Parcial 2 Álvarez González Areli

ÁLVAREZ GONZÁLEZ ARELI MAGALI
NL. 2 NE. 1
Examen II
ANÁLISIS DE DATOS EXPERIMENTALES
INGENIERIA QUIMICA
CONTENIDO
TEMAS:
I.- INSTRUMENTACIÓN
DIDÁCTICA.II.-
PROGRAMA SÍNTETICO
III.- DISTRIBUCIONES DE PROBABILIDAD
IV.- ESTIMACION POR INTERVALO DE CONFIANZA
Leer, copiar y editar + comentario por
parte del alumno(a) de: I.-
INSTRUMENTACIÓN DIDÁCTICA +
CPPA.II.- PROGRAMA SINTÉTICO + CPPA
-- Comentario de comentarios anteriores.
Apoyándose en el programa computación al EASY

FIT, y los libros tanto de texto como el solucionario,
además de las notas del profesor PROPORCIONAR:
III.- Contenido: Distribuciones de probabilidad
Proporcionas las distribuciones de probabilidad
siguientes como se solicitaron en el examen I.
a) Discreta uniforme + CPPA
b) Binomial + CPPA
c) Poisson
d) Uniforme continuo + CPPA.
e) Triangular + CPPA.
f) Normal + CPPA.
g) Comentario de comentarios anteriores de este
tema IV.- Contenido: Estimación por intervalo de
confianza
Proporcione los 10 modelos vistos en clase
conforme a la metodología establecida por
elprofesor, así como su CPPA de cada uno de los
modelos.
Comentario de comentarios de este tema.
I.INSTRUMENTAC
ION DIDACTICA
SUBDIRECCIÓN ACADÉMICA
INSTRUMENTACIÓN DIDÁCTICA PARA LA FORMACIÓN Y
DESARROLLO DE COMPETENCIAS
Nombre de la ANÁLISIS DE DATOS
asignatura: EXPERIMENTALES
Carrera: INGENIERÍA QUÍMICA
Clave de la
CL21 A
asignatura:
Horas teoría - Horas
práctica Créditos: 3 - 2 - 5
1. Caracterización de la asignatura
Esta asignatura aporta al per l de Ingeniero Químico las

herramientas metodológicas, para el análisis,
caracterización, interpretación y predicción de los
distintos fenómenos involucrados en las diferentes áreas
dentro del proceso de producción e investigación con
la interpretación de los resultados haciendo uso de sus
conocimientos para la toma de decisiones.
Objetivo(s) general(es) del curso.

2.
(Competencias especí cas a desarrollar)

Conocer y aplicar los distintos tipos de estadísticos para
tomar decisiones sobre datos experimentales. Lo
anterior le permitirá obtener un modelo matemático
que describa y controle un proceso determinado
3. Análisis por competencia

