---------------

Libro PDF Estadistica Para Ingenieros Y Cientificos – William Navidi

 Estadistica Para Ingenieros Y Cientificos - William Navidi

Descargar Libro PDF Estadistica Para Ingenieros Y Cientificos – William Navidi 


encontraron
muchos errores y me hicieron sugerencias muy valiosas. En particular, Barbara
Moskal y Gus Greivel enseñaron varias veces con el manuscrito en evolución, lo que fue de
ayuda y apoyo durante todo el tiempo; asimismo, Melissa Laeser encontró muchos conjuntos
de datos interesantes en fuentes publicadas. Mike Colagrosso, de la Escuela de Minas de Colorado,
desarrolló algunos applets excelentes, así como Chris Boisclair y el equipo en sistemas
de enlace. Jessica Kohlschmidt, de la Universidad Estatal de Ohio, desarrolló diapositivas
en PowerPoint para complementar el texto y Jackie Miller, también de la Universidad Estatal
de Ohio, encontró muchos errores en todo el manuscrito e hizo valiosas sugerencias para mejorarlo.
El personal de McGraw-Hill fue muy capaz y de gran apoyo. La gerente del proyecto,
Peggy Selle, siempre fue paciente y cooperadora. La correctora del manuscrito, Lucy Mullins,
también merece mi agradecimiento. La orientación de los editores de desarrollo, Maja Lorkovich,
Kate Scheinman, Lisa Kalner-Williams y Debra Matteson, mejoraron considerablemente
el producto final. Aprecio profundamente la paciencia y la fe de mi editora-patrocinadora,
Suzanne Jeans, y de la editora, Betsy Jones, quienes finalmente lograron que se realizara este
proyecto.
William Navidi
xix
Este texto refleja las contribuciones generosas de más de un centenar de profesores de estadística
y de sus estudiantes, quienes, a través de numerosas evaluaciones, encuestas y pruebas
en clase, nos ayudaron a comprender cómo cubrir sus necesidades y cómo mejorar cuando
no lo lográbamos. Las ideas de estos profesores y sus estudiantes están inmersas en todo el
libro, desde su contenido y organización hasta sus complementos.
El autor y el equipo del área de ingeniería de McGraw-Hill estamos agradecidos con
aquéllos por sus atentos comentarios y contribuciones durante el desarrollo del texto, de sus
complementos y de los recursos multimedia.
RECONOCIMIENTOS
A REVISORES
Y COLABORADORES
Sabri Abou-Ward
University of Toronto, Canada
Jeff Arthur
Oregon State University
Georgiana Baker
University of South Carolina
Barb Barnet
University of Wisconsin, Platteville
Samantha Bates
Virginia Polytechnic Institute
Beno Benhabib
University of Toronto, Canada
L. Bernaards
University of California, Los Angeles
Mary Besterfield-Saore
University of Pittsburgh
J. D. Bhattacharyya
Iowa State University
Amy Biesterfeld
University of Colorado, Boulder
Rick Bilonick
Carnegie Mellon University
Peter Bloomfield
North Carolina State University
Saul Blumenthal
Ohio State University
Robert J. Boik
Montana State University
Tamara Bowcutt
California State University at Chico
Donald Boyd
Montana State University
Raymond Brown
Drexel University
Ronald B. Bucinell
Union College
Karen M. Bursic
University of Pittsburgh
John Butler
California Polytechnic State University,
San Luis Obispo
M. Jaya Chandra
Pennsylvania State University
Huann-Shen Chen
Michigan Technological University
xx Reconocimientos a revisores y colaboradores
Nicolas Christou
University of California, Los Angeles
Dave Clark
Kettering University
Peyton Cook
University of Tulsa
William Cooper
University of Minnesota
Casey Cremins
University of Maryland
Dan Dalthorp
Cornell University
Valentin Deaconu
University of Nevada, Reno
Darinka Dentcheva
Stevens Institute of Technology
Art Diaz
San Jose State University
Don Edwards
University of Toronto, Canada
Judith Ekstrand
San Francisco State University
Timothy C. Elston
North Carolina State University
Randy Eubank
Texas A&M University
Thomas Z. Fahidy
University of Waterloo, Canada
Nasser Fard
Northeastern University
Steve From
University of Nebraska at Omaha
Gary Gadbury
University of Missouri, Rolla
Pierre Gharghouri
Ryerson University, Canada
Sampson Gholston
University of Alabama
Robert Gilbert
The University of Texas at Austin
Dave Goldsman
Georgia Institute of Technology
