑛𝑖=1 𝑔(𝑖)
𝑖=1
Donde 𝑔(𝑖) ≠ 0 .
PROPIEDAD 6
𝑛 𝑛
𝑙𝑜𝑔 ∏(𝑥𝑖 ) = ∑ log⁡(𝑥𝑖 )

𝑖=1 𝑖=1
Ejemplos:
1) ∏6𝐼=1 2𝐼
2) 𝑙𝑜𝑔 ∏3𝑘=1(3𝐾) = 𝑙𝑜𝑔33 ∏3𝑘=1 𝑘

CÁLCULO DE PRODUCTORIAS
 ∏𝑛𝑖=1 𝑘 = 𝑘 𝑛 ∏6𝑖=1 𝑝 = 𝑝6
 ∏𝑛𝑖=1 𝑖 = 𝑛! ∏5𝑘=1 𝑘 = 5!
(𝑛+𝑝)!
 ∏𝑛𝑖=1(𝑖 + 𝑝) =
𝑝!
𝑛! 7!
 ∏𝑛𝑖=𝑚 𝑖 = (𝑚−1)! ∏7𝑖=3 𝑖 =
(3−1)!
Donde 𝑚 ≤ 𝑛.
4
∑ log⁡(4𝑖)
𝑖=1
Ejercicios:
∏6𝑖=1 2𝑖 Resp. 2097152
1+𝑗
∏8𝑘=1 ( ) Resp. 1/3
𝑗+2
∏10
𝑘=6 𝑘 Resp. 30,240
∏4𝑘=1 8𝑥𝑘 Resp. 4,096𝒙𝟏 ∙ 𝒙𝟐 ∙ 𝒙𝟑 ∙ 𝒙𝟒
∏20
𝑗=1(5 + 𝑗) Resp. 1.29x10…23
𝑖2 𝒂𝟐
∏𝑏𝑖=𝑎 [ ] Resp. (𝒃+𝟏)𝟐
(𝑖+1)2

PRUEBA DE HIPÓTESIS
INFERENCIA ESTADÍSTICA
El campo de la inferencia estadística se compone de los métodos que se utilizan para tomar
decisiones o sacar conclusiones acerca de una población.
Estos métodos emplean la formación contenida en una muestra de la población para sacar
conclusiones.
Relación entre una población y una muestra.

INICIAMOS CON UN ANÁLISIS
(es clave de la inferencia estadística)
De MUESTRAS ALEATORIAS
Se muestran los métodos para la

MUESTREO ALEATORIO
DEFINICIONES
POBLACIÓN. Una población consiste en la totalidad de las observaciones que son motivo
de interés.
MUESTRA. Una muestra es un subconjunto de observaciones que se seleccionan de una

población.
Las variables aleatorias (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) son una muestra aleatoria de tamaño n.
a) Las 𝑥𝑖 son variables aleatorias independientes.
b) Cada 𝑥𝑖 tienen la misma distribución de probabilidad.
ESTADÍSTICO. Un estadístico es cualquier función de las observaciones de una muestra

aleatoria.
ESTIMACIÓN PUNTUAL. Una estimación puntual de un parámetro poblacional es el

valor numérico particular de un estadístico.
Estimación puntual de 𝝁⁡⁡⁡⁡⁡ → es el valor numérico de ̅

𝒙
Varianza poblacional de 𝝈𝟐 ⁡⁡⁡⁡⁡ → estimador puntual de 𝝈𝟐

EN INGENIERÍA
(Son comunes los problemas de estimación).
Con frecuencia es necesario estimar:
 La media µ de una sola población.

 La varianza 𝜎 2 a la desviación estándar σ de una sola población.
 La proporción p de los elementos de una población.
 La diferencia en las medias de 2 poblaciones 𝜇1 − 𝜇2
 La diferencia en las proporciones de 2 poblaciones 𝑝1 − 𝑝2
ESTIMACIONES RAZONABLES
Para 𝜇, la estimación es 𝜇̂
̂2
Para 𝜎 2 , la estimación es 𝜎
𝑥
Para p, la estimación es 𝑝 = 𝑛
𝜇1 − 𝜇2 → 𝜇
̂1 − 𝜇
̂2
𝑝1 − 𝑝2 → 𝑝
̂1 − 𝑝
̂2
VARIANZA DE UN ESTIMADOR PUNTUAL
(Estimador de varianza mínima)
Distribuciones de muestreo de 2 estimadores.

ERROR ESTÁNDAR 𝝈𝒙̅
(Reporte de una estimación puntual)
Es una desviación estándar si incluye parámetros desconocidos que pueden estimarse. Esto
es;
𝜎
𝜎𝑥̅ =
√𝑛
ESTIMADOR BOOTSTRAP 𝝀
(Cargador inicial)
Es un cargador inicial del complicado, difícil de muchos valores error estándar. Su

representación para la estimación Bootstrap es de la forma
1
𝜆=
𝑥̅
EJEMPLO
Se describe un nuevo método para medir la conductividad térmica del hierro Armco.
Utilizando una temperatura de 100°F y una alimentación de energía de 550W. Se
obtuvieron las siguientes 10 mediciones de la conductividad térmica (Btu/hr-pie-°F).
41.60 41.48 42.34 41.95 41.86 42.18 41.72 42.26 41.81 42.04
Calcular:
Una estimación puntual de la conductividad térmica media a 100°F y 550W.
 La media poblacional
 El error estándar
 Estimación Bootstrap
DISTRIBUCIÓN DE MUESTREO. Es la distribución de probabilidad de un estadístico.

USO DE MATRICES
SISTEMAS DE MATRICES Y DETERMINANTES
INTRODUCCIÓN
Las matrices fueron introducidas en el año 1650 por el inglés James Joseph Silverton. El
desarrollo de esta teoría se debe al matemático y astrónomo Hamilton en 1853 y el inglés
Caley introdujo la notación matricial para un sistema lineal de ecuaciones.
Además de su utilidad para estudiar sistemas en geometría, estadística, computación, entre

otras.
Definición de Matriz
Una matriz es un conjunto de números reales ordenados en filas y columnas de la forma:
En forma abreviada se escribe 𝐴 = (𝑎𝑖𝑗 )

Cada elemento de la matriz lleva 2 subíndices.
 El primero de ellos “i”, indica la fila en la que se encuentra el elemento.

 El segundo “j”, indica la columna.
Ejemplo:
3 −2 1 ⁡4
( 3/4 −1 −1/3⁡⁡⁡ 2 )
0 5 2/5 −2
Es una matriz que tiene 3 filas y 4 columnas, 𝑚 = 3 y 𝑛 = 4.

