inferencia estadistica
israel
2022-10-21
#7.3_inciso(a)__Tome una sola muestra de tamaño n = 12
x<-sample(c(1:6), size = 12, replace = TRUE)
mx<-matrix(x)
median(x)## [1] 3##generar nueve valores más de la media muestral(10 muestras #historgrama de las medias
set.seed(2)
x1<-matrix(as.integer(runif(12*9,1,6)) ,9,12)
x10<-rbind(x1,c(x))
medias<- apply(x10,1,mean)
hist(medias)
#Ejercicio 7.1 generar diez muestras cada una de tamaño 3
set.seed(3)
x7.1<-matrix(as.integer(runif(3*10,1,6)) ,10,3)
medias2<- apply(x7.1,1,mean)
hist(medias2)
##agregamos lineas de densidad y comparamos
h<-hist(medias, col = 'red',freq=FALSE)
lines(density(medias))
i<-hist(medias2, col = 'blue',freq=F)
lines(density(medias2))
#b) obtener una gráfica de 100 valores (cada uno basado en una muestra de tamaño n = 12)
muestras100tam12 <- matrix(as.integer(runif(12*100,1,6)) ,100,12)
muestras100tam12## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12]
## [1,] 2 2 2 4 2 1 3 5 2 4 1 1
## [2,] 2 3 3 3 1 2 1 5 4 4 4 2
## [3,] 1 2 3 5 4 2 3 2 5 2 5 2
## [4,] 3 2 4 1 3 5 3 5 4 3 1 5
## [5,] 2 5 3 1 5 3 2 4 2 4 4 2
## [6,] 2 3 5 5 2 4 2 1 2 4 1 4
## [7,] 5 1 3 4 5 3 4 5 2 5 4 4
## [8,] 2 1 2 1 4 1 2 4 1 3 4 1
## [9,] 3 3 3 5 4 5 3 3 2 5 5 2
## [10,] 2 3 3 1 5 5 3 1 2 5 3 4
## [11,] 2 3 1 3 3 4 1 5 4 4 2 3
## [12,] 4 2 4 2 3 2 2 3 5 3 2 2
## [13,] 1 4 4 2 5 3 5 2 3 3 3 1
## [14,] 3 5 1 3 4 5 5 5 5 2 1 5
## [15,] 3 5 4 3 1 2 2 2 3 1 2 4
## [16,] 2 2 2 3 3 1 1 1 2 3 4 2
## [17,] 1 4 2 2 4 5 3 3 3 3 4 5
## [18,] 1 5 5 1 4 4 1 2 1 3 2 3
## [19,] 2 3 4 2 2 2 5 2 3 5 2 4
## [20,] 5 1 4 5 2 1 3 3 1 5 1 5
## [21,] 2 4 2 5 5 4 3 4 1 1 5 1
## [22,] 2 1 2 2 3 5 1 1 1 1 4 5
## [23,] 5 5 4 5 2 4 1 2 1 5 4 3
## [24,] 5 2 4 5 3 2 2 1 5 1 5 4
## [25,] 5 4 2 1 3 3 2 1 4 2 3 5
## [26,] 5 2 3 2 5 5 2 1 5 4 5 1
## [27,] 3 1 1 1 5 5 3 4 5 1 3 5
## [28,] 2 1 3 4 2 3 1 2 5 5 3 4
## [29,] 1 3 5 1 4 1 1 5 1 1 2 4
## [30,] 2 1 5 5 5 3 5 3 5 5 4 3
## [31,] 5 5 4 4 1 3 1 2 3 3 3 2
## [32,] 1 3 5 1 3 3 5 3 2 1 2 3
## [33,] 5 2 3 1 2 3 2 1 2 5 3 5
## [34,] 1 5 4 5 2 5 4 1 2 4 3 3
## [35,] 4 4 5 4 4 1 4 2 5 5 1 2
## [36,] 2 4 4 1 3 3 5 2 4 4 5 2
## [37,] 4 5 1 3 1 4 1 2 5 4 3 1
## [38,] 3 1 1 3 3 3 4 2 2 1 4 3
## [39,] 2 4 3 2 2 5 4 3 1 5 1 4
## [40,] 1 3 2 2 5 3 3 3 2 3 4 4
## [41,] 4 3 1 2 2 1 5 3 4 2 3 4
## [42,] 4 1 4 1 1 4 3 5 4 4 1 2
## [43,] 5 3 5 1 1 5 3 2 3 5 3 1
## [44,] 5 5 5 2 1 5 1 3 1 3 5 1
## [45,] 3 1 1 4 1 3 5 1 2 2 3 1
## [46,] 3 3 2 5 