Establecer con base en un
experimento aleatorio la distribución de
probabilidad apropiada, corroborando los
Descripción de la axiomas y teoremas
correspondientes.
Competencia: 1 competencia: Analizar los tipos de
sucesos y asociarlos con el modelo
matemático correspondiente en la solución
de problemas.
Temas
para Activida Activida Desarrollo Horas
desarrollar des de des de de teóricoprácti
la aprendiz enseñan competen cas
Competen aje za cias
cia especí genéricas
ca
TNMC-AC-PO-004-01 Revisión 1
1. Fundamento
deprobabilidad y
variables aleatorias
1.1 Espacio
muestraly eventos.
1.2 Axiomas
yteoremas de
probabilidad.
1.3 Probabilidadcon
dicional e
indepencia.
1.4 Variablesaleatori
a discretas. 1.5 1
Variables aleatorias 2
continuas. 1.6 -
Función de masa de
8
probabilidad
(variables discretas
y continuas) 1.7
Función acumulada
de probabilidad
(variables discretas y
continuas)
• Capacid
ad de
análisis y
• • Explica síntesis
Representa los
por medio fundame
del ntos de • Comunic
planteamie probabili ación
nto de un dad y oral y
problema el variables escrita en su
comportam aleatoria propia
iento de las s. • Por lengua
distribucion medio de • Habilidad
es de fénomen es
probabilida os de la básicas
d continuas naturalez
de
y discretas a explica
manejo de la
como se
computador
obtienen
a
las
Trabajo
distribuci
•
ones de en
probabili equipo
dad. • Habilidad
es de
investiga
ción
Indicadores
No.
Descripción Porcentaje
Indicador
Conoce fundamentos de
1 variables aleatorias discretas y 25
continuas.
Resuelve problemas utilizando
2 distribuciones discretas y 25
continuas.
Interpreta resultados de
3 problemas donde utiliza 25
distribuciones discretas y
continuas
Aplica los conocimientos
4 teóricos a a fenómenos de la 25
naturaleza.
Niveles de
desempeño
INDICADORES
NIVEL DE VALORACIÓN
DESEMPEÑO 1 2 3 4
DESEMPEÑO NUMÉRICA
Excelente X X X X de 91 a 100
Bueno X X X de 81 a 90
Competencia Su ciente X X de 70 a 80
Alcanzada
Competencia
Insu ciente X de 0 a 69
no alcanzada
Matriz de evaluación
Evidencia
de Indicadores Evaluación
aprendizaje
2 3 4
1 [25%]
[25%] [25%] [25%]
TAREAS 3 4 4 4 15
EXAMEN 15 15 15 15 60
ASISTENCIA 6 6 6 7 25
Comprender los conceptos y
aplicar teoría de distribuciones de muestreo
Descripción de la
Competencia: 2 y diferentes tipos de fenómenos que se
presentan en una muestra. competencia:
Temas para
desarrollar la Actividad Actividad Desarrollo Horas
Competencia es de es de de teóricoprá
especí ca aprendiza enseñanz competenci cticas
je a as genéricas
2. -
Distribuciones
deprobabilid
ad.
2.1
Distribució
nbinomial. 2.2
Distribució 12 - 8
n dePoisson.
2.3
Distribució
nNormal. 2.4
Distribució
n t.2.5
Distribución Capaci
Explic
Exponencial.
• •
a los dad de
2.5 Media y
fundame análisis y
varianzade
ntos de síntesis
variables • distribuci Comuni
aleatorias Resolver
•
ones de cación
ejercicio probabili oral y
s y dad.
problem • Mues
as tra
relacion caracterí escrita en su
ados sticas de propia
con las cada lengua
diferent una de • Habilida
es las des
distribuc distribuci básicas
iones de ones. de
probabil • Por manejo de
idad. medi la
o de computador
fénomen a
os de la • Solución
naturalez de
a explica problem
las as
distribuci
Trabajo
ones de
•
en
probabili
dad. equipo
• Habilida
des de
investig
ación
Indicadores
No.
Indicador
Identi ca adecuadamente la
1 distribución muestral a utilizar 25
en la solución de problemas
Plantea adecuadamente el
2 25
problema
Aplica adecuadamente el
3 25
procedimiento de solución
Interpreta correctamente los
4 25
resultados
Niveles de desempeño
INDICADORES
DESEMPEÑO 1 2 3 4
Alcanzada
Competencia
no alcanzada
Evidencia de Indicadores Evaluación
aprendizaje
1 2 3 4
[25%] [25%] [25%] [25%]
TAREAS 3 4 4 4 15
EXAMEN 15 15 15 15 60
Aplicará los fundamentos de la teoría de estimación en
problemas
que requieran el cálculo del tamaño de la
Descripción de la
Competencia: 3 muestra, con los diferentes
intervalos de con anza de la competencia:
media, proporción y varianza, que se
relacionen con la situaciones reales en el
entorno.
Temas
para Activida Actividad Desarrollo de Horas
desarrollar des de es de competenci teóricoprác
la aprendiz enseñanz as genéricas ticas
Compete aje a
ncia
especí ca
3.-
Estimació
n de
parámetr
os.
3.1
Introduc
ción al
muestre
o y tipos 12 - 8
de
muestre
o.
3.2
Distribuci
ón
muestral
de la
media y
Capacid
la
•
varianza. ad de
3.3 • Descri análisis y
Estimació • be las síntesis
n puntual. Resolver caracterís • Comunic
3.4 ejercicios ticas de ación oral y
Intervalos y los escrita en su
de con problem diferentes propia
nza. as tipos lengua
3.5 relacion muestreo. • Habilidad
Estimació ados con • Muest es básicas
n por estimaci ra a de
intervalos ón por través manejo de la
de con intervalo de computador
anza de con ejemplos a
para la anza. las Solución
media y
•
distribució de
la
n de las problemas
varianza.
medias • Trabajo
muestrale en equipo
s, así • Habilidad
como de es de
las
investigación
varianzas
muestrale
s.
Indicadores
No.
Indicador
Explica los diferentes tipos de
1 25
muestreo
Evalúa estimadores puntuales
2 25
y de intervalo de con anza.
Resuelve problemas de
3 intervalos de con anza para la 25
estimación de un solo
parámetro y para la diferencia
entre dos parámetros.
Toma decisiones con base en
4 el análisis de tablas de 25
independencia y contingencia
INDICADORES
DESEMPEÑO 1 2 3 4
Competencia Bueno X X X de 81 a 90
Alcanzada
Su ciente X X de 70 a 80
Competencia
no alcanzada
Evidencia
de Indicadores Evaluación
aprendizaje
2 3 4
1 [25%]
[25%] [25%] [25%]
TAREAS 3 4 4 4 15
EXAMEN 15 15 15 15 60
Identi car y aplicar los conceptos básicos de una prueba de
hipótesis.
Identi car los diferentes fenómenos que se presentan en una
prueba Descripción
de la
Competencia: 4 de hipótesis.
competencia:
Identi car y analizar cuáles son
los posibles fenómenos que se
pueden analizar a través de una
prueba de hipótesis.
Temas
para Activida Actividad Desarrollo de
desarrollar des de es de competencias Horas
la aprendiz enseñanz genéricas teóricoprácti
Competen aje a cas
cia especí
ca
4.- Prueba
de
hipótesis..
4.1
Hipótesis
estadísticas
.
4.2
Hipótesis
de una y
dos colas.
4.3 Errores
12 - 8
tipo I y tipo
II.
4.4
Pruebas
de
hipótesis
sobre la
media,
variancia
conocida
y
desconoci
da.
4.5
Pruebas
de • Capacida
hipótesis • Expli d de
sobre la ca cómo análisis y
varianza • se lleva a síntesis •
de Resuelve cabo Habilidad
población ejercicios una es básicas
normal. de prueba de
Error tipo de
prueba manejo
beta. hipótesis.
de de la
4.6 Pruebas Mues
hipótesis. computa
de hipótesis
•
tra dora
sobre la
ejemplos Solución
proporción. •
de de
diferente problema
s tipos de s • Toma
pruebas de
de decisiones
.
hipótesis.
• Da
element • Trabajo
os para en equipo
toma de • Habilidad
decisión es de
en la investigac
prueba ión
de
hipótesis.
Indicadores
No.
Indicador
Identi ca los elementos
1 necesarios para realizar una 25
prueba de hipótesis.
Conoce la secuencia para ejecutar