Llamamos DIMENSIÓN de una matriz a el producto indicado del número de filas por el
número de columnas; 𝑚 × 𝑛 y se escribe en forma abreviada como 𝐴𝑚×𝑛 = 𝑎𝑖𝑗 . En el
ejemplo anterior, la dimensión es 3 × 4.
Igualdad de Matrices
Dos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan
igual posición son iguales:
dim(𝐴) = dim⁡(𝐵)
𝐴=𝐵⟺{
𝑎𝑖𝑗 = 𝑏𝑖𝑗
Ejemplo:
2 3 1
𝐴=( )
𝑥 1 2
𝑎 3 𝑏
𝐵=( )
4 𝑐 2
Serán iguales si a=2, b=1, x=4 y c=1.
Tipos de Matrices
Dependiendo de la forma que tengan las matrices o como son sus elementos, podemos
distinguir algunos tipos particulares de matrices.
Matriz Fila. Es aquella que tiene una sola fila.
(𝑎11 𝑎12 𝑎13 ⁡⁡⁡⁡⁡⋯ 𝑎1𝑛 )
Matriz Columna. Es aquella que tiene una sola columna.
𝑎11
𝑎21
𝑎31
⋮
(𝑎𝑛1 )

Matriz Cuadrada. Es la que tiene igual número de filas que de columnas.
𝑎11 ⋯ 𝑎1𝑛
( ⋮ ⋱ ⋮ )
𝑎𝑛1 ⋯ 𝑎𝑛𝑛
En caso contrario se llama Matriz Rectangular.
𝑎11 ⋯ 𝑎1𝑛
( ⋮ ⋱ ⋮ )
𝑎𝑚1 ⋯ 𝑎𝑚𝑛
Ejemplo:
1
(√6 −4 0) ( 0 )
1 2 −1 −√8
En una matriz cuadrada, el conjunto formado por los elementos 𝑎𝑖𝑗 se llama diagonal
principal y el conjunto de los elementos 𝑎𝑖𝑗 tal que 𝑖 + 𝑗 = 𝑛 + 1, se llama diagonal
secundaria.
𝑎11 ⋯ ∅ ∅ ⋯ 𝑎1𝑛
( ⋮ ⋱ ⋮ ) ( ⋮ ⋱ ⋮ )
∅ ⋯ 𝑎𝑛𝑛 𝑎𝑛1 ⋯ ∅
Diagonal Principal Diagonal Secundaria
Matriz Transpuesta. Dada una matriz A se llama TRANSPUESTA DE A y se representa

por A’, a la matriz que se obtiene de A cambiando filas por columnas y viceversa.
Ejemplo:
3 −1
3 −2 1
𝐴=( ) 𝐴′ = (−2 5 )
−1 5 7
1 7
Matriz Nula. Es aquella en la que todos sus elementos son nulos. También se llama matriz
Cero y se representa por 0.

Ejemplo:
0 0 0 0
0 0 0
(0 0 0) ( ) (0)
0 0 0
0 0 0 0
Para matrices cuadradas se tiene lo siguiente:
Matriz diagonal. Es aquella que tiene todos sus elementos nulos salvo los de la diagonal
principal.
𝑎11 ⋯ 0
( ⋮ ⋱ ⋮ )
0 ⋯ 𝑎𝑛𝑛
Matriz Escalar. Es una matriz diagonal en la que todos los elementos de la diagonal
principal son iguales.
𝑎 ⋯ 0
(⋮ ⋱ ⋮)
0 ⋯ 𝑎
Matriz Unidad o Identidad. Es una matriz escalar con los elementos de la diagonal
principal iguales a 1.
1 ⋯ 0
(⋮ ⋱ ⋮)
0 ⋯ 1
Matriz Triangular. Es aquella en la que todos los elementos por encima o por debajo de la
diagonal principal son nulos.
3 0 0 3 4 1
𝐴 = (4 −3 0) 𝐴 = (0 −3 2)
1 2 8 0 0 8
Triangular Superior Triangular Inferior

OPERACIONES CON MATRICES
SUMA Y RESTA DE MATRICES
Dadas dos matrices 𝐴 = 𝑎𝑖𝑗 y 𝐵 = 𝑏𝑖𝑗 de la misma dimensión se define la suma como:
𝐴 + 𝐵 como otra matriz 𝐶 = 𝑐𝑖𝑗 de igual dimensión que los sumandos y donde
𝑐𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗
Nota: La suma y diferencia de matrices no se pueden definir si sus dimensiones son

distintas.
Forma General: 𝐶 = 𝐴 + 𝐵, donde:
𝑎11 ⋯ 𝑎1𝑛
𝐴=( ⋮ ⋱ ⋮ )
𝑎𝑚1 ⋯ 𝑎𝑚𝑛
𝑏11 ⋯ 𝑏1𝑛
𝐵=( ⋮ ⋱ ⋮ )
𝑏𝑚1 ⋯ 𝑏𝑚𝑛
Entonces;
𝑎11 + 𝑏11 ⋯ 𝑎1𝑛 + 𝑏1𝑛

𝐶=( ⋮ ⋱ ⋮ )
𝑎𝑚1 + 𝑏𝑚1 ⋯ 𝑎𝑚𝑛 + 𝑏𝑚𝑛
Ejemplos:
3 −4 2 0
𝐴=( ) 𝐵=( )
2 1 3 −1
1 0 1 2 1 4
𝐶 = (1 2 3) 𝐷 = (3 0 −1)
2 2 1 4 −1 5

PRODUCTO DE UN ESCALAR
Se multiplica cada número de la matriz por el escalar.
Ejemplo:
Sea
1 5
A
3 4
Calcular: 2A
1 5 2 10
2A  2 
3 4 6 8
MULTIPLICACIÓN DE MATRICES
Para poder multiplicar debemos revisar primero el número de filas x columnas. Si tenemos
que una matriz es 3 x 5 y la otra 5 x 2 se puede multiplicar si
Matriz A Matriz B
El tamaño de la Si los números centrales son

respuesta es 3 x iguales entonces se puede
2 multiplicar y el tamaño de la
respuesta son los números de los
3 x 5 5 x 2
extremos 3 x 2
Debe ser igual entonces
Si se puede multiplicar

Ejemplo:
1) Reviso el tamaño de la
6 7 8 matriz
0 1 2 33  A= 2x3 B=3x3
 9 10 11   
12 13 14  
3 4 5
Como son iguales se puede
multiplicar.
El tamaño de la matriz de la
Respuesta: respuesta es 2 x 3
6 7 8
0 1 2 33 36 39
 9 10 11 
3 4 5 114 126 138
12 13 14
DETERMINANTE DE MATRICES
(Regla de Cramer)

EJERCICIOS
Se tienen las siguientes matrices:
3 −4 2 0 1 −3 5
𝐴=( ) 𝐵=( ) 𝐶=( )
2 1 3 −1 −4 −1 3
1 0 1 2 1 4
−1 2 −3
𝐷=( ) 𝐸 = (1 2 3) 𝐸 = (3 0 −1)
−4 5 −7
2 2 1 4 −1 5
−3 −1 0
𝐸=( 0 1 2)
−2 2 −4
Calcular:
a) 𝐵 − 𝐴
b) 𝐴 + 𝐵𝑇
c) 𝐶 𝑇 − 𝐷
d) 𝐷𝑇 − 𝐴𝑇
e) 𝐷 + 𝐸
f) (𝐸 + 𝐹) + 𝐺
g) (𝐸 − 𝐹 𝑇 ) − 𝐺
h) (𝐸 𝑇 + 𝐺)𝑇
i) (𝐺 𝑇 −𝐹 𝑇 ) − 𝐸 𝑇
j) (𝐷𝑇 − 𝐶 𝑇 )𝑇

