You are on page 1of 15

ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES

DISTRIBUCIONES DISCRETAS
DISTRIBUCIÒN BINOMIAL
Al efectuar “N” experimentos de Bernoulli, la probabilidad de obtener “x” éxitos
es:
p(x) =

,
_

¸
¸
x
N
p
x
q
n - x
x = 0, 1,2,., N
CARACTERÌSTÌCAS
i) El experimento consiste en N pruebas de Bernoulli
ii) En cada prueba la probabilidad de ÈXÌTOS es la
misma
iii) Las pruebas son estadísticamente independientes
iv) La v.a. binomial x es el número de resultados E en N
pruebas
FUNCÌÒN DE DÌSTRÌBUCÌÒN
0 , x < 0
F(x) =

·

,
_

¸
¸
x
k
x
N
0
p
k
q
n - k
, 0 > x < N

1 , x < 1

MEDÌA ARÌTMÈTÌCA VARÌANZA
µ = E (X) = N p
o
2
= N p. q
DR. ING. LUIS MANRIQUE SUAREZ
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES
KURTOSIS ASIMETRÌA

o
4
= 3 + Npq
pq 6 1−

o
3
= Npq
p q −
Son experimentos binómicos:
a) Lanzar una moneda dos o más veces, para observar el número de caras o sellos que resulten
b) Seleccionar dos o más artículos de un lote que contiene un porcentaje de artículos
defectuosos para verificar cuantos defectuosos o cuantos buenos contiene la muestra
aleatoria
c) Ejecutar dos o más tiros para ver cuántos dan en el blanco o cuántos no dan.
DISTRIBUCIÒN GEOMÈTRICA
Sea X: Nº de ensayos para obtener el PRIMER ÈXITO
E: Êxito F: Fracaso
S: {E , FE , FFE , FFFE .}
P(x=1) = p (E) = p = q
0
p
P(x=2) = p (FE) = q p = q
1
p
P(x=3) = p (FFE) = q
2
p = q
2
p
P(x=4) = p (FFFE) = q
3
p = q
3
p
P(x=5) = p (FFFFE) = q
4
p = q
4
p
Generalizando:
P ( x ) = p ( FFF . FE ) = q
x-1
p
x-1 veces


La distribución de robabi!idad "eo#étrica es:
P(x) $ %
x&'
, x = 1,2,3,.
0 , en otros casos
MEDÌA VARÌANZA
µ = 1 / p
·
σ
2
q / p
2
DR. ING. LUIS MANRIQUE SUAREZ
0 , x<1
F (x) =
1 - q
x
, x < 1
FUNCIN DE
DISTRIBUCIN
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES
( a ( ) '
' * + a * , a
+
* - a
,
* . $ / '& a 0
&+
$
( ) a − 1
2
1
DISTRIBUCIÓN BINOMIAL NEGATIVA
Es una extensión de la distribución geométrica
X: {Nº de veces que se repite el ensayo hasta obtener “r” éxitos}
X: v.a. binomial negativa

R
X
= { r + r+1 , r+2 , r+3, ...}
1 2 3
S = { EE...E E , EE...E F E , EE...E FF E , EE...E FFF E , ...}

r-1 veces r-1 r-1 r-1
r-ésimo r-ésimo r-ésimo r-ésimo
éxito éxito éxito éxito
FÌJO FÌJO FÌJO FÌJO
P ( x=r ) = p ( EE . E E ) = p
r
q
0

P ( x=r+1 ) = p ( EE . E FFF E ) =

,
_

¸
¸

+ −
1
1 1
r
r
p
r
q
1
=

,
_

¸
¸
− 1 r
r
p
r
q
1

P ( x=r+2 ) = p ( EE . E FFF E ) =

,
_

¸
¸

+ −
1
2 1
r
r
p
r
q
2
=

,
_

¸
¸

+
1
1
r
r
p
r
q
2

DR. ING. LUIS MANRIQUE SUAREZ
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES
P ( x=r+3 ) = p ( EE . E FFF E ) =

