Punto 1.

Clase de
clase X
frecuencia
Frecuencia
porcentual

1 1.1 1.12 3 2.4%

2 1.1 1.14 8 6.4%

3 1.1 1.16 26 20.8%

4 1.2 1.18 34 27.2%

5 1.2 1.2 39 31.2%

6 1.2 1.22 9 7.2%

7 1.2 1.24 5 4.0%

8 1.2 1.26 1 0.8%

125

1+
3.3
LO
cla G(
se N)

1+ A
3.3 pr
LO ox
G1 7. im
k 25 = 92 a8

c 0.
= 2

MAX 1.25
MIN 1.11

Frecuencia
50
40
30
20
10
0
1.12 1.14 1.16 1.18 1.2 1.22 1.24 1.26

Punto 2.
Distribución multimodal
Es una Distribución de probabilidad continua de dos o más modos diferentes, estos aparecerán en
las máximos locales de una gráfica.
Distribución plana
No tienen ningún pico y sus cosas están en una pequeña región a los costados
Distribución por acantilado
Es una suspensión o corte muy brusco en las gráficas al momento de distribuir, esto ocurre debido a
los datos recolectados pueden tener grandes diferencias.
Distribución sesgada Una distribución asimétrica. En una distribución sesgada negativamente, las
puntuaciones extremas son inferiores a la media. En una distribución sesgada positivamente, las
puntuaciones extremas son superiores a la media.
Punto 4.
Inicio

Calentar el agua

No
Calentar el agua otros 2
Hirvió? minutos
Si

Servir agua en una taza Agregar café am gusto

Sii si
Agregar al gusto Azúcar?
No
si
Agregar al gusto
Leche?b bb
No
Gusta pan? Si

Acompañar con su pan favorito

No
Fin
 Punto 5.

Inicio

Solicitar información a
Revisar indicadores de Esperar envío
procesos
análisis para trimestre de información

No

Generar indicadores de Solicitar información a procesos a ¿los procesos

trimestre través de jefe inmediato enviaron la
información?

Si

SI SI
Hay variación
mayor a 10% en Generar información en
Solicitar explicación a jefe de
un indicador? power point
proceso

No

Enviar informe a jefe

Fin

Punto 6.
.Un coeficiente de correlación de cero significa que los dos números no son relacionados.
Un coeficiente de correlación diferente a cero significa que los números son relacionados, pero a
menos que el coeficiente sea 1 o -1 hay otras influencias y la relación entre los dos números no es
fija. Tan si usted sabe un número que usted puede estimar el otro, pero no con certeza. Cuanto más
cercano el coeficiente de correlación está a cero cuanto mayor es la incertidumbre, y los
coeficientes de correlación bajos significan que la relación bastante no es seguramente útil.
La descripción antedicha está de es una relación entre dos variables. Es también posible calcular
correlaciones entre muchas variables. El adición de más variables debe aumentar la correlación;
cualquier variable que no mejore perceptiblemente la correlación debe ser excluida

7.
semana horas extras % de defectuosos
 1 340 5

2 95 3

3 210 6

4 809 15

5 80 4

6 438 10

7 107 4

8 180 6

9 100 3

10 550 13

11 220 7

12 50 3

13 193 6

14 290 8

15 340 2

16 115 4

17 362 10

18 300 9

19 75 2

20 93 2

21 320 10

22 154 7

B) es una relacion no correleacion (r=0,06)

 % de defectuosos
20
15
10
5
0
0 100 200 300 400 500 600 700 800 900
c) con seguridad
cuando se trabajan mas horas extras el % de defectuosos de articulos es mas alto que cuando se
trabaja menos horas extras como lo muestra el diagrama de dispercion
9.Calcula en una N(0, 1) las siguientes probabilidades: a) P(Z ≤ 1,43)= 0.0764
b) P (Z ≤ 2,98) = 0.0014
c) P (1,35 ≤ Z ≤ 3,25) = (0.99942-0.0885) =0.91092
d) P (-1,53 ≤ Z ≤ 0,67) = (0.74857-0.06301) =0.68556

10. En estadística la regresión lineal o ajuste lineal es un modelo matemático usado para aproximar
la relación de dependencia entre una variable dependiente Y, las variables independientes Xi y un
término aleatorio ε. Este modelo puede ser expresado como:
donde:

: variable dependiente, explicada o regresando.

