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:

y por tanto: Pr X − 3S < µ < X + 3S = Pr − 3 5 < T < 3 5 = 2 Pr (T < 6.  4  Pr  ∑ X i > 300  = 1 − 0. Calcular la probabilidad de que la media µ se encuentre entre X ± 3S para poblaciones normales y n = 5.1265  i =1  5.Teniendo en cuenta que el peso de cada individuo tiene una distribución normal N(µ = 71. SOLUCIÓN: A partir del teorema de Fisher. . En particular.9974 ( ) ( ) 6. y por tanto. 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 t4.9987 − 1 = 0.8735 = 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. tenemos que los estadísticos X y S2 son independientes. 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. si consideramos S una muestra aleatoria de tamaño n = 5. Calcular un intervalo de confianza al nivel α = 0. siendo la distribución del estadístico X −µ T = n∗ una tn-1(t de Student de n -1 grados de libertad).σ = 7).1429 ) ( ) donde Z tiene una distribución normal estándar.1429 ) = 1 − Pr (Z ≤ 1. si seleccionamos una muestra aleatoria de 4 individuos.7082 ) − 1 = 2 ∗ 0. en el muestreo sobre poblaciones normales.

0. 6.632725 ) contendrá a la proporción de varones nacidos con una probabilidad del 95%.544715 + 0.0456706. 7.96 .9995 = 0. 7.7.91.975 = 1. 7.05 SOLUCIÓN: Suponiendo que las medidas del peso de las básculas sigue una distribución normal N µ . 7.78091 .05 viene dado por:  p−z α ˆ  1− 2  ˆ ˆ p(1 − p ) ˆ . σ 2 ( ) con media el peso exacto. es decir. esta determinado por:  S S  X −t  .1040.X +t α α  n −1.36.03.9096.0. el intervalo de confianza al nivel 0. 1− 123 2 (0.001 es: (6. y utilizando la tabla de la n −1 = 4. 7.p+z α 1− n 2 ˆ ˆ p(1 − p )    n  ˆ Donde n = 123. 7.2984 ) .544715 − 0.0880096.12.1− ∑ (Xi − X ) n 2 distribución t de Student t α 2 = t 9.22.1− n −1. el intervalo (0.03.1286 . 7.0880096) y por tanto. 7. X = ∑ Xi i =1 n n = 7.0. que a un nivel α = 0. S = n −1. 7.001 y desviación típica desconocida.20. p = 67 y z α = z 0. Calcular un intervalo de confianza al nivel α = 0. el intervalo de confianza al nivel α = 0.001 para el peso exacto mediante los resultados obtenidos con 10 básculas: 7.1− n n 2 2   donde n = 10.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).01.11. estamos interesados en encontrar un intervalo de confianza que contenga a la media de esta distribución. Por tanto.

1.10 .5.05 es el siguiente:   T T .44458 . 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 .05 para σ 2 mediante las desviaciones muestra 1. -2. y utilizando la tabla de la distribución χ 2 . Calcular un intervalo de confianza al nivel α = 0. -0. T = tiene χ 2 n .2.2.1763 ) = 3. 2 2       donde n = 9. 8.001 a partir de una muestra de una población N (µ .1. 0. 0.1− α n.n 2 n 2 χ α  χ n . 2. -3. 9.2.2.3) . Calcular qué tamaño muestral debemos tomar para obtener µ con una precisión de 0. un intervalo de confianza para la varianza σ 2 al nivel α = 0. (1. es decir.3 que se producen en un proceso de fabricación cuya distribución es N (0.Y representa que la media del peso estará en dicho intervalo con una probabilidad de acierto del 99.1− ∑ ( Xi − µ ) i =1 n 2 α 2 =χ 2 9 .6. -2. 0.1.9%.975 n = 2. σ ) a partir de la SOLUCIÓN: Sabiendo que el proceso de fabricación sigue una distribución normal de media conocida µ = 0 .7004 .05333 . se Es el intervalo que contendrá con un 95% de acierto las desviaciones que se producen en el proceso de fabricación.

es decir.88 ≤ n → n = 5880 2 = 34574400 0.96 3 n ≤ 0.7 3.3 5.2 7.001.96 3 n Por tanto. es error = z σ 1− α 2 n = 1. .5 5. es decir: 1. las muestras obtenidas mediante las medicaciones anteriores y posteriores a la administración del medicamento son apareadas.4 5.3 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. obteniéndose los resultados siguientes: Antes Después 7. el error que cometemos al estimar µ mediante un intervalo de confianza al nivel α = 0. Para estudiar el efecto de dicho medicamento.001 10. tenemos que calcular n tal que el error que se cometa esté acotado por esta cantidad.1 4. puesto que nos permitirá estimar la reducción o incremento de la glucemia provocada por este medicamento. 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. error ≤ 0.6 4.X + z α  1− 1− n n 2 2   es decir. σ σ  X −z α  .2 4.001 .4 6.2 5.05. si en esta estimación deseamos obtener la media con una precisión de 0. SOLUCIÓN: Suponiendo que las cantidades de glucemia siguen una distribución normal.001 ⇔ 5.1 5.3 5.9 Estimar la reducción producida por el medicamento.

(X A − X D ) + t α α  n −1. σ 2 .05. es decir: (0. entonces:  p−z α ˆ  1− 2  ˆ ˆ p(1 − p ) ˆ . es decir. t n −1.1− n n 2 2   donde n=7.975 = 2.68645 ) .17473 = t 6 . obteniéndose que de 123 enfermos 41 de ellos eran fumadores. si consideramos la proporción de fumadores en la población global.05 en el intervalo (− 0. siendo la reducción estimada 0. N µ A − µ D .4469 .486448 .1− n −1. 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 .1− α 2 de glucemia por el medicamento estará contenida a un nivel 0.6.416643) 1− 123 2 Por otra parte. Se ha hecho un estudio sobre la proporción de enfermos de cáncer de pulmón detectados en hospital que fuman. 11.En este caso. n = ˆ 123. la diferencia de ambas observaciones sigue una distribución normal de media la diferencia de ambas y desviación típica desconocida.250023. p = 0. Estudiar si dicha proporción puede considerarse igual a la proporción de fumadores en la población si ésta es de un 29%. y a partir de las observaciones realizadas.96 . es decir. observamos que esta proporción ase encuentra dentro del intervalo de confianza obtenido para un nivel 0.05.29. tenemos que p = 41 y z α = 1.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 = 0.1.0. la reducción y utilizando la tabla de la distribución t de Student. X A − X D ∑ (X = n i =1 Ai − X Di ) 2 n = 0. Obtener un intervalo de confianza para dicha proporción. 0. 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.05. viene dado por: ( )  S S   (X A − X D ) − t  .60 y S= ∑ ((X Ai − X iD ) − ( X A − X D )) n −1 = 1.