,
_

¸
¸

+ −
1
! 1
r
r
p
r
q
3
=

,
_

¸
¸

+
1
2
r
r
p
r
q
3

Generalizando:
P ( x=r ) = p ( EE . E FF...FF E ) =

,
_

¸
¸

− + −
1
1
r
r x r
p
r
q
x-r

r-1 veces
x-r veces

FÌJO
Nota :

,
_

¸
¸


1
1
r
x
=

,
_

¸
¸


r x
x 1
"#$ %&$ '#()*+,'*-+ '#(".&(&+/,$*,
ME1IA 2ARIA34A
DR. ING. LUIS MANRIQUE SUAREZ
P(x) = 0

,
_

¸
¸


1
1
r
x
"
$
1
$
, 2 = $, $31, $32, 4 5 0 , &+ #/$#% ',%#%
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES
p
r
· µ
p
rq
2
2
·
σ
DISTRIBUCIÓN DE POISSON
Ìdeada por el matemático francés Simeón Poisson (1781-1840) mide la
probabilidad de un evento aleatorio sobre algún intervalo de tiempo o
espacio
Si en la distribución binomial, N es muy grande y “p” muy pequeño, se
puede aproximar a la distribución de Poisson.
Sea X una v. a. d. que toma los valores posibles X = 0, 1, 2,3, 4,., N
P(X) =
! x
e
x λ
λ

, λ = N p
X ÷ Nº de ocurrencia de eventos en t unidades de medida
X ÷ v. a. de Poisson
P(x): función de cuantía de Poisson
5U36I73 1E 1ISTRI8U6I73

F(X) = 0 , x < 0 ;

·
x
x 0
! x
e
x λ
λ

, x < 0

ME1IA 2ARIA34A
µ = λ o
2
= λ

Luego:
o
2
= E(x
2
) - µ
2
= /
2
+ / - /
2


÷ o
2
= /
Características:
1.-El experimento consiste en contar el número x de veces que ocurre un
evento en particular durante una unidad de tiempo dada o en un área o
volumen (o peso, distancia o cualquier otra unidad de medida) dada
DR. ING. LUIS MANRIQUE SUAREZ
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES
2.-La probabilidad de que un evento ocurra en una unidad dada es la misma
para todas las unidades.
3.-El número de eventos que ocurren en una unidad es independiente del
número de los que ocurren en otras unidades
DISTRIBUCIÓN HIPERGEOMÉTRICA
En un lote de N artículos, r son defectuosos, N-r son no defectuosos
Escogemos al azar n artículos sin sustitución
Sea k el número de defectuosos dentro de los r defectuosos y
n-k no defectuosos.
Sea X el número de artículos defectuosos encontrados
N


,
_

¸
¸
k
r

,
_

¸
¸


k n
r N
P ( X= k ) = ---------------------- , K = 0,1,2,3, . , r

,
_

¸
¸
n
N
Se dice que X es una variable aleatoria discreta y tiene una distribución
hipergeométrica
ME1IA 2ARIA34A
µ = n
N
r nr (N-r) (N-n)
V(X) = ------------------------
N
2
(N-1)
DR. ING. LUIS MANRIQUE SUAREZ
D r n
muestra
D k
D
N - r
D
N - k
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES
CARACTERÍSTÌCAS
1.- El experimento consiste en extraer al azar y sin sustitución n elementos de un
conjunto de 3 elementos, r de los cuales son E (Éxitos) y (N-r) son 5 (Fracasos)
2. El tamaño de la muestra n es grande en comparación con el número N elementos
de la población, es decir n/N > 0.05
3.-La v.a. hipergeométrica X es el número de resultados de E en la muestra de n
elementos
DISTRIBUCIÓN MULTINOMIAL
Si un espacio muestral de un experimento se divide en K sucesos mutuamente
excluyentes.
A
1
, A
2
, A
3
, A
4
, . A
K
, con probabilidades P
1
, P
2
, P
3
, P
4
, . P
K
÷ en 3
pruebas, la probabilidad de que A
1
suceda n
1
veces , A
2
suceda n
2
veces , . , A
K

suceda n
K
veces ; es igual :
P (A
1
, A
2
, A
3
, A
4
,. A
K
) =
! !... ! !
!
n n n n K
N
! 2 1
p p p p
n n n n k
K
...
! 2
! 2
1
1
N =

