unidad 1 final estadistica
TRANSCRIPT
![Page 1: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/1.jpg)
![Page 2: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/2.jpg)
1.531
1.551
1.535
1.550
1.492
1.489
1.472
1.543
1.483
1.420
1.553
1.464
1.517
1.538
1.508
1.483
1.512
1.494
1.514
1.404
1.501
1.581
1.498
1.506
1.554
1.540
1.469
1.439
1.511
1.609
1.474
1.381
1.513
1.531
1.507
1.500
1.503
1.552
1.493
1.496
1.505
1.528
1.508
1.527
1.570
1.494
1.443
1.494
1.437
1.460
1.473
1.513
1.514
1.525
1.583
1.414
1.556
1.511
1.548
1.486
1.498
1.476
1.549
1.528
1.542
1.519
1.473
1.624
1.473
1.504
1.505
1.440
1.441
1.475
1.555
1.491
1.510
1.427
1.566
1.477
1.492
1.445
1.562
1.559
1.503
1.526
1.485
1.431
1.466
1.491
1.510
1.509
1.568
1.444
1.489
1.467
1.553
1.467
1.523
1.472
1.472
1.494
1.482
1.588
1.551
1.503
1.503
1.464
1.492
1.458
1.545
1.394
1.592
1.541
1.424
1.508
1.524
1.500
1.527
1.494
1.554
1.498
1.513
1.459
1.524
1.508
1.525
1.445
1.543
1.519
1.415
1.521
1.508
1.514
1.483
1.563
1.515
1.482
1.524
1.463
1.476
1.475
1.538
1.511
1.527
1.457
1.456
1.417
1.520
1.442
1.558
1.501
1.492
1.449
1.528
1.554
1.496
1.443
1.515
1.518
1.556
1.451
1.445
1.525
1.543
1.473
1.494
1.512
1.432
1.466
1.438
1.461
1.504
1.595
1.486
1.505
1.541
1.574
1.509
1.546
1.497
1.474
1.406
1.416
1.492
1.568
1.499
1.490
1.513
1.588
1.570
1.542
1.481
1.538
1.475
1.518
1.459
1.508
1.519
1.448
1.595
1.535
1.409
1.499
1.516
1.510
1.565
1.479
1.463
1.482
1.562
1.440
1.544
1.479
1.571
1.418
1.509
1.458
1.424
1.514
1.495
1.421
1.468
1.510
1.563
1.545
1.500
1.522
1.520
1.588
1.512
1.519
1.545
1.479
1.474
1.430
1.413
1.529
1.475
1.500
1.510
1.504
1.448
1.453
1.567
1.516
1.503
1.481
1.404
1.508
1.512
1.526
1.471
1.380
1.533
1.567
1.498
1.557
1.535
1.516
1.575
1.514
1.471
1.511
1.547
1.426
1.487
1.525
1.463
1.457
1.411
1.481
1.537
1.442
1.442
1.378
1.481
1.574
1.487
1.421
1.476
1.466
1.447
1.482
1.523
1.435
1.500
1.454
1.481
1.482
1.494
1.532
1.541
1.428
1.443
1.506
1.492
1.525
1.506
1.520
![Page 3: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/3.jpg)
maximo 1.624 minimo 1.378 rango 0.246 n° de intervalos 10.000 tamaño de intervalo 0.025 TI entero 0.026 ajuste de TI T int. Final 0.026 ajuste de valor inicial 0.000 valor inicial 1.378
intervalos aparentes limite inferior limite superior 1 1.378 1.403 2 1.404 1.428 3 1.429 1.454 4 1.455 1.479 5 1.480 1.505 6 1.506 1.531 7 1.532 1.556 8 1.557 1.582 9 1.583 1.607
10 1.608 1.633 bien bien bien bien
![Page 4: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/4.jpg)
intervalos reales marcas de clase frecuencias limite inferior limite superior xi fi fai fri frai fi xi |xi -
1 1.373 1.399 1.386 4.000 4.000 0.013 0.013 5.543 0.450 0.051 2 1.399 1.424 1.411 16.000 20.000 0.053 0.067 22.582 1.391 0.121 3 1.424 1.450 1.437 27.000 47.000 0.090 0.157 38.799 1.657 0.102 4 1.450 1.475 1.463 40.000 87.000 0.133 0.290 58.504 1.430 0.051 5 1.475 1.501 1.488 61.000 148.000 0.203 0.493 90.780 0.619 0.006 6 1.501 1.527 1.514 76.000 224.000 0.253 0.747 115.049 1.174 0.018 7 1.527 1.552 1.539 39.000 263.000 0.130 0.877 60.037 1.601 0.066 8 1.552 1.578 1.565 27.000 290.000 0.090 0.967 42.255 1.799 0.120 9 1.578 1.603 1.591 8.000 298.000 0.027 0.993 12.725 0.738 0.068
10 1.603 1.629 1.616 2.000 300.000 0.007 1.000 3.232 0.236 0.028
Totales 449.506 11.095 0.630 Media 1.498 desviacion media 0.036985 varianza 0.002101
desviacion estandar 0.045838
![Page 5: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/5.jpg)
formula respuestas
1°Q = n° datos
75.000 1.475 4
sutitucion
1°Q = 300 4
formula
225.000 1.514 3°Q =
3(n° datos) 4
sutitucion
3°Q = 3(300)
4
![Page 6: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/6.jpg)
cajas y bigotes 1.373 1.000 1.629 1.000
1.373 0.250 1.373 1.750
1.629 0.250 1.629 1.750
