You are on page 1of 14

TRABAJO PASO 1

RECONOCIMIENTO DE CONCEPTOS GENERALES DE LA INFERENCIA


ESTADISTICA

CESAR AUGUSTO RODRIGUEZ MEJIA


COD: 1.019.053.246
TECNOLOGIA EN LOGISTICA INDUSTRIAL

PRESENTADO A
LUIS ROBERTO GUETO

UNIVERSIDAD NACIONAL ABIERTA Y DISTANCIA (UNAD)


INFERENCIA ESTADISTICA 100403_109
FEBRERO 17 DE 2018
BOGOTA D.C
INTRODUCCION

A partir de la conceptualización de la Inferencia estadística como punto de partida


como métodos y procedimientos que se obtienen por medio de la inducción y
determina las propiedades de una población estadística, y obtener conclusiones con
base a una muestras tomada de ella. Incluye los métodos de estimación de
parámetros y las pruebas de hipótesis. La Estimación de parámetros comprende a su
vez la Estimación Puntual, en donde se estudian los diversos métodos de encontrar
estimadores y las propiedades óptimas que deben tener éstos, y la Estimación por
Intervalos de Confianza, en donde se estima un parámetro usando un intervalo
centrado en un estimado del parámetro y de longitud igual a dos veces el error de
estimación.
Partiendo de allí, se recopilara la información general del curso a través de un sistema
de aprendizaje eficaz por medio de los cuadro de sinopsis, que nos ayudara a
centralizar las ideas más importantes y de manejarlas durante el desarrollo cognitivo
del curso.

Por otra parte se identificara de manera visual las políticas y acuerdos del curso, el
cronograma de actividades, los participantes, y un breve recorrido de los entornos
que ofrece la UNAD y por último, qué importancia tiene en la vida cotidiana las
temáticas que se tratara durante este curso, y como la puede aplicar.
OBJETIVOS

GENERAL
 Conceptualizar los conceptos de las dos unidades del curso de inferencia
estadística, mediante un cuadro sinóptico utilizando sus respectivas
definiciones.
 Identificar en la base de datos cada ítem las variables relacionadas en el
cuadro tales como la problemática, población, Muestra, unidad de muestreo,
variables cuantitativos, y cualitativas, y parámetros a estimar en cada variable.

ESPECIFICOS
 Revisar las bibliografías correspondientes a cada una de las unidades del
curso y crear un mapa sinóptico, utilizando sus respectivas definiciones.

 Definir la importancia que tiene la inferencia como materia de estudio en la vida


cotidiana y como se puede aplicarla.

 Relacionar los conceptos de la base de datos e identificarlos tales como como


la problemática, población, Muestra, unidad de muestreo, variables
cuantitativos, y cualitativas, y parámetros a estimar en cada variable.
1. Revisión de los entornos del curso y de las fuentes bibliográficas sugeridas en el
Entorno de Conocimiento, relacionadas con las Unidades 1 y 2. Una vez consultado,
lo anterior, realizar un Mapa Sinóptico (consultar definición y condiciones del mismo),
el cual ilustre los contenidos temáticos del curso (con sus respectivas definiciones) y
la importancia de cada una de estas temáticas en la vida cotidiana.

MAPA SINOPTICO INFERENCIA ESTADISTICA

Tipos de
Introducción a la muestreo
I inferencia estadística
N
*1. Distribuciones *5. Conceptos
F Generales
UNIDAD 1 Muéstrales.
E *6. Población y
R muestra estadística
C
E O
*7. Parámetros
*2. Distribución
N N muestral de
T diferencias de
C E
medias.
N *8. Intervalos
I I *3. Distribución de Confianza
A D Muestral de Para
O proporciones. Diferencia De
S
Medias
E D Conocidos y
E * Desconocidos.
S L
*4. Estimación
e Intervalos
T C de Confianza
A U
Hipótesis
R
Nula Y
D S
Pruebas De
O Alternativa
I Hipótesis y Y Estadística
Anova De Una
S Prueba De
T Hipótesis
*9. Prueba
I De
*Criterio De
Rechazo
C Hipótesis
A UNIDAD 2 Análisis De
Varianza
*10. Anova Invariante