·
K
i
n
i
1
1 =

·
K
i
p
i
1
CARACTERÍSTÌCAS
1.- El experimento consiste en “n” pruebas idénticas
2.- Hay “K” posibles resultados de cada prueba
3.- Las probabilidades de los K resultados, denotados por P
1
, P
2
, P
3
, P
4
, . P
K
se
mantienen constantes a lo largo de todas las pruebas, donde :
P
1
+ P
2
+ P
3
,+P
4
+ . + P
K
= 1
4.-Las pruebas son independientes
5.- Las v. a. de interés son las cuentas X
1
, X
2
, X
3
, X
4
, . X
K
en cada uno de las K
categorías de clasificación
DR. ING. LUIS MANRIQUE SUAREZ
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES
PROBLEMAS
1.6 L#% 27! 8& .#% 9#/,+/&% *+%'$*/#% &+ '*&$/# 8*%/$*/# &.&'/#$,. ,"#:,+ ,. ",$/*8# A.
;C<=. &% ., "$#),)*.*8,8 8& 1<& &+ <+, (<&%/$, ,.&,/#$*, 8& 6 9#/,+/&% 8& &%/& 8*%/$*/#,
&x,'/,(&+/& > , "#:&+ ,. ",$/*8# A? P#$ .# (&+#% 1 ;
2.6S& .,+@,+ <+ ",$ 8& 8,8#% A 9&'&%. ;C<=. &% ., "$#),)*.*8,8 8& 1<& ., %<(, +<&9&
,",$&@', ,) +*+B<+, 9&@ )) <+, 9&@ ') 8#% 9&'&% 8) /$&% 9&'&% &) '<,/$# 9&'&%
3.6U+, (=1<*+, "$#8<'& ,$/C'<.#%, 8& /,. (,+&$, 1<& &x*%/& <+, "$#),)*.*8,8
de 0.05 que el artículo producido sea defectuoso.¿Cuál es la probabilidad de
que a) en una muestra de 18 artículos producidos, ninguno sea defectuoso.
)) ,. (&+#% <+# %&, 8&D&'/<#%#% &+ <+ .#/& 8& 10 ,$/C'<.#%
c) ¿Cuál es el número promedio de artículos defectuosos en un lote de 10,000
artículos producidos? ¿Cual es la varianza?
-.-Una empresa de servicios contables tiene dos empleados que se turnan
trabajando parcialmente durante la semana
Juan: lunes, miércoles y vienes Juana: Marte y jueves
Juan archiva erróneamente uno de cada 4 documentos, mientras que Juana lo
hace uno de cada 5 .Se selecciona un día de la semana al azar, y en ese día
se toma una muestra aleatoria de 4 documentos de entre los documentos
archivados ese día
a) ¿Cuál es la probabilidad de que la muestra contenga exactamente dos
documentos mal archivados?
b) Suponiendo que la muestra contenía dos documentos mal archivados
¿Cuál es la probabilidad de que ambos hayan sido archivados por Juan?
9.-El 2% de la producción es defectuosa en la Empresa Alfa SA. Hallar la
probabilidad de que en una muestra de 120 unidades elegidas al azar sean
exactamente 2 los defectuosos. Utilizar:
a) La distribución Binomial b) aproximación de Poisson a la Binomial
:.-El número de llamadas telefónicas en cierta oficina es en promedio 24 por
hora. ¿Cuál es la probabilidad de que no llame en intervalo largo de “t” minutos.
;.-Un departamento de reparaciones de motores recibe en promedio de 5
llamadas de servicios por hora. ¿Cuál es la probabilidad de que se reciban
exactamente a)3 llamadas en una hora aleatoriamente escogida? b) 2 llamadas
de ¾ de hora aleatoriamente escogida?
<.-La probabilidad de que un tirador haga blanco en un silo disparo es igual a
0.80. Al tirador se le entregan cartuchos hasta tanto yerre el tiro.
Calcular la probabilidad de que yerre en el tercer disparo
DR. ING. LUIS MANRIQUE SUAREZ
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES
=.-Considere una sucesión infinita de lanzamientos independientes de dos
dados. Sea X es el número de lanzamientos hasta encontrar una suma igual a
7 .Determinar el número esperado de lanzamientos que deben realizarse hasta
conseguir
'>.-La probabilidad de un lanzamiento exitoso es igual a 0.60. Supongamos
que se hace ensayos de lanzamientos hasta que ha ocurrido 4 lanzamientos
exitosos. ¿Cuál es la probabilidad que sean necesarios menos de 7 intentos o
ensayos?
''.-Un gran lote de llantas contiene10% de defectuosos y de allí se elegirán 4
para colocarlas en un auto. A) Hallar la probabilidad de que 6 llantas deban
seleccionarse del lote para obtener 4 en buen estado b) Calcular el valor
esperado y a varianza
'+.-Un club está constituido por 12 mujeres y 8 hombres Se va a elegir un
comité de 5 personas. ¿Cuál es la probabilidad de que 3 de ellas sean mujeres
y 2 sean hombres?
DISTRIBUCIONES CONTINUAS
DISTRIBUCIÓN NORMAL
Es la distribución de probabilidad más utilizada. La función normal de densidad
de probabilidad tiene la forma de “campana” familiar simétrica.
La curva se centra en el valor promedio µ y su dispersión se mide con la
varianza o
2
. Estos dos parámetros, determinan la forma y ubicación de la
función normal de densidad, cuya forma es:
f(x) =
( )
e
x
σ
µ
π σ
2
2
2
2
1


