secion 1. Medidas de Tendencia central y Dispersion

recibos<- c(266.63,163.41,219.41,162.64,187.16,289.17,306.55,335.48,343.50,226.80,208.99,230.46)

media

media<-mean(recibos)
media
## [1] 245.0167

mediana

mediana<-median(recibos)
mediana
## [1] 228.63

rango

rango<-max(recibos)-min(recibos)
rango
## [1] 180.86

varianza

recibos1<-recibos-media
recibos1
##  [1]  21.61333 -81.60667 -25.60667 -82.37667 -57.85667  44.15333  61.53333
##  [8]  90.46333  98.48333 -18.21667 -36.02667 -14.55667
recibos2<-recibos1*recibos1
recibos2
##  [1]  467.1362 6659.6480  655.7014 6785.9152 3347.3939 1949.5168 3786.3511
##  [8] 8183.6147 9698.9669  331.8469 1297.9207  211.8965
recibos3<-sum(recibos2)
recibos3
## [1] 43375.91
var_por <-recibos3/12
var_por
## [1] 3614.659
desv_estandar_po<- sqrt(var_por)
desv_estandar_po
## [1] 60.12203

Secion 2. Distribucion Normal

El salario mensual de los recientes egresados es europa que ganan una media de 1300 euros al mes +, tiene una desviacion estandar de 600 euros ##a) calcula el porcentaje de graduados que ganan menos de 600 euros al mes

a<-pnorm(600,1300,600)*100
a
## [1] 12.16725

b) calcula el porcentaje de graduados que ganan entre 1000 y 1500.

b<-(pnorm(1500,1300,600)-pnorm(1000,1300,600))*100
b
## [1] 32.20211

c) calcula el porcentaje de graduados que ganan mas de 2200 euros al

mes.

c<- (1 - pnorm(2200,1300,600))*100
c
## [1] 6.68072

problema 2 #la temperatura derante septiembre esta distribuida

normaomente con media 18,7C y desiacion estandar de 5c calcule la probabbilidad de que la temperatura durante septiembre este por debajo de 21c y por encima de 21

a1<-pnorm(21,18.7,5)*100
a1
## [1] 67.72419
a2<-(1-pnorm(21,18.7,5))*100
a2
## [1] 32.27581

Problema 3 #Una fabeica de pilas asegura que la duracion de su producto

tiene una distribucion normal de media 80 horas y una varianza de 16 calcula la probabilidad de de que una pila elegida al azar dure: #a) mas de 90 horas

a3<- pnorm(90,80,4)*100
a3
## [1] 99.37903

b)entre 70 y 85 horas

b3<-(pnorm(85,80,4)-pnorm(70,80,4))*100
b3
## [1] 88.81406

si un comerciante compra un lote de 1000 pilas, calcula cuantas pilas

tendra una vida superiror a #c)100

c3<- (1-pnorm(100,80,4))
c3
## [1] 2.866516e-07
c4<- 1000*c3
c4
## [1] 0.0002866516

d)90

d3<- (1-pnorm(90,80,4))
d3
## [1] 0.006209665
d4<- 1000*d3
d4
## [1] 6.209665

Secion 3. Prueba de analisis

Paso 1. Plantear hipotesis

Paso 2. Nivel de significancia

Paso 3. Zona de aceptacion/rechazo

Paso 4. Funcion pivotal

Paso 5. conclusion

Ejercicios del Mundo Real

¿Qué reacción tendría usted si un aficionado al fútbol americano le dijera lo siguiente? “Los Raiders de Rockland tienen un promedio de 3.6 yardas de recorrido por tierra. Como sólo necesitan 10 yardas para anotar y tienen cuatro oportunidades para lograrlo, la anotación es segura, siempre y cuando mantengan su forma de jugar por tierra.”

Respuesta: La afirmación es incorrecta porque ignora completamente la variabilidad en yardas ganadas por carrera

3-86

A continuación, se tienen 3 partes del presupuesto de defensa de un año, a cada una de éstas se le asignó, por parte del Congreso mexicano, la misma cantidad de financiamiento:

• Salario de oficiales (total).

• Mantenimiento de la flota aérea.

• Adquisiciones de alimentos (total).

Tomando en cuenta la distribución de posibles resultados para los gastos reales en cada una de éstas áreas, haga corresponder cada sección a una de las curvas de la siguiente figura, fundamente su respuesta.

**Respuesta: Salarios de funcionarios: A; mantenimiento de flota: C; adquisiciones de alimentos: B.

3-92

El 30 de junio de 1992, la capitalización de nueve mercados de valores del Pacífico y Asia fue:

a) Encuentre la media aritmética de los datos.

b) Encuentre la mediana de los datos.

c) Encuentre la moda de los datos.

d) ¿Cuál es la mejor medida de la tendencia central del conjunto de datos?

e) Encuentre la desviación estándar de los datos. (La población completa está incluida en ellos.)