Pierre Goovaerts
University of Michigan
Canan Bilen Green
North Dakota State University
Trevor Hale
Ohio University
Jim Handley
Montana Tech of the
University of Montana
James Higgins
Kansas State University
David Hoeppener
University of Utah
Carol O’Connor Holloman
University of Louisville
Joseph Horowitz
University of Massachusetts, Amherst
Wei-Min Huang
Lehigh University
Norma Hubele
Arizona State University
Floyd Hummel
Pennsylvania State University
Wafik Iskander
West Virginia University
Roger Johnson
South Dakota School of Mines
and Technology
Scott Jordan
Arkansas Tech University
Kailash Kapur
University of Washington
David Kender
Wright State University
Kim Wee Kong
Multimedia University, Malaysia
Ravindra Khattree
Oakland University
Reconocimientos a revisores y colaboradores xxi
Vadim Khayms
Stanford University
Claire Komives
San Jose State University
Thomas Koon
Binghamton University
Milo Koretsky
Oregon State University
Roger Korus
University of Idaho
Tomasz Kozubowski
University of Nevada, Reno
Gary Kretchik
University of Alaska, Anchorage
Hillel Kumin
University of Oklahoma
Samuel Labi
Purdue University
Robert Lacher
South Dakota State University
John Lawson
Brigham Young University
Stephen Lee
University of Idaho
Marvin Lentner
Virgina Polytechnic Institute
Liza Levina
University of Michigan
Quingchong John Liu
Oakland University
Graham Lord
Princeton University
Arthur Lubin
Illinois Institute of Technology
Zhen Luo
Pennsylvania State University
James Lynch
University of South Carolina
Peter MacDonald
McMaster University, Canada
James Maneval
Bucknell University
Munir Mahmood
Rochester Institute of Technology
Glen Marotz
University of Kansas
Timothy Matis
New Mexico State University
Laura McSweeney
Fairfield University
Megan Meece
University of Florida
Vivien Miller
Mississippi State University
Bradley Mingels
University of Massachusetts, Lowell
Satya Mishra
University of South Alabama
N. N. Murulidhar
National Institute of Technology, India
Steve Ng Hoi-Kow
Hong Kong Institute of Vocational
Education, Hong Kong
Zulkifli Mohd Nopiah
Universiti Kebangsaan Malaysia, Malaysia
Bob O’Donnell
Oregon State University
Nancy Olmstead
Milwaukee School of Engineering
K. P. Patil
Veermeeta Jijabai Technological
Institute, India
Arunkumar Pennathur
University of Texas at El Paso
Joseph Petrucelli
Worcester Polytechnic University
Elizabeth Podlaha
Louisiana State University
Michael Pore
The University of Texas at Austin
xxii Reconocimientos a revisores y colaboradores
Jeffrey Proehl
Dartmouth College
Jorge Prozzi
The University of Texas at Austin
D. Ramachandran
California State University at Sacramento
Amelia Regan
University of California, Irvine
Larry Ringer
Texas A&M University
Iris V. Rivero
Texas Tech University
Timothy Robinson
University of Wyoming
Derrick Rollins
Iowa State University
Andrew Ross
Lehigh University
Manual Rossetti
University of Arkansas
V. A. Samaranayake
University of Missouri, Rolla
Doug Schmucker
Valaparaiso University
David Schrady
Naval Postgraduate School
Neil Schwertman
California State University, Chico
Nong Shang
Rensselaer Polytechnic Institute
Galit Shmueli
Carnegie Mellon University
Ruey-Lin Sheu
National Cheng Kung University, Taiwan
Tony Smith
University of Pennsylvania
Jery Stedinger
Cornell University
Frank E. Stratton
San Diego State University
John Ting
University of Massachusetts, Lowell
Gilberto Urroz
Utah State University
Margot Vigeant
Bucknell University
Joseph G. Voelkel
Rochester Institute of Technology
Natascha Vukasinovic
Utah State University
Amy Wagler
Oklahoma State University
Tse-Wei Wang
University of Tennessee, Knoxville
Bill Warde
Oklahoma State University
Simon Washington
University of Arizona
Daniel Weiner
Boston University
Alison Weir
University of Toronto at
Mississauga, Canada
Bruce Westermo
San Diego State University
Grant Willson
The University of Texas at Austin
Jae Yoon
Old Dominion University
Ali Zargar
San Jose State University
Resumen del contenido
Este libro permite cubrir el material de una forma
flexible ya que hay muchas maneras de diseñar un
curso exitoso de introducción a la estadística.