, - × < x < ×
Notación: X ÷ N (µ, o
2
)
DR. ING. LUIS MANRIQUE SUAREZ
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES

La variable aleatoria x se distribuye normalmente con Media µ y
Varianza o
2
Distribuci! !"r#$% &st'!($r
z ÷ v. a. que tiene una distribución normal, con media µ = 0 y varianza o
2
=1
÷ z : se llama v. a. normal estándar, su función densidad es :
Nz (z) = p (Z = z) =
dt
e
t
z
. .
2
2
2
1


∞ −
π
Los valores de esta función se encuentran tabulados en las tablas de
distribución normal
? $
@
A X−
DISTRIBUCIÓN UNI)ORME
Sea X una v.a.c. , que toma los valores del intervalo [a, b]
a, b s R, a < b
X se distribuye en el intervalo [a, b]
DR. ING. LUIS MANRIQUE SUAREZ
, x < a
, a > x > b
, otros casos
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES
f (x) =
¹
¹
¹
'
¹

0
a b
1
F(x) =
¹
¹
¹
¹
¹
'
¹


1
a b
a x
0

En una distribución uniforme las probabilidades son las mismas
para todos los posibles resultados
f(x) F(x)
1
a b
1

a b a b
DISTRIBUCIÓN EXPONENCIAL
DR. ING. LUIS MANRIQUE SUAREZ
ME1IA 2ARIA34A

2
b a
µ
+
·
12
a) (b
2
o
2 −
·
, a > x > b
, en otros casos
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES
f (X) = 0 x ,
0,
0
1
e
0
x


¹
¹
¹
'
¹


Si
0
1
/ · ÷ -x / 0 = - x /
/ : parámetro real , constante positiva
D (x) F(x)
1
/
5U36I73 1E 1ISTRI8U6I73
La curva en continuo descenso muestra que con el paso
del tiempo X aumenta y la probabilidad disminuye
DR. ING. LUIS MANRIQUE SUAREZ
D (x) = 0 x ,
0
e
/x
/


