Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Mest1 U2 A1 Rooh PDF
Mest1 U2 A1 Rooh PDF
Carrera:
LICENCIATURA EN MATEMÁTICAS
Materia:
Estadística I.
U2-A1:
Foro.
Grupo:
MT-MEST1-2001-B2-001
Maestro:
1.- Investiga:
Hay 2 tipos de estimación : la estimación puntual y la estimación por intervalos. Unos autores
también toman los mínimos cuadrados como un tipo de estimación.
Un estimador puntual utiliza un numero único o valor para localizar una estimación del parámetro.
Un intervalo de confianza es un rango dentro del cual puede encontrarse el parámetro.
En general existe parámetros muestrales de variable aleatoria, que son usados para aproximarse
a los valores de los parámetros poblacionales. A estos valores poblacionales se les conoce como
estimadores.
Las propiedades de los estimadores son, el sesgo, la eficiencia, la consistencia y la
Suficiencia.
Un estimador es insesgado cuando coincide con los parámetros poblacionales, como ser la
media , desviación estandar o cualquier otro.
Si se toman muestras cada vez mas grandes es obvio que el estimador muestral se acercara
cada vez mas al estimador poblacional. La consistencia se entiende en que esta sucesión sea
convergente en probabilidad hacia el parámetro poblacional.
La suficiencia tiene que ver con que el estimador muestral reúna la mayor cantidad de
características, para poder ser usado como estimador del parámetro poblacional.
A medida que n se vuelve mas grande, la distribución de las medias muestrales se aproxima a
𝝈
̅
una distribución normal con media 𝑿 = 𝝁 𝒚 𝝈𝑿 =
√𝒏
Por el teorema del Limite central sabemos que los parámetros de una muestra tienden a una
distribución normal, por lo que casi siempre estaremos trabajando con una distribución normal.
La distribución de una muestra, en realidad puede ser cualquiera, pero si tomamos varias
muestras , estos estadísticos siempre tenderán a una distribución normal.
2.- Contesta:
Página 4 de 22
𝟏
𝒇(𝒙) = 𝒑𝒂𝒓𝒂 𝒙 ∈ [𝒂, 𝒃]
𝒃−𝒂
Ejemplo 1.-
Se lanza un dado y se observa el resultado, aquí el espacio muestral es :
𝟏
𝑺 = {𝟏, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔} 𝒚 𝒑(𝒙𝒊) =
𝟔
Ejemplo 1.-
Lanzar 3 dados no truqueados 100 veces y considerar la suma de los resultados:
Este experimento cuando n es grande tiende a una distribución normal que es simétrica.
Ejemplo 2.-
Ejemplo 3.-
El 20% de todos los ejemplares de un libro de texto no pasan una prueba de resistencia de
encuadernación. Sea X el numero de ejemplares seleccionados al azar que no pasan la prueba.
1 −(𝑥−𝜇)2
, −∞<𝑥<∞
𝑓(𝑥) = 𝑒 𝜎2
√2𝜋𝜎
La distribución normal también es conocida como la campana de Gauss , por su parecido con una
campana.
Página 6 de 22
E. Qué representa el área bajo la curva de la gráfica de una Distribución Normal, y qué
valores numéricos toma.
1 −(𝑥−𝜇)2
, −∞<𝑥<∞
𝑓(𝑥) = 𝑒 𝜎2
√2𝜋𝜎
𝑑𝑜𝑛𝑑𝑒 𝜇 𝑒𝑠 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑦 𝜎 𝑙𝑎 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟.
F. Establece las condiciones y los requisitos, para que la aproximación una distribución
binomial se pueda simplificar por medio de la distribución normal.
Ejercicios y problemas:
Sea Z una variable aleatoria que tiene una distribución normal estándar. Realiza una gráfica
representativa en GeoGebra, para cada cálculo.
Encuentra:
a) P (Z ≤ 1.54) = 0.9382
Página 7 de 22
c) P (−0.1 ≤ Z ≤ 0.9)=0.3558
Página 8 de 22
En una fábrica de memorias usb´s, se sabe que el 6% salen defectuosas. Determinar la probabilidad
de que en una muestra de 10:
6
Aquí tenemos 𝑛 = 10 𝑦 𝑝 = 100 = 0.06
Usamos:
𝒏
𝑷(𝑿 = 𝒙) = ( ) 𝒑𝒙 𝒒𝒏−𝒙 𝒄𝒐𝒏 𝒑 + 𝒒 = 𝟏
𝒙
a) Ninguna salga defectuosa.