9. Por lo tanto.1− α 2 2 = χ 82.. un intervalo de confianza del 100 1 − α 2 %. se deduce que. tenemos que X ~ (valor real. + (96 . 0.acierto del 955.3.3 − 90 ) + . sabemos. Los resultados que obtenemos son: 93. 90. Así. observamos en la tabla de la distribución χ 2 que χ 2 n n . realizamos una serie de 8 mediciones del contenido de una solución de referencia que. 0.18 . y calculamos el numerador anterior: n.4.5 − 90 ) = 95 .1. estamos en el caso en que la medida poblacional es conocida e igual a 90. Sospechamos que nuestro cromatógrafo está estropeado. y tenemos que construir un intervalo de confianza para la varianza poblacional. podemos considerar que esta proporción de fumadores en los enfermos de cáncer se corresponde con la de los fumadores en la población global.. 86.6.975 ≈ 17 . σ 2 ). 91.8. para la varianza de una distribución normal con media conocida. y queremos determinar si los resultados que nos proporciona son lo suficientemente precisos.025 ≈ 2. 96. ¿Que conclusiones podemos realizar? SOLUCIÓN: Sea la variable aleatoria X que representa el valor medio del contenido.5 Construir un intervalo de confianza al nivel de 95% para la varianza poblacional. si modelizamos el error incontrolable de medición por una variable aleatoria ε normal de media 0. 2 2 ∑ (xi − µ ) i =1 = (93. Para ello. 94. 92. 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.41 2 por lo que obtenemos que el intervalo de confianza pedido es: . 12. está dado por: ( ) ∑ ( Xi − µ ) i =1 n 2 χ2 ≤σ 2 ∑ ( Xi − µ ) ≤ n i =1 2 n −1.3.53 yχ 2 α = χ 82. para un nivel de confianza del 95%. donde conocemos el valor real del contenido de la solución que es igual a 90.1− α 2 χ2 n −1. contiene 90% de un determinado compuesto. 90. α 2 En nuestro caso. y de varianza σ 2 desconocida.

44 ≤ σ 2 ≤ 43 . con varianzas desconocidas pero iguales es: .33 ≤ σ ≤ 6. Deciden tomar una muestra de la producción de cada semana. 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 . un intervalo de confianza al 100 (1 − α ) % para la diferencia entre medias de dos distribuciones normales. En este sentido.62 (es una dispersión grande). construye un intervalo de confianza para la diferencia de medias al nivel de 95%. Además. En el departamento de control de calidad de una empresa. Así. si la calidad cada artículo se mide en una escala de 100. y X 2 para la segunda. de donde deducimos que la precisión del cromatógrafo es insuficiente.5. introducimos las dos variables X 1 que mide la puntuación de calidad de un artículo de la primera semana. X 1 y X 2 se asumen normales e independientes. 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. n1 + n 2 − 2 el cuál sigue una distribución t n1 + n2 − 2 de Student de n1 + n 2 − 2 grados de libertad. Interpreta los resultados obtenidos.77 Esto representa que el intervalo para la dispersión es 2. la primera corresponde a la producción de la primera semana mientras que la segunda corresponde a la de la segunda semana. 13. 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. SOLUCIÓN: En primer lugar. en el caso en el que las varianzas en las dos poblaciones son desconocidas pero iguales. observamos que se disponen de dos poblaciones.

pero decides tomar una muestra para estimar la proporción de las mismas. 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. con los datos de la muestra. encontrado 4 artículos defectuosos.8 .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 .145 13 . para los datos de este problema.975 ≈ 2. Construye para la proporción de defectuosos en el lote.6 + 2.1− . se tiene 2 x1 = 91 . por lo que: 2 1 2 Sp = (n1 − 1)S12 + (n 2 − 1)S 22 n1 + n 2 − 2 n1 + n 2 − 2 . ¿Se debe rechazar el lote? SOLUCIÓN: . 0. en consecuencia no podemos afirmar que ha habido un descenso significativo de la calidad entre las dos semanas. S = 90 . n1 = 8. S 2 = 17 . con un nivel de confianza del 95%. n 2 = 8.56 Por último. el error que cometas en la estimación de la proporción poblacional de defectuosas no sea mayor que 0. podemos concluir que. en este lote. obteniendo el intervalo de confianza: 1.1− = 7 * 9. si estimas que la calidad de éste no es suficiente.1. no hay más de 100 piezas defectuosas.5. 14. un intervalo de confianza al nivel de 95% de confianza.9.8 = 13 .145 13 .4 + 8 8 8 8 es decir.1 + 7 * 17 . es posible que la diferencia de las medias poblacionales sea igual o muy próximo a cero.4 14 Y c=t α 2 = t14 . el intervalo de confianza al nivel del 95% para la diferencia de medias es: − 2. a) ¿Cuántas piezas decides examinar para que. x 2 = 89 .145 . En particular. El fabricante te asegura que. Tienes la responsabilidad de aceptar o rechazar el lote.6 − 2.31 ≤ µ1 − µ 2 ≤ 5.4 1 1 1 1 + ≤ µ1 − µ 2 ≤ 1.05? 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.

Por lo tanto. usando una muestra piloto o eligiendo el p más pesimista posible. En este 2000 caso. si consideramos la variable aleatoria P que designa el estadístico proporción muestral. 2) el valor más pesimista. y en este caso. Por lo que se llega: 1− 2 n ≥ 1.05 con un nivel de confianza de 100 (1 − α )% .96 .0025 es decir.05 .05 y utilizando las tablas de la normal estándar z α = z 0. tenemos que determinar un intervalo de confianza para la proporción poblacional. α = 0. p=0. el error máximo admisible es error = 0.Observar que el tamaño de la población (el lote de piezas) es de 2000.5. y p la proporción en la población. viene dado por:  n ≥ z α  1−  2  p (1 − p )   error 2  2 Donde no conocemos el valor de la proporción exacta p.05 y el nivel de confianza 95%.5 ∗ 0.5. debemos utilizar una aproximación de p.975 ≈ 1. p = 100 = 0.0025 Por último. ˆ Para ello. por lo que podemos considerar que dicho tamaño es lo suficientemente grande como para que la podamos tratar como una población infinita. así tenemos dos posibilidades: 1) el valor que. el valor de n que convendría usar es 73. según el vendedor. es la proporción poblacional.99 0. tenemos que la distribución el siguiente estadístico: Z= p (1 − p ) n ˆ P− p . puesto esto es precisamente lo que queremos encontrar. el p que conlleva la elección del tamaño muestral más grande.95 ≈ 72 . en la cuál hemos encontrado 4 piezas defectuosas. que nos llevará examinar cada artículo de la muestra. de forma similar a la anterior.16 0.96 2 ∗ 0 . a) Para determinar el tamaño muestral necesario para estimar la proporción poblacional si queremos que el error cometido sea menor que 0. b) en el caso de tomar una muestra de tamaño 100.5 ≈ 384 . es decir. observar que tendremos que escoger entre las dos opciones anteriores según el tiempo. y/o el dinero.5 ∗ 0 . se tiene: n ≥ 1.96 2 ∗ 0. p=0.

