VARIABLES ALEATORIAS

ESTADISTICA APLICADA AL ANALISIS

QUIMICO CUANTITATIVO Las variables aleatorias se encuentran en
todas las disciplinas de la ciencia, por lo
que este capítulo tiene una muy amplia
Capítulo 2 covertura

VARIABLES ALEATORIAS
Y SUS DISTRIBUCIONES

1 2

1 2

VARIABLES ALEATORIAS VARIABLES ALEATORIAS

En este capítulo: El resultado de la mayoría de los

• Variables aleatorias
• Distribuciones de probabilidad
(especialmente la distribución normal)
• Mediciones de localización (media) y
dispersion (desviación standard)
experimentos en ciencia contiene un
componente aleatorio que hace que
el resultado no sea completamente
predecible.
Estos tipos de variables se
denominan variables aleatorias.

3 4

3 4

1
 VARIABLES ALEATORIAS
Experimentos estadísticos clásicos:
tirar los dados o
lanzar una moneda o
sacar cartas al azar de una baraja o
etc.
5 6
5 6
VARIABLES ALEATORIAS
El dominio de una variable depende
de cómo se define la variable
El conjunto de todos los resultados cuya
suma sea un número par sería {2, 4, ….,
10, 12}
El conjunto de todos los resultados cuya
suma sea un número primo, sería {2,
3, 5, 7}
En todo caso, el dominio de un experimento
contendrá todos los resultados posibles, sin
importar qué tan improbables sean
7 8
7 8
VARIABLES ALEATORIAS
Considere que lanzamos dos dados
y sumamos los números mostrados.
El conjunto de todos los resultados
posibles sería {2, 3, …., 11, 12}
A este conjunto se le llama el dominio
del experimento
El dominio de una variable se define
simplemente como el conjunto de todos los
valores posibles que puede asumir la variable
DEFINICIONES ASOCIADAS CON LAS
VARIABLES ALEATORIAS
• Resultado
Es lo que produce un experimento que
involucra incertidumbre.
• Dominio o espacio muestral
Es el conjunto de todos los posibles valores
que un resultado puede asumir.
• Evento
Es cualquier colección de resultados de un
experimento. Formalmente, cualquier
subconjunto del espacio muestral es un
evento.
2
 PROBABILIDAD PROBABILIDAD
DESCRIPCION CUANTITATIVA DEL
CHANCE QUE OCURRA UN EVENTO
PARTICULAR. UNA PROBABILIDAD IGUAL A CERO
INDICA QUE EL EVENTO NUNCA
OCURRIRA
La probabilidad se expresa en una
escala de 0 a 1: Un evento raro tiene UNA PROBABILIDAD IGUAL A UNO
una probabilidad cercana a 0, mientras INDICA QUE EL EVENTO SIEMPRE
OCURRIRA
que un evento muy común tiene una
probabilidad cercana a 1.
9 10

9 10

PROBABILIDAD PROBABILIDAD
EN ALGUNOS EXPERIMENTOS, TODOS LOS RESULTADOS Los ejemplos anteriores ilustran el modelo de
SON IGUALMENTE PROBABLES resultados igualmente probables.
Ejemplos
En este modelo, la probabilidad P(E) que ocurra un
Al sacar el ganador de una lotería, todas las boletas de la evento E se define como:
lotería tienen la misma probabilidad de ganar.
número de resultados que satisfacen
Al tirar un dado, el número en cada una de las seis caras la condición del evento E
tiene la misma probabilidad de salir P(E) =
número total de resultados posibles
Al lanzar una moneda, existe la misma probabilidad que
caiga “cara” o que caiga “sello”.

11 12

11 12

3
 PROBABILIDAD VARIABLES ALEATORIAS
Ejemplos
Todas las mediciones, incluyendo las
La probabilidad de sacar una carta de “picas” de un juego que se hacen con un instrumento
de cartas bien barajadas es 13/52 = ¼ = 0.25
químico, también son variables
evento: ‘sacar una pica' aleatorias, con un dominio asociado.

Naturalmente, el dominio de
estas mediciones será todos los
Cuando se lanza una moneda, cada resultado ‘cara' o ‘sello' posibles valores que pueden ser
tiene la misma probabilidad, ½ = 0.5
asumidos por el instrumento de
medida.
13 14

13 14

VARIABLES ALEATORIAS VARIABLES ALEATORIAS

Puesto que las variables aleatorias no
El resultado de un experimento químico
pueden ser predichas exactamente, ellas
varía: en otras palabras, el resultado es una
deberán describirse con el lenguaje de las
variable.
probabilidades.
Recuerde que el resultado de la Por ejemplo, no podemos decir con
certeza que el resultado de lanzar una
mayoría de los experimentos en moneda sea “cara”, pero sí podemos decir
ciencia contiene un componente que la probabilidad que caiga cara es 0.5.
aleatorio que hace que el
resultado no sea completamente Cada resultado en el dominio (de
predecible. resultados) tendrá una probabilidad
asociada con él.
15 16

15 16

4
 VARIABLES ALEATORIAS VARIABLES ALEATORIAS
En ciencia, las variables aleatorias Una variable aleatoria discreta solo
son numéricas o ´cuantitativas´, en puede asumir ciertos valores dentro
contraste con resultados de un dominio.
´cualitativos´ como “cara” y “sello”
Por el contrario, una variable aleatoria
Hay dos tipos de variables continua puede teóricamente asumir
aleatorias cuantitativas: discretas cualquier valor del dominio.
y continuas.
17 18

17 18

Variables Aleatorias
VARIABLES ALEATORIAS DISCRETAS
Discretas vs. Continuas
Si consideramos el eje cartesiano de los números reales, Aquellas que están restringidas a asumir
una variable discreta puede solamente asumir ciertos solo ciertos valores del intervalo
valores de la línea (por ejemplo, los números enteros) considerado.
mientras que una variable continua puede asumir
cualquier valor sobre la recta que representa el eje.
El número de las variables discretas puede
ser finito o infinito.

