2. 1.5 1.5 1.5 1.5 1.4 1.4 1.4 1.5 1.4 1.4 1.5 1.4 1.5 1.5 1.5 1.4 1.5 1.4 1.5 1.4 1.5 1.5 1.4 1.5 1.5 1.5 1.4 1.4 1.5 1.6
31 51 35 50 92 89 72 43 83 20 53 64 17 38 08 83 12 94 14 04 01 81 98 06 54 40 69 39 11 09
1.4 1.3 1.5 1.5 1.5 1.5 1.5 1.5 1.4 1.4 1.5 1.5 1.5 1.5 1.5 1.4 1.4 1.4 1.4 1.4 1.4 1.5 1.5 1.5 1.5 1.4 1.5 1.5 1.5 1.4
74 81 13 31 07 00 03 52 93 96 05 28 08 27 70 94 43 94 37 60 73 13 14 25 83 14 56 11 48 86
1.4 1.4 1.5 1.5 1.5 1.5 1.4 1.6 1.4 1.5 1.5 1.4 1.4 1.4 1.5 1.4 1.5 1.4 1.5 1.4 1.4 1.4 1.5 1.5 1.5 1.5 1.4 1.4 1.4 1.4
98 76 49 28 42 19 73 24 73 04 05 40 41 75 55 91 10 27 66 77 92 45 62 59 03 26 85 31 66 91
1.5 1.5 1.5 1.4 1.4 1.4 1.5 1.4 1.5 1.4 1.4 1.4 1.4 1.5 1.5 1.5 1.5 1.4 1.4 1.4 1.5 1.3 1.5 1.5 1.4 1.5 1.5 1.5 1.5 1.4
10 09 68 44 89 67 53 67 23 72 72 94 82 88 51 03 03 64 92 58 45 94 92 41 24 08 24 00 27 94
1.5 1.4 1.5 1.4 1.5 1.5 1.5 1.4 1.5 1.5 1.4 1.5 1.5 1.5 1.4 1.5 1.5 1.4 1.5 1.4 1.4 1.4 1.5 1.5 1.5 1.4 1.4 1.4 1.5 1.4
54 98 13 59 24 08 25 45 43 19 15 21 08 14 83 63 15 82 24 63 76 75 38 11 27 57 56 17 20 42
1.5 1.5 1.4 1.4 1.5 1.5 1.4 1.4 1.5 1.5 1.5 1.4 1.4 1.5 1.5 1.4 1.4 1.5 1.4 1.4 1.4 1.4 1.5 1.5 1.4 1.5 1.5 1.5 1.5 1.5
58 01 92 49 28 54 96 43 15 18 56 51 45 25 43 73 94 12 32 66 38 61 04 95 86 05 41 74 09 46
1.4 1.4 1.4 1.4 1.4 1.5 1.4 1.4 1.5 1.5 1.5 1.5 1.4 1.5 1.4 1.5 1.4 1.5 1.5 1.4 1.5 1.5 1.4 1.4 1.5 1.5 1.5 1.4 1.4 1.4
97 74 06 16 92 68 99 90 13 88 70 42 81 38 75 18 59 08 19 48 95 35 09 99 16 10 65 79 63 82
1.5 1.4 1.5 1.4 1.5 1.4 1.5 1.4 1.4 1.5 1.4 1.4 1.4 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.4 1.4 1.4 1.4 1.5 1.4 1.5
62 40 44 79 71 18 09 58 24 14 95 21 68 10 63 45 00 22 20 88 12 19 45 79 74 30 13 29 75 00
1.5 1.5 1.4 1.4 1.5 1.5 1.5 1.4 1.4 1.5 1.5 1.5 1.4 1.3 1.5 1.5 1.4 1.5 1.5 1.5 1.5 1.5 1.4 1.5 1.5 1.4 1.4 1.5 1.4 1.4
10 04 48 53 67 16 03 81 04 08 12 26 71 80 33 67 98 57 35 16 75 14 71 11 47 26 87 25 63 57
1.4 1.4 1.5 1.4 1.4 1.3 1.4 1.5 1.4 1.4 1.4 1.4 1.4 1.4 1.5 1.4 1.5 1.4 1.4 1.4 1.4 1.5 1.5 1.4 1.4 1.5 1.4 1.5 1.5 1.5
11 81 37 42 42 78 81 74 87 21 76 66 47 82 23 35 00 54 81 82 94 32 41 28 43 06 92 25 06 20

3. maximo 1.624
minimo 1.378
rango 0.246
n° de intervalos 10.000
tamaño de intervalo 0.025
TI entero 0.026
ajuste de TI
T int. Final 0.026
ajuste de valor inicial 0.000
valor inicial 1.378
intervalos aparentes
limite inferior limite superior
1 1.378 1.403
2 1.404 1.428
3 1.429 1.454
4 1.455 1.479
5 1.480 1.505
6 1.506 1.531
7 1.532 1.556
8 1.557 1.582
9 1.583 1.607
10 1.608 1.633
bien bien
bien bien