*Efectos Fijos y
IMPORTANCIA EN LA VIDA COTIDIANA aleatorios y/o
Mixtos
*Muestras
Independientes
Es de suma importancia ya que mediante la Inferencia
Estadística, las muestras permiten inducir información
necesaria para la toma de decisiones en diferentes ámbitos
tales como laborales y de cuantificar soluciones rápidas y
precisas y en el entorno del día a día, y mediante el análisis de
datos nos ayuda a desenvolver y manejarla de forma clara. La
Estadística Inferencial puede dar respuesta a muchas de las
necesidades que la sociedad actual puede requerir. Su tarea
fundamental es el análisis de los datos que se obtienen a partir
de experimentos, con el objetivo de representar la realidad y
conocerla.

ANEXO DE DEFINICIONES CORRESPONDIENTES AL MAPA SINOPTICO

*1: Distribuciones Muéstrales: Es lo que resulta de considerar todas las muestras


posibles que pueden ser tomadas de una población. Su estudio permite calcular la
probabilidad que se tiene, dada una sola muestra, de acercarse al parámetro de la
población. Mediante la distribución muestral se puede estimar el error para un tamaño
de muestra dado.
*2. Distribución de Muestreo de la Media: Es todo tipo probabilístico e indica cuan
probables son diversas medias de la muestra. La distribución es la función de la
media, de la desviación estándar de la población y del tamaño de la muestra.
*3. La proporción poblacional: Se define como la razón entre el número de unidades
poblacionales que poseen cierta característica y el total de unidades de la población.
*4. Estimación: Es el proceso de encontrar una aproximación sobre una medida, lo
que se ha de valorar con algún propósito es utilizable incluso si los datos de entrada
pueden estar incompletos, incierto, o inestables. En el ámbito de la estadística
estimación implica ” usar el valor de una estadística derivada de una muestra para
estimar el valor de un parámetro correspondiente a población”; la muestra establece
que la información puede ser proyectada a través de diversos factores, formal o
informalmente, son procesos para determinar una gama muy probablemente y
descubrir la información que falta. Cuando una estimación resulta ser incorrecta, se
denomina “overestimate” si la estimación superó el resultado real y una subestimación
si la estimación se quedó corto del resultado real.
Por ejemplo: “creo que terminaré la tarea en unos 5-6 días”.
Lo que hacemos en el terreno del análisis de datos es aplicar matizaciones técnicas
a este hábito. Vamos a dedicar este documento al concepto de estimación,
comenzando con la estimación puntual. Después nos ocuparemos de desarrollar un
modelo de estimación por intervalo donde identificaremos los elementos
fundamentales, con su significado y símbolo. Y, por último, habrá que desarrollar
cómo se calculan esos elementos.
Y por último, un intervalo de confianza es un rango de valores, derivado de los
estadísticos de la muestra, que posiblemente incluya el valor de un parámetro de
población desconocido. Debido a su naturaleza aleatoria, es poco probable que dos
muestras de una población en particular produzcan intervalos de confianza idénticos.
Sin embargo, si usted repitiera muchas veces su muestra, un determinado porcentaje
de los intervalos de confianza resultantes incluiría el parámetro de población
desconocido.
*5. Tipo de Muestreos:
No aleatorios: Se eligen los elementos, en función de que sean representativos,
según la opinión del investigador.
Aleatorios: Todos los miembros de la muestra han sido elegidos al azar, de forma
que cada miembro de la población tuvo igual oportunidad de salir en la muestra.
Simple: Elegido el tamaño de la muestra, los elementos que la compongan se han
de elegir aleatoriamente entre los N de la población. Si se hace con calculadora, se
utilizan los números aleatorios.
Sistemático: Se ordenan previamente los individuos de la población; después se
elige uno de ellos al azar, a continuación, a intervalos constantes, se eligen todos los
demás hasta completar la muestra.
Estratificado: Se divide la población total en clases homogéneas, llamadas estratos;
por ejemplo, por grupos de edades, por sexo. Hecho esto la muestra se escoge
aleatoriamente en número proporcional al de los componentes de cada clase o
estrato.
*6. Población: Es el conjunto de todos los elementos que son objeto del estudio
estadístico.
Las muestras estadísticas: Son utilizadas para la realización de encuestas. A modo
de ejemplo, en periodos de elecciones es muy usual que se hagan estudios para
predecir quién ganará las elecciones. En ese caso, se toma una muestra aleatoria