**Respuestas:

cpt <- c(17,21,44,50,79,86,140,178,203)
#a
media<- mean(cpt)
media
## [1] 90.88889
# como la dsitruibucion esta sesgada a la derecha, la mejor media tendencia central es la mediana
#b
median(cpt)
## [1] 79
#c
#No hay moda para datos sin agrupar.
#d
histograma <- hist(cpt)

#e
cpt2<- cpt - media 
cpt2
## [1] -73.888889 -69.888889 -46.888889 -40.888889 -11.888889  -4.888889  49.111111
## [8]  87.111111 112.111111
cpt3 <- cpt2*cpt2
cpt3
## [1]  5459.56790  4884.45679  2198.56790  1671.90123   141.34568    23.90123
## [7]  2411.90123  7588.34568 12568.90123
cpt4 <- sum(cpt3)
cpt4
## [1] 36948.89
var_pob_cap<- cpt4/9
desvi_var_pob_cap<- sqrt(var_pob_cap) 
desvi_var_pob_cap
## [1] 64.07365

a)

b)

dias<- c(212,220,230,210,228,229,231,219,221,222)
dias
##  [1] 212 220 230 210 228 229 231 219 221 222
rango_dias<-mean(dias)
rango_dias
## [1] 222.2
media_dias<-mean(dias)
media_dias
## [1] 222.2
dias2<- dias - media_dias
dias2
##  [1] -10.2  -2.2   7.8 -12.2   5.8   6.8   8.8  -3.2  -1.2  -0.2
dias3<- dias2*dias2
dias4<- sum(dias3)
dias4 
## [1] 487.6
varianza_poblacional_dias<- dias4/10
varianza_poblacional_dias
## [1] 48.76
des_est_pobl<- sqrt(varianza_poblacional_dias)
des_est_pobl
## [1] 6.982836
Kilometros <- c(4.77,6.11,6.11,5.05,5.99,4.91,5.27,6.01,5.75,4.89,6.05,5.22,6.02,5.24,6.11,5.02)

#a
mediana_km <- median(Kilometros)
mediana_km
## [1] 5.51
#b
media_km <- mean(Kilometros)
media_km
## [1] 5.5325
#c
clases_km<- cut(Kilometros,breaks = 5)
clases_km
##  [1] (4.77,5.04] (5.84,6.11] (5.84,6.11] (5.04,5.31] (5.84,6.11] (4.77,5.04]
##  [7] (5.04,5.31] (5.84,6.11] (5.57,5.84] (4.77,5.04] (5.84,6.11] (5.04,5.31]
## [13] (5.84,6.11] (5.04,5.31] (5.84,6.11] (4.77,5.04]
## Levels: (4.77,5.04] (5.04,5.31] (5.31,5.57] (5.57,5.84] (5.84,6.11]
clases_km2 <- table(clases_km)
clases_km2
## clases_km
## (4.77,5.04] (5.04,5.31] (5.31,5.57] (5.57,5.84] (5.84,6.11] 
##           4           4           0           1           7
#d

histograma_km<- hist(Kilometros)

histograma_km
## $breaks
## [1] 4.6 4.8 5.0 5.2 5.4 5.6 5.8 6.0 6.2
## 
## $counts
## [1] 1 2 2 3 0 1 1 6
## 
## $density
## [1] 0.3125 0.6250 0.6250 0.9375 0.0000 0.3125 0.3125 1.8750
## 
## $mids
## [1] 4.7 4.9 5.1 5.3 5.5 5.7 5.9 6.1
## 
## $xname
## [1] "Kilometros"
## 
## $equidist
## [1] TRUE
## 
## attr(,"class")
## [1] "histogram"
#e
rango_km <- max(Kilometros)- min(Kilometros)
rango_km
## [1] 1.34

8-64

Inspectores del gobierno, al investigar los cargos levantados contra una embotelladora de bebidas no alcohólicas, de Texas, que no llenaba adecuadamente sus productos, han muestreado 200 botellas y encontraron que el promedio de llenado es de 31.7 onzas líquidas (aproximadamente 930 ml.) Se anuncia que las botellas contienen 32 onzas líquidas (946.33 ml.). Se sabe que la desviación estándar de la población es de 1.5 onzas líquidas (44.36 ml.). ¿Deberían concluir los inspectores, al nivel de significancia de 2%, que las botellas están siendo llenadas con menos contenido, y emitir una sanción?

Respuesta

paso 1. plantear la hipotesis

HO: xbar =

H1: xbar =

####** paso 2. Nivel de significancia**

####** paso 3. zona de aceptacion/ rechazo**

####** paso 4. Funcion pivotal**

z_lleno <- (31.7-32)/(1.5/sqrt(200))
z_lleno
## [1] -2.828427

####** paso 5. conclusion** se rechaza