4. intervalos reales marcas de clase frecuencias
limite inferior limite superior xi fi fai fri frai fi xi |xi -
1 1.373 1.399 1.386 4.000 4.000 0.013 0.013 5.543 0.450 0.051
2 1.399 1.424 1.411 16.000 20.000 0.053 0.067 22.582 1.391 0.121
3 1.424 1.450 1.437 27.000 47.000 0.090 0.157 38.799 1.657 0.102
4 1.450 1.475 1.463 40.000 87.000 0.133 0.290 58.504 1.430 0.051
5 1.475 1.501 1.488 61.000 148.000 0.203 0.493 90.780 0.619 0.006
6 1.501 1.527 1.514 76.000 224.000 0.253 0.747 115.049 1.174 0.018
7 1.527 1.552 1.539 39.000 263.000 0.130 0.877 60.037 1.601 0.066
8 1.552 1.578 1.565 27.000 290.000 0.090 0.967 42.255 1.799 0.120
9 1.578 1.603 1.591 8.000 298.000 0.027 0.993 12.725 0.738 0.068
10 1.603 1.629 1.616 2.000 300.000 0.007 1.000 3.232 0.236 0.028
Totales 449.506 11.095 0.630
Media 1.498
desviacion media 0.036985
varianza 0.002101
desviacion estandar 0.045838

5. formula respuestas
n° datos
1°Q =
4
sutitucion 75.000 1.475
300
1°Q =
4
formula
3(n° datos)
3°Q =
4
225.000 1.514
sutitucion
3(300)
3°Q =
4

6. cajas y bigotes
1.373 1.000
1.629 1.000
1.373 0.250
1.373 1.750
1.629 0.250
1.629 1.750
1.475 0.500
1.475 1.000
1.475 1.500
1.514 0.500
1.514 1.000
1.514 1.500
1.475 0.500
1.514 0.500
1.475 1.500
1.514 1.500
1.498 0.250
1.498 1.750

7. 2
1.8
media
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
1.4 1.45 1.5 1.55 1.6 1.65

8. frecuencia relativa
13% 9% 3% 1%
1
1%
2
5% 3
4
5
26% 9%
6
7
8
13%
9
10
20%

9. 80.000
70.000
60.000
50.000
40.000
30.000
20.000
10.000
0.000
1.350 1.400 1.450 1.500 1.550 1.600 1.650

10. 1
80.000
1
70.000 2
0
60.000
50.000
40.000
9 30.000 3
20.000
10.000 Series1
0.000
8 4
7 5
6

11. histograma
x y
1.373 0.000
1.373 4.000
1.399 2.000
1.399 0.000
1.399 16.000
1.424 16.000
1.424 0.000
1.424 27.000
1.450 27.000
1.450 0.000
1.450 40.000
1.475 40.000
1.475 0.000
1.475 61.000
1.501 61.000
1.501 0.000
1.501 76.000
1.527 76.000
1.527 0.000
1.527 27.000
1.552 27.000
1.552 0.000
1.552 8.000

12. 1.578 8.000
1.578 0.000
1.578 2.000
1.603 2.000
1.603 0.000
100.000
SLS MEDIA
USL
90.000 TV
Ẋ-3s Ẋ-2s Ẋ-s Ẋ+s Ẋ+2s Ẋ+3s
80.000
70.000
60.000
Título del eje
50.000
40.000
30.000
20.000
10.000
0.000 0.000 0.000 0.000 0.000 0.000
1.300 1.350 1.400 1.450 1.500 1.550 1.600 1.650 1.700
Título del eje

13. media
1.498 0.000
1.498 90.000 TV
desviacion estandar 1.400 0.000
1.544 0.000 1.400 90.000
1
1.544 80.000
1.590 0.000 -0.150
2
1.590 80.000 1.25000 0.000
1.636 0.000 1.25000 90.000
3
1.636 80.000
0.150
1.550 0.000
1.453 0.000 1.550 90.000
-1
1.453 80.000
1.407 0.000
-2
1.407 80.000
1.361 0.000
-3
1.361 80.000

14. La estadística aplicada en la Ingeniería se hace mediante la rama de la estadística que busca implementar los procesos
probabilísticos y estadísticos de análisis e interpretación de datos o características de un conjunto de elementos al
entorno industrial, a efectos de ayudar en la toma de decisiones y en el control de los procesos industriales y
organizacionales.
Pueden distinguirse tres partes:
* el estudio de las series temporales y las técnicas de previsión, y la descripción de los pasos necesarios para el
establecimiento de un sistema de previsión operativo y duradero en una empresa;
* el análisis multivalente, necesario para la extracción de información de grandes cantidades de datos, una de las
necesidades más apremiantes;
* el control de calidad y la fiabilidad.
Las aplicaciones de la estadística en la ingeniería actualmente han tomado un rápido y sostenido incremento, debido al
poder de cálculo de la computación desde la segunda mitad del siglo XX.
Para comprender el desarrollo de las aplicaciones de la estadística en la ingeniería hay que citar que los Viejos Modelos
Estadísticos fueron casi siempre de la clase de los modelos lineales. Ahora, complejos computadores junto con
apropiados algoritmos numéricos, están utilizando modelos no lineales (especialmente redes neuronales y árboles de
decisión) y la creación de nuevos tipos tales como modelos lineales generalizados y modelos multinivel.
El incremento en el poder computacional también ha llevado al crecimiento en popularidad de métodos intensivos
computacionalmente basados en re muestreo, tales como test de permutación y de bootstrap, mientras técnicas como el
muestreo de Gibbs han hecho los métodos bayesianos más accesibles.