2 25
una prueba de hipótesis
Plantea de manera adecuada las
3 25
hipótesis a analizar
Resuelve e interpreta resultados de
4 25
una prueba de hipótesis
INDICADORES
DESEMPEÑO 1 2 3 4
Alcanzada
Competencia
no alcanzada
Evidencia de
Indicadores Evaluación
aprendizaje
1 2 3 4
[25%] [25%] [25%] [25%]
TAREAS 3 4 4 4 15
EXAMEN 15 15 15 15 60
Fuentes de información: Apoyos didácticos:
Walpole, Ronald E ; Myers, Computadora,
Raymond H Myers, y Sharon Classroom, pintarrón,
L, Probabilidad y plumones, Easy Fit y
Estadística para ingenieros, Excel
6ª. Ed., PrenticeHall
Hispanoamericana S.A,
México.
Calendarización de evaluación (semanas):
Semanas 1 2 3 4 5 6 7 8 9 1 1 1 1 1 1 16
0 1 3 4 5
T.P ED EF EF ES EF EF EF ES EF EF EF ES EF EF EF ES
T.R
ED= Evaluación diagnóstica. EF = Evaluación
formativa. ES = Evaluación sumativa.
ESC = Evaluación sumativa de complementación. TP
= Tiempo planeado. TR =Tiempo real.
MURILLO MONTOYA ANTONIO
Nombre y Firma del Docente
Vo. Bo. Jefe del Departamento
II.- PROGRAMA SINTETICO

TECNOLÓGICO NACIONAL DE MÉXICO EN
CELAYA, GTO. CAMPUS II
DEPARTAMENTO DE INGENIERÍA INDUSTRIAL,
CUBÍCULO 1ª
PROGRAMA SINTÉTICO
MATERIA: ANÁLISIS DE DATOS
EXPERIMENTALES, GRUPO “A”
CARRERA: INGENIERÍA QUÍMICA
PERIODO: ENE-JUN 2023 HORARIO: L (8-9), MA,
J (7-9) HRS SALÓN (52)
)
PROFESOR: ING. ANTONIO MURILLO
MONTOYA
EXAMEN DIAGNÓSTICO: Lunes 30 de enero del 2023
OBJETIVO(S) GENERAL(ES) DEL CURSO: (Competencia específica

a desarrollar en el curso):
Conocer y aplicar los distintos tipos de estadísticos para tomar
decisiones sobre datos experimentales.
Lo anterior le permitirá obtener un modelo matemático que
describa y controle un proceso determinado.
Competencias genéricas: Instrumentales entre otras:

Capacidad de análisis y síntesis, Conocimientos básicos
de la carrera, Comunicación oral y escrita, Habilidades
de manejo de computadora., Interpersonales entre
otras: Capacidad crítica y autocrítica, Trabajo en equipo,
Liderazgo e iniciativa, Capacidad de tener iniciativa
para resolver problemas, Liderazgo e iniciativa.
Sistémicas entre otras: Capacidad de aplicar los
conocimientos en la práctica, Habilidades de
investigación, capacidad de aprender, Capacidad de
generar nuevas ideas (creatividad), Habilidad para
trabajar en forma autónoma.
Del 2 al 21 de febrero
UNIDAD I
Competencias específicas a desarrollar: Establecer con
base en un experimento aleatorio la distribución de
probabilidad apropiada, corroborando los axiomas y
teoremas correspondientes. Analizar los tipos de sucesos y
asociarlos con el modelo matemático correspondiente en
la solución de problemas.
TEMA 1: FUNDAMENTO DE PROBABILIDAD Y
VARIABLES ALEATORIAS.
Subtemas: 1.1 Espacio maestral y eventos. 1.2 Axiomas y
teoremas de probabilidad. 1.3 Probabilidad condicional
e indepencia. 1.4 Variables aleatoria discretas. 1.5
Variables aleatorias continuas. 1.6 Función de masa de
probabilidad (variables discretas y continuas) 1.7 Función
acumulada de probabilidad (variables discretas y
continuas).
EXAMEN I Jueves 23 de
febrero del 2023 Entrega de
calificaciones: 020323
Del 27 de febrero 21 de marzo

UNIDAD II
Competencias específicas a desarrollar: Comprender los
conceptos y aplicar teoría de distribuciones de muestreo y
diferentes tipos de fenómenos que se presentan en una
muestra.
TEMA 2: DISTRIBUCIONES DE PROBABILIDAD.
Subtemas: 2.1 Distribución binomial. 2.2 Distribución de Poisson.
2.3 Distribución Normal. 2.4 Distribución t. 2.5 Distribución
Exponencial. 2.5 Media y varianza de variables aleatorias.
EXAMEN II Jueves 23 de
marzo del 2023 Entrega de
Del 27 de marzo al 2 de mayo UNIDAD