Cuando están asociadas a experimentos en

que se mide el número de veces que
sucede algo, su dominio es finito.
Observe que, en este caso, el número de variables
discretas es también infinito.
19 20

19 20

5
 Variables aleatorias DISCRETAS
Ejemplos de variables aleatorias discretas:
El número de niños en una familia
El número de pacientes en la oficina de un
médico
El número de bombillos defectuosos en
una caja con 100 bombillos
El número de “caras” al lanzar 6 veces una
moneda
21
21
VARIABLES ALEATORIAS CONTINUAS
Aquellas que pueden teóricamente
asumir cualquier valor del dominio.
Naturalmente, este conjunto de
posibles valores nunca es contable.
Las variables aleatorias continuas
son usualmente el resultado de
mediciones.
23
23
VARIABLES ALEATORIAS DISCRETAS
Aquellas que solo pueden tomar
ciertos valores de un dominio.
Una variable aleatoria discreta
también puede tomar un número
infinito de valores posibles, y sigue
siendo discreta.
22
22
VARIABLES ALEATORIAS CONTINUAS
Las mediciones que resultan del uso de
un instrumento son variables aleatorias
continuas cuyo dominio son todos los
valores posibles que podrían ser
asumidos por el instrumento de
medida.
Ejemplos:
La masa de una muestra
La concentración de plomo en una muestra de
sangre
El tiempo requerido para correr un kilómetro 24
24
6
 NOTA FINAL SOBRE LAS VARIABLES LAS MEDICIONES COMO VARIABLES
ALEATORIAS CONTINUAS ALEATORIAS CONTINUAS
Aunque la distinción entre variables Las mediciones no son variables
aleatorias continuas y discretas es aleatorias verdaderamente continuas…
importante por la manera como
usamos la probabilidad para describir La razón es que cualquier instrumento
sus posibles resultados, estrictamente
de medida tiene un límite en el número
hablando cuando se trata de
de posibles resultados
mediciones reales no existe tal cosa
como una variable aleatoria
verdaderamente continua…
25 26

25 26

LAS MEDICIONES COMO VARIABLES

ALEATORIAS CONTINUAS Resumen
Considere, por ejemplo, una balanza • Un experimento estadístico es aquel
analítica digital con rango 0-100 g en el que existe un elemento
que muestra resultados hasta la aleatorio en su resultado;
décima del miligramo • El resultado del experimento es una
variable aleatoria ;
Existen 106 valores posibles dentro de este
rango ̶ ciertamente un número muy grande,
• El dominio es el conjunto
pero no infinitamente grande… (posiblemente infinito) de todos los
resultados posibles del experimento.
{0.0000, 0.0001, 0.0002, …. 99.9998, 99.9999, 100.0000}
27 28

27 28

7
 DISTRIBUCIONES DE
PROBABILIDAD
Aunque el dominio contiene todos
los posibles resultados de un
experimento, hasta ahora no
hemos dicho nada sobre cuales de
estos son los resultados mas
probables del experimento …
29
DISTRIBUCIONES DE PROBABILIDAD
Por ejemplo, si deseamos medir la estatura de todos los
estudiantes de la Universidad del Valle usando una cinta
de 10 m, entonces el dominio consistirá en todas las
lecturas posibles de la cinta desde 0 a 10 m. Sin
embargo, aunque mediciones como 20 cm o 6 m están
contenidas en el dominio, la probabilidad de obtener
estos valores es muy muy pequeña…
30

29 30

DISTRIBUCIONES DE PROBABILIDAD DISTRIBUCIONES DE PROBABILIDAD

PARA VARIABLES DISCRETAS
Una distribución de probabilidad
describe la probabilidad de los experimento:
resultados de un experimento. LANZAR UNA MONEDA 2 VECES
variable: NUMERO DE CARAS
Puesto que las variables aleatorias (tanto dominio: {0, 1, 2}
discretas como continuas) son
La tabla muestra los 4 Resultado Variable aleatoria (x)
inherentemente impredecibles, debemos posibles resultados CC 2
usar distribuciones de probabilidad así como el valor de x CS 1
asociado con cada
para describir sus propiedades. resultado
SC
SS
1
0
31 32

31 32

8
 DISTRIBUCIONES DE PROBABILIDAD DISTRIBUCIONES DE PROBABILIDAD
PARA VARIABLES DISCRETAS PARA VARIABLES DISCRETAS
Resultado Variable aleatoria (x) Resultado Variable aleatoria (x)
CC 2 CC 2
CS 1 CS 1
SC 1 SC 1
Hemos
descrito la
SS 0 SS 0
distribución
P(x=2)=0.25 de
Cada uno de estos probabilidad
resultados es P(x=1)=0. 5 de cada
igualmente probable
P(x=0)=0.25 resultado
posible de
nuestro
P(x=xo) es la probabilidad que la variable aleatoria x asuma el valor xo
experimento
33 34

33 34

DISTRIBUCIONES DE PROBABILIDAD DISTRIBUCIONES DE PROBABILIDAD

PARA VARIABLES DISCRETAS PARA VARIABLES DISCRETAS
P(x=2)=0.25
Sea x una variable aleatoria
P(x=1)=0. 5
discreta.
P(x=0)=0.25
suma: 1 Su distribución viene dada por los
valores que puede tomar,
x1 , x2 , x3 , …, xk
IMPORTANTE:
OBSERVE QUE LA SUMA DE PROBABILIDAD DE y las probabilidades de que asuman
TODOS LOS RESULTADOS EN EL DOMINIO ES esos valores,
IGUAL A LA UNIDAD. p1 , p2 , p3 , …, pk
35 36

35 36

9
 EJEMPLOS DE DISTRIBUCIONES DISCRETAS
La Distribución Binomial
Muchos experimentos en ciencias son del
tipo “cara-o-sello”. Este tipo de
experimento se conoce como binomial o
de Bernoulli
La Distribución Binomial
Un experimento de Bernoulli tiene las siguientes
propiedades:
1. Cada experimento consiste de un número de pruebas
idénticas (cara-o-sello). La variable aleatoria x es el
número total de pruebas “exitosas” después que se
completen todas ellas.
2. Cada prueba solo tiene 2 resultados posibles, “éxito” o
“fracaso”. La probabilidad de éxito es p y la
probabilidad de fracaso es q. Naturalmente, p+q=1.

3. Las probabilidades p y q se mantienen constantes

durante todas las pruebas del experimento.
37 38

37 38

La Distribución Binomial
Ejemplo de Distribución Binomial
La distribución de probabilidad para cualquier
experimento de Bernoulli está dada por la siguiente
función p(x):

𝑛!
𝑝 𝑥 = 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥! 𝑛 − 𝑥 !

donde n es el número de pruebas del experimento.

Supongamos que
n = 30 ratones y p=0.15 (la probabilidad para un
tratamiento exitoso con la droga)
Gráfica de la distribución binomial de probabilidad con n=30 y p=0.15.