(selección al alzar de una porción de la población), se realiza una encuesta a cada
uno de los individuos seleccionados, y luego se realiza el análisis de los datos para
estimar ganadores y perdedores.
El concepto de muestra estadística, es una instancia del muestreo estadístico, el cual
posee una formulación matemática para su determinación, que depende del grado de
confianza que se espera del experimento, o el error esperado, y del tamaño de la
población.
*7. Los parámetros: son medidas descriptivas de una población completa que se
pueden utilizar como las entradas para que una función de distribución de
probabilidad (PDF, por sus siglas en inglés) genere curvas de distribución. Los
parámetros generalmente se representan con letras griegas para distinguirlos de los
estadísticos de muestra. Por ejemplo, la media de la población se representa con la
letra griega mu (μ) y la desviación estándar de la población, con la letra griega sigma
(σ). Los parámetros son constantes fijas, es decir, no varían como las variables. Sin
embargo, sus valores por lo general se desconocen, porque es poco factible medir
una población entera.
*8. Información encontrada en
http://www.geociencias.unam.mx/~ramon/EstInf/Clase12.pdf
*9. Una prueba de hipótesis Es una regla que especifica si se puede aceptar o
rechazar una afirmación acerca de una población dependiendo de la evidencia
proporcionada por una muestra de datos.
Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la
hipótesis nula y la hipótesis alternativa. La hipótesis nula es el enunciado que se
probará. Por lo general, la hipótesis nula es un enunciado de que "no hay efecto" o
"no hay diferencia". La hipótesis alternativa es el enunciado que se desea poder
concluir que es verdadero de acuerdo con la evidencia proporcionada por los datos
de la muestra.
Con base en los datos de muestra, la prueba determina si se puede rechazar la
hipótesis nula. Usted utiliza el valor p para tomar esa decisión. Si el valor p es menor
que el nivel de significancia (denotado como α o alfa), entonces puede rechazar la
hipótesis nula.
Un error común de percepción es que las pruebas estadísticas de hipótesis están
diseñadas para seleccionar la más probable de dos hipótesis. Sin embargo, al diseñar
una prueba de hipótesis, establecemos la hipótesis nula como lo que queremos
desaprobar. Puesto que establecemos el nivel de significancia para que sea pequeño
antes del análisis (por lo general, un valor de 0.05 funciona adecuadamente), cuando
rechazamos la hipótesis nula, tenemos prueba estadística de que la alternativa es
verdadera. En cambio, si no podemos rechazar la hipótesis nula, no tenemos prueba
estadística de que la hipótesis nula sea verdadera. Esto se debe a que no
establecimos la probabilidad de aceptar equivocadamente la hipótesis nula para que
fuera pequeña.
*10. El análisis de la varianza (ANOVA) es una técnica estadística de contraste de
hipótesis. Tradicionalmente estas técnicas, conjuntamente con las técnicas de
regresión lineal múltiple, de las que prácticamente son una extensión natural, marcan
el comienzo de las técnicas multivariantes. Con estas técnicas se manejan
simultáneamente más de dos variables, y la complejidad del aparato matemático se
incrementa proporcionalmente con el número de variables en juego. El análisis de la
varianza (o Anova: Analysis of variance) es un método para comparar dos o más
medias, que es necesario porque cuando se quiere comparar más de dos medias es
incorrecto utilizar repetidamente el contraste basado en la t de Student. Por dos
motivos:
En primer lugar, y como se realizarían simultánea e independientemente varios
contrastes de hipótesis, la probabilidad de encontrar alguno significativo por azar
aumentaría. ANOVA parte de la idea de que el valor de la variable dependiente en
cualquier sujeto viene determinado por el valor que toma en ese sujeto la variable
independiente (factor) y puede ser representada según el siguiente modelo lineal:
variable dependiente = media de la variable dependiente +
efecto del factor + error
Donde el error representa lo que el sujeto en concreto se desvía del valor predicho
por el modelo en función de la variable independiente. En el concepto de error se
encuentran incluidos tanto el error aleatorio como todas aquellas características del
sujeto que influyan en el valor de la variable dependiente. Se establece que este error
es una variable aleatoria que sigue una distribución normal, con media cero y
desviación estándar la de la población de origen.