III.
Competencias específicas a desarrollar: Aplicará los
fundamentos de la teoría de estimación en problemas que
requieran el cálculo del tamaño de la muestra, con los
diferentes intervalos de confianza de la media, proporción
y varianza, que se relacionen con las situaciones reales en
el entorno.
TEMA 3: - ESTIMACIÓN DE PARÁMETROS.
Subtemas: 3.1 Introducción al muestreo y tipos de
muestreo. 3.2 Distribución maestral de la media y la
varianza. 3.3 Estimación puntual. 3.4 Intervalos de
confianza. 3.5 Estimación por intervalos de confianza
para la media y la varianza.
EXAMEN III Jueves 4 de

mayo del 2023 Entrega de
Del 8 al 30 de mayo
UNIDAD IV
Competencias específicas a desarrollar: Identificar y
aplicar los conceptos básicos de una prueba de hipótesis.
Identificar los diferentes fenómenos que se presentan en
una prueba de hipótesis. Identificar y analizar cuáles son los
posibles fenómenos que se pueden analizar a través de
una prueba de hipótesis.
TEMA 4: PRUEBA DE HIPÓTESIS.
Subtemas: 4.1 Hipótesis estadísticas. 4.2 Hipótesis de una
y dos colas. 4.3 Errores tipo I y tipo II. 4.4 Pruebas de
hipótesis sobre la media, variancia conocida y
desconocida. 4.5 Pruebas de hipótesis sobre la varianza
de población normal. Error tipo beta. 4.6 Pruebas de
hipótesis sobre la proporción.
EXAMEN IV Jueves 1 de
junio del 2023 Entrega de
SEGUNDAS OPORTUNIDADES 8 de junio del

2023 o antes.
BIBLIOGRAFÍA:
• Walpole, Ronald E ; Myers, Raymond H Myers, y Sharon L,

Probabilidad y Estadística para ingenieros, 9ª Ed.,
PEARSON.
• Raymond H. Myers, Keying E. Ye, Sharon L. .Myers.

Instructor’s Solutions Manual for Probability and Statistics
for Engineers and Scientists9th Edition.
• Programas computacionales: Easy fit, Minitab, Excel.

ANALISIS DE DATOS EXPERIMENTALES (ene-jun 2023, 130223)
Comentario personal:
Saber como se evaluará los parciales del semestre es muy
importante para poder tener una guía de cuales son los puntos
a considerar para pasar la materia.
III.- DISTRIBUCIONES DE PROBABILIDAD
a) UNIFORME DISCRETA
Una distribución uniforme discreta es

aquella que tiene un número finito (o
numerablemente finito) de variables
aleatorias que tienen la misma
probabilidad de ocurrir. Ejemplos de
experimentos que dan como resultado
distribuciones uniformes discretas son el
lanzamiento de un dado o la selección
de una carta de un mazo estándar. Para
un dado justo de seis caras, existe la
misma probabilidad (1/6) de sacar 1, 2, 3,
4, 5 o 6. De manera similar, una baraja de
cartas estándar tiene 52 cartas diferentes,
por lo que la probabilidad de seleccionar
cualquier carta es 1/52. Además, en
ambos casos, hay resultados distintos
(tirada de dados o cartas), lo que indica
la naturaleza discreta de los eventos.
Más específicamente, sea x una variable

aleatoria discreta que tiene n valores en
el intervalo [a, b]; x tiene una distribución
uniforme discreta si su función de masa
de probabilidad (pmf) está definida por:
Grafica f(x)
Grafica F(x)
Cálculos
2 CALCULOS PARA f(x):
f (3) =
0.2 f
(4) =
0.2
2 CALCULOS PARA F(x):
F (3) =0.6
F (4) = 0.8
Comentarios:
En esta practica pudimos observar cual es el valor de cada
punto de f(x) y para poder ver que que F(x) sumara un
punto de valor de 0.2 para cada punto para asi formar
una grafica con tal función.
b) BINOMIAL
La distribución binomial es una distribución de

probabilidad discreta que nos dice el
porcentaje en que es probable obtener un
resultado entre dos posibles al realizar un
número n de pruebas.
La probabilidad de cada posibilidad no puede

ser más grande que 1 y no puede ser negativa.
Grafica f(x)
Cálculos
f (3) =
0.25 f
(4) =
0.0625
F (3) = 0.9375
• F (4) = 1
Comentarios:
Aquí pudimos observar que F(x) corresponde a la
probabilidad acumulada dentro de los datos obtenidos
de la muestra.
c) POISSON
La distribución de Poisson es una distribución de

probabilidad discreta que expresa, a partir de
una frecuencia de ocurrencia media, la
probabilidad de que ocurra un determinado
número de eventos durante cierto período de
tiempo. Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos con
probabilidades muy pequeñas, o sucesos
«raros».
La distribución de Poisson es popular porque

modela el número de veces que ocurre un
evento en un intervalo de tiempo.
La distribución de Poisson se aplica a varios
fenómenos discretos de la naturaleza (esto es,
aquellos fenómenos que ocurren 0, 1, 2, 3,etc.
veces durante un periodo definido de tiempo o
en un área determinada y con un número
definido de grados de libertad) cuando la
probabilidad de ocurrencia del fenómeno es
constante en el tiempo o el espacio.
Grafica f(x)
Grafica F(x)
Cálculos:
f (2):
0.01073
f (4):
0.05725
F (3):
0.04238
F(7):
0.45296
Comentarios:
Como lo vimos en clase la distribución de
Poisson puede ayudarnos a calcular la
probabilidad de que ocurren en nuestro
entorno un evento que podemos observar
todos los días. Además, en la gráfica de F(x),
podemos observar la probabilidad
acumulada con el valor creciente de x.
d) UNIFORMECONTINUA
la distribución uniforme continua es una familia de

distribuciones de probabilidad
para variables aleatorias continuas, tales que
para cada miembro de la familia, todos los
intervalos de igual longitud en la distribución en
su rango son igualmente probables. El dominio
está definido por dos parámetros, a y b, que
son sus valores mínimo y máximo
respectivamente.
Grafica f(x)
Grafica F8x)
Calculos:
2 CALCULOS
PARA f(x): f (3):
0.11111 f (9):
0.11111

