Estadstica I

Integrantes: Michael Rodrguez NRC: 3316

Marlon Raimundo

Tema: Implementacin de un semforo inteligente en las afueras de la Universidad de las

Fuerzas Armadas Espe.
Captulo I

Marco terico
Semforo inteligente: Un semforo inteligente es un dispositivo que nos sirve para reducir
el tiempo de espera durante el color rojo del semforo, existen de diversos tipos y con
diferentes caractersticas, pero el que vamos a utilizar en este momento ser uno que su
duracin en el color rojo es de 15 segundos que es el ideal para lugares con puente
peatonal y con mucho flujo de automviles.

Qu es la probabilidad?
Sin duda usted se encuentra familiarizado con trminos como probabilidad, azar y posibilidad. Con frecuencia se les
emplea de manera indistinta. El meteorlogo anuncia que hay 70% de probabilidad de lluvia para el domingo del
Sper Tazn. Con base en una encuesta de consumidores que degustaron un pepinillo recin elaborado con sabor a
pltano, la probabilidad de que sea un xito financiero si se le comercializa es de 0.03. (Esto significa que la
probabilidad de que el pepinillo sabor a pltano sea aceptado por el pblico es muy remota.) Qu es la probabilidad?
En general es un nmero que describe la posibilidad de que algo suceda.

PROBABILIDAD Valor entre cero y uno, inclusive, que describe la posibilidad relativa (oportunidad o casualidad) de
que ocurra un evento.
EVENTO Conjunto de uno o ms resultados de un experimento.

Enfoques para asignar probabilidades

Conviene analizar dos perspectivas para asignar probabilidades: los enfoques objetivo y subjetivo.
La probabilidad objetiva se subdivide en a) probabilidad clsica y b) probabilidad emprica.
Probabilidad clsica
La probabilidad clsica parte del supuesto de que los resultados de un experimento son igualmente, posibles. De
acuerdo con el punto de vista clsico, la probabilidad de un evento que se est llevando a cabo se calcula dividiendo
el nmero de resultados favorables entre el nmero de posibles resultados:
Probabilidad emprica
La probabilidad emprica o frecuencia relativa, el segundo tipo de probabilidad, se basa en el nmero de veces
que ocurre el evento como proporcin del nmero de intentos conocidos.

Probabilidad subjetiva
Si se cuenta con poca o ninguna experiencia o informacin con la cual sustentar la probabilidad, es posible
aproximarla en forma subjetiva. En esencia, esto significa que un individuo evala las opiniones e informacin
disponibles y luego calcula o asigna la probabilidad. Esta probabilidad se denomina adecuadamente probabilidad
subjetiva.

Algunas reglas para calcular probabilidades

Ahora, una vez definida la probabilidad y descrito sus diferentes enfoques, cabe atender al clculo de la probabilidad
de dos o ms eventos aplicando las reglas de la adicin y la multiplicacin.
Reglas de la adicin
Existen dos reglas de la adicin: la regla especial de la adicin y la regla general de la adicin. Primero la regla
especial de la adicin.
Regla especial de la adicin Para aplicar la regla especial de la adicin, los eventos deben ser mutuamente
excluyentes. Recuerde que mutuamente excluyentes significa que cuando un evento ocurre, ninguno de los dems
eventos puede ocurrir al mismo tiempo. Un ejemplo de eventos mutuamente excluyentes en el experimento del
lanzamiento del dado son los eventos un nmero 4 o mayor y un nmero 2 o menor. Si el resultado se encuentra
en el primer grupo {4, 5 y 6}, entonces no puede estar en el segundo grupo {1 y 2}. Otro ejemplo consiste en que un
producto proveniente de la lnea de montaje no puede estar defectuoso y en buen estado al mismo tiempo. Si dos
eventos A y B son mutuamente excluyentes, la regla especial de la adicin establece que la probabilidad de que
ocurra uno u otro es igual a la suma de sus probabilidades. Esta regla se expresa mediante la siguiente frmula:

En el caso de los tres eventos mutuamente excluyentes designados A, B y C, la regla se

expresa de la siguiente manera:

Regla del complemento La probabilidad de que una bolsa de verduras mixtas seleccionadas
pese menos, P(A), ms la probabilidad de que no sea una bolsa con menos peso, P(-A), que se lee no A, deber ser
por lgica igual a 1. Esto se escribe:

Esta expresin puede reformularse:

Tal es la regla del complemento. Se emplea para determinar la probabilidad de que un evento ocurra restando de 1
la probabilidad de un evento que no ha ocurrido. Esta regla es til porque a veces es ms fcil calcular la probabilidad
de que un evento suceda determinando la probabilidad de que no suceda y restando el resultado de 1. Observe que
los eventos A y,-A son mutuamente excluyentes y colectivamente exhaustivos. Por consiguiente, las probabilidades
de A y, -A suman 1. Un diagrama de Venn ilustra la regla del complemento de la siguiente manera:

Regla especial de la multiplicacin La regla especial de la multiplicacin requiere que

dos eventos, A y B, sean independientes, y lo son si el hecho de que uno ocurra no altera la
probabilidad de que el otro suceda.
Una forma de entender la independencia consiste en suponer que los eventos A y B ocurren en diferentes tiempos.
Por ejemplo, cuando el evento B ocurre despus del evento A, influye A en la probabilidad de que el evento B
ocurra? Si la respuesta es no, entonces A y B son eventos independientes. Para ilustrar la independencia, supongamos
que se lanzan al aire dos monedas. El resultado del lanzamiento de una moneda (cara o cruz) no se altera por el
resultado de cualquier moneda lanzada previamente (cara o cruz).
En el caso de dos eventos independientes A y B, la probabilidad de que A y B ocurran se determina multiplicando
las dos probabilidades, tal es la regla especial de la multiplicacin, cuya expresin simblica es la siguiente:

En el caso de tres eventos independientes, A, B y C, la regla especial de la multiplicacin que se utiliza para
determinar la probabilidad de que los tres eventos ocurran es:

La regla general de la multiplicacin sirve para determinar la probabilidad conjunta de dos eventos cuando stos no
son independientes. Por ejemplo, cuando el evento B ocurre despus del evento A, y A influye en la probabilidad de
que el evento B suceda, entonces A y B no son independientes.
La regla general de la multiplicacin establece que en caso de dos eventos, A y B, la probabilidad
conjunta de que ambos eventos ocurran se determina multiplicando la probabilidad de que ocurra el evento A por la
probabilidad condicional de que ocurra el evento B, dado que A ha ocurrido. Simblicamente, la probabilidad
conjunta, P(A y B), se calcula de la siguiente manera:

Tablas de contingencias
A menudo, los resultados de una encuesta se registran en una tabla de dos direcciones y se utilizan para determinar
diversas probabilidades. Ya se ha descrito esta idea a partir de la pgina 126 del captulo 4. Para recordarlo: una tabla
de dos direcciones es una tabla de contingencia.

Diagramas de rbol
El diagrama de rbol es una grfica til para organizar clculos que implican varias etapas. Cada segmento del
rbol constituye una etapa del problema. Las ramas del rbol se ponderan por medio de probabilidades.
Teorema de Bayes
En el siglo XVIII, el reverendo Thomas Bayes, un ministro presbiteriano ingls, plante esta pregunta: Dios realmente
existe? Dado su inters en las matemticas, intent crear una frmula para llegar a la probabilidad de que Dios
existiera sobre la base de la evidencia de que dispona en la Tierra. Ms tarde, Pierre-Simon Laplace perfeccion el
trabajo de Bayes y le dio el nombre de teorema de Bayes. De una forma entendible, el teorema de Bayes es el
siguiente:

Principios de conteo
Si la cantidad de posibles resultados de un experimento es pequea, resulta relativamente fcil contarlas.
Frmula de la multiplicacin
Primero la frmula de la multiplicacin.
Frmula de las permutaciones
Como se ve, la frmula de la multiplicacin se aplica para determinar el nmero de posibles disposiciones de dos o
ms grupos. La frmula de las permutaciones se aplica para determinar el nmero posible de disposiciones cuando
slo hay un grupo de objetos.

Frmula de las combinaciones

Si el orden de los objetos seleccionados no es importante, cualquier seleccin se denomina
combinacin. La frmula para contar el nmero de r combinaciones de objetos de un conjunto
de n objetos es:

Distribuciones de probabilidad discreta

Qu es una distribucin de probabilidad?

Una distribucin de probabilidad muestra los posibles resultados de un experimento y la probabilidad
de que cada uno se presente.

A continuacin, se mencionan las principales caractersticas de una distribucin de probabilidad.

