Ejercicios Resueltos de Estadística

:
Tema 5: Inferencia: estimación y contrastes



1. Si X ~ N (40,10), calcular Pr (39≤ X ≤41) para n=10. ¿En qué intervalo se obtendrán el
95% de los resultados?

SOLUCIÓN:

Pr (39≤ X ≤41) = Pr (
10
40 39 −

10
40 − X

10
40 41−
) = Pr(-0.31623≤ X ≤0.31623)
Z =
10
40 − X
→ N (0,1); Pr (39≤ X ≤41) = Pr (Z≤0.31623) - Pr (Z≤-0.31623) =
= 2 Pr (Z≤0.31623)
Y por tanto, Pr (39≤Z≤41) = 02482 . 1 6241 . 0 2 = − ∗

Pr (µ-ε≤ X ≤ µ+ε)=0.95
Pr (µ-ε≤ X ≤ µ+ε)= 1 )
10
Pr( 2 − ≤ ∗
ε
Z
Pr (Z≤
10
ε
)=
2
95 . 0 1+
=0.975 →
975 . 0
Z → 1981 . 6 10 96 . 1 = = ε
Por tanto, el intervalo es: (33.802,46.198)


2. Si el contenido en gr. de un determinado medicamento X sigue una distribución
N(7.5,0.3), calcular la probabilidad de que para una muestra de tamaño n=5, se obtenga
medio menor que 7, Pr ( X ≤ 7).

SOLUCIÓN:

A partir de una muestra de tamaño n=5 de una población normal N(u=7.5,σ=0.3), tenemos que:
) 7269 . 3 Pr(
5
3 . 0
5 . 7 7
5
3 . 0
5 . 7
Pr ) 7 Pr( − ≤ =
|
|
|
|
.
|

\
|



= ≤ Z
X
X

Donde Z tiene una distribución normal estándar, y por tanto, Pr ( X ≤7) = 0.0001


3. Si la altura de un grupo de población sigue una distribución normal N(176,12), calcular
la Pr(S≤10) para una muestra de tamaño 8.

SOLUCIÓN:

Considerando una muestra aleatoria de tamaño n de una población normal N(u,σ), por el
teorema de Fisher tenemos que:
( )
2
1
2
2
~
1


n
S n
χ
σ

En particular, para una muestra de tamaño n=8 de una población normal N(176,12), el
estadístico
2
144
7
S sigue una distribución
2
7
χ , y por tanto
( ) ( ) ( ) 8611 . 4 Pr
144
700
144
7
Pr 100 Pr 10 Pr
2 2
≤ = |
.
|

\
|
≤ = ≤ = ≤ T S S S
Donde la variable T sigue una distribución
2
7
χ , es decir,
( ) 3232 . 0 10 Pr = ≤ S


4. Un ascensor limita el peso de sus cuatro ocupantes a 300Kg. Si el peso de un individuo
sigue una distribución N( 71,7 ), calcular la probabilidad de que el peso de 4 individuos
supere los 300Kg.

SOLUCIÓN:

Teniendo en cuenta que el peso de cada individuo tiene una distribución normal N(u = 71,σ =
7), si seleccionamos una muestra aleatoria de 4 individuos, tenemos que:
( )
( ) ( ) 1429 . 1 Pr 1 1429 . 1 Pr
4
7
71 75
4
7
71
Pr 75 Pr
4
300
4
Pr 300 Pr
4
1
4
1
≤ − = > =
=
|
|
|
|
.
|

\
|

>

= > =
|
|
|
|
.
|

\
|
> = |
.
|

\
|
>


=
=
Z Z
X
X
Xi
X
i
i
i

donde Z tiene una distribución normal estándar, y por tanto,
1265 . 0 8735 . 0 1 300 Pr
4
1
= − = |
.
|

\
|
>

= i
i
X


5. Calcular la probabilidad de que la media u se encuentre entre X ± 3S para poblaciones
normales y n = 5.

SOLUCIÓN:

A partir del teorema de Fisher, en el muestreo sobre poblaciones normales, tenemos que los
estadísticos X y S
2
son independientes, siendo la distribución del estadístico
S
X
n T
u −
∗ = una t
n-1
(t de Student de n -1 grados de libertad). En particular, si consideramos
una muestra aleatoria de tamaño n = 5, la probabilidad de que la media esté entre X ± 3S viene
dada por:
( ) ( ) 5 3 5 3 Pr 5 3
5
5 3 Pr 3 3 Pr 3 3 Pr < < − =
|
|
|
|
.
|

\
|
<

< − =
|
|
.
|

\
|
<

< − = + < < − T
S
X
S
X
S X S X
u u
u
donde T tiene una distribución t
4
, y por tanto:
( ) ( ) ( ) 9974 . 0 1 9987 . 0 2 1 7082 . 6 Pr 2 5 3 5 3 Pr 3 3 Pr = − ∗ = − < = < < − = + < < − T T S X S X u


6. Calcular un intervalo de confianza al nivel α = 0.05 para la probabilidad de p de que un
recién nacido sea niño si en una muestra de tamaño 123 se han obtenido 67 niños.

SOLUCIÓN:

Teniendo en cuenta que la proporción de varones recién nacidos puede modelizarse por una
variable Bernoulli de parámetro p (probabilidad de que un recién nacido sea varón), el intervalo
de confianza al nivel α = 0.05 viene dado por:
( ) ( )
|
|
.
|

\
|

+


− −
n
p p
z p
n
p p
z p
ˆ 1 ˆ
ˆ ,
ˆ 1 ˆ
ˆ
2
1
2
1
α α

Donde n = 123.
123
67
ˆ = p y 96 . 1
975 . 0
2
1
= =

z z
α
, es decir,
( ) 0880096 . 0 544715 . 0 , 0880096 . 0 544715 . 0 + −
y por tanto, el intervalo ( ) 632725 . 0 , 0456706 . 0 contendrá a la proporción de varones nacidos
con una probabilidad del 95%.


7. Calcular un intervalo de confianza al nivel α = 0.001 para el peso exacto mediante los
resultados obtenidos con 10 básculas:
7.20, 7.01, 7.36, 6.91, 7.22, 7.03, 7.11, 7.12, 7.03, 7.05

SOLUCIÓN:

Suponiendo que las medidas del peso de las básculas sigue una distribución normal ( )
2
,σ u N
con media el peso exacto, estamos interesados en encontrar un intervalo de confianza que
contenga a la media de esta distribución, que a un nivel α = 0.001 y desviación típica
desconocida, esta determinado por:
|
|
.
|

\
|
+ −
− − − −
n
S
t X
n
S
t X
n n
2
1 ; 1
2
1 ; 1
,
α α

donde n = 10,
( )
1286 . 0
1
, 1040 . 7
2
1
=


= = =


=
n
X Xi
S
n
Xi
X
n
n
i
, y utilizando la tabla de la
distribución t de Student 78091 . 4
9995 . 0 ; 9
2
1 ; 1
= =
− −
t t
n
α
. Por tanto, el intervalo de confianza al
nivel 0.001 es: ( ) 2984 . 7 , 9096 . 6
Y representa que la media del peso estará en dicho intervalo con una probabilidad de acierto del
99.9%.


8. Calcular un intervalo de confianza al nivel α = 0.05 para
2
σ mediante las desviaciones
que se producen en un proceso de fabricación cuya distribución es ( ) σ , 0 N a partir de la
muestra
1.2, -2.2, -3.1, -0.2, 0.5, 0.6, -2.1, 2.2, 1.3

SOLUCIÓN:

Sabiendo que el proceso de fabricación sigue una distribución normal de media conocida
0 = u , un intervalo de confianza para la varianza
2
σ al nivel α = 0.05 es el siguiente:
|
|
|
.
|

\
|

2
2
;
2
2
1 ;
,
α α
χ χ
n n
T
n
T
n
donde n = 9,
( )
05333 . 3
2
1
=

=

=
n
Xi
T
n
i
u
, y utilizando la tabla de la distribución
2
χ , se
tiene 7004 . 2
2
975 . 0 ; 9
2
2
1 ;
= =

χ χ
α
n
, es decir, ( ) 1763 . 10 , 44458 . 1
Es el intervalo que contendrá con un 95% de acierto las desviaciones que se producen en el
proceso de fabricación.


9. Calcular qué tamaño muestral debemos tomar para obtener u con una precisión de
0.001 a partir de una muestra de una población ( ) 3 , u N .

SOLUCIÓN:

Teniendo en cuenta que el intervalo de confianza que contiene a la media u de una población
normal con varianza conocida es de la forma
|
|
.
|

\
|
+ −
− −
n
z X
n
z X
σ σ
α α
2
1
2
1
,
es decir, el error que cometemos al estimar u mediante un intervalo de confianza al nivel α =
0.05, es
n n
z error
3
96 . 1
2
1
= =

σ
α

Por tanto, si en esta estimación deseamos obtener la media con una precisión de 0.001, tenemos
que calcular n tal que el error que se cometa esté acotado por esta cantidad, 001 . 0 ≤ error , es
decir:
34574400 5880
001 . 0
88 . 5
001 . 0
3
96 . 1
2
= = → ≤ ⇔ ≤ n n
n



10. Para estudiar la efectividad de un medicamento contra la diabetes se mide la cantidad
de glucemia en sangre antes y después de la administración de dicho medicamento,
obteniéndose los resultados siguientes:

Antes 7.2 7.3 6.5 4.2 3.1 5.3 5.6
Después 5.2 5.4 5.3 4.7 4.1 5.4 4.9

Estimar la reducción producida por el medicamento.

SOLUCIÓN:

Suponiendo que las cantidades de glucemia siguen una distribución normal, las muestras
obtenidas mediante las medicaciones anteriores y posteriores a la administración del
medicamento son apareadas, es decir, sobre cada individuo de la población se obtiene una
observación de la variable y posteriormente se repite la observación una vez que el individuo ha
tomado el medicamento siendo esta última observación dependiente de la primera.
Para estudiar el efecto de dicho medicamento, resulta de gran interés la variable diferencia entre
ambas mediciones, puesto que nos permitirá estimar la reducción o incremento de la glucemia
provocada por este medicamento.
En este caso, la diferencia de ambas observaciones sigue una distribución normal de media la
diferencia de ambas y desviación típica desconocida, ( )
2
,σ u u
D A
N − , por lo que un intervalo
de confianza al nivel α = 0.05, viene dado por:
( ) ( )
|
|
.
|

\
|
+ − − −
− − − −
n
S
t X X
n
S
t X X
n
D A
n
D A
2
1 ; 1
2
1 ; 1
,
α α

donde n=7,
( )
60 . 0
1
=

= −

=
n
X X
X X
n
i
Di Ai
D A
y
( ) ( ) ( )
17473 . 1
1
2
=

− − −
=

n
X X X X
S
D A iD Ai

y utilizando la tabla de la distribución t de Student,
4469 . 2 975 . 0 , 6
2
1 ; 1
=
− −
= t t
n
α
, es decir, la reducción
de glucemia por el medicamento estará contenida a un nivel 0.05 en el intervalo
( ) 68645 . 1 , 486448 . 0 − , siendo la reducción estimada 0.6.


11. Se ha hecho un estudio sobre la proporción de enfermos de cáncer de pulmón
detectados en hospital que fuman, obteniéndose que de 123 enfermos 41 de ellos eran
fumadores. Obtener un intervalo de confianza para dicha proporción. Estudiar si dicha
proporción puede considerarse igual a la proporción de fumadores en la población si ésta
es de un 29%.

SOLUCIÓN:

Como la proporción de fumadores en la población de los enfermos de cáncer de pulmón
detectados en un hospital puede modelizarse por una variable Bernoulli de parámetro p,
entonces:
( ) ( )
|
|
.
|

\
|

+


− −
n
p p
z p
n
p p
z p
ˆ 1 ˆ
ˆ ,
ˆ 1 ˆ
ˆ
2
1
2
1
α α

es un intervalo de confianza al nivel α = 0.05, y a partir de las observaciones realizadas, n =
123, tenemos que
123
41
ˆ = p y 96 . 1
2
1
=

α
z , es decir: ( ) 416643 . 0 , 250023 . 0
Por otra parte, si consideramos la proporción de fumadores en la población global, p = 0.29,
observamos que esta proporción ase encuentra dentro del intervalo de confianza obtenido para
un nivel 0.05, es decir, como la proporción de fumadores en la población pertenece al intervalo
que contiene a la proporción de fumadores entre los enfermos de cáncer con una probabilidad de
acierto del 955, podemos considerar que esta proporción de fumadores en los enfermos de
cáncer se corresponde con la de los fumadores en la población global.


12. Sospechamos que nuestro cromatógrafo está estropeado, y queremos determinar si los
resultados que nos proporciona son lo suficientemente precisos. Para ello, realizamos una
serie de 8 mediciones del contenido de una solución de referencia que, sabemos, contiene
90% de un determinado compuesto. Los resultados que obtenemos son:
93.3, 86.8, 90.4, 90.1, 94.9, 91.6, 92.3, 96.5
Construir un intervalo de confianza al nivel de 95% para la varianza poblacional. ¿Que
conclusiones podemos realizar?

SOLUCIÓN:

Sea la variable aleatoria X que representa el valor medio del contenido, si modelizamos el error
incontrolable de medición por una variable aleatoria ε normal de media 0, y de varianza
2
σ desconocida, tenemos que X ~ (valor real,
2
σ ), donde conocemos el valor real del
contenido de la solución que es igual a 90. Por lo tanto, estamos en el caso en que la medida
poblacional es conocida e igual a 90, y tenemos que construir un intervalo de confianza para la
varianza poblacional, por lo que usamos el estadístico:
( )
2
2
1
σ
u

=

=
n
i
Xi
T
Cuya distribución en el muestreo es una
2
n
χ con n grados de libertad. Así, se deduce que, un
intervalo de confianza del ( )
2
1 100 α − %, para la varianza de una distribución normal con
media conocida, está dado por:
( )
( )
2
2
; 1
1
2
2
2
2
1 ; 1
1
2
α α
χ
u
σ
χ
u

=
− −
=



≤ ≤

n
n
i
n
n
i
Xi
Xi

En nuestro caso, para un nivel de confianza del 95%, observamos en la tabla de la distribución
2
χ que 18 . 2 53 . 17
2
025 . 0 ; 8
2
2
;
2
975 . 0 ; 8
2
2
1 ;
≈ = ≈ =

χ χ χ χ
α α
n n
y , y calculamos el numerador anterior:
( ) ( ) ( )

=
= − + + − = −
n
i
xi
1
2 2 2
41 . 95 90 5 . 96 ... 90 3 . 93 u
por lo que obtenemos que el intervalo de confianza pedido es:
77 . 43 44 . 5
2
≤ ≤ σ
Esto representa que el intervalo para la dispersión es 62 . 6 33 . 2 ≤ ≤ σ (es una dispersión
grande), de donde deducimos que la precisión del cromatógrafo es insuficiente.


13. En el departamento de control de calidad de una empresa, se quiere determinar si ha
habido un descenso significativo de la calidad de su producto entre las producciones de
dos semanas consecutivas a consecuencia de un incidente ocurrido durante el fin de
semana. Deciden tomar una muestra de la producción de cada semana, si la calidad de
cada artículo se mide en una escala de 100, obtienen los resultados siguientes:
Semana 1 93 86 90 90 94 91 92 96
Semana 2 93 87 97 90 88 87 84 93

Suponiendo que las varianzas de la puntuación en las dos producciones son iguales,
construye un intervalo de confianza para la diferencia de medias al nivel de 95%.
Interpreta los resultados obtenidos.

SOLUCIÓN:

En primer lugar, observamos que se disponen de dos poblaciones, la primera corresponde a la
producción de la primera semana mientras que la segunda corresponde a la de la segunda
semana. En este sentido, introducimos las dos variables
1
X que mide la puntuación de calidad
de un artículo de la primera semana, y
2
X para la segunda.
Además, en el caso en el que las varianzas en las dos poblaciones son desconocidas pero
iguales,
1
X y
2
X se asumen normales e independientes, utilizamos el estadístico:
( )
2 1
2 1 2 1
1 1
n n
S
X X
T
p
+
− − −
=
u u

Donde
( ) ( )
2
1 1
2 1
2
2 2
2
1 1
− +
− + −
=
n n
S n S n
S
p
, el cuál sigue una distribución
2
2 1
− +n n
t de Student de
2
2 1
− + n n grados de libertad. Así, un intervalo de confianza al ( ) α − 1 100 % para la
diferencia entre medias de dos distribuciones normales, con varianzas desconocidas pero iguales
es:
2 1
2 1 2 1
2 1
2 1
1 1 1 1
n n
cS x x
n n
cS x x
p p
+ + − ≤ − ≤ + − − u u
donde
2
1 ; 2
2 1
α
− − +
=
n n
t c . En particular, para los datos de este problema, se tiene
8 . 17 , 9 . 89 , 8 , 8 , 1 . 90 , 5 . 91
2
2 2 2 1
2
1 1
= = = = = = S x n n S x , por lo que:
( ) ( )
4 . 13
14
8 . 17 * 7 1 . 9 * 7
2
1 1
2 1
2
2 2
2
1 1 2
=
+
=
− +
− + −
=
n n
S n S n
S
p

Y 145 . 2
975 . 0 ; 14
2
1 ; 2
2 1
≈ = =
− − +
t t c
n n
α
, obteniendo el intervalo de confianza:
8
1
8
1
4 . 13 145 . 2 6 . 1
8
1
8
1
4 . 13 145 . 2 6 . 1
2 1
+ + ≤ − ≤ + − u u
es decir, el intervalo de confianza al nivel del 95% para la diferencia de medias es:
56 . 5 31 . 2
2 1
≤ − ≤ − u u

Por último, podemos concluir que, con los datos de la muestra, es posible que la diferencia de
las medias poblacionales sea igual o muy próximo a cero, en consecuencia no podemos afirmar
que ha habido un descenso significativo de la calidad entre las dos semanas.


14. Eres el encargado de un departamento de producción en una fábrica y recibes un lote
de 2000 piezas necesarias para la fabricación de un artículo. Tienes la responsabilidad de
aceptar o rechazar el lote, si estimas que la calidad de éste no es suficiente. El fabricante te
asegura que, en este lote, no hay más de 100 piezas defectuosas, pero decides tomar una
muestra para estimar la proporción de las mismas.
a) ¿Cuántas piezas decides examinar para que, con un nivel de confianza del 95%, el error
que cometas en la estimación de la proporción poblacional de defectuosas no sea mayor
que 0.05?
b) Si decides tomar una muestra de 100 artículos escogidos al azar en el lote y realizas el
recuento de piezas defectuosas en esta muestra, encontrado 4 artículos defectuosos.
Construye para la proporción de defectuosos en el lote, un intervalo de confianza al nivel
de 95% de confianza. ¿Se debe rechazar el lote?

SOLUCIÓN:

Observar que el tamaño de la población (el lote de piezas) es de 2000, por lo que podemos
considerar que dicho tamaño es lo suficientemente grande como para que la podamos tratar
como una población infinita.
a) Para determinar el tamaño muestral necesario para estimar la proporción poblacional si
queremos que el error cometido sea menor que 0.05 con un nivel de confianza de ( )% 1 100 α − ,
viene dado por:
( )
2
2
2
1
1
error
p p
z n

|
|
.
|

\
|


α

Donde no conocemos el valor de la proporción exacta p, puesto esto es precisamente lo que
queremos encontrar. Por lo tanto, debemos utilizar una aproximación de p, usando una muestra
piloto o eligiendo el p más pesimista posible, es decir, el p que conlleva la elección del tamaño
muestral más grande, p=0.5. así tenemos dos posibilidades:
1) el valor que, según el vendedor, es la proporción poblacional, 05 . 0
2000
100
= = p . En este
caso, el error máximo admisible es 05 . 0 = error y el nivel de confianza 95%, α = 0.05 y
utilizando las tablas de la normal estándar 96 . 1
975 . 0
2
1
≈ =

z z
α
. Por lo que se llega:
99 . 72
0025 . 0
95 . 0 5 . 0
96 . 1
2


∗ ≥ n
es decir, el valor de n que convendría usar es 73.

2) el valor más pesimista, p=0.5, y en este caso, de forma similar a la anterior, se tiene:
16 . 384
0025 . 0
5 . 0 5 . 0
96 . 1
2


∗ ≥ n
Por último, observar que tendremos que escoger entre las dos opciones anteriores según el
tiempo, y/o el dinero, que nos llevará examinar cada artículo de la muestra.

b) en el caso de tomar una muestra de tamaño 100, en la cuál hemos encontrado 4 piezas
defectuosas, tenemos que determinar un intervalo de confianza para la proporción poblacional.
Para ello, si consideramos la variable aleatoria P
ˆ
que designa el estadístico proporción
muestral, y p la proporción en la población, tenemos que la distribución el siguiente estadístico:
( )
n
p p
p P
Z


=
1
ˆ

Es aproximadamente una distribución normal estándar. A partir de esto, deducimos que un
intervalo de confianza de nivel ( )% 1 100 α − para la proporción p de la población, es de la
forma:
( ) ( )
|
|
.
|

\
|

+ ≤ ≤


− −
n
p p
z p p
n
p p
z p
ˆ 1 ˆ
ˆ ˆ
ˆ 1 ˆ
ˆ
2
1
2
1
α α

Y aplicándolo a los datos del problema, 04 . 0
100
4
= = p , α = 0.05 y 96 . 1
975 . 0
2
1
≈ =

z z
α
, por
lo que el intervalo de confianza al 95% para la proporción es:
100
96 . 0 04 . 0
96 . 1 04 . 0
100
96 . 0 04 . 0
96 . 1 04 . 0

+ ≤ ≤

− p
es decir; 078 . 0 002 . 0 ≤ ≤ p

y teniendo en cuenta que el fabricante nos aseguraba que la proporción de defectuosos en el lote
era de 0.05, concluimos que no está en contradicción con los resultados que hemos encontrado
en nuestra muestra, por lo que decidimos confiar en el fabricante y aceptamos el lote.


15. Los tiempos de reacción, en mili segundos, de 17 sujetos frente a una matriz de 15
estímulos fueron los siguientes:
448, 460, 514, 488, 592, 490, 507, 513, 492, 534,523, 452, 464, 562, 584, 507, 461
Suponiendo que el tiempo de reacción se distribuye Normalmente, determine un intervalo
de confianza para la media a un nivel de confianza del 95%.

SOLUCIÓN:

Mediante los cálculos básicos obtenemos que la media muestral vale 505,35 y la desviación
típica 42,54.
Buscando en las tablas de la t de Student con 16 grados de libertad, obtenemos que el valor que
deja por debajo una probabilidad de 0,975 es 2,12.
Sustituyendo estos valores en la expresión del intervalo de confianza de la media tenemos:
(505,35 - 2,12 * 42,54 / 4 ,, 505,35 + 2,12 · 42,54 / 4)
Operando ( 482,80 ,, 527,90 )


16. Se considera una población representada por una variante ε , de suerte que la media
poblacional es igual a 25,y la varianza poblacional es igual a 240. Supuesto extraidas
muestras de tamaño 100, muestreo aleatorio simple, determinar la probabilidad de que el
estadistico media muestral, A
x
, este comprendido entre los valores 23,55 y 28.1.

SOLUCIÓN:

El estadístico media muestral :
A
x
=
n
Xi
n
i

=1
,
Habida cuenta el resultado obtenido en el problema 110, es tal que:
E| | Ax = 25
V| | Ax = 4 , 2
100
240
=

La probabilidad a obtener puede ser expresada en la forma:
P (23,55 ) 1 , 28 ≤ ≤ Ax
y sera conocida si determinamos la distribución de probabilidad de la variante Ax. Ahora bien,
como quiera que Ax viene definida como suma de variantes Xi, independientes entre si,todas
con igual distribución e igual a la distribución de probabilidad de la población, puesto que el
muestro que se considera es el aleatorio simple, y habida cuenta que el tamaño muestral es
suficientemente grande, n=100, procede efectuar la aproximación de la distribución de Ax
mediante la distribución normal. De esta forma, pues, Ax sera uan variante con distribución :
N (25, ) 4 , 2
Y por ello:
P (23,55 ) 1 , 28 ≤ ≤ Ax = F( 28,1) – F (23,55)
Al ser:
F ( 28,1) = )
4 , 2
25 1 , 28
( 1 , 28 25 * 4 , 2 ( ) 1 , 28 (

≤ = ≤ + = ≤ ε ε P P Ax P
F(23,55) = P )
4 , 2
25 55 , 23
( ) 55 , 23 25 * 4 , 2 ( ) 55 , 23

≤ = ≤ + = ≤ ε ε P P Ax
Donde
,
ε representa 3ina variante con distribución N(0,1); leidos en tablas, los valores:
97725 . 0 ) 2 (
4 , 2
25 1 , 28
= ≤ =
|
|
.
|

\
|

≤ ε ε P P
17619 . 0 ) 93 , 0 (
4 , 2
25 55 , 23
= − ≤ =
|
|
.
|

\
|

≤ ε ε P P
Habiéndose tomado 55 , 1 4 , 2 = es por tanto:
80106 . 0 17619 . 0 97725 . 0 ) 1 , 28 55 , 23 ( = − = ≤ ≤ ε P


17. La duracion aleatoria de las unidades producidas de un articulo, se distribuye según la
ley normal, con desviación tipica igual a seis minutos. Elegidas al azar cien unidades,
resulto ser la duracion media de 14,35 minutos.Elaborar el intervalo de confianza del 99%
para la duracion media de las unidades producidas.

SOLUCIÓN:

Si convenimos en representar por la variante ξ, la duración aleatoria, dicha variante representa la
población de la cual sabemos posee una distribución:
N(0,6)
Para determinar el intervalo de confianza nos basaremos en la distribución del estadístico media
muestral Ax que, sabemos, se distribuye como una variante:
|
|
.
|

\
|
100
6
, 0 N
Puesto que la distribución poblacional es normal con varianza conocida, resultando, entonces,
dicho intervalo expresado en la forma:
λ
σ
*

± ≡
n
Ax Ix
α
λ
σ

− 0 * Ax n
P
α
=0,99
Leido el valor en λ
α
resulta ser:
λ
α =
2,575
con lo que el intervalo de confianza para el que, con una probabilidad de 0,99,pertenece al
parámetro θ,duracion media , es:
( 575 , 2 ) 6 , 0 ( ; 575 , 2 ) 6 , 0 ( + − Ax Ax )
Y habida cuenta la información de que disponemos,dada por la muestra,al ser:
Ax=14,35 minutos

Podemos esperar que en un 99% de los casos, la duración media este comprendida entre los
valores:
( ) 575 , 2 ) 6 , 0 ( 35 , 14 ; 575 , 2 ) 6 , 0 ( 35 , 14 + −
Esto es:
(12,805;15,895)
Habiendo tomado:
(0,6)2,575 = 1,545


18. Se considera una poblacion representada por una varianteξ , de suerte que la
distribucion de probabilidad poblacional viene definida por una funcion de densidad:
( ) para x f
4
1
= 0 4 0 ≤ ≤
0 ) ( = x f para cualquier otro valor de x
Determinar la distribucion de probabilidad del estadistico media muestral, supuesto
extraidas muestras de tamaño 3.600 , muestreo aleatorio simple.

SOLUCIÓN:

Del comportamiento en probabilidad del estadistico
x
a , sabemos que:
| | η =
x
a E , | |
n
a V
x
2
σ
=
Y en nuestro caso:
| | 2 =
x
a E | |
10800
4
=
x
a V
Veamos entonce, si podemos determinar la distribucion de probabilidad de
x
a .Tal y como
x
a .
Es definido:

n
x
a
n
i
x

=
1

x
a . Es una variante definida como suma de variantes ,xi , y habida cuenta el muestreo que se
considera , aleatorio simple , independientes en probabilidad , todas con igual distribucion e
igual a la distribucion poblacional ,por tanto con media y varianza finitas.De ahi que , usando
del teorema central del limite , al ser el numero de variantes xi ,que se componen,
suficientemente grande , puesto que el tamaño muestral es 3600, resulta procedente aproximar
la distribucion normal.Por ello el estadistico
x
a . Se comporta como una variante normal de
parametros:
|
.
|

\
|
9 , 103
2
, 2 N


19. Se consideran dos poblaciones representadas por las variantes
1
ξ y
2
ξ , de suerte que
las distribuciones de probabilidad de cada una de ellas son ) , (
2 1
σ η N y ( )
2 2
,σ η N ,
respectivamente. Extraidas muestras, muestreo aleatorio simple , de tamaño n , de la
primera poblacion , y de tamaño m de la segunda , determinar la distribucion del
estadistico:
y x
a a − , donde:
n
x
a
i
x

=
1

m
y
a
n
j
y

=
1

Supuesto que las muestras obtenidas de cada poblacion son independientes.

SOLUCIÓN:

Para la determinacion de la distribucion de probabilidad de la variante
y x
a a − ,procederemos
a obtener su funcion caracteristica.Asi al ser por definicion:
( ) | |
) ( ay ax it
a a
e E t
y x


= ϕ
De donde , al ser lasvariantes
x
a y
y
a independientes, puesto que se supone que las muestras
extraidas de la primera poblacion son independientes de las de la segunda, se tendra:
| | | | ) ( ) ( ) ( t t e E e E t
ay ax
ita
ita
a a
y
x
y x
− ⋅ = ⋅ =


ϕ ϕ ϕ
Por lo que podemos decir que:
) / )( )( 2 / 1 (
) 2 / 1 (
2 2
2
2
2
1
)( ( ) (
m t ti
n
t it
ay ax
e e t
σ η
σ
η
ϕ
− −
|
|
.
|

\
|


=
Funcion caracteristica que expresa que la distribucion de probabilidad de la variante
y x
a a − ,es
una distribucion normal de parametros:
| |
2 1
η η − = − ay ax E
V| |
m n
ay ax
2
2
2
σ σ
+ = −


20. Se considera una poblacion tal que sus elementos son susceptibles de poseer o no una
caracteristica c.Supuesto extraidas muestras de tamaño n , muestreo aleatorio simple,
determinar:El valor probable del estadistico “proporcion de elementos de la muestra que
poseen la caracteristica c”.

SOLUCIÓN:

Convengamos en representar por 1 a cada elemento de la poblacion que posea la caracteristica c,
por 0 a los elementos que no posean y por Π a la proporcion de elementos de la poblacion que
posean dicha característica.
Extraidas muestras de tamaño n, muestreo aleatorio simple,(x1,x2,x3,......xn), las componentes
muestrales las componentes muestrales tomaran los valores 0 ó 1 , segun que el elemento
extraido posea o no la caracteristica c , la proporcion de elementos de muestra que poseen tal
caracteristica vendra expresada entonces:
n
x
n
x
p
n
i
= =

1


Donde x es por tanto,la suma de ls componentes muestrales , igual a la suma de numeros 1 que
hayan aparecido en la muestra. Al ser el muestreo aleatorio , x, representara el numero aleatorio
de elementos que aparecen en la muestra con la caracteristica c y por ello sera una variable
aleatoria.
Definido, pues el estadistico p pasemos a determinar los parametros fundamentales de su
distribucion.
1) Valor probable de p
Tal y como se ha establecido el estadistico p , se tendra:
| | | | x E
n n
x
E p E
1
=

=
Y como quiera que la variante x viene expresada como suma de variantes xi, que solo
pueden tomar los valores 1ó 0, independientes entre si,puesto que el muestreo es aleatorio
simple, su distribucion de probabilidad sera:
) , ( π β n
Habida cuenta que el numero maximo de veces que puede presentarse el elemento
representado por 1 es n , tamaño muesstral y ser π la probabilidad de extraer de la
poblacion un elemento representado por uno.Por elllo pues:
| | π n p E =
De donde:
| | | | π = = x nE p E / 1


21. Se estudiaron 40 muestras de aceite crudo de determinado proveedor con el fin de
detectar la presencia del niquel mediante una prueba que nunca da un resultado
erroneo.Si en 5 de dichas muestras se observo la presencia de niquel¿podemos creer al
proveedos cuando asegura que a lo sumo el 8% de las muestras contienen niquel?

SOLUCIÓN:

Llamemos p a la proporcion de muestras que contienen niquel.Si la pruebe nunca da un
resultado erroneo la variable
0
P , que representa la proporcion de pruebas positivas al analizar
40 muestras satisface.
( )
) 1 , 0 (
40
1
0
N Z
p p
p P
≈ =



Contrastamos la hipotesis nula
08 , 0 :
0
= p H
Frente a la alternativa
08 , 0 : 〉 p H
a

Al tratarse de un contraste unilateral , con la region critica a la derecha, esta corresponde a
valores de la distribucion muestral superiores a 645 , 1
95 , 0
= z , si consideramos un nivel de
significacion 05 , 0 = α
En nuestro caso 125 , 0
40
5
0
= = p de modo que
645 , 1 049 , 1
40
92 , 0 . 08 , 0
08 , 0 125 , 0
〈 =


Con lo que no podemos rechazar la hipotesis nula.
LLamaremos N al suceso que representa la presencia de niquel.Como la prueba es positivqa en
el 80% de los casos en que hay niquel pero tambien en su ausencia, con probabilidad igual a
0,01, la probabilidad de que una prueba resulte positiva es
01 , 0 79 , 0 + =

p
p

Y ahora la variable
0
P , que representa la proporcion muestral de pruebas positivas y no la de
contenido real de niquel , satisface
) 1 , 0 (
40
) 1 (
0
N
p p
p P

− ⋅





La hipotesis nula pasa a ser

= p H :
0
0,0732
Frente a la alternativa
0732 , 0 : 〉 p Ha
Considerando el mismo nivel de significacion, tenemos que
645 , 1 2578 , 1
40
9268 , 0 0732 , 0
0732 , 0 125 ,
〈 =

− o


Llegando a la misma conclusion


22. La resistividad electrica de ciertas barras de aleacion de Cromo- molibdeno es una
variable N(12,5 ;4,1).Un investigador acaba de calibrar un aparato que mide dicha
resistividad y para comprobar que lo ha hecho bien utiliza el sistema consisi tente en
medir cuatro barras y aceptar qu el calibrado es bueno si encuentra al menos un valor
inferior y otro superior a 12,5.
Determinar el nivel de significacion del contraste que esta llevando a cabo.¿Es sensible el
contraste a una mayor o menor dispersion de la variable resistividad?

SOLUCIÓN:

Planteamos la hipotesis nula:
5 , 12 :
0
= u H
Contra la alternativa
5 , 12 : ≠ u
a
H
Sea X el numero de valores mayores que 12,5 en una muestra de extension 4.Si la hipotesi nula
es cierta , X es una variable B(4 ;0,5) independientemente del valor de la varianza.
Rechazar la hipotesis nula equivale
X=4 o bien X = 0
Por lo tanto, el nivel de significacion α es:
P(X=4)+P(X=0)=0,125
El contraste no es sensible a la dispersion de la variable resistividad pues esta dispersion no
afecta a la variable X, utilizada como estadigrafo, que es B(4,0,5) al margen del valor de la
varianza de la variable resistividad.


23. Los rodamientos esfericos que fabrica una maquina deben de tener un diametro
uniforma para ser aptos para su uso.El responsable de la maquina asegura que la varianza
es 025 , 0
2
= σ .Medidos 50 rodamientos se obtuvo una varianza muestral . 0272 , 0
2
= s ¿Es
compatible este resultado con la afirmacion previa?

SOLUCIÓN:

Planteamos la hipotesis nula:
025 , 0
2
0
= = σ H
Frente a la alternativa
025 , 0 :
2
〉 σ
a
H
Pues una varianza
2
σ inferior a 0,025 no debe ser objeto de nuestra preocupacion, ya que
supone menor dispresion y , por tanto mayor uniformidad de la variable diametro de
rodamientos. Apoyandonos en la distribucion
2
χ con 49 crados de libertad dada por
2
2
50
σ
S

Obtenemos para nuestros datos
4 , 54
025 , 0
0272 , 0 50
=


Teniendo en cuenta que, para 49 grados de libertad,
33 , 66
2
95 , 0 ; 49
= χ
La desigualdad 54,4 menor que 66,33
Conduce a aceptar la hipotesis nula.


24. Se considera una poblacion representada por la varianteξ , de suerte que la
distribucion poblacional es una distribucion ( ) σ η, N , conσ conocida.Supuesto extraidas
muestras de tamaño n, muestreo aleatorio simple, determonar la distribucion de
probabilidad del estadistica media muestral.

SOLUCIÓN:

Sabemos que | | η = ax E , | |
n
ax V
2
σ
=
Veamos , entonces, si el conocimiento del modelo de distribucion de probabilidad poblacional
permite determinar , no solo los parametros fundamentales de la distribucion de probabilidad
del estadistico ax , que ya los conocemos como acabamos de ver,sino tambien su distribucion de
probabilidad. Para ello, usaremos del concepto de funcion caracteristica y trass u obtencion,
identificaremos el modelo que corresponde a la variante ax. Asi por definicion:
| | | | | |
n itx n itx n itx n itx
ax
n n
e E e E e e E t
/ / / /
........ ....... ) (
1 1
⋅ = = ϕ
Por ser el muesrteo que se emple aleatorio simple

De donde por, definicion da funcion caracteristica es:
| | ) / (
/
n t e E
xi
n itx
n
ϕ =
Con ello:
) / ( ......... ) / ( ) (
1
n t n t t
xn x ax
ϕ ϕ ϕ ⋅ =
Como quiera que todas las variantes poseen igual distribucion e igual a la distribucion
poblacional, sera:
) / ( ) / ( n t n t
xi ξ
ϕ ϕ =
Con lo que la funcion caracteristica resulta ser la correspondiente a una distribucion:
) , (
n
N
σ
u
Por tanto , el estadistico media muestral se comporta como una variante normal de parametros
u y
n
σ



25. Se considera una poblacion representada por una variante ξ , de suerte queϑ y
2
σ ,
representan los parametros media y varianza poblacional, respectivamente.Si estimamos
la media poblacional,ϑ , a travae de la media muestral
x
a comprobar que dicho
estimador es consistente(Supuesto extraidas muestras de tamaño n, muestreo aleatorio
simple).

SOLUCIÓN:

Por definicion ,
x
a sera estimador consistente deϑ ,si:
( ) 0 → 〉 − ⇔ → ε ϑ ϑ
x x
a P a
Es decir, si la media muestral converge en probabilidad a la media poblacional.
Como del comportamiento en probabilidad de la media muestral sabemos que;

se tendra que, habida cuenta la desigualdad de tchebucheff de donde:
( ) 0 → 〉 − ε ϑ
x
a P
Por tanto, es estimador consistente de la mediia poblacional.Notese que este resultado es valido
cualquiera que sea el tipo de distribucion poblacional,siempre que no carezca de valor medio y
varianza,habida cuenta que, al aplicar la desigualdad de tcheybycheff ,solo hemos hecho uso de
la informacion que proporciona el valor probable y la varianza.


26. Se considera una poblacion representada por una variante η , de suerte que la
distribucion de probabilidad de la poblacion viene definida por la funcion de densidad:

( )
2
2
) (
θ
θ x
x f

= para ϑ ≤ ≤ x 0
0 ) ( = x f para cualquier otro valor
Determinar el estimador, por el metodo de los momentos, del parametro poblacional. θ

SOLUCIÓN:

| |
| |
2
σ
ϑ
=
=
x
x
a V
a E
Teniendo en cuenta que solo es uno el parametro a estimarθ , el estimador por el metodo de los
momentos , vendra dado como solucion de la ecuacion:
| |


∞ −
= =
1
) / ( a x xdF E θ ξ
Ecuacion obtenida al igualar le momento de orden 1 de la poblacion, al momento de orden 1 de
la muestra. En nuestro caso, al ser la distribuciuon poblacional de tipo continuo y teniendo en
cuenta la definicion de la funcion de densidad ,sera:
( )

=

θ
θ
θ
0
2
2
x
a dx
x
x
Determinaremos la integral anterior.Se tendra:
( )

=

θ
θ
θ
θ
0
2
3 /
2
dx
x
x
Con lo que
x
a = 3 / ϑ
Con ello:
x
a 3 =

θ
Sera el estimador, por el metodo de los momentos del parametroθ


27. Se considera una poblacion representada por una variableξ , de suerte que la
distribucion de probabilidad de la poblacion es normal, con desviacion tipica igual a
10.Determinar la probabilidad de que el estadistica media muestral supere el valor m edio
poblacional en , por lo menos 0,2 , supuesto extraidas muestras de tamaño 100 , muestreo
aleatorio simple.

SOLUCIÓN:

Si convenimos en representar por u el valor medio poblacional , el suceso cuya probabilidad
vamos a obtener puede ser expresado en la forma: 2 , 0 ≥ −η
x
a . La diferencia : η −
x
a es
aleatoria , por ser
x
a una variable aleatoria, y su disatribucion de probabilidad podemos
obtenerla a traves de la funcion caracteristica:
| | ) ( ) (
) (
t e e E t
ax
it ax it
ax
ϕ ϕ
u η
η
⋅ = =
− −


Donde:
) / ( ) 2 / 1 (
2 2
) (
n t it
ax
e t
σ u
ϕ

=
Asi la funcion caracteristica:
n t
ax
e t
/ 2 / 1
2 2
) (
σ
η
ϕ


=
Expresa que la variante η −
x
a se comporta con arregla a la distribucion de probabilidad:
|
|
.
|

\
|
n
N
σ
, 0
Conocida la distribucion( η −
x
a ) en nuestro caso,
|
|
.
|

\
|
100
10
, 0 N
La probabilidad a obtener sera determinada en la forma:
( ) ( ) 2 , 0 2 , 0
100
10
2 , 0 ≥ =
|
|
.
|

\
|
≥ = ≥ −
ι ι
ξ ξ η P P ax P
dondeξ , es una variante ( ) 1 , 0 N .Leida en tablas de probabilidad:
420 , 0 ) 2 , 0 ( = ≥
ι
ξ P
Resulta pues:
( ) 4207 , 0 2 , 0 = ≥ −η ax P


28. En una muestra de 65 sujetos las puntuaciones en una escala de extroversión tienen
una media de 32,7 puntos y una desviación típica de 12,64.
a) Calcule a partir de estos datos el correspondiente intervalo de confianza, a un nivel del
90%, para la media de la población.
b) Indique, con un nivel de confianza del 95%, cual sería el máximo error que podríamos
cometer al tomar como media de la población el valor obtenido en la estimación puntual.