• Cobertura flexible de probabilidad
dirigida a las diferentes necesidades de los cursos.
Permite el enfoque matemático riguroso,
los principales resultados son deducidos de
axiomas al proporcionar demostraciones en la
mayoría de ellos. Por otra parte, cada resultado
se muestra con uno o dos ejemplos para motivar
intuitivamente la comprensión. Los profesores
que prefieran un enfoque más informal
pueden, por tanto, dedicarse a los ejemplos en
lugar de las demostraciones y omitir las secciones
opcionales.
• Cobertura extensa de propagación del error,
algunas veces se llama “análisis de errores” o
“el método delta”, se trata en un capítulo exclusivo
del tema. La cobertura es más minuciosa
que en la mayoría de los textos. El formato es
flexible con el propósito de que la cantidad del
material se adapte a las necesidades del curso.
• Una sólida introducción a los métodos de
simulación y a la estimación bootstrap
se presenta en las secciones finales de los
capítulos 4, 5 y 6.
• Cobertura extensa de los procedimientos
de diagnóstico del modelo lineal
en el capítulo 7, se incluye una gran sección de
la comprobación de supuestos del modelo y de
la transformación de variables. El capítulo enfatiza
que los modelos lineales sólo son apropiados
cuando la relación entre las variables es lineal.
Este punto es el más importante, ya que
con frecuencia se ignora en la práctica de ingenieros
y científicos (sin mencionar a los estadísticos).
Características clave
Capítulo 1
Muestreo y estadística descriptiva 1
Capítulo 2
Probabilidad 50
2.1 Ideas básicas 50
2.2 Métodos de conteo (opcional) 62
2.3 Probabilidad condicional e independencia 69
2.4 Variables aleatorias 88
2.5 Funciones lineales de variables aleatorias 111
2.6 Variables aleatorias con distribución conjunta (opcional) 120
Capítulo 3
Propagación de errores 157
3.1 Error de medición 157
3.2 Combinaciones lineales de las mediciones 163
3.3 Incertidumbres para funciones de una medición 173
3.4 Incertidumbres para funciones de varias mediciones 179
Capítulo 4
Distribuciones comúnmente usadas 192
4.11 Simulación 281
• Uso de la simulación para calcular una probabilidad
• Cálculo de medias y varianzas
• Usos de la simulación en análisis de confiabilidad
• Uso de la simulación para calcular sesgamiento
• La estimación autosuficiente
Capítulo 5
Intervalos de confianza 300
5.8 Uso de simulación para construir intervalos de confianza 351
• Intervalos de confianza usando estimación bootstrap
• Uso de simulación para evaluar intervalos de confianza
Capítulo 6
Pruebas de hipótesis 368
6.15 Uso de la simulación para realizar pruebas de hipótesis 462
• Pruebas de hipótesis con intervalos de confianza de estimación bootstrap
• Pruebas aleatorias
• Uso de simulación para calcular la potencia
Capítulo 7
Correlación y regresión lineal simple 475
7.4 Comprobación de supuestos y transformación de datos 527
• La gráfica de los residuos contra valores ajustados
• Transformación de variables
• Determinación de la transformación que se aplicará
• Las transformaciones no siempre funcionan
• Las gráficas de los residuales con sólo pocos puntos pueden ser difíciles de interpretar
• Puntos atípicos e influyentes
• Otros métodos para transformar variables
• Pruebas de independencia y normalidad
• Modelos empíricos y leyes físicas
Capítulo 8
Regresión múltiple 556
Capítulo 9
Experimentos factoriales 623
Capítulo 10
Control estadístico de calidad 723
El artículo “Virgin Versus Recycled Wafers for Furnace Qualification: Is the Expense
Justified?” (V. Czitrom y J. Reece, en Statistical Case Studies for Industrial Process Improvement,
ASA y SIAM, 1997:87-104) describe un proceso para el crecimiento de una capa delgada
de dióxido de silicio sobre placas de silicio que se usan en la fabricación de semiconductores.
La tabla 1.6 presenta las mediciones del espesor, en angstroms (Å), de la capa de
óxido para 24 placas. Se hicieron nueve mediciones en cada placa. Las placas se fabricaron
en dos corridas distintas, con 12 placas por cada corrida.