F (5): 0.33333
F (10): 0.88889
Comentarios:
La probabilidad uniforme es fácil de analizar por sus

graficas simples y formulas sencillas.
e) TRIANGULAR
La distribución triangular es una familia de

distribuciones continuas de probabilidad que
tiene un valor mínimo a, un valor máximo b y
una moda c, de modo que la función de
densidad de probabilidad es cero para los
extremos (a y b), y afín entre cada extremo y la
moda, por lo que su gráfico es un triángulo.
Grafica f(x)
Grafica F(x)
Cálculos:

f (2):
0.16 f
(3):
0.32
F (5): 0.92
F (4):
0.68
Comentario:
La distribución triangular es fácil de entender. Al ver
las graficas es mas sencillo de comprender las
formulas y los resultados.
f) NORMAL
En estadística y probabilidad se llama

distribución normal, distribución de Gauss,
distribución gaussiana, distribución de
Laplace-Gauss o normalidad estadística a una
de las distribuciones de probabilidad de
variable continua que con más frecuencia
aparece en estadística y en la teoría de
probabilidades.
Grafica
f (3): 2.7931E-13 f
(5):2.9703E-11 2
CALCULOS PARA
F(x):
F(6):1.1996E-10
F(8):7.2801E-9
Comentario:
Esta distribución es fácil de entender gracias a
lo visto en clase por lo cual es muy importante
y es muy utilizadapara realizar cálculos
COMENTARIO DE COMENTARIOS
Las distribuciones son formas para realizar cálculos de
probabilidad que ocurran ciertos eventos y son muchísimo
mas fáciles de realizarlos de esa manera
IV) ESTIMACION POR INTERVALO DE CONFIANZA

Modelo 1
1.- Estimación por intervalo de confianza de la
media poblacional µ a partir de la media
muestral 𝗑̅ cuando se conoce la desviación
estándar poblacional σ.
Fórmula del modelo.
𝝈 𝝈
(𝗑̅ − 𝒁𝑎 (𝒏) < 𝝁 < (𝗑̅ ̅) +
𝒁𝟏−𝑎 (𝒏)
𝟐 𝟐
Distribución de probabilidad muestral
Ejemplo: Enunciado del problema:

Ejemplo: Se calcula que la media muestral 𝗑̅
de los promedios en la materia de calidad
en una muestra aleatoria de n = 36 alumnos
universitarios de último año es de 2.6.
Encuentre los intervalos de confianza: a) del
95%
b) del 99% para la media del total de alumnos
del último año µ. Asuma que la desviación
estándar poblacional σ = 0.3.
Solución:
Información disponible y
calculada, así como la teoría
Datos.
𝗑̅̅ ̅
𝒏 = 𝟑𝟔
𝗑̅̅ ̅
𝒏 = 𝟑𝟔
𝒏 ≥ 𝟑𝟎
̅−𝝁
𝒁
Sustitución de valores en fórmula
𝟎.𝟑 𝟎. 𝟑
𝟐.
√𝟑𝟔 Resultado.
a) 𝟐. . 𝟔𝟗𝟖
b) 2.4712 .𝟐𝟏𝟐𝟎𝟕
Interpretación del resultado.
Hay una probabilidad del 95% de que el valor
de la media poblacional se encuentre entre
𝟐. 𝟓𝟏𝟐 𝒚 𝟐.𝟔𝟗𝟖 en el inciso a.
Hay una probabilidad del 99%de que el valor
de la media poblacional se encuentre entre
2.4712 𝒚 𝟔. 𝟐𝟏𝟐𝟎𝟕 en el inciso b.
Comentario:
La distribución normal, distribución de Gauss,
distribución gaussiana o distribución de
Laplace-Gauss, a una de las distribuciones
de probabilidad de variable continua que
con más frecuencia aparece en estadística
y en la teoría de probabilidades. Su estudio
permite calcular la probabilidad que se
tiene, dada una sola muestra, de acercarse
al parámetro de la población.
Modelo 2
2.- Estimación por intervalo de confianza de la
media poblacional µ a partir de la media
muestral 𝗑̅ cuando se desconoce la
desviación estándar poblacional σ.
𝑺 𝑺
𝗑̅ ̅ ̅

Ejemplo: Los contenidos de siete recipientes
similares de ácido sulfúrico son: 9.8,
10.2, 10.4, 9.8, 10.0, 10.2, y 9.6 litros. Encuentre
un intervalo de confianza del 95 % para la
media de todos los recipientes µ.
Solución:
Datos.
̅𝗑̅=𝟏𝟎
𝑺 = 𝟎. 𝟐𝟖𝟐𝟖
𝒗 = 𝟔
𝒏 = 𝟕
(𝟏 − 𝑎) = 𝟎. 𝟗𝟓
𝑎 = 𝟎. 𝟎𝟓
𝒂
= 𝟎. 𝟎𝟐𝟓
𝟐
𝒂
(𝟏 − ) = 𝟎. 𝟗𝟕𝟓
𝟐
𝒏 ≤ 𝟑𝟎
̅− 𝝁
𝒕