CALCULO DE MATRIZ DE COVARIANZAS Y
MATRIZ DE CORRELACIONES
MATRIZ DE COVARIANZAS
𝑆𝑥 2 𝑆𝑥𝑦
𝑉=[ ]
𝑆𝑦𝑥 𝑆𝑦 2
MATRIZ DE CORRELACIONES
1 𝑟
𝑅=[ ]
𝑟 1
donde −1 ≤ 𝑟 ≤ 1
Cuando 𝑟 = 1 o 𝑟 = −1 se dice que X y Y están perfecta y linealmente correlacionados,

todos los puntos están alineados o contenidos en una recta.
Cuando 𝑟 = 0 se dice que las dos variables no están correlacionados linealmente. Cuando
existe cierto grado de correlación entre X y Y tendremos:
0 < 𝑟 < 1 ; Correlación positiva (o correlación directa)
−1 < 𝑟 < 0 ; Correlación negativa (o correlación indirecta)
Donde se tienen las siguientes ecuaciones:
∑ 𝑥𝑖 2 ∑ 𝑥𝑖 2
𝑆𝑥 2 = −( ) → 𝑆𝑥 = √𝑆𝑥 2
𝑛 𝑛
∑ 𝑦2 ∑ 𝑦𝑖 2
𝑆𝑦 2 = −( ) → 𝑆𝑦 = √𝑆𝑦 2
𝑛 𝑛
∑ 𝑥𝑖 𝑦 𝑖 ∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑆𝑥𝑦 = −( ∙ )
𝑛 𝑛 𝑛
𝑆𝑥𝑦
𝑟=
𝑆𝑥 𝑆𝑦

Característica:
Ejemplo:
Se tiene el siguiente sistema:

X y
3 5
1 2
4 1
2 4
6 3
5 6
a) Mostrar su diagrama de dispersión

b) Construir la matriz de covarianzas y matriz de correlaciones.
Ejercicio 1:
Una encuesta sobre los vendedores de autos usados para determinar la relación entre la
calidad de anuncios clasificados y la venta de autos usados se resume en la siguiente tabla:
No. Aviso No. De autos

74 139
45 108
48 98
36 76
27 62
16 57


Ejercicio 2:
Se tiene el siguiente sistema
𝒙𝒊 𝒚𝒊
20 28
48 50
16 31
37 46
40 49
41 33
45 53
46 50
21 30


PRUEBA DE HIPÓTESIS
UNA HIPÓTESIS ESTADÍSTICA. Es un enunciado de los parámetros de una o más

poblaciones.
PRUEBA DE UNA HIPÓTESIS. Es un proceso que lleva a una decisión acerca de una
hipótesis particular.
ERROR TIPO I. Se define como el rechazo de la hipótesis nula 𝐻0 cuando está es

verdadera.
ERROR TIPO II. Se define como la aceptación de la hipótesis nula cuando está es falsa.
EJEMPLO
Se tiene interés en la rapidez de combustión de un propulsor sólido para los sistemas de
expulsión en un avión donde la rapidez de combustión es una variable aleatoria que puede
describirse con una distribución de probabilidad, la media de la rapidez de combustión es
50cm/s o no.
Esto se expresa formalmente como:
Hipótesis Nula 𝐻0 :⁡𝜇 = 50𝑐𝑚/𝑠
Hipótesis Alternativa < o > 𝐻0 :⁡𝜇 ≠ 50𝑐𝑚/𝑠

INFERENCIA ESTADÍSTICA PARA 2 MUESTRAS
INTRODUCCIÓN
Se ha estudiado:
Pruebas de hipótesis (para un solo parámetro poblacional)
La media poblacional 𝜇
La varianza poblacional 𝜎 2
Analizaremos;
Dos poblaciones independientes
Donde
𝑛1 y 𝑛2 son el número de observaciones.
Un estimador puntual lógico de 𝜇1 − 𝜇2 es 𝑥̅𝑖 − 𝑥

̅̅̅2 .
La varianza de 𝑥̅𝑖 − ̅̅̅

𝑥2 es
𝜎12 𝜎22
𝑉(𝑥̅𝑖 − 𝑥
̅̅̅)
2 = +
𝑛1 𝑛2
El estadístico de la muestra es la cantidad dado por
̅̅̅2 − (𝜇1 − 𝜇2 )
𝑥̅𝑖 − 𝑥
𝑍=
𝜎2 𝜎2
√ 1 + 2
𝑛1 𝑛2
Donde 𝜇1 − 𝜇2 = ∆0 = 0

Escala de las abscisas, que es la elección del tamaño de la muestra.
𝜇1 − 𝜇2 − (𝜇1 − 𝜇2 )
𝑑=
√𝜎12 + 𝜎22
Valor equivalente de n.
𝜎12 + 𝜎22
𝑛= 2
𝜎1 𝜎22
𝑛1 + 𝑛2
EJEMPLO
Se interesa en reducir el tiempo de secado de una pintura tapaporo. Se prueban dos
formulaciones de pintura:
La formulación 1: incluye sustancias químicas comunes.
La formulación 2: tiene un nuevo ingrediente que reducirá el tiempo de secado.
Se sabe que la desviación estándar del tiempo de secado es de 8min. Se pintan 10 muestras
en formulación 1 y 10 muestras en formulación 2. Los dos promedios muestrales del
tiempo de secado son 𝑥1 = 121𝑚𝑖𝑛 y 𝑥2 = 112𝑚𝑖𝑛.
Calcule:
El estadístico de la muestra
Escala de las abscisas
Valor equivalente de n
EJERCICIO
Se usan dos máquinas para llenar botellas de plástico con un volumen de 16 onzas. Se toma
una muestra aleatoria de 10 botellas de la producción de cada máq uina.
Encontrar Z, d, n

TRABAJO DE INVESTIGACIÓN
MÉTODO DE MÍNIMOS CUADRADOS
DISTRIBUCIÓN GAUSSIANA
DISTRIBUCIÓN BINOMIAL
ENSAYO DE BERNOULLI
DISTRIBUCIÓN DE WEIBULL
DISTRIBUCIÓN LOGNORMAL
DISTRIBUCIÓN BETA

DISTRIBUCIONES DE PROBABILIDAD
Una distribución de probabilidad es un modelo matemático que relaciona el valor de la
variable con la probabilidad que tiene ese valor de ocurrir en la población. Es decir, podría
considerarse que el diámetro de los anillos para pistones es una variable aleatoria, ya que
asume diferentes valores en la población de acuerdo con cierto mecanismo aleatorio, y de
este modo la distribución de probabilidad del diámetro de los anillos describe la
probabilidad de ocurrencia de cualquier valor del diámetro de los anillos en la población.
Existen dos tipos de distribuciones de probabilidad:
Distribuciones continuas
Distribuciones discretas
Definiciones:
Distribuciones continuas. Cuando la variable que se está midiendo se expresa en una
escala continúa.
Distribuciones discretas. Cuando el parámetro que se está midiendo sólo puede asumir
ciertos valores, como los enteros 0, 1, 2, 3,…

La media 𝜇 de una distribución de probabilidad es una medida de la tendencia central de la
distribución, o de su localización. La media se define como:
∞
∫ 𝑥𝑓(𝑥)𝑑𝑥 , 𝑥⁡𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
−∞
𝜇= ∞
∑ 𝑥𝑖 𝑝(𝑥𝑖 ) ,⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑥⁡𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎
{ 𝑖=1
La dispersión, extensión o variabilidad de una distribución está expresada por la varianza

𝜎 2 . La definición de la varianza es:
∞
∫ (𝑥 − 𝜇)2 𝑓(𝑥)𝑑𝑥 , 𝑥⁡𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
−∞
𝜎2 = ∞
∑(𝑥𝑖 − 𝜇)2 𝑝(𝑥𝑖 ) ,⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑥⁡𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎

{ 𝑖=1
DISTRIBUCIONES DISCRETAS
Varias distribuciones de probabilidad discreta se presentan con frecuencia en el control
estadístico de calidad. Las cuales son:
 Distribución Hipergeométrica
 Distribución binomial
 Distribución de Poisson
 Distribución de pascal o binomial negativa

DISTRIBUCIÓN HIPERGEOMÉTRICA
La distribución de probabilidad Hipergeométrica es:
𝐷 𝑁−𝐷
( )( )
𝑝(𝑥) = 𝑥 𝑛 − 𝑥
𝑁
( )
𝑛
Con 𝑥 = 0,1, ⋯ , 𝑚í𝑛(𝑛, 𝐷)
La media y la varianza de la distribución son:
𝑛𝐷
𝜇=
𝑁
𝑛𝐷 𝐷 𝑁−𝑛
𝜎2 = (1 − ) ( )
𝑁 𝑁 𝑁−1
DISTRIBUCIÓN BINOMIAL
La distribución binomial con parámetros 𝑛 ≥ 0 y 0 < 𝑝 < 1 es:
𝑛
𝑝(𝑥) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥
Con 𝑥 = 0,1, ⋯ , 𝑛
La media y la varianza de la distribución binomial son:
𝜇 = 𝑛𝑝
𝜎 2 = 𝑛𝑝(1 − 𝑝)

DISTRIBUCIÓN DE POISSON
La distribución de Poisson es:
𝑒 −𝜆 𝜆𝑥
𝑝(𝑥) =
𝑥!
Con 𝑥 = 0,1, ⋯
La media y la varianza de la distribución de Poisson son:
𝜇=𝜆
𝜎2 = 𝜆
DISTRIBUCIÓN DE PASCAL
La distribución de Pascal es:
𝑥 − 1 𝑟 (1
𝑝(𝑥) = ( )𝑝 − 𝑝)𝑥−𝑟
𝑟−1
Con 𝑥 = 𝑟, 𝑟 + 1, 𝑟 + 2, ⋯.
La media y la varianza de la distribución de Pascal son:
𝑟
𝜇=
𝑝
𝑟 (1 − 𝑝 )
𝜎2 =
𝑝2

DISTRIBUCIONES CONTINUAS
Varias distribuciones de probabilidad continuas se presentan con frecuencia en el control

estadístico de calidad. Las cuales son:
 Distribución normal
 Distribución exponencial
 Distribución gamma
 Distribución de Weibull
DISTRIBUCIÓN NORMAL
La distribución normal es:
1 1 𝑥−𝜇 2
− ( )
𝑓(𝑥) = 𝑒 2 𝜎
𝜎√2𝜋
Con −∞ < 𝑥 < ∞.
La media y la varianza de la distribución normal son:
𝜇(−∞ < 𝑥 < ∞)
𝜎2 > 0

DISTRIBUCIÓN EXPONENCIAL
La distribución exponencial es:
𝑓(𝑥) = 𝜆𝑒 −𝜆𝑥
Con 𝑥 ≥ 0 y 𝜆 > 0 es una constante.
La media y la varianza de la distribución normal son:
1
𝜇=
𝜆
1
𝜎2 =
𝜆2
DISTRIBUCIÓN GAMMA
La distribución gamma es:
𝜆
𝑓(𝑥) = (𝜆𝑥)𝑟−1 𝑒 −𝜆𝑥
Γ(𝑟)
Con 𝑥 ≥ 0, parámetro de forma 𝑟 > 0 y parámetro de la escala 𝜆 > 0.
La media y la varianza de la distribución gamma son:
𝑟
𝜇=
𝜆
𝑟
𝜎2 =
𝜆2

DISTRIBUCIÓN DE WEIBULL
La distribución de Weibull es:
𝛽 𝑥 𝛽−1 𝑥 𝛽
𝑓(𝑥) = ( ) 𝑒𝑥𝑝 [− ( ) ]
θ 𝜃 𝜃
Con 𝑥 ≥ 0, donde 𝜃 > 0 es el parámetro de la escala y 𝛽 > 0 es el parámetro de forma.
La media y la varianza de la distribución de Weibull son:
1
𝜇 = 𝜃Γ (1 + )
𝛽
2 2
2 1 2
𝜎 = 𝜃 [Γ (1 + ) − Γ (1 + ) ]
𝛽 𝛽

DISEÑO Y ANÁLISIS DE EXPERIMENTOS DE
UN SOLO FACTOR
ANÁLISIS DE VARIANZA
INTRODUCCIÓN
Los experimentos son una parte natural de la ingeniería y de los procesos de toma de
decisiones científicos.
Ahora se muestra la forma en que puede emplearse el análisis de varianza para comparar
las medias cuando existen más de 2 niveles para un solo factor. También se estudia la
aleatorización de corridas experimentales y el papel tan importante que tiene este concepto
en una estrategia de experimentación.
Muchos procesos se describen en términos de variables controladas, por lo que se pueden

determinar un subconjunto de variables del proceso que tienen influencia sobre el
rendimiento. Estos resultados conducen a:
1. Mejorar el rendimiento del proceso

2. Reducir la variabilidad del proceso y acercarlo a los requerimientos nominales
3. Disminución del tiempo de diseño y desarrollo
4. Disminución del costo de operación
Todo experimento implica una secuencia de actividades:
1. CONJENTURA: La hipótesis original que motiva el experimento
2. EXPERIMENTO: Prueba efectuada para investigar la conjetura
3. ANÁLISIS: Análisis estadístico de los datos obtenidos del experimento
4. CONCLUSIÓN: Lo que se ha aprendido de la conjetura original con la realización

del experimento

ANÁLISIS DE VARIANZA
MODELO ESTADÍSTICO LINEAL
Datos típicos de un experimento con un solo factor.
Tratamiento Observaciones Totales Promedios

1 𝑦11 ⁡⁡⁡𝑦12 ⁡⁡⁡ ∙⁡⁡∙⁡⁡∙ ⁡⁡⁡ 𝑦1𝑛 𝑦1∙ 𝑦̅1∙
2 𝑦21 ⁡⁡⁡𝑦22 ⁡⁡⁡ ∙⁡⁡∙⁡⁡∙ ⁡⁡⁡ 𝑦2𝑛 𝑦2∙ 𝑦̅2∙
• ∙⁡⁡⁡⁡⁡⁡∙⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡∙ • •
• ∙⁡⁡⁡⁡⁡⁡∙⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡∙ • •
• ∙⁡⁡⁡⁡⁡⁡∙⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡∙ • •
a 𝑦𝑎1 ⁡⁡⁡𝑦𝑎2 ⁡⁡⁡ ∙⁡⁡∙⁡⁡∙⁡⁡⁡ 𝑦𝑎𝑛 𝑦𝑎∙ 𝑦̅𝑎∙
𝒚∙∙ ̅∙∙
𝒚
Por lo tanto,
𝑖 = 1,2, … , 𝑎
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝜖𝑖𝑗 ⁡⁡⁡⁡⁡⁡{
𝑗 = 1,2, … , 𝑛
𝑖 = 1,2, … , 𝑎
𝑌𝑖𝑗 = 𝜇𝑖 + 𝜖𝑖𝑗 ⁡⁡⁡⁡⁡⁡{
𝑗 = 1,2, … , 𝑛
Donde
𝑌𝑖𝑗 Es una variable aleatoria
𝜇 Es un parámetro denominado media global
𝜏𝑖 Es un parámetro asociado con el tratamiento o denominado efecto del i-