Variable aleatoria discreta
Una variable aleatoria discreta adopta slo cierto nmero de valores separados. Si hay 100 empleados, el recuento
de la cantidad de ausentes el lunes slo puede ser 0, 1, 2, 3, , 100. Una variable discreta suele ser resultado de
contar algo. Por definicin:

Distribucin de probabilidad binomial

La distribucin de probabilidad binomial es una distribucin de probabilidad discreta que se presenta con mucha
frecuencia. Una de sus caractersticas consiste en que slo hay dos posibles resultados en un determinado ensayo del
experimento.

Cmo se calcula una probabilidad binomial?

Para construir una probabilidad binomial particular se necesita: 1) el nmero de ensayos y 2) la probabilidad de xito
de cada ensayo. Por ejemplo, si un examen al trmino de un seminario de administracin incluye 20 preguntas de
opcin mltiple, el nmero de ensayos es 20. Si cada pregunta contiene cinco opciones y slo una de ellas es correcta,
la probabilidad de xito en cada ensayo es 0.20. Por consiguiente, la probabilidad de que una persona sin
conocimientos del tema acierte la respuesta a una pregunta es de 0.20. De modo que se cumplen las condiciones de
la distribucin binomial recin indicadas.
Una probabilidad binomial se calcula mediante la frmula:

Distribucin de probabilidad hipergeomtrica

Para aplicar una distribucin binomial, la probabilidad de que ocurra un xito debe permanecer igual en cada ensayo.

Distribucin de probabilidad de Poisson

La distribucin de probabilidad de Poisson describe el nmero de veces que se presenta un evento durante un
intervalo especfico. El intervalo puede ser de tiempo, distancia, rea o volumen.
La distribucin se basa en dos supuestos. El primero consiste en que la probabilidad es proporcional a la longitud
del intervalo. El segundo supuesto consiste en que los intervalos son independientes. En otras palabras, cuanto ms
grande sea el intervalo, mayor ser la probabilidad; adems, el nmero de veces que se presenta un evento en un
intervalo no influye en los dems intervalos. La distribucin tambin constituye una forma restrictiva de la
distribucin binomial cuando la probabilidad de un xito es muy pequea y n es grande. A sta se le conoce por lo
general con el nombre de ley de eventos improbables, lo cual significa que la probabilidad, _, de que ocurra un evento
en particular es muy pequea. La distribucin de Poisson es una distribucin de probabilidad discreta porque se
genera contando.
En resumen, una distribucin de probabilidad de Poisson posee tres caractersticas:

Esta distribucin posee diversas aplicaciones. Se le utiliza como modelo para describir la distribucin de errores en
una entrada de datos, el nmero de rayones y otras imperfecciones en las cabinas de automviles recin pintados, el
nmero de partes defectuosas en envos, el nmero de clientes que esperan mesa en un restaurante o que esperan
entrar en una de las atracciones de Disney World y el nmero de accidentes en la carretera federal I-75 en un periodo
de tres meses.
La distribucin de Poisson se describe matemticamente por medio de la siguiente frmula:

Capitulo ll
Recopilacin de datos
Con ayuda de un cronmetro determinamos el tiempo de duracin de los 3 semforos, en
rojo y en verde, cabe aclarar que en el tiempo tomado como verde est incluido el
tiempo del semforo en amarillo, adems se cont el nmero de vehculos que se quedan
durante el tiempo rojo y de igual manera el del tiempo verde con el fin de determinar
qu tan factible seria el uso de un semforo inteligente para evitar los atascamientos a las
afueras de la Universidad.
Para tener una idea ms precisa del nmero de vehculos y el tiempo se tomaron varias
veces los datos y durante diferentes das, para seguidamente sacar una media de tiempos,
autos y trabajar de una manera ms eficiente en nuestro proyecto.
Los nmeros de pruebas fueron tomados a distintas horas y las pruebas se hicieron en
distintos das. A continuacin, se muestra una tabla con los tiempos, das y numero de
automviles que pasaron por los 3 diferentes semforos que existen fuera de la
universidad.
Da Lunes:
Semforo 1 Semforo 2 Semforo 3
Pruebas Verde Rojo Verde Rojo Verde Rojo
1 # de autos 3 2 31 19 5 4
2 # de autos 5 3 42 15 5 6
3 # de autos 3 3 36 34 2 3
4 # de autos 4 2 24 26 1 2
5 # de autos 6 2 26 25 3 2
6 # de autos 1 1 35 26 2 0
7 # de autos 12 4 26 18 2 0
8 # de autos 0 1 33 23 0 2
9 # de autos 2 1 26 19 5 1
10 # de autos 1 2 15 31 2 0
Media: 2.77 2.1 29.4 23.6 2.7 2
*la prueba #7 del semforo 1 en rojo se considera un dato atpico y lo descartamos para
que no altere la media.
Da Mircoles:
Semforo 1 Semforo 2 Semforo 3
Pruebas Verde Rojo Verde Rojo Verde Rojo
1 # de autos 3 2 30 26 4 2
2 # de autos 6 1 22 13 6 0
3 # de autos 5 2 15 18 2 0
4 # de autos 1 4 12 27 0 2
5 # de autos 0 1 26 21 1 0
6 # de autos 5 3 30 16 3 1
7 # de autos 6 2 14 19 0 0
8 # de autos 4 1 17 14 3 1
9 # de autos 2 3 20 22 0 0
10 # de autos 3 3 19 16 2 0
Media: 3.5 2.2 20.5 19.2 2.1 0.6