39 40

39 40

10

Jakob Bernoulli (Basilea, 27 de
diciembre de 1654 - ibíd. 16 de
agosto de 1705), también conocido
como Jacob, Jacques o James
Bernoulli, fue un destacado
matemático y científico suizo; sus
contribuciones a la geometría
analítica, a la teoría de
probabilidades y al cálculo de
variaciones fueron de
extraordinaria importancia.
41
41
EJEMPLOS DE DISTRIBUCIONES DISCRETAS
La Distribución de Poisson
Experimentos de conteo también son
bastantes communes en las ciencias. En
tales casos, uno está interesado en contar
el número de veces que ocurre algún
evento dentro de un intervalo fijo de
tiempo o región fija del espacio.
43
43
The Galton Board
La máquina de Galton, o caja de galton, es un dispositivo
inventado por Francis Galton​ para demostrar el teorema del
límite central, en particular que la distribución binomial es una
aproximación a la distribución normal.
La máquina consta de un tablero vertical con varias filas de
clavos. Las bolillas caen desde la parte superior, botando
aleatoriamente y van depositándose, a medida que caen, en los
casilleros de la parte inferior. Formando una superficie de
campana.
Las x bolillas chocarán con el primer clavo teniendo una
probabilidad de 1/2 de ir a la izquierda o hacia la derecha y, a
medida que continúan va teniendo más caminos a donde ir, es
decir, más posibilidades para que las bolitas se desvíen. A lo largo
de esta estructura, las bolitas toman caminos aleatorios hasta
caer en alguno de los canales colocados en la base. Al final,
tendrán mayores probabilidades los canales interiores que los
exteriores, formándose una distribución de probabilidades
conocida como distribución binomial.
https://es.wikipedia.org/wiki/Maquina_de_Galton
https://www.youtube.com/watch?v=9xUBhhM4vbM
42
42
La Distribución de Poisson
Por ejemplo, si quisiéramos
contar el número de
partículas alfa emitidas por
una muestra de un isótopo
radioactivo o si quisiéramos
caracterizar la densidad de
árboles en un terreno
contando el número de
árboles presentes en un área
dada.
44
44
11
 La Distribución de Poisson La Distribución de Poisson
Supongamos que estamos contando las partículas
alfa emitidas por una muestra de isótopo
radioactivo a una rata de 2.5 partículas/segundo.
La variable aleatoria en cualquiera de estos
Nuestro experiment mide el “conteo detectado en
experimentos es un número entero positivo, el
un segundo” y el dominio corresponde a todos los
número del “conteo” .
enteros positivos (y cero).
A menudo, esta variable aleatoria discreta sigue
la distribución de Poisson.

45 46

45 46

La Distribución de Poisson La Distribución de Poisson

La distribución de probabilidad de Poisson para Usemos esta fórmula para calcular la
este experimento sigue la siguiente formula probabilidad que midamos 5 partículas
general: detectadas durante un período de observación
de 1 segundo. En este caso, el producto λ𝑡 = 2.5
𝑒 −λ𝑡 (λ𝑡)𝑥 events/s x 1 s = 2.5 eventos.
𝑝 𝑥 =
𝑥!

donde λ es la rata promedio de ocurrencia del

evento y t es el intervalo de observación.

Repetimos el cálculo desde x=0 hasta 10.

47 48

47 48

12
 La Distribución de Poisson
La Figura muestra las probabilidades de medir hasta 10
conteos durante un período de este experimento.
49
49
La Distribución de Poisson
Cada una de estas variables aleatorias
representa el número total de ocurrencias de
un fenómeno durante un periodo de tiempo
fijo o en una región fija del espacio.
Expresa la probabilidad de un número k de
ocurrencias acaecidas en un tiempo fijo, si
estos eventos ocurren con una frecuencia
media conocida y son independientes del
tiempo discurrido desde la última ocurrencia
o suceso.
51
51
Otras aplicaciones de la distribución de Poisson
La distribución de Poisson es útil para describir una gran variedad
de procesos que involucran conteo :
▪ El número de autos que pasan a través de un cierto punto en
una ruta (suficientemente distantes de los semáforos) durante
un periodo definido de tiempo.
▪ El número de errores de ortografía que uno comete al escribir
una página.
▪ El número de llamadas telefónicas en una central telefónica por
minuto.
▪ El número de servidores web accedidos por minuto.
▪ El número de defectos en una longitud específica de una cinta
magnética.
▪ El número de mutaciones de determinada cadena de ADN
después de cierta cantidad de radiación.
▪ El número de defectos por metro cuadrado de tela.
▪ El número de estrellas en un determinado volumen de espacio.
50
50
Siméon Denis Poisson (Pithiviers,
Francia, 21 de junio de 1781 -
Sceaux (Altos del Sena), Francia, 25
de abril de 1840) fue un físico y
matemático francés al que se le
conoce por sus diferentes trabajos
en el campo de la electricidad y por
sus publicaciones acerca de la
geometría diferencial y la teoría de
probabilidades.
52
52
13
 Fundamental en química:
La Distribución de Boltzmann La Distribución de Boltzmann
Generalmente, la energía de una molécula se están
Aquellas que
Las distribuciones de probabilidad son vitales para considera dividida en energías electrónica, vibracional
restringidas a asumir
entender la naturaleza de la materia a un nivel más y rotacional. solo ciertos valores del
fundamental. Como recordará de Química I-Q, laintervalo
energía de una
considerado.
La razón es que, cuando se miran a nivel atómico, molecula está cuantizada.
muchas propiedades de un sistema son variables Esto quiere decir, que la energía de una molécula es
aleatorias. una variable leatoria discreta.
Existe una “incertidumbre” en la materia y la energía
La naturaleza aleatoria de la energía no se debe a
que solo es aparente en pequeña escala; esta
algún error en el proceso de medición, es una
naturaleza del universo se puede predecir mediante la
propiedad innata de la materia.
mecánica cuántica.
Puesto que la energía molecular es una variable
Esto significa que, para describir tal sistema, debemos
aleatoria, deberá ser descrita mediante una
recurrir al lenguaje de las probabilidades (y a las
distribución de probabilidad.
distribuciones de probabilidad).
53 54

53 54

La Distribución de Boltzmann La Distribución de Boltzmann

Si una molecula está en equilibrio térmico con
su entorno, la probabilidad que la molécula
tenga una energía particular en un tiempo
dado se describe mediante la ecuación de
distribución de Boltzmann :
Si los diferentes estados de una molécula están
en niveles de energía igualmente espaciados
(esta es la llamada asunción del oscilador
armónico) y no hay degenerancia, la función
de distribución de Boltzmann se simplifica a

donde β = (kT)−1, T es la temperatura en K y el

denominador es la sumatoria de todas las donde ΔE es la separación entre
formas posibles de energía de la molécula. niveles de energía.