TABLA 1.6 Espesor de las capas de óxido de silicio en placas de silicio
Las 12 placas en cada corrida eran de varios tipos y se procesaron en diferentes posiciones
en el horno. El propósito en la recopilación de datos fue determinar si el espesor de la
capa de óxido se afectaba ya sea por el tipo de placa o por la posición en el horno. Por tanto,
éste fue un experimento factorial, con los factores, tipo de placa y posición en el horno y como
resultado el espesor de la capa de óxido. El experimento se diseñó de tal manera que no
se supuso ninguna diferencia sistemática entre las capas de una corrida a otra. El primer paso
en el análisis fue construir un diagrama de caja para los datos de cada corrida con el propósito
de ayudar a determinar si esta condición se satisfacía realmente y si ninguna de las
observaciones se debía eliminar. Los resultados se presentan en la figura 1.17.
Placa Espesor (A° )
Corrida 1 1 90.0 92.2 94.9 92.7 91.6 88.2 82.0 98.2 96.0
2 91.8 94.5 93.9 77.3 92.0 89.9 87.9 92.8 93.3
3 90.3 91.1 93.3 93.5 87.2 88.1 90.1 91.9 94.5
4 92.6 90.3 92.8 91.6 92.7 91.7 89.3 95.5 93.6
5 91.1 89.8 91.5 91.5 90.6 93.1 88.9 92.5 92.4
6 76.1 90.2 96.8 84.6 93.3 95.7 90.9 100.3 95.2
7 92.4 91.7 91.6 91.1 88.0 92.4 88.7 92.9 92.6
8 91.3 90.1 95.4 89.6 90.7 95.8 91.7 97.9 95.7
9 96.7 93.7 93.9 87.9 90.4 92.0 90.5 95.2 94.3
10 92.0 94.6 93.7 94.0 89.3 90.1 91.3 92.7 94.5
11 94.1 91.5 95.3 92.8 93.4 92.2 89.4 94.5 95.4
12 91.7 97.4 95.1 96.7 77.5 91.4 90.5 95.2 93.1
Corrida 2 1 93.0 99.9 93.6 89.0 93.6 90.9 89.8 92.4 93.0
2 91.4 90.6 92.2 91.9 92.4 87.6 88.9 90.9 92.8
3 91.9 91.8 92.8 96.4 93.8 86.5 92.7 90.9 92.8
4 90.6 91.3 94.9 88.3 87.9 92.2 90.7 91.3 93.6
5 93.1 91.8 94.6 88.9 90.0 97.9 92.1 91.6 98.4
6 90.8 91.5 91.5 91.5 94.0 91.0 92.1 91.8 94.0
7 88.0 91.8 90.5 90.4 90.3 91.5 89.4 93.2 93.9
8 88.3 96.0 92.8 93.7 89.6 89.6 90.2 95.3 93.0
9 94.2 92.2 95.8 92.5 91.0 91.4 92.8 93.6 91.0
10 101.5 103.1 103.2 103.5 96.1 102.5 102.0 106.7 105.4
11 92.8 90.8 92.2 91.7 89.0 88.5 87.5 93.8 91.4
12 92.1 93.4 94.0 94.7 90.8 92.1 91.2 92.3 91.1
Conjuntos de datos
del mundo real
Con un enfoque fresco del tema, el autor usa datos
del mundo real actuales para motivar a los
estudiantes mostrando una conexión con la industria
y la investigación.
Características clave
TABLA SE22 Datos para el ejercicio 22
Con los datos de la tabla SE22 construya un modelo lineal para pronosticar la duración y a partir de alguna o de todas las
variables m, d, s1 y s2. Asegúrese de considerar las transformaciones de las variables, así como las potencias de y las interacciones
entre las variables independientes. Describa sus pasos para construir su modelo. Realice una gráfica de residuos contra
valores ajustados para comprobar que su modelo satisface los supuestos necesarios. Además, observe que los datos se presentan
en orden cronológico, al leer hacia abajo en las columnas. Realice una gráfica para determinar si se debe incluir al tiempo
como una variable independiente.