SOLUCIÓN:

a) Buscando en las tablas de la t de Student obtenemos que el valor que deja por debajo una
probabilidad del 95% es 1,671 (aproximadamente). Sustituyendo los valores de esta muestra en
la expresión del intervalo de confianza obtenemos:
( 32,7 - 1,671 * 12,64 / 8 ,, 32,7 + 1,671 *12,64 / 8 )
operando ( 30,06 ,, 35,34 )

b) En las tablas de la t de Student encontramos que el valor de la variable que deja por debajo
una probabilidad de 0,975 es 2. En consecuencia a un nivel de confianza del 95% la media de la
población puede valer
32,7 ± 2 * 12,64 / 8
luego el máximo error que se puede cometer, a este nivel de confianza, es: 3,16


29. Se considera una población representada por una variante ξ , de suerte que la
distribución de probabilidad de la población es N(0,2).Si como estimador del parametro
poblacional θ se toma el estadistico media muestral,determinar el tamaño muestral n
para que, con una probabilidad de 0,95,el error de la estimacion producido no sea
superior a 0,2.

SOLUCIÓN:

Si la estimacion de la media poblacional θ se realiza a traves del estadistico media muestral,
A
x
, el terror de la estimacion vendra dado por:
θ -A
x
Y habida cuenta el enunciado hemos de obtener el tamaño muestral para el que:
P| | 95 . 0 2 . 0 = ≤ − Ax θ
O bien :
P| | 95 . 0 2 . 0 2 . 0 = + ≤ ≤ − Ax Ax θ
Como quiera que el intervalo de confianza para la media poblacional obtenido en base a la
distribucion del estadistico media muestral es:
λ
σ
λ
σ
* ; *
n
Ax
n
Ax + −

Puesto que suponemos la poblacion normal con varianza conocida, se tendra que la cota de error
,0,2 sera igual a:
0,2= λ
σ
*
n

y por lo tanto:
n=
2 ^ 2 . 0
2 ^ * 2 ^ σ λ

teniendo en cuenta que la λ es tal que:
P 95 . 0 * =



λ
σ
θ
σ
Ax n

Leyendo en las tablas el valor de λ = 1,96 con ello n= 384,16 con lo que al tener que ser el
tamaño un numero entero resultara 384.

Asi pues tomando muestras de tamaño 384, podemos esperar que en el 95% de los casos, las
estimaciones producidas por la media muestral produzcan errores no superiores a 0,2.


30. En una muestra aleatoria de 90 pacientes se mide el nivel de glucosa en sangre en
ayunas.Se obtiene

X =132mg/dl y s
2
=109.Construir el IC al 95%.

SOLUCIÓN:

Usando la fórmula general para cuando s
2
es desconocida:

podemos, o bien mirar a las tablas de la t,el valor de t
0,025
que para 89 grados de libertad es
1,99, o bien como n > 30 aproximar a la z y usar el valor 1,96.


31. Para evaluar una vacuna para la gripe se selecciona un grupo de 200 individuos de
riesgo. Se eligen 100 de ellos y se les suministra la vacuna;de ellos 10 pasan la
gripe.Construir un IC al 95% para la probabilidad de pasar la gripe si se esta
vacunado.En los otros 100 pacientes sin vacunar la pasan 20.¿Es eficaz la vacuna?

SOLUCIÓN:
La fórmula para calcular IC para proporciones es

y aproximando p y q por sus estimaciones
1 . 0 ) 16 . 0 04 . 0 (
100
9 . 0 * 1 . 0
96 . 1 − = ±
es decir, hay una probabilidad del 95% de que la probabilidad de pasar la gripe si se está
vacunado esté comprendida entre el 4% y el 16%. Para los no vacunados
2 . 0 ) 28 . 0 12 . 0 (
100
9 . 0 * 2 . 0
96 . 1 − = ±


32. El parámetro de una distribución de Poisson puede tomar uno de los cuatro valores
siguientes: a = 4; 4,5; 5,5; 6. Decídase cual de ellos puede ser, considerando una muestra
aleatoria simple de tamaño dos, tal que x
1
= 3 y x
2
= 7, y basándose en el principio de
máxima verosimilitud.

SOLUCIÓN:

La muestra puede proceder de cuatro poblaciones distintas, según sea el valor que tome el
parámetro a de la distribución de Poisson; de acuerdo con el principio de máxima verosimilitud,
elegiremos el valor de a tal que la probabilidad de obtener la citada muestra sea máxima.
Calculamos la probabilidad para cada valor de a:
a = 4:
( ) 02326 , 0
! 7
4
! 3
4
2 7 ; 3
7 4 3 4
2 1
=



⋅ = = =
− −
e e
X X P
a = 4,5:
( ) 02780 , 0
! 7
5 , 4
! 3
5 , 4
2 7 ; 3
7 5 , 4 3 5 , 4
2 1
=



⋅ = = =
− −
e e
X X P
a = 5,5:
( ) 02798 , 0
! 7
5 , 5
! 3
5 , 5
2 7 ; 3
7 5 , 5 3 5 , 5
2 1
=



⋅ = = =
− −
e e
X X P
a = 6:
( ) 02457 , 0
! 7
6
! 3
6
2 7 ; 3
7 6 3 6
2 1
=



⋅ = = =
− −
e e
X X P
Cuando a = 5,5 obtenemos la mayor probabilidad de extraer la muestra (3; 7), por lo cual
decidimos que el valor del parámetro a es 5,5.


33. La función de densidad f(x; a) = ae
-ax
, x ≥ 0, contiene el parámetro a, del cual se sabe
que puede tomar uno de los tres valores siguientes: 0,5; 1; 1,5. Se toma una muestra
aleatoria de tamaño uno, resultando un valor comprendido entre 1,7 y 2,6. Basándose en el
principio de estimación de la máxima verosimilitud, determínese, a partir de la
información suministrada por la muestra, por cual de los tres valores que puede tomar el
parámetro debemos optar.

SOLUCIÓN:

Según el método de la máxima verosimilitud, elegiremos el valor de a que proporcione la
mayor probabilidad de obtener la muestra.

a = 0,5:
( )

= − = = ≤ ≤
− − −
6 , 2
7 , 1
3 , 1 85 , 0 2 /
1549 , 0
2
1
6 , 2 7 , 1 e e dx e X P
x


a = 1:
( )

= − = = ≤ ≤
− − −
6 , 2
7 , 1
6 , 2 7 , 1
1084 , 0 6 , 2 7 , 1 e e dx e X P
x


a = 1,5:
( )

= − = = ≤ ≤
− − −
6 , 2
7 , 1
90 , 3 55 , 2 2 / 3
0578 , 0
2
3
6 , 2 7 , 1 e e dx e X P
x


Al ser a = 0,5 el valor del parámetro que proporciona la mayor probabilidad, decidimos
que a = 0,5, y la función de densidad es ( )
2 /
2
1
x
e x f

=


34. Si una variable aleatoria tiene por función de densidad
( )
a
a
x
a
a
a x f



=
1
1 3
1
2
:
0 ≤ x ≤ 1; a > 0 hállese el estimador del parámetro a por el método de máxima
verosimilitud, en muestras aleatorias simples de tamaño n.

SOLUCIÓN:

La función de verosimilitud es:
( )
( )
( ) a
a
n
n
n n
a
a
n
a
a
n
x x
a
a
x
a
a
x
a
a
a x x L L −






=
− −
= = 1
1 3
1
1
1 3
1
1 3
1 1
···
1
2
1
2
···
1
2
; ,...,
Tomamos logaritmos neperianos:
ln L = n ln2 + n ln(a) – n ln(1 - a) +

=


n
i
i
x
a
a
1
ln
1
1 3

Calculamos la derivada parcial de ln L respecto a a y la igualamos a cero, resolviendo la
ecuación:
( )

=
=

+

+ =


n
i
i
x
a
a
n
a
n
a
L
1
2
0 ln
1
2
1
ln

( )
( )

=

− =

n
i
i
a a
n
x
a
1
2
;
1
ln
1
2


=

=
n
i
i
a
n na
x
1
2
ln

=

=
n
i
i
x n
n
â
1
ln 2



35. Calcúlese los estimadores máximo verosímiles de los parámetros a y b de las funciones
de densidad
a) ( )
( ) y x a
e a a y x f
+ −
=
2
; ; , x ≥ 0; y ≥ 0
b) ( )
1 1
; ; ;
− −
=
b a
y abx b a y x f , 0 ≤ x ≤ 1; 0 ≤ y ≤ 1
en muestras aleatorias simples de tamaño n.

SOLUCIÓN:

a)
( )
( ) ( )
( )

= = =
=
+ −
− − − −
n
i
i i
n n i i
y x a
n y x a u x a
n n i i
e a e a e a a y x y x L L
1
2 2 2
··· ; ;...;
( )

=
+ − =
n
i
i i
y x a a n L
1
ln 2 ln
( )

=
= + − =


n
i
i i
y x
a
n
a
L
1
0
2 ln

( )
y x
y x
n
â
n
i
i i
+
=
+
=

=
2 2
1

b)
( ) ( ) ( )
1
1
1
1 1 1
··· ··· , ; ,..., ; ,...,
− −
= =
b
n
a
n
n n
n n
y y x x b a b a y y x x L L
( ) ( )
∑ ∑
= =
− + − + + =
n
i
i
n
i
i
y b x a b n a n L
1 1
ln 1 ln 1 ln ln ln

=
= + =


n
i
i
x
a
n
a
L
1
0 ln
ln


=
= + =


n
i
i
y
b
n
b
L
1
0 ln
ln


;
ln
1

=
− =
n
i
i
x
n
â

=
− =
n
i
i
y
n
b
1
^
ln



36. Dada la variable aleatoria X, con función de densidad
( )
ax
ae a x f

= ; ; 0 ≤ x; 0 < a,
Calcúlese la distribución en el muestreo del estimador máximo verosímil del parámetro a,
en muestras aleatorias simples de tamaño 2.

SOLUCIÓN:

La función de verosimilitud es
( )
( )
2 1 2 1
2
2 1
; ;
x x a ax ax
e a ae ae a x x L L
+ − − −
= = =
( ); ln 2 ln
2 1
x x a a L + − =
( ) ; 0
2 ln
2 1
= + − =


x x
a a
L

x x x
â
1 2
2 1
=
+
=
El estimador máximo verosímil es el inverso de la media muestral. Función de
distribución del estimador:
( ) ( ) =
|
|
.
|

\
|
≤ + − =
|
|
.
|

\
|
≤ − =
|
|
.
|

\
|
≤ =
|
.
|

\
|
≤ = ≤ =
y
X X P
y
x P x
y
P y
x
P y â P y G
2
1
1
1
1 1
2 1

( )
( )
∫ ∫ ∫ ∫
− −
− + −
|
|
.
|

\
|
+ = − = − =
y
x
y y
x
y
y a x x a
e
y
a
dx dx e a dx dx a x x L
2
0
2
0
2
0
2
0
/ 2
2 1
2
2 1 2 1
1 1
2 1
2
1 1 ; ; 1
La función de densidad es
( ) ( ) ;
4
'
/ 2
3
2
y a
e
y
a
y G y g

= = y ≥ 0


37. En una población de tamaño 64 se estudia una característica X medida sobre sus
individuos de la que se sabe que su media es 1012 y su desviación típica es 25. Hallar
intervalos de confianza para el valor medio de la característica X con coeficientes de
confianza del 90% y 95%.

SOLUCIÓN:

Estamos ante un caso de cálculo de intervalo de confianza para la media de una población
normal con varianza conocida. En esta situación sabemos que:


n
x
σ
u
N (0,1)
lo que nos lleva al intervalo de confianza para la media siguiente:

n Z x σ
α 2
±

Para un coeficiente de confianza del 90% se tiene que:
645 , 1 05 , 0
2
1 , 0 9 , 0 1
2
= ⇒ = ⇒ = ⇒ = −
α
α
α α Z
El intervalo de confianza será entonces:
= ±
1012
25
645 , 1 1012 [1006,86 1017,14]
Podemos concluir entonces que hay una probabilidad del 90% de que el valor medio de la
característica esté entre 1006,86 y 1017,14.
Para un coeficiente de confianza del 95% se tiene que:
96 , 1 025 , 0
2
05 , 0 95 , 0 1
2
= ⇒ = ⇒ = ⇒ = −
α
α
α α Z
El intervalo de confianza será entonces:
= ±
1012
25
96 , 1 1012 [1005,875 1018,125]
Podemos concluir entonces que hay una probabilidad del 95% de que el valor medio de la
característica esté entre 1005,875 y 1018,125.
Se observa que al aumentar el coeficiente de confianza aumenta la amplitud del intervalo
de confianza.


38. Se analizan 9 zumos de fruta y se ha obtenido un contenido medio de fruta de 22 mg
por 100 cc de zumo. La varianza poblacional es desconocida, por lo que se ha calculado la
cuasidesviación típica de la muestra que ha resultado ser 6,3 mg de fruta por cada 100 cc
de zumo. Suponiendo que el contenido de fruta del zumo es normal, estimar el contenido
medio de fruta de los zumos tanto puntualmente como por intervalos al 95% de confianza.

SOLUCIÓN:

Para la estimación puntual sabemos que en poblaciones normales un estimador lineal
insesgado para la media poblacional es la media muestral, luego se puede estimar el contenido
medio en fruta de los zumos en 22 mg por cada 100 cc de zumo.
Para la estimación por intervalos estamos ante un caso de cálculo de intervalo de
confianza para la media de una población normal con varianza desconocida. En esta situación
sabemos que:

1 −


n
t
n S
x u

lo que nos lleva al intervalo de confianza para la media siguiente:
n S t x
n 1 , 2 −
±
α

Para un coeficiente de confianza del 95% se tiene que:
0307 , 2 025 , 0
2
05 , 0 95 , 0 1
8 , 025 , 0 1 9 , 2 05 , 0
= = ⇒ = ⇒ = ⇒ = −

t t
α
α α
El intervalo de confianza será entonces:
= ±
9
3 , 6
307 , 2 22 [17,15 26,84]
Podemos concluir entonces que hay una probabilidad del 95% de que el valor medio del
contenido en fruta del zumo esté entre 17,15 y 26,84 mg por cada 100 cc de zumo.


39. Una firma comercial encuesta a 100 individuos para conocer sus opiniones sobre la
elección de dos productos alternativos A y B recientemente fabricados. El resultado de la
encuesta arroja que el producto A lo han elegido 55 individuos y el producto B 45. Hallar
un intervalo de confianza al 95% para la proporción de individuos que eligen cada
producto.

SOLUCIÓN:

Estamos ante el caso del cálculo de intervalos de confianza para proporciones, ya que este
problema es ajustable al caso en que pˆ = x / n es la proporción estimada del número de veces
que aparece un suceso de Bernoulli (los encuestados eligen A o B exclusivamente) de entre n
repeticiones de un experimento (x designa el número de veces que aparece el suceso, es decir el
número de veces que los encuestados eligen A o B). En este caso el intervalo de confianza para
la proporción se basa en el siguiente estadístico:
) 1 , 0 (
) 1 ( ˆ
ˆ
N
n
p p
p p




lo que nos lleva al intervalo de confianza para p definido por:

n
p p
Z p p
n
p p
Z p
) 1 ( ˆ
ˆ
) 1 ( ˆ
ˆ
2 2

+ ≤ ≤


α α

En nuestro caso, para el producto A tenemos el intervalo:
[
100
55
-1,96
100
55 , 0 * 45 , 0

100
55
+1,96
100
55 , 0 * 45 , 0
] =[0,45 0,65]
Para el producto B tenemos el intervalo:
[
100
45
-1,96
100
45 , 0 * 55 , 0

100
45
+1,96
100
45 , 0 * 55 , 0
] =[0,35 0,55]
Como conclusión podemos decir que hay una probabilidad del 95% entre 0,45 y 0,65 de
que el producto elegido sea el A, y hay una probabilidad entre 0,35 y 0,55 de que el producto
elegido sea el B.


40. En un proceso de fabricación de pilas alcalinas se sabe que su duración media es de
1100 horas y que dicha duración sigue una distribución normal. El nuevo proceso busca
reducir la dispersión de la duración de las pilas por lo que se hace necesario construir
intervalos de confianza para la citada dispersión con coeficientes de confianza 90% y 98%.
Construir dichos intervalos a partir de una muestra de tamaño 20 cuya dispersión es
2240 horas.

SOLUCIÓN:

Estamos ante el caso del cálculo de intervalos de confianza para la desviación típica de
una distribución normal con media conocida. En este casi el intervalo de confianza para la
desviación típica se basa en el siguiente estadístico:

2
1
2
2
ˆ


n
X
n
σ
σ

lo que nos lleva al intervalo de confianza para la desviación típica definido por:

|
|
.
|

\
|

2
, 2 1
2
2
, 2
2
ˆ
,
ˆ
n n
X
n
X
n
α α
σ σ

En nuestro caso, para el nivel del 90% tenemos:
, 4 , 31 05 , 0
2
1 , 0 9 , 0 1
2
20 ; 05 , 0
= ⇒ = ⇒ = ⇒ = − X
α
α α 9 , 10
2
20 ; 95 , 0
= X
El intervalo de confianza será entonces:
=
|
|
.
|

\
|
9 , 10
2240 * 20
,
4 , 31
2240 * 20
[119,42 203,2]
Para el nivel del 95% tenemos:
, 6 , 37 01 , 0
2
02 , 0 98 , 0 1
2
20 ; 01 , 0
= ⇒ = ⇒ = ⇒ = − X
α
α α 26 , 8
2
20 ; 99 , 0
= X
El intervalo de confianza será entonces:
=
|
|
.
|

\
|
26 , 8
2240 * 20
,
6 , 37
2240 * 20
[109,2 232,88]

Podemos concluir entonces que hay una probabilidad del 90% de que la dispersión de la
duración de las pilas en el nuevo proceso de fabricación esté entre 119,42 y 203,2 horas, y hay
una probabilidad del 98% de que la dispersión de la duración de las pilas en el nuevo proceso de
fabricación esté entre 109,2 y 232,88 horas.


41. Se sabe que la longitud de los diámetros de los tornillos fabricados por una máquina
siguen una distribución normal y se busca un intervalo en el cual se encuentre la
variabilidad de las longitudes de los tornillos fabricados por la máquina con una
probabilidad del 80%. Construir dicho intervalo sabiendo que una muestra de 16 tornillos
presenta una variabilidad cuantificada en 30.

SOLUCIÓN:

Estamos ante el caso del cálculo de intervalos de confianza para la varianza de una
distribución normal con una media desconocida. En este caso el intervalo de confianza para la
varianza se basa en el siguiente estadístico:

( )
2
1
2
2
1



n
X
S n
σ

lo que nos lleva al intervalo de confianza para la varianza definida por:

( ) ( )
|
|
.
|

\
|
=
|
|
.
|

\
|
− −
− −
2
, 2 1
2
2
, 2
2
2
, 2 1
2
2
, 2
2
,
1
,
1
n n n n
X
n
X
n
X
S n
X
S n
α α α α
σ σ

En nuestro caso, para el nivel 90% tenemos:
, 3 , 22 1 , 0
2
2 , 0 8 , 0 1
2
15 ; 1 , 0
= ⇒ = ⇒ = ⇒ = − X
α
α α 55 , 8
2
15 ; 9 , 0
= X
El intervalo de confianza será entonces:
= |
.
|

\
|
55 , 8
30 * 16
,
3 , 22
30 * 16
[21,43 56,14]
Luego el intervalos en el cual se encuentre la variabilidad de las longitudes de los tornillos
fabricados por la máquina con una probabilidad del 80% es [21,43 56,14].


42. Un granjero dispone de dos explotaciones diferentes A y B con varias granjas cada una
para la cría de pollos. Con el objetivo de estudiar la mortalidad de los pollos en las dos
explotaciones observa el número de pollos muertos tomando una muestra de 4 granjas en
la explotación A y otras 4 granjas en la explotación B obteniendo los siguientes resultados:
Nº de pollos muertos en las granjas de la explotación A: 16 14 13 17
Nº de pollos muertos en las granjas de la explotación B: 18 21 18 19
Suponiendo normalidad en las explotaciones, se trata de estudiar si la mortalidad de los
pollos puede considerarse diferente en las dos explotaciones con un nivel de confianza del
95%. Resolver el problema bajo la hipótesis adicional de varianzas iguales en las
explotaciones.

SOLUCIÓN:

Para resolver este problema hallaremos un intervalo de confianza para la diferencia del
número medio de pollos muertos en ambas explotaciones al 95% y comprobaremos si dicho
intervalo contiene el valor cero, en cuyo caso se puede aceptar la hipótesis de que la mortalidad
media es similar en ambas granjas con una probabilidad del 95%. Estamos entonces ante el caso
del cálculo de intervalos de confianza para la diferencia de medias de dos distribuciones
normales con varianzas desconocidas y en general desiguales. En esta situación el intervalo de
confianza para la diferencia de medias se basa en el siguiente estadístico:

( ) ( )
f
t
n
S
n
S
x x

+
− − −
2
2
2
1
2
1
2 1 2 1
u u
con
( ) ( )
2
1 1
2
2
2
2
2
1
2
1
2
1
2
2
2
2
1
2
1

+
+
+
|
|
.
|

\
|
+
=
n
n S
n
n S
n
S
n
S
f
lo que nos lleva al intervalo de confianza para la varianza definido por:

2
2
2
1
2
1
, 2 2 1
n
S
n
S
t x x
f
+ ± −
α

Los valores de f y t
α / 2, f
para nuestro caso resultan ser:

( ) ( )
365 , 2 7 2
5
4 2
5
4 333 , 3
4
2
4
333 , 3
6 ; 025 , 0 , 2
2 2
2
= = ⇒ ≅ −
+
|
.
|

\
|
+
= t t f
f α

El intervalo de confianza será entonces:
= + ± −
4
2
4
333 , 3
365 , 2 19 15 [1,27 6,73]
Como este intervalo no contiene el valor cero, no se puede aceptar con una probabilidad
del 95% que 0
2 1
= − x x , es decir,
2 1
x x = . Por tanto, aceptamos la hipótesis de que las
mortalidades en las dos granjas son significativamente distintas con un coeficiente de confianza
del 95%. Además, como los dos extremos del intervalo son positivos, para todos sus valores
2 1 2 1
0 x x x x > ⇒ > − , lo que indica que la mortalidad media es mayor en la granja A con una
probabilidad del 95%.
Si suponemos ahora que las varianzas en las dos explotaciones son iguales, estamos ante
el caso del cálculo de intervalos de confianza para la diferencia de medias de dos distribuciones
normales con varianzas desconocidas e iguales. En esta situación el intervalo de confianza para
la diferencia de medidas se basa en el siguiente estadístico:

( ) ( )
2
2 1
2 1 2 1
2 1
1 1
− +

+
− − −
n n
p
t
n n
S
x x u u
con
( ) ( )
2
1 1
2 1
2
2 2
2
1 1 2
− +
− + −
=
n n
S n S n
S
p

lo que nos lleva al intervalo de confianza para la varianza definid por:

( )
2 1
2 , 2 2 1
1 1
2 1
n n
S t x x
p n n
+ ± −
− + α

El valor de
2
p
S para nuestro caso resulta ser:

( ) ( )
656 , 2
2 4 4
1 4 2 1 4 333 , 3
2
=
− +
− + −
=
p
S
Además, 447 , 2
6 ; 025 , 0 2 , 2
2 1
= =
− +
t t
n n α

El intervalo de confianza será entonces:
= + ± −
4
2
4
333 , 3
656 , 2 447 , 2 19 15 [-6,82 -1,18]
Como este intervalo no contiene el valor cero, no se puede aceptar con una probabilidad
del 95% que 0
2 1
= − x x , es decir,
2 1
x x = . Por tanto, aceptamos la hipótesis de que las
mortalidades en las dos granjas son significativamente distintas con un coeficiente de confianza
del 95%. Además, como los dos extremos del intervalo son negativos, para todos sus valores
2 1 2 1
0 x x x x < ⇒ < − , lo que indica que la mortalidad media es mayor en la granja B con una
probabilidad del 95%.
Es conveniente observar en este problema que la hipótesis de igualdad de varianzas en las
dos poblaciones juega un papel muy importante, pues la ausencia de esta hipótesis lleva a un
resultado contrario al obtenido con su presencia.


43. Al analizar 40 muestras de una aleación de bajo punto de fusión de tipo “wood” se ha
detectado ausencia de cadmio en 12 de ellas. Determinar un intervalo de confianza para la
proporción de muestras de dicha aleación que no contienen cadmio.

SOLUCIÓN:

La proporción observada es
p
0
=
40
12
= 0,3.
A un nivel de confianza del 95% el intervalo se obtiene resolviendo la inecuación
40
) 1 (
/ 3 , 0 /
p p
p


< 1,96
Lo que equivale a
(0,3 – p)
2
< (1,96)
2
40
) 1 ( p p −
.
Efectuando los cálculos obtenemos 0,1807 < p < 0,4543.
Una alternativa es dar el intervalo
0,3 ± 1,96
40
7 , 0 3 , 0 ⋅
= 0,3 ± 0,1420 , en el que se utiliza la proporción observada para
estimar la varianza mediante la fracción
40
7 , 0 3 , 0 ⋅
.
El resultado es 0,1580 < p < 0,4420.


44. La cantidad de azufre encontrado en plantas secas de mostaza sigue una distribución
normal X. se ha observado una muestra de extensión 9 con los siguientes resultados
0,7 0,8 0,6 0,95 0,65 1 0,9 0,2 0,55.
Si aceptamos como valor de σ el valor calculado de la cuasi-desviación típica muestral

S ,
¿Cuál sería el tamaño mínimo de la muestra que habría de ser considerada para que el
intervalo de confianza al 95% para el nivel medio de azufre tenga una longitud inferior a
0,1?

SOLUCIÓN:

Tenemos los siguientes datos muestrales
n = 9, =
∑ i
x 6,35 ,

2
i
x = 4,9675
de modo que
x =
9
35 , 6
= 0,7055 y s
2
=
9
9675 , 4
- 0,7055
2
= 0,0541

S
2
=
8
9
s
2
= 0,0609 y

S = 0,2468
Si aceptamos que σ =

S = 0, 2448, la longitud del intervalo de confianza para una
muestra de extensión n y un nivel de confianza del 95% es
2·1,96
n
σ
=2·1,96
n
2464 , 0
=
n
9674 , 0
.
Resolviendo la inecuación
n
9674 , 0
< 0,1
Obtenemos n > 93,59.


45. Consideremos un grupo de cuatro amigos jugando a los chinos. El primero en hablar
ha pedido 8. el segundo estima, por máxima verosimilitud, cuántas lleva el primero.
¿Cuántas debe pedir si tiene en cuenta el número de chinos esperado para los dos
restantes y el hecho cierto de que él no lleva ninguna?

SOLUCIÓN:

Llamemos θ al número de chinos que lleva el primer jugador y que debemos estimar por
máxima verosimilitud. Si S es el número total de chinos, veamos qué valor de θ hace máxima
la probabilidad de que S=8, que corresponde a la apuesta del primer jugador.
Representemos mediante una terna (x
1
, x
2
, x
3
) las apuestas de los jugadores segundo,
tercero y cuarto y llamemos T a la suma x
1
+x
2
+x
3
.
- Si θ = 0, el valor de S=8 equivale a T=8, lo que ocurre en los siguientes casos
(3,3,2) (3,2,3) (2,3,3)
Y, por lo tanto, con probabilidad igual a
64
3
4
3
3
= ,ya que cada caso tiene una
probabilidad igual a
|
.
|

\
|
4
1
3
, dado que cada jugador tiene 4 elecciones diferentes.
- Si θ =1, el valor S=8 equivale a T=7, lo que ocurre en los siguientes casos
(3,3,1) (3,1,3) (1,3,3) (3,2,2) (2,3,2) (2,2,3)
Y, por lo tanto, con probabilidad igual a
64
6
4
6
3
= .
- Si θ =2, el valor S=8 equivale a T=6, lo que ocurre en los siguientes casos
(3,3,0) (3,0,3) (0,3,3) (3,2,1) (3,1,2) (2,3,1) (2,1,3) (1,3,2) (1,2,3) (2,2,2)
Y, por lo tanto, con probabilidad igual a
64
10
4
10
3
= .
- Si θ =3, el valor S=8 equivale a T=5, lo que ocurre en los siguientes casos
(3,2,0) (3,0,2) (2,3,0) (2,0,3) (0,3,2) (0,2,3) (3,1,1) (1,3,1) (1,1,3) (2,2,1)
(2,1,2) (1,2,2)
Y, por lo tanto, con probabilidad igual a
64
12
4
12
3
= .
Por lo tanto, la estimación de máxima verosimilitud es θ =3.
La suma de chinos más probable para los dos últimos jugadores es 3, que coincide con el
valor esperado, y se obtiene en los siguientes casos
(3,0) (2,1) (1,2) (0,3).
Consecuentemente, el segundo jugador debe pedir 3+0+3=6.


46. La pérdida de peso de un determinado producto dietético en 16 individuos después de
un mes fue (en kg):
3,2 2 2,5 3,3 5 4,3 2,9 4,1
3,6 2,7 3,5 4,2 2,8 4,4 3,3 3,1
Determinar un intervalo de confianza para la varianza con nivel de confianza del 99%, si
la pérdida de peso es aproximadamente normal.

SOLUCIÓN:

Un intervalo de confianza para la varianza vendrá dado por
(n-1)S
2

;
(n-1)S
2

X
2
1-α/2
X
2
α/2
donde los valores X
2
α/2
y X
2
1-α/2
corresponden al valor de la función de distribución Chi-
cuadrado con n-1 grados de libertad.
En nuestro caso como n = 16, y α = 0,01 tenemos que mirarlo en las tablas de
percentiles de la distribución Chi-cuadrado con 15 grados de libertad X
2
0,005
(15) = 4,60087 y
X
2
0,995
(15) = 32,80149
Si calculamos la varianza muestral, tenemos que S
2
= 0,636958; y por tanto sustituyendo
los valores en los intervalos de confianza para la varianza tenemos
15
.
0,636958 ; 15
.
0,636958 = 9,55437 ; 9,55437
32,80149 4,60087 32,80149 4,60087
Y un intervalo de confianza del 99% para la varianza de la pérdida de peso es
σ
2
∈ (0,291279 ; 2,07664).


47. Se consideran lo siguientes tiempos de reacción de un producto químico, en segundos:
1,4 1,2 1,2 1,3 1,5 1,3 2,2 1,4 1,1
Obtener un intervalo de confianza del 90% para el tiempo de reacción. Suponer la
variable normal con desviación típica poblacional conocida σ = 0,4.

SOLUCIÓN:

Para calcular un intervalo de confianza para media de una población normal de la que
conocemos la varianza poblacional, tenemos que usar el estadístico
Z = X - u ~ N (0,1)
σ/√n
Por tanto, necesitamos calcular la media de la muestra. Que nuestro caso es:
X =
1,4+ 1,2+1,2+1,3+1,5+1,3+2,2+1,4+1,1
= 1,4.
9
Como queremos obtener un intervalo con nivel de confianza del 90%, tenemos que α =
0,1. Así un intervalo de confianza del 90% para la media obtendrá:

(X - z
1-α/2
.
σ/

√n

; X + z
1-α/2
.
σ/

√n

)

En nuestro caso, si miramos en la tabla de la función de distribución de la N(0,1), tenemos
que z
1-α/2
= z
0,95
= 1,64 es el valor normal estándar que corresponde al percentil 95.

Un intervalo de confianza del 90% para la media u será:

(1,4 - 1,64
.
0,4/3 ; 1,4 + 1,64
.
0,4/3 ) = (1,1813; 1,6186)


48. El tiempo, en minutos, que esperan los clientes de un determinado banco hasta que son
atendidos sigue distribución normal de media desconocida y desviación típica igual a 3.
Los tiempos que esperaron diez clientes elegidos al azar fueron los siguientes: 1,5- 2- 2,5-
3- 1- 5- 5,5- 4,5- 3- 3. Determinar un intervalo de confianza de coeficiente de confianza
0,95, para el tiempo medio de espera.

SOLUCIÓN:

Se pide determinar el intervalo de confianza para la media de una población normal de
varianza conocida, σ;
[X - z
α/2
σ/

√n

, X + z
α/2
σ/

√n]


siendo X la media muestral, n el tamaño y z
α/2
el valor de la abscisa de una normal N(0,1) que
deja a la derecha un área de probabilidad α/2.
De los datos del enunciado se desprende que es X = 3,1, n = 10, σ = 3 y, a partir de la
tabla 3 de la distribución normal, z
α/2
= z
0,05/2
= z
0,025
= 1,96. El intervalo pedido será, por tanto,

[3,1-1,96
.
3/√10, 3,1+1,96
.
3/√10] = [1,241, 4,959].


49. La cotización del dólar frente a la peseta sigue una distribución normal de media y
varianza desconocidas. Elegidos 9 días al azar, la cotización del dólar en esos días fue:
145,3- 146,2- 145,8- 146- 146,1- 144,5- 145,2- 147- 144,2.
Determinar un intervalo de confianza, de coeficiente de confianza 0,95, para la cotización
media del dólar frente a la peseta.

SOLUCIÓN:

El intervalo de confianza solicitado es el de la media de una población normal de varianza
desconocida y muestras pequeñas,

[X – t
n-1;α/2
.
S/√n, X + t
n-1;α/2
.
S/√n]

que para los datos del problema queda igual a

[145,59-2,306*0,88/3, 145,59+2,306*0,88/3] = [144,914, 146,266]

al ser X = 145,59, S = 0,88 y obtenerse, a partir de la tabla 5 de la t de Student el valor t
n-1;α/2
=
t
8;0,025
= 2,306.


50. La duración en minutos de un determinado viaje es una variable aleatoria con
distribución normal de media desconocida y desviación típica igual a 3. En una muestra
tomada al azar de diez realizaciones del viaje en cuestión se obtuvieron los
siguientes tiempos: 10.1, 6.5, 5.5, 7.9, 8.2, 6.5, 7.0, 8.1, 6.9 y 7.7. Se pide:
a) Realizar la estimación de máxima verosimilitud de la duración media del viaje.
b) Calcular la probabilidad de que, en valor absoluto, la diferencia entre media estimada
la real sea menor que 1 minuto.

SOLUCIÓN:

Llamando X a la variable aleatoria duración en minutos del viaje en cuestión se tiene que
es X Æ N ( ) 3 , u
a) Para una muestra de tamaño n de X, la función de verosimilitud será (CB-sección 5.2 o
EII-sección 2.2)
L ( u ) = f
u
(
, 1
χ ….,
, n
χ ) =

=
n
i
f
1
u
(
, 1
χ ) =
2
) 18 (
1
n
π
exp. { -

=
n
i 1
(
18
1
, 1
χ - u )
2
}
La cual tiene por logaritmo neperiano
Log L ( u ) = - 18 log(
2
n
π ) -

=
n
i 1
( 2
18
1
, 1
χ - u )= 0
La derivada de esta solución χ u = ˆ ; por tanto, el estimador de máxima verosimilitud de
u será la media muestral. La estimación de máxima verosimilitud será, por tanto,

χ = 7.44.
b) La probabilidad pedida será
P {|

χ - u | < 1}
De donde, como la distribución de la medida muestral para una muestra procedente de
una población normal de varianza conocida es (CB-sección 5.4 o EII-sección 2.4)

χ ÆN
( u ,3/ 3 / 10 ), tipificando será
P {|

χ - u | < 1} = P {|Z| < 3 / 10 }= P {|Z| < 1.054}=0.70804
En donde Z Æ N (0, 1) y donde la ultima probabilidad se ha calculado con ayuda de
interpolación: De la tabla 3 de la normal N (0, 1) obtenemos que es P {Z 1469 . 0 } 05 . 1 = ≥ y P
{Z≥1.06}= 0.1446, lo que nos dice que a la derecha de 1.05 y bajo la curva de densidad de la N
(0, 1) hay un área de probabilidad 0.1469 y a la derecha de 1.06 un área de probabilidad 0.1446.
Es decir, que para un incremento de abscisa de 0.01 hay una disminución de probabilidad de
0.1469 – 0.1446 = 0.0023. Para un incremento de abscisa de 0.004 – es decir, a la derecha de
1.054- habrá (mediante una regla de tres) una disminución de probabilidad de 0.0023 x
0.004/0.01=0.00092. Es decir,
P {Z≥1.054}=0.1469-0.00092= 0.14598
Por tanto,
P {|Z|<1.054} = 1 - P {|Z| ≥1.054}
= 1 - P {|Z| ≥1.054} - P {|Z| ≥1.054}
= 1 – 2. P {|Z| ≥1.054}
= 1 – 2. 0.14598 = 0.70804
Por la simetría de la densidad N (0, 1).


51. El tiempo de vida de una determinada especie animal sigue una distribución
exponencial Exp. ( Θ) La cual tiene por función de densidad con X>0 y siendo Θ>0 un
parámetro desconocido. Con objeto de estimar el parámetro Θ y, en consecuencia, la ley
de probabilidad que rige su tiempo de vida, se tomo al azar una muestra aleatoria de diez
animales de la especie en estudio, obteniéndose los siguientes tiempos de vida en días:
1456, 900, 1450, 650, 666, 943, 790, 840, 790, 840 y 1500.
Determinar la estimación de máxima verosimilitud del parámetro Θ.

SOLUCIÓN:

La variable aleatoria en estudio, X, es tiempo de vida de la especie. Para una muestra
aleatoria simple de tamaño n de X la función de verosimilitud es (CB-sección 5.2 o EII-sección
2.2)
L ( Θ) =
Θ
f (
, 1
χ …,
, n
χ ) =

=
Θ
n
i
f
1
(
, 1
χ )=
Θ
n
exp. { - Θ

=
Χ
n
i
i
1
}
La cual tiene por logaritmo neperiano Log L ( Θ) = n log Θ - Θ

=
Χ
n
i
i
1

Cuya derivada respecto a Θ igualada a cero es
Θ
= Θ
Θ ∂
∂ n
L ) ( log -

=
Χ
n
i
i
1
= 0
Obteniéndose de la ultima igualdad el estimador de máxima verosimilitud

=
Χ
= Θ
n
i
n
1
1
^
=

Χ
1

De los datos se obtiene una media muestral

Χ= 1006.1, por lo que la estimación de
máxima verosimilitud del parámetro Θ será
Χ
= Θ
1
^
= 0.0009939.

52. Los saltamontes de la región africana de Asyut se caracterizan por tener una longitud
media de 2cm pudiendo admitirse una distribución normal para la longitud de tales
ortópteros. Elegida una muestra aleatoria de 20 de ellos, sus longitudes es cm fueron las
siguientes:
1.90, 1.85, 2.01, 1.95, 2.05, 2.00, 1.97, 2.02, 1.89, 2.01
2.05, 1.95, 1.87, 2.05, 1.97, 1.85, 2.02, 1.95, 1.98, 2.05
Utilizando estos datos, se pide:
a) Determinar la estimación de máxima verosimilitud de la desviación típica poblacional
σ .
b) Calcular la probabilidad de que el estimador de máxima verosimilitud de σ subestime
el verdadero valor de dicho parámetro

SOLUCIÓN:

Si llamamos X a la longitud de los saltamontes es estudio, del enunciado se desprende que
puede admitirse para X una distribución N (2, σ ), siendo la estimación de σ el objeto del
problema
a) Para determinar el estimador de máxima verosimilitud de σ comenzaremos
calculando la función de verosimilitud (CB-sección 5.2 o EII-sección 2.2)
L (σ ) =
σ
f (
, 1
χ …,
, n
χ ) =

=
n
i
f
1
σ
(
, 1
χ ) =
2 /
) 2 (
1
n n
π σ
exp. {-
2
2
1
σ

=
Χ
n
i 1
1
( - 2)
2
.
Su derivada igualada a cero (ecuación de verosimilitud) será
σ ∂

Log L (σ )= -
4
1
2
1
4
) 2 ( 4
σ
σ
σ

=

+
n
i
x
n
= 0
De donde se obtiene el estimador de máxima verosimilitud.
σ =
2
1
) 2 (
1
− Χ

=
n
i
i
n
.
(Hacemos aquí la observación de que los estimadores de máxima verosimilitud respetan
las transformaciones biyectivas; es decir, que si T es el estimador de máxima verosimilitud para
Θ, entonces g (T(es el estimador de máxima verosimilitud para g ( Θ) siempre que g sea una
función biyectiva. En este sentido, podía haberse determinado el estimador de máxima
verosimilitud para la varianza poblacional σ
2
- mas habitual y ya determinado en CB-sección
5.2 o EII-sección 2.2- y extrayendo la raíz cuadrada obtendríamos el da la desviación típica σ ,
al ser la función g(x) = x una función biyectiva). A partir de los datos del enunciado
obtenemos que la estimación de máxima verosimilitud será,
^
σ = 0739 . 0 00546 . 0 ) 2 (
20
1
2
20
1
= = − Χ

= i
i

b) La probabilidad pedida será
P { }
^
σ σ < = P { } ) 2 (
20
1
2 2
20
1
σ < −

= i
i
X = P { } 20 ) 2 (
1
2
20
1
2
< −

= i
i
X
σ
= P{ 5292 . 0 } 20
2
20
= < χ

Al tener
2 2
20
1
/ ) 2 ( σ − Χ

= i
i
una distribución X
2
20
por estar ante un caso estimación de la
varianza de una población normal de media conocida (CB-sección 5.6 o EII-sección 2.6), y en
donde la ultima probabilidad se ha calculado por interpolación a partir de la tabla 4: De ella se
obtiene que es P{ X
2
20
< 16.27} = 0.3 y P{ X
2
20
< 22.78}=0.7, por lo que para un aumento de
abscisas de 22.78 – 16.27 = 6.51 se obtiene un aumento de probabilidad de 0.4; para un
aumento de abscisa de 20 – 16.27 = 3.73 se obtendrá un aumento de probabilidad de 0.4 x
3.73/6.51 = 0.2292. Por tanto, P {X
2
20
<20} = 0.3+0.2292=0.55292.