55 56

55 56

14
 La Distribución de Boltzmann La Distribución de Boltzmann
La distribución de Boltzmann proporciona la
probabilidad de distribución de la energía de una
Observe que, a sola molécula en un momento dado.
mayores
temperaturas, hay • Por ejemplo, si medimos la energía vibracional
una probabilidad de una molécula de I2 a 298 K, de acuerdo a la
mayor que una distribución de Boltzmann hay un 64.5% de
probabilidad que la molécula se encuentre en
molécula esté en un el nivel fundamental vibracional (ν = 0).
nivel energético • En otro momento (digamos, 10 segundos
más alto. después) medimos de nuevo la energía y hay
un 22.9% de probabilidad que la molécula
Distribución de probabilidad para la energía vibracional de una haya absorbido energía calórica y esté ahora
en el primer nivel vibracional (ν = 1). Por
molécula de I2 a dos temperaturas diferentes. La energía real de
supuesto, todavía hay una probabilidad del
cada nivel está dada por Eν = (ν + 1/2 ) · 214.6 cm−1, donde ν es 64.5% que la molécula esté en su estado
el número cuántico vibracional. fundamental.
57 58

57 58

Resumen Hasta Aquí:

El dominio y la distribución de
Ludwig Eduard Boltzmann (Viena,
Imperio austríaco; 20 de febrero de probabilidad juntos proven una
1844-Duino, Italia; 5 de septiembre de
1906) ​ fue un físico austriaco pionero
descripción completa de las propiedades de
de la mecánica estadística, autor de la
llamada constante de Boltzmann,
una variable aleatoria:
concepto fundamental de la
termodinámica y de la expresión
matemática de la entropía desde el el dominio da todos los posibles valores
punto de vista de la probabilidad (la
relación entre estados macroscópicos y de la variable
microscópicos).
y
la distribución de probabilidad da la
probabilidad de esos valores
59 60

59 60

15

2 Características Importantes
de las Variables Aleatorias 2
Propiedades mediante las cuales
podemos caracterizar las variables
aleatorias tanto discretas como
continuas : localización y dispersión.
61
61
2 Características Importantes
de las Variables Aleatorias 2
La distribución de probabilidad contiene
toda la información necesaria para
determinar su localización (‘tendencia
central’) y su dispersión (‘variabilidad’),
así como otros descriptores más esotéricos
de las variables aleatorias.
63
63
2 Características Importantes
de las Variables Aleatorias 2
➢ Localización: la tendencia central de la
variable, que describe un valor
alrededor del cual la variable tiende a
agruparse, y
➢ Dispersión: el rango típico de valores
dentro del cual se esperaría que se
observaran los resultados del
eperimento. Da una idea del despliegue
de valores de los resultados de un
experimento. 62
62
Tendencia Central de una Variable Aleatoria
La tendencia central o localización se
expresa mediante uno (o todos) los
siguientes parámetros:
el modo, la mediana y/o la media.
64
64
16

Tendencia Central de una Variable Aleatoria
Modo
El modo es el valor más probable de una
variable discreta.
Más generalmente, es la localización del
máximo de la función de distribución de
probabilidad: el valor de xmodo tal que
p(xmodo) = Pmax
65
65
Tendencia Central de una Variable Aleatoria
Modo
En el ejemplo de las partículas alfa, el modo
de la distribución ( xmodo = 2 ) puede
determinarse visualmente en el gráfico de
barras de la distribución de Poisson.
67
67
Tendencia Central de una Variable Aleatoria
Modo
Hay distribuciones multi-
modales, es decir, que tienen más
de un modo ― distribuciones con
dos modos son bimodales, etc.
Aunque las distribuciones multimodales
pueden tener varios máximos locales,
usualmente hay un máximo global único que es
el valor más probable de la variable aleatoria.
66
66
Tendencia Central de una Variable Aleatoria
Mediana
El concepto de mediana es solo un poco más
complicado que el de modo:
es el valor Q2 tal que
P(x < Q2) = P(x > Q2)
Esto quiere decir que existe una
probabilidad igual de observar un valor
menor o un valor mayor que la mediana.
68
68
17
 Tendencia Central de una Variable Aleatoria
Mediana
La mediana es el segundo cuartil ̶ de allí el
origen del símbolo Q2 (quartile).
69
69
Tendencia Central de una Variable Aleatoria
La suma ponderada
Mucha gente está familiarizada con las
sumas ponderadas – especialmente los
estudiantes cuando calculan sus promedios
de rendimiento académico!
Un ejemplo de la química: los pesos
atómicos que que parecen en las tablas
periódicas son pesos ponderados de las
masas isotópicas; los valores de los pesos
atómicos están determinados por la
abundancia relativa de los isótopos. 71
71
Tendencia Central de una Variable Aleatoria
CUARTILES?
Una distribución se puede dividir en cuatro
“pedazos” iguales (en probabilidad), tal que :
P(x < Q1) = P(Q1 < x <Q2) = P(Q2 < x <Q3) = P(x > Q3)
Los límites Q1, Q2 (i.e., la mediana) y Q3 son los
cuartiles de la distribución de probabilidad.
70
70
Tendencia Central de una Variable Aleatoria
La suma ponderada
En general, una suma ponderada se representa con la
expresión
suma ponderada =  wi xi
Donde los xi ´s representan los valores individuales y
los wi ´s los factores de ponderación (pesos)
correspondientes.
Cuando la suma de todos los factores de
ponderación es la unidad ( wi = 1) a la suma
ponderada se le llama media ponderada.
72
72
18
 Tendencia Central de una Variable Aleatoria Tendencia Central de una Variable Aleatoria
La media
La media (o promedio) La media o valor “esperado”, E(x), de una
La media de una variable aleatroria discreta variable aleatoria se define de la manera siguiente.
es simplemente una media ponderada, con Para una variable discreta:
probabilidades como factores de
𝐸 𝑥 = 𝜇𝑥 = ෍𝑥𝑖 𝑝(𝑥𝑖 )
ponderación.
mientras para variable continua:
Esto significa que los valores más probables +∞
tienen mayor “influencia” (“peso”) en la 𝐸 𝑥 = 𝜇𝑥 = න 𝑥 𝑝(𝑥) 𝑑𝑥
determinación de la media; por esta razón, −∞
la media es un buen indicador de la donde p(x) es una función matemática que define
tendencia central. la distribución de probabilidad de la variable x.
73 74