𝟏𝟎 𝟏𝟎!
𝑷(𝑿 = 𝟎) = ( ) 𝟎. 𝟎𝟔𝟎 (𝟏 − 𝟎. 𝟎𝟔)(𝟏𝟎−𝟎) = ∗ 𝟏 ∗ (𝟎. 𝟗𝟒)𝟏𝟎 = 𝟎. 𝟓𝟑𝟖𝟔
𝟎! 𝟏𝟎!
𝟎
Página 9 de 22
b) 3 salga defectuosas.
𝟏𝟎 𝟏𝟎!
𝑷(𝑿 = 𝟑) = ( ) 𝟎. 𝟎𝟔𝟑 ∗ (𝟎. 𝟗𝟒)𝟕 = 𝟎. 𝟎𝟔𝟑 ∗ (𝟎. 𝟗𝟒)𝟕
𝟑 𝟑! 𝟕!
𝑷(𝑿 = 𝟑) = 𝟎. 𝟎𝟏𝟔𝟖𝟎
Página 10 de 22
c) 1 salga defectuosa
𝟏𝟎 𝟏𝟎!
𝑷(𝑿 = 𝟏) = ( ) 𝟎. 𝟎𝟔𝟏 ∗ (𝟎. 𝟗𝟒)𝟗 = 𝟎. 𝟎𝟔𝟏 ∗ (𝟎. 𝟗𝟒)𝟗
𝟏 𝟏! 𝟗!
𝑷(𝑿 = 𝟏) = 𝟎. 𝟑𝟒𝟑𝟕𝟗
En Geogebra :
Página 11 de 22
3
𝟏𝟎 𝒙
𝑃(𝑋 ≤ 3) = ∑ ( ) 𝟎. 𝟎𝟔 ∗ 𝟎. 𝟗𝟒𝟏𝟎−𝒙 =
𝑥=0 𝒙
𝟏𝟎 𝟏𝟎 𝟏𝟎 𝟏𝟎
( ) 𝟎. 𝟎𝟔𝟎 ∗ 𝟎. 𝟗𝟒𝟏𝟎 + ( ) 𝟎. 𝟎𝟔𝟏 ∗ 𝟎. 𝟗𝟒𝟗 + ( ) 𝟎. 𝟎𝟔𝟐 ∗ 𝟎. 𝟗𝟒𝟖 + ( ) 𝟎. 𝟎𝟔𝟑 ∗ 𝟎. 𝟗𝟒𝟕 =
𝟎 𝟏 𝟐 𝟑
𝑷(𝑿 ≤ 𝟑) = 𝟎. 𝟗𝟗𝟖
En Geogebra:
Página 12 de 22
10
𝟏𝟎
𝑃(4 ≤ 𝑋) = ∑ ( ) 𝟎. 𝟎𝟔𝟒 ∗ 𝟎. 𝟗𝟒𝟏𝟎−𝒙 = 𝟎. 𝟎𝟎𝟐
𝑥=4 𝟒
En Geogebra :
Página 13 de 22
𝑬(𝑿) = 𝟏𝟎 ∗ 𝟎. 𝟎𝟔 = 𝟎. 𝟔
Puedes hacer los cálculos con GeoGebra. Apóyate en uno de los videos publicados.
Una máquina llena empaques de dulces, con un contenido medio de 220 gramos y una varianza de
180 gramos cuadrados. Se toma una muestra aleatoria de 50 bolsas.
Página 14 de 22
Tenemos que:
𝝈 𝟏𝟑. 𝟒𝟏𝟔𝟒
𝒏 = 𝟓𝟎 , ̅ = 𝝁 = 𝟐𝟐𝟎 𝒈𝒓. ,
𝑿 𝝈𝑿 = = = 𝟏. 𝟖𝟗𝟕𝟑
√𝒏 √𝟓𝟎
Determinar:
a) La probabilidad que la media muestral de empaque sea entre 219 y 222 gramos.