Da Viernes:
Semforo 1 Semforo 2 Semforo 3
Pruebas Verde Rojo Verde Rojo Verde Rojo
1 # de autos 4 3 31 23 2 1
2 # de autos 5 3 42 30 3 2
3 # de autos 5 4 50 62 1 0
4 # de autos 0 2 36 12 5 3
5 # de autos 6 5 22 28 2 0
6 # de autos 3 3 34 16 0 0
7 # de autos 5 3 18 16 5 0
8 # de autos 3 2 26 22 2 1
 9 # de autos 4 2 12 18 0 2
10 # de autos 2 0 14 10 1 2
Media: 3.7 2.7 28.5 23.7 2.1 1.1

Donde:
El semforo 1 es el que est ubicado frente a la Universidad.
El semforo 2 es el que est fuera de la Universidad.
El semforo 3 es el que est fuera de la Urbanizacin la Colina.

A continuacin, se tomarn las medias de los datos para determinar los valores con los que
se va a trabajar la distribucin de probabilidad.
Lunes:
Semforo 1 Semforo 2 Semforo 3
Verde Rojo Verde Rojo Verde Rojo
Media: 2.77 2.1 29.4 23.6 2.7 2

Mircoles:
Semforo 1 Semforo 2 Semforo 3
Verde Rojo Verde Rojo Verde Rojo
Media: 3.5 2.2 20.5 19.2 2.1 0.6

Viernes:
Semforo 1 Semforo 2 Semforo 3
Verde Rojo Verde Rojo Verde Rojo
Media: 3.7 2.7 28.5 23.7 2.1 1.1

Calcularemos una media de cada semforo con relacin entre das los diferentes das.
Semforo 1 (verde)
2.77 + 3.5 + 3.7
=
3
= .
Semforo 1 (rojo)
2.1 + 2.2 + 2.7
=
3
= .

Semforo 2 (verde)
 29.4 + 20.5 + 28.5
=
3
= .
Semforo 2 (rojo)
23.6 + 19.2 + 23.7
=
3
= .
Semforo 3 (verde)
2.7 + 2.1 + 2.1
=
3
= .
Semforo 3 (rojo)
2 + 0.6 + 1.1
=
3
= .
A continuacin, se muestran los tiempos tomados con el cronmetro del celular para saber
la duracin de cada semforo en Verde y en Rojo.

Semforo 1 (verde): 1m:50seg

Semforo 1 (rojo): 1m:01s

Semforo 2 (verde): 40s

Semforo 2 (rojo): 49s

Semforo 3 (verde): 1m10s

Semforo 3 (rojo): 1m20s

Aplicaciones estadsticas
A continuacin, nos platearemos diferentes casos que nos ayudaran para aclarar las dudas
sobre si es o no factible la implementacin de un semforo inteligente teniendo en cuenta
diversos escenarios que podran suceder.
Nos platearemos la posibilidad de que un auto pase o se quede en el semforo en rojo, para
esto tenemos los datos recopilados en los que interpretamos las probabilidades a priori de
cada caso, para poder encontrar esta probabilidad tomaremos el caso del da lunes como el
representativo para nuestros clculos, el da lunes en el semforo 2 durante el tiempo tomado
pasaron 530 automviles de los cuales 294 estuvieron durante el verde y 236 durante el rojo,
para calcular la probabilidad aremos el siguiente calculo
294
530 = 0.554