ésimo tratamiento
𝜖𝑖𝑗 Es un componente de error aleatorio

Visualización del modelo de 𝑌𝑖𝑗 para un experimento completamente aleatorizado de un
solo factor.
EJEMPLO
Un fabricante de papel utilizado para fabricar bolsas para caramelos, está interesado en
mejorar la resistencia a la tensión del producto. El rango de interés de la concentración de
madera dura está entre 5 y 20%. Los datos de este experimento aparecen en la siguiente
tabla:
Resistencia del papel a la tensión (psi)

EJERCICIOS
TRABAJO EN CLASE
1. Se describe un experimento en el que un fabricante está interesado en la resistencia

a la tensión de una fibra sintética. Se dice que la resistencia está relacionada con el
porcentaje de algodón en la fibra. Los resultados se obtienen en la siguiente tabla:
2. Se describe un experimento para determinar el efecto de la velocidad del flujo del

𝐶2 𝐹6 sobre la uniformidad del grabado sobre una oblea de silicio utilizada en la
fabricación de circuitos integrado. Los datos se presentan en la siguiente tabla:

3. Un ingeniero en electrónica está interesado en el efecto sobre la conductividad de
una válvula electrónica que tiene 5 tipos diferentes de recubrimiento para los tubos
de rayos catódicos utilizados en un dispositivo de visualización en un sistema de
telecomunicaciones. Se obtienen los datos siguientes sobre la conductividad.

DISEÑO DE EXPERIMENTOS CON VARIOS
FACTORES
El Análisis se realiza utilizando el diseño experimental factorial.
EXPERIMENTOS FACTORIALES
Cuando en un experimento se tienen varios factores que son de interés, entonces debe
emplearse el Diseño Experimental Factorial.
Definición:
EXPERIMENTO FACTORIAL. Se entiende aquel donde en cada ensayo o réplica

completa del experimento se investigan todas las combinaciones posibles de los niveles de
los factores.
Nota: Control Estadístico de la Calidad.pdf

CONTROL ESTADÍSTICO DE LA CALIDAD
Algunas aplicaciones para la mejora de la calidad son:
CONTROL ESTADÍSTICO DE LA CALIDAD
CONTROL ESTADÍSTICO DE PROCESOS
EL MUESTREO DE ACEPTACIÓN
ESTADÍSTICA Y MEJORA DE LA CALIDAD

CONTROL ESTADÍSTICO DE PROCESOS
(CEP)
Es un conjunto de herramientas para la resolución de problemas que puede aplicarse a

cualquier proceso.
Las herramientas más importantes del CEP son:
1. Histograma
2. Diagrama de Pareto
3. Diagrama Causa-Efecto
4. Diagrama Defecto-Concentración
5. Carta de Control
6. Diagrama de Dispersión
7. Hoja de Verificación
FUNDAMENTOS ESTADÍSTICOS DE LA CARTA DE CONTROL
PRINCIPIOS BÁSICOS
En la siguiente figura se muestra una carta de control típica, que es la representación gráfica
de una característica de la calidad que se ha medido o calculado a partir de una muestra
contra el número de muestra o tiempo. La carta tiene una línea central que representa el
valor promedio de la característica de la calidad que corresponde al estado bajo control.
También se muestra en la carta otras dos líneas horizontales, llamadas el límite control
superior (UCL) y el límite de control inferior (LCL).

CARTAS DE CONTROL
INTRODUCCIÓN
Es un proceso que solo opera con causas aleatorias de variación, bajo un control estadístico.
Se emplean para estimar los parámetros de un proceso de producción.
Un control estadístico de procesos es la eliminación de la variabilidad en el proceso.
Cuando se trata con una característica de la calidad que es una variable, por lo general es
necesario monitorear tanto el valor medio de la característica de la calidad como su
variabilidad. El control del promedio del proceso, o nivel de calidad medio, suele hacerse
con la carta de control para medias, o carta 𝒙 ̅. La variabilidad del proceso puede
monitorearse con una carta de control para la desviación estándar, llamada carta S, o bien
para una carta de control para el rango, llamada carta 𝑹. Esta última se usa con mayor
frecuencia.
CARTAS DE CONTROL PARA ̅

𝒙 Y 𝑹
̅ son:
Los límites de control para de la carta 𝒙
𝑈𝐶𝐿 = 𝑥̿ + 𝐴2 𝑅̅
𝐿í𝑚𝑖𝑡𝑒⁡𝑐𝑒𝑛𝑡𝑟𝑎𝑙 = 𝑥̿
𝐿𝐶𝐿 = 𝑥̿ − 𝐴2 𝑅̅
Los límites de control para de la carta 𝑹 son:
𝑈𝐶𝐿 = 𝐷4 𝑅̅
𝐿í𝑚𝑖𝑡𝑒⁡𝑐𝑒𝑛𝑡𝑟𝑎𝑙 = 𝑅̅
𝐿𝐶𝐿 = 𝐷3 𝑅̅
Incluir ejemplo y ejercicios.
Investigar: CARTAS DE CONTROL PARA ̅

𝒙 Y 𝑺

ESTÁNDARES DE CALIDAD Y CERTIFICACIÓN
La organización Internacional de Normas (ISO, por sus siglas en inglés) ha desarrollado
una serie de estándares de calidad que incluyen la serie ISP 9000, los cuales también son
adoptados por el Instituto Americano de Estándares Nacionales y la ASQ. El punto central
de estos estándares es el sistema de calidad, incluyendo componentes tales como:
1. Responsabilidad de la administración en la calidad
2. Control del diseño
3. Control de datos y documentos
4. Administración de compras y contratos
5. Identificación y rastreabilidad de productos
6. Inspección y prueba, incluyendo el control del equipo de medición e inspección
7. Control de proceso
8. Manejo de la producción disconforme, acciones correctivas y preventivas
9. Manejo, almacenamiento, empaque y entrega del producto, incluyendo actividades

de servicio
10. Registros de control de calidad
11. Auditorías internas
12. Capacitación
13. Metodología estadística

TAREA DE INVESTIGACIÓN
FEBRERO – JULIO 2016
Título del trabajo
Nombre Apellido1 Apellido2

Centro de Estudios Universitarios Rudolph Diesel
Departamento de Ciencias Exactas
Calle 13 Pte. 713, Col. Centro. C.P. 72000
Correo-e: ejemplo@org.es
Abstract. El abstract debe escribirse en inglés y tener una longitud de entre 100-150 palabras. El
tipo de letra es Times New Roman en cursiva y de tamaño 10 puntos que ya viene por defecto en las
plantillas adjuntas. El abstract debe escribirse en inglés y tener una longitud de entre 100-150
palabras. El tipo de letra es Times New Roman en cursiva y de tamaño 10 puntos que ya viene por
defecto en las plantillas adjuntas. El abstract debe escribirse en inglés y tener una longitud de
entre 100-150 palabras. El tipo de letra es Times New Roman en cursiva y de tamaño 10 puntos que
ya viene por defecto en las plantillas adjuntas.
1 INSTRUCCIONES cm. El artículo deberá ir a dos columnas, con un

espaciado entre columnas de 0.75 cm. Justifique
Este documento es un ejemplo del formato de las columnas tanto a izquierda como a derecha.
presentación deseado, y contiene información Los párrafos deberán ser escritos a simple espacio.
concerniente al diseño general del documento, Las diferentes secciones estarán numeradas con
familias tipográficas, y tamaños de tipografía números arábigos. En caso que deba separar una
apropiados. } sección en subsecciones, adopte el estilo utilizado
en estas instrucciones.
1.1 Normas Generales
El trabajo tendrá una extensión no superior a 10 2 REQUERIMIENTOS ADICIONAL
páginas. El trabajo tendrá una extensión no
superior a 10 páginas. El trabajo tendrá una En esta sección se presentan las instrucciones de
extensión no superior a 10 páginas. El trabajo edición para las figuras, tablas, abreviaturas y
tendrá una extensión no superior a 10 páginas. acrónimos.
1.2 Familias Tipográficas y Tamaños 2.1 Figuras y Tablas