obtenemos que el valor que deja por debajo una probabilidad de 0. A partir de esto. deducimos que un intervalo de confianza de nivel 100 (1 − α )% para la proporción p de la población. 490.35 . 507. 592. por 1− 100 2 lo que el intervalo de confianza al 95% para la proporción es: 0. 15.90 ) . 505.04 .96 100 100 es decir. 488..04 − 1. Los tiempos de reacción. 527..96 .975 es 2.54 / 4 . 461 Suponiendo que el tiempo de reacción se distribuye Normalmente.54. 452. 513. 534. 0.96 0.12 · 42. 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.96 ≤ p ≤ 0.04 ∗ 0.35 y la desviación típica 42.54 / 4) Operando ( 482. Buscando en las tablas de la t de Student con 16 grados de libertad.05.35 + 2.04 + 1.04 ∗ 0. Sustituyendo estos valores en la expresión del intervalo de confianza de la media tenemos: (505.975 ≈ 1. en mili segundos. de 17 sujetos frente a una matriz de 15 estímulos fueron los siguientes: 448.12.80 .12 * 42. 514.078 y teniendo en cuenta que el fabricante nos aseguraba que la proporción de defectuosos en el lote era de 0. SOLUCIÓN: Mediante los cálculos básicos obtenemos que la media muestral vale 505. 460. 464. 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.Es aproximadamente una distribución normal estándar.2. determine un intervalo de confianza para la media a un nivel de confianza del 95%. 492. α = 0. 584. 507. p = 4 = 0. 562.523.96 0.05 y z α = z 0.002 ≤ p ≤ 0.

Supuesto extraidas muestras de tamaño 100.55 y 28.y la varianza poblacional es igual a 240.1. independientes entre si. como quiera que Ax viene definida como suma de variantes Xi.1) = P ( 2. Ax.todas con igual distribución e igual a la distribución de probabilidad de la población. determinar la probabilidad de que el estadistico media muestral. Ahora bien.1) = F( 28. De esta forma. procede efectuar la aproximación de la distribución de Ax mediante la distribución normal. puesto que el muestro que se considera es el aleatorio simple. pues. muestreo aleatorio simple.16.4 ) .4 * ε + 25 ≤ 28. y habida cuenta que el tamaño muestral es suficientemente grande.55) Al ser: F ( 28.4) 28.1 − 25 2. Se considera una población representada por una variante ε . es tal que: E [Ax] = 25 [Ax] = 240 = 2.55 ≤ Ax ≤ 28.1) = P ( Ax ≤ 28. Ax sera uan variante con distribución : N (25.1) y sera conocida si determinamos la distribución de probabilidad de la variante Ax. n=100. este comprendido entre los valores 23.4 100 V La probabilidad a obtener puede ser expresada en la forma: P (23. SOLUCIÓN: El estadístico media muestral : Ax = ∑ Xi i =1 n n .1 = P (ε ≤ 2.55 ≤ Ax ≤ 28. Y por ello: P (23. de suerte que la media poblacional es igual a 25.1) – F (23. Habida cuenta el resultado obtenido en el problema 110.

1). resultando.17619 = 0. leidos en tablas. SOLUCIÓN: Si convenimos en representar por la variante ξ. resulto ser la duracion media de 14.17619 P ε ≤  2.55 − 25 2.97725 P ε ≤  2. con desviación tipica igual a seis minutos. La duracion aleatoria de las unidades producidas de un articulo.4    Habiéndose tomado 2. los valores:  28.1) = 0.4 ) Donde ε .35 minutos.4     23.55 es por tanto: P (23.F(23. Elegidas al azar cien unidades.6) Para determinar el intervalo de confianza nos basaremos en la distribución del estadístico media muestral Ax que. entonces.97725 − 0. se distribuye según la ley normal.55 − 25   = P(ε ≤ −0. representa 3ina variante con distribución N(0. dicho intervalo expresado en la forma:  σ  Ix ≡  Ax ±  *λ α n  .80106 17.Elaborar el intervalo de confianza del 99% para la duracion media de las unidades producidas.   100   Puesto que la distribución poblacional es normal con varianza conocida.55) = P (ε ≤ 23.55 ≤ ε ≤ 28. la duración aleatoria. dicha variante representa la población de la cual sabemos posee una distribución: N(0.93) = 0. sabemos.55) = P Ax ≤ 23. se distribuye como una variante:  6   N  0.4 = 1.4 * ε + 25 ≤ 23.1 − 25   = P(ε ≤ 2) = 0.55) = P ( 2.

6)2.895) Habiendo tomado: (0.35 + (0.575 = 1.duracion media .35 minutos Podemos esperar que en un 99% de los casos.805.35 − (0. SOLUCIÓN: Del comportamiento en probabilidad del estadistico a x . Se considera una poblacion representada por una variante ξ . sabemos que: . muestreo aleatorio simple.15.575.575.pertenece al parámetro θ.6)2. es: ( Ax − (0.575   ≤ λ α=0. Ax + (0.14.600 . supuesto extraidas muestras de tamaño 3.99.dada por la muestra. 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.575) Esto es: (12.6)2. con una probabilidad de 0. n * Ax − 0 P  σ  Leido el valor en λα resulta ser: λα = 2. la duración media este comprendida entre los valores: ( 14.6)2.6)2.al ser: Ax=14.575 ) Y habida cuenta la información de que disponemos.99   con lo que el intervalo de confianza para el que.545 18.

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

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

igual a la suma de numeros 1 que hayan aparecido en la muestra.p= ∑x 1 n i n = x n Donde x es por tanto. que solo pueden tomar los valores 1ó 0. 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. su distribucion de probabilidad sera: β (n. π ) Habida cuenta que el numero maximo de veces que puede presentarse el elemento representado por 1 es n . 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.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: .Por elllo pues: E [ p ] = nπ De donde: E [ p ] = 1 / nE [x ] = π 21. representara el numero aleatorio de elementos que aparecen en la muestra con la caracteristica c y por ello sera una variable aleatoria.puesto que el muestreo es aleatorio simple. 1) Valor probable de p Tal y como se ha establecido el estadistico p . independientes entre si. Definido.la suma de ls componentes muestrales . tamaño muesstral y ser π la probabilidad de extraer de la poblacion un elemento representado por uno. pues el estadistico p pasemos a determinar los parametros fundamentales de su distribucion. x.

P0 − p p(1 − p ) 40 = Z ≈ N (0. si consideramos un nivel de significacion α = 0.Si la pruebe nunca da un resultado erroneo la variable P0 .01 Y ahora la variable P0 .125 − 0.01.645 Con lo que no podemos rechazar la hipotesis nula.79 p + 0.08 Al tratarse de un contraste unilateral .92 40 = 1. LLamaremos N al suceso que representa la presencia de niquel. que representa la proporcion de pruebas positivas al analizar 40 muestras satisface.0.08 0. con probabilidad igual a 0. con la region critica a la derecha.125 de modo que 40 0. 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 = 0.0732 ∧ .645 .Como la prueba es positivqa en el 80% de los casos en que hay niquel pero tambien en su ausencia. la probabilidad de que una prueba resulte positiva es p = 0.95 = 1.049〈1.Llamemos p a la proporcion de muestras que contienen niquel.08 Frente a la alternativa H a : p〉 0.08. satisface ∧ P0 − p ∧ ∧ ≈ N (0.05 En nuestro caso p 0 = 5 = 0.1) Contrastamos la hipotesis nula H 0 : p = 0. esta corresponde a valores de la distribucion muestral superiores a z 0.

