23

60
79
80
77
81
52
10
64
41
71
83
60
78
89
34
67
17
media=median(median(A))

32
95
75
54
76
82

media =
72.2500
mu=mean(mean(A))
mu =
65.4833
>> B=A(:) - vectorizo
>> pc=prctile(B,[25 50 75])
pc =
54.5000 71.5000 80.5000
>> pc=prctile(B,[25 75])
pc =
54.5000 80.5000
>> pc=prctile(B,[50])
pc =
71.5000
>> V=var(B)
V=
446.6268
>> R=range(B)
R=
88

57
41
78
64
84
69

74
65
25
72
48
74

52
92
80
88
84
63

70
85
98
62
90
80

82
55
81
74
15
85

36
76
67
43
79
61

EJERCICIO N= 3
>> randtool
>> media=mean(EJER3)
media =
22.1159
>> varianza=var(EJER3)
varianza =
433.6753
Distribution

Samples

35
30

Counts

25
20
15
10
5
0
-60

-40

-20

20
Values

40

60

80

GRAFICO DE CAJA- BIGOTES

>> boxplot(EJER3)
>> boxplot(ejerr3)

80
60

80
60
40

40
20
20
0
-20

0
-20
-40
-60

>> randtool
>> normplot(EJER3)

Normal Probability Plot

0.997
0.99
0.98

Probability

0.95
0.90
0.75
0.50
0.25
0.10
0.05
0.02
0.01
0.003
-20

20

Data

40

60

80

La linea roja es la pendiente de una distribucin normal, como desde 0.25 a 0.75 caen
sobre la linea roja entonces comprobamos que es una Distribucin Normal.
Si ahora generamos una exponencial y la comparamos con una normplot vemos que
no se cumple que los datos caigan o sigan la pendiente de la Distribucin Normal.
Normal Probability Plot
0.999
0.997
0.99
0.98

Probability

0.95
0.90
0.75
0.50
0.25
0.10
0.05
0.02
0.01
0.003
0.001

3
Data

EJERCICIO N 5:
>> m=mean(dado)
m=
3.4400
>> mediana=median(dado)
mediana =
4
>> varianza=var(dado)
varianza =
2.9762
>> [M,V]=unidstat(6)
M=
3.5000
V=
2.9167

EJERCICIO N 7:
>> A=[765 780 790 775
792 793 785 784 782
775 770 771 759 783
782 786 790 785 779
782 789 780 779 782
787 782 784 786 783
];
>> B=A(:);
>> cuartiles=prctile(B, [25 50 75])

769
788
790
768
789
790

748
765
783
783
792
783

cuartiles =
779.5000 783.5000 788.5000
>> rangointer=iqr(B)
rangointer =
9
>> boxplot(B)

800
795
790
785
780
775
770
765
760
755
750
1

785
790
781
784
795
785

768
798
795
790
785
781

767
768
791
784
783
786

788

>> normplot(B)
Normal Probability Plot
0.99
0.98
0.95
0.90

Probability

0.75
0.50
0.25
0.10
0.05
0.02
0.01
750

755

760

765

770
775
Data

780

785

785
790
781
784
795
785

778
798
795
790
785
781

790

795

Si. Se asemeja a una Distribucin Normal.

>> C=[775 786 790 775

792 793 785 784 782
775 778 779 789 783
782 786 790 785 789
785 789 780 779 782
789 782 787 786 783
];
>> D=C(:);
>> cuartiles=prctile(D,[25 50 75])
cuartiles =
782 785 789
>> rangointercoartil=iqr(D)
rangointercoartil =
7
>> boxplot(D)

780
788
790
788
789
790

779
775
783
787
792
783

787
785
791
784
783
786

788

795

790

785

780

775
1

>> normplot(D)
Normal Probability Plot
0.99
0.98
0.95
0.90

Probability

0.75
0.50
0.25
0.10
0.05
0.02
0.01
775

780

Esta es ms Normal que la anterior.

785

Data

790

795

EJERCICIO N6:
Distribution

Samples

7
6

Counts

5
4
3
2
1
0

10

20

30

40

50

60

Values

>> mediamuestral=mean(ejer6)
mediamuestral =
9.7800
>> mediapoblacionalestimada=binofit(mediamuestral,50)
mediapoblacionalestimada =
0.1956

70

80

90

100

EJERCICIO N8=
>> VARx=(25/16)
VARx =
1.5625
>> DESVIOx=sqrt(VARx)
DESVIOx =
1.2500
>> Linf=(50-(1.9*DESVIOx))
Linf =
47.6250
>> Lsup=(50-(0.4*DESVIOx))
Lsup =
49.5000
>> P=normcdf(Lsup,50,1.25)-normcdf(Linf,50,1.25)
P=
0.3159
8) Si todas las muestras posibles de tamao 16 se toman de una poblacin normal
con media igual a 50 y desvo estndar igual a 5, calcular la probabilidad de que:

x-1.9x X x-0.4x
VAR(X)= x = poblacional/n
x 2= 25/16 ---------> x= 1.25
E(X)=x=poblacional
x=50
2

>> Li=50-(1.9*1.25)
Li = 47.6250
>> Ls=50-(0.4*1.25)
Ls = 49.5000
>> n=normcdf(Ls,50,1.25)-normcdf(Li,50,1.25)
n = 0.3159

9) Una mquina de llenado de latas de aceite lubricante est regulada de tal

manera que su descarga tiene aproximadamente una distribucin normal, con una
media de 207 ml por lata de aceite y un desvo estndar igual a 15 ml. La mquina
se prueba peridicamente tomando una muestra de 9 latas y calculando el
contenido promedio. Si la media muestral pertenece al intervalo x 2 x, se acepta
que la mquina est operando satisfactoriamente, de otra forma se requieren
ajustes. Qu accin debe tomarse si la muestra de 9 latas tiene un contenido
promedio de 219 ml?
x= 207 ml./lata
x= 5 ml./lata.
>> Li=207-2*5
Li = 197
>> Ls=207+2*5
Ls = 217
El contenido de 219 ml. excede el intervalo de tolerancia - x 2x -, por lo tanto se
requieren ajustes en la mquina.
10) Las longitudes de 1000 ejes tienen aproximadamente una distribucin normal,
con media igual a 174.5 cm y desviacin estndar igual a 6.9 cm. Si de esta
poblacin se toman 200 muestras aleatorias de tamao 25, determinar:
a) La media y la desviacin estndar de la distribucin de la media muestral
b) El nmero de medias muestrales entre 172.5 y 175.8 cm.
c) El nmero de medias muestrales menores que 172.0 cm.
a) x= 174.5 cm.
x= 1.38 cm.
b) >> n=normcdf(175.8,174.5,1.38)-normcdf(172.5,174.5,1.38)
n = 0.7533
>> NUMERODEMUESTRAS= n*200
NMERO DE MUESTRAS = 151
c) >> n1=normcdf(172,174.5,1.38)
n1 = 0.0350
>> NUMERODEMUESTRAS1=n1*200
NMERO DE MUESTRAS1 = 7