2. La base de datos proporcionada representa el comportamiento de


Variables implícitas en una población, para la caracterización de la misma en un
periodo determinado, a través de la estimación de parámetros. Para ello, Diligencie la
siguiente información, realizando una breve descripción (definición) y además de ello,
identifique en la base de datos lo siguiente:

Conceptos Iniciales e Identificación de los mismos en la Base de datos Periodo


académico 16-04

Problemática: Es el planteamiento o situación que se presenta de manera descriptiva


y desarrollo para darle una respuesta a unas variables tales como elaboración de un
modelo, extracción de la muestra, tratamiento de los datos, estimación de los
parámetros, contraste de hipótesis, y conclusiones, estos factores se correlacionan o
conforman la estructuración de un problema .

Población: Es el conjunto de todos los individuos que son objeto de estudio y sobre
los que se desea obtener información. Toda población se caracterizará
probabilísticamente mediante variables aleatorias, cada una de las cuales tendrá una
distribución de probabilidad asociada. Diremos que la población en estudio tiene un
tamaño N, y será siempre de nuestro interés ser capaces de obtener, para las
variables que nos resulten de interés, los datos correspondientes a todos y cada uno
de los « N » individuos incluidos en la población. Si disponemos de esta información,
seremos capaces de describir de forma más acertada el comportamiento de la
población. Sin embargo, desafortunadamente, en la mayoría de los casos no será
posible acceder a toda esa información; es por eso que tendremos que conformarnos
con extraer una muestra de la población que nos interese.

Muestra: Es el conjunto de individuos, a cuya información realmente tendremos


acceso, dentro de la población. Estaremos interesados en obtener muestras que sean
un buen reflejo de la población de la que provienen; diremos, por tanto, que la muestra
debe ser representativa respecto de la población de la que ha sido extraída. También
diremos que nuestra muestra tiene tamaño « n », y a partir de la información de los «
n » individuos que la componen seremos capaces de inferir el comportamiento de la
población de « N » individuos.

Unidad de muestreo: A los conjuntos no solapados de la población que cubren la


población completamente.
Si cada unidad de muestreo contiene uno y solamente un elemento de la población
se le suele denominar unidad primaria. Si por el contrario contiene varios se le
denomina compuesta.
Variables Cuantitativas: Son aquellos que se pueden medir. Determinan variables
estadísticas que pueden ser:
Discretas: Sólo pueden tomar un número finito de valores enteros, los valores
posibles de estas variables son aislados.
Ejemplos de variables estadísticas cuantitativas discretas
- Número de hermanos: pueden ser 1, 2, 3…, pero nunca podrá ser 3,45.
- Número de empleados de una fábrica.
- Número de goles marcados por un equipo de futbol en la liga.
Continuas: Pueden tomar cualquier valor real (infinitos) dentro de un intervalo.
Cualitativos: No se pueden medir numéricamente.
Ejemplos de variables estadísticas cualitativas
- Color de los ojos.
- Bondad de una persona.
- Profesión de una persona.
Determinan modalidades. Las modalidades del carácter profesión pueden ser:
arquitecto, albañil, médico,… etc.
Los parámetros: son medidas descriptivas de una población completa que se
pueden utilizar como las entradas para que una función de distribución de
probabilidad (PDF, por sus siglas en inglés) genere curvas de distribución. Los
parámetros generalmente se representan con letras griegas para distinguirlos de los
estadísticos de muestra. Por ejemplo, la media de la población se representa con la
letra griega mu (μ) y la desviación estándar de la población, con la letra griega sigma
(σ). Los parámetros son constantes fijas, es decir, no varían como las variables. Sin
embargo, sus valores por lo general se desconocen, porque es poco factible medir
una población entera.
Parámetros De estimación de una variable
Hay tres tipos de parámetros estadísticos.
MEDIDAS DE CENTRALIZACIÓN: Indican a qué valor se distribuyen los datos.
Son:
Media aritmética: La media es el valor promedio de la distribución.
Mediana¸ Es la puntación de la escala que separa la mitad superior de la distribución
y la inferior, es decir divide la serie de datos en dos partes iguales.
Moda; La moda es el valor que más se repite en una distribución.