Si la hipotesi nula es cierta .2578〈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 Sea X el numero de valores mayores que 12.4.0732 0. el nivel de significacion α es: P(X=4)+P(X=0)=0.5 Contra la alternativa H a : µ ≠ 12. Determinar el nivel de significacion del contraste que esta llevando a cabo.5 en una muestra de extension 4.5.¿Es sensible el contraste a una mayor o menor dispersion de la variable resistividad? SOLUCIÓN: Planteamos la hipotesis nula: H 0 : µ = 12.0732 Considerando el mismo nivel de significacion.0.9268 40 = 1.Frente a la alternativa Ha : p〉 0.125 .125 − 0.1).molibdeno es una variable N(12. Rechazar la hipotesis nula equivale X=4 o bien X = 0 Por lo tanto.645 Llegando a la misma conclusion 22. La resistividad electrica de ciertas barras de aleacion de Cromo. tenemos que o.5) independientemente del valor de la varianza. X es una variable B(4 .5 .0732 ⋅ 0.

025 . 2 χ 49.El responsable de la maquina asegura que la varianza es σ 2 = 0.95 = 66. para 49 grados de libertad.El contraste no es sensible a la dispersion de la variable resistividad pues esta dispersion no afecta a la variable X.5) al margen del valor de la varianza de la variable resistividad.0272 = 54.0272. ¿Es compatible este resultado con la afirmacion previa? SOLUCIÓN: Planteamos la hipotesis nula: H 0 = σ 2 = 0.025 Teniendo en cuenta que. . por tanto mayor uniformidad de la variable diametro de rodamientos. utilizada como estadigrafo. Los rodamientos esfericos que fabrica una maquina deben de tener un diametro uniforma para ser aptos para su uso. 23.4 menor que 66. Apoyandonos en la distribucion χ 2 con 49 crados de libertad dada por 50S 2 σ2 Obtenemos para nuestros datos 50 ⋅ 0.0.33 La desigualdad 54.33 Conduce a aceptar la hipotesis nula.025 Frente a la alternativa H a : σ 2 〉 0.4 0.025 Pues una varianza σ 2 inferior a 0. que es B(4. ya que supone menor dispresion y .025 no debe ser objeto de nuestra preocupacion.Medidos 50 rodamientos se obtuvo una varianza muestral s 2 = 0.0.

identificaremos el modelo que corresponde a la variante ax. σ ) . el estadistico media muestral se comporta como una variante normal de parametros µ y σ n ..24.. SOLUCIÓN: Sabemos que E [ax ] = η .... con σ conocida.. Para ello. determonar la distribucion de probabilidad del estadistica media muestral...E[e itx1 / n itxn / n ] Por ser el muesrteo que se emple aleatorio simple De donde por.Supuesto extraidas muestras de tamaño n.sino tambien su distribucion de probabilidad. usaremos del concepto de funcion caracteristica y trass u obtencion..e itx 1 [ n /n ] = E[e ]⋅ . muestreo aleatorio simple... σ n ) Por tanto .ϕ xn (t / n) Como quiera que todas las variantes poseen igual distribucion e igual a la distribucion poblacional. Asi por definicion: ϕ ax (t ) = E e itx / n . entonces.... de suerte que la distribucion poblacional es una distribucion N (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 . definicion da funcion caracteristica es: E e itxn / n = ϕ xi (t / n) Con ello: [ ] ϕ ax (t ) = ϕ x1 (t / n) ⋅ . 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 ... V [ax ] = σ2 n Veamos . Se considera una poblacion representada por la variante ξ . que ya los conocemos como acabamos de ver..

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

al momento de orden 1 de la muestra.2 .sera: θ ∫x 0 2(θ − x ) θ2 dx = a x Determinaremos la integral anterior. con desviacion tipica igual a 10. el estimador por el metodo de los momentos . 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.Teniendo en cuenta que solo es uno el parametro a estimar θ .2 . supuesto extraidas muestras de tamaño 100 . muestreo aleatorio simple. el suceso cuya probabilidad vamos a obtener puede ser expresado en la forma: a x − η ≥ 0. por el metodo de los momentos del parametro θ 27. La diferencia : a x − η es aleatoria . por lo menos 0. Se considera una poblacion representada por una variable ξ . SOLUCIÓN: Si convenimos en representar por µ el valor medio poblacional . En nuestro caso. de suerte que la distribucion de probabilidad de la poblacion es normal. por ser a x una variable aleatoria.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. 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: . al ser la distribuciuon poblacional de tipo continuo y teniendo en cuenta la definicion de la funcion de densidad .Determinar la probabilidad de que el estadistica media muestral supere el valor m edio poblacional en .

64.7 puntos y una desviación típica de 12.   100   La probabilidad a obtener sera determinada en la forma:  10 ι  P(ax − η ≥ 0. para la media de la población.2) = 0.1) . b) Indique. a un nivel del 90%.  10   N  0.2 ) = 0. cual sería el máximo error que podríamos cometer al tomar como media de la población el valor obtenido en la estimación puntual.2)    100  donde ξ . con un nivel de confianza del 95%. a) Calcule a partir de estos datos el correspondiente intervalo de confianza. SOLUCIÓN: . es una variante N (0.2) = P ξ ≥ 0. En una muestra de 65 sujetos las puntuaciones en una escala de extroversión tienen una media de 32.420 Resulta pues: P (ax − η ≥ 0.Leida en tablas de probabilidad: P (ξ ι ≥ 0.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.    n  Conocida la distribucion( a x − η ) en nuestro caso.2  = P (ξ ι ≥ 0.4207 28.

975 es 2. es: 3. con una probabilidad de 0. 32.34 ) 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 ≤ 0.64 / 8 .2.7 ± 2 * 12.16 29.Si como estimador del parametro poblacional θ se toma el estadistico media muestral.671 * 12.2). Sustituyendo los valores de esta muestra en la expresión del intervalo de confianza obtenemos: ( 32.2 = 0.el error de la estimacion producido no sea superior a 0. de suerte que la distribución de probabilidad de la población es N(0.1..7 + 1. Ax.95] O bien : P [ Ax − 0.64 / 8 luego el máximo error que se puede cometer.7 . Se considera una población representada por una variante ξ . Ax + σ n *λ .06 .64 / 8 ) operando ( 30.671 (aproximadamente).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 .2 + Ax = 0. a este nivel de confianza. En consecuencia a un nivel de confianza del 95% la media de la población puede valer 32.determinar el tamaño muestral n para que.2 ≤ θ ≤ 0.a) Buscando en las tablas de la t de Student obtenemos que el valor que deja por debajo una probabilidad del 95% es 1. SOLUCIÓN: Si la estimacion de la media poblacional θ se realiza a traves del estadistico media muestral.671 *12.. 35.95.

