Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Parcial 2 Álvarez González Areli
Parcial 2 Álvarez González Areli
NL. 2 NE. 1
Examen II
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.
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
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.
Descripción Porcentaje
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
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
1 2 3 4
[25%] [25%] [25%] [25%]
ASISTENCIA 6 7 7 7 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.
Descripción Porcentaje
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
Niveles de desempeño
INDICADORES
NIVEL DE VALORACIÓN
DESEMPEÑO 1 2 3 4
DESEMPEÑO NUMÉRICA
Excelente X X X X de 91 a 100
Competencia Bueno X X X de 81 a 90
Alcanzada
Su ciente X X de 70 a 80
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%]
ASISTENCIA 6 6 6 7 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.
Descripción Porcentaje
Indicador
Identi ca los elementos
1 necesarios para realizar una 25
prueba de hipótesis.
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
1 2 3 4
[25%] [25%] [25%] [25%]
ASISTENCIA 6 6 6 7 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
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 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
calificaciones: 060623
BIBLIOGRAFÍA:
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
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
Cálculos
2 CALCULOS PARA f(x):
f (3) =
0.25 f
(4) =
0.0625
2 CALCULOS PARA F(x):
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
Grafica f(x)
Grafica F(x)
Cálculos:
2 CALCULOS PARA f(x):
f (2):
0.01073
f (4):
0.05725
2 CALCULOS PARA F(x):
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
2 CALCULOS
PARA f(x): f (3):
0.11111 f (9):
0.11111
Comentarios:
Grafica F(x)
Cálculos:
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
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.
Fórmula del modelo.
𝑺 𝑺
𝗑̅ ̅ ̅
Resultado.
𝟗. 𝟕𝟑𝟖𝟒 . 𝟐𝟔𝟏𝟓
Interpretación del resultado.
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
Solución:
Datos.
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
Interpretación del resultado.
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.
Fórmula del modelo.
̅ ̅ ̅ 𝑺𝒑
𝟏 𝟏 𝟏 𝟏
√𝒏𝟏 + 𝒏𝟐 ≤ 𝝁𝟏 − 𝝁𝟐 ≤(𝗑̅ − 𝗑̅ 𝟐) + (𝒕𝟏−𝑎 𝟐,𝒗)𝑺𝒑√ 𝒏𝟏 + 𝒏𝟐 ̅
𝟐
Soluc
ión:
Información disponible y
calculada, así como la teoría
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
Sustitución de valores en fórmula
𝟏 𝟏
(𝟑. 𝟏𝟏 − 𝟐. 𝟎𝟒) − (𝒕𝟎.𝟎𝟐𝟓,𝟐𝟎) . √ +
𝟏𝟐
𝟔𝟒𝟓𝟗𝟏 .𝟎𝟐𝟓,𝟐𝟎) . 𝟔𝟒𝟓𝟗𝟏
𝟏𝟎
Resultado.
𝟎. 𝟓𝟗𝟑𝟏 1.5469
que 𝜎
Datos.
Sustitución de valores en fórmula
Resultado.
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
poblacionales μ2 - μ1 = μD = D a partir
muéstrales x̅ 2 – x ̅ 1 = xd = ̅ d ̅ en
modelo.
Datos.
Sustitución de valores en fórmula
Resultado.
Comentario:
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 .
Solución:
Información disponible y
calculada, así como la teoría
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
Sustitución de valores en
fórmula
Comentario:
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
0.025 , 1 − 𝛼 = 0.975
2 2
Sustitución de
valores en fórmula
modelo.
Resultado.
0.1298
Interpretación del resultado.
Modelo 10
Título del modelo.
Solución:
Información disponible y
calculada, así como
la teoría Datos.
Sustitución de valores en
fórmula
modelo.
Resultado.
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.