MEDIDAS DE POSICIÓN: Dividen un conjunto de datos en grupos con el mismo


número de individuos. Para calcular las medidas es necesario que los datos estén de
menor a mayor.
Son:
Cuartiles: Dividen la serie de datos en cuatro partes iguales.
Deciles: Dividen la serie de datos en diez partes iguales.
Percentiles: Dividen la serie de datos en cien partes iguales.
MEDIDAS DE DISPERSIÓN: Informan sobre cuanto se alejan del centro los valores
de la distribución.
Son:
Rango o recorrido: Diferencia entre el mayor y el menor de los datos de una
distribución estadística.
Desviación media: Media aritmética de los valores absolutos de las desviaciones
respecto a la media.
Varianza: Media aritmética del cuadrado de las desviaciones respecto a la media.
Desviación típica: Raíz cuadrada de la varianza.

2. La base de datos proporcionada representa el comportamiento de variables


implícitas en una población, para la caracterización de la misma en un periodo
determinado, a través de la estimación de parámetros. Para ello, Diligencie la
siguiente información, realizando una breve descripción (definición) y además de ello,
identifique en la base de datos lo siguiente:

Conceptos Iniciales e Identificación de los mismos en la Base


de datos Periodo académico 16-04
Inclusión Laboral de los diferentes
tipos de discapacidad en la Ciudad
PROBLEMÁTICA de Armenia y Villavicencio durante
el año 2017

Todos los discapacitados en la


ciudad de armenia y Villavicencio
POBLACION
durante el año 2017

1185 discapacitados en la cuidad


MUESTRA de Armenia y Villavicencio con la
misma cantidad.
Discapacidad en la ciudad de
UNIDAD DE MUESTREO armenia durante el año 2017

1. Minutos laborados diariamente


2- Ingreso mensuales por promedio
3. Edad en días
4. Estrato
VARIABLES CUANTITATIVAS 5. Horas laboradas diariamente
6. Edad
7. Desplazamiento a lugar de trabajo

1.Diagnostico Medico
2.Recibe atención de salud por
discapacidad,
3. Nivel de estudios
4. ocupación actual
5. Municipio
6. Genero
VARIABLES CUALITATIVAS
7. Actualmente vive
8.Estado Civil
9. Tipo de régimen
10. Lugar de residencia
11. Utiliza actualmente
12. Condición de discapacitada
diagnosticada.
Se define parámetro a un valor
¿QUE ES UN PARÁMETRO?
representativo de una población,
¿CUALES SON LOS
como la media aritmética, una
PARÁMETROS A ESTIMAR PARA
proporción o su desviación típica. Se
CADA VARIABLE?
estima la variable la recolección de
datos de la población.
CONCLUSIONES

1. Se identificó la conceptualización de las unidades que se tratara durante el


periodo semestral y nos facilitara mejor comprensión a la hora de aplicarlos en
los ejercicios que se verán más adelante.

2. El reconocimiento de los integrantes del curso, nos ayuda al desarrollo de cada


una de las actividades que se van a realizar e identificarlos, por otro lado es
muy importante los espacios que nos brinda la universidad a través de la
plataforma como los son los foros e interacción continua de cada participante.