Estandarizando tenemos
𝟐𝟏𝟗 − 𝟐𝟐𝟎
𝒛𝟏 = = −𝟎. 𝟓𝟐𝟗𝟏
𝟏. 𝟖𝟗
𝟐𝟐𝟐 − 𝟐𝟐𝟎
𝒛𝟐 = = 𝟏. 𝟎𝟓𝟖𝟐𝟎
𝟏. 𝟖𝟗
En geogebra
Página 15 de 22
𝟐𝟐𝟑 − 𝟐𝟐𝟎
𝒛𝟏 = = 𝟏. 𝟓𝟖𝟕𝟑
𝟏. 𝟖𝟗
𝟐𝟏𝟕 − 𝟐𝟐𝟎
𝒛𝟏 = = −𝟏. 𝟓𝟖𝟕𝟑
𝟏. 𝟖𝟗
𝑷(𝒛 < −𝟏. 𝟓𝟖𝟕𝟑) = 𝟎. 𝟎𝟓𝟔𝟐
En Geogebra:
Página 16 de 22
̅ −𝟐𝟐𝟎
𝑿
Entonces : = −𝟏. 𝟔𝟏 ̅ = −𝟏. 𝟔𝟏 ∗ 𝟏. 𝟖𝟗 + 𝟐𝟐𝟎 = 𝟐𝟏𝟔. 𝟗𝟓 grs
𝒑𝒐𝒓 𝒍𝒐 𝒒𝒖𝒆 𝑿
𝟏.𝟖𝟗
Realiza el experimento de lanzar 80 veces en forma simultánea, 3 dados (de seis lados, normales, no
cargados). Anota tus resultados, con ellos realiza una distribución de probabilidades, y su gráfica.
a) Suma los resultados.
Numero L1 L2 L3 Suma
Página 17 de 22
1 1 6 3 10
2 5 5 4 14
3 6 5 6 17
4 1 2 3 6
5 3 1 4 8
6 2 6 5 13
7 4 4 3 11
8 1 5 1 7
9 6 5 1 12
10 2 6 5 13
11 4 2 4 10
12 2 3 3 8
13 6 5 6 17
14 6 5 3 14
15 3 6 4 13
16 1 2 3 6
17 6 3 2 11
18 5 2 6 13
19 4 5 4 13
20 5 2 1 8
21 1 5 3 9
22 2 2 3 7
23 3 3 4 10
24 2 3 3 8
25 5 2 4 11
26 2 3 3 8
27 6 1 4 11
28 5 1 6 12
29 3 6 2 11
30 1 4 1 6
31 1 6 5 12
32 4 6 3 13
33 2 4 5 11
34 3 4 3 10
35 4 3 4 11
Página 18 de 22
36 6 4 5 15
37 4 4 3 11
38 1 4 3 8
39 2 1 2 5
40 3 1 6 10
41 2 1 1 4
42 3 1 1 5
43 6 5 6 17
44 2 4 5 11
45 4 3 2 9
46 3 5 2 10
47 2 4 6 12
48 1 2 6 9
49 1 4 5 10
50 1 5 1 7
51 6 5 3 14
52 2 5 3 10
53 1 6 2 9
54 5 1 5 11
55 6 5 4 15
56 1 6 5 12
57 5 2 5 12
58 5 6 1 12
59 6 6 3 15
60 1 6 1 8
61 6 6 4 16
62 2 5 3 10
63 2 6 1 9
64 4 5 4 13
65 5 3 2 10
66 1 2 4 7
67 3 6 3 12
68 1 3 6 10
69 6 2 6 14
70 6 4 2 12
Página 19 de 22
71 1 1 4 6
72 1 6 1 8
73 1 2 3 6
74 4 2 5 11
75 2 5 2 9
76 1 2 4 7
77 4 6 3 13
78 4 5 1 10
79 3 2 6 11
80 4 3 6 13
e) ¿Observas alguna simetría? ¿Cómo se llama a esta distribución de los datos organizados?
Claramente este diagrama de frecuencias tiende a una distribución normal . Y se puede considerar
que es en torno a los valore 10 y 11 que nos da como resultado de sumar el resultado de los 3 dados.
f) Escribe lo que observas, tomando en cuenta lo que hemos analizado en este foro.
Es de esperarse que si n es mas grande este diagrama de frecuencias se aproximará mas a una
distribución normal.
La grafica con 200 lanzamientos es :
Página 22 de 22
Bibliografía
Crespo, R. (2013). Formulas y apuntes de Estadística aplicada. Madrid España: Cisolog.
L., D. J. (2008). Probabilidad y Estadistica para Ingenieria y Ciencias. México D.F.: Cengage.
Meyer, P. (1992). Probabilidad y Aplicaciones Estadísticas. Delaware U.S.A.: Fondo Educativo Interamericano.
Salazar , C. P., & Del Castillo, S. G. (2018). Fundamentos Basicos de Estadistica. Mexico.