53. El tiempo de vida en días X de los individuos de una población afectados de una nueva
enfermedad es una variable aleatoria continua con función de densidad

3 2
2 ) (

= x x f φ
φ
si x > 0
Y 0 ) ( = x f
φ
si x φ ≤ siendo φ > 0 un parámetro desconocido.
Con objeto de estimar el parámetro φ , se extrajo una muestra aleatoria simple de dicha
población, obteniéndose los siguientes tiempos de vida, en días, de los 10 individuos
seleccionados, todos los cuales fallecieron por la enfermedad en estudio.
398, 356, 615, 265, 650, 325, 400, 223, 368, 680
Determinar la estimación de la máxima verosimilitud de φ .

SOLUCIÓN:

La función de densidad de la variable aleatoria en estudio X, tiempo de vida de os
individuos de la población afectados por la enfermedad en estudio, nos indica que dichos
individuos contraen la enfermedad de un momento desconocido, φ , ( puesto que en este punto
la función de distribución F(x) empieza a crecer desde cero, o lo que es lo mismo la función de
supervivencia S(x) = 1 – F(x) vale 1, lo que quiere decir que todos los individuos están vivos),
momento a partir del cual, y por la forma de dicha función de densidad, la probabilidad de
sobrevivir va disminuyendo.
Es precisamente el inicio de las enfermedades objeto de la estimación. Para ello,
utilizaremos el método de la máxima verosimilitud ( CB-sección 5.2 o EII-sección 2.2). La
función de verosimilitud de la muestra será:
L(φ ) =
σ
f (
, 1
χ …,
, n
χ ) =

=
n
i
f
1
σ
(
, 1
χ ) = 2 ) (
1
1
2

=
n
i
n n
x φ
Si
, 1
χ …,
, n
χ > φ
Como siempre, el método de la máxima verosimilitud se basa en asignar a φ el valor que
maximice la función L(φ ); el problema es que ahora φ aparece en el recorrido de la variable,
es decir, que L(
, 1
χ ) toma un valor distinto de cero si φ <
, 1
χ …,
, n
χ y si algún
, 1
χ es tal que
, 1
χ ≤ φ será L(φ ) = 0. En la estimación de φ habrá que tener también en cuenta, por tanto, el
recorrido de L (φ )
La función L (φ ) = 2
3
1
2 2 −
= ∏ i
n
i
n
x φ crece al crecer φ , por lo que será tanto mayor
cuanto mayor sea φ , y esto hasta que φ llegue al primer
, 1
χ a partir de donde, por los
comentarios anteriores, L (φ ) vale cero. Por tanto, el valor de φ que hace máxima L (φ ) es el
mínimo de los n valores {
, 1
χ …,
, n
χ } el cual se suele denotar por x
) 1 (
.
La estimación de máxima verosimilitud de φ será, a partir de los 10 datos de muestra,
x
) 1 (
=223.
Este problema es un ejemplo de lo importante que es la determinación del estimador de
máxima verosimilitud es calcular el valor de φ que maximiza la función L (φ ), máximo que en
muchas ocasiones se podrá determinar derivando L(φ ) respecto a φ e igualando a cero dicha
derivada, pero que en otras ocasiones, como pasa en general al determinar el máximo de
cualquier función, deberá utilizarse otras herramientas distintas de la derivada.


54. Una muestra de tamaño 10 de una población de mujeres presenta una altura media de
172 cm. y una muestra de 12 varones de otra población presenta una altura media de
176,7 cm. Sabiendo que ambas poblaciones son normales con varianzas 225 y 256
respectivamente, se trata de analizar si con una probabilidad del 95% se puede asegurar
que los varones son más altos en media que las mujeres o viceversa.

SOLUCIÓN:

Para resolver este problema hallaremos un intervalo de confianza para la diferencia de
medias al 95% y comprobaremos si dicho intervalo contiene el valor cero, en cuyo caso se
puede aceptar la hipótesis de que las alturas medias son iguales con una probabilidad del 95%.
Estamos entonces ante el caso del cálculo de intervalos de confianza para la diferencia de
medias de dos distribuciones normales con varianzas conocidas. En esta situación el intervalo
de confianza para la diferencia de medias se basa en el siguiente estadístico:

( ) ( )
( ) 1 , 0
2
2
2
1
2
1
2 1 2 1
N
n n
x x

+
− − −
σ σ
u u

lo que nos lleva al intervalo de confianza para la varianza definido por:

2
2
2
1
2
1
2 2 1
n n
Z x x
σ σ
α
+ ± −
El intervalo de confianza será entonces:
= + ± −
12
256
10
225
96 , 1 7 , 176 2 , 170
2 2
[-207,56 194,56]
Como este intervalo contiene el valor cero, se puede aceptar con una probabilidad del
95% que 0
2 1
= − x x , es decir,
2 1
x x = . Por tanto, aceptaremos la hipótesis de que la estatura
de los varones y las mujeres de ambas poblaciones es similar con un coeficiente de confianza
del 95%.


55. Los responsables municipales de la salud miden la radiactividad en el agua de una
fuente natural en una zona abundante en granito. Realizadas 12 mediciones en diferentes
fechas del año se observó una media de 3,6 picocurios con una desviación típica de 0,82.
determinar, al 95% y al 99%, intervalos de confianza para la radiación media y para la
varianza.

SOLUCIÓN:

Tenemos los siguientes datos muestrales
N=12, x = 3,6 y s = 0,82.
Para determinar el intervalo de confianza para σ
2
tenemos en cuenta que
2
2
12
σ
S

Es un variable x
2
con 11 grados de libertad. Los percentiles necesarios para la
determinación de los intervalos al 95% y 99% de confianza son
2
005 , 0 ; 11
x =2,603
2
025 , 0 ; 11
x =3,816
2
975 , 0 ; 11
x =21,92 y
2
995 , 0 ; 11
x =26,8.
Así el intervalo de confianza al 95% es
|
|
.
|

\
| ⋅ ⋅
816 , 3
82 , 0 12
;
92 , 21
82 , 0 12
2 2

Y al 99%
|
|
.
|

\
| ⋅ ⋅
603 , 2
82 , 0 12
;
8 , 26
82 , 0 12
2 2

Efectuando los cálculos se obtiene, respectivamente,
(0,3681;2,1145) y (0,3011;3,0998).
En lo relativo a la media, el intervalo se determina teniendo en cuenta que
11 / S
x u −

Es una variable t de Student con 11 grados de libertad. El intervalo, para un nivel de
confianza p=1-α, viene dado por
x ± t
11; 1-α/2
11
s

Siendo t
11; 1-α/2
el valor del percentil 100 ·(1-α/2) para 11 grados de libertad.
Concretamente
t
11; 0,975
=2,201 y t
11; 0,995
=3,1058
y los intervalos de confianza son, respectivamente,
3,6 ± 2,201
11
82 , 0
y 3,6 ± 3,1058
11
82 , 0
,
Obteniéndose 3,6 ± 0,544 y 3,6 ± 0,768.


56. Para m.a.s. de tamaño n, de una población con funcion de densidad
) ]( , 0 (
5
) | (
5
4
x I
x
x f θ
θ
θ = con > θ 0
a) Hállese el estimador de máxima verosimilitud T.
b) Determínese la región de confianza de grado 0,95 para θ , de la forma ) , ( +∞ Τ λ para
λ conveniente.

SOLUCIÓN:

a) La función de densidad de la muestra es
( 1,..., | ) 5
n
n
f x x θ =
4
1
5
n
i
i
n
x
θ
=


( )
[ , )
( )
n
x
I
θ
θ
+

por lo que el EMV es
( ). n
X θ

=

a) La región de confianza, de la forma
( )
( , )
n
X λ +∞ estará de terminada, cuando se
obtenga el valor de λ tal que

{ }
( )
| 1
n
X λ θ θ α Ρ ≤ = − para todo θ >0

para lo que ha de cumplirse que
{ } { }
5
( )
| |
n
n
n
y
X y X y θ θ
θ
| |
Ρ ≤ = Ρ ≤ =
|
\ .

De donde ha de ser
5
1
n
λ α = − ; o lo que es lo mismo
5
(1 )
n
y λ α = −
( )
1
5
1 ( ),
( ) 1 .
n
n
RC X
α
θ α

| |
= − + ∞
|
\ .



57. Determínese, con m.a.s de tamaño n, el EMV para θ en los siguientes casos:
a)
{ } 1,2,..,
1
( | ) ( ) f x I x
θ
θ
θ
= con θ entero positivo
b)
[ , )
( | ) ( )
x
f x e I x
θ
θ
θ
− +
+∞
= con θ ∈

SOLUCIÓN:

a) La fusión de verosimilitud es
{ }
( ) ( )
{ } ,
1 1,2,...,
1,...
1 1
1 1
( | ,..., ) ( ) ( ) ( )
n n
n n
n i i n n
x x
i i
L x x I x Iz x I
θ
θ θ
θ θ
+
= =
= = =
∏ ∏

a medida que θ aumenta uno a uno desde
( ) n
x esta función disminuye,
luego es
( ) n
X θ

=

b) La fusión de verosimilitud es
1 1
(1)
1 [ , ) ( , ]
1
( | ,..., ) ( ) ( )
n n
i i
i i
n x n x n
n i x
i
L x x e I x e I
θ θ
θ
θ θ
= =
− + − +
+∞ −∞
=
∑ ∑
= =


expresión que, como función de θ , es la máxima cuando θ es lo mayor posible, es decir
es
(1)
X θ

=


58. En una muestra de 65 sujetos las puntuaciones en una escala de extroversión tienen
una media de 32,7 puntos y una desviación típica de 12,64.
a) Calcule a partir de estos datos el correspondiente intervalo de confianza, a un nivel
del 90%, para la media de la población.
b) Indique, con un nivel de confianza del 95%, cual sería el máximo error que
podríamos cometer al tomar como media de la población el valor obtenido en la
estimación puntual.

SOLUCIÓN:

a) Buscando en las tablas de la t de Student obtenemos que el valor que deja por
debajo una probabilidad del 95% es 1,671 (aproximadamente). Sustituyendo los valores de esta
muestra en la expresión del intervalo de confianza obtenemos:
( 32,7 - 1,671 · 12,64 / 8 ,, 32,7 + 1,671 · 12,64 / 8 )
Operando
(30,06, 35,34)

b) En las tablas de la t de Student encontramos que el valor de la variable que deja
por debajo una probabilidad de 0,975 es 2. En consecuencia a un nivel de confianza del 95% la
media de la población puede valer
32,7 2 · 12,64 / 8
luego el máximo error que se puede cometer, a este nivel de confianza, es: 3,16


59. Los tiempos de reacción, en mili segundos, de 17 sujetos frente a una matriz de 15
estímulos fueron los siguientes: 448, 460, 514, 488, 592, 490, 507, 513, 492, 534, 523, 452,
464, 562, 584, 507, 461.
Suponiendo que el tiempo de reacción se distribuye Normalmente, determine un intervalo
de confianza para la media a un nivel de confianza del 95%.

SOLUCIÓN:

Mediante los cálculos básicos obtenemos que la media muestral vale 505,35 y la
desviación típica 42,54.

Buscando en las tablas de la t de Student con 16 grados de libertad, obtenemos que el
valor que deja por debajo una probabilidad de 0,975 es 2,12

Sustituyendo estos valores en la expresión del intervalo de confianza de la media
tenemos:
(505,35 - 2,12 · 42,54 / 4 ,, 505,35 + 2,12 · 42,54 / 4)

Operando
( 482,80 ,, 527,90 )


60. Obtener el E.M.V. del parámetro λ de una distribución de Poisson.

SOLUCIÓN:

Para una muestra de tamaño n tendremos que la función de verosimilitud será:
1 2
1 2,
1 2
( , ..., / ) ....
! ! !
x x xn
n
n
e e e
L x x x
x x x
λ λ λ
λ λ λ
λ
− − −
=
maximizar L será equivalente a minimizar el numerador de L, llamémosle L’
'
i
x
n
L e
λ
λ
− ∑
=
maximizar L’ es equivalente a maximizar su logaritmo ln L’
ln ' ln
i
L n x λ λ = − +


ln ' 1
0
i
d L
n x
dλ λ
= − + =


lo que se cumple para
i
x
x
n
λ = =


Por lo tanto el estimador maximo-verosimil de λ es
ˆ
λ = x


61. De una población cuya distribución se desconoce se obtiene una muestra aleatoria de
2000 valores en que la media muestral resulta ser 225 y la desviación típica muestral 10.
Suponiendo que la varianza muestral coincida con la de la población, estimar un intervalo
para la media de la población con un nivel de confianza del 95%

SOLUCIÓN:

Según hemos visto
, x x
n n
σ σ
u
σ σ

∈ − +


con una confianza de 1 σ −
En este caso:
1 0, 95 σ − =
0, 05 σ =
225 x =
10 s =
2000 n =
Sustituyendo
| |
224, 226 u ∈ con el 95% de confianza

62. La longitud, en centímetros, de las piezas fabricadas por una cierta máquina se
distribuye según una N (10,0.25). Para muestras de tamaño 25, calcular:
a) P (9.68 ≤
__
X ≤ 10.1)
b) P (S
2
≤ 0.19)

SOLUCIÓN:

a) La media muestral de muestras de tamaño n procedentes de una población N (µ, c
2
) se
distribuye según una N (µ,c
2
/n). En nuestro caso, la media muestral lo hará según una ley N
(10,0.01). Por tanto,
0.8406 = 1) Z (-3.2 P = 10.1) X (9.68 P
__
≤ ≤ ≤ ≤
Siendo una normal típica.
b) El teorema de Fisher afirma que
2
2
c
ns

Se distribuye según una ley chi-cuadrado con n-1 grados de libertad. Por tanto, se tiene que
0.25 ) 19 (U P =
0.25
0.19 * 25

25 . 0
S 25
P = 0.19) X (S P
2
__
2
= ≤
|
|
.
|

\
|
≤ ≤ ≤
Donde U se distribuye χ
2
24



63. De una población normal de media y desviación típica desconocida se ha obtenido una
muestra de 26 elementos que tiene como media aritmética 5 y desviación típica 1.2. ¿Cuál
es la probabilidad de que la media poblacional sea superior a 5.3?

SOLUCIÓN:

Sabemos que la variable
n
S
- X
Z
_
u
=
Se distribuye según una ley t de Student con n-1 grados de libertad, y lo que se pide es
( ) .114 0 = 1.25 - P = 25
2 . 1
3 . 5 5
Z P < |
.
|

\
| −
< Z
Donde Z sigue una t de Student con 25 grados de libertad.


64. De una población normal de varianza c
2
se extraen dos muestras de tamaño n. Hallar
cuál debe ser el tamaño de ambas muestras, para que la probabilidad de que las medias
muestrales difieran en más de 2c, sea 0.05.

SOLUCIÓN:

La distribución de las dos medias maestrales es, suponiendo que µ es la media de la
población, N (µ, c
2
/n).
|
|
.
|

\
|
+ − −
n m
N Y X
2
2
2
1
2 1
_ _
, :
σ σ
u u
Como en este caso ambas muestras provienen de la misma población, la distribución de Z es:
|
|
.
|

\
|
− =
n
N Y X Z
2
_ _
2
, 0 :
σ

Y la probabilidad del suceso
2c Z
_ _
> − = Y X
Será
( ) ( ) ( ) 05 . 0 2c Z 2c - P - 1 2 Z P - 1 2 Z = < < = < = > c c P
O bien
0.975 2c) P(Z 0.475 2c) Z (0 P 0.95 2c) Z P(-2c = < → = < < → = < <
Y pasando a una N (0,1), Y, tendremos
( ) 975 . 0 2n Y P
c 2/n
c 2
Y P 2c) P(Z = < =
|
|
.
|

\
|
< = <
De donde la longitud, 95 . 1 n 2 = esto es, n=2.


65. En una muestra de 100 personas de un barrio de Pamplona se ha observado una
proporción de 0.18 personas que leen el periódico diariamente. ¿Puede ser que la
verdadera proporción de personas que leen el periódico en ese barrio sea 0.20?

SOLUCIÓN:

; 0.04
100
0.8 * 0.20

* p

pob
= = =
N
q
pob
p
σ
; 0.5 -
0.04
0.20 - 0.18

* p

pob
= = =
N
q
Z
pob

| 1.645 | | 0.5 | ó 1.645 - 0.5 - Z < > =
Por consiguiente no puede rechazarse la hipótesis nula. Es decir, nada se opone a aceptar que la
muestra procede de tal barrio donde un 20% de personas leen el periódico diariamente.
Con frecuencia p
pob
es desconocida y, por lo tanto, también q
pob
es desconocida. El error típico
σ
p
se calcula entonces, salvo excepciones, empleando la proporción p
m
de la muestra y q
m
= 1 -
p
m
;

* p

m
N
q
m
p
= σ
Si en lugar de proporciones se toma la frecuencia absoluta el error típico de la frecuencia
absoluta será: * p * N
pob pob f
q = σ ya que p * N = f y que
p
* N σ σ =
f



66. Consideramos dos conjuntos de puntuaciones en un test de intuición sociológica,
ambos al mismo grupo de 20 estudiantes. Llamamos 1
__
X a la media de puntuaciones
obtenidas antes de que comenzase el curso y 2
__
X a la media obtenida después de concluir
el curso. Interesa determinar si 2
__
X es significativamente diferente de 1
__
X .

SOLUCIÓN:

Los datos son los siguientes:
Antes del curso Después del curso Diferencia
18
16
18
12
20
17
18
20
22
20
10
8
20
12
16
16
18
20
18
21
20
22
24
10
25
19
20
21
23
20
10
12
22
14
12
20
22
24
23
17
2
6
6
-2
5
2
2
1
1
0
0
4
2
2
-4
4
4
4
5
-4

164 ) D - (D 2
20
40
D 5 . 18 5 . 16
2
_ _
2
__
1
__
= = = = =

X X
Para resolver el problema partimos de la hipótesis nula: no hay diferencia significativa entre las
dos medias; es decir, puede ser cero por azar.
1. Cálculo de la desviación típica de las diferencias:
2.863
20
164

) D - (D

2
_
= = =

N
S
D

2. Cálculo del error típico de la media de las diferencias:
657 . 0
3588 . 4
2.863

19
2.863

1
S

D
= = =

=
N
D
σ
3. Hallamos la razón crítica t:
3.044
657 . 0
2

_
= = =
D
D
t
σ

4 .Suponemos que estamos trabajando al nivel de confianza 1%. A ese nivel, buscamos en las
tablas de distribución t de Student, la t correspondiente para N – 1 = 20 – 1 = 19 grados de
libertad: t = 2.54 (se trata de prueba unilateral).
5. Como la t hallada = 3.044 > 2.54 rechazamos la hipótesis nula con 99% de probabilidades de
acertar o lo que es lo mismo, a lo más con 1% de riesgo de equivocarnos; podemos decir que tal
diferencia es significativa y, por lo tanto, que la media después de finalizar el curso es
significativamente mayor que la media antes de comenzar el curso, al nivel de confianza 1%.


67. En una «reunión» una droga fue tomada por 14 personas, de las cuales 6 lo hacen por
primera vez y 8 ya son habituales de ella. La droga produjo en el primer grupo sueños de
duración 11,12,13,16,17 y 15 horas, mientras que en el segundo grupo 8,7,9,10,6,7,9 y 8
horas. Se pide:
a) Media y desviación típica de cada grupo
b) Formar el estadístico que se distribuye según una t de Student de 12 grados de
libertad, sabiendo que las poblaciones tienen la misma media y desviación típica.

SOLUCIÓN:

a) Grupo 1
14
6
15 17 16 13 12 11
x1
_
=
+ + + + +
=
( ) ( ) ( ) ( ) ( ) ( )
4.67
6
14 - 15 14 - 17 14 - 16 14 - 13 14 - 12 14 - 11

2 2 2 2 2 2
2
1
=
+ + + + +
= s
Grupo 2
8
8
8 9 7 6 10 9 7 8
x2
_
=
+ + + + + + +
=
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
1.5
6
8 - 8 8 - 9 8 - 7 8 - 6 8 - 10 8 - 9 8 - 7 8 - 8

2 2 2 2 2 2 2 2
2
2
=
+ + + + + + +
= s

b) 6.084

8
1

6
1
2 - 8 6
*
1.5 * 8 4.67 * 6
8 - 14


n
1

n
1
2 - n n
*
s n s n


2 1
2 1
2
2
2
2
1 1
2
_ _
1
=
+
+
+
=
+
+
+

=
x x
t

68. Según una encuesta realizada sobre una muestra de 2500 personas elegidas al azar, el
80% está decidida a votar en las últimas elecciones.
a) ¿Puede ser cierto que llegue a votar el 85% de la población?
b) Con un 99% de nivel de confianza ente qué valores estará el porcentaje de los votantes
de la población.

SOLUCIÓN:

a) Se trata de una comprobación de hipótesis.
0.0071
2500
0.15 * 0.85

p
= = σ
|
|
.
|

\
|
= =
=
0.15 p - 1 q
0.85 p

pob pob
pob

Establecemos la hipótesis nula, la cual dice que puede ser cierto que vote el 85% de la
población.
Hallamos la razón crítica
7.04 -
0.0071
8.15 * 0.85
= = Z
Una Z = |7.04| > 2.33. Luego, de ser cierto que en la población votase el 85%, en una muestra
de 2500 personas no podía haber salido un porcentaje de 80%. Por ello, rechazamos la hipótesis
nula y afirmamos con 99% de probabilidades de acertar que no llegará a votar el 85% en
circunstancias normales (= circunstancias similares al momento en que se hubiera realizado el
muestreo).
b) Se trata de una prueba bilateral
0.008
2500
50.20 * 0.80

p
= = σ
Luego:
0.80 ± 2.58 σp = 0.80 ± 2.58*0.008
0.8220
0.7793



Es decir, la verdadera proporción de la población de votantes a un nivel de confianza del 99%
estará entre 77.93 y 82.20% de la población electoral.


69. La renta media de los habitantes de un país se distribuye uniformemente entre 4,0
millones pesetas. Y 10,0 millones ptas. Calcular la probabilidad de que al seleccionar al
azar a 100 personas la suma de sus rentas supere los 725 millones ptas.

SOLUCIÓN:

La media y varianza de cada variable individual es:
7
2
) 10 4 (
=
+
= u
3
12
) 4 10 (
2
2
=

= σ
Por tanto, la suma de las 100 variables se distribuye según una normal cuya media y varianza
son:
Media: 700 7 * 100 * = = u n
Varianza: 300 3 * 100 *
2
= = σ n
Para calcular la probabilidad de que la suma de las rentas sea superior a 725 millones pesetas,
comenzamos por calcular el valor equivalente de la variable normal tipificada:
44 , 1
3 , 17
700 725
=

= Y
Luego:
0749 , 0 9251 , 0 1 ) 44 , 1 ( 1 ) 44 , 1 ( ) 725 ( = − = < − = > = > Y P Y P x P
Es decir, la probabilidad de que la suma de las rentas de 100 personas seleccionadas al
azar supere los 725 millones de pesetas es tan sólo del 7,49%.


70. En una asignatura del colegio la probabilidad de que te saquen a la pizarra en cada
clase es del 10%. A lo largo del año tienes 100 clases de esa asignatura. ¿Cuál es la
probabilidad de tener que salir a la pizarra más de 15 veces?

SOLUCIÓN:

Salir a la pizarra es una variable independiente que sigue el modelo de distribución de
Bernouilli:
"Salir a la pizarra", le damos el valor 1 y tiene una probabilidad del 0,10
"No salir a la pizarra", le damos el valor 0 y tiene una probabilidad del 0,9
La media y la varianza de cada variable independiente es:

09 , 0 90 , 0 10 , 0
10 , 0
2
= ∗ =
=
σ
u

Por tanto, la suma de las 100 variables se distribuye según una normal cuya media y varianza
son:
Media: 10 10 , 0 100 = ∗ = ∗ u n
Varianza: 9 09 , 0 100
2
= ∗ = ∗σ n
Para calcular la probabilidad de salir a la pizarra más de 15 veces, calculamos el valor
equivalente de la variable normal tipificada:
67 , 1
3
10 15
=

= Y
Luego:
0475 , 0 9525 , 0 1 ) 67 , 1 ( 1 ) 67 , 1 ( ) 15 ( = − = < − = > = > Y P Y P X P
Es decir, la probabilidad de tener que salir más de 15 veces a la pizarra a lo largo del curso es
tan sólo del 4,75%.


71. Suponga que de una población consistente en los valores 0, 2, 4, 6 y 8, se toman
muestras de tamaño 2 con reemplazo.
X Frecuencia Frecuencia Relativa
0 1 1/5 = 0.2
2 1 1/5 = 0.2
4 1 1/5 = 0.2
6 1 1/5 = 0.2
8 1 1/5 = 0.2
Demostrar que es razonable aproximar la distribución muestral de por una
distribución normal, una vez que se conoce la media y la desviación estándar de la
distribución muestral.

SOLUCIÓN:

Se calcula la media poblacional, la varianza y desviación estándar poblacional
4
5
20
5
8 6 4 2 0
= =
+ + + +
= =

N
X
n
i
u
8
5
40
5
) 4 8 ( ) 4 4 ( ) 4 2 ( ) 4 0 ( ) (
2 2 2 2 2
2
= =
− + − + − + −
=

=

n
i
N
X u
σ
83 , 2 8 = = σ
A continuación se calcula la gráfica de la distribución de frecuencia para la población

Esta gráfica no puede considerarse acampanada o normal.
A posteriori se toman muestras de tamaño dos con reemplazo.
Muestra

Muestra

Muestra

0, 0 0 4, 0 2 8, 0 4
0, 2 1 4, 2 3 8, 2 5
0, 4 2 4, 4 4 8, 4 6
0, 6 3 4, 6 5 8, 6 7
0, 8 4 4, 8 6 8, 8 8
2, 0 1 6, 0 3
2, 2 2 6, 2 4
2. 4 3 6, 4 5
2, 6 4 6, 6 6
2, 8 5 6, 8 7

Se agrupa a las medias muéstrales en la tabla de frecuencia siguiente:



Y se calcula la media poblacional de medias, la varianza de la medias y desviación estándar de
las medias ó error estándar de las medias.
=
∗ + ∗ + + ∗ + ∗ + ∗ + ∗ + ∗ + ∗
= =

25
) 8 1 ( ) 7 2 ( ) 6 * 3 ( ) 5 4 ( ) 4 5 ( ) 3 4 ( ) 2 3 ( ) 1 2 ( ) 0 1 ( ) (
n
i
x
N
X f
u
4
25
100
= =
=
− + − + − + − + − + − + − + − + −
=
25
) 4 8 ( 1 ) 4 7 ( 2 ) 4 6 ( 3 ) 4 5 ( 4 ) 4 4 ( 5 ) 4 3 ( 4 ) 4 2 ( 3 ) 4 1 ( 2 ) 4 0 ( 1
2 2 2 2 2 2 2 2 2
2
x
σ
4
25
100
= =
2 4 = =
x
σ


Gráfica de la distribución de frecuencia para la población de medias maestrales
X 0 1 2 3 4 5 6 7 8
F 1 2 3 4 5 4 3 2 1

De la apariencia acampanada de la distribución de las medias, concluimos que es razonable
aproximar la distribución muestral de por una distribución normal, una vez que se conoce la
media y la desviación estándar de la distribución muestral.


72. En un experimento de laboratorio se mide el tiempo de una reacción química. Se ha
repetido el experimento 98 veces y se obtiene que la media de los 98 experimentos es de 5
segundos con una desviación de 0,05 segundos. ¿Cuál es la probabilidad de que la media
poblacional m difiera de la media muestral en menos de 0,01 segundos?

SOLUCIÓN:

Dado que la muestra es grande, por el teorema del límite central podemos suponer que la
distribución de la media es una normal de media m y desviación típica el error estándar. Por
tanto, la probabilidad que nos preguntan, que es:
=
¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
<

< − = < − < − = < −
98
05 , 0
01 , 0
98
05 , 0
98
05 , 0
01 , 0
) 01 , 0 01 , 0 ( ) 01 , 0 ) (
u
u u
X
P X P X P
¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
<

< − = 98 , 1
98
05 , 0
98 , 1
u X
P
Se puede aproximar por la probabilidad de una distribución normal estándar Z:
P (-1,98 < Z < 1,98) = 1 - 2 · 0,0239 = 0,9522.
Por tanto, la probabilidad que nos piden es de 0,9522.


73. Se establece un control de calidad para un proceso de producción de balas. Se ha
dispuesto que cuando el proceso está bajo control, el diámetro de las balas es de 1 cm., con
una desviación típica de 0,003 cm. Cada hora se toman muestras de nueve balas y se
miden sus diámetros. Los diámetros de media de diez muestras sucesivas, en centímetros,
son:
1,0006 0,9997 0,9992 1,0012 1,0008
1,0012 1,0018 1,0016 1,0020 1,0022
Estableced cuáles son los límites de control y explicad qué podéis concluir sobre el
proceso de producción en estos instantes.

SOLUCIÓN:

Observamos que la media m = 1 y que el error estándar es:
001 , 0
10
003 , 0
= =
n
σ

Por tanto, los límites de control serán 1,003 y 0,997. Observemos que absolutamente todas las
medias que hemos obtenido de las sucesivas muestras están dentro del intervalo formado por los
dos límites de control. Es decir, no hay ningún dato superior a 1,003 ni ningún dato inferior a
0,997. Por tanto, podemos concluir que el proceso de control ha sido correcto durante el tiempo
que lo hemos analizado, y que no hemos detectado ninguna anomalía.


74. Un investigador quiere estimar la media de una población usando una muestra
suficientemente grande para que la probabilidad de que la media muestral no difiera de la
media poblacional en más del 25% de la desviación típica sea 0,95. Hallar el tamaño de
muestra necesario.

SOLUCIÓN:

( ) ( ) = < < − =
¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
<

<

÷→ ← = < − n Y n P
n n
X
n
P X P
N
25 , 0 25 , 0
25 , 0 25 , 0
95 , 0 25 , 0
) 1 , 0 (
σ
σ
σ
u
σ
σ
σ u
95 , 0 =

Realizando las operaciones resulta:

62 96 , 1 25 , 0 975 , 0 ) 25 , 0 ( 95 , 0 1 ) 25 , 0 ( 2
) 1 , 0 ( ) 1 , 0 (
= = ⇔ = ⇔ = − n n F n F
N N



75. Se considera una población representada por una varianteξ , de suerte que la media
poblacional es igual a 25, y la varianza poblacional es igual a 240. Supuesto extraídas
muestras de tamaño 100, muestreo aleatorio simple, determinar la probabilidad de que el
estadístico media muestral a
x
, este comprendido entre los valores 23,55 y 28,1

SOLUCIÓN:

El estadístico media muestral, a
x
:
n
x
a
n
i
i
x

=
=
1

Tenemos pues:
E[a
x
] = 25
| | 4 , 2
100
240
= =
x
a V
La probabilidad a obtener puede ser expresada de forma:
) 1 , 28 55 , 23 ( ≤ ≤
x
a P
Y será conocida si determinamos la distribución de probabilidad de la variante a
x
. Ahora bien,
como quiera que a
x
viene definida como suma de variantes x
i,
independientes entre si, todas con
igual distribución e igual a la distribución de probabilidad de la población, puesto que el
muestreo que se considera es el aleatorio simple, y habida cuenta que el tamaño muestral es
suficientemente grande, n=100, procede efectuar la aproximación de la distribución de a
x
,
mediante la distribución normal. De esta forma, pues, a
x
será una variante con distribución:
N (25, 4 , 2 )
Y con ello:

) 55 , 23 ( ) 1 , 28 ( ) 1 , 28 55 , 23 ( F F a P
x
− = ≤ ≤
Al ser:
)
4 , 2
25 1 , 28
' ( ) 1 , 28 25 ' 4 , 2 ( ) 1 , 28 ( ) 1 , 28 (

≤ = ≤ + = ≤ = ξ ξ P P a P F
x

)
4 , 2
25 55 , 23
' ( ) 55 , 23 25 ' 4 , 2 ( ) 55 , 23 ( ) 55 , 23 (

≤ = ≤ + = ≤ = ξ ξ P P a P F
x

Donde ξ’ representa una variante con distribución N (0,1); leídos en tablas, los valores:
( ) 97725 , 0 2 '
4 , 2
25 1 , 28
' = ≤ =
|
|
.
|

\
|

≤ ξ ξ P P
( ) 17619 , 0 93 , 0 '
4 , 2
25 55 , 23
' = − ≤ =
|
|
.
|

\
|

≤ ξ ξ P P
Habiéndose tomado 4 , 2 =1,55 es por tanto:
80106 , 0 17619 , 0 97725 , 0 ) 1 , 28 55 , 23 ( = − = ≤ ≤ ξ P


76. Se considera una población representada por una variante ξ, de suerte que la
distribución de probabilidad de la población es normal, con desviación típica igual a 10.
Determinar la probabilidad de que el estadístico media muestral supere al valor medio
poblacional en, por lo menos 0,2, supuesto extraídas muestras de tamaño 100, muestreo
aleatorio simple.

SOLUCIÓN:

Si convenimos en representar por µ el valor medio poblacional, el suceso cuya probabilidad
vamos a obtener puede ser expresado en la forma:
2 , 0
,
≥ − u
x
a
La diferencia a
x
- µ es aleatoria, por ser a
x
una variable aleatoria, y su distribución de
probabilidad podemos obtenerla a través de la función característica:

) ( * ] [ * ] * [ ] [ ) (
) (
t e e E e e e E e E t
x
x x x
a
it ita it it ita a it
ax
ϕ ϕ
u u u u
u
− − − −

= = = =

Donde:
) / ( ) 2 / 1 (
2 2
) (
n t it
a
e t
x
σ u
ϕ
− −
=

La función característica seria:
n t n t it it
a
e e e t
x
/ 2 / 1 / 2 / 1
2 2 2 2
* ) (
σ σ u u
u
ϕ
− − −
= =



Esta expresa que la variante (a
x
-µ) se comporta con arreglo a la distribución de probabilidad:



Conocida la distribución de (a
x
-µ), en nuestro caso,

N (0;
100
10
)

La probabilidad a obtener será determinada en la forma:

) 2 , 0 ' ( 2 , 0 '
100
10
) 2 , 0 ( ≥ =
|
|
.
|

\
|
≥ = ≥ − ξ ξ u P P a P
x


Donde ξ’ es una variante N (0,1).Leída en tablas, la probabilidad:

42074 , 0 57926 , 0 1 ) 2 , 0 ' ( 1 ) 2 , 0 ' ( = − = < − = ≥ ξ ξ P P

Resulta pues:

42074 , 0 ) 2 , 0 ( = ≥ − u
x
a P


77. Para calcular { }
1 2
X X P ≤ es necesario determinar la distribución de
2 1
X X − y para
ello es preciso decidir si las varianzas poblacionales
2
1
σ y
2
2
σ son iguales o no. Habrá que
razonar, por tanto, cual de las dos opciones es la más verosímil, a la vista de las
observaciones.

SOLUCIÓN:

Se sabe que:
2
2
2
2
2
1
2
1
/
/
σ
σ
s
s
tiene distribución
1 , 1 − − m n
F
Como si F es una variable aleatoria con distribución
) 12 , 10 (
F , es
{ } 05 , 0 7534 , 2 = > F P y { } 05 , 0 3433 , 0 = < F P
|
|
.
|

\
|
n
N
σ
; 0
si las varianzas poblacionales fuesen iguales habría probabilidad 0,9 de obtener un cociente de
cuasi varianza muestrales comprendido entre 0,3433 y 2,7534. Puesto que razonar, por tanto,
cual de las dos opciones es la más verosímil, a la vista de las observaciones. Se sabe que:
( )
m s n s
X X
/ /
2
2
2
1
2 1 2 1
+
− − − u u
tiene distribución t
15
ya que se obtiene 755 , 14 = f .Por tanto,
{ } { } 8 , 0 866 , 0
734 , 2
432 , 1
15 15 1 2
= − ≥ =
¦
)
¦
`
¹
¦
¹
¦
´
¦

≥ = ≤ t P t P X X P
Como el tamaño de la muestra es suficientemente grande, puede utilizarse la aproximación
normal, para obtener { } 97661 , 0 98 , 1
523 , 0
432 , 1
/ /
) (
2
2
2
1
2 1 2 1
= − > =
¦
)
¦
`
¹
¦
¹
¦
´
¦

>
+
− − −
Z P
m s n s
X X
P
u u

Obsérvese que el tamaño de la muestra es lo suficientemente grande para poder utilizar las
distribuciones poblacionales de los índices.
En cuestiones bursátiles la independencia es una suposición de dudosa veracidad. Por ello, este
apartado la evita, aunque solamente la independencia entre ambos índices, ya que la
independencia entre las observaciones de diferentes días resulta necesaria para obtener una
muestra aleatoria simple. Ahora se trata de un caso de datos apareados, de forma que
{ } { } 969 , 0 986 , 1
52 , 0
432 , 1
/ *
432 , 1
0
19
2 1
2 1
= − > =
¦
)
¦
`
¹
¦
¹
¦
´
¦


− −
= ≥ − t P
n S
X X
P X X P


78. Determinar las razones por las que es razonable utilizar el estadístico
2
2
/ S T
i
, siendo
2
2
S la cuasi-varianza de la muestra
y i
Y
,
.

SOLUCIÓN:

2 2
/ ) 1 ( σ S n − tiene distribución
2
1 − n
χ ; luego
| |
2 2
σ = S E y
n
S n V
n
S V
2
2 2
2
4
2
2
) / ) 1 ((
) 1 (
) (
σ
σ
σ
= −

=
Por otro lado, como σ u / ) ( −
i
X es N (0,1),
2
/ σ nT será
2
n
χ , por ser suma de n cuadrados de
N (0,1) independientes. Así pues,
| |
2
σ = T E y
n
nT V
n
T V
4
2
2
4
2
) / ( ) (
σ
σ
σ
= =

=
− =
1
1
2
1
1
1
) (
1
n
i
i
X
n
T u
Como
2
1 1 1
/ σ T n tiene la distribución
2
1
n
χ y ( )
2
2
2
2 2
/ 1 σ S n − es
2
1
2
− n
χ
2
2
2
2
2
1 1
/
/
σ
σ
S
T
tendrán distribución
1 ,
2 1
− n n
F . Por consiguiente,
2
2 1
/ σ T es el producto del parámetro
a estimar
2
2
2
1
/ σ σ por una variable con distribución
1 ,
2 1
− n n
F


79. La efectividad en días de un determinado antibiótico, sigue una distribución normal de
media 14 días y desviación típica desconocida. Fue administrada a 16 enfermos,
obteniéndose una cuasi desviación típica muestral de 1,4 días. Determinar la probabilidad
de que la efectividad media en la muestra no supere los 3 días, que es el tiempo mínimo de
efectividad requerido.
Preocupados por una posible subestimación de la varianza poblacional, que podría llevar
a subestimar la probabilidad de que no se alcance la efectividad mínima, se desea
determinar la probabilidad de que con una muestra de 16 enfermos se subestime la
varianza en más de un 20%. Si la muestra es de 61 pacientes, esta probabilidad ¿aumenta
o disminuye?
Determinar el tamaño de muestra necesario para que la probabilidad anterior sea 0,05.

SOLUCIÓN:

La probabilidad es { } 13 ≤ X P .Como la población es normal, pero no se conoce la varianza
poblacional, habrá que utilizar la distribución t de Student.
{ } { } 0063 , 0 857 , 2
16 / 4 , 1
14 13
/
13
15
= − ≤ =
)
`
¹
¹
´
¦



= ≤ t P
n S
X
P X P
u

Donde el valor se obtiene, por simetría, en la distribución t
15
.
Como (n-1) S
2
/
2
σ tiene distribución X
15
, la probabilidad de subestimación de
2
σ en más de
un 20% es
{ } { } 3 , 0 12 8 , 0
2
15
2 2
= < = < x P s P σ , calculada a partir de las tablas por interpolación lineal.
Para una muestra de 61 individuos, utilizando la aproximación de la distribución X
2
n
, es decir,
la probabilidad disminuye al aumentar el tamaño de la muestra. Por último, para conseguir que:
( ) } 1 2 ) 1 ( 6 , 1 { )} 1 ( 8 , 0 { 05 , 0
2
1
− − − < ≅ − < =

n n z P n P
n
, ha de ser
645 , 1 1 2 ) 1 ( 6 , 1 − = − − − n n De donde n = 117,61; con tamaño muestral 118, se obtiene la
precisión requerida.