𝟎. 𝟐𝟖𝟐𝟖 𝟎. 𝟐𝟖𝟐𝟖
𝟏𝟎 − 𝟐. 𝟒𝟒𝟔𝟗 ≤ 𝝁 ≤ 𝟏𝟎 + 𝟐. 𝟒𝟒𝟔𝟗
√𝟕 √𝟕
Resultado.
𝟗. 𝟕𝟑𝟖𝟒 . 𝟐𝟔𝟏𝟓
Hay una probabilidad de que el valor de la
media poblacional se encuentre ente
9.7384 litros y 10.2615 litros Comentario:
t de Student permite estimar el valor de la
media poblacional de una variable aleatoria
que sigue una distribución normal cuando el
parámetro se extrae de una muestra
pequeña y se desconoce la varianza
poblacional.
Modelo 3
Título del modelo.
3.- Estimación por intervalo de confianza de
la diferencia entre dos medias
poblacionales µ1 - µ2 a partir de la diferencia
entre dos medias muéstrales 𝗑̅ 1 – 𝗑̅ 2
cuando se desconoce la varianza de la
población σ 12 y la varianza poblacional σ 22
.
Fórmula del
modelo.
𝟐 𝟐
(̅𝗑̅ ̅ ̅ ̅̅ ̅
𝟏̅
𝟐 𝒏𝟏 𝒏𝟐 𝟏−𝟐
+
𝒏𝟏 𝒏𝟐
𝒏𝟏 = 𝟕𝟓, σ1 = 82, 𝜎12 = 64, 𝗑̅ 1= 82
𝒏𝟐 = 𝟓𝟎, σ2 = 6, 𝜎22 = 36, 𝗑̅ 2= 76

Ejemplo: Se aplica una prueba estandarizada
de química n1 = 75 niños y n2 =
50 niñas. Los niños obtienen una calificación
promedio 𝗑̅ 1 = 82 y las niñas de 𝗑̅ 2 = 76.
Encuentre un intervalo de confianza del 96%
para la diferencia de medias poblacionales
µ1 - µ2. Suponga que las desviaciones estándar
poblacionales σ1 = 8 y σ2 = 6
respectivamente.
Solución:
Información disponible y calculada, así como

la teoría
Datos.
𝒏𝟏 = 𝟕𝟓, σ1 = 82, 𝜎12 =

64, 𝗑̅ 1 = 82
𝒏𝟐
𝟐 𝟐
̅ ̅ ̅ ̅ ̅ ̅ ̅
𝟐 𝒏𝟏 𝒏𝟐 𝟏−𝟐
+
𝒏𝟏 𝒏𝟐
𝒏 ≥ 𝟑𝟎
̅− 𝝁
𝒁
(𝟏 − 𝑎) = 𝟎. 𝟗𝟔
𝑎 = 𝟎. 𝟎𝟒
𝒂
= 𝟎. 𝟎𝟐
𝟐
𝒂
(𝟏 − ) = 𝟎. 𝟗𝟖
𝟐
𝟔𝟒 𝟑𝟔 𝟔𝟒 𝟑𝟔
√ + ≤ 𝝁𝟏 − 𝝁𝟐 ≤ 𝟖𝟐 − 𝟕𝟔) + 𝒁𝟎.𝟗𝟖√ +
.𝟎𝟐
𝟕𝟓 𝟓𝟎 𝟕𝟓
Resultado.
𝟑. 𝟒𝟐𝟑 ≤ 𝝁𝟏 − 𝝁𝟐 ≤8.57
Hay una probabilidad de que el valor de las
diferencias de medias poblacionales esta
entre 3.423 y 8.57
Comentario.
La distribución normal, distribución de Gauss,
distribución gaussiana o distribución de
Laplace-Gauss, a una de las distribuciones
de probabilidad devariable continua que
con más frecuencia aparece en estadística
y en la teoríade probabilidades.
Modelo 4
.
4.- Estimación por intervalo de confianza de
la diferencia entre dos medias
poblacionales µ1 - µ2 a partir de la diferencia
entre dos medias muéstrales 𝗑̅ 1 – 𝗑̅ 2
cuando se desconoce la varianza de la
población σ 12 y la varianza poblacional σ 22
, pero se supone que éstas son iguales.
̅ ̅ ̅ 𝑺𝒑
𝟏 𝟏 𝟏 𝟏
√𝒏𝟏 + 𝒏𝟐 ≤ 𝝁𝟏 − 𝝁𝟐 ≤(𝗑̅ − 𝗑̅ 𝟐) + (𝒕𝟏−𝑎 𝟐,𝒗)𝑺𝒑√ 𝒏𝟏 + 𝒏𝟐 ̅
𝟐

Ejemplo: Para este estudio se seleccionaron
dos estaciones independientes de muestreo.
Una localizada rio abajo del punto de
descarga de la mina y la otra rio arriba. Para
n1 = 12 muestras recogidas mensualmente en
la estación corrieron abajo, el índice de
diversidad de especies tuvo un valor
promedio de
𝗑̅ 1 = 3.1 y una desviación estándar muestral
s1 = 0.771, mientras que en n2 = 10 muestras
recogidas mensualmente rieron arriba, el
valor del índice promedio fue de 𝗑̅ 2 = 2.04
y una desviación estándar muestral s2 =
0.448. Encuentre un intervalo de confianza
del 90% para la diferencia entre las medias
poblacionales µ1 - µ2 de las dos estaciones,
asumie2ndo qu2 e las dos poblaciones tienen
varianzas poblacionales iguales, o sea que
σ=σ.
1 2
Soluc
ión:
Datos.
(𝟏 − 𝑎) = 𝟎. 𝟗𝟓
𝑎 = 𝟎. 𝟎𝟓
𝒂
= 𝟎. 𝟎𝟐𝟓
𝟐
𝒂
(𝟏 − ) = 𝟎. 𝟗𝟕𝟓
𝟐
𝑺𝟐
𝑺𝟐𝒑 𝟐
𝟐
𝒗
𝒏 𝟑𝟎
𝗑̅ 𝝁
𝟐
𝒕
𝟏 𝟏
(𝟑. 𝟏𝟏 − 𝟐. 𝟎𝟒) − (𝒕𝟎.𝟎𝟐𝟓,𝟐𝟎) . √ +
𝟏𝟐
𝟔𝟒𝟓𝟗𝟏 .𝟎𝟐𝟓,𝟐𝟎) . 𝟔𝟒𝟓𝟗𝟏
𝟏𝟎
Resultado.
𝟎. 𝟓𝟗𝟑𝟏 1.5469