73 74

Tendencia Central de una Variable Aleatoria

Tendencia Central de una Variable Aleatoria
Las medias de las distribuciones binomial y de
Poisson:
Comparación de indicadores de localización:
Para la distribución binomial, Tenemos 3 diferentes indicadores de
μx = n · p
donde n es el numero de pruebas y p es la localización para una variable aleatoria:
probabilidad de éxito para cada prueba.
media, mediana y modo.
Para la distribución de Poisson,
Cada uno de ellos tiene diferente significado.
μx = λ · t
donde λ es la “rata” media y t es el intervalo de
medición (usualmente tiempo o distancia).
75 76

75 76

19
 Tendencia Central de una Variable Aleatoria Tendencia Central de una Variable Aleatoria

Comparación: Qué tan diferentes son los 3 indicadores de

Imagine que usted está APOSTANDO por el localización?
resultado de un experimento dado :
• Si usted escoge el modo, usted está apostando
solo por el más probable resultado del Sucede que
experimento. • los valores son diferentes solamente para
• Si usted escoge la mediana, su escogencia tiene distribuciones asimétricas y
igual probabilidad de estar por encima o por • los valores son exactamente iguales para
debajo del resultado. distribuciones simétricas (“en forma de
• Si usted escoge la media, usted tendrá la mejor campana”)
probabilidad de estar lo más cerca posible al
resultado.
77 78

77 78

Tendencia Central de una Variable Aleatoria

Dispersión de una Variable Aleatoria
Comparación de indicadores de localización:
La dispersión se refiere al rango de valores
asumidos más frecuentemente (i.e., más
probablemente) por la variable.

Aunque, teóricamente hablando, una

Si una distribución está para distribuciones
variable puede asumir cualquier valor del
torcida hacia la derecha − torcidas a la izquierda − rango de valores del dominio, unas variables
o sesgada positivamente; sesgadas negativamente; son más “variables” , más “inciertas”, que
(a) − entonces (b) −
μx > Q2 > xmode μx < Q2 < xmode
otras.
79 80

79 80

20
 Dispersión de una Variable Aleatoria Dispersión de una Variable Aleatoria

Experimentos con resultados bastante Comparación de las funciones de probabilidad de dos

variables continuas.
variables son más propensos a producir
valores que difieren bastante de la
media que experimentos similares con
menor variabilidad.
En otras palabras, las distribuciones de
probabilidad tienden a ser más anchas a
medida que su variabilidad aumenta.
La distribución más ancha (línea punteada) es más propensa
a dar resultados más alejados de la media que la otra.
81 82

81 82

Dispersión de una Variable Aleatoria

Dispersión de una Variable Aleatoria

También hay varios indicadores de Rango Intercuartil

variabilidad: IQR, es la diferencia
entre el primer y
• El rango intercuartil y el rango semi- tercer cuartiles:
intercuartil IQR = Q3−Q1
• La media de la desviación absoluta y
• La varianza y la desviación standard.
Este es un indicador de dispersión porque entre más
ancha la distribución, mayor es la diferencia entre los
cuartiles.
83 84

83 84

21
 Dispersión de una Variable Aleatoria
Desviación
Rango Semi-Intercuartil, QR
Diferencia entre el resultado de
QR es probablemente la medida de una medición y un valor
dispersión más utilizada; es simplemente tomado como referencia
la mitad del rango intercuartil.

85 86

85 86

Dispersión de una Variable Aleatoria Dispersión de una Variable Aleatoria

La media de la desviación absoluta La media de la desviación absoluta

La desviación absoluta media, MD, es exactamente
eso: el valor esperado (i.e., la media) de la
desviación absoluta de una variable con
respecto a su media, μx
MD = E (| x − μx |)
El concepto es bastante simple: indica la media de
la distancia de una variable medida desde su
propia media, μx.
Para una variable discreta,
mientras que para una variable continua,
+∞

𝑀𝐷 = න 𝑥 − 𝜇𝑥 𝑝(𝑥) 𝑑𝑥
−∞
87 88

87 88

22
 Dispersión de una Variable Aleatoria Dispersión de una Variable Aleatoria

La varianza y la desviación standard La varianza y la desviación standard

La varianza y la desviación standard también La varianza para variables discretas y continuas

miden la dispersión de una variable aleatoria con está dada por Mire la variable
respecto a su media μx. discreta: es otra
𝜎𝑥2 = ෍ 𝑥𝑖 − 𝜇𝑥 2 𝑝(𝑥𝑖 ) suma ponderada!
La varianza de una variable aleatoria x, σx2, es el 𝑖
valor esperado de (x −μx)2, que es el cuadrado de
la desviación de x con respecto a su valor +∞

medio: 𝜎𝑥2 = න 𝑥 − 𝜇𝑥 2 𝑝(𝑥) 𝑑𝑥

−∞

89 90

89 90

Dispersión de una Variable Aleatoria Dispersión de una Variable Aleatoria

La varianza y la desviación standard La varianza y la desviación standard

Los valores que se suman, (xi − μx)2, son los cuadrados de
las desviaciones de las variables con respecto a la media.
Las desviaciones al cuadrado indican qué tan lejos del
valor medio μx está el valor xi y los factores de ponderación
p(xi) en la suma son las probabilidades de xi.
De esta manera, distribuciones “más anchas” de
probabilidad tienden a tener mayores pesos para valores
de x con mayores deviaciones al cuadrado (x − μx)2 (y, por
lo tanto, estarán más distantes de la media).
Tales distribuciones tendrán valores más grandes para la
varianza, σx2. Varianza más grande significa mayor
variabilidad para una variable aleatoria.
91
Un inconveniente de la varianza es que sus
unidades son el cuadrado de las unidades de la
variable original x. Por ejemplo, si x es una
mediada de longitud en m, entonces σx2 tiene
unidades de m2.
La deviación standard, σx , tiene las mismas
unidades que x y es, a veces, un poco más
conveniente.
La deviación standard es simplemente la raiz
cuadrada positiva de la varianza.
92