80. Sea
n
X X ,...,
1
, una m.a de una población ) , (
2
σ u N . Supongamos que
1 + n
X se
distribuye ) , (
2
σ u N y que
1 1
,...,
+ n
X X , son independientes. Obtener con todo detalle la
distribución en el muestreo de
1
1
+

+
n
n
S
X X
n
.

SOLUCIÓN:

En este caso se tiene que
1 1
,...,
+ n
X X , son n+1 v.a.i.i.d con distribución ) , (
2
σ u N . Por tanto,
como se trata de obtener la distribución en el muestreo de
1
1
+

+
n
n
S
X X
n

Vamos a analizar la distribución de los elementos que intervienen en este estadístico. Se tiene
que:
|
|
.
|

\
|
+ − ⇒
¦
)
¦
`
¹
+
+
n
N X X
n
N X
N X
n
n 2
2
1
2
2
1
, 0 :
) , ( :
) , ( :
σ
σ
σ
u
σ u

Por otra parte, se verifica que
1
) (
1
2
1


=

=
n
X X
S
n
i
es tal que el estadístico del enunciado es
1
) 1 (
) 1 (
1
1
2
2
2
1
+

=


+

+
+
n
n
S
X X
n
S n
n
n
X X
n
n
σ
σ

Es decir, se trata de un cociente entre una distribución N (0,1) y la raíz cuadrada del cociente de
una distribución
2
1 − n
χ entre sus grados de libertado. Además son independientes ambas
distribuciones. Por tantos, se trata de una distribución
1 − n
t .


81. La velocidad de una molécula de una gas de función de las coordenadas (x, y, z) de la
misma respecto a un sistema castesiano tridimensional, y es igual a la distancia de la
molécula al origen del sistema.
Las coordenadas x, y, z son variables aleatorias independientes e igualmente distribuidas,
según una ley ) , 0 (
2
c N
Si A y B son dos moléculas que se desplazan independientemente una de otra, calcular la
probabilidad de que A se desplace a una velocidad igual o superior a cinco veces y media
la de B.

SOLUCIÓN:

La velocidad v es
2 2 2
z y x v + + = de donde
2 2 2
2
2
|
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
=
c
z
c
y
c
x
c
v

Es una variable chi-cuadrado con 3 grados de libertad, ya que
c
z
c
y
c
x
, , son variables N (0,1)
independientes.
Lo que se pide es la probabilidad siguiente.
|
|
.
|

\
|
≥ 5 , 5
B
A
v
v
P o lo que es igual
|
|
.
|

\
|
≥ =
|
|
.
|

\
|
≥ 25 , 30
3 /
3 /
5 , 5
2 2
2 2
2
c v
c v
P
v
v
P
B
A
B
A

donde la variable
|
|
.
|

\
|
=
2 2
2 2
3 /
3 /
c v
c v
Z
B
A

es una F de Snédecor con (3,3) grados de libertad, ya que es el cociente de dos variables chi-
cuadrado, cada una de ellas divida por sus grados de libertad.
Las tablas F de Snédecor indican que la probabilidad pedida es del orden del 1%


82. Sean
3 2 1
, , X X X y
4
X variables aleatorias independientes N (0,1). Sean a, b > 0 y
2
2
2
1
x x a R + ⋅ = ,
2
4
2
3
x x b S + ⋅ = . Calcular P(R>S).

SOLUCIÓN:


Pero
2
4
2
3
2
2
2
1
x x x x + + + se distribuyen según leyes chi-cuadrado con dos grados de libertad, por
lo que su cociente es una F de Snédecor con la pareja de grados de libertad (2,2).

Ahora bien como aparece en los elementos teóricos:
Función de densidad f(x)
F de Snédecor
2 / ) 2 (
1 ) / (
) (
+

+ ⋅

n
n
m n
n
nx m c
x k


2 2
2
m n
n
m n
m n
r K ⋅ |
.
|

\
| +
=

|
.
|

\
|
⋅ |
.
|

\
|
=
2 2
m
r
n
r c
n


La función de densidad de esta F de Snédecor es
) 1 (
1
) (
2
x
x f
+
= , 0 > x
Y por tanto la probabilidad pedida es:
( )
2 2
2
2
2
2
1
1
1
2
2
b a
a
a
b
x
dx
a
b
+
=
|
|
.
|

\
|
+
=
+




|
|
.
|

\
|
>
+
+
=
|
|
.
|

\
|
>
+
+
⋅ =
|
|
.
|

\
|
> = > = >
2
2
3
4
2
3
2
2
2
1
2
4
2
3
2
2
2
1
2
2
2
2
2 2
1 1 ) ( ) (
a
b
x x
x x
P
x x
x x
b
a
P
S
R
P S R P S R P

83. De una población normal de media y desviación típica desconocida se ha obtenido una
muestra de 26 elementos que tienen como media aritmética 5 y desviación típica 1,2. ¿Cuál
es la probabilidad de que la media poblacional sea superior a 5.3?

SOLUCIÓN:

Sabemos que la variable n
S
X
Z
u −
= se distribuye según una ley t de Student con n-1
grados de libertad, y lo que se pide es ( ) 1114 , 0 25 , 1 25
2 , 1
3 , 5 5
= − < = |
.
|

\
|


< Z P Z P donde
Z sigue una t de Student con 25 grados de libertad.


84. Si X es una variable aleatoria con distribución ( ) σ γ , n siendo n un número natural,
determinar una función X que tenga distribución
2
χ .

SOLUCIÓN:

Si X tiene densidad
x n
n
e x
n
θ
θ
− −
Γ
1
) (
, para x>0, la variable aleatoria Y = 2 X θ tendrá por densidad
2 / 1 2 /
1
) ( 2
1
2
1
2 ) (
y n
n
y
n
n
e y
n
e
y
n
− − −

Γ
= |
.
|

\
|
Γ θ θ
θ

para y >0, que es la densidad de una
2
χ .


85. Se realiza un análisis de la duración de 40 pilas alcalinas obteniéndose los siguientes
resultados:
Duraciones
x
i

Frecuencias absolutas
n
j

1,55-1,95 2
1,95-2,45 1
2,45-2,95 4
2,95-3,45 15
3,45-3,95 10
3,95-4,45 5
4,45-4,95 3
Ajustar las duraciones de las pilas alcalinas a una distribución normal con media 3,5 y
desviación típica 0,7.

SOLUCIÓN:

Las probabilidades teóricas o esperadas p
i
se calcularán mediante la distribución
normal mediante:
P (1,45≤x 95 , 1 ≤ )=P 012 , 0 ) 21 , 2 293 (
7 , 0
5 , 3 95 , 1
7 , 0
5 , 3
7 , 0
5 , 3 45 , 1
= ≤ ≤ − = |
.
|

\
| −




z P
x

Clases
n
i
p
i
np
i

1.45-1.95 2 0.012 0.5
1.95-2.45 1 0.0525 2.1
2.45-2.95 4 0.1475 5.9
2.95-3.45 15 0.2573 10.3
3.45-3.95 10 0.2573 10.7
3.95-4.45 5 0.175 7.0
4.45-4.95 3 0.0874 3.5

No obstante, suele ser habitual agrupar los intervalos consecutivos cuyas frecuencias teóricas
son menores que 5 cm, en cuyo caso las letras se reducen a 4 y la tabla es la siguiente:
Clases
n
i
p
i
np
i

1.55-2.95 7 0.212 8.5
2.95-3.45 15 0.2573 10.3
3.45-3.95 10 0.2674 10.7
3.95-4.95 8 0.2624 10.5

Con estos datos ya podemos calcular el valor del estadístico del contraste de la chi-cuadrado.
Los grados de libertad serán 4 (n = 4 y no se estima ningún parámetro).
2
4
χ =
05 , 3
5 , 10
) 5 , 10 8 (
7 , 10
) 7 , 10 10 (
3 , 10
) 3 , 10 15 (
5 , 8
) 5 , 8 7 ( ) (
2 2 2 2 4
1
2
=

+

+

+

=


= i i
i i
np
np n

Como tenemos que
2
3 ; 05 , 0
χ =7,815 y 3,05 < 7,815, resulta que el valor del estadístico chi-
cuadrado cae fuera de la región crítica, por lo tanto se acepta la hipótesis nula de que el ajuste de
los datos a una normal es correcto con un nivel de significación 5 , 0 = α .


86. Calcular los valores t
α
correspondientes a una distribución t de Student en los
siguientes casos:
a) El área a la derecha de t
α
es 0.20 y n = 10
b) El área a la izquierda de t
α
es 0.40 y n = 8
c) El área a la derecha de t
α
es 0.05 y n = 50

SOLUCIÓN:

a) Como 0.40 0.20
2
= → = α
α

0.0920 t 5 n con 0.40 ) t t P( = → = = >
α α


b) Como 0.80 0.4
2
= → = α
α

262 . 0 t y 262 . 0 t 8 n con 0.80 ) t t P(
' '
− = = → = = >
α
α α
c) Como para n = 50 no se encuentra el valor t
α
en las tablas, ya que n > 30, se puede aproximar
la distribución de t de Student por la N (0,1)
0.05
2
que ya 0.10 ) t t P( = = >
α
α

0.90 0.10 - 1 ) t t t P(- = = ≤ ≤
α α

0.90 1 - ) t t ( P 2 ) t t t P(- = ≤ = ≤ ≤
α α α

1.65 t 0.95
2
1.90
) t t ( P = → = = ≤
α



87. Calcular los valores de F
α
correspondientes a una distribución F de Snédecor en los
casos siguientes:
a) α = 0.01 y (2,8) grados de libertad.
b) α = 0.05 y (7,3) grados de libertad.

SOLUCIÓN:

a) 8 n , 2 n y .01 0 ) F F ( P
2 1
= = = >
α

8.65
) 8 , 2 ( , 01 . 0
= F
b) 3 n , 7 n y .05 0 ) F F ( P
2 1
= = = >
α

27.67
) 3 , 7 ( , 05 . 0
= F


88. Elegidas 26 personas al azar de una población y sometidas a un test de “modernismo”
dan como media 6 S y 40 X
_
= = . Se quiere saber si la verdadera media de la población
puede ser tan alta como 44.

SOLUCIÓN:

-Se trata de una prueba unilateral.
-Trabajemos al nivel de confianza 1%.
-Calculamos el error típico de la media.
1.20
5
6

25
6

1 - N
S

_
X
= = = = σ
Hallamos la razón crítica t:
3.33 -
20 . 1
44 - 40

Parámetro - o Estadístic
= = =
Error
t
Donde la razón crítica t tiene una distribución t de Student
Consultamos la tabla teniendo en cuenta:
-Los grados de libertad: N-1 = 26 -1 = 25
-El nivel de confianza: 1%
Para 25 grados de libertad y al nivel de confianza del 1%, t = -2.48. Ahora bien, la t
obtenida = - 0.33 < -2.48 lo cual significa que de ser cierto que la media verdadera fuese 44,
una media tan baja como 40 no podría resultar ni en 1 % de los casos. Luego con 99 % de
probabilidades de acertar podemos decir que la media de la población no puede ser tan alta
como 44 y, en consecuencia, rechazamos la hipótesis nula al nivel de confianza del 1%.
Si se pregunta por la fiabilidad de la media procederemos, en general, averiguando la
diferencia máxima que estaremos dispuestos a admitir entre la media de una muestra y la media
de la población a un determinado nivel de confianza. Según el ejemplo anterior, al nivel de
confianza del 2 %.
t X t X
X
0.02
_
X
0.02
_
_ _
σ u σ × + < < × −
1.20 2.48 X 1.20 2.48 X
_ _
× + < < × − u
t 40 2.976 - 40
X
0.02
_
σ u × + < <
2.976 40 2.976 - 40 + < < u
¹
´
¦
024 . 37
976 . 42
u


89. El fabricante de una dieta de adelgazamiento dice que su producto permite una
reducción media de peso de 3,5kg. Con objetivo de investigar su eficacia, se seleccionaron
al azar 40 personas, observando en ellas el peso antes de aplicar la dieta, X y el peso
después de acabar el tratamiento, Y, lo que proporcionó una cuasi varianza para la
diferencia de :
S
2
d
=1/39
2 40
1
)] ( ) [(
− −
− − − ∑ Y X Y X
i i
=1,8
Si suponemos que tanto X como Y siguen distribuciones normales, determinar la
probabilidad de que los individuos de la muestra haya una reducción media de masa de
3kg.

SOLUCIÓN:

Como las observaciones X
i
e Y
i
se realizan en los mismos individuos, antes y después del
tratamiento, se trata de un problema de datos apareados. La diferencia de peso
d =X-Y tiene media
d
u = 5 , 3 = −
y x
u u y S
2
d
=1,8.
Por tanto,
¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦

>

= >

40 / 8 , 1
5 , 3 3
} 3 {
_
n S
d
P d P
d
d
u
= P {t 988 , 0 } 36 , 2
39
= − >
después de interpolar en la tabla t de Student.


90. Si (
x1
,…,
xn
) es una muestra aleatoria simple de una N (
1
u ,
1
σ ), con
1
u , conocida y
1
σ desconocida, comparar las distribuciones en el muestreo, la media y la varianza, de la
cuasi varianza muestral S
2
y de
T=
2
1
) (
1
u − ∑
=
xi
n
i
n


SOLUCIÓN:

( )
2 2
/ 1 σ S n − tiene distribución ( )
2
1 − n
x ; luego
E| |
2 2
σ = s y V( )
( )
( ) ( )
1
2
/ 1
1
2
2 2
2
4
2

= −

=
n
S n V
n
S
σ
σ
σ

Por otro lado, como ( ) σ u / −
i
X es N (0,1), nT/ ( )
2
σ será
2
n
X , por ser suma de n cuadrados
de N (0,1) independientes. Así pues,
E| |
2
σ = T y ( ) ( )
n
nT V
n
T V
4
2
2
4
2
/
σ
σ
σ
= =
Ambos estadísticos se distribuyen alrededor de la media
2
σ , y la dispersión del segundo es
inferior a la del primero. Si n es pequeño, T esta considerablemente mas concentrado alrededor
de
2
σ que S
2
; de manera que conviene hacer uso, mediante T del conocimiento de u , en
lugar de ignorarlo usando S
2
. Cuando n crece, la distribución de ambos estadísticos se
concentra rápidamente alrededor de
2
σ y la diferencia entre ambos se hace inapreciable.
(Naturalmente, si u fuese desconocida, los valores de T no podrían determinarse).


91. La efectividad en días de un determinado antibiótico, sigue una distribución normal de
media 14 días y desviación típica desconocida. Fue administrada a 16 enfermos,
obteniéndose una cuasi desviación típica muestral de 1,4 días. Determinar la probabilidad
de que la efectividad media en la muestra no supere los 3 días, que es el tiempo mínimo de
efectividad requerido.
Preocupados por una posible subestimación de la varianza poblacional, que podría llevar
a subestimar la probabilidad de que no se alcance la efectividad mínima, se desea
determinar la probabilidad de que con una muestra de 16 enfermos se subestime la
varianza en más de un 20%. Si la muestra es de 61 pacientes, esta probabilidad ¿aumenta
o disminuye?
Determinar el tamaño de muestra necesario para que la probabilidad anterior sea 0,05.

SOLUCIÓN:

La probabilidad es P {X≤13}.Como la población es normal, pero no se conoce la varianza
poblacional, habrá que utilizar la distribución t de Student.
P {

X ≤13}= P
¦
)
¦
`
¹
¦
¹
¦
´
¦




16 / 4 , 1
14 13
/ n S
X u
= P {t
15
≤ -2,857}=0,0063
Donde el valor se obtiene, por simetría, en la distribución t
15
.
Como (n-1) S
2
/
2
σ tiene distribución
2
1 − n
X , la probabilidad de subestimación de
2
σ en más
de un 20% es
{ } { } 3 , 0 12 8 , 0
2
15
2 2
= < = < x P s P σ ,
calculada a partir de las tablas por interpolación lineal. Para una muestra de 61 individuos,
utilizando la aproximación de la distribución X
2
n

{ } { } { }
{ } 0.1335 1.11 - Z P
119 - 96 119 - 2 P 48 8 , 0
2
60
2
60
2 2
= < =
= < ≈ < = < χ σ x P s P

Es decir, la probabilidad disminuye al aumentar el tamaño de la muestra. Por último, para
conseguir que:
{ } 1 2 ) 1 ( 6 , 1 Z )} 1 ( 8 , 0 { 05 , 0
2
1
− − − < ≈ − < =

n n P n P
n
χ
ha de ser ) 1 ( 6 , 1 − n 645 , 1 1 2 − = − − n De donde n = 117,61; con tamaño muestral 118, se
obtiene la precisión requerida.


92. Hallar el valor crítico de
2
α
χ de
2
χ en los siguientes casos:
a) α = 0.05 y n = 8
b) α = 0.30 y n = 7
c) α = 0.01 y n = 61

SOLUCIÓN:

a) ( ) 8 n con
2 2
= = > α χ χ
α
P
( ) 507 . 5 1 05 . 0
2
05 . 0
2
05 . 0
2
= → = > χ χ χ P
b) ( ) 8.383 7 n y 30 . 0
2
30 . 0
2
30 . 0
2
= → = = > χ χ χ P
c) Para n = 61 no figura
2
α
χ en la tabla y se calcula mediante:
1 - 2n -
2
χ = Z
que se distribuye según una N (0,1)
2.33 z 0.99 0.01 - 1 ) z ( 0.01 ) z (
1 1 1
= → = = ≤ → = > Z P Z P
2.33 1 - 61 2 - 2
2
> × = χ Z
13.33 11 2.33 2
2
= + > χ
17.689 1 2
2
> χ
88.844
2
> χ
88.844 0.01 88.844) ( P
2 2
= → = > χ χ


93. Sea una v.a. X distribuida
2
30
χ . Se trata de calcular:
a) | | 20.6 X < P
b) | | 0.05 a X / = > P a
c) , X e
5 . 0
d c
d) | | X E ,
Por los tres procedimientos siguientes:
i) utilizando las tablas de la chi-cuadrado,
ii) utilizando la aproximación del teorema central del límite,
iii) utilizando otra aproximación asintótica para la chi-cuadrado
Deducir de lo anterior que es mejor la aproximación iii) que la ii)

SOLUCIÓN:

a) i) Mirando en las tablas de la chi-cuadrado con 30 grados d libertad se tiene que P [ X >
20.599] = 0.9, luego P [ X < 20.599] = 0.1.
ii) por la aproximación del teorema central del límite
| | | | 0.1124 1.2135 - Z P
60
30 - 20.6

60
30 - X
P 20.6 X = < ≅

< = < P ,
con Z: N(0,1).
iii) La otra aproximación asintótica a la chi-cuadrado es aquel que si , : X
2
30
χ entonces
X 2 U = se distribuye asintóticamente N( ,1 59 ), luego
| | | | | | | | 0.1034 1.2624 - Z P 59 - 20.6 2 Z P 20.6 2 U P 20.6 X = < = × < ≅ × < = < P

b) i) En este caso a = 43.773.
ii) | | ) N(0,1 : con Z 0.05,
60
30
Z P 0.05 a X ≅


> ↔ = >
a
P
De donde a = 1.645 * 60 + 30 = 42.742
iii) | | | | | |. 59 - 2 Z P a 2 U P a X a P > ≅ > = > . Luego se busca un
| | N(0,1), : con Z 0.05 59 - 2 Z P / ≅ > a a y resulta que:
43.488 a 1.645 59 - 2 = → = a
c) i) En este caso 29.336
5 . 0
= c .
ii) | | (0,1). N : con Z 0.5,
60
30
Z P 0.5 X
5 . 0
5 . 0


≤ ⇔ = ≤
c
c P
De donde 30
5 . 0
= c
iii) | | | | | | 0.5, 59 - 2 Z P 2 U P X
5 . 0 5 . 0 5 . 0
≅ < ≅ < = ≤ c c c P
con Z : N (0,1). De donde
29.5 0 59 2
5 . 0 5 . 0
≅ ⇒ = − c c
d) i) E[X] = 30
ii) Como X se distribuye asintóticamente N(30,60), se tiene que
30 [X] E ≅
iii) En este caso | | | | ] [U E
2
1
X E 2X E ] [U E
2 2
= → = , donde U se distribuye
asintóticamente 1) , 59 ( N , luego
| | | | 60. 1 59 U E U V ] [U E
2 2
= + ≅ + = Por tanto,
30 [X] E ≅
Conclusión: De los apartados a), b), c) se observa que la aproximación asintótica de iii)
es preferible ala del teorema central del límite, por darnos valores y probabilidades más
cercanos a los verdaderos. Sin embargo, en d), las dos aproximaciones coinciden, y
coinciden con el verdadero valor. Esto sucede por tratarse de la media, que suele
mantenerse estable en el valor verdadero de la media, cuando se utilizan las aproximaciones
asintóticas.


94. Extraemos una m.a.s. de 61 estudiantes universitarios, los cuales responden a una
prueba de inteligencia espacial. Se obtiene una media muestral de 80 y una varianza
muestral de 100. ¿entre qué límites se hallará la verdadera puntuación media de la
prueba, a un nivel de confianza del 99%?

SOLUCIÓN:

1 – α = 0,99 ; α = 0,01 ; 1 -
2
α
= 0,995
Como la varianza poblacional es desconocida pero el tamaño muestral es mayor que 30,
aunque la población no es normal, el intervalo correspondiente será:
[
n
X - t
1-
2
α
(n-1)
1 − n
s
n
,
n
X + t
1-
2
α
(n-1)
1 − n
s
n
]
Buscamos en las tablas de la distribución t de Student: t
0,995
(61 – 1) = 2,66
Sabemos que
61
X = 80 y s
2
61
= 100. Sustituyendo en el intervalo y haciendo
operaciones tenemos:
[ 80 – 2.66
60
10
, 80 + 2.66
60
10
] µ є [76.57 , 83.43] con confianza del 99%


95. Uno de los líderes de un colectivo laboral desea plantear una cuestión a todos los
miembros del grupo. Si más de la mitad respondieran NO entonces preferiría no
plantearla. Para salir de dudas, elige al azar 40 trabajadores a los que hace la pregunta y
sólo 12 responden NO. ¿ entre qué limites se hallará la verdadera proporcion al nivel de
confianza del 95%?

SOLUCIÓN:

vamos a calcular el intervalo de confianza con las dos expresiones.
1 – α = 0.95 ; 1 -
2
α
= 0.975 ; z
2
1
α

= 1.96 y P=
40
12

Sustituyendo en los intervalos tendremos:
a) [0.3 – 1.96
40
7 . 0 3 . 0 ⋅
, 0.3 +1.96
40
7 . 0 3 . 0 ⋅
] → p є [0.158, 0.442]

b) [0.3 – 1.96
40
5 . 0
+ 0.3 – 1.96
40
5 . 0
] → p є [ 0.145, 0.455]
En ambos casos, el intervalo no llega a 0.5, por lo tanto podemos aconsejar al líder que formule
la pregunta.


96. Con el fin de comparar el promedio de faltas de ortografía cometidas en una
composición por dos clases similares de alumnos, se tomaron dos muestras de 7 y 8
alumnos, respectivamente y se observaron los siguientes errores:
Clase 1: 10,10, 12,12, 13, 13,14
Clase 2. 8 ,9 , 10, 10,10,10,12,12
Suponiendo que el numero de errores en ambas clases son normales, calcular es
intervalo de confianza del 95% para la diferencia de medias:
a) suponiendo que las varianzas poblacionales son iguales y valen σ
2
=
1.44
b) suponiendo que las varianzas son desconocidas pero iguales.

SOLUCIÓN:

De los datos obtenemos:
• clase 1:
7
Χ = 12
*
7
s = 1.53 n = 7
2
7
s = 2
2 *
7
s = 2.33
• clase 2:
8
Υ = 10.125
*
8
s = 1.36 m = 8
2
8
s = 1.61
2 *
8
s = 1.84

a) 1 – α = 0.95 →1 -
2
α
= 0.975 ; z
2
1
α

= 1.96
µ
1
- µ
2
є [12 – 10.125 – 1.96
8
44 . 1
7
44 . 1
+ , 12 – 10.125 + 1.96
8
44 . 1
7
44 . 1
+ ] =
= [0.658, 3.092]

b) 1– α = 0.95 → 1 -
2
α
= 0.975 →
2
1
α

t (n + m – 2) = t
0.975
(13) = 2.16
µ
1
- µ
2
є [12 – 10.125 – 2.16
|
.
|

\
|
+
− +
⋅ + ⋅
8
1
7
1
2 8 7
84 . 1 8 2 7
, 12 – 10.125 +
+2.16
|
.
|

\
|
+
− +
⋅ + ⋅
8
1
7
1
2 8 7
84 . 1 8 2 7
] = [0.215, 3.535]

Como el valor 0 no pertenece a ninguno de los dos intervalos, podemos concluir que las medias
no serán iguales con una confianza del 95%.


97. Establecer el intervalo de confianza del 95% para la diferencia en las proporciones de
alumnos de BUP que llega a la universidad procedentes de dos sistemas escolares
distintos, si sabemos que:
Sistema escolar X: terminan BUP 600 alumnos; acceden universidad 90 alumnos.
Sistema escolar Y: terminan BUP 400 alumnos; acceden universidad 50 alumnos.

SOLUCIÓN:

1 – α = 0.95 → 1 -
2
α
= 0.975 → z
0.975
= 1.96
Px =
600
90
= 0.15 Py =
400
50
= 0.125
Sustituyendo en el intervalo correspondiente:
Px – py є [0.15 – 0.125 – 1.96
400
875 . 0 125 . 0
600
85 . 0 15 . 0 ⋅
+

, 0.15 – 0.125 +
1.96
4
10 8594 . 4

⋅ ] = [- 0.018, 0.068]
Como el valor 0 pertenece al intervalo, podemos concluir que la proporción de alumnos que
acceden a la universidad es similar en los dos sistemas escolares.


98. En una muestra de 19 individuos se observa que un determinado trastorno emocional
se produce a partir de una edad media de 50 años y una desviación típica de 6 años. Se
supone que estamos ante un fenómeno que sigue la ley normal.
a) fijar los limites del intervalo de confianza para la varianza con un nivel de confianza del
99%
b) realizar lo mismo que en el apartado anterior pero suponiendo n = 200

SOLUCIÓN:

a)
2
19
s = 36, 1 -
2
α
= 0.995 →
2
995 . 0
X (18) = 37.2 y
2
005 . 0
X (18) = 6.26
σ
2
є

⋅ ⋅
26 . 6
36 19
,
2 . 37
36 19
= [18.39, 109.27]

b) como n = 200 > 100 utilizamos el intervalo de la nota:
995 . 0
z = 2.57
σ
2
є

⋅ −

⋅ +

200 2 57 . 2 199
36 200
,
200 2 57 . 2 199
36 200
=

6 . 147
7200
,
4 . 250
7200
= [28.75, 48.78]
Al utilizar un tamaño muestral mayor, se reduce a amplitud del intervalo.



99. En una prospección electoral se desea estimar el porcentaje de votos que obtendra el
partido del gobierno con una probabilidad del 90% y un error de estimacion del ± 1%.
Calcular el tamaño muestral necesario para conseguir una estimacion de estas
caracteristicas.

SOLUCIÓN:

E = ± 1% → E = 0.02
El intervalo para p es [
n
p
n
p
5 . 0
;
5 . 0
2 2
α α
λ λ + − ]
E = 0.02 = 2
n
5 . 0
2
α
λ
1-α = 0.99, α = 0.01,
2
α
λ = 2.5733 (tras interpolar)

Asi que → 0.02 = 2.5733
n
5 . 0
⋅ , despejando → n = 16554,68223
Es decir habra que muestrar a 16555 personas.


100. Los errores aleatorios que se cometen en las pasadas de una cierta balanza siguen una
distribución normal de media 0 y desviación típica 1mg. Después de n=9 pesadas se han
comprobado los errores (en mg): -0.07, 0.3, 1.8, -0.1, 2.0, 2.3, 0.62, 0.12, y 1.4.
Se pide contrastar la hipótesis de que la balanza funciona correctamente frente a la
alternativa de que tiene un error sistemático positivo, con un nivel de significación de 0.1.

SOLUCIÓN:

Los errores aleatorios cometidos al pesar siguen una distribución normal N(0, 1). Debemos
contrastar H
0
(el error es aleatorio), frente H
1
(el error es sistemático positivo):
H
0:
X es N (0,1) →
2
2
2
2
1
1
) 0 (
2
1
2
0
2
1
1 2
1
) (
x
x
e e x f
⋅ −

⋅ −
⋅ = ⋅

=
π
π

H
1:
X es N (m,1) →
2
2
2
) (
2
1
1
) (
2
1
2
1
2
1
1 2
1
) (
m x
m x
e e x f
− ⋅ −

⋅ −
⋅ = ⋅

=
π
π

Tenemos que plantear cual es la región crítica óptima para un m dado:
)
`
¹
¹
´
¦
≥ = a
x f
x f
x w
) (
) (
/
0
1
r
r
r
=
)
`
¹
¹
´
¦
≥ = a
x x x f
x x x f
x x x x
n
n
n
) ,..., , (
) ,... , (
/ ) ,.... , (
2 1 0
2 1 1
2
1
=

¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦



⋅ −
− ⋅ −
a
e
e
x
x
m x
2
2
2
1
) (
2
1
2
1
2
1
/
π
π
r
=
¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦


|
|
.
|

\
|

|
|
.
|

\
|

|
|
.
|

\
|

⋅ − −
− ⋅ − − ⋅

a
e e
e e
x
n
n
x x
m x m x
2
1
2
2 2
1
2
1
2
1
) (
2
1
) (
2
1
2
1
.....
2
1
2
1
.....
2
1
/
π π
π π r
=

| |
¦
)
¦
`
¹
¦
¹
¦
´
¦


=
=
− + − −
a e x
n
i
i i i
x m m x x
1
2 2 2
2
2
1
/
r
=
( ) | |
¦
)
¦
`
¹
¦
¹
¦
´
¦


=
− − −
a e x
n
i
i i
x m x
1
2 2
2
1
/
r
=

=
¦
)
¦
`
¹
¦
¹
¦
´
¦


=
+ − −
a e x
n
i
i
m m x
1
2
) 2 (
2
1
/
r
=
)
`
¹
¹
´
¦
≥ + − −

=
n
i
i
a m mx x
1
2
ln ) 2 (
2
1
/
r
=

=
)
`
¹
¹
´
¦
≥ −

=
a n m x m x
n
i
i
ln
2
1
/
2
1
r
=
¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
+


=
m
n m a
x x
n
i
i
2
1
2
1
ln
/
r


Anotación: b
m
n m a
=
¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
+
2
2
1
ln

La región crítica óptima es:
)
`
¹
¹
´
¦
≥ =

=
n
i
i
b x x w
1
/
r

Vamos a hallar la región crítica óptima para un nivel de significación 1 , 0 ∈=
Bajo la hipótesis H
0
(bajo la cual se construye la región critica w) → X es N (0,1)


=
n
i
i
x
1
es N (0, n )

Por tanto:
y
n
x
n
n i
i
=

=
es N (0,1)
P 1 , 0 ) ( = ≥
α
Y Y → 2 . 0 ) ( = ≥
α
Y Y P
Mirando las tablas:
28 . 1 =
α
Y

Por tanto:
¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
≥ =

=
28 . 1 /
1
n
x
x w
n
i
i
r

)
`
¹
¹
´
¦
≥ =

=
n
i
i
n x x w
1
28 . 1 /
r
→ Región crítica óptima
En nuestro caso: n=9
9 29 . 1
9
1
⋅ ≥

= i
x → 84 . 3 37 . 8 ≥ → Rechazamos H
0
y se acepta H
1


101. Sea X v.a. N ( ) 1 , θ . Contrastar la hipótesis H
0
( ) 0 = θ frente a la alternativa H
1

( ) 4 = θ para una muestra de tamaño n=100 y un nivel de significación de 0.05.

SOLUCIÓN:

Sea X v.a. N ( ) 1 , θ
Debemos contrastar las siguientes hipótesis:
H
0
: 0 = θ
H
1
: 4 = θ
Su función de densidad es: →
2
) (
2
1
2
1
) , (
θ
π
θ
− −
⋅ =
x
e x f
Y su función de densidad conjunta es: →
2
) (
2
1
2
1
) , (
θ
π
θ
− −

|
|
.
|

\
|
=
i
x
n
e x f
r

Aplico Neyman Pearson:

¦
)
¦
`
¹
¦
¹
¦
´
¦

=
=
= a
x f
x f
x w
0 (
4 (
/
, 0
, 1
θ
θ
r
r
r
=
¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦



|
|
.
|

\
|


|
|
.
|

\
|
=
=
− −
− −
a
e
e
x
n
i
i
n
i
i
x
n
x
n
1
2
1
2
) 0 (
2
1
) 4 (
2
1
2
1
2
1
/
π
π r
=
=
( ) ( ) | |
¦
)
¦
`
¹
¦
¹
¦
´
¦


=
− − − −
a e x
n
i
i i
x x
1
2 2
0 4
2
1
/
r
=
( )
¦
)
¦
`
¹
¦
¹
¦
´
¦


=
− + − −
a e x
n
i
i i i
x x x
1
2 2
16 8
2
1
/
r
=
=
¦
)
¦
`
¹
¦
¹
¦
´
¦


=
− −
a e x
n
i
i
x
1
) 8 16 (
2
1
/
r
=
¦
)
¦
`
¹
¦
¹
¦
´
¦

∑ ∑

− −
= =
a e x
n
i
n
i
i
x
1 1
8 16
2
1
/
r
=
¦
)
¦
`
¹
¦
¹
¦
´
¦


=
− −
a e x
n
i
i
x n
1
) 8 16 (
2
1
/
r
=
=
)
`
¹
¹
´
¦
≥ + −

=
n
i
i
a x n x
1
ln 4 8 /
r
=
)
`
¹
¹
´
¦ +


=
n
i
i
n a
x x
1
4
8 ln
/
r
=

Si n= 100

=
)
`
¹
¹
´
¦
+ ≥

=
n
i
i
a
x x
1
200
4
ln
/
r
= 200
4
ln
1
+ ≥

=
a
x
n
i
i

Anotación → b
a
= + 200
4
ln

b x ≥
100
r
→ 05 . 0 ) (
100
= ≥ b x P
r

X es N (0,1) →
100
x
r
es N
|
|
.
|

\
|
n
1
, 0 = Supuesto cierto H
0

Al tipificar:
P 05 . 0
1
0
1
0
100
=
|
|
|
|
.
|

\
|



n
b
n
x
r
→ P 05 . 0 10
10
1
0
10
1
0
100
=
|
|
|
|
.
|

\
|
=



b
b x
r

Anotación: 10b=c
P ( Y ≥ c) =0.05
P ( c Y ≥ ) =0.1
Mirando las tablas: c=1.64, por tanto
10 · b = 1.644 → b=0.1644 → 1644 . 0
100
= X
r

Para 1644 . 0
100
≥ X
r
se rechaza H
0

Para 1644 . 0
100
〈 X
r
se acepta H
0


102. Sea X v.a N ( )
0
,σ θ donde ( )
0
σ es conocido. Contrastar la hipótesis H
0
( )
0
θ θ =
frente a la alternativa H
1
( )
0
θ θ ≠ por el test de razón de verosimilitud.

SOLUCIÓN:

Construimos la
on
f de verosimilitud:

0
θ θ =
Una vez construida la
on
f de verosimilitud, nos fijamos en los espacios.
El espació paramétricoΩqueda definido por:
{ } +∞ ∞ − = Ω f pθ
El espacio paramétrico bajo la hipótesis nula es:
{ }
0
θ ω =
De aquí sacamos varias conclusiones inmediatas:
1) - dim 0 = ω → r
2) - dim 1 = Ω → k
El Máximo de L en
- ω es con
0
θ θ =
- Ω es con
n
x
r
= θ
La razón de verosimilitud es:

) , (
) , (
0
n
x x L
x L
r r
r
θ
= Λ =
( )
( )


|
|
.
|

\
|


|
|
.
|

\
|
=
=
− −
− ⋅ −
n
i
n i
n
i
i
x x
n
x
n
e
e
1
2
2
0
1
2
0
2
0
2
1
0
2
1
0
2
1
2
1
r
σ
θ
σ
σ π
σ π
=
( ) ( ) | |

=
− − − −
n
i
n i i
x x x
e
1
2 2
0
2
0
2
1 r
θ
σ
=
=
( )
2
0
2
0
2
θ
σ
− −
n
x
n
e
r


Según el Teorema de Wilks:
Λ − = ln 2 U es
2
1
X ( el 1 sale de k-r=1-0=1)
( )
2
1
2
0 0
2
0
X x
n
≈ − = θ
σ
r
U
Suponiendo un 0 f Ε dado, por ejemplo: 05 , 0 = Ε
Tenemos que hallar:
( ) 05 . 0 /
2 2
1
2
=
Ε Ε
X X P X f
Mirando las tablas:
841 . 3
2
=
Ε
X
Para una muestra x
r
se calcula U :
( )
2
0 0
2
0
θ
σ
− = x
n r
U
Y comparamos para el valor dado para
2
Ε
X :
-
Si 841 . 3 ≤ U se acepta H
0
- Si 841 . 3 f U se acepta H
1



103. Se hace un envió de latas de conserva, de las que se afirma que el peso medio es de
1000gr. Examinada una muestra de 5 latas se han obtenido pesos respectivos de 995, 992,
1005, 998 y 1000. ¿Puede mantenerse la hipótesis de que la media es 1000 con un nivel de
significación α = 0.05? Hallar un intervalo de confianza para la media, suponiendo
normalidad en la población.

SOLUCIÓN:

Tenemos que contrastar la hipótesis:
H
0:
µ=1000 (hipótesis nula)
H
1:
µ ≠1000 (hipótesis alternativa)
n=5 → µ=1000
Como X es v.a. N ( µ, σ) con σ desconocida, usamos:
1 − ⋅

n
S
x
n
n
u
r
es t
n-1
Por lo tanto necesitamos saber:
998
5
1000 998 1005 992 995
=
+ + + +
=
n
x
r

( ) ( ) ( ) ( ) ( ) | | 6 . 19
5
98
998 1000 998 998 998 1005 998 992 998 995
5
1
2 2 2 2 2 2
= = − + − + − + − + − =
n
s

43 . 4 6 . 19
2
= = =
n n
s s
Sustituyendo:
903 . 0 4
43 . 4
1000 998
4
− = ⋅

= t
( ) 05 . 0
4
=
α
t t P f
Mirando la tabla t de Student obtenemos:
776 . 2 =
α
t ? 776 . 2 903 . 0 ¿ f − NO, por lo tanto H
0
, es decir µ=1000
Para hallar el intervalo de confianza para µ:
α
u
α α
− =
|
|
.
|

\
|


− 1 1 t n
s
x
t P
n
n
p
r
p
95 . 0 776 . 2 4
43 . 4
998
776 . 2 = |
.
|

\
| −
− p p
u
P

El intervalo es:
|
.
|

\
|
⋅ + ⋅ −
2
43 . 4
776 . 2 998
2
43 . 4
776 . 2 998 p p u I
( ) 1 . 1004 9 , 991 p p u I
También podemos decir que aceptamos H
0
porque I ∈ 1000


104. Se desean comparar dos nuevas líneas de trigo; para ello, se toman 10 fincas al azar,
plantando en cada una de ellas, y en dos parcelas distintas, ambas líneas. La producción
en las 10 fincas fue (en cierta unidad de medida) de 57, 49, 60, 55, 57, 48, 50, 61, 52 y 56
para la línea A y de 55, 48, 58, 56, 54, 48, 52, 56, 50 y 58 para la línea B. ¿Podemos aceptar
que la producción es la misma, a un nivel α=0.05 (y suponiendo la población normal
bivariante?

SOLUCIÓN:

n=10
α=0.05
Finca 1 2 3 4 5 6 7 8 9 10
A 57 49 60 55 57 48 50 61 52 56
B 55 48 58 56 54 48 52 56 50 58

Suponemos la población normal bivariante.
Llamamos; X=X
1
,………X
10
a la producción en A
Y=Y
1
,………Y
10
a la producción en B
Debemos contrastar la hipótesis:
H
0
: X
1
=Y
1
; X
2
=Y
2
; ……….X
10
=Y
10
→ H
0
: µa=µb (hipótesis nula)
H
1
: X
1
≠Y
1
; X
2
≠Y
2
; ……….X
10
≠Y
10
→ H
1
: µa≠µb (hipótesis alternativa)
Pero en este caso las dos v.a. X=(producción de A), y Y=(producción en B) son dependientes,
porque cada producción está tomada en la misma finca y depende de las características del
terreno.
Ahora bien, si H
0
es cierta, se verifica: E(X-Y) = E(X) - E(Y) = µa-µb =0 y la distribución de X-
Y será normal de media 0.
Quedando la hipótesis:
H
0
: E(X-Y)=0 (hipótesis nula)
H
1
: E(X-Y)≠0 (hipótesis alternativa)
Sea D=(X-Y)
D=2, 1, 2, -1, 3, 0, -2, 5, 2, -2
1
10
2 2 5 2 0 3 1 2 1 2
=
− + + − + + − + +
= D
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) | |
2 2 2 2 2 2 2 2 2 2 2
1 2 1 2 1 5 1 2 1 0 1 3 1 1 1 2 1 1 1 2
10
1
− − + − + − + − − + − + − + − − + − + − + − =
D
s
6 . 4
2
=
D
s → 14 . 2 =
D
s

Por lo tanto tenemos que:
1
0
− ⋅

n
s
D
D
es t
n-1
3
14 . 2
0 1
1


≈ t → t
9
≈ 1.4
Por otro lado tenemos:
( ) 05 . 0
9
=
α
t t P f
Mirando en la tabla t de Student obtenemos:
262 . 2 =
α
t → ? 262 . 2 4 . 1 ¿ f
No lo es, por lo tanto aceptamos H
0
, es decir no hay diferencia entre la producción de las dos
líneas de trigo.