¹
¹
¹
'
¹

F (x) =
¹
¹
¹
'
¹



<
0 x ,
e
/x
1
0 .....x 0,........
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES
ME1IA 2ARIA34A
µ = 0 =
/
1
V (x) = 0
2
=
λ
2
1
Como se acaba de observar, la distribución de Poisson es
una distribución discreta que mide el número de
ocurrencias sobre algún intervalo de tiempo o espacio.
Describe por ejemplo, el número de clientes que puedan
llegar durante algún periodo determinado. Por el contrario,
la DÌSTRÌBUCÌÓN EXPONENCÌAL es una distribución
continua. Mide el paso del tiempo entre tales. Ocurrencias.
Mientras que la distribución de Poisson describe las tasas
de llegada (de personas, camiones, llamadas telefónicas,
etc.) dentro de algún periodo dado, la distribución
exponencial estima el lapso entre tales arribos. Si el
número de ocurrencias tiene distribución de Poisson, el
lapso entre las ocurrencias estará distribuido
exponencialmente
p(X > x) = 1 ÷ e
-/x
.
X ÷ Lapso de tiempo
/ ÷ tasa promedio de ocurrencia
PRO8LEMAS
1.6C<,+8# 8&E, 8& D<+'*#+,$ <+, /,$E&/, 8& '*$'<*/# *+/&B$,8#, <+ %*%/&(, 8& '-("</# %&
8&/*&+& F,%/, 1<& %& &+/$&B<& <+, /,$E&/, +<&9,. E. /*&("# 8& &+/$&B, x &%/=
<+*D#$(&(&+/& 8*%/$*)<*8# &+ &. *+/&$9,.# 8& 1 , > 8C,%. E. '#%/# C 8& &%, D,.., : .,
",$,8,, '#("$&+8& <+ '#%/# D*E# C
#
8& ., $&D,''*-+ : <+ '#%/# 1<& ,<(&+/, &+ D#$(,
"$#"#$'*#+,. , x
2
, 8& (#8# 1<&G C = C
#
3 C
1
x
2
,) C,.'<.,$ ., "$#),)*.*8,8 8& 1<& &. /*&("# 8& &+/$&B, %&, 8& 2 8C,% # (=%
)) C,.'<.,$ &. '#%/# &%"&$,8# 8& <+, 8&/&$(*+,8, D,.., 8&. '#("#+&+/& &+ /H$(*+#% 8&
C
#
: C
1