4 2 3 1 1 4 4 2
## [47,] 1 4 1 5 4 5 4 2 4 1 2 2
## [48,] 1 4 1 2 4 4 3 2 2 4 4 3
## [49,] 4 1 1 2 2 1 2 1 2 2 2 4
## [50,] 4 3 2 1 4 5 5 4 2 5 4 3
## [51,] 4 1 1 1 2 4 3 2 3 5 1 1
## [52,] 4 2 1 2 5 5 4 3 2 5 5 1
## [53,] 2 1 1 2 5 2 5 2 4 1 5 1
## [54,] 1 1 2 2 5 5 4 1 3 3 3 1
## [55,] 5 2 1 4 4 2 5 3 5 3 4 2
## [56,] 5 2 2 4 1 2 3 4 4 2 3 2
## [57,] 2 5 3 4 5 4 4 3 1 5 3 2
## [58,] 3 1 5 3 2 4 2 2 3 1 3 2
## [59,] 4 2 5 5 5 5 3 5 5 2 3 2
## [60,] 5 2 4 2 2 1 4 2 2 3 1 1
## [61,] 1 3 4 1 4 4 3 1 1 5 5 3
## [62,] 2 5 4 5 2 5 3 5 4 1 1 4
## [63,] 3 2 1 3 2 2 4 2 1 1 4 4
## [64,] 5 3 4 5 3 1 3 1 1 1 2 2
## [65,] 5 4 2 3 4 5 5 1 1 1 1 2
## [66,] 2 2 3 2 5 5 5 5 1 2 5 3
## [67,] 2 5 5 1 4 2 4 3 4 1 3 2
## [68,] 2 5 5 5 5 5 5 5 3 3 3 3
## [69,] 1 3 4 2 5 4 3 4 5 3 5 5
## [70,] 4 2 3 3 4 5 4 2 2 3 2 2
## [71,] 4 4 1 1 2 1 1 5 3 1 3 2
## [72,] 4 5 2 5 2 4 5 4 3 1 3 5
## [73,] 2 2 5 4 5 4 3 5 1 1 4 3
## [74,] 4 3 4 3 2 5 4 2 4 3 3 2
## [75,] 4 5 4 5 3 2 4 4 4 3 3 1
## [76,] 2 2 4 2 3 1 4 5 2 2 2 5
## [77,] 1 4 5 1 2 2 4 3 1 3 1 5
## [78,] 3 4 3 2 2 1 4 2 3 1 2 2
## [79,] 1 5 5 2 5 1 3 2 5 3 1 1
## [80,] 2 1 5 3 5 3 4 4 5 5 5 3
## [81,] 2 4 3 5 4 5 3 4 1 3 4 1
## [82,] 1 3 1 4 1 4 4 5 4 1 3 4
## [83,] 1 3 3 1 1 1 1 5 3 2 5 1
## [84,] 1 2 4 5 3 4 1 4 3 2 3 4
## [85,] 5 1 1 5 2 3 5 4 4 4 4 2
## [86,] 4 5 5 4 5 1 3 3 2 3 1 4
## [87,] 5 2 1 1 3 3 4 5 5 2 1 4
## [88,] 4 1 5 3 3 5 1 5 3 3 2 5
## [89,] 2 4 5 1 1 1 4 5 3 1 1 4
## [90,] 3 4 4 3 3 2 1 2 4 5 4 5
## [91,] 4 2 2 2 5 4 4 2 4 3 1 3
## [92,] 5 5 2 2 4 2 3 2 5 4 2 4
## [93,] 5 2 5 1 4 4 4 2 4 1 4 2
## [94,] 1 3 2 5 4 4 2 1 5 1 2 2
## [95,] 4 2 5 5 2 4 1 2 2 3 2 5
## [96,] 3 4 3 3 1 1 5 5 4 3 4 1
## [97,] 4 5 5 2 2 1 1 4 2 1 5 5
## [98,] 3 1 5 1 3 2 1 3 1 2 2 4
## [99,] 5 2 5 4 4 1 5 2 5 3 3 1
## [100,] 2 2 5 3 1 1 5 5 1 5 2 3#obtener las medias de las 100 columnas
j<-apply(muestras100tam12,1,mean)
j## [1] 2.416667 2.833333 3.000000 3.250000 3.083333 2.916667 3.750000 2.166667
## [9] 3.583333 3.083333 2.916667 2.833333 3.000000 3.666667 2.666667 2.166667
## [17] 3.250000 2.666667 3.000000 3.000000 3.083333 2.333333 3.416667 3.250000
## [25] 2.916667 3.333333 3.083333 2.916667 2.416667 3.833333 3.000000 2.666667
## [33] 2.833333 3.250000 3.416667 3.250000 2.833333 2.500000 3.000000 2.916667
## [41] 2.833333 2.833333 3.083333 3.083333 2.250000 2.833333 2.916667 2.833333
## [49] 2.000000 3.500000 2.333333 3.250000 2.583333 2.583333 3.333333 2.833333