105. De 100 observaciones de una población normal se obtiene que x = 5 y que S = 2.
Contrastar con un nivel de significación del 5% la hipótesis de que la media de la
población sea 7.

SOLUCIÓN:

H0: u = 7 = 1’96
H1: u = 7
α = 0’05 10
10 / 2
7 5
/
− =

=

n
x
σ
u
o

x = 5
S = 2
n = 100 >> 30 S = ≡ σ 2
Como –10 ∉[-1’96, 1’96] rechazamos la hipótesis: Rechazamos la hipótesis de que u = 7.


106. Se escoge a 17 individuos al azar y se les mide. Resultando que su estatura media es
1,71m. Y que la desviación típica es 0’02 metros. Contrastar la hipótesis de que la estatura
media nacional sea 1’75 con un nivel de significación del 5%.

SOLUCIÓN:

Distribución de la población L(X) = N [ u , σ ]
L [ ) 1 ( − =

n
S
x u
]= t
n-1
x = 1’71 t
0.05
(16 g.l.) = 2’12
S = 0’02
n = 17 < 30 ) 1 ( − =

n
S
x
o
u
= = ×

4
02 , 0
75 , 1 71 , 1

H0: u = 1’75
H1: u ≠ 1’75 =8∉[-2,12;2,12]

Por lo tanto Rechazamos la hipótesis de que la media sea 1’75


107. Un fabricante de refrescos sin burbujas desea sacar al mercado una variedad de su
producto que tenga burbujas. Su director comercial opina que al menos el 50% de los
consumidores verá con buenos ojos la innovación. Se realiza un sondeo de mercado y
resulta que de 100 consumidores encuestados 40 son favorables a la innovación.
a) Contrastar la hipótesis del director comercial frente a la alternativa de que el % de
aceptación es inferior, con un nivel de significación del 2,5%.
b) Si el aceptable la hipótesis de que el % de aceptación del nuevo producto es inferior o
igual al 30% el fabricante decidirá no fabricarlo. Si es aceptable el criterio del director
comercial entonces sí fabricarán el refresco con burbujas. Y si ninguna de las 2 hipótesis
es aceptable procederán a hacer otro sondeo. Para tomar esta decisión trabajarán con un
nivel de significación del 2.5& ¿ Por qué opción se decantarán?

SOLUCIÓN:
a)
H0: p = 0’5
H1: p < 0’5
α = 0’025 ) ( /
α α
λ φ λ − − = 0,025 -
α
λ es negativo
y su opuesto es tal que (+
α
λ ) = 1 –0,025 = 0,975, así que -
α
λ = -1,96

pˆ = 0,4 n = 100 >> 30
-2 < -1,96 así es que rechazamos que p = 0,5
b)
H0: p = 0’3
H1: p > 0’3
α = 0’025
α
λ = 1,96
pˆ = 0,4 n = 100
2
5 , 0
1 , 0
/
ˆ
= =

n q p
p p
o o
o

2 > 1,96 así que rechazamos que p = 0,3
Como no se aceptan ninguna de las dos hipótesis habrá que hacer otro sondeo.


108. Contrastar la hipótesis de que dos poblaciones tienen la misma dispersión con un
nivel de significación del 1% y sabiendo que la desviación típica de una muestra realizada
sobre la primera población era 12 con un tamaño muestral de 25 y que en una muestra
sobre la segunda de tamaño 30 la desviación típica resultó ser 7. Considérese que ambas
poblaciones son normales.

SOLUCIÓN:

x S
2
= 144
y S
2
= 49 95918 . 2
24 30 49
29 25 144
) 1 (
) 1 (
2
2
=
∗ ∗
∗ ∗
=


∗ ∗
x
y
y
x
n
n
n
n
y S
x S

F
24,29
(α =0.01) = 2.49
Como 2.95918 > 2.49, rechazamos la hipótesis de que las varianzas sean iguales.


109. Una empresa de publicidad desea comprobar si un determinando programa de
televisión es visto por el 30% de la audiencia. Para ello de escogen al azar 200 familias y
resulta que de ellas 50 lo están viendo. Contrastar la hipótesis con una nivel de
significación del 5%.

SOLUCIÓN:

H
o
: p = 0’3
H
1
: p ≠

0’3
pˆ = 50/200 = 0’25 5430 ' 1
/
ˆ
− =

n p p
p p
o o
o

n = 200
05 ' 0 = α 96 ' 1
2 /
=
α
λ
Como -1’5430 ∈ [-1’96,1’96] aceptamos la hipótesis de que sea visto por el 30% de la
audiencia.



ANEXO
TABLA DE LA DISTRIBUCION tStudent
La tabla da áreas 1  y valores
r
t c
, 1 α −
=
, donde,
α − = ≤ 1 ] [ c T P
, y donde T tiene
distribución t-Student con r grados de libertad...




1 
r 0.75 0.80 0.85 0.90 0.95 0.975 0.99 0.995
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032

6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707
7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169

11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106
12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947

16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921
17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845

21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831
22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787

26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779
27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750

40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704
60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.660
120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617
0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576

1. Si X ~ N (40,10), calcular Pr (39≤ X ≤41) para n=10. ¿En qué intervalo se obtendrán el 95% de los resultados?

SOLUCIÓN:

Pr (39≤ X ≤41) = Pr (

39 − 40 10

X − 40 41 − 40 10

10

) = Pr(-0.31623≤ X ≤0.31623)

Z=

X − 40 10

→ N (0,1); Pr (39≤ X ≤41) = Pr (Z≤0.31623) - Pr (Z≤-0.31623) =

= 2 Pr (Z≤0.31623) Y por tanto, Pr (39≤Z≤41) = 2 ∗ 0.6241 − 1 = .02482

Pr (µ-ε≤ X ≤ µ+ε)=0.95 Pr (µ-ε≤ X ≤ µ+ε)= 2 ∗ Pr( Z ≤

ε
10

) −1

Pr (Z≤

ε
10

)=

1 + 0.95 =0.975 → Z 0.975 → ε = 1.96 10 = 6.1981 2

Por tanto, el intervalo es: (33.802,46.198)

2. Si el contenido en gr. de un determinado medicamento X sigue una distribución N(7.5,0.3), calcular la probabilidad de que para una muestra de tamaño n=5, se obtenga medio menor que 7, Pr ( X ≤ 7).

SOLUCIÓN: A partir de una muestra de tamaño n=5 de una población normal N(µ=7.5,σ=0.3), tenemos que:

    X − 7 .5 7 − 7 .5  Pr( X ≤ 7) = Pr  = Pr( Z ≤ −3.7269) ≤  0 .3 0 .3    5  5 

Donde Z tiene una distribución normal estándar, y por tanto, Pr ( X ≤7) = 0.0001

3. Si la altura de un grupo de población sigue una distribución normal N(176,12), calcular la Pr(S≤10) para una muestra de tamaño 8.

SOLUCIÓN:

Considerando una muestra aleatoria de tamaño n de una población normal N(µ,σ), por el teorema de Fisher tenemos que:

(n − 1)S 2
σ2

2 ~ χ n −1

En particular, para una muestra de tamaño n=8 de una población normal N(176,12), el estadístico

7 2 2 S sigue una distribución χ 7 , y por tanto 144

 7 2 700  Pr (S ≤ 10) = Pr S 2 ≤ 100 = Pr  S ≤  = Pr (T ≤ 4.8611) 144   144
2 Donde la variable T sigue una distribución χ 7 , es decir,

(

)

Pr (S ≤ 10 ) = 0.3232

4. Un ascensor limita el peso de sus cuatro ocupantes a 300Kg. Si el peso de un individuo sigue una distribución N( 71,7 ), calcular la probabilidad de que el peso de 4 individuos supere los 300Kg.

SOLUCIÓN:

SOLUCIÓN: A partir del teorema de Fisher.8735 = 0.1429 ) ( ) donde Z tiene una distribución normal estándar.1429 ) = 1 − Pr (Z ≤ 1.1265  i =1  5.05 para la probabilidad de p de que un recién nacido sea niño si en una muestra de tamaño 123 se han obtenido 67 niños. y por tanto: Pr X − 3S < µ < X + 3S = Pr − 3 5 < T < 3 5 = 2 Pr (T < 6. tenemos que:   4     ∑ Xi   4 300  X − 71 75 − 71    Pr  ∑ X i > 300  = Pr  i =1 = Pr X > 75 = Pr  > = >  4  7 7  4   i =1      4 4     = Pr (Z > 1.Teniendo en cuenta que el peso de cada individuo tiene una distribución normal N(µ = 71. tenemos que los estadísticos X y S2 son independientes. si consideramos S una muestra aleatoria de tamaño n = 5. .σ = 7). en el muestreo sobre poblaciones normales. si seleccionamos una muestra aleatoria de 4 individuos. Calcular la probabilidad de que la media µ se encuentre entre X ± 3S para poblaciones normales y n = 5. En particular. y por tanto.9974 ( ) ( ) 6.9987 − 1 = 0. siendo la distribución del estadístico X −µ T = n∗ una tn-1(t de Student de n -1 grados de libertad).7082 ) − 1 = 2 ∗ 0. la probabilidad de que la media esté entre X ± 3S viene dada por:       µ−X X −µ Pr X − 3S < µ < X + 3S = Pr  − 3 < < 3 5  = Pr − 3 5 < T < 3 5 < 3  = Pr  − 3 5 <     S S     5   ( ) ( ) donde T tiene una distribución t4.  4  Pr  ∑ X i > 300  = 1 − 0. Calcular un intervalo de confianza al nivel α = 0.

S = n −1.22.03.975 = 1.2984 ) .91.001 para el peso exacto mediante los resultados obtenidos con 10 básculas: 7.96 .78091 . p = 67 y z α = z 0. X = ∑ Xi i =1 n n = 7.1040.1− n n 2 2   donde n = 10. 6.20. el intervalo de confianza al nivel 0. 7.1286 .1− ∑ (Xi − X ) n 2 distribución t de Student t α 2 = t 9.03.001 y desviación típica desconocida. es decir.36.SOLUCIÓN: Teniendo en cuenta que la proporción de varones recién nacidos puede modelizarse por una variable Bernoulli de parámetro p (probabilidad de que un recién nacido sea varón).p+z α 1− n 2 ˆ ˆ p(1 − p )    n  ˆ Donde n = 123. 7.544715 + 0. 7. 7. 1− 123 2 (0.0880096) y por tanto.0.05 viene dado por:  p−z α ˆ  1− 2  ˆ ˆ p(1 − p ) ˆ .0456706. Por tanto. esta determinado por:  S S  X −t  .632725 ) contendrá a la proporción de varones nacidos con una probabilidad del 95%.0.12. 7.X +t α α  n −1.9995 = 0.05 SOLUCIÓN: Suponiendo que las medidas del peso de las básculas sigue una distribución normal N µ . que a un nivel α = 0.544715 − 0. estamos interesados en encontrar un intervalo de confianza que contenga a la media de esta distribución.11.01. 7. el intervalo (0.0880096. σ 2 ( ) con media el peso exacto.1− n −1. 7. el intervalo de confianza al nivel α = 0.9096. Calcular un intervalo de confianza al nivel α = 0. 7.001 es: (6.7.0. 7. y utilizando la tabla de la n −1 = 4.

T = tiene χ 2 n .10 . 0. σ ) a partir de la SOLUCIÓN: Sabiendo que el proceso de fabricación sigue una distribución normal de media conocida µ = 0 . 1.3) .n 2 n 2 χ α  χ n .2.1. 8.Y representa que la media del peso estará en dicho intervalo con una probabilidad de acierto del 99. -2.001 a partir de una muestra de una población N (µ .1763 ) = 3. un intervalo de confianza para la varianza σ 2 al nivel α = 0. Calcular un intervalo de confianza al nivel α = 0. y utilizando la tabla de la distribución χ 2 .3 que se producen en un proceso de fabricación cuya distribución es N (0.2.1− α n.2.05333 .44458 . (1.6.05 para σ 2 mediante las desviaciones muestra 1. -2.1.9%. Calcular qué tamaño muestral debemos tomar para obtener µ con una precisión de 0. 0. 2. 2 2       donde n = 9. 0.7004 . es decir.975 n = 2.1− ∑ ( Xi − µ ) i =1 n 2 α 2 =χ 2 9 . -3. -0.5.05 es el siguiente:   T T . 9. SOLUCIÓN: Teniendo en cuenta que el intervalo de confianza que contiene a la media µ de una población normal con varianza conocida es de la forma . se Es el intervalo que contendrá con un 95% de acierto las desviaciones que se producen en el proceso de fabricación.2.

es decir: 1.1 4. las muestras obtenidas mediante las medicaciones anteriores y posteriores a la administración del medicamento son apareadas.7 3. Para estudiar la efectividad de un medicamento contra la diabetes se mide la cantidad de glucemia en sangre antes y después de la administración de dicho medicamento. si en esta estimación deseamos obtener la media con una precisión de 0. puesto que nos permitirá estimar la reducción o incremento de la glucemia provocada por este medicamento. tenemos que calcular n tal que el error que se cometa esté acotado por esta cantidad.3 4. Para estudiar el efecto de dicho medicamento.4 5.5 5.4 6. error ≤ 0.2 7. el error que cometemos al estimar µ mediante un intervalo de confianza al nivel α = 0.05.1 5.2 4.001 ⇔ 5. σ σ  X −z α  . .6 4. resulta de gran interés la variable diferencia entre ambas mediciones. sobre cada individuo de la población se obtiene una observación de la variable y posteriormente se repite la observación una vez que el individuo ha tomado el medicamento siendo esta última observación dependiente de la primera.001 .001 10.2 5.001. obteniéndose los resultados siguientes: Antes Después 7. es error = z σ 1− α 2 n = 1.96 3 n Por tanto.9 Estimar la reducción producida por el medicamento.X + z α  1− 1− n n 2 2   es decir.88 ≤ n → n = 5880 2 = 34574400 0.96 3 n ≤ 0.3 5. es decir. SOLUCIÓN: Suponiendo que las cantidades de glucemia siguen una distribución normal.3 5.

p = 0.0.416643) 1− 123 2 Por otra parte. es decir. 11.p+z α 1− n 2 ˆ ˆ p(1 − p )    n  es un intervalo de confianza al nivel α = 0. por lo que un intervalo de confianza al nivel α = 0. Se ha hecho un estudio sobre la proporción de enfermos de cáncer de pulmón detectados en hospital que fuman. σ 2 .60 y S= ∑ ((X Ai − X iD ) − ( X A − X D )) n −1 = 1.1− n −1.6.05. es decir.05 en el intervalo (− 0.486448 .96 . n = ˆ 123. obteniéndose que de 123 enfermos 41 de ellos eran fumadores. SOLUCIÓN: Como la proporción de fumadores en la población de los enfermos de cáncer de pulmón detectados en un hospital puede modelizarse por una variable Bernoulli de parámetro p.1. y a partir de las observaciones realizadas.4469 . es decir: (0. como la proporción de fumadores en la población pertenece al intervalo que contiene a la proporción de fumadores entre los enfermos de cáncer con una probabilidad de . observamos que esta proporción ase encuentra dentro del intervalo de confianza obtenido para un nivel 0.1− n n 2 2   donde n=7.1− α 2 de glucemia por el medicamento estará contenida a un nivel 0. entonces:  p−z α ˆ  1− 2  ˆ ˆ p(1 − p ) ˆ . si consideramos la proporción de fumadores en la población global. (X A − X D ) + t α α  n −1. N µ A − µ D .29. Obtener un intervalo de confianza para dicha proporción. la diferencia de ambas observaciones sigue una distribución normal de media la diferencia de ambas y desviación típica desconocida.05. siendo la reducción estimada 0.05. X A − X D ∑ (X = n i =1 Ai − X Di ) 2 n = 0.17473 = t 6 .975 = 2. Estudiar si dicha proporción puede considerarse igual a la proporción de fumadores en la población si ésta es de un 29%. 0.250023.En este caso. tenemos que p = 41 y z α = 1.68645 ) . viene dado por: ( )  S S   (X A − X D ) − t  . t n −1. la reducción y utilizando la tabla de la distribución t de Student.

3.acierto del 955. tenemos que X ~ (valor real. para un nivel de confianza del 95%. un intervalo de confianza del 100 1 − α 2 %. + (96 . 2 2 ∑ (xi − µ ) i =1 = (93. para la varianza de una distribución normal con media conocida.. por lo que usamos el estadístico: T = ∑ ( Xi − µ ) i =1 n 2 σ2 2 Cuya distribución en el muestreo es una χ n con n grados de libertad. 92. podemos considerar que esta proporción de fumadores en los enfermos de cáncer se corresponde con la de los fumadores en la población global. Los resultados que obtenemos son: 93. observamos en la tabla de la distribución χ 2 que χ 2 n n . y tenemos que construir un intervalo de confianza para la varianza poblacional.53 yχ 2 α = χ 82. 0. 12. 96. σ 2 ). Para ello. 90. y queremos determinar si los resultados que nos proporciona son lo suficientemente precisos. estamos en el caso en que la medida poblacional es conocida e igual a 90. Por lo tanto. donde conocemos el valor real del contenido de la solución que es igual a 90. 86.3.1. 0.025 ≈ 2. 90.5 Construir un intervalo de confianza al nivel de 95% para la varianza poblacional.9. realizamos una serie de 8 mediciones del contenido de una solución de referencia que.8. 91. Así.5 − 90 ) = 95 . se deduce que. y calculamos el numerador anterior: n. ¿Que conclusiones podemos realizar? SOLUCIÓN: Sea la variable aleatoria X que representa el valor medio del contenido.6. Sospechamos que nuestro cromatógrafo está estropeado. α 2 En nuestro caso.1− α 2 χ2 n −1.3 − 90 ) + . contiene 90% de un determinado compuesto. 94.975 ≈ 17 .18 . sabemos. y de varianza σ 2 desconocida. si modelizamos el error incontrolable de medición por una variable aleatoria ε normal de media 0. está dado por: ( ) ∑ ( Xi − µ ) i =1 n 2 χ2 ≤σ 2 ∑ ( Xi − µ ) ≤ n i =1 2 n −1.1− α 2 2 = χ 82.4.41 2 por lo que obtenemos que el intervalo de confianza pedido es: ..

en el caso en el que las varianzas en las dos poblaciones son desconocidas pero iguales. Así. con varianzas desconocidas pero iguales es: . utilizamos el estadístico: T = X 1 − X 2 − (µ 1 − µ 2 ) Sp 1 1 + n1 n 2 Donde S p = (n1 − 1)S12 + (n 2 − 1)S 22 . obtienen los resultados siguientes: Semana 1 Semana 2 93 93 86 87 90 97 90 90 94 88 91 87 92 84 96 93 ha de de de Suponiendo que las varianzas de la puntuación en las dos producciones son iguales. Interpreta los resultados obtenidos. la primera corresponde a la producción de la primera semana mientras que la segunda corresponde a la de la segunda semana.77 Esto representa que el intervalo para la dispersión es 2. SOLUCIÓN: En primer lugar. construye un intervalo de confianza para la diferencia de medias al nivel de 95%.44 ≤ σ 2 ≤ 43 . Deciden tomar una muestra de la producción de cada semana.33 ≤ σ ≤ 6. X 1 y X 2 se asumen normales e independientes. si la calidad cada artículo se mide en una escala de 100. de donde deducimos que la precisión del cromatógrafo es insuficiente. 13. Además. n1 + n 2 − 2 el cuál sigue una distribución t n1 + n2 − 2 de Student de n1 + n 2 − 2 grados de libertad. observamos que se disponen de dos poblaciones.5. En este sentido. se quiere determinar si habido un descenso significativo de la calidad de su producto entre las producciones dos semanas consecutivas a consecuencia de un incidente ocurrido durante el fin semana. y X 2 para la segunda. introducimos las dos variables X 1 que mide la puntuación de calidad de un artículo de la primera semana.62 (es una dispersión grande). un intervalo de confianza al 100 (1 − α ) % para la diferencia entre medias de dos distribuciones normales. En el departamento de control de calidad de una empresa.

en este lote.1− .1. con los datos de la muestra.1− = 7 * 9. Tienes la responsabilidad de aceptar o rechazar el lote. no hay más de 100 piezas defectuosas. a) ¿Cuántas piezas decides examinar para que. para los datos de este problema.975 ≈ 2.145 13 . por lo que: 2 1 2 Sp = (n1 − 1)S12 + (n 2 − 1)S 22 n1 + n 2 − 2 n1 + n 2 − 2 . n 2 = 8.6 + 2.8 .1 + 7 * 17 . obteniendo el intervalo de confianza: 1.4 1 1 1 1 + ≤ µ1 − µ 2 ≤ 1.x1 − x 2 − cS p donde 1 1 1 1 + ≤ µ 1 − µ 2 ≤ x1 − x 2 + cS p + n1 n 2 n1 n 2 α 2 c=t n1 + n 2 − 2 .56 Por último.8 = 13 . x 2 = 89 .6 − 2.4 14 Y c=t α 2 = t14 . Eres el encargado de un departamento de producción en una fábrica y recibes un lote de 2000 piezas necesarias para la fabricación de un artículo. es posible que la diferencia de las medias poblacionales sea igual o muy próximo a cero. se tiene 2 x1 = 91 . El fabricante te asegura que.145 . podemos concluir que. en consecuencia no podemos afirmar que ha habido un descenso significativo de la calidad entre las dos semanas. el error que cometas en la estimación de la proporción poblacional de defectuosas no sea mayor que 0. encontrado 4 artículos defectuosos. n1 = 8.145 13 .05? b) Si decides tomar una muestra de 100 artículos escogidos al azar en el lote y realizas el recuento de piezas defectuosas en esta muestra. pero decides tomar una muestra para estimar la proporción de las mismas.9.4 + 8 8 8 8 es decir. con un nivel de confianza del 95%. 0. Construye para la proporción de defectuosos en el lote. S = 90 . 14. un intervalo de confianza al nivel de 95% de confianza.5. ¿Se debe rechazar el lote? SOLUCIÓN: . si estimas que la calidad de éste no es suficiente. el intervalo de confianza al nivel del 95% para la diferencia de medias es: − 2.31 ≤ µ1 − µ 2 ≤ 5. S 2 = 17 . En particular.

05 . debemos utilizar una aproximación de p. a) Para determinar el tamaño muestral necesario para estimar la proporción poblacional si queremos que el error cometido sea menor que 0. y p la proporción en la población. si consideramos la variable aleatoria P que designa el estadístico proporción muestral. p=0.5 ≈ 384 . Por lo tanto. por lo que podemos considerar que dicho tamaño es lo suficientemente grande como para que la podamos tratar como una población infinita.05 y el nivel de confianza 95%. b) en el caso de tomar una muestra de tamaño 100.5 ∗ 0 .05 y utilizando las tablas de la normal estándar z α = z 0. α = 0.0025 es decir. y/o el dinero.05 con un nivel de confianza de 100 (1 − α )% . se tiene: n ≥ 1.5. de forma similar a la anterior.96 2 ∗ 0 . es la proporción poblacional.5 ∗ 0. usando una muestra piloto o eligiendo el p más pesimista posible. y en este caso. puesto esto es precisamente lo que queremos encontrar.96 2 ∗ 0. 2) el valor más pesimista.5. viene dado por:  n ≥ z α  1−  2  p (1 − p )   error 2  2 Donde no conocemos el valor de la proporción exacta p. ˆ Para ello. p = 100 = 0. el p que conlleva la elección del tamaño muestral más grande. que nos llevará examinar cada artículo de la muestra.975 ≈ 1.96 .99 0. el valor de n que convendría usar es 73. tenemos que determinar un intervalo de confianza para la proporción poblacional.16 0. el error máximo admisible es error = 0. es decir.Observar que el tamaño de la población (el lote de piezas) es de 2000. tenemos que la distribución el siguiente estadístico: Z= p (1 − p ) n ˆ P− p . En este 2000 caso. así tenemos dos posibilidades: 1) el valor que.95 ≈ 72 . según el vendedor.0025 Por último. Por lo que se llega: 1− 2 n ≥ 1. observar que tendremos que escoger entre las dos opciones anteriores según el tiempo. p=0. en la cuál hemos encontrado 4 piezas defectuosas.

deducimos que un intervalo de confianza de nivel 100 (1 − α )% para la proporción p de la población.96 0. 460. Buscando en las tablas de la t de Student con 16 grados de libertad.04 ∗ 0. determine un intervalo de confianza para la media a un nivel de confianza del 95%. de 17 sujetos frente a una matriz de 15 estímulos fueron los siguientes: 448.35 + 2. α = 0.35 y la desviación típica 42.96 ≤ p ≤ 0.54 / 4) Operando ( 482. Los tiempos de reacción. SOLUCIÓN: Mediante los cálculos básicos obtenemos que la media muestral vale 505. por 1− 100 2 lo que el intervalo de confianza al 95% para la proporción es: 0. en mili segundos.12. 15.96 . 452.04 .002 ≤ p ≤ 0. 464.04 + 1. 534. 584. p = 4 = 0. 490.04 ∗ 0.96 100 100 es decir. 562.12 * 42. 513. 488. 505.078 y teniendo en cuenta que el fabricante nos aseguraba que la proporción de defectuosos en el lote era de 0. A partir de esto..523.975 ≈ 1.05 y z α = z 0.54 / 4 .35 . 592.04 − 1. 507. Sustituyendo estos valores en la expresión del intervalo de confianza de la media tenemos: (505. obtenemos que el valor que deja por debajo una probabilidad de 0.96 0. por lo que decidimos confiar en el fabricante y aceptamos el lote.Es aproximadamente una distribución normal estándar. concluimos que no está en contradicción con los resultados que hemos encontrado en nuestra muestra.90 ) .. 507.80 . 514.2.05. 492. 461 Suponiendo que el tiempo de reacción se distribuye Normalmente. 0. 527.12 · 42. es de la forma:  p−z α ˆ  1− 2  ˆ ˆ p(1 − p ) ˆ ˆ ≤ p≤ p+z α 1− n 2 ˆ ˆ p(1 − p )    n  Y aplicándolo a los datos del problema.54.975 es 2.

este comprendido entre los valores 23.4) 28. De esta forma.1) y sera conocida si determinamos la distribución de probabilidad de la variante Ax.1 = P (ε ≤ 2.1) = P ( 2. SOLUCIÓN: El estadístico media muestral : Ax = ∑ Xi i =1 n n .4 ) . Ax sera uan variante con distribución : N (25.55 y 28. Y por ello: P (23.16.1 − 25 2. pues. Se considera una población representada por una variante ε .1) = F( 28. Ax.4 100 V La probabilidad a obtener puede ser expresada en la forma: P (23. es tal que: E [Ax] = 25 [Ax] = 240 = 2.4 * ε + 25 ≤ 28. Ahora bien. determinar la probabilidad de que el estadistico media muestral.1) = P ( Ax ≤ 28.55 ≤ Ax ≤ 28. independientes entre si. Supuesto extraidas muestras de tamaño 100.y la varianza poblacional es igual a 240. puesto que el muestro que se considera es el aleatorio simple.1) – F (23. n=100.todas con igual distribución e igual a la distribución de probabilidad de la población. Habida cuenta el resultado obtenido en el problema 110. muestreo aleatorio simple. y habida cuenta que el tamaño muestral es suficientemente grande. procede efectuar la aproximación de la distribución de Ax mediante la distribución normal. de suerte que la media poblacional es igual a 25.1. como quiera que Ax viene definida como suma de variantes Xi.55) Al ser: F ( 28.55 ≤ Ax ≤ 28.

dicho intervalo expresado en la forma:  σ  Ix ≡  Ax ±  *λ α n  .1 − 25   = P(ε ≤ 2) = 0.97725 − 0.1) = 0.Elaborar el intervalo de confianza del 99% para la duracion media de las unidades producidas. se distribuye como una variante:  6   N  0.4 * ε + 25 ≤ 23.55) = P Ax ≤ 23. leidos en tablas. con desviación tipica igual a seis minutos.55 − 25   = P(ε ≤ −0.93) = 0.97725 P ε ≤  2.55 − 25 2.4 = 1.55) = P (ε ≤ 23. resultando.80106 17. se distribuye según la ley normal. los valores:  28.55 es por tanto: P (23.17619 P ε ≤  2.4     23. Elegidas al azar cien unidades. entonces.   100   Puesto que la distribución poblacional es normal con varianza conocida. sabemos.17619 = 0. La duracion aleatoria de las unidades producidas de un articulo.55 ≤ ε ≤ 28.6) Para determinar el intervalo de confianza nos basaremos en la distribución del estadístico media muestral Ax que. representa 3ina variante con distribución N(0. la duración aleatoria. SOLUCIÓN: Si convenimos en representar por la variante ξ.1).35 minutos.55) = P ( 2.4    Habiéndose tomado 2. dicha variante representa la población de la cual sabemos posee una distribución: N(0. resulto ser la duracion media de 14.4 ) Donde ε .F(23.

6)2.6)2.pertenece al parámetro θ. n * Ax − 0 P  σ  Leido el valor en λα resulta ser: λα = 2.dada por la muestra.575 ) Y habida cuenta la información de que disponemos. Se considera una poblacion representada por una variante ξ .6)2.99   con lo que el intervalo de confianza para el que.575) Esto es: (12.575   ≤ λ α=0.6)2.575 = 1.575. supuesto extraidas muestras de tamaño 3.al ser: Ax=14.6)2.545 18.575. sabemos que: .35 − (0.805. la duración media este comprendida entre los valores: ( 14. SOLUCIÓN: Del comportamiento en probabilidad del estadistico a x . con una probabilidad de 0. de suerte que la distribucion de probabilidad poblacional viene definida por una funcion de densidad: f (x ) = 1 para 0 ≤ 0 ≤ 4 4 f ( x) = 0 para cualquier otro valor de x Determinar la distribucion de probabilidad del estadistico media muestral.600 .99.895) Habiendo tomado: (0.15.14.35 minutos Podemos esperar que en un 99% de los casos.duracion media . es: ( Ax − (0. Ax + (0. muestreo aleatorio simple.35 + (0.

usando del teorema central del limite . determinar la distribucion del estadistico: a x − a y . de tamaño n . puesto que el tamaño muestral es 3600. V [a x ] = σ2 n E [a x ] = 2 V [a x ] = 4 10800 Veamos entonce.que se componen. resulta procedente aproximar la distribucion normal. aleatorio simple . de la primera poblacion . muestreo aleatorio simple . SOLUCIÓN: .por tanto con media y varianza finitas.xi .Por ello el estadistico a x . σ 2 ) respectivamente. todas con igual distribucion e igual a la distribucion poblacional . ax = ∑ xi 1 n ay = ∑y 1 n j m Supuesto que las muestras obtenidas de cada poblacion son independientes. Es definido: ax = ∑x 1 n i n a x . si podemos determinar la distribucion de probabilidad de a x . suficientemente grande . Se comporta como una variante normal de parametros: 2   N  2. Se consideran dos poblaciones representadas por las variantes ξ1 y ξ 2 .E [a x ] = η Y en nuestro caso: .   103. Es una variante definida como suma de variantes . al ser el numero de variantes xi . independientes en probabilidad . Extraidas muestras.De ahi que . y habida cuenta el muestreo que se considera . donde: y N (η 2 . y de tamaño m de la segunda .Tal y como a x . de suerte que las distribuciones de probabilidad de cada una de ellas son N (η1 . σ 2 ) .9  19.

x2. determinar:El valor probable del estadistico “proporcion de elementos de la muestra que poseen la caracteristica c”. se tendra: ϕa x −a y (t ) = E e ita x ⋅ E e [ ] [ − ita y ]= ϕ ax (t ) ⋅ ϕ ay (−t ) Por lo que podemos decir que: ϕ ax −ay (t ) = (e σ2 itη1 − (1 / 2 ) t 2   n      )(e −tiη 2 −(1 / 2)(t 2 )(σ 2 / m ) Funcion caracteristica que expresa que la distribucion de probabilidad de la variante a x − a y . segun que el elemento extraido posea o no la caracteristica c . muestreo aleatorio simple... muestreo aleatorio simple.Para la determinacion de la distribucion de probabilidad de la a obtener su funcion caracteristica.. Extraidas muestras de tamaño n.. por 0 a los elementos que no posean y por Π a la proporcion de elementos de la poblacion que posean dicha característica.procederemos ϕa x −a y (t ) = E [e it ( ax−ay ) ] De donde . la proporcion de elementos de muestra que poseen tal caracteristica vendra expresada entonces: ..xn). al ser lasvariantes a x y a y independientes..Supuesto extraidas muestras de tamaño n . las componentes muestrales las componentes muestrales tomaran los valores 0 ó 1 .Asi al ser por definicion: variante a x − a y .es una distribucion normal de parametros: E [ax − ay ] = η1 − η 2 V [ax − ay ] = σ2 n + 2 σ2 m 20.(x1. Se considera una poblacion tal que sus elementos son susceptibles de poseer o no una caracteristica c.x3. puesto que se supone que las muestras extraidas de la primera poblacion son independientes de las de la segunda. SOLUCIÓN: Convengamos en representar por 1 a cada elemento de la poblacion que posea la caracteristica c.

tamaño muesstral y ser π la probabilidad de extraer de la poblacion un elemento representado por uno. representara el numero aleatorio de elementos que aparecen en la muestra con la caracteristica c y por ello sera una variable aleatoria. se tendra: x 1 E [ p ] = E   = E [x ] n n Y como quiera que la variante x viene expresada como suma de variantes xi.Por elllo pues: E [ p ] = nπ De donde: E [ p ] = 1 / nE [x ] = π 21. igual a la suma de numeros 1 que hayan aparecido en la muestra.puesto que el muestreo es aleatorio simple. π ) Habida cuenta que el numero maximo de veces que puede presentarse el elemento representado por 1 es n . independientes entre si. Definido. su distribucion de probabilidad sera: β (n.la suma de ls componentes muestrales . 1) Valor probable de p Tal y como se ha establecido el estadistico p . Al ser el muestreo aleatorio . Se estudiaron 40 muestras de aceite crudo de determinado proveedor con el fin de detectar la presencia del niquel mediante una prueba que nunca da un resultado erroneo. pues el estadistico p pasemos a determinar los parametros fundamentales de su distribucion.Si en 5 de dichas muestras se observo la presencia de niquel¿podemos creer al proveedos cuando asegura que a lo sumo el 8% de las muestras contienen niquel? SOLUCIÓN: . que solo pueden tomar los valores 1ó 0.p= ∑x 1 n i n = x n Donde x es por tanto. x.

Como la prueba es positivqa en el 80% de los casos en que hay niquel pero tambien en su ausencia.Si la pruebe nunca da un resultado erroneo la variable P0 .08 Al tratarse de un contraste unilateral . que representa la proporcion de pruebas positivas al analizar 40 muestras satisface.01 Y ahora la variable P0 .645 . LLamaremos N al suceso que representa la presencia de niquel.08. si consideramos un nivel de significacion α = 0. con probabilidad igual a 0.95 = 1. satisface ∧ P0 − p ∧ ∧ ≈ N (0.049〈1.08 Frente a la alternativa H a : p〉 0.0732 ∧ .01.08 0.Llamemos p a la proporcion de muestras que contienen niquel. con la region critica a la derecha. esta corresponde a valores de la distribucion muestral superiores a z 0.645 Con lo que no podemos rechazar la hipotesis nula. que representa la proporcion muestral de pruebas positivas y no la de contenido real de niquel .1) ∧ p ⋅ (1 − p) 40 La hipotesis nula pasa a ser H 0 : p = 0.125 − 0.125 de modo que 40 0.1) Contrastamos la hipotesis nula H 0 : p = 0.0. P0 − p p(1 − p ) 40 = Z ≈ N (0.92 40 = 1.79 p + 0. la probabilidad de que una prueba resulte positiva es p = 0.05 En nuestro caso p 0 = 5 = 0.

5 Sea X el numero de valores mayores que 12.0.Frente a la alternativa Ha : p〉 0.9268 40 = 1.0732 0. Rechazar la hipotesis nula equivale X=4 o bien X = 0 Por lo tanto.5 Contra la alternativa H a : µ ≠ 12.125 − 0.¿Es sensible el contraste a una mayor o menor dispersion de la variable resistividad? SOLUCIÓN: Planteamos la hipotesis nula: H 0 : µ = 12. X es una variable B(4 .2578〈1.molibdeno es una variable N(12. La resistividad electrica de ciertas barras de aleacion de Cromo.125 .645 Llegando a la misma conclusion 22.5 .5.4. Determinar el nivel de significacion del contraste que esta llevando a cabo.5 en una muestra de extension 4. tenemos que o.1).Un investigador acaba de calibrar un aparato que mide dicha resistividad y para comprobar que lo ha hecho bien utiliza el sistema consisi tente en medir cuatro barras y aceptar qu el calibrado es bueno si encuentra al menos un valor inferior y otro superior a 12. el nivel de significacion α es: P(X=4)+P(X=0)=0.5) independientemente del valor de la varianza.0732 Considerando el mismo nivel de significacion.Si la hipotesi nula es cierta .0732 ⋅ 0.

0.4 0. utilizada como estadigrafo.5) al margen del valor de la varianza de la variable resistividad.El responsable de la maquina asegura que la varianza es σ 2 = 0.0. que es B(4. 2 χ 49. Apoyandonos en la distribucion χ 2 con 49 crados de libertad dada por 50S 2 σ2 Obtenemos para nuestros datos 50 ⋅ 0. por tanto mayor uniformidad de la variable diametro de rodamientos.4 menor que 66. para 49 grados de libertad. ¿Es compatible este resultado con la afirmacion previa? SOLUCIÓN: Planteamos la hipotesis nula: H 0 = σ 2 = 0. .Medidos 50 rodamientos se obtuvo una varianza muestral s 2 = 0.33 Conduce a aceptar la hipotesis nula.025 .025 Pues una varianza σ 2 inferior a 0.025 Frente a la alternativa H a : σ 2 〉 0. ya que supone menor dispresion y . 23.El contraste no es sensible a la dispersion de la variable resistividad pues esta dispersion no afecta a la variable X.0272 = 54.95 = 66.33 La desigualdad 54.025 no debe ser objeto de nuestra preocupacion. Los rodamientos esfericos que fabrica una maquina deben de tener un diametro uniforma para ser aptos para su uso.025 Teniendo en cuenta que.0272.

σ ) .24. de suerte que la distribucion poblacional es una distribucion N (η .. entonces.. usaremos del concepto de funcion caracteristica y trass u obtencion. V [ax ] = σ2 n Veamos . con σ conocida...ϕ xn (t / n) Como quiera que todas las variantes poseen igual distribucion e igual a la distribucion poblacional. si el conocimiento del modelo de distribucion de probabilidad poblacional permite determinar .. σ n ) Por tanto . que ya los conocemos como acabamos de ver. no solo los parametros fundamentales de la distribucion de probabilidad del estadistico ax . determonar la distribucion de probabilidad del estadistica media muestral..sino tambien su distribucion de probabilidad.... SOLUCIÓN: Sabemos que E [ax ] = η ... sera: ϕ xi (t / n) = ϕ ξ (t / n) Con lo que la funcion caracteristica resulta ser la correspondiente a una distribucion: N (µ .. Se considera una poblacion representada por la variante ξ .. muestreo aleatorio simple..e itx 1 [ n /n ] = E[e ]⋅ ..... identificaremos el modelo que corresponde a la variante ax. Para ello.Supuesto extraidas muestras de tamaño n..E[e itx1 / n itxn / n ] Por ser el muesrteo que se emple aleatorio simple De donde por. Asi por definicion: ϕ ax (t ) = E e itx / n . definicion da funcion caracteristica es: E e itxn / n = ϕ xi (t / n) Con ello: [ ] ϕ ax (t ) = ϕ x1 (t / n) ⋅ ... el estadistico media muestral se comporta como una variante normal de parametros µ y σ n .