Utilice tipografía Times New Roman. El tamaño Sitúe las figuras y tablas en el extremo superior o
recomendado para el cuerpo del texto es de 10 inferior de las columnas; evite ubicarlas en medio
puntos y para el Título del artículo 14 puntos. El de las columnas. Las figuras y tablas de gran
tamaño mínimo para los títulos de las tablas, tamaño podrán extenderse sobre ambas columnas.
figuras y notas al pie de página es de 8 puntos. La descripción de las figuras deberá ubicarse
Utilice tipografía Times New Roman. El tamaño debajo de las mismas. Edite las figuras en escala
recomendado para el cuerpo del texto es de 10 de grises. El título de las tablas deberá ubicarse
puntos y para el Título del artículo 14 puntos. El sobre ellas. Evite ubicar las figuras y tablas antes
tamaño mínimo para los títulos de las tablas, de su primera mención en el texto. Use la
figuras y notas al pie de página es de 8 puntos. abreviatura Fig. x para referirse a una figura o
gráfico y Tabla x para referirse a una tabla.
1.3 Formato
En el diseño de su original -formato A4 (21 x 29,7 2.2 Abreviaturas y Acrónimos
cm)- ajuste los márgenes superior e inferior a 2 Defina las abreviaturas y acrónimos la primera
cm, el margen izquierdo a 3 cm y el derecho a 2 vez que sean utilizadas en el texto. Evite emplear

abreviaturas en el título, salvo que resulte Computing Review. Vol. 10, No. 2, (Winter
imprescindible. 1992), pp.453-469.
[2] Harmon, J.E. The Structure of Scientific and
3 CONCLUSIONES Engineering Papers: A Historical
Perspective. IEEE Trans. On Professional
El seguimiento de las normas indicadas permitirá Communication. Vol 32, No. 2, (September,
que su trabajo no sólo se destaque por su 1989), pp. 132-138.
contenido, sino que también resulte visualmente [3] Pierson, M.M. and Pierson, B.L. Beginnings
atractivo. and Endings: Keys to Better Engineering
Technical Writing. IEEE Trans. On
REFERENCIAS Professional Communication. Vol 40, No. 4,
(December, 1997), pp. 299-304.
[4] Strunk, W. and White, E.B. The Elements of
[1] Anderson, R.E. Social impacts of computing: Style. Fourth Edition, Boston: Allyn and
Codes of professional ethics. Social Science Bacon. 2000.

TAREA 1: SUMATORIAS
Nombre:
_________________________________________________________________________
Semestre y Grupo: _____________________ Fecha: _________________
NOTA: Realizar los ejercicios con limpieza y orden, desarrollos matemáticos con lápiz y respuestas con
lapicero tinta roja. Anexa las hojas blancas necesarias para realizar tus desarrollos matemáticos
correspondiente, los resultados escribirlos en este formato, prohibido usar corrector. No hacer plagio de esta
tarea evita ser reprobado.
Calcula las siguientes sumatorias:
7
k (k  1)
1) 
k 1 2

2)  (3k  2) 
k 1
6
k
3)  (k  1)
k 1
2

10
k 1
4)  k 1 
k 1
4
 1k
5) 2
k 1
k
1

8
 1k (k 2  1) 
6) 
k 1 4k

Expresa como sumatoria, las siguientes sumas:
i) 12 + 23 + 34 + … + 5051
ii) 1 ∙ 1 +2 ∙ 3 +3 ∙ 5 + … + 10 ∙ 19
iii) 2 + 5 + 8 + 11 + … + 44
iv) 1 + 4 + 7 + … + 43
v) 2 + 5 + 10 + 17 + … + 401
vi) 5 + 8 + 13 + 20 + … + 904
Aplica las propiedades de las sumatorias y calcula:
25
4
i)  22 
k 4
10
7(k 3  1)
ii)  
k 1 5
20
iii)  (k
k 11
2
 2)(k  2) 
13
iv)  (7  k )
k 1
3


Usa la fórmula correspondiente y calcula cada una de las siguientes sumatorias:
40
1) k 
k 1
30
2)  (2k  1) 
k 1
63
3) k
k 1
2

80
4)  ( 2k )
k 1
2

70
5)  (k
k 1
2
 k) 
15
6)  (5  2k )
k 1
2


Usa las fórmulas conocidas y encuentra a su vez otra fórmula para cada una de las
siguientes sumatorias.
i)  2k 
k 1
ii)  (3k  2) 
k 1
iii)  (2k  4) 
k 1
iv)  (k
k 1
2
 1) 
v)  (6 k
k 1
2
 4k ) 
vi)  (k  1)
k 1
2


TAREA 2: PRODUCTORIAS
Nombre:
_________________________________________________________________________
lapicero tinta roja. Anexa las hojas blancas necesarias para realizar el desarrollo matemático correspondiente,
los resultados escribirlos en este formato, prohibido usar corrector. No hacer plagio de esta tarea evita ser
reprobado.
1. Realizar las siguientes Productorias:
a) ∏18 𝑖
𝑖=1 ⁡(2 )
1+𝑗
b) ∏7𝑗=1 ( )
𝑗+2
c) ∏32
𝑘=6 ⁡(𝑘)
d) ∏11 𝑘
𝑘=1 ⁡(8 ∙ 𝑥 )
e) ∏25
𝑗=1(5 + 𝑗)
𝑖2
f) ∏𝑏𝑖=𝑎 [(𝑖+1)2]
2. Demostrar por inducción matemática las siguientes productorias.
a) ∏𝑛𝑖=1 ⁡𝑘 = ⁡ 𝑘 𝑛
b) ∏𝑛𝑖=1 ⁡𝑖 =⁡ 𝑛!
(𝑛+𝑝)!
c) ∏𝑛𝑖=1 ⁡(𝑖 + 𝑝) =
𝑝!