91 92

23
 Dispersión de una Variable Aleatoria
La varianza y la desviación standard
La Desviación Standard Relativa, RSD, es otra
manera de presentar la desviación standard
La RSD puede expresarse como una fracción o
como un percentaje.
A la RSD se le conoce también como el coeficiente
de variación (CV).
93
93
Distribuciones de Variables
Aleatorias Continuas
Si x es una variable aleatoria continua, y
queremos conocer su distribución de
probabilidad, no nos sirve la función de
probabilidad empleada con las discretas
(cada valor con su probabilidad asociada)
porque toma infinitos valores y la
probabilidad asociada a cada valor individual
sería nula.
95
95
Dispersión de una Variable Aleatoria
Comparación de Medidas de Dispersión
Hemos descrito 3 maneras de medir la dispersión
de una variable aleatoria:
QR, rango de semi-intercuartil,
MD, desviación absoluta media, y
σ, desviación standard
Por varias razones (fuera del alcance de este
curso), la varianza y la desviación standard
son las mejores medidas de la dispersión de
una variable aleatoria.
94
94
Distribuciones de Variables
Aleatorias Continuas
Esta es una distinción fundamental entre
variables discretas y continuas:
la probabilidad de que una variable aleatoria
continua, x, asuma exactamente cualquier
valor dado, x0 , en el dominio es cero !
En otras palabras, P(x =x0) = 0
96
96
24
 Distribuciones de Variables Aleatorias Continuas Distribuciones de Variables Aleatorias Continuas
La función p(x) recibe el nombre
Para especificar las probabilidades de una de función de densidad de
variable aleatoria continua calculamos la probabilidad de la variable
probabilidad de que el resultado esté dentro aleatoria continua x.

de un rango dado de su dominio.

La curva es la función de
Para encontrar la probabilidad de que la densidad de probabilidad
variable aleatoria x esté entre dos valores x1 y y el área en color es la
x2 usamos una función p(x ) tal que probabilidad que la
variable aleatoria esté
entre x1 y x2.

97 98

97 98

Distribuciones de Variables Aleatorias Continuas Distribuciones de Variables Aleatorias Continuas

Así como la suma de probabilidades sobre el

dominio completo de una variable discreta debe
ser igual a uno, el área bajo la curva de la función
de densidad de probabilidad dentro de su rango
completo de posibles valores para x debe ser
igual a la unidad.
Por ejemplo, si el dominio va desde −∞ hasta ∞,
entonces
Como con las variables discretas, el valor de la
función p(x) debe ser positivo sobre su entero
dominio.
En contraste con las variable discretas, evaluación
de la función de densidad de probabilidad para un
valor particular x0 solo produce p(x = x0) = 0 (ya
que esta probabilidad es nula).

99 100

99 100

25
 Distribuciones de Variables Aleatorias Continuas
La diferencia radica en que las probabilidades de las
variables continuas se definen en términos de
rangos de valores en vez de un simple valor.
De esta manera, la integración de la función de
densidad de probabilidad , p(x), sobre un rango de
valores se usa para calcular dichas probabilidades.
Esto hace que las distribuciones de probabilidad
sean un poco más complicadas para las variables
continuas que para las variables discretas.
101
Distribuciones Normales
(Gaussianas) de Probability
La distribución de probabilidad más común
en las ciencias es la distribución Gaussiana.
En muchísimas situaciones, se asume que
las variable aleatorias continuas siguen esta
distribución; de hecho, es tan común que
uno se refiere a ella simplemente como la
distribución “normal” de probabilidad.
102

101 102

La Distribución Normal La Distribución Normal

UNO ASUME QUE DETERMINACIONES REPETIDAS DE UN ANALITO HAY MUCHOS FENOMENOS NATURALES QUE PARECEN
SIGUEN UNA DISTRIBUCION NORMAL COMPARTIR ESTA MISMA DISTRIBUCION

LA ASUNCION NO ES DEL TODO GRATUITA:

POR EJEMPLO, LA ESTATURA DE
❖ ESTUDIOS MATEMATICOS DE LA DISTRIBUCION NORMAL (AL HOMBRES ADULTOS EN
MENOS POR 300 AÑOS) HAN MOSTRADO QUE EN SITUACIONES EN INGLATERRA EXHIBE UNA
LAS QUE MUCHOS PEQUEÑOS ERRORES AFECTAN CADA DISTRIBUCION NORMAL CON

MEDICION, EL ERROR TOTAL EN EL RESULTADO SIGUE SIEMPRE MEDIA DE 69 PULG Y DESVIACION

STANDARD DE 3 PULG, MIENTRAS
UNA DISTRIBUCION NORMAL
QUE LAS MUJERES ADULTAS
❖ MUCHOS CIENTIFICOS HAN ENCONTRADO UN GRAN NUMERO DE
MUESTRAN UNA DISTRIBUCION
SITUACIONES EN LAS QUE MEDICIONES REPETIDAS SIGUEN UNA SIMILAR CON MEDIA DE 63 PULG
DISTRIBUCION NORMAL

103 104

103 104

26
 La Distribución Normal Distribuciones Normales (Gaussianas) de Probabilidad

MUCHAS OTRAS CARACTERISTICAS FISICAS DE SERES VIVOS

La función de densidad de probabilidad para esta
TIENEN UNA DISTRIBUCION SIMETRICA EN FORMA DE
distribución está dada por la siguiente ecuación:
CAMPANA

POR EJEMPLO, LA INTELIGENCIA

MEDIDA EN TERMINOS DEL IQ
TAMBIEN MUESTRA UNA
DISTRIBUCION NORMAL PARA
HOMBRES Y MUJERES BRITANICOS La expresión N(x : μ,σ) significa que x es una
ADULTOS: LA MISMA MEDIA PERO
variable normalmente distribuida con media μ y
DIFERENTE DESVIACION
STANDARD
desviación standard σ.

105 106

105 106

Distribuciones Normales (Gaussianas) de Probabilidad

Distribuciones Normales (Gaussianas) de Probability

Ejemplo

Johnny Driver es un conductor cuidadoso; en una carretera

Gráfico de una función de densidad de probabilidad Gaussiana
(“normal”) con μx = 50 y σx = 10. Note que es una distribución
simétrica con la bien conocida “curva en forma de campana” .
Note también que la mayor parte del área bajo la curva se
encuentra dentro de 3σ´s de la media. 107
con velocidad máxima de 65 mph, él trata de mantener una
velocidad constante de 60 mph. Sin embargo, la velocidad de
su carro puede fluctuar durante momentos de distracción.
Asumiendo que la velocidad del carro sigue una distribución
normal con una media μx = 60 mph y una desviación
standard σx = 3 mph, cual es la probabilidad que Johnny
exceda el limite de velocidad en un momento dado?
108