Se considera una poblacion representada por una variante η . Se considera una poblacion representada por una variante ξ . es estimador consistente de la mediia poblacional. a x sera estimador consistente de ϑ .habida cuenta que. θ SOLUCIÓN: . al aplicar la desigualdad de tcheybycheff . 26. respectivamente. ϑ .si: a x → ϑ ⇔ P ( a x − ϑ 〉ε ) → 0 Es decir. a travae de la media muestral a x comprobar que dicho estimador es consistente(Supuesto extraidas muestras de tamaño n. del parametro poblacional. representan los parametros media y varianza poblacional.Notese que este resultado es valido cualquiera que sea el tipo de distribucion poblacional. muestreo aleatorio simple). por el metodo de los momentos. SOLUCIÓN: Por definicion .25.solo hemos hecho uso de la informacion que proporciona el valor probable y la varianza. de suerte que la distribucion de probabilidad de la poblacion viene definida por la funcion de densidad: f ( x) = 2(θ − x ) θ2 para 0 ≤ x ≤ ϑ f ( x) = 0 para cualquier otro valor Determinar el estimador.Si estimamos la media poblacional. Como del comportamiento en probabilidad de la media muestral sabemos que.siempre que no carezca de valor medio y varianza. si la media muestral converge en probabilidad a la media poblacional. habida cuenta la desigualdad de tchebucheff de donde: E [a x ] = ϑ P ( a x − ϑ 〉ε ) → 0 Por tanto. de suerte que ϑ y σ 2 . V [a x ] = σ 2 se tendra que.

vendra dado como solucion de la ecuacion: E [ξ ] = ∞ −∞ ∫ xdF ( x / θ ) = a 1 Ecuacion obtenida al igualar le momento de orden 1 de la poblacion. supuesto extraidas muestras de tamaño 100 . SOLUCIÓN: Si convenimos en representar por µ el valor medio poblacional . de suerte que la distribucion de probabilidad de la poblacion es normal. En nuestro caso. por el metodo de los momentos del parametro θ 27. por lo menos 0. con desviacion tipica igual a 10.Teniendo en cuenta que solo es uno el parametro a estimar θ . al momento de orden 1 de la muestra.2 . La diferencia : a x − η es aleatoria . el estimador por el metodo de los momentos .Determinar la probabilidad de que el estadistica media muestral supere el valor m edio poblacional en .2 . Se considera una poblacion representada por una variable ξ . y su disatribucion de probabilidad podemos obtenerla a traves de la funcion caracteristica: ϕ ax −η (t ) = E [e it ( ax −η ) ] = e − itµ ⋅ ϕ ax (t ) Donde: .Se tendra: θ ∫x 0 2(θ − x ) θ2 dx = θ / 3 Con lo que ϑ / 3 = a x Con ello: θ ∗ = 3a x Sera el estimador. el suceso cuya probabilidad vamos a obtener puede ser expresado en la forma: a x − η ≥ 0.sera: θ ∫x 0 2(θ − x ) θ2 dx = a x Determinaremos la integral anterior. por ser a x una variable aleatoria. al ser la distribuciuon poblacional de tipo continuo y teniendo en cuenta la definicion de la funcion de densidad . muestreo aleatorio simple.

420 Resulta pues: P (ax − η ≥ 0.Leida en tablas de probabilidad: P (ξ ι ≥ 0. cual sería el máximo error que podríamos cometer al tomar como media de la población el valor obtenido en la estimación puntual.   100   La probabilidad a obtener sera determinada en la forma:  10 ι  P(ax − η ≥ 0.1) .4207 28.2) = P ξ ≥ 0.2  = P (ξ ι ≥ 0.2 ) = 0. a un nivel del 90%. SOLUCIÓN: . a) Calcule a partir de estos datos el correspondiente intervalo de confianza.7 puntos y una desviación típica de 12.  10   N  0. En una muestra de 65 sujetos las puntuaciones en una escala de extroversión tienen una media de 32. con un nivel de confianza del 95%.ϕ ax (t ) = e itµ −(1 / 2 )t 2 (σ 2 / n ) Asi la funcion caracteristica: ϕ ax −η (t ) = e −1 / 2t σ 2 2 /n Expresa que la variante a x − η se comporta con arregla a la distribucion de probabilidad:  σ  N  0.2)    100  donde ξ .    n  Conocida la distribucion( a x − η ) en nuestro caso.64. b) Indique. es una variante N (0.2) = 0. para la media de la población.

Se considera una población representada por una variante ξ . En consecuencia a un nivel de confianza del 95% la media de la población puede valer 32. 32.2 = 0.7 .16 29. Ax.64 / 8 luego el máximo error que se puede cometer.el error de la estimacion producido no sea superior a 0.671 *12.Si como estimador del parametro poblacional θ se toma el estadistico media muestral.95] O bien : P [ Ax − 0. es: 3.2 + Ax = 0.95] Como quiera que el intervalo de confianza para la media poblacional obtenido en base a la distribucion del estadistico media muestral es: Ax − σ n * λ .7 ± 2 * 12.671 * 12.1.2).64 / 8 .a) Buscando en las tablas de la t de Student obtenemos que el valor que deja por debajo una probabilidad del 95% es 1.7 + 1.64 / 8 ) operando ( 30.95..975 es 2.. Ax + σ n *λ . 35.671 (aproximadamente).2 ≤ θ ≤ 0. con una probabilidad de 0. a este nivel de confianza.2. Sustituyendo los valores de esta muestra en la expresión del intervalo de confianza obtenemos: ( 32.06 .34 ) b) En las tablas de la t de Student encontramos que el valor de la variable que deja por debajo una probabilidad de 0. el terror de la estimacion vendra dado por: θ -Ax Y habida cuenta el enunciado hemos de obtener el tamaño muestral para el que: P [θ − Ax ≤ 0. SOLUCIÓN: Si la estimacion de la media poblacional θ se realiza a traves del estadistico media muestral. de suerte que la distribución de probabilidad de la población es N(0.determinar el tamaño muestral n para que.

2^ 2 teniendo en cuenta que la λ es tal que: P  n σ * Ax − θ σ  ≤ λ  = 0. o bien mirar a las tablas de la t. las estimaciones producidas por la media muestral produzcan errores no superiores a 0. .Construir el IC al 95%.2. − SOLUCIÓN: Usando la fórmula general para cuando s2 es desconocida: podemos.025 que para 89 grados de libertad es 1. En una muestra aleatoria de 90 pacientes se mide el nivel de glucosa en sangre en ayunas.2= y por lo tanto: n= σ n *λ λ ^2 * σ ^2 0.Puesto que suponemos la poblacion normal con varianza conocida. Asi pues tomando muestras de tamaño 384.Se obtiene X =132mg/dl y s2=109. o bien como n > 30 aproximar a la z y usar el valor 1.2 sera igual a: 0. 30.99.el valor de t0.16 con lo que al tener que ser el tamaño un numero entero resultara 384.96.95  Leyendo en las tablas el valor de λ = 1.0. se tendra que la cota de error .96 con ello n= 384. podemos esperar que en el 95% de los casos.

Se eligen 100 de ellos y se les suministra la vacuna.12 − 0.28) 100 32. El parámetro de una distribución de Poisson puede tomar uno de los cuatro valores siguientes: a = 4. elegiremos el valor de a tal que la probabilidad de obtener la citada muestra sea máxima.¿Es eficaz la vacuna? SOLUCIÓN: La fórmula para calcular IC para proporciones es y aproximando p y q por sus estimaciones 0.Construir un IC al 95% para la probabilidad de pasar la gripe si se esta vacunado.9 = (0. SOLUCIÓN: La muestra puede proceder de cuatro poblaciones distintas.96 0 . Para los no vacunados 0. y basándose en el principio de máxima verosimilitud.31.1 ± 1.de ellos 10 pasan la gripe. Calculamos la probabilidad para cada valor de a: a = 4: .9 = (0. Para evaluar una vacuna para la gripe se selecciona un grupo de 200 individuos de riesgo.5. 6. hay una probabilidad del 95% de que la probabilidad de pasar la gripe si se está vacunado esté comprendida entre el 4% y el 16%. 5.04 − 0. tal que x1 = 3 y x2 = 7.2 * 0 .16) 100 es decir. de acuerdo con el principio de máxima verosimilitud.2 ± 1.En los otros 100 pacientes sin vacunar la pasan 20. 4. considerando una muestra aleatoria simple de tamaño dos.96 0 .1 * 0 . según sea el valor que tome el parámetro a de la distribución de Poisson.5. Decídase cual de ellos puede ser.

5 7 ⋅ = 0.5 ⋅ 4.7 y 2.5: P (1.5 3 e −5.6 ) = ∫ 2.1549 2 a = 1: . 33. La función de densidad f(x. x ≥ 0. a) = ae-ax.6.5 3 e −4.02326 3! 7! P( X 1 = 3.5. resultando un valor comprendido entre 1.5 ⋅ 5. contiene el parámetro a. 7 1 −x / 2 e dx = e −0. 1. del cual se sabe que puede tomar uno de los tres valores siguientes: 0. X 2 = 7 ) = 2 ⋅ a = 4. X 2 = 7 ) = 2 ⋅ a = 5. 7).5 obtenemos la mayor probabilidad de extraer la muestra (3.7 ≤ X ≤ 2. SOLUCIÓN: Según el método de la máxima verosimilitud. X 2 = 7 ) = 2 ⋅ a = 6: e −5. a partir de la información suministrada por la muestra.02780 3! 7! P( X 1 = 3.5: e −4.5 ⋅ 4.P( X 1 = 3.02798 3! 7! e −6 ⋅ 6 3 e −6 ⋅ 6 7 P( X 1 = 3. elegiremos el valor de a que proporcione la mayor probabilidad de obtener la muestra.5 7 ⋅ = 0. por lo cual decidimos que el valor del parámetro a es 5. por cual de los tres valores que puede tomar el parámetro debemos optar. Se toma una muestra aleatoria de tamaño uno. Basándose en el principio de estimación de la máxima verosimilitud.5. 6 1.3 = 0. a = 0.5.85 − e −1.5 ⋅ 5.02457 3! 7! Cuando a = 5. 1. determínese.5: e −4 ⋅ 4 3 e −4 ⋅ 4 7 ⋅ = 0. X 2 = 7 ) = 2 ⋅ ⋅ = 0.

a) + 3a − 1 n ∑ ln xi 1 − a i =1 Calculamos la derivada parcial de ln L respecto a a y la igualamos a cero. 7 − e − 2.6 ) = ∫ 2. Si una variable aleatoria tiene por función de densidad f (x : a ) = 2a 1− a x 1− a 3 a −1 0 ≤ x ≤ 1...6) = ∫ e − x dx = e −1. decidimos que a = 0. 7 a = 1. resolviendo la ecuación: ∂ ln L n n 2 = + + ∂a a 1 − a (1 − a )2 ∑ ln x i =1 n i =0 . a ) = 3 a −1 2a 1− a 2a 1− a 2n a n (x1 ···x n ) 1−a x1 ··· xn = n 1− a 1− a (1 − a ) 3 a −1 3 a −1 Tomamos logaritmos neperianos: ln L = n ln2 + n ln(a) – n ln(1 . y la función de densidad es f ( x ) = 1 −x / 2 e 2 34.. SOLUCIÓN: La función de verosimilitud es: L = L(x1 .55 − e −3. x n .0578 2 Al ser a = 0..90 = 0.5. 7 3 −3 x / 2 e dx = e − 2.1084 2.5 el valor del parámetro que proporciona la mayor probabilidad. en muestras aleatorias simples de tamaño n.6 1.P(1.5: P(1. 6 = 0. a > 0 hállese el estimador del parámetro a por el método de máxima verosimilitud.6 1.7 ≤ X ≤ 2.7 ≤ X ≤ 2.

.(1 − a ) â= 2 2 ∑ ln xi = − i =1 n n . x ≥ 0. b ) = abx a −1 y b −1 . b ) = a n b n ( x1 ···xn ) n a −1 ( y1 ··· y n )b−1 ln L = n ln a + n ln b + (a − 1)∑ ln xi + (b − 1)∑ ln y i i =1 i =1 n ∂ ln L n n = + ∑ ln xi = 0 ∂a a i =1 . y n . a ) = a 2 e − a ( xi −ui ) ···a 2 e − a ( xn − yn ) = a 2 n e ∑i =1 i i n ln L = 2n ln a − a ∑ ( xi + y i ) i =1 n ∂ ln L 2n n = − ∑ ( xi + y i ) = 0 ∂a a i =1 â= 2n ∑ (x i =1 n i + yi ) = 2 x+ y b) L = L( x1 . 0 ≤ y ≤ 1 en muestras aleatorias simples de tamaño n. x n y n .. a ) = a 2 e − a ( x + y ) . 0 ≤ x ≤ 1... a(1 − a ) ∑ ln x i =1 n i = na − n 2a n n − 2∑ ln xi i =1 n 35.. y ≥ 0 b) f ( x... a... xn .. Calcúlese los estimadores máximo verosímiles de los parámetros a y b de las funciones de densidad a) f ( x. y.. y1 . a. y. SOLUCIÓN: a) (x + y ) −a L = L( xi y i ..

a ) = ae − ax . SOLUCIÓN: La función de verosimilitud es L = L( x1 . Calcúlese la distribución en el muestreo del estimador máximo verosímil del parámetro a. Dada la variable aleatoria X. ∂a a â= 2 1 = x1 + x 2 x El estimador máximo verosímil es el inverso de la media muestral. a )dx1 dx 2 = 1 − ∫ y ∫ y 0 0 2 2 − x1  2a  − 2 a / y e a 2 e − a ( x1 + x2 ) dx1 dx 2 = 1 +  y    La función de densidad es . 0 < a. en muestras aleatorias simples de tamaño 2. 0 ≤ x. a ) = ae − ax1 ae − ax2 = a 2 e − a ( x1 + x2 ) ln L = 2 ln a − a( x1 + x2 ).∂ ln L n n = + ∑ ln y i = 0 ∂b b i =1 â=− n ∑ ln x i =1 n . Función de distribución del estimador: 1    1 2 1  G ( y ) = P(â ≤ y ) = P ≤ y  = P ≤ x  = 1 − P x ≤  = 1 − P X 1 + X 2 ≤  = y    y y x        = 1− ∫y ∫ y 0 0 2 2 − x1 L( x1 . ∂ ln L 2 = − ( x1 + x 2 ) = 0. x 2 . x 2 . i b=− ^ n ∑ ln y i =1 n i 36. con función de densidad f (x.

14.025 ⇒ Z α 2 = 1.875 1018. SOLUCIÓN: Estamos ante un caso de cálculo de intervalo de confianza para la media de una población normal con varianza conocida.14] Podemos concluir entonces que hay una probabilidad del 90% de que el valor medio de la característica esté entre 1006. En una población de tamaño 64 se estudia una característica X medida sobre sus individuos de la que se sabe que su media es 1012 y su desviación típica es 25.95 ⇒ α = 0.645 25 1012 = [1006.1 ⇒ El intervalo de confianza será entonces: α 2 = 0.05 ⇒ Z α 2 = 1.86 1017.05 ⇒ El intervalo de confianza será entonces: α 2 = 0.1) lo que nos lleva al intervalo de confianza para la media siguiente: x ± Zα 2 σ n Para un coeficiente de confianza del 90% se tiene que: 1 − α = 0. En esta situación sabemos que: x−µ σ n → N (0. Hallar intervalos de confianza para el valor medio de la característica X con coeficientes de confianza del 90% y 95%.9 ⇒ α = 0. Para un coeficiente de confianza del 95% se tiene que: 1 − α = 0.86 y 1017.g ( y ) = G' ( y ) = 4a 2 − 2 a / y e .96 1012 ± 1.645 1012 ± 1.125] . y3 y≥0 37.96 25 1012 = [1005.

La varianza poblacional es desconocida.n −1 S n Para un coeficiente de confianza del 95% se tiene que: 1 − α = 0.0307 El intervalo de confianza será entonces: 22 ± 2. Suponiendo que el contenido de fruta del zumo es normal.95 ⇒ α = 0. SOLUCIÓN: Para la estimación puntual sabemos que en poblaciones normales un estimador lineal insesgado para la media poblacional es la media muestral. Para la estimación por intervalos estamos ante un caso de cálculo de intervalo de confianza para la media de una población normal con varianza desconocida.05 ⇒ α 2 = 0.84 mg por cada 100 cc de zumo.3 mg de fruta por cada 100 cc de zumo.025 ⇒ t 0. estimar el contenido medio de fruta de los zumos tanto puntualmente como por intervalos al 95% de confianza. Se observa que al aumentar el coeficiente de confianza aumenta la amplitud del intervalo de confianza.15 26.8 = 2.15 y 26. luego se puede estimar el contenido medio en fruta de los zumos en 22 mg por cada 100 cc de zumo. por lo que se ha calculado la cuasidesviación típica de la muestra que ha resultado ser 6.9−1 = t 0.125. .05 2.875 y 1018.Podemos concluir entonces que hay una probabilidad del 95% de que el valor medio de la característica esté entre 1005.84] Podemos concluir entonces que hay una probabilidad del 95% de que el valor medio del contenido en fruta del zumo esté entre 17.307 6. En esta situación sabemos que: x−µ S n → t n −1 lo que nos lleva al intervalo de confianza para la media siguiente: x ± tα 2.3 9 = [17. 38. Se analizan 9 zumos de fruta y se ha obtenido un contenido medio de fruta de 22 mg por 100 cc de zumo.025.

40.55] 100 100 Como conclusión podemos decir que hay una probabilidad del 95% entre 0. En este caso el intervalo de confianza para la proporción se basa en el siguiente estadístico: ˆ p− p → N (0.96 100 100 55 0.96 ] = [0.45 +1.45 -1.55 -1. En un proceso de fabricación de pilas alcalinas se sabe que su duración media es de 1100 horas y que dicha duración sigue una distribución normal. El resultado de la encuesta arroja que el producto A lo han elegido 55 individuos y el producto B 45. y hay una probabilidad entre 0.45 * 0.55 * 0.45 * 0. es decir el número de veces que los encuestados eligen A o B).55 +1. ya que este ˆ problema es ajustable al caso en que p = x / n es la proporción estimada del número de veces que aparece un suceso de Bernoulli (los encuestados eligen A o B exclusivamente) de entre n repeticiones de un experimento (x designa el número de veces que aparece el suceso.65 de que el producto elegido sea el A. El nuevo proceso busca reducir la dispersión de la duración de las pilas por lo que se hace necesario construir . Una firma comercial encuesta a 100 individuos para conocer sus opiniones sobre la elección de dos productos alternativos A y B recientemente fabricados. SOLUCIÓN: Estamos ante el caso del cálculo de intervalos de confianza para proporciones.35 y 0.55 * 0. para el producto A tenemos el intervalo: [ 55 0. Hallar un intervalo de confianza al 95% para la proporción de individuos que eligen cada producto.39.55 de que el producto elegido sea el B.45 y 0.65] Para el producto B tenemos el intervalo: [ 45 0.35 0.1) ˆ p (1 − p ) n lo que nos lleva al intervalo de confianza para p definido por: ˆ p − Zα 2 ˆ p (1 − p ) ˆ ≤ p ≤ p + Zα 2 n ˆ p (1 − p ) n En nuestro caso.45 100 100 0.96 ] = [0.96 100 100 45 0.

05 ⇒ X 02.26    232.88 horas.intervalos de confianza para la citada dispersión con coeficientes de confianza 90% y 98%.  37.9 El intervalo de confianza será entonces:  20 * 2240 20 * 2240    = [119.2 y 232.2  .95. . 20 = 8.6 8. y hay una probabilidad del 98% de que la dispersión de la duración de las pilas en el nuevo proceso de fabricación esté entre 109. X 02.n X 1−α 2.2] 1 − α = 0.42 .05. 01.9 ⇒ α = 0.98 ⇒ α = 0. X 02.4 10. En este casi el intervalo de confianza para la desviación típica se basa en el siguiente estadístico: ˆ nσ 2 σ 2 2 → X n −1 lo que nos lleva al intervalo de confianza para la desviación típica definido por:  nσ 2 ˆ ˆ nσ 2  . 20 = 10. para el nivel del 90% tenemos: 1 − α = 0.42 y 203.26 El intervalo de confianza será entonces:  20 * 2240 20 * 2240   = [109.4.n      En nuestro caso.1 ⇒ α 2 = 0. 2 2  X α 2.  31.01 ⇒ X 02. 20 = 37.9    Para el nivel del 95% tenemos: 203.2 horas.88] Podemos concluir entonces que hay una probabilidad del 90% de que la dispersión de la duración de las pilas en el nuevo proceso de fabricación esté entre 119. Construir dichos intervalos a partir de una muestra de tamaño 20 cuya dispersión es 2240 horas. 20 = 31. SOLUCIÓN: Estamos ante el caso del cálculo de intervalos de confianza para la desviación típica de una distribución normal con media conocida.02 ⇒ α 2 = 0.6.99.

n X 1−α 2.15 = 22. SOLUCIÓN: Estamos ante el caso del cálculo de intervalos de confianza para la varianza de una distribución normal con una media desconocida.14]. 42.   = [21.15 = 8. En este caso el intervalo de confianza para la varianza se basa en el siguiente estadístico: (n − 1)S 2 σ 2 2 → X n −1 lo que nos lleva al intervalo de confianza para la varianza definida por:  (n − 1)S 2 (n − 1)S 2  .9.55   22.2 ⇒ α 2 = 0.n    nσ 2 nσ 2 = .1 ⇒ X 02.n X 1−α 2.41. Con el objetivo de estudiar la mortalidad de los pollos en las dos explotaciones observa el número de pollos muertos tomando una muestra de 4 granjas en la explotación A y otras 4 granjas en la explotación B obteniendo los siguientes resultados: Nº de pollos muertos en las granjas de la explotación A: 16 14 13 17 Nº de pollos muertos en las granjas de la explotación B: 18 21 18 19 . Se sabe que la longitud de los diámetros de los tornillos fabricados por una máquina siguen una distribución normal y se busca un intervalo en el cual se encuentre la variabilidad de las longitudes de los tornillos fabricados por la máquina con una probabilidad del 80%. para el nivel 90% tenemos: 1 − α = 0. Construir dicho intervalo sabiendo que una muestra de 16 tornillos presenta una variabilidad cuantificada en 30. X 02.14] 8.43 56.n       En nuestro caso.43 56.8 ⇒ α = 0. Un granjero dispone de dos explotaciones diferentes A y B con varias granjas cada una para la cría de pollos.3. 2 2  X α 2.1.55 El intervalo de confianza será entonces:  16 * 30 16 * 30  . 2 2   X α 2.3 Luego el intervalos en el cual se encuentre la variabilidad de las longitudes de los tornillos fabricados por la máquina con una probabilidad del 80% es [21.

no se puede aceptar con una probabilidad del 95% que x1 − x 2 = 0 .333 2 + = [1. para todos sus valores x1 − x 2 > 0 ⇒ x1 > x 2 .333 2  +   4  4 f = − 2 ≅ 7 ⇒ tα 2. x1 = x 2 .365 2 (3.365 3. lo que indica que la mortalidad media es mayor en la granja A con una probabilidad del 95%. f para nuestro caso resultan ser:  3. en cuyo caso se puede aceptar la hipótesis de que la mortalidad media es similar en ambas granjas con una probabilidad del 95%. se trata de estudiar si la mortalidad de los pollos puede considerarse diferente en las dos explotaciones con un nivel de confianza del 95%.333 4) + (2 4)2 5 5 El intervalo de confianza será entonces: 2 15 − 19 ± 2. Por tanto. .73] Como este intervalo no contiene el valor cero.27 4 4 6. Además. Resolver el problema bajo la hipótesis adicional de varianzas iguales en las explotaciones. aceptamos la hipótesis de que las mortalidades en las dos granjas son significativamente distintas con un coeficiente de confianza del 95%. SOLUCIÓN: Para resolver este problema hallaremos un intervalo de confianza para la diferencia del número medio de pollos muertos en ambas explotaciones al 95% y comprobaremos si dicho intervalo contiene el valor cero. 025.6 = 2. Estamos entonces ante el caso del cálculo de intervalos de confianza para la diferencia de medias de dos distribuciones normales con varianzas desconocidas y en general desiguales. f = t 0.Suponiendo normalidad en las explotaciones. es decir. f 2 S12 S 2 + n1 n 2 Los valores de f y t α / 2. como los dos extremos del intervalo son positivos. En esta situación el intervalo de confianza para la diferencia de medias se basa en el siguiente estadístico: 2  S12 S 2    + n  (x1 − x2 ) − (µ1 − µ 2 )  1 n2  → t f con f = −2 2 (S12 n1 )2 + (S 22 n2 )2 S12 S 2 + n1 + 1 n2 + 1 n1 n 2 2 lo que nos lleva al intervalo de confianza para la varianza definido por: x1 − x 2 ± tα 2.

Determinar un intervalo de confianza para la proporción de muestras de dicha aleación que no contienen cadmio.333 2 + = [-6. n1 + n 2 − 2 )S p 1 1 + n1 n 2 2 El valor de S p para nuestro caso resulta ser: 2 Sp = 3. 43. pues la ausencia de esta hipótesis lleva a un resultado contrario al obtenido con su presencia.333(4 − 1) + 2(4 − 1) = 2.447 2. Es conveniente observar en este problema que la hipótesis de igualdad de varianzas en las dos poblaciones juega un papel muy importante.025.82 4 4 -1.18] Como este intervalo no contiene el valor cero. como los dos extremos del intervalo son negativos. es decir.656 3. aceptamos la hipótesis de que las mortalidades en las dos granjas son significativamente distintas con un coeficiente de confianza del 95%. SOLUCIÓN: .Si suponemos ahora que las varianzas en las dos explotaciones son iguales. n1 + n 2 − 2 El intervalo de confianza será entonces: 15 − 19 ± 2. no se puede aceptar con una probabilidad del 95% que x1 − x 2 = 0 . lo que indica que la mortalidad media es mayor en la granja B con una probabilidad del 95%. para todos sus valores x1 − x2 < 0 ⇒ x1 < x2 . Por tanto. Además. En esta situación el intervalo de confianza para la diferencia de medidas se basa en el siguiente estadístico: (x1 − x2 ) − (µ1 − µ 2 ) → t Sp 1 1 + n1 n2 n1 + n2 − 2 2 con S p = (n1 − 1)S12 + (n2 − 1)S 22 n1 + n2 − 2 lo que nos lleva al intervalo de confianza para la varianza definid por: x1 − x 2 ± tα ( 2 .447 Además.656 4+4−2 = t0.6 = 2. Al analizar 40 muestras de una aleación de bajo punto de fusión de tipo “wood” se ha detectado ausencia de cadmio en 12 de ellas. x1 = x 2 . tα 2 . estamos ante el caso del cálculo de intervalos de confianza para la diferencia de medias de dos distribuciones normales con varianzas desconocidas e iguales.

3 − p / p (1 − p ) 40 < 1. 40 0.La proporción observada es p0 = 12 = 0.7 0. La cantidad de azufre encontrado en plantas secas de mostaza sigue una distribución normal X. 44.65 1 0.3 ⋅ 0. se ha observado una muestra de extensión 9 con los siguientes resultados 0.8 0.96 Lo que equivale a (0.3. 40 A un nivel de confianza del 95% el intervalo se obtiene resolviendo la inecuación / 0.3 ± 1.3 – p)2 < (1.9 0.96)2 p(1 − p) .55. 40 0. ¿Cuál sería el tamaño mínimo de la muestra que habría de ser considerada para que el intervalo de confianza al 95% para el nivel medio de azufre tenga una longitud inferior a 0. ∧ Si aceptamos como valor de σ el valor calculado de la cuasi-desviación típica muestral S .7 estimar la varianza mediante la fracción . en el que se utiliza la proporción observada para 40 0.2 0.3 ± 0.95 0.3 ⋅ 0.1? SOLUCIÓN: Tenemos los siguientes datos muestrales .6 0.96 El resultado es 0. Efectuando los cálculos obtenemos Una alternativa es dar el intervalo 0.1580 < p < 0.1807 < p < 0.7 = 0.4543.1420 .4420.

x2. .0.3) .59.2. la longitud del intervalo de confianza para una muestra de extensión n y un nivel de confianza del 95% es 2·1.35 . Representemos mediante una terna (x1. ∑x 2 i = 4. veamos qué valor de θ hace máxima la probabilidad de que S=8.n = 9. Consideremos un grupo de cuatro amigos jugando a los chinos. 45. 2448.7055 y s2 = . el segundo estima.35 4. por máxima verosimilitud.3. ¿Cuántas debe pedir si tiene en cuenta el número de chinos esperado para los dos restantes y el hecho cierto de que él no lleva ninguna? SOLUCIÓN: Llamemos θ al número de chinos que lleva el primer jugador y que debemos estimar por máxima verosimilitud. El primero en hablar ha pedido 8.Si θ = 0.1 Obtenemos n > 93. de modo que ∑x i = 6.0541 9 9 ∧ 9 2 s = 0.9674 n .70552 = 0.2464 n = 0. que corresponde a la apuesta del primer jugador.2468 8 ∧ S2= Si aceptamos que σ = S = 0.96 0.0609 y S = 0. Resolviendo la inecuación 0.9675 x= ∧ 6. x3) las apuestas de los jugadores segundo.3. cuántas lleva el primero. el valor de S=8 equivale a T=8.2) (3.96 σ n =2·1.3) (2. tercero y cuarto y llamemos T a la suma x1+x2+x3.9675 = 0. Si S es el número total de chinos. lo que ocurre en los siguientes casos (3.9674 n < 0.

3.8 4.3) (1.2.5 3.2) (0.3.3) (3.3) (0.Si θ =1. 46. lo que ocurre en los siguientes casos (3.0) (2. y se obtiene en los siguientes casos (3. por lo tanto.3. por lo tanto. dado que cada jugador tiene 4 elecciones diferentes.1) (1.3) (1.2) Y. por lo tanto.2) (1.1) (1. La suma de chinos más probable para los dos últimos jugadores es 3.3.3 4.0.1.Si θ =3.3) (3.0. la estimación de máxima verosimilitud es θ =3.0.1.4 2.1.3 4. por lo tanto.3 4.3) (2. 4 3 64 .1) (2. el valor S=8 equivale a T=5.1 Determinar un intervalo de confianza para la varianza con nivel de confianza del 99%. = 4 3 64 Por lo tanto. SOLUCIÓN: .3) (0.1.0) (3.2.3.7 2.2) (0.1) Y.1.Si θ =2.3).1.0) (3.1 3.1) (3. lo que ocurre en los siguientes casos (3.Y.5 3.2.2) (2.2) (2. el valor S=8 equivale a T=6.3) (2.   4 .2) (2. Consecuentemente. si la pérdida de peso es aproximadamente normal.ya que cada caso tiene una = 3 64 4 1 probabilidad igual a   3. el valor S=8 equivale a T=7. el segundo jugador debe pedir 3+0+3=6.0) (2.3. con probabilidad igual a 10 10 = .2.2. La pérdida de peso de un determinado producto dietético en 16 individuos después de un mes fue (en kg): 3.6 2 2.2) (2.2.2 5 2.2 3.2.3) Y. que coincide con el valor esperado. 3 64 4 . con probabilidad igual a 3 3 .2) (1.2. con probabilidad igual a 12 12 .3.3) (3.2) (2. con probabilidad igual a 6 6 = .1) (1.3.3.3. lo que ocurre en los siguientes casos (3.1) (3.2.9 3.

en segundos: 1.2 1.2 1. 0.4+1. tenemos que S2 = 0.07664).1 = 1.60087 = 9.1.291279 .3 1.3 2.µ ~ N (0.55437 4.60087 Y un intervalo de confianza del 99% para la varianza de la pérdida de peso es σ2 ∈ (0. Así un intervalo de confianza del 90% para la media obtendrá: .5 1.4 1.4.4. tenemos que usar el estadístico Z = X .5+1. (n-1)S2 X2α/2 donde los valores X2α/2 y X21-α/2 corresponden al valor de la función de distribución Chicuadrado con n-1 grados de libertad. 47. Que nuestro caso es: X = 1. 2.005(15) = 4. Se consideran lo siguientes tiempos de reacción de un producto químico. En nuestro caso como n = 16.80149 .4 1.Un intervalo de confianza para la varianza vendrá dado por (n-1)S2 X21-α/2 . 9 Como queremos obtener un intervalo con nivel de confianza del 90%.4+ 1. necesitamos calcular la media de la muestra. tenemos que α = 0. y por tanto sustituyendo los valores en los intervalos de confianza para la varianza tenemos 15 .2+1.2 1.636958 4.01 tenemos que mirarlo en las tablas de percentiles de la distribución Chi-cuadrado con 15 grados de libertad X20. Suponer la variable normal con desviación típica poblacional conocida σ = 0.2+1.636958 32.1) σ/√n Por tanto.1 Obtener un intervalo de confianza del 90% para el tiempo de reacción.80149 . 0.60087 y X20.2+1. 9.55437 32. SOLUCIÓN: Para calcular un intervalo de confianza para media de una población normal de la que conocemos la varianza poblacional.636958.80149 Si calculamos la varianza muestral.995(15) = 32.3+2.3+1. y α = 0. 15 .

z1-α/2 . Elegidos 9 días al azar. 3. 1.025 = 1. en minutos. tenemos que z1-α/2 = z0.(X . para el tiempo medio de espera.α/2 . σ.1. El intervalo pedido será. n el tamaño y zα/2 el valor de la abscisa de una normal N(0.144.zα/2σ/ √n .2. De los datos del enunciado se desprende que es X = 3. [X .1-1.95. por tanto. 0.64 .1) que deja a la derecha un área de probabilidad α/2.6186) 48. S/√n] que para los datos del problema queda igual a .3. X + z1-α/2 . 0.5.5.4.3. que esperan los clientes de un determinado banco hasta que son atendidos sigue distribución normal de media desconocida y desviación típica igual a 3.1+1.1.959].1).α/2 .4 + 1.05/2 = z0. Los tiempos que esperaron diez clientes elegidos al azar fueron los siguientes: 1. si miramos en la tabla de la función de distribución de la N(0.146.96. La cotización del dólar frente a la peseta sigue una distribución normal de media y varianza desconocidas.96.2.4 .2.96. para la cotización media del dólar frente a la peseta.2.5.4/3 . X + tn-1. la cotización del dólar en esos días fue: 145.8. SOLUCIÓN: Se pide determinar el intervalo de confianza para la media de una población normal de varianza conocida. [3.1.146.2.144. σ/ √n .241.4/3 ) = (1.1813.5. SOLUCIÓN: El intervalo de confianza solicitado es el de la media de una población normal de varianza desconocida y muestras pequeñas. n = 10.95 = 1. σ = 3 y. de coeficiente de confianza 0. zα/2 = z0.146. Determinar un intervalo de confianza de coeficiente de confianza 0. Determinar un intervalo de confianza.5.145.5.3/√10] = [1. a partir de la tabla 3 de la distribución normal. S/√n.1.147. El tiempo. 4.3/√10.64 . Un intervalo de confianza del 90% para la media µ será: (1.145.64 es el valor normal estándar que corresponde al percentil 95.3. X + zα/2σ/ √n] siendo X la media muestral.95.53. σ/ √n ) En nuestro caso. 49. [X – tn-1. 1.

59-2.5. tipificando será − − − N .88/3.306*0.5. ) = ∏ fµ ( χ i =1 n 1.µ ) 2 } 18 i =1 La cual tiene por logaritmo neperiano Log L ( µ ) = - 1 n n log(18 π ) ∑ 2( χ1. 5. S = 0.4) χ ( µ . χ = 7. 145.2) L ( µ ) = f µ ( χ1.59.914.[145. ) = 1 (18π ) 2 n exp. en valor absoluto. b) Calcular la probabilidad de que. Se pide: a) Realizar la estimación de máxima verosimilitud de la duración media del viaje. por tanto.88 y obtenerse. . 7. 6.2. 8. { - 1 n ∑ ( χ1.3) a) Para una muestra de tamaño n de X. La estimación de máxima verosimilitud será. a partir de la tabla 5 de la t de Student el valor tn-1.44.0.4 o EII-sección 2.α/2 = t8.9 y 7. En una muestra tomada al azar de diez realizaciones del viaje en cuestión se obtuvieron los siguientes tiempos: 10.306.µ | < 1} De donde.59+2.88/3] = [144. 6.3/ 10 / 3 ).µ )= 0 2 18 i =1 ˆ La derivada de esta solución µ = χ .0.306*0.1. SOLUCIÓN: Llamando X a la variable aleatoria duración en minutos del viaje en cuestión se tiene que es X N ( µ .5.9. b) La probabilidad pedida será P {| χ . la diferencia entre media estimada la real sea menor que 1 minuto. 6.025 = 2. …. como la distribución de la medida muestral para una muestra procedente de una población normal de varianza conocida es (CB-sección 5. χ n . por tanto. La duración en minutos de un determinado viaje es una variable aleatoria con distribución normal de media desconocida y desviación típica igual a 3.. 8. 50.2 o EII-sección 2. 7.266] al ser X = 145.7. la función de verosimilitud será (CB-sección 5. el estimador de máxima verosimilitud de µ será la media muestral. . 146.1.

054. 650. 51.054} = 1 – 2. es tiempo de vida de la especie.05 y bajo la curva de densidad de la N (0.2) L ( Θ ) = f Θ ( χ1. χ n . 0.µ | < 1} = P {|Z| < − 10 / 3 }= P {|Z| < 1.054}=0.1469-0.P {|Z| ≥ 1. Para un incremento de abscisa de 0. Con objeto de estimar el parámetro Θ y. 1) y donde la ultima probabilidad se ha calculado con ayuda de interpolación: De la tabla 3 de la normal N (0. obteniéndose los siguientes tiempos de vida en días: 1456.01=0. 790.70804 Por la simetría de la densidad N (0.1446.P {|Z| ≥ 1.054} = 1 – 2.70804 En donde Z N (0. …. X.1469 y a la derecha de 1. Determinar la estimación de máxima verosimilitud del parámetro SOLUCIÓN: La variable aleatoria en estudio. P {Z ≥ 1. a la derecha de 1. 666. lo que nos dice que a la derecha de 1.054} = 1 . 1450.054} = 1 .1446.06 un área de probabilidad 0. Es decir.054} .2 o EII-sección 2.0023. 840 y 1500. Es decir. P {|Z|<1.Θ ∑Χ i =1 n i } . la ley de probabilidad que rige su tiempo de vida.1446 = 0. ) = ∏ i =1 n f Θ ( χ1.05} = 0.P {|Z| ≥ 1.P {| χ . )= Θ n exp.00092= 0. Para una muestra aleatoria simple de tamaño n de X la función de verosimilitud es (CB-sección 5.1469 y P {Z ≥ 1. 840. { . en consecuencia.habrá (mediante una regla de tres) una disminución de probabilidad de 0.1469 – 0. 900. 1).0023 x 0. que para un incremento de abscisa de 0.054}=0. El tiempo de vida de una determinada especie animal sigue una distribución exponencial Exp. ( Θ ) La cual tiene por función de densidad con X>0 y siendo Θ >0 un parámetro desconocido. 1) obtenemos que es P {Z ≥ 1. Θ. 943.004 – es decir.06}= 0.004/0. se tomo al azar una muestra aleatoria de diez animales de la especie en estudio.14598 Por tanto.14598 = 0.01 hay una disminución de probabilidad de 0.00092. 1) hay un área de probabilidad 0. 790. P {|Z| ≥ 1.

05.05.97. sus longitudes es cm fueron las siguientes: 1. 1. 1. 2.0009939. 2.95. 2.La cual tiene por logaritmo neperiano Log L ( Θ ) = n log Θ .Θ Cuya derivada respecto a Θ igualada a cero es ∑Χ i =1 n i ∂ n log L(Θ) = ∂Θ Θ ∑Χ i =1 n i =0 Obteniéndose de la ultima igualdad el estimador de máxima verosimilitud Θ= ^ n ∑ Χ i =1 1 n = 1 Χ − − De los datos se obtiene una media muestral Χ = 1006. 1.87. por lo que la estimación de máxima verosimilitud del parámetro Θ será Θ= ^ 1 = 0.02. Los saltamontes de la región africana de Asyut se caracterizan por tener una longitud media de 2cm pudiendo admitirse una distribución normal para la longitud de tales ortópteros.89. 1. del enunciado se desprende que puede admitirse para X una distribución N (2. Χ 52.1.85.85.90.00. 1. se pide: a) Determinar la estimación de máxima verosimilitud de la desviación típica poblacional σ. 2.05 Utilizando estos datos. 1. 2. 1. siendo la estimación de σ el objeto del problema .01.98. Elegida una muestra aleatoria de 20 de ellos. 1.02. 2.95. 2.01 2.97.95. b) Calcular la probabilidad de que el estimador de máxima verosimilitud de σ subestime el verdadero valor de dicho parámetro SOLUCIÓN: Si llamamos X a la longitud de los saltamontes es estudio. 1.05. σ ). 2. 1.