𝑛!
d) ∏𝑛𝑖=𝑚 ⁡𝑖 = (𝑚−1)!⁡ m<n
3. Utilice las propiedades y calcule las siguientes productorias.
a)
b)
c)
d)
e)

TAREA 3: CALCULO DE 𝝈𝑿
̅ Y𝝀
Nombre:
_________________________________________________________________________
reprobado. Utilizar 2 dígitos después del punto decimal.
1.- Los datos de resistencia a la tensión (en psi) de una muestra de aleación de aluminio-
litio son:
130 150 145 158 165 140 90 128 205 140 165 160
2.- El tiempo de falla de un módulo electrónico usado en el controlador del motor de un

automóvil se prueba a alta temperatura a fin de acelerar el mecanismo de falla. El tiempo de
falla tiene una distribución exponencial con parámetro λ desconocido. Se seleccionan las
siguientes unidades al azar y se someten a prueba, con los tiempos de falla resultantes (en
horas):
84, 49, 61, 40, 83, 67, 45, 66, 70, 69, 80, 58, 68, 60, 67, 72, 73, 70, 57, 63
3. En un laboratorio de semiconductores se realizaron mediciones de corriente a un circuito

integrado para el control de ganancias de voltajes en tiristores y Mosfets. Las mediciones
obtenidas son las siguientes:
84, 49, 61, 40, 83, 67, 45, 66, 70, 69, 80, 58, 68, 60, 67, 72, 73, 70, 57, 63, 70, 78, 52, 67,
53, 67, 75, 61, 70, 81

4.- Los siguientes datos son medidas de voltaje (volts) emitidas por un sistema electrónico
emisor de pulsos. Dichas mediciones fueron tomadas en intervalos de 0.5 seg.
Voltajes 34.2 33.1 34.5 35.6 36.3 35.1 34.7 33.6 33.6 34.7 35.0 35.4 36.2 36.8 35.1 35.3 33.8 34.2 33.4 34.7
Para los 4 problemas planteados realizar lo que se pide:
a) Calcular la media muestral.

b) Calcular λ.
c) Calcular la varianza
d) Desviación estándar.
d) Calcular el error estándar.

TAREA 4: MATRICES
Nombre:
_________________________________________________________________________
reprobado.
Encuentra A+B B-A A•B 2B•A det (B) y det (B), si es posible.
3 5  5  2
1) A  B 
 2  6 1 7 
 4  3 2 1 
2) A  B 
 2 1   4 2
3 0  1 1  5 0 

3) A  0 4 2  B  4 1  2

5  3 1  0  1 3 
5 0 0  3 0 0 

4) A  0  3 0
 B  0 4 0 
 
0 0 2 0 0  2

 2 1
 4  3 1
5) A    B   0 1 
  5 2 2  4 7 
1 2 0 2

6) A  3 4
 B   1  2

 
5 6  3 4 
1 

7) A   1 1 B  2
3
1 2 3  1 5 7 
8) A  B 
 4 5 0 2 3 0

TAREA 5: MATRIZ DE V Y R
Nombre:
_________________________________________________________________________
reprobado. Utilizar únicamente los primeros dos dígitos después del punto decimal.
Resolver los siguientes sistemas:
1. Se tiene el siguiente sistema:

Un grupo de 10 amigos se ha presentado a una prueba de oposición. Anotaron el número de
horas que dedicaron a estudiar la semana antes del examen y la nota obtenida en la prueba.
La información se recoge en la siguiente tabla:

Se ha analizado en distintos modelos de impresoras cuál es el coste por página (en céntimos
de euro) en blanco y negro y cuál es el coste por página si esta es en color. La siguiente
tabla nos da los seis primeros pares de datos obtenidos:



Se ha medido la potencia (en kW) y el consumo (litros/100 km) de 6 modelos distintos de
coches, obteniéndose los siguientes resultados:
Para todos los ejercicios:


TAREA 6: CÁLCULO DE Z, d Y n
Nombre:
_________________________________________________________________________
Semestre y Grupo: ___________________ Fecha: _________________
reprobado. Utiliza únicamente un digito después del punto decimal.
Calcular lo que se pide para los siguientes sistemas:
1.- Se tiene el siguiente sistema:

Para todos los ejercicios:
a) Calcular el valor de Z, d y n.

TAREA 7: ANÁLISIS DE VARIANZA
Nombre:
_________________________________________________________________________
reprobado.
1. Se describe un experimento para determinar el efecto de la velocidad del flujo del 𝐶2 𝐹6

sobre la uniformidad del grabado sobre una oblea de silicio utilizada en la fabricación de
circuitos integrado. Los datos se presentan en la siguiente tabla:
̿
a) Calcular el error estándar y la estimación Bootstrap de 𝒚 .
En los siguientes ejercicios completar la tabla como en el ejercicio anterior y calcular
lo que se pide.
2. Cuatro catalizadores que pueden afectar la concentración de un componente en una

mezcla líquida de tres componentes están siendo investigado. Se obtienen las siguientes
concentraciones:
A B C D
58.2 56.3 50.1 52.9
57.2 54.5 54.2 49.9
58.4 57 55.4 50
55.8 55.3 51.7
54.9

3. Para determinar si existe diferencia significativa en el nivel de Matemáticas de 4 grupos
de estudiantes de Ingeniería se realizó un examen aleatorio a 6 individuos por grupo.
Determine cuáles son los grupos en los cuales existen diferencias a un 95% de nivel de
confianza.
A B C D
75 78 55 64
93 91 66 72
78 97 49 68
71 82 64 77
63 85 70 56
76 77 68 95
4. Las calificaciones en el examen a 18 empleados de tres unidades de negocio. Se

muestran a continuación:
A B C
85 71 59
75 75 64
82 73 62
76 74 69
71 69 75
85 82 67
4. Probar si hay diferencia en los tiempos de servicio de 4 unidades de negocio para el

mismo servicio a un nivel de significancia del 5%.
A B C D
5.4 8.7 11.1 9.9
7.8 7.4 10.3 12.8
5.3 9.4 9.7 12.1
7.4 10.1 10.3 10.8
8.4 9.2 9.2 11.3
7.3 9.8 8.8 11.5
Calcular para los ejercicios anteriores el error estándar y la estimación Bootstrap de

̿.
𝒚
̅ Y 𝑹
TAREA 8: CARTAS DE CONTROL 𝒙
Nombre:
_________________________________________________________________________
reprobado. Utiliza los decimales tal y como correspondan para cada ejercicio.
Se tiene un sistema de monitoreo de tiempos de respuesta de un sistema de cómputo para el

procesamiento de imágenes para monitorear los tiempos de combustión interna de un motor
a gasolina. Los datos obtenidos son los siguientes:
a) Completar la tabla anterior.

b) Calcular los límites de las cartas de control utilizando los siguientes parámetros (de
tabla de factores):
n=4 A2 = 0.729 D3 = 0 D4 = 2.282

c) Construya la gráfica de control.
Linea central X = R =
LIC X = X - A2 R = LSC X = X + A2 R =
LIC R = D3 R = LSC R = D4 R =
Realizar los mismos incisos para los siguientes sistemas.
1. En el proceso de teñido de fibras de lana es conveniente controlar la acidez del colorante

(pH). Se estableció que para monitorear el proceso debían tomarse subgrupos de 6
observaciones cada 20 minutos. Luego de varias horas se obtuvo la siguiente información:
Subgrupo Observaciones Media Rango