y m d s1 s2 y m d s1 s2 y m d s1 s2
8.82 6.4 30 1 0 4.31 5.3 6 0 0 5.74 5.6 15 0 0
4.08 5.2 7 0 0 28.27 6.6 31 1 0 5.13 6.9 128 1 0
15.90 6.9 105 1 0 17.94 6.9 33 0 0 3.20 5.1 13 0 0
6.04 5.8 15 0 0 3.60 5.4 6 0 0 7.29 5.2 19 1 0
0.15 4.9 16 1 0 7.98 5.3 12 1 0 0.02 6.2 68 1 0
5.06 6.2 75 1 0 16.23 6.2 13 0 0 7.03 5.4 10 0 0
0.01 6.6 119 0 1 3.67 6.6 85 1 0 2.17 5.1 45 0 1
4.13 5.1 10 1 0 6.44 5.2 21 0 0 4.27 5.2 18 1 0
0.02 5.3 22 0 1 10.45 5.3 11 0 1 2.25 4.8 14 0 1
2.14 4.5 12 0 1 8.32 5.5 22 1 0 3.10 5.5 15 0 0
4.41 5.2 17 0 0 5.43 5.2 49 0 1 6.18 5.2 13 0 0
17.19 5.9 9 0 0 4.78 5.5 1 0 0 4.56 5.5 1 0 0
5.14 5.5 10 1 0 2.82 5.5 20 0 1 0.94 5.0 6 0 1
0.05 4.9 14 1 0 3.51 5.7 22 0 0 2.85 4.6 21 1 0
20.00 5.8 16 1 0 13.92 5.8 34 1 0 4.21 4.7 20 1 0
12.04 6.1 31 0 0 3.96 6.1 44 0 0 1.93 5.7 39 1 0
0.87 5.0 65 1 0 6.91 5.4 16 0 0 1.56 5.0 44 1 0
0.62 4.8 11 1 0 5.63 5.3 6 1 0 5.03 5.1 2 1 0
8.10 5.4 12 1 0 0.10 5.2 21 1 0 0.51 4.9 14 1 0
1.30 5.8 34 1 0 5.10 4.8 16 1 0 13.14 5.6 5 1 0
11.92 5.6 5 0 0 16.52 5.5 15 1 0 8.16 5.5 12 1 0
3.93 5.7 65 1 0 19.84 5.7 50 1 0 10.04 5.1 28 1 0
2.00 5.4 27 0 1 1.65 5.4 27 1 0 0.79 5.4 35 0 0
0.43 5.4 31 0 1 1.75 5.4 30 0 1 0.02 5.4 32 1 0
14.22 6.5 20 0 1 6.37 6.5 90 1 0 0.10 6.5 61 0 1
0.06 6.5 72 0 1 2.78 4.9 8 0 0 5.43 5.2 9 0 0
1.48 5.2 27 0 0 2.14 5.2 22 0 0 0.81 4.6 9 0 0
3.27 5.1 12 0 0 0.92 5.2 29 0 0 0.73 5.2 22 0 0
6.36 5.2 14 0 0 3.18 4.8 15 0 0 11.18 5.0 8 0 0
0.18 5.0 19 0 0 1.20 5.0 19 0 0 2.54 4.5 6 0 0
0.31 4.5 12 0 0 4.37 4.7 5 0 0 1.55 4.7 13 0 1
1.90 4.7 12 0 0 1.02 5.0 14 0 0 0.01 4.5 17 0 0
0.29 4.7 5 1 0 0.71 4.8 4 1 0 0.21 4.8 5 0 1
6.26 6.3 9 1 0 4.27 6.3 9 0 1 0.04 4.5 3 1 0
3.44 5.4 4 1 0 3.25 5.4 4 0 1 0.01 4.5 1 1 0
2.32 5.4 5 1 0 0.90 4.7 4 1 0 1.19 4.7 3 1 0
1.49 5.0 4 1 0 0.37 5.0 4 0 1 2.66 5.4 1 1 0
2.85 5.4 1 0 1 21.07 6.4 78 0 1 7.47 6.4 104 0 0
0.01 6.4 86 0 1 0.04 6.4 105 0 1 30.45 6.6 51 1 0
9.34 6.6 116 0 1 15.30 6.6 82 0 1 12.78 6.6 65 1 0
10.47 6.6 117 0 0
22. El artículo “Seismic Hazard in Greece Based on Different Strong Ground Motion Parameters” (S. Koutrakis, G. Karakaisis y
cols., en Journal of Earthquake Engineering, 2002:75-109) presenta un estudio de episodios sísmicos en Grecia durante 1978-
1997. Es de interés la duración de los “fuertes movimientos de tierra”, que es el tiempo en que la aceleración de la tierra excede
un valor específico. En cada episodio las mediciones de la duración de temblores fuertes de tierra se hicieron en una o más
ubicaciones. La tabla SE22 de la página 618 presenta cada uno de 121 temblores medidos, los datos con el tiempo de duración
y (en segundos) durante los cuales la aceleración de la tierra excedió el doble de la aceleración de la gravedad. La magnitud m
del sismo, la distancia d (en km) de la medición desde el epicentro, y los dos indicadores del tipo de suelo s1 y s2, definidos de
la siguiente manera: s1  1 si el suelo consta de depósitos aluviales blandos, s1  0 de otra manera, y s2 1 si el suelo consta
de rocas terciarias o más viejas, s2  0 de otra manera. Los casos donde tanto s1  0 como s2 0 corresponden a condiciones
intermedias del suelo. El artículo presenta mediciones repetidas en algunas ubicaciones que no se incluyen aquí.