σ= 1 n ∑ (Χ i − 2) 2 . es decir. y en donde la ultima probabilidad se ha calculado por interpolación a partir de la tabla 4: De ella se obtiene que es P{ X 2 < 16.2. En este sentido.7.2292.a) Para determinar el estimador de máxima verosimilitud de σ comenzaremos calculando la función de verosimilitud (CB-sección 5. entonces g (T(es el estimador de máxima verosimilitud para g ( Θ ) siempre que g sea una función biyectiva.78 – 16.2) 2 .51 = 0. …. podía haberse determinado el estimador de máxima verosimilitud para la varianza poblacional σ 2 . por lo que para un aumento de 20 20 abscisas de 22.78}=0.0739 20 i =1 b) La probabilidad pedida será P {σ < σ } = ^ P{ 1 20 1 ∑ ( X i − 2) 2 < σ 2 } = P { σ 2 20 i =1 ∑(X i =1 20 i 2 − 2) 2 < 20} = P{ χ 20 < 20} = 0. P {X 2 <20} = 0. que si T es el estimador de máxima verosimilitud para Θ .4 x 3.6).27 = 3. Por tanto.73 se obtendrá un aumento de probabilidad de 0. σ= ^ 1 20 ∑ (Χ i − 2) 2 = 0. para un aumento de abscisa de 20 – 16.4.55292. Su derivada igualada a cero (ecuación de verosimilitud) será 2 n 4σ ∑i =1 ( x1 − 2) ∂ Log L ( σ )= =0 + ∂σ σ 4σ 4 n De donde se obtiene el estimador de máxima verosimilitud. {n n/2 σ (2π ) 2σ 2 ∑ (Χ i =1 n 1 .73/6.6 o EII-sección 2. n i =1 (Hacemos aquí la observación de que los estimadores de máxima verosimilitud respetan las transformaciones biyectivas.5292 Al tener ∑ 20 i =1 ( Χ i − 2) 2 / σ 2 una distribución X 2 por estar ante un caso estimación de la 20 varianza de una población normal de media conocida (CB-sección 5.3+0.2292=0.00546 = 0. A partir de los datos del enunciado obtenemos que la estimación de máxima verosimilitud será.27 = 6. χ n .2 o EII-sección 2.3 y P{ X 2 < 22.2 o EII-sección 2.2) L ( σ ) = fσ ( χ1.51 se obtiene un aumento de probabilidad de 0.mas habitual y ya determinado en CB-sección 5.27} = 0. 20 . ) = 1 1 exp. al ser la función g(x) = x una función biyectiva). ) = ∏ i =1 n fσ ( χ1.y extrayendo la raíz cuadrada obtendríamos el da la desviación típica σ .

y por la forma de dicha función de densidad. ) = Si χ1. Por tanto. χ n . 325. que L( χ1. se extrajo una muestra aleatoria simple de dicha población. por lo que será tanto mayor cuanto mayor sea φ . ) = 2 n φ 2 n (∏ x1 ) i =1 n χ1. todos los cuales fallecieron por la enfermedad en estudio. L ( φ ) vale cero. Con objeto de estimar el parámetro φ . 265. nos indica que dichos individuos contraen la enfermedad de un momento desconocido. y si algún χ1. 398. SOLUCIÓN: La función de densidad de la variable aleatoria en estudio X. o lo que es lo mismo la función de supervivencia S(x) = 1 – F(x) vale 1. La función de verosimilitud de la muestra será: L( φ ) = fσ ( χ1. el problema es que ahora φ aparece en el recorrido de la variable. } el cual se suele denotar por x (1) . En la estimación de φ habrá que tener también en cuenta. …. momento a partir del cual. El tiempo de vida en días X de los individuos de una población afectados de una nueva enfermedad es una variable aleatoria continua con función de densidad fφ ( x) = 2φ 2 x −3 si x > 0 Y fφ ( x) = 0 si x ≤ φ siendo φ > 0 un parámetro desconocido. 368. Para ello. a partir de donde. lo que quiere decir que todos los individuos están vivos). Es precisamente el inicio de las enfermedades objeto de la estimación. 615. 223. obteniéndose los siguientes tiempos de vida. 680 Determinar la estimación de la máxima verosimilitud de φ . y esto hasta que φ llegue al primer χ1. …. > φ Como siempre. por los comentarios anteriores. el valor de φ que hace máxima L ( φ ) es el mínimo de los n valores { χ1. de los 10 individuos seleccionados. tiempo de vida de os individuos de la población afectados por la enfermedad en estudio. el método de la máxima verosimilitud se basa en asignar a φ el valor que maximice la función L( φ ).2). φ . 356. en días. χ n . 650. …. ) toma un valor distinto de cero si φ < χ1. es tal que ∏ i =1 n fσ ( χ1. χ n . χ n . por tanto. utilizaremos el método de la máxima verosimilitud ( CB-sección 5. . ….2 o EII-sección 2. el recorrido de L ( φ ) La función L ( φ ) = 2 2 φ 2 n ∏ in=1 xi−3 crece al crecer φ . ( puesto que en este punto la función de distribución F(x) empieza a crecer desde cero. la probabilidad de sobrevivir va disminuyendo. es decir. 400. ≤ φ será L( φ ) = 0.53.

pero que en otras ocasiones.96 225 2 256 2 + = [-207.56 194. a partir de los 10 datos de muestra. y una muestra de 12 varones de otra población presenta una altura media de 176. se trata de analizar si con una probabilidad del 95% se puede asegurar que los varones son más altos en media que las mujeres o viceversa. en cuyo caso se puede aceptar la hipótesis de que las alturas medias son iguales con una probabilidad del 95%. En esta situación el intervalo de confianza para la diferencia de medias se basa en el siguiente estadístico: (x1 − x2 ) − (µ1 − µ 2 ) σ 12 n1 + 2 σ2 → N (0. máximo que en muchas ocasiones se podrá determinar derivando L( φ ) respecto a φ e igualando a cero dicha derivada. x1 = x 2 . deberá utilizarse otras herramientas distintas de la derivada.2 − 176. Una muestra de tamaño 10 de una población de mujeres presenta una altura media de 172 cm.La estimación de máxima verosimilitud de φ será.1) n2 lo que nos lleva al intervalo de confianza para la varianza definido por: x1 − x 2 ± Z α 2 σ 12 n1 + 2 σ2 n2 El intervalo de confianza será entonces: 170. 54. Por tanto.56] 10 12 Como este intervalo contiene el valor cero.7 ± 1. x (1) =223. SOLUCIÓN: Para resolver este problema hallaremos un intervalo de confianza para la diferencia de medias al 95% y comprobaremos si dicho intervalo contiene el valor cero. Estamos entonces ante el caso del cálculo de intervalos de confianza para la diferencia de medias de dos distribuciones normales con varianzas conocidas. es decir. se puede aceptar con una probabilidad del 95% que x1 − x 2 = 0 . aceptaremos la hipótesis de que la estatura . Este problema es un ejemplo de lo importante que es la determinación del estimador de máxima verosimilitud es calcular el valor de φ que maximiza la función L ( φ ). Sabiendo que ambas poblaciones son normales con varianzas 225 y 256 respectivamente. como pasa en general al determinar el máximo de cualquier función.7 cm.

3011.025 =3. 3. En lo relativo a la media.6 y s = 0. Para determinar el intervalo de confianza para σ 2 tenemos en cuenta que 12S 2 σ2 Es un variable x2 con 11 grados de libertad.816 2 x11.8 .995 =26.603      Efectuando los cálculos se obtiene.de los varones y las mujeres de ambas poblaciones es similar con un coeficiente de confianza del 95%. Realizadas 12 mediciones en diferentes fechas del año se observó una media de 3. determinar.6 picocurios con una desviación típica de 0.82 2   21.82 2   26.82.3681.0.1145) y (0.005 =2. al 95% y al 99%. Así el intervalo de confianza al 95% es  12 ⋅ 0. el intervalo se determina teniendo en cuenta que x−µ S / 11 .8.0. 55.3. SOLUCIÓN: Tenemos los siguientes datos muestrales N=12.2. intervalos de confianza para la radiación media y para la varianza.82 2 12 ⋅ 0. 2.82.92 y 2 x11.92 .816  Y al 99%      12 ⋅ 0. Los percentiles necesarios para la determinación de los intervalos al 95% y 99% de confianza son 2 x11.82 2 12 ⋅ 0.603 2 x11. x = 3. (0.975 =21.0998). Los responsables municipales de la salud miden la radiactividad en el agua de una fuente natural en una zona abundante en granito.0.0. respectivamente.

6 ± 0. cuando se Ρ {λ X ( n ) ≤ θ | θ } = 1 − α para todo θ >0 para lo que ha de cumplirse que . para un nivel de confianza p=1-α.201 y t11. 1-α/2 Siendo t11.. 56. Obteniéndose 3.1058 y los intervalos de confianza son.+∞) para λ conveniente. xn | θ ) = 5n ∧ ∏x i =1 n 4 i θ 5n I[ x( n ) . 0. Concretamente s 11 1-α/2 el valor del percentil 100 ·(1-α/2) para 11 grados de libertad.Es una variable t de Student con 11 grados de libertad. a) La región de confianza. 3. +θ ) (θ ) por lo que el EMV es θ = X ( n ).975=2. 0.544 3..6 ± 0. Para m. t11. +∞) estará de terminada.95 para θ ...a.1058 y 0.6 ± 2. de la forma (λΤ.201 0.s.995=3.768. de una población con funcion de densidad 5x 4 θ >0 f ( x | θ ) = 5 I (0. b) Determínese la región de confianza de grado 0.θ ]( x) con θ a) Hállese el estimador de máxima verosimilitud T. viene dado por x ± t11. SOLUCIÓN: a) La función de densidad de la muestra es f ( x1. El intervalo.82 11 y 3. de la forma obtenga el valor de λ tal que (λ X ( n ) . respectivamente. de tamaño n.82 11 .6 ± 3.

a) Calcule a partir de estos datos el correspondiente intervalo de confianza.Ρ { X (n)  y ≤ y |θ} = Ρ {X ≤ y |θ} =   θ  n 5n De donde ha de ser λ 5 n = 1 − α .a. x(1) ] (θ ) expresión que...θ } ( xi ) = 1 θn ∏ Iz ( x ) = I{ i =1 i n x( n ).. + ∞  .... x( n ) +1.2. el EMV para θ en los siguientes casos: a) f ( x | θ ) = 1 θ I{1.. luego es θ = X ( n ) b) La fusión de verosimilitud es − ∧ L(θ | x1 .2. xn ) = e ∑ xi + nθ i =1 n ∏Iθ i =1 n [ ..+∞ ) ( x) con θ ∈ SOLUCIÓN: a) La fusión de verosimilitud es L(θ | x1 ..   57. Determínese.... como función de θ . +∞ ) ( xi ) = e − ∑ xi + nθ i =1 n I ( −∞ .θ } ( x) con θ entero positivo b) f ( x | θ ) = e − x +θ I[θ . } (θ ) a medida que θ aumenta uno a uno desde x( n ) esta función disminuye.64. es decir es θ = X (1) ∧ 58. xn ) = 1 θn ∏ I{ i =1 n 1. con m..... para la media de la población. En una muestra de 65 sujetos las puntuaciones en una escala de extroversión tienen una media de 32.s de tamaño n..7 puntos y una desviación típica de 12. a un nivel del 90%. .. o lo que es lo mismo λ = (1 − α )5 n y 1   RC1−α (θ ) =  (1 − α ) 5 n X ( n ). es la máxima cuando θ es lo mayor posible.

507. 507.12 · 42. 534. Suponiendo que el tiempo de reacción se distribuye Normalmente. 514. Buscando en las tablas de la t de Student con 16 grados de libertad.90 ) 60. Obtener el E.80 . 584. Los tiempos de reacción.06.35 . 32.V. 492.671 · 12. con un nivel de confianza del 95%.7 + 1.54 / 4) Operando ( 482. 460.1. 523.34) b) En las tablas de la t de Student encontramos que el valor de la variable que deja por debajo una probabilidad de 0. del parámetro λ de una distribución de Poisson. 513. 35.12 · 42.671 · 12. 562. es: 3.671 (aproximadamente). 488..54. 527. SOLUCIÓN: Mediante los cálculos básicos obtenemos que la media muestral vale 505. en mili segundos. a este nivel de confianza.54 / 4 .975 es 2. 592.64 / 8 . En consecuencia a un nivel de confianza del 95% la media de la población puede valer 32. obtenemos que el valor que deja por debajo una probabilidad de 0..2. cual sería el máximo error que podríamos cometer al tomar como media de la población el valor obtenido en la estimación puntual. determine un intervalo de confianza para la media a un nivel de confianza del 95%. 452.64 / 8 luego el máximo error que se puede cometer. 505.7 .35 + 2. Sustituyendo los valores de esta muestra en la expresión del intervalo de confianza obtenemos: ( 32. 464. de 17 sujetos frente a una matriz de 15 estímulos fueron los siguientes: 448. 461. 490.35 y la desviación típica 42.16 59.64 / 8 ) Operando (30.12 Sustituyendo estos valores en la expresión del intervalo de confianza de la media tenemos: (505. SOLUCIÓN: a) Buscando en las tablas de la t de Student obtenemos que el valor que deja por debajo una probabilidad del 95% es 1..b) Indique. .7 2 · 12.975 es 2.M.

x1 ! x2 ! xn ! maximizar L será equivalente a minimizar el numerador de L. x2..95 σ = 0. Suponiendo que la varianza muestral coincida con la de la población.... 05 .SOLUCIÓN: Para una muestra de tamaño n tendremos que la función de verosimilitud será: L( x1 . llamémosle L’ L ' = e − nλ λ ∑ xi maximizar L’ es equivalente a maximizar su logaritmo ln L’ ln L ' = −nλ + ∑ xi ln λ d ln L ' 1 = − n + ∑ xi = 0 λ dλ lo que se cumple para λ = ∑x n i =x ˆ Por lo tanto el estimador maximo-verosimil de λ es λ = x 61..x +  con una confianza de 1 − σ nσ nσ  En este caso: 1 − σ = 0.. De una población cuya distribución se desconoce se obtiene una muestra aleatoria de 2000 valores en que la media muestral resulta ser 225 y la desviación típica muestral 10. . estimar un intervalo para la media de la población con un nivel de confianza del 95% SOLUCIÓN: Según hemos visto µ ∈ x −   σ σ  . xn / λ ) = e − λ λ x1 e − λ λ x 2 e− λ λ xn .

en centímetros. c2) se distribuye según una N (µ. De una población normal de media y desviación típica desconocida se ha obtenido una muestra de 26 elementos que tiene como media aritmética 5 y desviación típica 1.x = 225 s = 10 n = 2000 Sustituyendo µ ∈ [ 224.2.19) __ SOLUCIÓN: a) La media muestral de muestras de tamaño n procedentes de una población N (µ. En nuestro caso.25 ≤ 0.1) b) P (S2 ≤ 0.19) = P  0. __ = P (-3. 226] con el 95% de confianza 62.c2/n).19   P (S ≤ X ≤ 0. la media muestral lo hará según una ley N (10.0. Para muestras de tamaño 25. se tiene que  25 S 2 25 * 0.2 ≤ Z ≤ 1) = 0. ¿Cuál es la probabilidad de que la media poblacional sea superior a 5.1) Siendo una normal típica. calcular: a) P (9.68 ≤ X ≤ 10.68 ≤ X ≤ 10. de las piezas fabricadas por una cierta máquina se distribuye según una N (10.3? .25   2 __ Donde U se distribuye χ224 63.25).01). Por tanto. Por tanto.0. P (9.25  = P (U ≤ 19) = 0. La longitud.8406 b) El teorema de Fisher afirma que ns 2 c2 Se distribuye según una ley chi-cuadrado con n-1 grados de libertad.

114  Donde Z sigue una t de Student con 25 grados de libertad. 64.05 O bien P(-2c < Z < 2c) = 0. 1 + 2  m n      Como en este caso ambas muestras provienen de la misma población. suponiendo que µ es la media de la población. De una población normal de varianza c2 se extraen dos muestras de tamaño n.SOLUCIÓN: Sabemos que la variable X.05.1.µ Z= n S Se distribuye según una ley t de Student con n-1 grados de libertad.3  P Z < 1.475 → P(Z < 2c) = 0.25) = 0. SOLUCIÓN: La distribución de las dos medias maestrales es.P ( Z < 2c ) = 1 . para que la probabilidad de que las medias muestrales difieran en más de 2c. N (µ.2c < Z < 2c ) = 0. _ _  σ2 σ2 X − Y : N  µ1 − µ 2 .95 → P (0 < Z < 2c) = 0.  n      Y la probabilidad del suceso Z = X − Y > 2c Será _ _ P ( Z > 2c ) = 1 . la distribución de Z es: _ _  2σ 2 Z = X − Y : N  0. sea 0. y lo que se pide es _ 5 − 5.P (.975 . Hallar cuál debe ser el tamaño de ambas muestras. c2/n).2   25  = P (Z < .

salvo excepciones. Y. empleando la proporción pm de la muestra y qm = 1 pm. El error típico σp se calcula entonces.0. σp = p m * qm N Si en lugar de proporciones se toma la frecuencia absoluta el error típico de la frecuencia absoluta será: σ f = N * p pob * q pob ya que f = N * p y que σ f = N * σ p 66.20 * 0.5 | < | 1.20? SOLUCIÓN: σp = Z= p pob * q pob N = 0.1).04 Z = . Es decir. En una muestra de 100 personas de un barrio de Pamplona se ha observado una proporción de 0. n=2.5 > .8 = 0.1.18 .18 personas que leen el periódico diariamente.645 ó | 0.975   2/n c   De donde la longitud. por lo tanto.0. 65. Llamamos X 1 a la media de puntuaciones __ .5 .645 | Por consiguiente no puede rechazarse la hipótesis nula. 100 p pob * q pob N = 0. ¿Puede ser que la verdadera proporción de personas que leen el periódico en ese barrio sea 0. tendremos  2c  P(Z < 2c) = P  Y <  = P Y < 2n = 0.0. Con frecuencia ppob es desconocida y.Y pasando a una N (0. 0.04 .95 esto es. ambos al mismo grupo de 20 estudiantes. Consideramos dos conjuntos de puntuaciones en un test de intuición sociológica. también qpob es desconocida. ( ) 2 n = 1.20 = . nada se opone a aceptar que la muestra procede de tal barrio donde un 20% de personas leen el periódico diariamente.

__ __ __ SOLUCIÓN: Los datos son los siguientes: Antes del curso 18 16 18 12 20 17 18 20 22 20 10 8 20 12 16 16 18 20 18 21 Después del curso 20 22 24 10 25 19 20 21 23 20 10 12 22 14 12 20 22 24 23 17 Diferencia 2 6 6 -2 5 2 2 1 1 0 0 4 2 2 -4 4 4 4 5 -4 .obtenidas antes de que comenzase el curso y X 2 a la media obtenida después de concluir el curso. Interesa determinar si X 2 es significativamente diferente de X 1 .

la t correspondiente para N – 1 = 20 – 1 = 19 grados de libertad: t = 2.5 __ D= _ 40 =2 20 ∑ (D .863 20 2.D) _ 2 = 164 Para resolver el problema partimos de la hipótesis nula: no hay diferencia significativa entre las dos medias.54 (se trata de prueba unilateral). mientras que en el segundo grupo 8. Hallamos la razón crítica t: D t= _ σD = 2 = 3.17 y 15 horas. 1.657 4. Se pide: a) Media y desviación típica de cada grupo b) Formar el estadístico que se distribuye según una t de Student de 12 grados de libertad.54 rechazamos la hipótesis nula con 99% de probabilidades de acertar o lo que es lo mismo. sabiendo que las poblaciones tienen la misma media y desviación típica.X 1 = 16.863 = 0. buscamos en las tablas de distribución t de Student. La droga produjo en el primer grupo sueños de duración 11.044 > 2. 5. En una «reunión» una droga fue tomada por 14 personas. Cálculo de la desviación típica de las diferencias: SD = ∑ (D .12. que la media después de finalizar el curso es significativamente mayor que la media antes de comenzar el curso.9.D) N _ 2 = 164 = 2. por lo tanto. a lo más con 1% de riesgo de equivocarnos. Cálculo del error típico de la media de las diferencias: σD = SD N −1 = 2. 67.863 19 = 2.9 y 8 horas.16. A ese nivel.7.5 __ X 2 = 18. de las cuales 6 lo hacen por primera vez y 8 ya son habituales de ella.657 4 .044 0.7.13. Como la t hallada = 3.Suponemos que estamos trabajando al nivel de confianza 1%. es decir.3588 3. puede ser cero por azar.10. al nivel de confianza 1%. podemos decir que tal diferencia es significativa y. SOLUCIÓN: a) Grupo 1 .6.

14)2 6 Grupo 2 = 4.084 68.14)2 + (16 .0071 2500  p pob = 0.15 pob  pob     Establecemos la hipótesis nula. Hallamos la razón crítica Z= 0.5 b) t = x1 − x 2 n 1s 1 + n 2 s 2 2 2 _ _ * n1 + n 2 .5 * 6+8-2 1 1 + 6 8 = 6. a) ¿Puede ser cierto que llegue a votar el 85% de la población? b) Con un 99% de nivel de confianza ente qué valores estará el porcentaje de los votantes de la población. el 80% está decidida a votar en las últimas elecciones.8)2 + (10 .8)2 + (6 .7. la cual dice que puede ser cierto que vote el 85% de la población. σp = 0.85 * 8.14)2 + (17 .8)2 + (9 . de ser cierto que en la población votase el 85%.8 6 * 4. Luego.8)2 6 = 1.04| > 2.8)2 + (8 . Según una encuesta realizada sobre una muestra de 2500 personas elegidas al azar.67 + 8 * 1.67 x2 = s2 = 2 _ 8 + 7 + 9 + 10 + 6 + 7 + 9 + 8 = 8 8 (8 .85   q = 1 .2 1 1 + n1 n 2 = 14 . SOLUCIÓN: a) Se trata de una comprobación de hipótesis.8)2 + (7 . rechazamos la hipótesis nula y afirmamos con 99% de probabilidades de acertar que no llegará a votar el 85% en circunstancias normales (= circunstancias similares al momento en que se hubiera realizado el muestreo).8)2 + (7 .p = 0.14)2 + (12 .14)2 + (15 .8)2 + (9 .04 0.15 = 0. Por ello. en una muestra de 2500 personas no podía haber salido un porcentaje de 80%. .x1 = s1 = 2 _ 11 + 12 + 13 + 16 + 17 + 15 = 14 6 (11 .0071 Una Z = |7.15 = .85 * 0.33.14)2 + (13 .

80 * 50.8220 Es decir.008 2500 Luego: 0.44) = 1 − P(Y < 1.58*0.20% de la población electoral.58 σp = 0.0749 .20 = 0. Y 10.0 millones pesetas. la verdadera proporción de la población de votantes a un nivel de confianza del 99% estará entre 77.80 ± 2. SOLUCIÓN: La media y varianza de cada variable individual es: µ= (4 + 10) =7 2 (10 − 4) 2 =3 12 σ2 = Por tanto. 69.93 y 82. La renta media de los habitantes de un país se distribuye uniformemente entre 4. Calcular la probabilidad de que al seleccionar al azar a 100 personas la suma de sus rentas supere los 725 millones ptas.80 ± 2.7793 ⇒ 0.9251 = 0.b) Se trata de una prueba bilateral σp = 0.44) = 1 − 0.008 ⇒ 0. comenzamos por calcular el valor equivalente de la variable normal tipificada: Y= Luego: 725 − 700 = 1.0 millones ptas.44 17. la suma de las 100 variables se distribuye según una normal cuya media y varianza son: Media: n * µ = 100 * 7 = 700 Varianza: n * σ 2 = 100 * 3 = 300 Para calcular la probabilidad de que la suma de las rentas sea superior a 725 millones pesetas.3 P ( x > 725) = P(Y > 1.

le damos el valor 1 y tiene una probabilidad del 0. 70.10 "No salir a la pizarra". .67) = 1 − P(Y < 1.90 = 0.09 = 9 Para calcular la probabilidad de salir a la pizarra más de 15 veces.0475 Es decir. le damos el valor 0 y tiene una probabilidad del 0. calculamos el valor equivalente de la variable normal tipificada: Y= Luego: 15 − 10 = 1.10 ∗ 0.10 σ 2 = 0.49%.09 Por tanto.9 La media y la varianza de cada variable independiente es: µ = 0.67 3 P ( X > 15) = P (Y > 1. la suma de las 100 variables se distribuye según una normal cuya media y varianza son: Media: n ∗ µ = 100 ∗ 0.Es decir.10 = 10 Varianza: n ∗ σ 2 = 100 ∗ 0. la probabilidad de que la suma de las rentas de 100 personas seleccionadas al azar supere los 725 millones de pesetas es tan sólo del 7. A lo largo del año tienes 100 clases de esa asignatura.67) = 1 − 0. ¿Cuál es la probabilidad de tener que salir a la pizarra más de 15 veces? SOLUCIÓN: Salir a la pizarra es una variable independiente que sigue el modelo de distribución de Bernouilli: "Salir a la pizarra". En una asignatura del colegio la probabilidad de que te saquen a la pizarra en cada clase es del 10%.9525 = 0. la probabilidad de tener que salir más de 15 veces a la pizarra a lo largo del curso es tan sólo del 4.75%.

2 1/5 = 0. 2. una vez que se conoce la media y la desviación estándar de la distribución muestral.71. la varianza y desviación estándar poblacional µ= ∑X i n N n i = 0 + 2 + 4 + 6 + 8 20 = =4 5 5 σ2 =∑ ( X − µ ) 2 (0 − 4) 2 + (2 − 4) 2 + (4 − 4) 2 + (8 − 4) 2 40 = = =8 N 5 5 σ = 8 = 2.2 1/5 = 0. 4. 6 y 8.2 1/5 = 0.83 A continuación se calcula la gráfica de la distribución de frecuencia para la población Esta gráfica no puede considerarse acampanada o normal.2 Demostrar que es razonable aproximar la distribución muestral de por una distribución normal.2 1/5 = 0. se toman muestras de tamaño 2 con reemplazo. SOLUCIÓN: Se calcula la media poblacional. Suponga que de una población consistente en los valores 0. . X 0 2 4 6 8 Frecuencia 1 1 1 1 1 Frecuencia Relativa 1/5 = 0.

8 4 5 6 7 8 Se agrupa a las medias muéstrales en la tabla de frecuencia siguiente: X F 0 1 1 2 2 3 3 4 4 5 5 4 6 3 7 2 8 1 Y se calcula la media poblacional de medias. 0 0. 8 6. 4 6. 8 2 3 4 5 6 3 4 5 6 7 Muestra 8. 2 6. 6 4. 2 0. µx = ∑ i n f ( X ) (1 ∗ 0) + (2 ∗ 1) + (3 ∗ 2) + (4 ∗ 3) + (5 ∗ 4) + (4 ∗ 5) + (3 * 6) + (2 ∗ 7) + (1 ∗ 8) = = N 25 = 2 x 100 =4 25 1(0 − 4) 2 + 2(1 − 4) 2 + 3( 2 − 4) 2 + 4(3 − 4) 2 + 5( 4 − 4) 2 + 4(5 − 4) 2 + 3( 6 − 4) 2 + 2(7 − 4) 2 + 1(8 − 4) 2 σ = = 25 100 = =4 25 σx = 4 = 2 Gráfica de la distribución de frecuencia para la población de medias maestrales . 2 8. 6 2. 4 8. 8 2. 4 4. 0 4. 4 0. 0 6. 0 2. 6 8. 4 2. 2 4. 2 2. la varianza de la medias y desviación estándar de las medias ó error estándar de las medias. 6 0. 0 8. 8 0 1 2 3 4 1 2 3 4 5 Muestra 4. Muestra 0. 6 6.A posteriori se toman muestras de tamaño dos con reemplazo.

01 segundos? SOLUCIÓN: Dado que la muestra es grande.05 0.De la apariencia acampanada de la distribución de las medias. En un experimento de laboratorio se mide el tiempo de una reacción química. que es:    0. ¿Cuál es la probabilidad de que la media poblacional m difiera de la media muestral en menos de 0.0239 = 0. Por tanto. concluimos que es razonable aproximar la distribución muestral de por una distribución normal.98 0. 72.05 segundos.2 · 0. por el teorema del límite central podemos suponer que la distribución de la media es una normal de media m y desviación típica el error estándar.01) = P − = 0.01    < < P ( X − µ ) < 0.05  0. .98 < Z < 1. la probabilidad que nos preguntan.01) = P(−0.05     98   Se puede aproximar por la probabilidad de una distribución normal estándar Z: P (-1.01 X − µ 0. Se ha repetido el experimento 98 veces y se obtiene que la media de los 98 experimentos es de 5 segundos con una desviación de 0. una vez que se conoce la media y la desviación estándar de la distribución muestral.9522.01 < X − µ < 0.98) = 1 .98 < < 1.05   98  98 98       X −µ   = P − 1.

997. los límites de control serán 1. SOLUCIÓN: .95.0006 0.003 ni ningún dato inferior a 0. 74.Por tanto.003 cm.997. Un investigador quiere estimar la media de una población usando una muestra suficientemente grande para que la probabilidad de que la media muestral no difiera de la media poblacional en más del 25% de la desviación típica sea 0. en centímetros. Hallar el tamaño de muestra necesario. el diámetro de las balas es de 1 cm.0018 1.0022 Estableced cuáles son los límites de control y explicad qué podéis concluir sobre el proceso de producción en estos instantes.0008 1. SOLUCIÓN: Observamos que la media m = 1 y que el error estándar es: σ n = 0.003 y 0. son: 1.9522. podemos concluir que el proceso de control ha sido correcto durante el tiempo que lo hemos analizado. Por tanto. no hay ningún dato superior a 1.0012 1. Es decir. 73.0016 1. y que no hemos detectado ninguna anomalía. Se ha dispuesto que cuando el proceso está bajo control.. Observemos que absolutamente todas las medias que hemos obtenido de las sucesivas muestras están dentro del intervalo formado por los dos límites de control. con una desviación típica de 0.001 Por tanto.003 10 = 0.0012 1. la probabilidad que nos piden es de 0.0020 1. Se establece un control de calidad para un proceso de producción de balas.9992 1.9997 0. Cada hora se toman muestras de nueve balas y se miden sus diámetros. Los diámetros de media de diez muestras sucesivas.

   − 0,25σ X − µ 0,25σ    → < < P X − µ < 0,25σ = 0,95 ← P  = P − 0,25 n < YN ( 0,1) < 0,25 n = σ σ σ     n n n    = 0,95

(

)

(

)

Realizando las operaciones resulta:

2 FN ( 0,1) (0,25 n ) − 1 = 0,95 ⇔ FN ( 0,1) (0,25 n ) = 0,975 ⇔ 0,25 n = 1,96 = 62

75. Se considera una población representada por una variante ξ , de suerte que la media poblacional es igual a 25, y la varianza poblacional es igual a 240. Supuesto extraídas muestras de tamaño 100, muestreo aleatorio simple, determinar la probabilidad de que el estadístico media muestral ax, este comprendido entre los valores 23,55 y 28,1

SOLUCIÓN: El estadístico media muestral, ax:

ax =
Tenemos pues:

∑x
i =1

n

i

n

E[ax] = 25

V [a x ] =

240 = 2,4 100

La probabilidad a obtener puede ser expresada de forma:

P (23,55 ≤ a x ≤ 28,1)
Y será conocida si determinamos la distribución de probabilidad de la variante ax. Ahora bien, como quiera que ax viene definida como suma de variantes xi, independientes entre si, todas con igual distribución e igual a la distribución de probabilidad de la población, puesto que el muestreo que se considera es el aleatorio simple, y habida cuenta que el tamaño muestral es suficientemente grande, n=100, procede efectuar la aproximación de la distribución de ax, mediante la distribución normal. De esta forma, pues, ax será una variante con distribución: N (25, 2,4 ) Y con ello:

P (23,55 ≤ a x ≤ 28,1) = F (28,1) − F (23,55)
Al ser:

F (28,1) = P(a x ≤ 28,1) = P( 2,4ξ '+25 ≤ 28,1) = P(ξ ' ≤

28,1 − 25 2,4

)

F (23,55) = P(a x ≤ 23,55) = P( 2,4ξ '+25 ≤ 23,55) = P(ξ ' ≤

23,55 − 25 2,4

)

Donde ξ’ representa una variante con distribución N (0,1); leídos en tablas, los valores:

 28,1 − 25   = P(ξ ' ≤ 2) = 0,97725 P ξ ' ≤  2,4     23,55 − 25   = P(ξ ' ≤ −0,93) = 0,17619 P ξ ' ≤  2,4   
Habiéndose tomado

2,4 =1,55 es por tanto:

P (23,55 ≤ ξ ≤ 28,1) = 0,97725 − 0,17619 = 0,80106

76. Se considera una población representada por una variante ξ, de suerte que la distribución de probabilidad de la población es normal, con desviación típica igual a 10. Determinar la probabilidad de que el estadístico media muestral supere al valor medio poblacional en, por lo menos 0,2, supuesto extraídas muestras de tamaño 100, muestreo aleatorio simple.

SOLUCIÓN: Si convenimos en representar por µ el valor medio poblacional, el suceso cuya probabilidad vamos a obtener puede ser expresado en la forma:

a x , − µ ≥ 0,2

La diferencia ax - µ es aleatoria, por ser ax una variable aleatoria, y su distribución de probabilidad podemos obtenerla a través de la función característica:

ϕ ax − µ (t ) = E[e it ( a
Donde:

x −µ )

] = E[e ita x * e − itµ ] = e − itµ * E[e ita x ] = e − itµ * ϕ a x (t )

ϕ a (t ) = e − itµ −(1 / 2)t
x

2

(σ 2 / n )

La función característica seria:

ϕ a µ (t ) = e − itµ * e itµ −1 / 2t σ
x−

2

2

/n

= e −1 / 2t σ

2

2

/n

Esta expresa que la variante (ax-µ) se comporta con arreglo a la distribución de probabilidad:

 σ  N  0;    n 
Conocida la distribución de (ax-µ), en nuestro caso, N (0;

10 100

)

La probabilidad a obtener será determinada en la forma:

 10  P (a x − µ ≥ 0,2) = P ξ ' ≥ 0,2  = P(ξ ' ≥ 0,2)    100 
Donde ξ’ es una variante N (0,1).Leída en tablas, la probabilidad:

P (ξ ' ≥ 0,2) = 1 − P(ξ ' < 0,2) = 1 − 0,57926 = 0,42074
Resulta pues:

P (a x − µ ≥ 0,2) = 0,42074

77. Para calcular P X 2 ≤ X 1 es necesario determinar la distribución de X 1 − X 2 y para
2 ello es preciso decidir si las varianzas poblacionales σ 12 y σ 2 son iguales o no. Habrá que

{

}

razonar, por tanto, cual de las dos opciones es la más verosímil, a la vista de las observaciones.

SOLUCIÓN: Se sabe que:

s12 / σ 12 2 2 s2 / σ 2

tiene distribución Fn −1,m −1

Como si F es una variable aleatoria con distribución F(10,12 ) , es

P{F > 2,7534} = 0,05

y

P{F < 0,3433} = 0,05

97661 0. Ahora se trata de un caso de datos apareados.1) independientes. Por ello. Así pues. SOLUCIÓN: 2 (n − 1) S 2 / σ 2 tiene distribución χ n −1 .866} = 0.8  2. de forma que  X − X 2 − 1.si las varianzas poblacionales fuesen iguales habría probabilidad 0. aunque solamente la independencia entre ambos índices. Determinar las razones por las que es razonable utilizar el estadístico Ti / S 2 .432   P X 2 ≤ X 1 = P t15 ≥  = P{t15 ≥ −0. este apartado la evita.734    { } Como el tamaño de la muestra es suficientemente grande. siendo 2 S 2 la cuasi-varianza de la muestra Yi . a la vista de las observaciones. luego E S2 =σ 2 [ ] y V (S 2 ) = σ4 (n − 1) V ((n − 1) S 2 / σ 2 ) = 2 2σ 2 n 2 Por otro lado.Por tanto.432 − 1. ya que la independencia entre las observaciones de diferentes días resulta necesaria para obtener una muestra aleatoria simple.   − 1.755 . como ( X i − µ ) / σ es N (0.523   Obsérvese que el tamaño de la muestra es lo suficientemente grande para poder utilizar las distribuciones poblacionales de los índices.9 de obtener un cociente de cuasi varianza muestrales comprendido entre 0. por tanto. cual de las dos opciones es la más verosímil. puede utilizarse la aproximación normal.98} = 0.52    { } 2 78. para obtener P   X − X − (µ − µ )  1 2 1 2   2 s12 / n + s 2 / m > − 1. por ser suma de n cuadrados de N (0.432    = P{Z > −1. nT / σ 2 será χ n .432    P X 1 − X 2 ≥ 0 = P 1 ≥  = P{t19 > −1.969  S */ n 0. y . Puesto que razonar. En cuestiones bursátiles la independencia es una suposición de dudosa veracidad.986} = 0.1).3433 y 2.7534. Se sabe que: X 1 − X 2 − (µ 1 − µ 2 ) 2 s12 / n + s 2 / m tiene distribución t15 ya que se obtiene f = 14. .

E [T ] = σ 2

y

V (T ) =

σ4
n2

V (nT / σ 2 ) =

2σ 4 n

1 n1 T1 = ∑ ( X i − µ1 ) 2 n1 i =1
2 2 2 2 Como n1T1 / σ 12 tiene la distribución χ n1 y (n 2 − 1)S 2 / σ 2 es χ n2 −1

T1 / σ 12 2 2 S2 /σ 2

2 tendrán distribución Fn1 ,n2 −1 . Por consiguiente, T1 / σ 2 es el producto del parámetro

2 a estimar σ 12 / σ 2 por una variable con distribución Fn1 ,n2 −1

79. La efectividad en días de un determinado antibiótico, sigue una distribución normal de media 14 días y desviación típica desconocida. Fue administrada a 16 enfermos, obteniéndose una cuasi desviación típica muestral de 1,4 días. Determinar la probabilidad de que la efectividad media en la muestra no supere los 3 días, que es el tiempo mínimo de efectividad requerido. Preocupados por una posible subestimación de la varianza poblacional, que podría llevar a subestimar la probabilidad de que no se alcance la efectividad mínima, se desea determinar la probabilidad de que con una muestra de 16 enfermos se subestime la varianza en más de un 20%. Si la muestra es de 61 pacientes, esta probabilidad ¿aumenta o disminuye? Determinar el tamaño de muestra necesario para que la probabilidad anterior sea 0,05.

SOLUCIÓN: La probabilidad es P{X ≤ 13}.Como la población es normal, pero no se conoce la varianza poblacional, habrá que utilizar la distribución t de Student.

X −µ 13 − 14  P X ≤ 13 = P  ≤  = P{t15 ≤ −2,857} = 0,0063  S / n 1,4 / 16 
Donde el valor se obtiene, por simetría, en la distribución t 15 . Como (n-1) S 2 / σ 2 tiene distribución X 15 , la probabilidad de subestimación de σ 2 en más de un 20% es

{

}

2 P s 2 < 0,8σ 2 = P x15 < 12 = 0,3 , calculada a partir de las tablas por interpolación lineal.

{

} {

}

Para una muestra de 61 individuos, utilizando la aproximación de la distribución X 2 , es decir, n la probabilidad disminuye al aumentar el tamaño de la muestra. Por último, para conseguir que:

(0,05 = P{

2 n −1

< 0,8(n − 1)} ≅ P{z < 1,6(n − 1) − 2n − 1} ,

)

ha

de

ser

1,6(n − 1) − 2n − 1 = −1,645 De donde n = 117,61; con tamaño muestral 118, se obtiene la
precisión requerida.

80. Sea X 1 ,..., X n , una m.a de una población N ( µ , σ 2 ) . Supongamos que X n +1 se distribuye N ( µ , σ 2 ) y que X 1 ,..., X n +1 , son independientes. Obtener con todo detalle la distribución en el muestreo de

X n +1 − X S

n . n +1

SOLUCIÓN: En este caso se tiene que X 1 ,..., X n +1 , son n+1 v.a.i.i.d con distribución N ( µ , σ 2 ) . Por tanto, como se trata de obtener la distribución en el muestreo de

X n +1 − X S

n n +1

Vamos a analizar la distribución de los elementos que intervienen en este estadístico. Se tiene que:

X n +1 : N ( µ , σ 2 )  σ2  2  0, σ 2 +   ⇒ X n +1 − X : N  σ n  X : N (µ , )    n 
Por otra parte, se verifica que

S=

∑(X
i =1

n

1

− X )2
es tal que el estadístico del enunciado es

n −1

X n +1 − X n +1 2 σ n (n − 1) S 2 (n − 1)σ 2 = X n +1 − X S n n +1

Es decir, se trata de un cociente entre una distribución N (0,1) y la raíz cuadrada del cociente de
2 una distribución χ n −1 entre sus grados de libertado. Además son independientes ambas

distribuciones. Por tantos, se trata de una distribución t n −1 .

81. La velocidad de una molécula de una gas de función de las coordenadas (x, y, z) de la misma respecto a un sistema castesiano tridimensional, y es igual a la distancia de la molécula al origen del sistema. Las coordenadas x, y, z son variables aleatorias independientes e igualmente distribuidas, según una ley N (0, c 2 ) Si A y B son dos moléculas que se desplazan independientemente una de otra, calcular la probabilidad de que A se desplace a una velocidad igual o superior a cinco veces y media la de B.

SOLUCIÓN:
2 2 2

La velocidad v es v =

x 2 + y 2 + z 2 de donde

v2  x   y   z  =  +  +  c2  c   c   c 

Es una variable chi-cuadrado con 3 grados de libertad, ya que independientes. Lo que se pide es la probabilidad siguiente.

x y z , , son variables N (0,1) c c c

 v 2 / 3c 2  v v   P A ≥ 5,5  o lo que es igual P A ≥ 5,5 2  = P A v v    v 2 / 3c 2 ≥ 30,25    B  B    B 
donde la variable Z =  A  v 2 / 3c 2    B  es una F de Snédecor con (3,3) grados de libertad, ya que es el cociente de dos variables chicuadrado, cada una de ellas divida por sus grados de libertad. Las tablas F de Snédecor indican que la probabilidad pedida es del orden del 1%

 v 2 / 3c 2 

Ahora bien como aparece en los elementos teóricos: Función de densidad f(x) F de Snédecor k n ⋅ x ( n / m ) −1 c n ⋅ (m + nx) ( n + 2) / 2 n+m 2 K n = r n ⋅ m 2  2  n m n m cn = r   ⋅ r   2  2  La función de densidad de esta F de Snédecor es f ( x) = Y por tanto la probabilidad pedida es: ∞ 1 . Calcular P(R>S). X 2 . SOLUCIÓN:  R2  P ( R > S ) = P ( R 2 > S 2 ) = P  2 > 1 = S    2  a 2 x 2 + x2  P  2 ⋅ 12  b x + x 2 > 1 =  3 4   2  x 2 + x2 b 2  P  12  x + x3 > a 2   4  3  2 2 2 Pero x12 + x 2 + x3 + x 4 se distribuyen según leyes chi-cuadrado con dos grados de libertad.1). Sean X 1 . S = b ⋅ x3 + x 4 . b > 0 y 2 2 2 R = a ⋅ x12 + x 2 . x>0 (1 + x 2 ) b2 a ∫( 2 dx 1 = 2 1+ x  b2 1 + 2  a  )     = a2 a2 + b2 .2). X 3 y X 4 variables aleatorias independientes N (0. Sean a. por lo que su cociente es una F de Snédecor con la pareja de grados de libertad (2.82.