96 con ello n= 384.2= y por lo tanto: n= σ n *λ λ ^2 * σ ^2 0. − SOLUCIÓN: Usando la fórmula general para cuando s2 es desconocida: podemos. las estimaciones producidas por la media muestral produzcan errores no superiores a 0. o bien mirar a las tablas de la t.Construir el IC al 95%. podemos esperar que en el 95% de los casos.2. En una muestra aleatoria de 90 pacientes se mide el nivel de glucosa en sangre en ayunas.95  Leyendo en las tablas el valor de λ = 1. Asi pues tomando muestras de tamaño 384. o bien como n > 30 aproximar a la z y usar el valor 1.99.0.el valor de t0.025 que para 89 grados de libertad es 1.96. .2 sera igual a: 0.2^ 2 teniendo en cuenta que la λ es tal que: P  n σ * Ax − θ σ  ≤ λ  = 0.Puesto que suponemos la poblacion normal con varianza conocida. 30.Se obtiene X =132mg/dl y s2=109.16 con lo que al tener que ser el tamaño un numero entero resultara 384. se tendra que la cota de error .

9 = (0. tal que x1 = 3 y x2 = 7. Decídase cual de ellos puede ser.5.04 − 0.31.16) 100 es decir.1 * 0 .96 0 .Construir un IC al 95% para la probabilidad de pasar la gripe si se esta vacunado.96 0 . Se eligen 100 de ellos y se les suministra la vacuna.de ellos 10 pasan la gripe. elegiremos el valor de a tal que la probabilidad de obtener la citada muestra sea máxima. El parámetro de una distribución de Poisson puede tomar uno de los cuatro valores siguientes: a = 4. 5. 6. de acuerdo con el principio de máxima verosimilitud. SOLUCIÓN: La muestra puede proceder de cuatro poblaciones distintas.2 ± 1. y basándose en el principio de máxima verosimilitud.1 ± 1. Calculamos la probabilidad para cada valor de a: a = 4: .28) 100 32.En los otros 100 pacientes sin vacunar la pasan 20.9 = (0. considerando una muestra aleatoria simple de tamaño dos.12 − 0.2 * 0 .¿Es eficaz la vacuna? SOLUCIÓN: La fórmula para calcular IC para proporciones es y aproximando p y q por sus estimaciones 0.5. 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%. según sea el valor que tome el parámetro a de la distribución de Poisson. Para los no vacunados 0. Para evaluar una vacuna para la gripe se selecciona un grupo de 200 individuos de riesgo. 4.

33. del cual se sabe que puede tomar uno de los tres valores siguientes: 0.5 ⋅ 5.5.7 ≤ X ≤ 2. Se toma una muestra aleatoria de tamaño uno.5 3 e −4. Basándose en el principio de estimación de la máxima verosimilitud. resultando un valor comprendido entre 1. a = 0. 7 1 −x / 2 e dx = e −0. X 2 = 7 ) = 2 ⋅ a = 4. La función de densidad f(x.7 y 2.6 ) = ∫ 2. x ≥ 0. determínese.5 7 ⋅ = 0.5 obtenemos la mayor probabilidad de extraer la muestra (3.3 = 0. contiene el parámetro a. X 2 = 7 ) = 2 ⋅ a = 5. elegiremos el valor de a que proporcione la mayor probabilidad de obtener la muestra.6. a) = ae-ax.1549 2 a = 1: .02780 3! 7! P( X 1 = 3. 1. por lo cual decidimos que el valor del parámetro a es 5. X 2 = 7 ) = 2 ⋅ ⋅ = 0.5 3 e −5.5 ⋅ 4. a partir de la información suministrada por la muestra.5: e −4. 6 1. 7).5 7 ⋅ = 0.5: e −4 ⋅ 4 3 e −4 ⋅ 4 7 ⋅ = 0. SOLUCIÓN: Según el método de la máxima verosimilitud.02457 3! 7! Cuando a = 5.5.5: P (1.P( X 1 = 3. 1.02798 3! 7! e −6 ⋅ 6 3 e −6 ⋅ 6 7 P( X 1 = 3.5 ⋅ 4.5.5 ⋅ 5.02326 3! 7! P( X 1 = 3. X 2 = 7 ) = 2 ⋅ a = 6: e −5. por cual de los tres valores que puede tomar el parámetro debemos optar.85 − e −1.

y la función de densidad es f ( x ) = 1 −x / 2 e 2 34. a > 0 hállese el estimador del parámetro a por el método de máxima verosimilitud.5. Si una variable aleatoria tiene por función de densidad f (x : a ) = 2a 1− a x 1− a 3 a −1 0 ≤ x ≤ 1. decidimos que a = 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 . SOLUCIÓN: La función de verosimilitud es: L = L(x1 .1084 2. 7 3 −3 x / 2 e dx = e − 2..55 − e −3.6 1.6 ) = ∫ 2. en muestras aleatorias simples de tamaño n. 7 a = 1..90 = 0. resolviendo la ecuación: ∂ ln L n n 2 = + + ∂a a 1 − a (1 − a )2 ∑ ln x i =1 n i =0 .6) = ∫ e − x dx = e −1. 7 − e − 2.P(1.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. x n . 6 = 0.6 1.5: P(1.7 ≤ X ≤ 2.5 el valor del parámetro que proporciona la mayor probabilidad..0578 2 Al ser a = 0.7 ≤ X ≤ 2.

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

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

SOLUCIÓN: Estamos ante un caso de cálculo de intervalo de confianza para la media de una población normal con varianza conocida.05 ⇒ Z α 2 = 1.9 ⇒ α = 0.96 25 1012 = [1005.05 ⇒ El intervalo de confianza será entonces: α 2 = 0.86 y 1017.1 ⇒ El intervalo de confianza será entonces: α 2 = 0. 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 25.14.g ( y ) = G' ( y ) = 4a 2 − 2 a / y e .645 25 1012 = [1006.86 1017. y3 y≥0 37.025 ⇒ Z α 2 = 1.95 ⇒ α = 0.96 1012 ± 1. En esta situación sabemos que: x−µ σ n → N (0.645 1012 ± 1.14] Podemos concluir entonces que hay una probabilidad del 90% de que el valor medio de la característica esté entre 1006. Para un coeficiente de confianza del 95% se tiene que: 1 − α = 0.875 1018.1) 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. Hallar intervalos de confianza para el valor medio de la característica X con coeficientes de confianza del 90% y 95%.125] .