DR. ING. LUIS MANRIQUE SUAREZ
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES
2.6L, ..&B,8, 8& '.*&+/&% , <+ /#$+*1<&/& %& 8*%/$*)<:& <+*D#$(&(&+/& &+ <+ "&$*#8# 8&
!0 (*+</#%. C,.'<.,$ ., "$#),)*.*8,8 ('#+8*'*#+,.) 8& 1<& &. '.*&+/& F,:, ..&B,8#
8<$,+/& .#% I./*(#% > (*+</#% 8&. "&$*#8# 8& !0 (*+</#% 8,8# 1<& +# F<)# ..&B,8,%
8<$,+/& .#% "$*(&$#% 10 (*+</#% 8&. "&$*#8#.
3.6U+, ..,(,8, /&.&D-+*', ..&B- , <+ '#+(</,8#$ &+ /*&("# ,. ,@,$ 8&+/$# 8& <+
*+/&$9,.# 8& <+ (*+</#. E. '#+(</,8#$ &%/<9# '#(".&/,(&+/& #'<",8# 8<$,+/& 1>
%&B<+8#% &+ &%& "&$*#8# 8& <+ (*+</#. C,.'<.,$ ., "$#),)*.*8,8 8& 1<& ., ..,(,8,
..&B,$, '<,+8# &. '#+(</,8#$ +# &%/,), #'<",8#
4.6S&, x <+, 9.,.'. <+*D#$(& &+ &. *+/&$9,.# (62,2). C,.'<.,$ ,) " (
x
J !72)
)) P (
µ − x
J 1) ') " (K 6 2 σL x L K 3 2 σ)
5.6L,% 8*%/,+'*,% &%/=+ <+*D#$(&(&+/& 8*%/$*)<*8,% &+/$& 2 "<+/#% M+N : M$N. S& F,'&+
"$<&),% , .#% D$&+#% 8& .#% ,</#% COMBO , <+, 9&.#'*8,8 8& P0 Q(7F#$,. S& </*.*@,+ >
,</#(-9*.&%. C,.'<.,$ ., "$#),)*.*8,8 8& 1<& ., (,:#$C, 8& &..#%, $&),%& &. "<+/# (&8*#
&+/$& M+N : M$N
6.6E+ &. "&$*#8# (=% #'<",8# &+/$& .,% > : R "(. U+ ,</#(-9*. &+/$, , <+, B,%#.*+&$,
',8, ! (*+</#% &+ "$#(&8*# ;C<=. &% ., "$#),)*.*8,8
,) 8& 1<& '<,+8# (&+#% 2> ,</#(-9*.&% &+/$&+ , ., B,%#.*+&$, &+/$& .,% A : > "(. ? ))
8& 1<& &+/$&+ (&+#% 8& !0 ,</#(-9*.&% &+/$& .,% A : 6 "(. E+ <+ 8C, &.&B*8# ,. ,@,$?
7.6L,% &%/,/<$,% 8& .#% &%/<8*,+/&% 8& ., FIIS &%/=+ 8*%/$*)<*8,% +#$(,.(&+/& '#+ (&8*,
1.6P (&/$#% : <+, 9,$*,+@, 8& 0.0016 (
2
. C,.'<.,$ ., "$#),)*.*8,8 8& 1<& <+ &%/<8*,+/&
/&+B, &%/,/<$,G
,) &+/$& 1.6P : 1.R2 (. )) &+/$& 1.60 : 1.6P (. ') &+/$& 1.62 : 1.R! (.
8) (,:#$ 1<& 1.6S (. &) (&+#$ 1<& 1.6! (. D) &+/$& 1.6S : 1.RA (.
B) &+/$& 1.>P: 1.R0 (. F) (,:#$ 1<& 1.6R (. *) (&+#$ 1<& 1.R1(.
E) (,:#$ 1<& 1.6P (.
8.6S& %,)& 1<& &. >T 8& .#% /<)#% 8& $,8*# "$#8<'*8#% "#$ '*&$/# D,)$*',+/& %#+
8&D&'/<#%#%. S* &. D,)$*',+/& &+9C, , <+ (,:#$*%/, 1000 .#/&% '7< 8& .#% '<,.&% '#+/*&+&
100 /<)#%. E+ '<=+/#% 8& &%/#% .#/&% &%"&$, /&+&$ ,) (&+#% 8& S0 /<)#% )<&+#%? B) SP -
(=% /<)#% )<&+#%?
9.6U,..,$ &. 9,.#$ 8& @ ",$,G ,) ., (&8*,+, )) "$*(&$ '<,$/*. ') 8&%9*,'*-+ %&(*6
*+/&$'<,$/C.*',
10.6L#% "&8*8#% 8& %&$9*'*# ..&B,+ '#+ <+ "$#(&8*# 8& > "#$ F#$,. ;C<=. & % .,