Para determinar la probabilidad de que el auto se quede en el semforo en rojo usaremos la regla del
complemento as: Probabilidad de quedarse durante el rojo = (1-0.544)= 0.445.
ahora que tenemos calculado la probabilidad a priori apoyndonos en el Teorema de Bayes
sabremos de una manera ms exacta las probabilidades que deseamos calcular.
A este evento lo llamaremos el evento B y se conoce que existen personas que se pasan el semforo
en rojo, con la ayuda de cmaras se calcula que la probabilidad de que un auto se pase el semforo
en rojo es del 0.26 a ste evento lo llamaremos el evento P(B|A1).
Y tenemos el caso de la cmara indique que un auto pasa el semforo en rojo cuando en realidad
estuvo en verde es de 0.09 a este evento lo llamaremos P(B|A2).
Elegimos al azar a un automvil y verificamos con la cmara, y buscaremos Cul es la probabilidad
de que el automvil realmente se pase un semforo en rojo? Y llamaremos P(A1|B) que se interpreta
as : P(se haya quedado en el semforo en rojo| despus de la prueba veamos que se paso)
(1 )(|1 )
(1 |) =
(1 )(|1 ) + (2 )(|2 )
(0.445)(0.09)
(1 |) =
(0.445)(0.09) + (0.554)(0.26)
(1 |) = 0.22
Para Facilitar la ilustracin de nuestros clculos nos ayudaremos de una Tabla de Contingencia.

Evento Ai Prob. A priori Prob. Condicional Prob. Conjunta Prob. A posteriori

Rojo 0.445 0.09 0.04095 0.22
Verde 0.554 0.26 0.14144 0.78

Como conclusin podemos deducir que la probabilidad de que un Automvil se haya quedado en
rojo pero que revisando las cmaras en realidad si se pas el semforo es de 0.22

El siguiente escenario a plantearnos ser la probabilidad de que pasen 20 automviles en el

semforo en verde y para calcularla nos ayudaremos de la probabilidad Binomial cuya
frmula es
() = ()() (1 )
Tendremos los siguientes datos:
x = 20
n = 37
= 0.638
( 4) = ( 37 20 )(0.638)20 (1 0.638)3720
( 4) = 0.0625

En el siguiente escenario se toma de la muestra del da mircoles en el semforo 1 y se tiene que

de los 134 automviles que pasan 74 pasan en el semforo en verde, se toma una muestra de 20 autos
y queremos determinar que de ellos 10 pasen en rojo, analizaremos la probabilidad, se determina que
se debe usar la probabilidad Hipergeomtrica debido a que solo se puede elegir una vez a uno de los
automviles se llevara una probabilidad sin reemplazo y por lo tanto la probabilidad cambia para
cada empleado, lo que se ajusta a las caractersticas de la probabilidad Hipergeomtrica, cuya
frmula es:

( )
() =

Datos:

N: 134
s: 74
n: 20
x: 10

( )
() =

() = .

Como conclusin podemos notar que la probabilidad de que de los automviles tomados el
da mircoles en el semforo 1 10 al azar pasen el semforo en verde es de 16,81% una
probabilidad baja con la que podamos haciendo la idea de que es buena la implementacin
de un semforo inteligente.

Ahora, observando las caractersticas y datos que tenemos podemos llegar a la conclusin
de que la distribucin de probabilidad que vamos a usar es la distribucin de Poisson
debido a que tenemos variables aleatorias discretas que pueden tomar un valor cualquiera
en un intervalo de tiempo, esta distribucin es la que ms se ajusta.
la frmula de la distribucin de Poisson es la siguiente:

() =
!

Tomando en cuenta el tiempo en verde para el semforo 1.

Datos:
= ( )

=
#
s = intervalo de tiempo
= pasar en el semaforo en verde
=
Se calcular de 1 a 10 automviles para tener ms clara la visin de si es bueno o no la
implementacin del semforo inteligente
Para 1:
(6.771)1 ( 6.771 )
(1) =
1!
() = .
Para 2:
(6.771)2 ( 6.771 )
(2) =
2!
() = .
Para 3:
(6.771)3 ( 6.771 )
(3) =
3!
() = .
Para 4:
(6.771)4 ( 6.771 )
(4) =
4!
() = .
Para 5:
(6.771)5 ( 6.771 )
(5) =
5!
() = .
Para 6:
(6.771)6 ( 6.771 )
(6) =
6!
() = .
Para 7:
(6.771)7 ( 6.771 )
(7) =
7!
() = .
Para 8:
(6.771)8 ( 6.771 )
(8) =
8!
() = .
Para 9:
(6.771)9 ( 6.771 )
(9) =
9!
() = .
Para 10:
(6.771)10 ( 6.771 )
(10) =
10!
() = .
Ahora vamos a calcular lo mismo, pero en el caso de tener un semforo inteligente:

Para 1:
 (0.925)1 ( 0.925 )
(1) =
1!
() = .