107 108

27
 Distribuciones Normales (Gaussianas) de Probabilidad
Diagrama de distribución de la variable aleatoria del ejemplo de
Johnny Driver. El área bajo la curva es la cantidad que queremos
determinar: P(x > 65) = 0.0478
109
109
La Distribución Normal Standard
TODAS LAS DISTRIBUCIONES NORMALES POSEEN
CIERTAS CARACTERISTICAS COMUNES Y UNO PUEDE
SACAR CONCLUSIONES APLICABLES A TODAS LAS
VARIABLES QUE TENGAN UNA DISTRIBUCION
NORMAL, INDEPENDIENTEMENTE DE LA MEDIA O LA
DESVIACION STANDARD
111
111
Distribuciones Normales (Gaussianas) de Probabilidad
Solución
La velocidad del carro es una variable aleatoria normal-
mente distribuidad con μx = 60 mph y σx = 3 mph.
Necesitamos calcular la probabilidad que x sea mayor que
65 mph, que es el área sombreada bajo la curva en la figura:
Cuando se evalua la integral, se obtiene un resultado de
0.0478. O sea que, existe una probabilidad de 4.78% de que
Johnny esté violando la norma de velocidad.
110
110
La Distribución Normal Standard
Cuando se calculan probabilidades de
variables continuas, se requiere evaluar
integrales, lo cual puede resultar tedioso y
consumidor de tiempo (un programa de
computador sería una gran ayuda).
Aunque sería conveniente tener tablas con
valores de integración, la distribución normal
no es una sola sino una familia de
distribuciones que resulta de cambiar μx y/o σx
112
112
28

La Distribución Normal Standard
Un caso especial de la distribución normal occure
cuando la media es cero (μx = 0) y la varianza es
la unidad (σx2 = σx = 1); esta particular
distribución normal de probabilidad se le conoce
como la distribución normal standard, N(z).
Una ecuación
más compacta
113
113
La Distribución Normal Standard
Esta transformación se lleva a cabo con
la “transformación-z”, usualmente
conocida como estandarización.
Para una variable x , definimos z como
𝑥 − 𝜇𝑥
𝑧=
𝜎𝑥
El valor z es el valor estandarizado de x
Un simple cambio de variable , pues…
115
115
La Distribución Normal Standard
La distribución normal standard es
importante porque existen tablas de
integración de esta función que se pueden
usar para calcular valores de probabilidad
para variables normalmente distribuidas.
Para poder usar estas tablas, solo es
necesario transformar la variable normal x ,
con valores arbitrarios de μ y σ 2, en variable
normal standard z .
114
114
La Distribución Normal Standard
El “valor zeta” o “valor standard“
representa el número de desviaciones
standard que un dato x se aparta de la
media.
𝑥 − 𝜇𝑥
𝑧=
𝜎𝑥
Acostúmbrese a este lenguaje!
116
116
29
 La Distribución Normal Standard La Distribución Normal Standard
Podemos tomar cualquier Distribución El valor z de una variable x es su desviación
Normal y convertirla en Distribución respecto de la media μx en unidades
Normal Standard deviaciones standard σx

Ejmmplo:
Un experimento está descrito mediante una
distribución normal con μx = 25.0 y σx = 2.0.
Una medición produce x0 = 26.4; cual es el z-
score de esta medición?
Este proceso de cambio de variable es lo
que se llama “estandarizar"
117 118

117 118

La Distribución Normal Standard

Enfaticemos que
De la ecuación PARA CUALQUIER DISTRIBUCION NORMAL UNO PUEDE USAR LA
TABLA DE DISTRIBUCION NORMAL STANDARD PARA LO CUAL UNO
PRIMERO CONVIERTE EL VALOR (ESTATURA, IQ, CONCENTRACION,
ETC.) EN UN VALOR ESTANDARIZADO

𝑥 − 𝜇𝑥
Esto significa que la medición está a +0.7σ de 𝑧=
la media. 𝜎𝑥
Cero punto siete
sigmas de la media VALOR
ESTANDARIZADO
(ADIMENSIONAL)

119 120

119 120

30
 Cuando use la La Distribución Normal Standard
DISTRIBUCION NORMAL STANDARD
El proceso de estandarización de una variable
aleatoria x produce otra variable z ; si x es
𝑥 − 𝜇𝑥 normalmente distribuida con media μx y desviación
𝑧= standard σx , entonces z también es normalmente
𝜎𝑥 distribuida con μ = 0 y σ = 1.
Esto ilustra un concepto muy importante: Base de la
JAMAS SE OLVIDE QUE z ES UN NUMERO QUE cualquier valor calculado usando una o más propagación
del error
NOS DICE A CUANTAS DESVIACIONES variables aleatorias también es una variable aleatorio

STANDARDS EL VALOR DE LA MEDICION ESTA aleatoria.

DE LA MEDIA
O sea, la estandarización no le quita a x su
innata “aleatoriedad.”
121 122

121 122

TABLA DE DISTRIBUCION NORMAL STANDARD

La Distribución Normal Standard x− Es una distribución normal con media 0 y desviación standard 1
z=

Puesto que no hay tablas con valores de
integración para variables x normalmente
distribuidas con cualesquier media y desviación
standard, aplicamos la transformación z y
Puesto que la curva es simétrica, se
usamos las tablas de integración de la usa la misma tabla para valores de z
distribución normal standard que sí existen. que van en cualquier dirección
Values in the
table indicate
the shaded area
in figure, which
gives P (z>z0),
where z0 is the
"z-score."

123 124

123 124

31
 La Distribución Normal Standard
Las tablas de la distribución normal standard provee
probabilidades acumulativas que corresponden a las
áreas de una de las “colas” (generalmente la derecha)
bajo la función de densidad.
El área de la ‘cola izquierda’ está dada por
mientras que para la ‘cola derecha’
125
125
La Distribución Normal Standard
P(x > x0) =?
Antes de usar la tabla de distribucion normal standard
estandarizamos la variable x . La probabilidad no se altera
con el cambio de variable, es decir
P(x > x0) = P(z > z0)
donde z es la variable aleatoria de la distribución
normal standard y z0 es el valor z en consideración:
5/3
127
127
La Distribución Normal Standard
Ejemplo
En el ejemplo anterior determinamos la probabilidad de
que el carro de Johnny excediera el límite de velocidad
(65 mph); la media y la desviación standard eran 60 mph
y 3 mph, respectivamente.
Resolvamos el mismo problema usando las tablas de z.
El problema puede replantearse como sigue: determine
la probabilidad
P(x > x0) =?
donde x es una variable normalmente distribuida con
μx = 60 mph, σx = 3 mph y x0 = 65 mph.
126
126
La Distribución Normal Standard
Ahora sí podemos usar la tabla de valores de z para
encontrar el área de la `cola derecha` de la distribución
estandarizada.
De la tabla z deducimos que
P(x > 65) = P(z > 1.67) = 0.0475
Esta respuesta es una aproximación razonable al valor
que resultó de evaluar la integral, 0.0478 (ver arriba). La
pequeña diferencia viene del hecho que 5/3 no es
exactamente igual a 1.67.
128
128
32
 Observaciones Importantes sobre la
Distribución Normal Standard Cálculo de áreas de la cola izquierda:
La mayoría de las tablas de z solamente proveen la P(z < −z0) 𝑥 − 𝜇𝑥
𝑧= Z < 0 porque x0 < x
mitad de la información. Esto se debe a que la 𝜎𝑥
distribución normal es simétrica y no es necesario Puesto que z es negativo en el lado izquierdo:
incluir las áreas de las colas de ambos lados
(izquierdo y derecho que corresponden a valores P(z < –z0) = P(z < z0)
de z negativos y positivos, respectivamente). La
tabla z utilizada en este curso solamente muestra
los valores positivos (cola derecha).