luego se puede estimar el contenido medio en fruta de los zumos en 22 mg por cada 100 cc de zumo.n −1 S n Para un coeficiente de confianza del 95% se tiene que: 1 − α = 0. SOLUCIÓN: Para la estimación puntual sabemos que en poblaciones normales un estimador lineal insesgado para la media poblacional es la media muestral. 38. Suponiendo que el contenido de fruta del zumo es normal. por lo que se ha calculado la cuasidesviación típica de la muestra que ha resultado ser 6.05 2.15 y 26.3 mg de fruta por cada 100 cc de zumo. 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 2.307 6.3 9 = [17. Se analizan 9 zumos de fruta y se ha obtenido un contenido medio de fruta de 22 mg por 100 cc de zumo. estimar el contenido medio de fruta de los zumos tanto puntualmente como por intervalos al 95% de confianza. .Podemos concluir entonces que hay una probabilidad del 95% de que el valor medio de la característica esté entre 1005.84 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.9−1 = t 0.875 y 1018. La varianza poblacional es desconocida. Se observa que al aumentar el coeficiente de confianza aumenta la amplitud del intervalo de confianza.0307 El intervalo de confianza será entonces: 22 ± 2.95 ⇒ α = 0.025 ⇒ t 0.8 = 2.05 ⇒ α 2 = 0.125.025.84] Podemos concluir entonces que hay una probabilidad del 95% de que el valor medio del contenido en fruta del zumo esté entre 17.15 26.

45 * 0. es decir el número de veces que los encuestados eligen A o B). Una firma comercial encuesta a 100 individuos para conocer sus opiniones sobre la elección de dos productos alternativos A y B recientemente fabricados. para el producto A tenemos el intervalo: [ 55 0.65] Para el producto B tenemos el intervalo: [ 45 0.35 y 0. El nuevo proceso busca reducir la dispersión de la duración de las pilas por lo que se hace necesario construir . En este caso el intervalo de confianza para la proporción se basa en el siguiente estadístico: ˆ p− p → N (0.55] 100 100 Como conclusión podemos decir que hay una probabilidad del 95% entre 0.55 * 0. 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. y hay una probabilidad entre 0.96 100 100 55 0.45 +1. 40.45 * 0. Hallar un intervalo de confianza al 95% para la proporción de individuos que eligen cada producto.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.96 ] = [0. 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. SOLUCIÓN: Estamos ante el caso del cálculo de intervalos de confianza para proporciones.65 de que el producto elegido sea el A.96 100 100 45 0.55 -1.55 * 0. El resultado de la encuesta arroja que el producto A lo han elegido 55 individuos y el producto B 45.55 de que el producto elegido sea el B.35 0.96 ] = [0.45 y 0.55 +1.39.45 -1.45 100 100 0.

6 8.6.88 horas.1 ⇒ α 2 = 0.9 El intervalo de confianza será entonces:  20 * 2240 20 * 2240    = [119.9 ⇒ α = 0.n X 1−α 2. 2 2  X α 2.26 El intervalo de confianza será entonces:  20 * 2240 20 * 2240   = [109.n      En nuestro caso. SOLUCIÓN: Estamos ante el caso del cálculo de intervalos de confianza para la desviación típica de una distribución normal con media conocida.4.intervalos de confianza para la citada dispersión con coeficientes de confianza 90% y 98%. 20 = 10.98 ⇒ α = 0.  37.4 10. 20 = 37.01 ⇒ X 02.26    232.42 y 203. 20 = 8.2 y 232.99. y hay una probabilidad del 98% de que la dispersión de la duración de las pilas en el nuevo proceso de fabricación esté entre 109.02 ⇒ α 2 = 0.05.42 . X 02. X 02. 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  .2] 1 − α = 0.88] 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. 01. . para el nivel del 90% tenemos: 1 − α = 0.95.2 horas.05 ⇒ X 02. Construir dichos intervalos a partir de una muestra de tamaño 20 cuya dispersión es 2240 horas.9    Para el nivel del 95% tenemos: 203. 20 = 31.2  .  31.

n       En nuestro caso.   = [21.3 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. 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  .2 ⇒ α 2 = 0.41.n X 1−α 2.8 ⇒ α = 0. SOLUCIÓN: Estamos ante el caso del cálculo de intervalos de confianza para la varianza de una distribución normal con una media desconocida. 2 2  X α 2.15 = 22.55 El intervalo de confianza será entonces:  16 * 30 16 * 30  .n X 1−α 2. para el nivel 90% tenemos: 1 − α = 0.n    nσ 2 nσ 2 = .9.14] 8.3. 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 30.43 56. Un granjero dispone de dos explotaciones diferentes A y B con varias granjas cada una para la cría de pollos. X 02.1. 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 . 2 2   X α 2.14].15 = 8.55   22. 42.1 ⇒ X 02.43 56.

f = t 0. 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. f para nuestro caso resultan ser:  3.333 2  +   4  4 f = − 2 ≅ 7 ⇒ tα 2. . es decir. se trata de estudiar si la mortalidad de los pollos puede considerarse diferente en las dos explotaciones con un nivel de confianza del 95%.365 3.73] Como este intervalo no contiene el valor cero. Por tanto. Además. en cuyo caso se puede aceptar la hipótesis de que la mortalidad media es similar en ambas granjas con una probabilidad del 95%. 025. 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. 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.365 2 (3. como los dos extremos del intervalo son positivos. f 2 S12 S 2 + n1 n 2 Los valores de f y t α / 2. para todos sus valores x1 − x 2 > 0 ⇒ x1 > x 2 .6 = 2.Suponiendo normalidad en las explotaciones.333 2 + = [1. no se puede aceptar con una probabilidad del 95% que x1 − x 2 = 0 . 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%.27 4 4 6.333 4) + (2 4)2 5 5 El intervalo de confianza será entonces: 2 15 − 19 ± 2. lo que indica que la mortalidad media es mayor en la granja A con una probabilidad del 95%. x1 = x 2 .

Además. es decir.447 Además. 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%.Si suponemos ahora que las varianzas en las dos explotaciones son iguales. 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 .333(4 − 1) + 2(4 − 1) = 2.025. Es conveniente observar en este problema que la hipótesis de igualdad de varianzas en las dos poblaciones juega un papel muy importante.656 3.333 2 + = [-6. aceptamos la hipótesis de que las mortalidades en las dos granjas son significativamente distintas con un coeficiente de confianza del 95%.447 2.82 4 4 -1.656 4+4−2 = t0. SOLUCIÓN: .6 = 2. tα 2 . 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. estamos ante el caso del cálculo de intervalos de confianza para la diferencia de medias de dos distribuciones normales con varianzas desconocidas e iguales. n1 + n 2 − 2 El intervalo de confianza será entonces: 15 − 19 ± 2. 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. Por tanto. para todos sus valores x1 − x2 < 0 ⇒ x1 < x2 . como los dos extremos del intervalo son negativos. pues la ausencia de esta hipótesis lleva a un resultado contrario al obtenido con su presencia.18] Como este intervalo no contiene el valor cero. x1 = x 2 .