3. Se navegó por la plataforma del curso identificando los ítems de los entornos
del curso, se aceptó las políticas y las condiciones del mismo.
BIBLIOGRAFIA

 Romero, R. E. (2016). Estadística para todos: análisis de datos: estadística


descriptiva, teoría de la probabilidad e inferencia. Madrid, ESPAÑA: Larousse
- Ediciones Pirámide. Pp. 269 -298. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=270
&docID=11231145&tm=1492552074909
 Sánchez, J. T. (2017). Introducción a la Inferencia. [OVI] Colombia.
Recuperado de http://hdl.handle.net/10596/10566
 Silva, A. L. C. (1993). Muestreo para la investigación en ciencias de la salud.
Madrid, ES: Ediciones Díaz de Santos. Pp. 1- 6. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=18
&docID=10189879&tm=1492552993701
 Gutiérrez, H. (2013). Capítulo 4: Elementos de Inferencia Estadística Control
estadístico de la calidad y Seis Sigma.(3a. ed.) McGraw-Hill Interamericana.
Pp. 62 -65. Recuperado de http://bibliotecavirtual.unad.edu.co:2053/?il=280
 Matus, R., Hernández, M., & García, E. (2010). Estadística. México, D.F., MX:
Instituto Politécnico Nacional. Pp. 27-37. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=38
&docID=10365616&tm=1492553102158
 Gutiérrez, H. (2013). Capítulo 4: Elementos de Inferencia Estadística Control
estadístico de la calidad y Seis Sigma.(3a. ed.) McGraw-Hill Interamericana.
Pp. 65- 72. Recuperado de http://bibliotecavirtual.unad.edu.co:2053/?il=280
 Matus, R., Hernández, M., & García, E. (2010). Estadística. México, D.F., MX:
Instituto Politécnico Nacional. Pp. 43- 57. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=54
&docID=10365616&tm=1492553146384
 Gil, I. M., Gonzáles, M. A. I., & Jano, S. M. D. (2014). Ejercicios de estadística
teórica: probabilidad e Inferencia (2a.e d.). Madrid, ES: Editorial Universidad
Autónoma de Madrid. Pp. 127- 140. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=128
&docID=10995669&tm=1492553434394
 Sánchez, J. T. (2017). Pruebas de Hipótesis [OVI]. Colombia. Recuperado
de http://hdl.handle.net/10596/10565
 Gutiérrez,H. (2013). Capítulo 4: Elementos de Inferencia Estadística Control
estadístico de la calidad y Seis Sigma.(3a. ed.) McGraw-Hill Interamericana.
Pp.72- 90. Recuperado de http://bibliotecavirtual.unad.edu.co:2053/?il=280
 Matus, R., Hernández, M., & García, E. (2010). Estadística. México, D.F., MX:
Instituto Politécnico Nacional. Pp. 65-84. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=76
&docID=10365616&tm=1492555215945
 Romero, R. E. (2016). Estadística para todos: análisis de datos: estadística
descriptiva, teoría de la probabilidad e inferencia. Madrid, ESPAÑA: Larousse
- Ediciones Pirámide. Pp. 313 -328. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=314
&docID=11231145&tm=1492554719817
 Espejo, M. I., Fernández, P. F., & López, S. M. (2016). Inferencia estadística:
teoría y problemas (2a. ed.). Madrid, ESPAÑA: Servicio de Publicaciones de la
Universidad de Cádiz. Pp. 147-178. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=184
&docID=11245681&tm=1492555413858
 Espejo, M. I., Fernández, P. F., & López, S. M. (2016). Inferencia estadística:
teoría y problemas (2a. ed.). Madrid, ESPAÑA: Servicio de Publicaciones de la
Universidad de Cádiz. Pp. 147-178. Recuperado de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/detail.action?docID=1124
5681
 Inmaculada Torres castro, Departamento de matemáticas, escuela Politécnica
universidad de Extremadura, Cáceres (España), Agosto 2006; Fuente
recuperada en
http://matematicas.unex.es/~inmatorres/teaching/muestreo/assets/Cap1.pdf
 Vadenumeros.es, fuente recuperada en
http://www.vadenumeros.es/sociales/estadistica-descriptiva.htm
 Placido Guardiola Jiménez, Universidad de Murcia, Junio 5 del 2017, Extraída
de la página web http://www.um.es/docencia/pguardio/documentos/Tec2.pdf
 F. Ramón Zúñiga, centro de Geociencias, UNAM; Recuperado de la página
web http://www.geociencias.unam.mx/~ramon/EstInf/Clase12.pdf.