Es conveniente considerar algunas situaciones

particulares que se presentan cuando se usan Tenniendo en cuenta esta relación, uno puede calcular
áreas del lado izquierdo a partir de las áreas del lado
tablas con areas de la cola derecha solamente.
129
derecho. 130

129 130

Cálculo con probabilidades >0.5: Cálculo de probabilidades ‘en la mitad’ :

P(z > −z0)
Esta situación es equivalente a calcular areas al
lado derecho de valores negativos de z.
Podemos usar la siguiente ecuación:
P(z > –z0) = 1 – P(z > z0)
P(z1 < z < z2)
En lugar de áreas de “colas” (i.e., P(z > z0) or
P(z < −z0)), necesitamos calcular el área bajo
la curva entre dos valores de z.
Una expresion útil para esta situación es
P(z1 < z < z2) = P(z > z1) – P(z > z2)

También: P(z1 < z < z2) = 1 – P(z > z2) – P(z < z1)
131 132

131 132

33
 Uso de las “colas“ de una distribucion normal Uso de las “colas“ de
una distribucion normal en el lab
Ejemplo
Una máquina dispensadora de bebidas de soda se regula de tal En el laboratorio analítico también hay
manera que dispensa un volumen promedio de 200 mL por
vaso. Si el volumen de la bebida dispensada está normalmente
situaciones en las que es importante
distribuido con una desviación standard de 15 mL, determinar la frecuencia con la cual ciertos
resultados extremos podrían ocurrir en
a. qué fracción de los vasos contendrá uno de los lados de la curva normal.
más de 224 mL de la bebida?
b. cual es la probabilidad que un vaso de
175 mL se rebose? Típicamente, el analista debe asegurarse que no mas
c. cual es la probabilidad que un vaso que un pequeño porcentaje de las muestras sea mayor
contenga entre 191 y 209 mL?
d. Debajo de qué volumen estará el 25% o menor que algun valor limite predeterminado
las bebidas dispensadas?
133 134

133 134

Uso de las “colas“ de una distribucion normal en el lab Uso de las “colas“ de una distribucion normal en el lab

Consideremos las determinaciones de la concentración (ppm) de ión Recuerde que para usar la tabla de distribución
nitrato en una muestra de agua
Media= 0.500 ppm
normal standard, debemos primero
Desv. std. = 0.0165 ppm
estandarizar el valor (0.53) en el que estamos
Supongamos que deseamos estimar el porcentaje de
interesados.
determinaciones que excede 0.53 ppm Esto se hace en términos de z, la desviación del
valor con respecto a la media, expresada en
unidades de desviación standard, es decir :

0.53 − 0.50
= = 1.818
0.0165
Que porcentaje de las determinaciones excede 0.53?
135 136

135 136

34
 Uso de las “colas“ de una distribucion normal en el lab Uso de las “colas“ de una distribucion normal en el lab

La tabla de distribucion normal estandar tambien puede

z = 1.818 usarse “en reversa”:
Recuerde que este valor de z nos dice que el valor Que valor es probable de ser excedido por el 10% de las
(0.53) esta 1.818 desviaciones standard por determinaciones mas altas?
encima de la media (0.50)

usando el valor de z y la tabla de distribución

normal standard, vemos que aproximadamente
3.44% de las determinaciones exceden 0.53 ppm

QUE VALOR ES EXCEDIDO POR EL 10% DE LAS DETERMINACIONES?

137 138

137 138

Uso de las “colas“ de una distribucion normal en el lab EJERCICIO DE TALLER

El octanaje de la gasolina se puede incrementar mediante la

Localizando el 10% (0.10) en la columna de la derecha
adición de tetraetilo de plomo (TEL, tetraethyllead), pero el
de la tabla de distribucion normal estandar, obtenemos
limite máximo de TEL permitido es 0.50 g/gal. Si máximo el
un valor, z, de 1.28, del cual se puede obtener el valor
0.5% de las muestras de gasolina pueden exceder este limite y
desconocido:
la desviación standard del contenido de TEL en la compañía A

es sA = 0.05 g/gal, cual es la concentración media que esta

compañía puede usar en su gasolina?

xlim = 0.50 + 1.282 0.0165 = 0.52

La compañía B mantiene un control mas estricto en sus
procedimientos, de tal manera que sB = 0.01 g/gal.
Concluimos que el 10% mas alto de las
Cuanto TEL puede añadir en promedio esta compañía?
determinaciones excede 0.52 ppm

139 140

139 140

35
 OTRO EJERCICIO DE TALLER

SU PRIMER TRABAJO EN PERFUMELLO S.A. ES DETERMINAR

EL LLENADO APROPIADO PARA LAS BOTELLAS DE PERFUME.
NATURALMENTE, LA COMPAÑÍA DESEA MANTENER BUENAS
GANANCIAS USANDO TAN POCO PERFUME COMO SEA
POSIBLE, PERO LA REGULACIÓN GUBERNAMENTAL DEL
INVIMA ESTABLECE QUE MÁXIMO 2.5% DE LAS BOTELLAS
PUEDEN CONTENER MENOS DE SU VOLUMEN NOMINAL (EL
VOLUMEN DE PERFUME QUE LA ETIQUETA DE LA BOTELLA
DICE CONTENER). SI ESTE VOLUMEN NOMINAL ES DE 100
mL, CUAL ES EL VOLUMEN MÍNIMO QUE USTED DEBERÍA
USAR PARA EL LLENADO DE LAS BOTELLAS DE PERFUME SI
LA INCERTIDUMBRE EN ESTA OPERACIÓN ES DE 1.6 mL?

141 142

141 142

36