Hay una probabilidad de que el valor de las
diferencias de medias poblacionales esta
entre 𝟎. 𝟓𝟗𝟑𝟏 y 1.5469
Comentario:
t de Suden permite estimar el valor de la
media poblacional de una variable aleatoria
que sigue una distribución normal cuando el
parámetro se extrae de una muestra
pequeña y se desconoce la varianza
poblacional.
Modelo 5
Título del modelo.
Estimación por intervalo de confianza de la
diferencia entre dos medias poblacionales
μ1 - μ2 a partir de la diferencia entre dos
medias muéstrales x̅ 1 – x2 ̅ cuando se
desconoce la varianza de la población 𝜎12
y la varianza poblacional 𝜎22, ademas de
que 𝜎

El departamento de Bioquímica del
TNM en Celaya, dirigió un estudio para
estimar la diferencia en la cantidad
de ortofósforo químico medido en dos
estaciones diferentes en el rio Lerma
en el municipio de Salamanca, Gto. El
ortofósforo ser mide en miligramos por
litro. Se, sacaron n1 = 15 muestras de
la estación 1 y n2 = 12 muestras en la
estación 2. Las 15 primeras tuvieron un
contenido promedio de ortofósforo de
x̅ 1 = 3.84 y una desviación estándar
muestral s1 = 3.07, mientras que en las
n2 = 12 muestras, estos datos fueron
de x2̅ = 1.49, y s2 = 0.8,
respectivamente. Encuentre un
intervalo de confianza del 95% para la
diferencia de los contenidos
promedios reales de ortofósforo para
la diferencia de medias poblacionales
μ1 - μ2 .
Solución:
Datos.
Resultado.

Hay una probabilidad del 95% de que el valor
de las diferencias de medias poblacionales
sean 0.5044 y 4.2155
Comentario.
Esta distribución es muy interesante porque se
necesitan medias muestrales y así podemos
obtener medias poblacionales y con la ayuda
de Easyfit
Modelo 6
Título del modelo.
Estimación por intervalo de confianza
de la diferencia entre dos medias
poblacionales μ2 - μ1 = μD = D a partir
de la diferencia entre dos medias
muéstrales x̅ 2 – x ̅ 1 = xd = ̅ d ̅ en
observaciones pareadas. Fórmula del
modelo.

Ejemplo: El gobierno otorgo fondos a los
Departamentos de Agricultura de nueve
universidades para que probaran las
capacidades de rendimiento de las
nuevas variedades de trigo. Cada
variedad se plantó en parcelas de igual
superficie en cada universidad y los
rendimientos en kilogramos por parcela
se registraron como se muestra en la
tabla siguiente:
Solución:
Información disponible y calculada, así como
la teoría
Datos.
Resultado.

Hay una probabilidad del 95% de que los valores
sean 0.5616 y 6.9939. La semilla dos es mejor que
la semilla 1.
Comentario:
El modelo es muy fácil de comprender por sus formulas

sencillas y sus resultados.
modelo.
Modelo 7
Título del
Solución:
Información disponible y calculada, así como la
teoría Datos.
modelo.
Sustitución de valores en
fórmula
Resultado.
Comentario:
Con la ayuda de easy fit y las notas el
método resulto mas sencillo de
comprender.
Modelo 8
Título del
Estimación por intervalo de
confianza de la diferencia de dos
modelo.
proporciones poblacionales P1 - P2
a partir de la diferencia de dos
proporciones muéstrales p1 – p2 .

Se está considerando cambiar el
procedimiento de manufactura de partes. Se
toman muestras tanto del procedimiento
actual como de nuevo para determinar, si
este último resulta ser mejor. Si n1=75 de los
1500 artículos del procedimiento actual
presentaron defectos y lo mismo sucedió con
n2=80 de 2000 partes del nuevo
procedimiento, determine un intervalo de
confianza del 90% para la diferencia real P1-
P2 de las fracciones de partes defectuosas
entre los dos procesos.
Solución:
modelo.
Datos.
75 80 𝛼
𝑝1= 1500 = 0.05, 𝑞1 = 095 , 𝑝2 = 2000
= 0.04, 𝑞2 = 0.96, 1 − 𝛼 = 0.9 , 𝛼 =
0.1 , 2 = 0. 05 ,
𝛼
1 −= 0.95
2
fórmula
Resultado. Interpretación del resultado.
Hay una probabilidad del 90% de que las

diferencias poblacionales se encuentren entre
–0.0017 y 0.0217
Comentario:
modelo.
Este ejercicio lo realizamos a partir de las

dos proporciones muéstrales y de ahí
pudimos conocer las muestras
poblacionales
modelo.
Modelo 9
Título del
Estimación por intervalo de confianza de la
varianza poblacional 𝜎 2 a partir de la
varianza muestral s2 Fórmula del modelo.
≤ 𝜎