Resultados de
computadora
El libro contiene ejercicios y ejemplos
que requieren la interpretación
y la generación de resultados
por medio de computadora.
Características clave
7. En un estudio de la función pulmonar de niños, el volumen de aire exhalado por la fuerza en un segundo se llama FEV1. (FEV1
es el volumen de expiración forzada en un segundo.) Se hicieron mediciones en un grupo de niños cada año durante dos años.
Se ajustó a un modelo lineal para pronosticar los FEV1 de estos años como una función del FEV1 (en litros) del último año, el
sexo del niño (0  masculino, 1  femenino), la estatura del niño (en m), y la presión atmosférica ambiental (en mm). El siguiente
resultado de MINITAB presenta los resultados de ajuste del modelo
FEV1  β0  β1 Último FEV1  β2 Sexo  β3 Estatura  β4 Presión  ε
a) Pronostique el FEV1 para un niño con estatura de 1.4 m, si la medida se tomó a presión de 730 mm y la medición del último
año fue 2.113 L.
b) Si dos niñas difieren en estatura por 5 cm, ¿qué tanto esperaría que sus mediciones de FEV1 difieran; los otros conceptos
siguen igual?
c) Se estima que el término constante β0 es negativo, pero el FEV1 debe ser siempre positivo. ¿Algo está erróneo? Explique.
d) El responsable de este experimento quiere rediseñar el algoritmo que registra las mediciones electrónicamente con el fin de
ajustar la presión atmosférica automáticamente. Se fija un barómetro al dispositivo para registrar la presión. Utilice el resultado
anterior de MINITAB para determinar cómo calcular un valor FEV1 ajustado como función del valor FEV1 medido
y de la presión.
The regression equation is
FEV1 = –0.219 + 0.779 Last FEV – 0.108 Gender + 1.354 Height – 0.00134 Pressure
Predictor Coef SE Coef T P
Constant –0.21947 0.4503 –0.49 0.627
Last FEV 0.779 0.04909 15.87 0.000
Gender –0.10827 0.0352 –3.08 0.002
Height 1.3536 0.2880 4.70 0.000
Pressure –0.0013431 0.0004722 –2.84 0.005
S = 0.22039 R–Sq = 93.5% R–Sq(adj) = 93.3%
Analysis of Variance
Source DF SS MS F P
Regression 4 111.31 27.826 572.89 0.000
Residual Error 160 7.7716 0.048572
Total 164 119.08
12. El siguiente resultado MINITAB presenta los resultados de una prueba de hipótesis para una media poblacional m.
a) ¿Es ésta una prueba de una cola o de dos colas?
b) ¿Cuál es la hipótesis nula?
c) ¿Cuál es el P-valor?
d) Utilice el resultado y una tabla adecuada para calcular el P-valor para la prueba de H0: m  73.6 contra H1: m  73.6
e) Utilice el resultado y una tabla adecuada para calcular un intervalo de confianza de 99% para m.
One-Sample Z: X
Test of mu = 73.5 vs not = 73.5
The assumed standard deviation = 2.3634
Variable N Mean StDev SE Mean 95% CI Z P
X 145 73.2461 2.3634 0.1963 (72.8614, 73.6308) −1.29 0.196
CD-ROM con
recursos para los
estudiantes
Empaquetado gratis con cada libro nuevo,
este CD proporciona todos los conjuntos
de datos del texto, así como applets
basados en el contenido del texto para
reforzar un entendimiento visual de la
estadística.
• Todos los conjuntos de datos se
pueden descargar en diferentes formatos:
• ASCII delimitado con comas
• ASCII delimitado con tabuladores
• MINITAB
• Excel
• SAS
• SPSS
• TI-89
• Applets de Java, creados específicamente
para los cálculos de este curso,
proporcionan ejercicios interactivos
basados en el contenido del texto, lo
que permite a los estudiantes modificar
las variables y explorar escenarios
de “¿Qué sucede si?”. También se incluyen
en la suite de applet los
applets de simulación, que refuerzan
la excelente cobertura de texto de
los métodos de simulación. Los applets
permiten que los estudiantes vean los
ejemplos de simulación del texto en
acción y que modifiquen los parámetros
para una mayor exploración.