1.475 0.500 1.475 1.000 1.475 1.500
1.514 0.500 1.514 1.000 1.514 1.500
1.475 0.500 1.514 0.500
1.475 1.500 1.514 1.500
1.498 0.250 1.498 1.750
![Page 7: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/7.jpg)
media
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
1.4 1.45 1.5 1.55 1.6 1.65
![Page 8: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/8.jpg)
1%
5%
9%
13%
20%
26%
13% 9% 3% 1%
frecuencia relativa
1
2
3
4
5
6
7
8
9
10
![Page 9: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/9.jpg)
0.000
10.000
20.000
30.000
40.000
50.000
60.000
70.000
80.000
1.350 1.400 1.450 1.500 1.550 1.600 1.650
![Page 10: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/10.jpg)
0.000
10.000
20.000
30.000
40.000
50.000
60.000
70.000
80.000
1
2
3
4
5
6
7
8
9
10
Series1
![Page 11: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/11.jpg)
histograma x y
1.373 0.000 1.373 4.000 1.399 2.000 1.399 0.000 1.399 16.000 1.424 16.000 1.424 0.000 1.424 27.000 1.450 27.000 1.450 0.000 1.450 40.000 1.475 40.000 1.475 0.000 1.475 61.000 1.501 61.000 1.501 0.000 1.501 76.000 1.527 76.000 1.527 0.000 1.527 27.000 1.552 27.000 1.552 0.000 1.552 8.000
![Page 12: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/12.jpg)
1.578 8.000 1.578 0.000 1.578 2.000 1.603 2.000 1.603 0.000
MEDIA
Ẋ+s
0.000
Ẋ+2s
0.000
Ẋ+3s
0.000
Ẋ-s
0.000
Ẋ-2s
0.000
Ẋ-3s
0.000
10.000
20.000
30.000
40.000
50.000
60.000
70.000
80.000
90.000
100.000
1.300 1.350 1.400 1.450 1.500 1.550 1.600 1.650 1.700
Títu
lo d
el e
je
Título del eje
TVSLS USL
![Page 13: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/13.jpg)
media 1.498 0.000 1.498 90.000 TV
desviacion estandar 1.400 0.000
1 1.544 0.000 1.400 90.000 1.544 80.000
2 1.590 0.000 -0.150 1.590 80.000 1.25000 0.000
3 1.636 0.000 1.25000 90.000 1.636 80.000
0.150 1.550 0.000
-1 1.453 0.000 1.550 90.000 1.453 80.000
-2 1.407 0.000 1.407 80.000
-3 1.361 0.000 1.361 80.000
![Page 14: Unidad 1 final estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081702/55b86133bb61eb5d078b466d/html5/thumbnails/14.jpg)
La estadística aplicada en la Ingeniería se hace mediante la rama de la estadística que busca implementar los procesos probabilísticos y estadísticos de análisis e interpretación de datos o características de un conjunto de elementos al entorno industrial, a efectos de ayudar en la toma de decisiones y en el control de los procesos industriales y organizacionales. Pueden distinguirse tres partes: * el estudio de las series temporales y las técnicas de previsión, y la descripción de los pasos necesarios para el establecimiento de un sistema de previsión operativo y duradero en una empresa; * el análisis multivalente, necesario para la extracción de información de grandes cantidades de datos, una de las necesidades más apremiantes; * el control de calidad y la fiabilidad. Las aplicaciones de la estadística en la ingeniería actualmente han tomado un rápido y sostenido incremento, debido al poder de cálculo de la computación desde la segunda mitad del siglo XX. Para comprender el desarrollo de las aplicaciones de la estadística en la ingeniería hay que citar que los Viejos Modelos Estadísticos fueron casi siempre de la clase de los modelos lineales. Ahora, complejos computadores junto con apropiados algoritmos numéricos, están utilizando modelos no lineales (especialmente redes neuronales y árboles de decisión) y la creación de nuevos tipos tales como modelos lineales generalizados y modelos multinivel. El incremento en el poder computacional también ha llevado al crecimiento en popularidad de métodos intensivos computacionalmente basados en re muestreo, tales como test de permutación y de bootstrap, mientras técnicas como el muestreo de Gibbs han hecho los métodos bayesianos más accesibles.