## [57] 3.416667 2.583333 3.833333 2.416667 2.916667 3.416667 2.416667 2.583333
## [65] 2.833333 3.333333 3.000000 4.083333 3.666667 3.000000 2.333333 3.583333
## [73] 3.250000 3.250000 3.500000 2.833333 2.666667 2.416667 2.833333 3.750000
## [81] 3.250000 2.916667 2.250000 3.000000 3.333333 3.333333 3.000000 3.333333
## [89] 2.666667 3.333333 3.000000 3.333333 3.166667 2.666667 3.083333 3.083333
## [97] 3.083333 2.333333 3.333333 2.916667#obtener la desiacion estandar de las 100 columnas
k<-apply(muestras100tam12,1,sd)
k## [1] 1.3113722 1.2673045 1.4142136 1.4222262 1.3113722 1.4433757 1.2880570
## [8] 1.2673045 1.1645002 1.4433757 1.2401124 1.0298573 1.3483997 1.6143298
## [15] 1.2309149 0.9374369 1.2154311 1.5569979 1.2060454 1.7580981 1.6213537
## [22] 1.5569979 1.5642793 1.6025548 1.3789544 1.6696942 1.7298625 1.3789544
## [29] 1.6764862 1.4034589 1.3483997 1.3706888 1.4668044 1.4847712 1.5050420
## [36] 1.2880570 1.5859229 1.0871146 1.4142136 1.0836247 1.2673045 1.5275252
## [43] 1.6213537 1.8319554 1.3568011 1.2673045 1.5642793 1.1934163 1.0444659
## [50] 1.3142575 1.4354811 1.6025548 1.6764862 1.5050420 1.3706888 1.1934163
## [57] 1.3113722 1.1645002 1.3371158 1.3113722 1.5642793 1.5642793 1.1645002
## [64] 1.5050420 1.6966991 1.5569979 1.4142136 1.1645002 1.3026779 1.0444659
## [71] 1.4354811 1.3789544 1.4847712 0.9653073 1.1677484 1.3371158 1.5569979
## [78] 0.9962049 1.7494588 1.3568011 1.3568011 1.5050420 1.5447860 1.2792043
## [85] 1.4974726 1.4354811 1.5954481 1.4974726 1.6696942 1.2309149 1.2060454
## [92] 1.3026779 1.4668044 1.4974726 1.4433757 1.4433757 1.7298625 1.3026779
## [99] 1.5569979 1.6764862#i.como se compara el promedio de los 100 valores de tamano 3 y tamano 12
muestras100tam3 <- matrix(as.integer(runif(3*100,1,6)),100,3) #100 muestras tamano 3(7.1(c))
i<-apply(muestras100tam3,1,mean)
histj<-hist(j,col = 'green',freq= F)
lines(density(j))
histk<-hist(i,col ='red', freq= F)
lines(density(i))
#ii.dividala desviación estándar de los 100 valores de yi , i = 1, 2, .
. . , 100 con base en muestras de #tamaño 12 que acaba de obtener por la
desviación estándar de los 100 valores (con base en muestras de tamaño n
= 3)
A <-sd(apply(muestras100tam12,1,mean))
B <-sd(apply(muestras100tam3,1,mean))
desvmedias<- A/B
desvmedias## [1] 0.5274296#inciso(c)
hist(apply(x10,1,mean))
curve(dnorm(x, mean=mean(apply(x10,1,mean)), sd=sd(apply(x10,1,mean))), add=TRUE, col="red", lwd=3)