• Una guía a la simulación con MINITAB
preparada por el autor donde se
describe cómo se pueden implementar
en MINITAB los ejemplos de simulación
en el texto.
• Herramientas y recursos, que incluye
un vínculo al centro de aprendizaje
del libro, ofrece en línea recursos para
el profesor y el estudiante en
http://www.mhhe.com/navidi.
Complementos de aprendizaje
para los estudiantes
Materiales de apoyo
Esta obra cuenta con interesantes
complementos que fortalecen los procesos de
enseñanza-aprendizaje, así como la evaluación
de éstos. Mismos que se otorgan a profesores
que adopten este texto para sus cursos.
Para obtener más información y conocer la
política de entrega de estos materiales,
contacte a su representante de McGraw-Hill o
envíe un correo electrónico a
marketinghe@mcgraw-hill.com

TABLA A.2 Distribución normal acumulativa (tabla z)
z 0
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
–3.6 .0002 .0002 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001
–3.5 .0002 .0002 .0002 .0002 .0002 .0002 .0002 .0002 .0002 .0002
–3.4 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0002
–3.3 .0005 .0005 .0005 .0004 .0004 .0004 .0004 .0004 .0004 .0003
–3.2 .0007 .0007 .0006 .0006 .0006 .0006 .0006 .0005 .0005 .0005
–3.1 .0010 .0009 .0009 .0009 .0008 .0008 .0008 .0008 .0007 .0007
–3.0 .0013 .0013 .0013 .0012 .0012 .0011 .0011 .0011 .0010 .0010
–2.9 .0019 .0018 .0018 .0017 .0016 .0016 .0015 .0015 .0014 .0014
–2.8 .0026 .0025 .0024 .0023 .0023 .0022 .0021 .0021 .0020 .0019
–2.7 .0035 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026
–2.6 .0047 .0045 .0044 .0043 .0041 .0040 .0039 .0038 .0037 .0036
–2.5 .0062 .0060 .0059 .0057 .0055 .0054 .0052 .0051 .0049 .0048
–2.4 .0082 .0080 .0078 .0075 .0073 .0071 .0069 .0068 .0066 .0064
–2.3 .0107 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .0084
–2.2 .0139 .0136 .0132 .0129 .0125 .0122 .0119 .0116 .0113 .0110
–2.1 .0179 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .0143
–2.0 .0228 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .0183
–1.9 .0287 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0239 .0233
–1.8 .0359 .0351 .0344 .0336 .0329 .0322 .0314 .0307 .0301 .0294
–1.7 .0446 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .0367
–1.6 .0548 .0537 .0526 .0516 .0505 .0495 .0485 .0475 .0465 .0455
–1.5 .0668 .0655 .0643 .0630 .0618 .0606 .0594 .0582 .0571 .0559
–1.4 .0808 .0793 .0778 .0764 .0749 .0735 .0721 .0708 .0694 .0681
–1.3 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
–1.2 .1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
–1.1 .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170
–1.0 .1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379
–0.9 .1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611
–0.8 .2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867
–0.7 .2420 .2389 .2358 .2327 .2296 .2266 .2236 .2206 .2177 .2148
–0.6 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451
–0.5 .3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776
–0.4 .3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .3121
–0.3 .3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
–0.2 .4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859
–0.1 .4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247
–0.0 .5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641
TABLA A.3 Puntos porcentuales superiores para la distribución t de Student
a
0 t
A
v 0.40 0.25 0.10 0.05 0.025 0.01 0.005 0.001 0.0005
1 0.325 1.000 3.078 6.314 12.706 31.821 63.657 318.309 636.619
2 0.289 0.816 1.886 2.920 4.303 6.965 9.925 22.327 31.599
3 0.277 0.765 1.638 2.353 3.182 4.541 5.841 10.215 12.924
4 0.271 0.741 1.533 2.132 2.776 3.747 4.604 7.173 8.610