SOLUCIÓN: Si X tiene densidad θn Γ ( n) x n −1e −θx . ¿Cuál es la probabilidad de que la media poblacional sea superior a 5. σ ) siendo n un número natural. determinar una función X que tenga distribución χ 2 .3? SOLUCIÓN: X −µ n se distribuye según una ley t de Student con n-1 S 5 − 5.3   ⋅ 25  = P(Z < −1. De una población normal de media y desviación típica desconocida se ha obtenido una muestra de 26 elementos que tienen como media aritmética 5 y desviación típica 1. 85. Se realiza un análisis de la duración de 40 pilas alcalinas obteniéndose los siguientes resultados: Duraciones xi Frecuencias absolutas nj . la variable aleatoria Y = 2 θX tendrá por densidad θn  y    Γ(n)  2θ  n −1 e−y / 2 1 1 = n y n −1e − y / 2 2θ 2 Γ(n) para y >0. que es la densidad de una χ 2 .2   Sabemos que la variable Z = Z sigue una t de Student con 25 grados de libertad.1114 donde grados de libertad.25) = 0.83.2. 84. para x>0. y lo que se pide es P Z < 1. Si X es una variable aleatoria con distribución γ (n.

45-4.9 10.5 x − 3.7 ni 2 1 4 15 10 5 3 pi 0.95 3.95-2.7 0.0 3.95 − 3.45 2.55-2.95 2.7   0.45-3.21) = 0.45 3.212 np i 8.45 4.2573 0.95-4.45-3.45 2.0525 0.45-1.45-2.95 2.95 2 1 4 15 10 5 3 Ajustar las duraciones de las pilas alcalinas a una distribución normal con media 3.45 ≤ x ≤ 1.5 No obstante.012 0.55-1.45-4.95-4.012 0.5 .5  ≤ ≤  = P(−293 ≤ z ≤ 2.95-3.95-3.1475 0. suele ser habitual agrupar los intervalos consecutivos cuyas frecuencias teóricas son menores que 5 cm.95  1. SOLUCIÓN: Las probabilidades teóricas o esperadas p i se calcularán mediante la distribución normal mediante: P (1.45 3.45-2.5 2.95 1.1 5.7 7. en cuyo caso las letras se reducen a 4 y la tabla es la siguiente: Clases 1.3 10.5 y desviación típica 0.95 1.45 − 3.7.95 )=P  Clases 1.0874 np i 0.175 0.95 ni 7 pi 0.45 4.95-2.2573 0.95 3.1.5 1.

20 → n=5 α = 0. 05.5 i =1 4 2 2 Como tenemos que χ 0.5 Con estos datos ya podemos calcular el valor del estadístico del contraste de la chi-cuadrado.7 10.1) P( t > t α ) = 0.95 3.0920 P( t > t α ) = 0. resulta que el valor del estadístico chi- cuadrado cae fuera de la región crítica. se puede aproximar la distribución de t de Student por la N (0.2573 0.5 10. por lo tanto se acepta la hipótesis nula de que el ajuste de los datos a una normal es correcto con un nivel de significación α = 0.20 y n = 10 b) El área a la izquierda de tα es 0. 86.10 ya que α 2 = 0.05 < 7.45 3.815 y 3.262 P( t > t 'α ) = 0.5) 2 (15 − 10.262 y t α = −0. Los grados de libertad serán 4 (n = 4 y no se estima ningún parámetro). (ni − npi ) (7 − 8.3) 2 (10 − 10.5 .95-4. Calcular los valores tα correspondientes a una distribución t de Student en los siguientes casos: a) El área a la derecha de tα es 0.5) 2 = + + + = 3.40 con b) Como α 2 = 0.05 2 χ 4 = ∑ npi 8.7) 2 (8 − 10.3 10.815.40 y n = 8 c) El área a la derecha de tα es 0.80 n =8 c) Como para n = 50 no se encuentra el valor tα en las tablas.2624 10.05 .40 → t α = 0.3 =7.2.95-3. ya que n > 30.05 y n = 50 SOLUCIÓN: a) Como α 2 = 0.3 10.4 → con α = 0.45-3.95 15 10 8 0.80 → t 'α = 0.7 10.2674 0.

90 P ( t ≤ tα ) = 1. -Calculamos el error típico de la media.( 2.95 → t = 1. n 2 = 8 b) P ( F > Fα ) = 0. -Trabajemos al nivel de confianza 1%.3) = 27.8) grados de libertad.0. σ = X _ S N -1 = 6 25 = 6 = 1.( 7 . b) α = 0.67 y n1 = 7 .90 P(.01 y (2.05 F0. _ SOLUCIÓN: -Se trata de una prueba unilateral.8) = 8.20 5 .1 = 0.3) grados de libertad.01 F0.P(.65 y n1 = 2 .90 = 0. SOLUCIÓN: a) P ( F > Fα ) = 0.05 y (7.t α ≤ t ≤ t α ) = 2 P ( t ≤ t α ) . Se quiere saber si la verdadera media de la población puede ser tan alta como 44. Elegidas 26 personas al azar de una población y sometidas a un test de “modernismo” dan como media X = 40 y S = 6 . n 2 = 3 88. Calcular los valores de Fα correspondientes a una distribución F de Snédecor en los casos siguientes: a) α = 0.01.65 2 87.05.t α ≤ t ≤ t α ) = 1 .10 = 0.

48 lo cual significa que de ser cierto que la media verdadera fuese 44.2.44 = = .33 < -2.3. X y el peso después de acabar el tratamiento.Parámetro 40 .8 d − − Si suponemos que tanto X como Y siguen distribuciones normales.20 Error Donde la razón crítica t tiene una distribución t de Student Consultamos la tabla teniendo en cuenta: -Los grados de libertad: N-1 = 26 -1 = 25 -El nivel de confianza: 1% Para 25 grados de libertad y al nivel de confianza del 1%.48 × 1. El fabricante de una dieta de adelgazamiento dice que su producto permite una reducción media de peso de 3.976 < µ < 40 + t 0.48 × 1. lo que proporcionó una cuasi varianza para la diferencia de : 40 S 2 =1/39 ∑ 1 [( X i − Yi ) − ( X − Y )] 2 =1. rechazamos la hipótesis nula al nivel de confianza del 1%. Si se pregunta por la fiabilidad de la media procederemos.20 40 .02 × σ _ X _ _ _ _ X X − 2.0. Con objetivo de investigar su eficacia.024 89.2. t = -2. Luego con 99 % de probabilidades de acertar podemos decir que la media de la población no puede ser tan alta como 44 y.02 × σ _ X 40 . .976 µ  42. se seleccionaron al azar 40 personas. en consecuencia. observando en ellas el peso antes de aplicar la dieta. en general.976   37.20 < µ < X + 2. Según el ejemplo anterior.02 × σ _ < µ < X + t 0. una media tan baja como 40 no podría resultar ni en 1 % de los casos. la t obtenida = . averiguando la diferencia máxima que estaremos dispuestos a admitir entre la media de una muestra y la media de la población a un determinado nivel de confianza. al nivel de confianza del 2 %. Y.5kg.Hallamos la razón crítica t: t= Estadístico .48. determinar la probabilidad de que los individuos de la muestra haya una reducción media de masa de 3kg.33 1.976 < µ < 40 + 2. Ahora bien. X − t 0.

conocida y σ 1 desconocida.988 1. E [T ] = σ 2 y V (T ) = σ4 n2 V nT / σ 2 = ( ) 2σ 4 n .1) independientes. 90.8.5 y S 2 =1. como ( X i − µ ) / σ ( ) será X . con µ1 . la media y la varianza. por ser suma de n cuadrados de N (0. La diferencia de peso d =X-Y tiene media µ d = µ x − µ y = 3. _  d − µd 3 − 3.36} = 0.5    > P{d > 3} = P   = P {t 39 > −2. d Por tanto.8 / 40   Sd n     − después de interpolar en la tabla t de Student. Así pues. antes y después del tratamiento. de la cuasi varianza muestral S 2 y de T= 1 n ∑ ( xi − µ ) 2 n i =1 SOLUCIÓN: (n − 1)S 2 / σ 2 tiene distribución (xn−1 2 E s2 = σ 2 y V S 2 = ). σ 1 ). luego ) 2σ 2 n −1 2 n [ ] ( ) (n − 1)2 σ4 V (n − 1)S 2 / σ 2 = es N (0. Si ( x .…. x 1 n ) es una muestra aleatoria simple de una N ( µ1 . nT/ σ 2 ( Por otro lado.1). comparar las distribuciones en el muestreo.SOLUCIÓN: Como las observaciones X i e Y i se realizan en los mismos individuos. se trata de un problema de datos apareados.

05. se desea determinar la probabilidad de que con una muestra de 16 enfermos se subestime la varianza en más de un 20%. −  13 − 14  X −µ P { X ≤13}= P  ≤  = P {t 15 ≤ -2. por simetría. Fue administrada a 16 enfermos. si µ fuese desconocida. Preocupados por una posible subestimación de la varianza poblacional. que podría llevar a subestimar la probabilidad de que no se alcance la efectividad mínima. sigue una distribución normal de media 14 días y desviación típica desconocida. 2 Como (n-1) S 2 / σ 2 tiene distribución X n −1 . Cuando n crece. y la dispersión del segundo es inferior a la del primero.3 . SOLUCIÓN: La probabilidad es P {X≤13}. Si n es pequeño. en lugar de ignorarlo usando S 2 . T esta considerablemente mas concentrado alrededor de σ 2 que S 2 . habrá que utilizar la distribución t de Student. Determinar la probabilidad de que la efectividad media en la muestra no supere los 3 días.0063 S / n 1. obteniéndose una cuasi desviación típica muestral de 1.4 días. (Naturalmente. la distribución de ambos estadísticos se concentra rápidamente alrededor de σ 2 y la diferencia entre ambos se hace inapreciable.4 / 16     − Donde el valor se obtiene. de manera que conviene hacer uso. esta probabilidad ¿aumenta o disminuye? Determinar el tamaño de muestra necesario para que la probabilidad anterior sea 0. los valores de T no podrían determinarse). mediante T del conocimiento de µ . utilizando la aproximación de la distribución X 2 n . Para una muestra de 61 individuos. que es el tiempo mínimo de efectividad requerido. { } { } calculada a partir de las tablas por interpolación lineal.Como la población es normal. La efectividad en días de un determinado antibiótico.857}=0. pero no se conoce la varianza poblacional. 91.8σ 2 = P x15 < 12 = 0.Ambos estadísticos se distribuyen alrededor de la media σ 2 . la probabilidad de subestimación de σ 2 en más de un 20% es 2 P s 2 < 0. Si la muestra es de 61 pacientes. en la distribución t 15 .

8 (n − 1)} ≈ P Z < 1.33 2 × 61 .30 ( ) Z= = 0. la probabilidad disminuye al aumentar el tamaño de la muestra.11} = 0.33 2 χ 2 > 2. con tamaño muestral 118. 2 2 92.33 2 χ 2 > 117. Por último.8σ 2 = P x60 < 48 ≈ P { } { = P {Z < . para conseguir que: 2 0.1 > 2.05 = P{ χ n−1 < 0.6(n − 1) − 2n − 1 = −1.2 P s 2 < 0.05 = 15.61.30 y n = 7 χ 02.99 → z1 = 2.30 = 8.645 De donde n = 117.01 = 0.05 ( ) ) =α = 0.1.05 b) α = 0.119 }= Es decir.01 → Z = 2χ 2 - P ( Z ≤ z1 ) = 1 .119 < 96 .0.1) P ( Z > z1 ) = 0. Hallar el valor crítico de χ α de χ en los siguientes casos: a) α = 0.689 .30 c) α = 0.1335 } { 2χ 2 60 .33 + 11 = 13.1 que se distribuye según una N (0.383 2 c) Para n = 61 no figura χ α en la tabla y se calcula mediante: χ2 - 2n .507 → 2 2 b) P χ > χ 0.05 con → n =8 ( χ 02. se obtiene la precisión requerida.6 (n − 1) − 2n − 1 { } ha de ser 1.01 y y y n=8 n=7 n = 61 SOLUCIÓN: 2 2 a) P χ > χ α 2 P χ 2 > χ 0.

6] = P  <  ≅ P [Z < . Por los tres procedimientos siguientes: i) utilizando las tablas de la chi-cuadrado. ii) por la aproximación del teorema central del límite  X . Se trata de calcular: a) P [X < 20.6 .05 c) c0.773.1).599] = 0.1034 ] .6] = P U < b) i) En este caso a = 43.1124 . luego P [ X < 20.1.1).1.6 - ] [ 59 = P [Z < .χ 2 > 88.2624] = 0.844) = 0. X distribuida χ 30 .01 → χ 2 = 88.599] = 0.1.30  P [X < 20. [ 2 × 20.2135] = 0.844 P ( χ 2 > 88. iii) utilizando otra aproximación asintótica para la chi-cuadrado Deducir de lo anterior que es mejor la aproximación iii) que la ii) SOLUCIÓN: a) i) Mirando en las tablas de la chi-cuadrado con 30 grados d libertad se tiene que P [ X > 20. d) E [X] .30 20.6 ≅ P Z < 2 × 20.5 de X .a.9. entonces U = 2 X se distribuye asintóticamente N( 59 . 60   60 con Z: N(0. ii) utilizando la aproximación del teorema central del límite. luego P [X < 20.6] b) a / P [X > a ] = 0. 2 iii) La otra aproximación asintótica a la chi-cuadrado es aquel que si X : χ 30 . Sea una v.844 2 93.

05.60).5 ] = P U < [ 2c0.5  ≅ 0.5. y resulta que: 2a - 59 = 1.645 * 60 + 30 = 42. se tiene que E [X] ≅ 30 iii) En este caso E [U 2 ] = E [2X ] asintóticamente N ( 59 .5 ] ≅ P [Z < 2c0. en d).5 ⇔ c − 30   P  Z ≤ 0. los cuales responden a una prueba de inteligencia espacial. c) se observa que la aproximación asintótica de iii) es preferible ala del teorema central del límite. 1) .05 con Z : N(0.1 ) 60   De donde a = 1. b).488 c) i) En este caso c0. ] con Z : N (0. cuando se utilizan las aproximaciones asintóticas.1).5.5 ] = 0. que suele mantenerse estable en el valor verdadero de la media.5 − d) 59 = 0 ⇒ c 0. luego → E [X ] = 1 E [U 2 ] . Extraemos una m.1). 94. por darnos valores y probabilidades más cercanos a los verdaderos. donde U se distribuye 2 E [U 2 ] = V [U ] + E 2 [U ] ≅ 59 + 1 = 60. con Z : N(0. Luego se busca un 59 ] ≅ 0. y coinciden con el verdadero valor. Sin embargo.5 = 30 iii) P [X ≤ c0.ii) P [X > a ] = 0.59 ≅ 0.05 ↔  a − 30  P Z >  ≅ 0. con Z : N (0. E [X] ≅ 30 Conclusión: De los apartados a).5 i) E[X] = 30 ii) Como X se distribuye asintóticamente N(30. .336 . ii) P [X ≤ c0. Se obtiene una media muestral de 80 y una varianza . Esto sucede por tratarse de la media.59 ].5 .5 = 29. las dos aproximaciones coinciden.a. de 61 estudiantes universitarios.645 → a = 43. Por tanto.1). De donde 2c 0.s. 60   De donde c0.742 iii) P [X > a ] = P U > a / P Z > [ 2a - [ 2 a ] ≅ P [Z > 2 a .5 ≅ 29.

¿entre qué límites se hallará la verdadera puntuación media de la prueba. el intervalo correspondiente será: [ X n . 83.96 ] → p є [0. 80 + 2.99 .01 . 0.43] con confianza del 99% 95. ¿ entre qué limites se hallará la verdadera proporcion al nivel de confianza del 95%? SOLUCIÓN: vamos a calcular el intervalo de confianza con las dos expresiones. z 1− α 2 = 1.442] 40 40 .995 Como la varianza poblacional es desconocida pero el tamaño muestral es mayor que 30.7 0 . Si más de la mitad respondieran NO entonces preferiría no plantearla.3 ⋅ 0 . 1 - α 2 = 0. Para salir de dudas.7 . 1 – α = 0.66 10 60 ] µ є [76.96 0 . elige al azar 40 trabajadores a los que hace la pregunta y sólo 12 responden NO.3 +1.95 . Uno de los líderes de un colectivo laboral desea plantear una cuestión a todos los miembros del grupo. X n + t1- α (n-1) s n 2 n −1 ] Buscamos en las tablas de la distribución t de Student: t0.3 ⋅ 0 . 0. aunque la población no es normal.muestral de 100.66 2 Sabemos que X 61 = 80 y s 61 = 100. a un nivel de confianza del 99%? SOLUCIÓN: 1 – α = 0. α = 0.t1- α (n-1) s n 2 n −1 .96 y P= 12 40 Sustituyendo en los intervalos tendremos: a) [0. 1- α 2 = 0.3 – 1. Sustituyendo en el intervalo y haciendo operaciones tenemos: [ 80 – 2.995 (61 – 1) = 2.66 10 60 .975 .57 .158.

3 – 1.455] En ambos casos.95 → 1 - α 2 = 0.b) [0. z 1− α 2 = 1.10.96 7 8 1.12 Suponiendo que el numero de errores en ambas clases son normales.5. 10. se tomaron dos muestras de 7 y 8 alumnos. SOLUCIÓN: De los datos obtenemos: • • clase 1: Χ 7 = 12 clase 2: Υ8 = 10.12.36 2 s8 = 1. Con el fin de comparar el promedio de faltas de ortografía cometidas en una composición por dos clases similares de alumnos.95 →1 - α 2 = 0.5 40 + 0.84 a) 1 – α = 0. 13.16 .µ2 є [12 – 10.5 40 ] → p є [ 0.44 1.10.44 1.53 n=7 m=8 2 s7 = 2 * s 72 = 2. 0.44 b) suponiendo que las varianzas son desconocidas pero iguales.44 + . el intervalo no llega a 0.12.125 – 1.44 + ]= 7 8 b) 1– α = 0.96 0. respectivamente y se observaron los siguientes errores: Clase 1: 10.975 → t 1− α 2 (n + m – 2) = t0.61 * s8 2 = 1. 12.9 .145.3 – 1.125 * s 7 = 1.10. 13. 10. 3.658. calcular es intervalo de confianza del 95% para la diferencia de medias: a) suponiendo que las varianzas poblacionales son iguales y valen σ2 = 1.14 Clase 2. 96.33 * s8 = 1.125 + 1.96 0.975 (13) = 2.96 = [0. por lo tanto podemos aconsejar al líder que formule la pregunta. 12 – 10.96 µ1 . 8 .092] 1.975 .

acceden universidad 50 alumnos.0.95 → 1 - α 2 = 0. Establecer el intervalo de confianza del 95% para la diferencia en las proporciones de alumnos de BUP que llega a la universidad procedentes de dos sistemas escolares distintos.018.875 + . acceden universidad 90 alumnos. si sabemos que: Sistema escolar X: terminan BUP 600 alumnos.96 4.215. 3.068] Como el valor 0 pertenece al intervalo.975 → z0.84  1 1   +  . Sistema escolar Y: terminan BUP 400 alumnos. SOLUCIÓN: 1 – α = 0.125 + 600 400 98. 0.15 – 0.96 Px = 90 = 0.16 7 ⋅ 2 + 8 ⋅ 1. 97. 0.85 0. podemos concluir que la proporción de alumnos que acceden a la universidad es similar en los dos sistemas escolares. 12 – 10.15 – 0.8594 ⋅ 10 −4 ] = [.96 1.84  1 1   +  ] = [0. 0.µ1 - µ2 є [12 – 10.125 – 2.16 7 ⋅ 2 + 8 ⋅ 1.125 400 Sustituyendo en el intervalo correspondiente: Px – py є [0. podemos concluir que las medias no serán iguales con una confianza del 95%.125 + 7 +8− 2 7 8 +2.15 ⋅ 0.15 600 Py = 50 = 0. En una muestra de 19 individuos se observa que un determinado trastorno emocional se produce a partir de una edad media de 50 años y una desviación típica de 6 años.125 – 1. Se supone que estamos ante un fenómeno que sigue la ley normal.125 ⋅ 0.975 = 1.535] 7 +8− 2 7 8 Como el valor 0 no pertenece a ninguno de los dos intervalos. .

2 y X 0.4 147.57 2 ⋅ 200 199 − 2.99.39.a) fijar los limites del intervalo de confianza para la varianza con un nivel de confianza del 99% b) realizar lo mismo que en el apartado anterior pero suponiendo n = 200 SOLUCIÓN: 2 a) s19 = 36. =  = [28. α = 0. λ α = 2. p + λα 2 0 .57 2 ⋅ 200   250.02 El intervalo para p es [ p − λ α 2 0 .01. 109.5 n ] E = 0.57 σ2 є    7200 7200  .5 n 1-α = 0.995 → X 0.995 = 2.5 n .27] σ2 є   37. 48. se reduce a amplitud del intervalo. Calcular el tamaño muestral necesario para conseguir una estimacion de estas caracteristicas.26   19 ⋅ 36 19 ⋅ 36  b) como n = 200 > 100 utilizamos el intervalo de la nota: z 0.02 = 2 λ α 2 0 .75.26 . 200 ⋅ 36 Al utilizar un tamaño muestral mayor. 99. = [18.78] 199 + 2.995 (18) = 37.6   200 ⋅ 36 . En una prospección electoral se desea estimar el porcentaje de votos que obtendra el partido del gobierno con una probabilidad del 90% y un error de estimacion del ± 1%.5733 (tras interpolar) 2 . 1- α 2 2 2 = 0. SOLUCIÓN: E = ± 1% → E = 0.005 (18) = 6.2 6.

07.12.x n ) /    f 1 ( x1 . frente H1 (el error es sistemático positivo): H0: X es N (0.62....Asi que → 0. 100.. x 2 ... x n )    r x /    1 2π 1 ⋅e 1 − ⋅( x − m ) 2 2 1 − ⋅x 2 2 2π ⋅e    ≥ a =    −1   1 ⋅( x1 − m ) 2    .. x 2 .1) → f1 ( x) = 1 2π ⋅ 12 ⋅e 1 ( x−m)2 − ⋅ 2 12 = 1 2π ⋅e 1 − ⋅( x − m ) 2 2 Tenemos que plantear cual es la región crítica óptima para un m dado: r  r f1 ( x )  w = x / r ≥ a  f 0 (x)  =  x = ( x 1 .x n ) ≥ a = f 0 ( x1 . -0.8..5733 ⋅ 0.0. con un nivel de significación de 0. Debemos contrastar H0 (el error es aleatorio).. 1). x 2 .. Los errores aleatorios que se cometen en las pasadas de una cierta balanza siguen una distribución normal de media 0 y desviación típica 1mg..1. 0. 1. 0. despejando → n = 16554..  2π ⋅ e      1 2π 1 2π ⋅e 1 − ⋅( xn − m ) 2 2 ⋅e 1 2 − ⋅ xn 2       ≥ a =     .1) → f 0 ( x) = 1 2π ⋅ 12 ⋅e 1 ( x −0 ) 2 − ⋅ 2 12 = 1 2π ⋅e 1 − ⋅x2 2 H1: X es N (m. 2.4. Después de n=9 pesadas se han comprobado los errores (en mg): -0. ⋅e 2      r  2π   x/  1 2 − x 1   1  2  ... Se pide contrastar la hipótesis de que la balanza funciona correctamente frente a la alternativa de que tiene un error sistemático positivo. y 1.68223 Es decir habra que muestrar a 16555 personas.3.1.5 n .. SOLUCIÓN: Los errores aleatorios cometidos al pesar siguen una distribución normal N(0.02 = 2. 2. 0...3...

n) Por tanto: ∑x i=n n i n = y es N (0.1 Mirando las tablas: P( Y ≥ Yα ) = 0.1) n ∑x i =1 i es N (0.28 .2 Yα = 1.1) → P (Y ≥ Yα ) = 0.1 1 2 2 2 2 2      r − 2 ∑ [xi − 2 xi m + m − xi ]  r − 2 ∑ [( xi − m ) − xi ]   i =1 i =1 = x / e ≥ a = x / e ≥ a =         n n 1 2   r 1 n   r − 2 ∑ ( −2 xi m + m )  i =1 ≥ a  =  x / − ∑ (−2mxi + m 2 ) ≥ ln a  = = x / e 2 i =1       n 1   ln a + m 2 n  n  1 2 r  r  2 =  x / m∑ xi − m n ≥ ln a  =  x / ∑ xi ≥  2 m i =1    i =1      n 1 2    ln a + 2 m n    Anotación:  =b m       La región crítica óptima es: w =  x / r  ∑x i =1 n i  ≥ b  Vamos a hallar la región crítica óptima para un nivel de significación ∈= 0.1 Bajo la hipótesis H0 (bajo la cual se construye la región critica w) → X es N (0.

29 ⋅ 9 → 8.1) Debemos contrastar las siguientes hipótesis: H0: θ = 0 H1: θ = 4 Su función de densidad es: → f ( x.θ = 4  r    w = x / ≥ a = x / r  f 0 ( x. θ ) = 1 2π ⋅e 1 − ( x −θ ) 2 2 Y su función de densidad conjunta es: Aplico Neyman Pearson: → − ( xi −θ ) 2  1  r f ( x . (θ = 4) Sea X v.37 ≥ 3.Por tanto: n    r ∑ xi   i =1  ≥ 1.28 → w = x / n       r n  w =  x / ∑ xi ≥ 1. Contrastar la hipótesis H0 (θ = 0 ) frente a la alternativa H1 para una muestra de tamaño n=100 y un nivel de significación de 0.28 n  → Región crítica óptima  i =1  En nuestro caso: n=9 ∑x i =1 9 ≥ 1. N (θ .a. N (θ .05.θ ) =   ⋅e 2   2π   n 1     r   r f 1 ( x.θ = 0           1 n  − ∑ ( xi − 4 ) 2 1  2   ⋅ e i =1   2π  ≥ a = 1 n n − ∑ ( xi − 0 2 )  1  2  ⋅ e i =1   2π   n .1) .a.84 → Rechazamos H0 y se acepta H1 101. SOLUCIÓN: Sea X v.

1644 → X 100 = 0.05 P ( Y ≥ c ) =0.1644 r Para X 100 ≥ 0.1644 se rechaza H0 r .64.05 → P 1  1    10  10  10 · b = 1.05 P  1 1    n n   Anotación: 10b=c P ( Y ≥ c) =0.1) → x100 es N  0. por tanto r   x −0 b−0   100 ≥ = 10b  = 0.1 1 2 2 2 2      r − 2 ∑ [( xi − 4 ) −( xi −0 ) ]  r − 2 ∑ (xi −8 xi +16− xi )   i =1 i =1 ≥ a = x / e ≥ a = = x / e         n n n n  1 n 1 1 n        r − 2 ∑ (16−8 xi )  r − 2 (16 n −8∑ xi )    r − 2  ∑16−∑ 8 xi     i =1 ≥ a  =  x / e  i =1 i =1  ≥ a  =  x / e ≥ a = =  x / e i =1             =  x / − 8n + 4 r  ln a + 8n   r n xi ≥ ln a  =  x / ∑ xi ≥  = ∑ 4 i =1   i =1  n Si n= 100 = x / r  ∑ xi ≥ i =1 n ln a  + 200 = 4  ∑x i =1 n i ≥ ln a + 200 4 Anotación → → ln a + 200 = b 4 r P ( x100 ≥ b) = 0.05 r r x100 ≥ b X es N (0.1 Mirando las tablas: c=1.644 → b=0.    1   = Supuesto cierto H0  n Al tipificar:    r  x100 − 0 ≥ b − 0  = 0.

nos fijamos en los espacios.dim Ω = 1 El Máximo de L en . El espació paramétrico Ω queda definido por: Ω = {− ∞ p θ f +∞} El espacio paramétrico bajo la hipótesis nula es: ω = {θ 0 } De aquí sacamos varias conclusiones inmediatas: 1) .a N (θ .1644 se acepta H0 r 102. σ 0 ) donde (σ 0 ) es conocido. Contrastar la hipótesis H0 frente a la alternativa H1 (θ ≠ θ 0 ) por el test de razón de verosimilitud. (θ = θ 0 ) SOLUCIÓN: Construimos la f on de verosimilitud: θ = θ0 Una vez construida la f on de verosimilitud.dim ω = 0 2) . Sea X v.ω es con θ = θ 0 .Ω es con θ = x n La razón de verosimilitud es: → r → k r .Para X 100 〈0.

Se hace un envió de latas de conserva.r L( x .05? Hallar un intervalo de confianza para la media. 998 y 1000.841 se acepta H1 103. x n ) =  1   2π σ 0   1   2π σ 0  − 2 ⋅∑ ( xi −θ 0 )2   ⋅ e 2σ 0 i =1   n n 1 n = e − 1 2 2σ 0 ∑ [( xi −θ 0 )2 −( xi − xn )2 ] n r i =1 = − 2∑   ⋅ e 2σ 0 i =1   n 1 r ( xi − xn )2 = e − n 2 2σ 0 r ( xn −θ 0 )2 Según el Teorema de Wilks: U = −2 ln Λ es X 12 ( el 1 sale de k-r=1-0=1) U= σ0 n r (x0 − θ 0 )2 ≈ X 12 2 Suponiendo un Ε f 0 dado.05 Tenemos que hallar: 2 2 X Ε / P X 12 f X Ε = 0. 1005.841 Para una muestra x se calcula U : r U= σ0 n r ( x 0 − θ 0 )2 2 2 Y comparamos para el valor dado para X Ε : - - Si U ≤ 3. suponiendo normalidad en la población.841 se acepta H0 Si U f 3. de las que se afirma que el peso medio es de 1000gr.θ 0 ) Λ= r r L( x . ¿Puede mantenerse la hipótesis de que la media es 1000 con un nivel de significación α = 0. 992. por ejemplo: Ε = 0.05 ( ) Mirando las tablas: 2 X Ε = 3. . Examinada una muestra de 5 latas se han obtenido pesos respectivos de 995.

SOLUCIÓN: Tenemos que contrastar la hipótesis: H0: µ=1000 (hipótesis nula) H1: µ ≠1000 (hipótesis alternativa) n=5 → µ=1000 Como X es v.95 4. por lo tanto H0.6 5 5 [ ] 2 s n = s n = 19. es decir µ=1000 Para hallar el intervalo de confianza para µ: r   x −µ  P − t α p n n − 1 p tα  = 1 − α  sn   998 − µ   P − 2. N ( µ.43   El intervalo es: .903 f 2.776 ? NO.05 Mirando la tabla t de Student obtenemos: tα = 2. σ) con σ desconocida.776 p 4 p 2.6 = 4.776  = 0. usamos: r xn − µ ⋅ n − 1 es tn-1 Sn Por lo tanto necesitamos saber: r 995 + 992 + 1005 + 998 + 1000 xn = = 998 5 2 sn = 1 (995 − 998)2 + (992 − 998)2 + (1005 − 998)2 + (998 − 998)2 + (1000 − 998)2 = 98 = 19.43 P ( t 4 f tα ) = 0.43 Sustituyendo: t4 = 998 − 1000 ⋅ 4 = −0.903 4.776 ¿ − 0.a.

48. y Y=(producción en B) son dependientes. 48.………X10 a la producción en A Y=Y1. ambas líneas. Se desean comparar dos nuevas líneas de trigo.1) También podemos decir que aceptamos H0 porque 1000 ∈ I 104. a un nivel α=0.4. 54.776 ⋅ p µ p 998 + 2. 50 y 58 para la línea B. . Llamamos.X10=Y10 H1: X1≠Y1 . 48.05 Finca A B 1 57 55 2 49 48 3 60 58 4 55 56 5 57 54 6 48 48 7 50 52 8 61 56 9 52 50 10 56 58 Suponemos la población normal bivariante. 61. porque cada producción está tomada en la misma finca y depende de las características del terreno. se verifica: E(X-Y) = E(X) . y en dos parcelas distintas.43 4. 56. 55. plantando en cada una de ellas. se toman 10 fincas al azar.776 ⋅  2 2   I (991.X10≠Y10 → → H0: µa=µb (hipótesis nula) H1: µa≠µb (hipótesis alternativa) Pero en este caso las dos v. ……….05 (y suponiendo la población normal bivariante? SOLUCIÓN: n=10 α=0. X2≠Y2.a. si H0 es cierta. Ahora bien. La producción en las 10 fincas fue (en cierta unidad de medida) de 57. 50. 57. X2=Y2. 49. ………. para ello. ¿Podemos aceptar que la producción es la misma. X=(producción de A).E(Y) = µa-µb =0 y la distribución de XY será normal de media 0. 58. 52.9 p µ p 1004. X=X1. 52 y 56 para la línea A y de 55.43   I  998 − 2. 56.………Y10 a la producción en B Debemos contrastar la hipótesis: H0: X1=Y1 . 60.

Contrastar con un nivel de significación del 5% la hipótesis de que la media de la población sea 7. 2. 5. por lo tanto aceptamos H0. es decir no hay diferencia entre la producción de las dos líneas de trigo. 2.6 → sD = 2.14 Por lo tanto tenemos que: D −0 ⋅ n − 1 es tn-1 sD t1 ≈ 1− 0 ⋅3 2.14 → t9≈ 1.4 f 2. -2. 0. 3. SOLUCIÓN: . 1.05 Mirando en la tabla t de Student obtenemos: ( ) tα = 2. 105.262 → ¿1.Quedando la hipótesis: H0: E(X-Y)=0 (hipótesis nula) H1: E(X-Y)≠0 (hipótesis alternativa) Sea D=(X-Y) D=2.4 Por otro lado tenemos: P t 9 f tα = 0. De 100 observaciones de una población normal se obtiene que x = 5 y que S = 2. -1.262 ? No lo es. -2 D= 2 sD = 2 +1+ 2 −1+ 3 + 0 − 2 + 5 + 2 − 2 =1 10 1 (2−1)2 +(1−1)2 +(2−1)2 +(−1−1)2 +(3−1)2 +(0−1)2 +(−2−1)2 +(5−1)2 +(2−1)2 +(−2−1)2 10 [ ] 2 sD = 4.

1’96] rechazamos la hipótesis: Rechazamos la hipótesis de que µ = 7.05 (16 g.75 = ( n − 1) = ×4 = 0. Contrastar la hipótesis de que la estatura media nacional sea 1’75 con un nivel de significación del 5%.71m.l.) = 2’12 x = 1’71 S = 0’02 n = 17 < 30 H0: µ = 1’75 H1: µ ≠ 1’75 x − µo 1.12. Se escoge a 17 individuos al azar y se les mide. σ ] L[ x−µ S = ( n − 1) ]= t n-1 t0.H0: µ = 7 H1: µ = 7 = 1’96 α = 0’05 x=5 S=2 n = 100 >> 30 σ/ n x − µo = 5−7 = −10 2 / 10 S ≡σ = 2 Como –10 ∉ [-1’96. SOLUCIÓN: Distribución de la población L(X) = N [ µ .2.71 − 1.02 S =8 ∉ [-2. Y que la desviación típica es 0’02 metros. 106.12] Por lo tanto Rechazamos la hipótesis de que la media sea 1’75 . Resultando que su estatura media es 1.

025 = 0. así que . . Se realiza un sondeo de mercado y resulta que de 100 consumidores encuestados 40 son favorables a la innovación.5& ¿ Por qué opción se decantarán? SOLUCIÓN: a) H0: p = 0’5 H1: p < 0’5 α = 0’025 − λα / φ (−λα ) = 0. Para tomar esta decisión trabajarán con un nivel de significación del 2.107. Si es aceptable el criterio del director comercial entonces sí fabricarán el refresco con burbujas.5 2 > 1. b) Si el aceptable la hipótesis de que el % de aceptación del nuevo producto es inferior o igual al 30% el fabricante decidirá no fabricarlo. Su director comercial opina que al menos el 50% de los consumidores verá con buenos ojos la innovación.5%. con un nivel de significación del 2.5 b) H0: p = 0’3 H1: p > 0’3 α = 0’025 λα = 1.4 n = 100 >> 30 -2 < -1. a) Contrastar la hipótesis del director comercial frente a la alternativa de que el % de aceptación es inferior.96 así que rechazamos que p = 0. Un fabricante de refrescos sin burbujas desea sacar al mercado una variedad de su producto que tenga burbujas.96 así es que rechazamos que p = 0.3 Como no se aceptan ninguna de las dos hipótesis habrá que hacer otro sondeo. Y si ninguna de las 2 hipótesis es aceptable procederán a hacer otro sondeo.975.λα es negativo y su opuesto es tal que (+ λα ) = 1 –0.4 n = 100 ˆ p − po po qo / n = 0.λα = -1.96 ˆ p = 0.1 =2 0.96 ˆ p = 0.025 .

01) = 2.49.1’96] aceptamos la hipótesis de que sea visto por el 30% de la audiencia. SOLUCIÓN: S 2 x = 144 S 2 y = 49 F 24. S 2 x n x (n y − 1) 144 ∗ 25 ∗ 29 ∗ ∗ = = 2. .108.29 ( α =0. SOLUCIÓN: Ho: p = 0’3 H1: p ≠ 0’3 ˆ p = 50/200 = 0’25 n = 200 ˆ p − po po po / n = −1'5430 α = 0'05 λα / 2 = 1'96 Como -1’5430 ∈ [-1’96.95918 > 2. Una empresa de publicidad desea comprobar si un determinando programa de televisión es visto por el 30% de la audiencia. rechazamos la hipótesis de que las varianzas sean iguales. Contrastar la hipótesis con una nivel de significación del 5%. Considérese que ambas poblaciones son normales. Contrastar la hipótesis de que dos poblaciones tienen la misma dispersión con un nivel de significación del 1% y sabiendo que la desviación típica de una muestra realizada sobre la primera población era 12 con un tamaño muestral de 25 y que en una muestra sobre la segunda de tamaño 30 la desviación típica resultó ser 7.95918 S 2 y n y (n x − 1) 49 ∗ 30 ∗ 24 109. Para ello de escogen al azar 200 familias y resulta que de ellas 50 lo están viendo.49 Como 2.

706 0.861 0.975 12.883 0.356 1.860 0.567 2.703 0.688 0.101 2.100 1.145 2.179 2.718 2.321 0.134 1.110 2.694 0.071 1.341 1.866 0.889 0.920 0.365 2.063 1.131 2.821 2.365 3.066 1.415 1.898 2.717 0.841 4.088 1.947 2.306 2.906 0.90 3.160 2.330 1.386 1.746 1.995 63.925 5.190 1.602 2.697 0.873 0.106 3.861 2.816 0.686 0.921 2. y donde T tiene 1 r 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 0.657 9.689 0.080 2.518 2.333 1.831 2.700 0.688 0.695 0.201 2.262 2.85 1.539 2.833 1.363 1.323 1.879 0.156 1.687 0. P[T ≤ c] = 1 − α .943 1.083 1.015 1.355 3.093 1.337 1.328 1..499 3.681 2.764 2.734 1.397 1.376 1.761 1.074 0.977 2.650 2.765 0.711 0.447 2.95 6. donde.076 1.064 1.528 2.067 1.963 1.998 2.870 0.692 0.353 2.690 0.061 0.012 2.000 0.069 1.978 0.868 0.858 0.132 2.228 2.941 0.965 4.074 1.638 1.350 1.99 31.032 3.108 1.821 6.143 2.476 1.819 .741 0.552 2.440 1.604 4.740 1.533 1.876 0.383 1.796 1.120 2.686 0.895 1.303 3. r La tabla da áreas 1  y valores .896 0.706 4.055 3.860 1.718 0.508 0.372 1.865 0.721 1.863 0.ANEXO TABLA DE LA DISTRIBUCION tStudent c = t1−α .169 3..725 1.747 3.345 1.753 1.886 1.782 1.541 3. distribución t-Student con r grados de libertad.80 1.325 1.119 1.727 0.250 1.078 1.571 2.729 1.845 2.859 0.878 2.314 2.75 1.624 2.771 1.896 2.182 2.862 0.691 0.776 2.086 2.079 1.812 1.250 3.920 2.707 3.583 2.061 0.093 2.

617 2.779 2.854 0.046 1.473 2.711 1.701 1.703 1.842 1.683 0.858 0.060 2.056 2.671 1.674 0.500 2.684 0.685 0.479 2.057 1.310 1.684 0.797 2.23 24 25 26 27 28 29 30 40 60 120 0.706 1.485 2.704 2.457 2.658 1.059 1.848 0.763 2.021 2.855 0.000 1.296 1.683 0.314 1.311 1.660 2.303 1.467 2.060 1.697 1.316 1.807 2.677 0.058 1.036 1.685 0.851 0.064 2.679 0.058 1.787 2.699 1.980 1.856 0.326 2.289 1.390 2.462 2.069 2.960 2.684 1.854 0.055 1.681 0.708 1.048 2.041 1.771 2.750 2.423 2.319 1.042 2.492 2.318 1.684 0.056 1.315 1.045 2.855 0.714 1.282 1.683 0.845 0.052 2.856 0.645 2.857 0.358 2.050 1.576 .055 1.313 1.756 2.

Sign up to vote on this title
UsefulNot useful