1 4.22 4.20 4.20 4.08 4.15 4.15
2 4.25 4.22 4.10 4.15 4.10 4.15
3 4.20 4.22 4.01 4.17 4.18 4.30
4 4.20 4.25 4.18 4.05 4.17 4.10
5 4.15 4.20 4.03 4.15 4.31 4.25
6 4.18 4.17 4.17 4.30 4.15 4.10
7 4.22 4.24 4.23 4.07 4.19 4.25
8 4.00 4.15 4.18 4.10 4.30 4.20
9 4.10 4.15 4.30 4.36 4.15 4.10
10 4.20 4.25 4.20 4.30 4.15 4.10
11 4.35 4.20 4.25 4.12 4.30 4.10
Parámetros (de tabla de factores):

n= A2 = D3 = D4 =

2. A continuación se presentan los promedios y rangos de subgrupos de tamaño 5,
obtenidos de una resistencia que se desea controlar.
Subgrupo 1 2 3 4 5 6 7 8 9 10
Promedio 128.8 129.6 129.4 129.4 129.8 128 126.8 128.8 129.8 128.6
Subgrupo 11 12 13 14 15 16 17 18 19 20
Promedio 129.4 128.8 129.6 129 129.8 129.6 131.4 131.6 129.6 131
Subgrupo 21 22 23 24 25
Promedio 128.6 129.6 130.0 129.4 129.8
Parámetros (de tabla de factores):

n= A2 = D3 = D4 =

Bibliografía
Devore, J. (2012). Probabilidad y Estadística para Ingeniería y Ciencias. México: CENGAGE
Learning.
Gutiérrez Banegas, A. (2014). Probabilidad y Estadística Enfoque por Competencias. México: Mc

Graw Hill.
Gutiérrez González, E. y. (2014). Probabilidad y estadística: Aplicaciones a la Ingeniería y Ciencias.

México: Grupo Editorial PATRIA.
Hines, W. y. (2011). Probabilidad y Estadística para Ingeniería. México: Grupo Editorial PATRIA.
Johnson, R. (2012). Probabilidad y Estadística para Ingenieros. México: PEARSON Always Learning.
Kazmier, L. (1993). Estadística Aplicada. México: Mc Graw Hill.
Mendenhall, W. B. (2010). Introducción a la Probabilidad y Estadística. México: CENGAGE

Learning.
Montero, J. (2007). Estadística Descriptiva. México: Paraninfo.
Montgomery, D. (2014). Control Estadístico de la Calidad. México: LIMUSA MILEY.
Montgomery, D. y. (1996). probabilidad y Estadística aplicada a la ingeniería. México: Mc Graw

Hill.
Srinivasan, R. (2013). Probabilidad y Estadística Schaum. México: Mc Graw Hill.
Triola, M. (2013). Estadística. México: PEARSON Always Learning.
Walpole, R. M. (2012). Probabilidad y Estadística para Ingeniería y Ciencia. México: PEARSON

Always Learning.
Walpole, R. y. (1992). Probabilidad y Estadística. México: Mc Graw Hill.

Apuntes Disenþo de Experimentos

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Apuntes Disenþo de Experimentos

Diunggah oleh

Hak Cipta:

Format Tersedia

PRESENTACIÓN

El presente trabajo es un apoyo didáctico en tu formación como profesional y tiene por

PhD. J.C. JUAREZ-MORALES 2

Se quiere como primer punto de operación, realizar la sumatoria de un conjunto de datos.

Se define una sumatoria de la siguiente manera:

Su forma general es de la forma:

PhD. J.C. JUAREZ-MORALES 3

1.- ∑𝟔𝒏=𝟏(−𝟏)𝒏 Resp. 0

3.- ∑𝟓𝒌=𝟏(𝟐𝒌 − 𝟏) Resp. 25

4.- ∑𝟒𝒏=𝟏(𝟐𝒏𝟐 − 𝒏) Resp. 50

7.- ∑𝟑𝒏=𝟏(𝟎. 𝟏)𝟐𝒌 Resp. 0.010101

8.- ∑𝟖𝒌=𝟏(𝟐𝒌 + 𝒌) Resp. 108

9.- ∑𝟔𝒏=𝟏(𝒏𝟐 − 𝒏) Resp. 70

10.- ∑𝟒𝒌=𝟏(𝟎. 𝟐)𝟐𝒏 Resp. 0.04166656

12.- ∑𝟓𝒏=𝟏(−𝟏)𝒏 + (−𝟏)𝒏+𝟏 Resp. 0

PhD. J.C. JUAREZ-MORALES 4

Donde c= cte y i = función

Para p < q, el valor inicial es diferente a 1.

PhD. J.C. JUAREZ-MORALES 5

PhD. J.C. JUAREZ-MORALES 6

Se quiere como primer punto de operación, realizar la sumatoria de un conjunto de datos.

Se define una sumatoria de la siguiente manera:

Su forma general es de la forma:

El producto de una constante es igual a una potencia, donde la base es la constante y el

PhD. J.C. JUAREZ-MORALES 7

La productoria de una constante con límite inferior diferente a 1 es:

∏ 𝑓(𝑖)𝑔(𝑖)ℎ(𝑖) = ∏ 𝑓(𝑖) ∏ 𝑔(𝑖) ∏ ℎ(𝑖)

𝑙𝑜𝑔 ∏(𝑥𝑖 ) = ∑ log⁡(𝑥𝑖 )

2) 𝑙𝑜𝑔 ∏3𝑘=1(3𝐾) = 𝑙𝑜𝑔33 ∏3𝑘=1 𝑘

PhD. J.C. JUAREZ-MORALES 8

∏6𝑖=1 2𝑖 Resp. 2097152

∏4𝑘=1 8𝑥𝑘 Resp. 4,096𝒙𝟏 ∙ 𝒙𝟐 ∙ 𝒙𝟑 ∙ 𝒙𝟒

PhD. J.C. JUAREZ-MORALES 9

Relación entre una población y una muestra.

PhD. J.C. JUAREZ-MORALES 10

(es clave de la inferencia estadística)

Se muestran los métodos para la

PhD. J.C. JUAREZ-MORALES 11

MUESTRA. Una muestra es un subconjunto de observaciones que se seleccionan de una

Las variables aleatorias (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) son una muestra aleatoria de tamaño n.

a) Las 𝑥𝑖 son variables aleatorias independientes.

b) Cada 𝑥𝑖 tienen la misma distribución de probabilidad.

ESTADÍSTICO. Un estadístico es cualquier función de las observaciones de una muestra

ESTIMACIÓN PUNTUAL. Una estimación puntual de un parámetro poblacional es el

Estimación puntual de 𝝁⁡⁡⁡⁡⁡ → es el valor numérico de ̅

Varianza poblacional de 𝝈𝟐 ⁡⁡⁡⁡⁡ → estimador puntual de 𝝈𝟐

PhD. J.C. JUAREZ-MORALES 12

Con frecuencia es necesario estimar:

 La media µ de una sola población.

VARIANZA DE UN ESTIMADOR PUNTUAL

(Estimador de varianza mínima)

Distribuciones de muestreo de 2 estimadores.

PhD. J.C. JUAREZ-MORALES 13

Es un cargador inicial del complicado, difícil de muchos valores error estándar. Su

Una estimación puntual de la conductividad térmica media a 100°F y 550W.

DISTRIBUCIÓN DE MUESTREO. Es la distribución de probabilidad de un estadístico.

PhD. J.C. JUAREZ-MORALES 14

Además de su utilidad para estudiar sistemas en geometría, estadística, computación, entre

En forma abreviada se escribe 𝐴 = (𝑎𝑖𝑗 )

 El primero de ellos “i”, indica la fila en la que se encuentra el elemento.

Es una matriz que tiene 3 filas y 4 columnas, 𝑚 = 3 y 𝑛 = 4.

PhD. J.C. JUAREZ-MORALES 15

Serán iguales si a=2, b=1, x=4 y c=1.

Matriz Fila. Es aquella que tiene una sola fila.