5 0.267 0.727 1.476 2.015 2.571 3.365 4.032 5.893 6.869
6 0.265 0.718 1.440 1.943 2.447 3.143 3.707 5.208 5.959
7 0.263 0.711 1.415 1.895 2.365 2.998 3.499 4.785 5.408
8 0.262 0.706 1.397 1.860 2.306 2.896 3.355 4.501 5.041
9 0.261 0.703 1.383 1.833 2.262 2.821 3.250 4.297 4.781
10 0.260 0.700 1.372 1.812 2.228 2.764 3.169 4.144 4.587
11 0.260 0.697 1.363 1.796 2.201 2.718 3.106 4.025 4.437
12 0.259 0.695 1.356 1.782 2.179 2.681 3.055 3.930 4.318
13 0.259 0.694 1.350 1.771 2.160 2.650 3.012 3.852 4.221
14 0.258 0.692 1.345 1.761 2.145 2.624 2.977 3.787 4.140
15 0.258 0.691 1.341 1.753 2.131 2.602 2.947 3.733 4.073
16 0.258 0.690 1.337 1.746 2.120 2.583 2.921 3.686 4.015
17 0.257 0.689 1.333 1.740 2.110 2.567 2.898 3.646 3.965
18 0.257 0.688 1.330 1.734 2.101 2.552 2.878 3.610 3.922
19 0.257 0.688 1.328 1.729 2.093 2.539 2.861 3.579 3.883
20 0.257 0.687 1.325 1.725 2.086 2.528 2.845 3.552 3.850
21 0.257 0.686 1.323 1.721 2.080 2.518 2.831 3.527 3.819
22 0.256 0.686 1.321 1.717 2.074 2.508 2.819 3.505 3.792
23 0.256 0.685 1.319 1.714 2.069 2.500 2.807 3.485 3.768
24 0.256 0.685 1.318 1.711 2.064 2.492 2.797 3.467 3.745
25 0.256 0.684 1.316 1.708 2.060 2.485 2.787 3.450 3.725
26 0.256 0.684 1.315 1.706 2.056 2.479 2.779 3.435 3.707
27 0.256 0.684 1.314 1.703 2.052 2.473 2.771 3.421 3.690
28 0.256 0.683 1.313 1.701 2.048 2.467 2.763 3.408 3.674
29 0.256 0.683 1.311 1.699 2.045 2.462 2.756 3.396 3.659
30 0.256 0.683 1.310 1.697 2.042 2.457 2.750 3.385 3.646
35 0.255 0.682 1.306 1.690 2.030 2.438 2.724 3.340 3.591
40 0.255 0.681 1.303 1.684 2.021 2.423 2.704 3.307 3.551
60 0.254 0.679 1.296 1.671 2.000 2.390 2.660 3.232 3.460
120 0.254 0.677 1.289 1.658 1.980 2.358 2.617 3.160 3.373
∞ 0.253 0.674 1.282 1.645 1.960 2.326 2.576 3.090 3.291
Capítulo 1
Muestreo y
estadística descriptiva
Introducción
La recopilación y el análisis de datos son fundamentales en la ciencia e ingeniería. Al analizar
los datos recopilados en experimentos, los científicos descubren los principios que gobiernan
el mundo físico y los ingenieros aprenden cómo diseñar nuevos productos y procesos importantes.
Una dificultad muy importante que se presenta con los datos científicos es que éstos se
encuentran sujetos a variaciones aleatorias o incertidumbre. Es decir, cuando se repiten las mediciones
científicas cada vez salen un poco diferentes. Lo anterior plantea un problema: ¿cómo
se pueden obtener conclusiones de los resultados de un experimento cuando éstos pueden
ser diferentes? Para analizar esta pregunta, es esencial contar con cierto conocimiento estadístico.
La estadística se dedica a la recopilación, el análisis y la interpretación de datos con incertidumbre.
Los métodos de la estadística permiten que los científicos e ingenieros diseñen
experimentos válidos y obtengan conclusiones confiables a partir de datos obtenidos.
Aunque nuestro interés en este libro es tratar con las aplicaciones de la estadística en la
ciencia y en la ingeniería, cabe mencionar que el análisis y la interpretación de datos son cada
vez más importantes en todos los aspectos de la vida moderna. Para bien o para mal, se están
recopilando enormes cantidades de datos con nuestras opiniones y estilos de vida, con
fines que van desde la creación de campañas de mercadotecnia más eficaces hasta el desarrollo
de políticas sociales diseñadas para mejorar nuestro estilo de vida. Casi a diario, los artículos
que se publican en los periódicos pretenden explicar

Web del Autor

Clic Aqui Pagina Oficial

Si no sabes descargar mira este video tutorial

[sociallocker]
[popfly]

Descargar 

Leer en online
[/popfly] [/sociallocker]

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

error: Content is protected !!
---------