"$#),)*.*8,8 8& 1<& %& $&'*),+ G
,) (=% 8& >0 "&8*8#% 8<$,+/& <+ /<$+# 8& P F#$,%?
b) menos de 36 pedidos en 8 horas ?
11.6L, "$#),)*.*8,8 8& 1<& <+ 8*%",$# ,'*&$/& &+ &. ).,+'# &% 8& S71S. C,.'<.,$ .,
"$#),)*.*8,8 8& 1<& &+ 100 8*%",$#% %& ,'*&$/& "#$ .# (&+#% A>
12.62>0 ,$/C'<.#% %#+ &(",',8#% &+ ',E,% B$,+8&% .L#% "&%#% 8& .#% ,$/C'<.#% %#+
9,$*,).&% ,.&,/#$*,% *+8&"&+8*&+/&% '#+ (&8*, O.> .*)$,% : 8&%9*,'*-+ &%/=+8,$ 0.10
.*)$,%. 20 ',E,% %#+ '#.#',8,% &+ <+ ',(*-+. C,.'<.,$ ., "$#),)*.*8,8 1<& &. "&%# 8& .#%
DR. ING. LUIS MANRIQUE SUAREZ
ESTADISTICA INFERENCIAL DISTRIBUCION DE PROBABILIDADES
&(",1<&% '#.#',8#% &+ &. ',(*-+ &x'&8, , 2>10 .*)$,% ('#+%*8&$& 8&%"$&'*,).& &. "&%#
8& ., ',E,)
13.6S<"#+B,(#% 1<& .#% "&%#% 8& .#% ",%,E&$#% 1<& 9*,E,+ "#$ ,*$& &+ .#% 9<&.#%
&%/,).&'*8#% 1<& ",$/&+ 8 <+ ,&$#"<&$/# B$,+8& %*B<&+ <+, 8*%/$*)<'*-+ +#$(,. '#+
(&8*, RP QB. : S = 10 QB. ;C<=. &% ., "$#),)*.*8,8 8& 1<& &. "&%# /#/,. 8& <+, (<&%/$,
,. ,@,$ 8& 100 ",%,E&$#% &x'&8, , P000 ",%,E&$#%?
14.6L, .#+B*/<8 8& 9*8, 8& <+, &%"&'*& 8& ".,+/, &+ '*&$/# (&8*# ,()*&+/& &% <+, 9.,.'.
x 1<& /*&+& <+, 8*%/$*)<'*-+ &x"#+&+'*,. '#+ <+, .#+B*/<8 (&8*, 8& 9*8, 8& 100 9*8,%
,) ;Q<H "$#"#$'*-+ 8& ".,+/,% 8& &%/, &%"&'*&, (<&$&+ ,+/&% 8& .#% 1000 8C,%?
)) S* <+, ".,+/, *+8*9*8<,. 9*9& 8<$,+/& P00 8C,% ;C<=. &% ., "$#),)*.*8,8 8& 1<& 9*9,
#/$#% A00 8C,%?
15.6E. /*&("# 1<& /,$8, <+, "&$%#+, &+ %&$ ,/&+8*8, &+ <+, ',D&/&$C, &% <+, 9.,. 1<&
/*&+& <+, 8*%/$*)<'*-+ &x"#+&+'*,. '#+ (&8*, 8& A (*+</#%. ;C<=. &% ., "$#),)*.*8,8 1<&
<+, "&$%#+, %&, ,/&+8*8, &+ (&+#% 8& ! (*+</#%, ,. (&+#% &+ A 8& .#% 6 8C,% %*B<*&+/&%?
16.6U+ ,.<(+# &%"&$, %&$ ,/&+8*8# &+ ., )*).*#/&', <+ "$#(&8*# 8& ! (*+</#%
(E. /*&("# &% <+, 9.,. &x"#+&+'*,.) ;C<=. &% ., "$#),)*.*8,8 8& 1<& <+ ,.<(+# +# %&,
,/&+8*8# &+ (=% 8& > (*+</#%, &+ .,% P 9&'&% 1<& ,%*%/& , ., )*).*#/&',?
17.6U+, ,B&+'*, 8& "<).*'*8,8 F, 8&/&$(*+,8# 1<&, &+ <+, &+'<&%/, /&.&9*%,8,, .,
"$#),)*.*8,8 8& 1<& <+, "&$%#+, 9#/& "#$ ! ',+8*8,/#% A, B : C &% $&%"&'/*9,(&+/& 0.1,
0.A : 0.>. S<"#+*&+8# 1<& %& F, $&,.*@,8# ., &+'<&%/, , 10 "&$%#+,%, %& "*8&G ,) L,
"$#),)*.*8,8 8& 1<& &. ',+8*8,/# B /&+B, <+ 9#/# : A /&+B, &. 8#).& 8& C )) .,
"$#),)*.*8,8 1<& A /&+B, 6 9#/#%.
DR. ING. LUIS MANRIQUE SUAREZ