4420.3 − p / p (1 − p ) 40 < 1.8 0.2 0.65 1 0.3 ± 1.1420 .3 ⋅ 0.3 ± 0.7 = 0.96 Lo que equivale a (0.1? SOLUCIÓN: Tenemos los siguientes datos muestrales .3. Efectuando los cálculos obtenemos Una alternativa es dar el intervalo 0. se ha observado una muestra de extensión 9 con los siguientes resultados 0. en el que se utiliza la proporción observada para 40 0. La cantidad de azufre encontrado en plantas secas de mostaza sigue una distribución normal X.9 0.96)2 p(1 − p) . 40 0.6 0.95 0. 40 A un nivel de confianza del 95% el intervalo se obtiene resolviendo la inecuación / 0.La proporción observada es p0 = 12 = 0. 44.55.7 0.3 ⋅ 0. 40 0. ∧ 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 0.96 El resultado es 0.3 – p)2 < (1.7 estimar la varianza mediante la fracción .1580 < p < 0.4543.1807 < p < 0.

9674 n . x2.35 . .35 4. cuántas lleva el primero. la longitud del intervalo de confianza para una muestra de extensión n y un nivel de confianza del 95% es 2·1. tercero y cuarto y llamemos T a la suma x1+x2+x3. x3) las apuestas de los jugadores segundo.3) (2.2464 n = 0.0609 y S = 0.Si θ = 0.70552 = 0. El primero en hablar ha pedido 8. 2448.9674 n < 0. ∑x 2 i = 4.n = 9. lo que ocurre en los siguientes casos (3.2) (3.0.9675 = 0.96 0.0541 9 9 ∧ 9 2 s = 0.1 Obtenemos n > 93. veamos qué valor de θ hace máxima la probabilidad de que S=8. el valor de S=8 equivale a T=8.3.7055 y s2 = .96 σ n =2·1. Representemos mediante una terna (x1. de modo que ∑x i = 6.3) .59. Consideremos un grupo de cuatro amigos jugando a los chinos. el segundo estima. Resolviendo la inecuación 0.3.9675 x= ∧ 6. que corresponde a la apuesta del primer jugador. 45. Si S es el número total de chinos. ¿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.2. por máxima verosimilitud.2468 8 ∧ S2= Si aceptamos que σ = S = 0.

5 3.1) (2.Si θ =3.2) (2.2. con probabilidad igual a 3 3 .3) (3.1) Y.2.3) (1.3 4.3) (3.0.2. por lo tanto. el valor S=8 equivale a T=6.3) (2.3) Y.0.1.3) (3. por lo tanto.2) (1. 3 64 4 . el valor S=8 equivale a T=5.3) (0.3). y se obtiene en los siguientes casos (3.1 3.0) (3. que coincide con el valor esperado.0) (2.Si θ =2. dado que cada jugador tiene 4 elecciones diferentes.2. La suma de chinos más probable para los dos últimos jugadores es 3. con probabilidad igual a 12 12 .1) (1.2) (2.1.3.4 2.3.1.3.Si θ =1. lo que ocurre en los siguientes casos (3.3. 46.3. por lo tanto.2) (1.   4 . por lo tanto. con probabilidad igual a 10 10 = .2) (0.2.2.1) (1.1 Determinar un intervalo de confianza para la varianza con nivel de confianza del 99%. La pérdida de peso de un determinado producto dietético en 16 individuos después de un mes fue (en kg): 3. el segundo jugador debe pedir 3+0+3=6.2.3 4.0) (3. lo que ocurre en los siguientes casos (3. SOLUCIÓN: . Consecuentemente. 4 3 64 .0.7 2.2) (2.2. lo que ocurre en los siguientes casos (3.3 4.Y. con probabilidad igual a 6 6 = .5 3.2) (2. la estimación de máxima verosimilitud es θ =3.1) (3.3) (0.2.3.0) (2.3) (1. si la pérdida de peso es aproximadamente normal.ya que cada caso tiene una = 3 64 4 1 probabilidad igual a   3.3.1.3.2 5 2.9 3.3.1. = 4 3 64 Por lo tanto.2) Y.2) (2. el valor S=8 equivale a T=7.1) (3.8 4.2) (0.1.1) (1.2 3.3) (2.6 2 2.3.

Así un intervalo de confianza del 90% para la media obtendrá: .636958.3+2.60087 y X20. 9. En nuestro caso como n = 16.4. y α = 0.80149 .2+1.995(15) = 32.3 1. SOLUCIÓN: Para calcular un intervalo de confianza para media de una población normal de la que conocemos la varianza poblacional. 2.5+1. Se consideran lo siguientes tiempos de reacción de un producto químico.60087 = 9.5 1. 47.1.2+1.2 1.4.80149 .636958 4.3+1.1 = 1. en segundos: 1.1 Obtener un intervalo de confianza del 90% para el tiempo de reacción.2 1.4 1. Que nuestro caso es: X = 1.80149 Si calculamos la varianza muestral.4+1.01 tenemos que mirarlo en las tablas de percentiles de la distribución Chi-cuadrado con 15 grados de libertad X20.3 2.55437 32.55437 4. tenemos que usar el estadístico Z = X . necesitamos calcular la media de la muestra. 0.07664). (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.291279 . y por tanto sustituyendo los valores en los intervalos de confianza para la varianza tenemos 15 .2+1.60087 Y un intervalo de confianza del 99% para la varianza de la pérdida de peso es σ2 ∈ (0.2 1.005(15) = 4. 15 .µ ~ N (0.636958 32. 0.4 1.4+ 1. tenemos que S2 = 0. Suponer la variable normal con desviación típica poblacional conocida σ = 0.Un intervalo de confianza para la varianza vendrá dado por (n-1)S2 X21-α/2 . tenemos que α = 0. 9 Como queremos obtener un intervalo con nivel de confianza del 90%.1) σ/√n Por tanto.

X + zα/2σ/ √n] siendo X la media muestral. σ. tenemos que z1-α/2 = z0. Un intervalo de confianza del 90% para la media µ será: (1. 1.8. para el tiempo medio de espera. X + z1-α/2 .1-1.2.2.4.3/√10.2. SOLUCIÓN: El intervalo de confianza solicitado es el de la media de una población normal de varianza desconocida y muestras pequeñas.5. σ/ √n .1.1) que deja a la derecha un área de probabilidad α/2. n = 10. [X – tn-1. zα/2 = z0. [X . σ/ √n ) En nuestro caso. de coeficiente de confianza 0. 49.5. 3. a partir de la tabla 3 de la distribución normal.144.64 es el valor normal estándar que corresponde al percentil 95.4/3 ) = (1. Los tiempos que esperaron diez clientes elegidos al azar fueron los siguientes: 1.1.53. S/√n] que para los datos del problema queda igual a .zα/2σ/ √n .146.1.4 + 1.145.96. El intervalo pedido será.146. Elegidos 9 días al azar. n el tamaño y zα/2 el valor de la abscisa de una normal N(0. De los datos del enunciado se desprende que es X = 3.146.α/2 .3.147.959].241.025 = 1.4/3 .5.96. SOLUCIÓN: Se pide determinar el intervalo de confianza para la media de una población normal de varianza conocida.1+1. Determinar un intervalo de confianza. 0.3.3/√10] = [1.05/2 = z0. 4.5. que esperan los clientes de un determinado banco hasta que son atendidos sigue distribución normal de media desconocida y desviación típica igual a 3. El tiempo. la cotización del dólar en esos días fue: 145.5.α/2 .3. Determinar un intervalo de confianza de coeficiente de confianza 0.4 . si miramos en la tabla de la función de distribución de la N(0.144. X + tn-1. La cotización del dólar frente a la peseta sigue una distribución normal de media y varianza desconocidas. S/√n.2.64 .145.5.2.z1-α/2 . σ = 3 y.96. 0. en minutos. [3. por tanto.1813.(X .1.1).95.6186) 48.95 = 1.95. para la cotización media del dólar frente a la peseta. 1.64 .