: variables explicativas, independientes o regresores.
: parámetros, miden la influencia que las variables explicativas tienen sobre el regrediendo.
donde es la intersección o término "constante", las son los parámetros respectivos a cada variable
independiente, y es el número de parámetros independientes a tener en cuenta en la regresión. La
regresión lineal puede ser contrastada con la regresión no lineal.

B) La Prueba de Bondad de Ajuste Chi Cuadrado es el test de bondad de ajustemás utilizado. En

general un test de bondad de ajuste se utiliza para discriminar si una colección de datos o muestra
se ajusta a una distribución teórica de una determinada población. En otras palabras, si la muestra
disponible representa (ajusta) razonablemente los datos que uno esperaría encontrar en la población.

El test de bondad de ajuste chi cuadradopuede ser utilizado para trabajar tanto con distribuciones
discretas como, por ejemplo, la Distribución de Poisson o la Distribución Binomial como así
también con distribuciones continuas (por ejemplo, Distribución Normal, Distribución Exponencial,
etc). Esto a diferencia de las pruebas de bondad de ajuste Kolmogorov Smirnov y Anderson
Darling que sólo pueden ser utilizados para trabajar con distribuciones continuas.

La aplicación de la prueba de bondad de ajuste chi cuadrado requiere:

 Que los datos estén agrupados en categorías o clases. Si los datos originalmente no se
encuentran agrupados será necesario agruparlos antes de aplicar el test de chi cuadrado para lo
cual será necesario construir una tabla de frecuencia o histograma.
  El nivel de medida de las variables es bajo (ordinal).

 No tienen excesivas restricciones.

 Son aplicables a muestras pequeñas.

 Son robustas

 Prueba de Kolmogórov-Smirnov: característica

La prueba de Kolmogórov-Smirnov es una propia perteneciente a la estadística, concretamente a la

estadística inferencial. La estadística inferencial pretende extraer información sobre las poblaciones.
Se trata de una prueba de bondad de ajuste, es decir, sirve para verificar si las puntuaciones que
hemos obtenido de la muestra siguen o no una distribución normal. Es decir, permite medir el grado
de concordancia existente entre la distribución de un conjunto de datos y una distribución teórica
específica. Su objetivo es señalar si los datos provienen de una población que tiene la distribución
teórica especificada, es decir, lo que hace es contrastar si las observaciones podrían razonablemente
proceder de la distribución especificada.

Las hipótesis para la prueba de Anderson-Darling son:

 H0: Los datos siguen una distribución especificada.

 H1: Los datos no siguen una distribución especificada.

Si el valor p para la prueba de Anderson-Darling es menor que el nivel de significancia

seleccionado (por lo general 0.05 o 0.10), concluya que los datos no siguen la distribución
especificada. Minitab no siempre muestra un valor p para la prueba de Anderson-Darling, porque
este no existe matemáticamente para ciertos casos.

Si está comparando el ajuste de varias distribuciones, la distribución con el valor p más grande por
lo general se ajusta más estrechamente a los datos. Si las distribuciones tienen valores p similares,
escoja una de las distribuciones con base en el conocimiento práctico.

Algunos comandos generan un estadístico de Anderson-Darling, o AD*, ajustado. El estadístico de

Anderson-Darling no ajustado utiliza la función de paso no paramétrica basada en el método de
Kaplan-Meier para calcular los puntos de la gráfica, mientras que el estadístico de Anderson-
Darling ajustado utiliza otros métodos para calcular los puntos de la gráfica.

https://es.slideshare.net/mobile/armando310388/prueba-chicuadrado
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/quality-and-process-
improvement/capability-analysis/supporting-topics/distributions-and-transformations-for-
nonnormal-data/anderson-darling-and-distribution-fit/
https://psicologiaymente.com/miscelanea/prueba-kolmogorov-smirnov