Para comprender de mejor manera los datos analizados lo representaremos en un diagrama

Distribucion del semaforo normal

0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
1 2 3 4 5 6 7 8 9 10

Ahora que sabemos la manera que va distribuida una distribucin de Poisson con un
tiempo estimado de 1.83 minutos
analizaremos una tabla comparativa entre los valores de un semforo 2 en verde con 40
segundos:
Semforo normal Semforo inteligente
0,36676343 0,27028434
0,19805225 0,05478664
0,07129881 0,0074035
0,01925068 0,00075034
0,00415815 6,0838E-05
0,00074847 4,1106E-06
0,00011548 2,3806E-07
1,5589E-05 1,2064E-08
1,8707E-06 5,4341E-10
2,0204E-07 2,203E-11
 Semforo Normal Chart Title
0.4 0.3

0.35
0.25
0.3
0.2
0.25

0.2 0.15

0.15
0.1
0.1
0.05
0.05

0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Como podemos ver en los grficos y la tabla el uso de un semforo inteligente sera una
solucin a los atascamientos en las afueras de la universidad, como podemos ver mucho
menos automviles quedaran atascados en un semforo inteligente.

A continuacin, se muestra las razones por las cuales decidimos usar un mtodo de
muestreo, para facilitar nuestro trabajo.
- Establecer contacto con toda la poblacin requera mucho tiempo.
- Los resultados de nuestra muestra son adecuados.

Utilizaremos el mtodo de muestreo simple, ya que cada automvil seleccionado tiene la

misma probabilidad de ser elegido.
Para calcular un posible error de muestreo en nuestra investigacin utilizaremos la media
general que obtuvimos (media de poblacin) y la compararemos con la media de cada una
de las muestras, referente a nuestro semforo 2, para saber cul es la ms precisa.
Semforo 2 (verde)

= .
Prueba 1:
= 25.62

Error de muestreo:
. . = .
Prueba 2:
 = 26.2

Error de muestreo:
. . = .
Prueba 1:
= 27.2

Error de muestreo:
. . = .

Podemos llegar a determinar que la prueba que mejor se valora es la prueba N 2, as que
procederemos a trabajar con esta prueba.

APLICACIN DEL TEOREMA CENTRAL DE LMITE.

Siguiendo con nuestro trabajo investigativo podemos empezar a considerar ya una
distribucin normal cuyas caractersticas principales son que tiene forma de campana, que
es simtrica a ambos lados y que tiene una asntota en el eje X, se muestra a continuacin
una grfica de la distribucin normal que se usar para los siguientes clculos.

Para elaborar nuestra investigacin hemos decidido utilizar un nivel de confianza del 95%,
es decir, un nivel de significancia del 5%. Utilizando el error de muestreo con la prueba 2
obtenemos que:
Grfica del intervalo de confianza del 95%


=

. .
=
3
3858
= .

Ahora basndonos en el Apndice B1 del libro de Lind tenemos que el rea bajo esta curva
va a ser 0.4162
y caer dentro de nuestro intervalo de confianza

En el ejemplo anterior asumimos tener la desviacin estndar de la poblacin para facilitar

el procedimiento de nuestro calculo y de es manera determinar como se comportara
nuestra distribucin, ms adelante veremos como utilizaremos la desviacin estndar de
nuestra muestra que la calcularemos mediante la formula: = ( )2
ANLISIS
- Sigue una distribucin normal.
- No conocemos la desviacin estndar de la poblacin.
Determinadas las caractersticas de nuestra distribucin tomaremos la decisin de utilizar
T-Student ya que cumple con todas las caractersticas de este proceso, ser necesara la
utilizacin de una tabla de t-Student para determinar los valores y encontrar nuestro valor
de s

Valor S:

2
X
30 90,25
22 2,25
15 30,25
12 72,25
26 30,25
30 90,25
14 42,25
17 12,25
20 0,25
19 2,25
20,5 372,5 0,0965
Ahora, si queremos determinar un nivel de confianza del 95% nuestro valor de T ser: con
n=10
T=1.83

+

0.095
20.5 + 1.83
10
=20.5549