Los siguientes son los pesos en decagramos
de n=10 paquetes de semillas de pasto
distribuidos por determinada compañía:
46.4, 46.1, 45.8, 47, 46.1, 45.9, 45.8, 46.9, 45.2,
modelo.
y 46. Encuéntrese un intervalo de confianza

del 95% para la varianza poblacional 𝜎2de
todos los paquetes de semillas de pasto que
se distribuyó por esta compañía suponiendo
una distribución normal.
Solución:
Datos. 𝑠 = 0.53, 𝑠2 = 0.28611 , 1 − 𝛼 =

0.95, 𝛼 = 0.05, 𝛼 =
0.025 , 1 − 𝛼 = 0.975
2 2
Sustitución de
valores en fórmula
modelo.
Resultado.
0.1298
Hay una probabilidad del 95% de que el

valor de la varianza poblacional se
encuentre entre 0.1298 y 0.8582
Comentario:
Las varianzas hicieron que este modelo fuera
un poco más difícil de comprender, pero con
el resultado explicado el método fue mas
sencillo de comprender.
modelo.
Modelo 10
Título del modelo.

modelo.
Solución:
calculada, así como
la teoría Datos.
fórmula
modelo.
Resultado.
Hay un 98% de confianza de que la

razón de dos varianzas poblacionales
esté entre 3.43 y 56.9026. Hay el
mismo porcentaje de confianza de
que la razón de dos desviaciones
estándar poblacionales esté entre
1.852 y 7.54.
modelo.
La justificación se da en que en
el intervalo para la
razón de dos
desviaciones
estándar 𝜎2
1
poblacionales el valor
de 1 no está incluido.
Comentario:
Al momento de realizar el
problema fue mucho más
sencillo gracias a la ayuda de
easy fit ya que explica por asi
decirlo con los valores y la grafica
lo que paso con los datos que se
usaron.
COMENTARIO DE COMENTARIOS:
Los modelos y temas en general vistos en clase
fueron sencillos de entender gracias a la ayuda
grafica que nos da el programa easy fit, y a su
vez con la explicación del profesor quedo mas
que claro lo que podemos obtener con los
modelo.
modelos vistos y como podemos utilizarlos en

distintos problemas en el ámbito industrial

Parcial 2 Álvarez González Areli

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Parcial 2 Álvarez González Areli

Cargado por

Copyright:

Formatos disponibles

ÁLVAREZ GONZÁLEZ ARELI MAGALI

ANÁLISIS DE DATOS EXPERIMENTALES

Apoyándose en el programa computación al EASY

Esta asignatura aporta al per l de Ingeniero Químico las

Objetivo(s) general(es) del curso.

(Competencias especí cas a desarrollar)

3. Análisis por competencia

Conoce la secuencia para ejecutar

Vo. Bo. Jefe del Departamento

II.- PROGRAMA SINTETICO

OBJETIVO(S) GENERAL(ES) DEL CURSO: (Competencia específica

Competencias genéricas: Instrumentales entre otras:

Del 27 de febrero 21 de marzo

Del 27 de marzo al 2 de mayo UNIDAD

EXAMEN III Jueves 4 de

SEGUNDAS OPORTUNIDADES 8 de junio del

• Walpole, Ronald E ; Myers, Raymond H Myers, y Sharon L,

• Raymond H. Myers, Keying E. Ye, Sharon L. .Myers.

• Programas computacionales: Easy fit, Minitab, Excel.

Una distribución uniforme discreta es

Más específicamente, sea x una variable

La distribución binomial es una distribución de

La probabilidad de cada posibilidad no puede

La distribución de Poisson es una distribución de

La distribución de Poisson es popular porque

la distribución uniforme continua es una familia de

2 CALCULOS PARA F(x):

La probabilidad uniforme es fácil de analizar por sus

La distribución triangular es una familia de

2 CALCULOS PARA f(x):

En estadística y probabilidad se llama

IV) ESTIMACION POR INTERVALO DE CONFIANZA

Distribución de probabilidad muestral

Ejemplo: Enunciado del problema:

Distribución de probabilidad muestral

Ejemplo: Enunciado del problema:

Sustitución de valores en fórmula

Distribución de probabilidad muestral

𝒏𝟏 = 𝟕𝟓, σ1 = 82, 𝜎12 = 64, 𝗑̅ 1= 82

𝒏𝟐 = 𝟓𝟎, σ2 = 6, 𝜎22 = 36, 𝗑̅ 2= 76

Información disponible y calculada, así como

𝒏𝟏 = 𝟕𝟓, σ1 = 82, 𝜎12 =

Sustitución de valores en fórmula

Distribución de probabilidad muestral

Interpretación del resultado.

diferencia entre dos medias poblacionales

μ1 - μ2 a partir de la diferencia entre dos

medias muéstrales x̅ 1 – x2 ̅ cuando se

desconoce la varianza de la población 𝜎12

y la varianza poblacional 𝜎22, ademas de

Fórmula del modelo.

Distribución de probabilidad muestral

calculada, así como la teoría

Interpretación del resultado.

de la diferencia entre dos medias

de la diferencia entre dos medias

observaciones pareadas. Fórmula del

Distribución de probabilidad muestral

Interpretación del resultado.

El modelo es muy fácil de comprender por sus formulas

Fórmula del modelo.

Distribución de probabilidad muestral

Ejemplo: Enunciado del problema:

Interpretación del resultado.