59+2.5. 6.7. La duración en minutos de un determinado viaje es una variable aleatoria con distribución normal de media desconocida y desviación típica igual a 3. 146. 6. SOLUCIÓN: Llamando X a la variable aleatoria duración en minutos del viaje en cuestión se tiene que es X N ( µ . . 7. { - 1 n ∑ ( χ1.µ )= 0 2 18 i =1 ˆ La derivada de esta solución µ = χ . . b) Calcular la probabilidad de que.2. en valor absoluto.5.59.1.[145.88/3] = [144. b) La probabilidad pedida será P {| χ . la diferencia entre media estimada la real sea menor que 1 minuto. S = 0. 6.88/3. χ = 7. ) = 1 (18π ) 2 n exp.0. por tanto. Se pide: a) Realizar la estimación de máxima verosimilitud de la duración media del viaje. a partir de la tabla 5 de la t de Student el valor tn-1. La estimación de máxima verosimilitud será. 50.9. tipificando será − − − N . 8.µ | < 1} De donde.µ ) 2 } 18 i =1 La cual tiene por logaritmo neperiano Log L ( µ ) = - 1 n n log(18 π ) ∑ 2( χ1.0. como la distribución de la medida muestral para una muestra procedente de una población normal de varianza conocida es (CB-sección 5.2 o EII-sección 2.88 y obtenerse. por tanto.44.3/ 10 / 3 ).306.4) χ ( µ .306*0.914. 145. χ n .9 y 7. 8.3) a) Para una muestra de tamaño n de X. el estimador de máxima verosimilitud de µ será la media muestral. 5.α/2 = t8.1.59-2.266] al ser X = 145.4 o EII-sección 2. ) = ∏ fµ ( χ i =1 n 1.025 = 2. ….2) L ( µ ) = f µ ( χ1. 7. En una muestra tomada al azar de diez realizaciones del viaje en cuestión se obtuvieron los siguientes tiempos: 10.. la función de verosimilitud será (CB-sección 5.5.306*0.

Con objeto de estimar el parámetro Θ y.06 un área de probabilidad 0.1469-0. Θ.1469 y P {Z ≥ 1.05} = 0. P {Z ≥ 1.01 hay una disminución de probabilidad de 0. 840.1446 = 0.0023. en consecuencia.054}=0.1446. 650.06}= 0.70804 Por la simetría de la densidad N (0. es tiempo de vida de la especie. Es decir. Para una muestra aleatoria simple de tamaño n de X la función de verosimilitud es (CB-sección 5.004 – es decir. 1) y donde la ultima probabilidad se ha calculado con ayuda de interpolación: De la tabla 3 de la normal N (0. )= Θ n exp. a la derecha de 1.µ | < 1} = P {|Z| < − 10 / 3 }= P {|Z| < 1.01=0. P {|Z|<1. que para un incremento de abscisa de 0. la ley de probabilidad que rige su tiempo de vida.2) L ( Θ ) = f Θ ( χ1. …. 1450. 1) obtenemos que es P {Z ≥ 1.00092.P {|Z| ≥ 1. 943. 1) hay un área de probabilidad 0.054} = 1 . lo que nos dice que a la derecha de 1. { .054} = 1 – 2. 790.0023 x 0. Es decir. 666.1446. P {|Z| ≥ 1.Θ ∑Χ i =1 n i } .2 o EII-sección 2. 0.00092= 0.14598 = 0. 840 y 1500.70804 En donde Z N (0.P {|Z| ≥ 1. obteniéndose los siguientes tiempos de vida en días: 1456.004/0.054.1469 – 0.P {|Z| ≥ 1. 51.14598 Por tanto.habrá (mediante una regla de tres) una disminución de probabilidad de 0.P {| χ . X. Para un incremento de abscisa de 0. ( Θ ) La cual tiene por función de densidad con X>0 y siendo Θ >0 un parámetro desconocido. se tomo al azar una muestra aleatoria de diez animales de la especie en estudio.1469 y a la derecha de 1. El tiempo de vida de una determinada especie animal sigue una distribución exponencial Exp. Determinar la estimación de máxima verosimilitud del parámetro SOLUCIÓN: La variable aleatoria en estudio. 1).054} = 1 – 2.05 y bajo la curva de densidad de la N (0.054} . 900. χ n .054} = 1 . 790.054}=0. ) = ∏ i =1 n f Θ ( χ1.

del enunciado se desprende que puede admitirse para X una distribución N (2.02. 2.05 Utilizando estos datos.02.La cual tiene por logaritmo neperiano Log L ( Θ ) = n log Θ .85. siendo la estimación de σ el objeto del problema . 1.97.90. 2. por lo que la estimación de máxima verosimilitud del parámetro Θ será Θ= ^ 1 = 0. 1.85. Elegida una muestra aleatoria de 20 de ellos.95. sus longitudes es cm fueron las siguientes: 1. σ ).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. 2. 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.05. 1. 1. 1.97. 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. 1.00.1.89. 1. 2.05.95. 2. se pide: a) Determinar la estimación de máxima verosimilitud de la desviación típica poblacional σ. 2.98. 1.87.0009939.01 2.05.01.95. 1. 1. 2. Χ 52. 2.

que si T es el estimador de máxima verosimilitud para Θ .78 – 16. Por tanto.51 = 0. 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 < 16.3+0. podía haberse determinado el estimador de máxima verosimilitud para la varianza poblacional σ 2 . P {X 2 <20} = 0.00546 = 0. para un aumento de abscisa de 20 – 16.2292.2292=0.7.y extrayendo la raíz cuadrada obtendríamos el da la desviación típica σ .2) L ( σ ) = fσ ( χ1. σ= 1 n ∑ (Χ i − 2) 2 . 20 .6 o EII-sección 2. es decir. n i =1 (Hacemos aquí la observación de que los estimadores de máxima verosimilitud respetan las transformaciones biyectivas. ) = ∏ i =1 n fσ ( χ1. entonces g (T(es el estimador de máxima verosimilitud para g ( Θ ) siempre que g sea una función biyectiva.2 o EII-sección 2.27 = 6.78}=0.mas habitual y ya determinado en CB-sección 5.6).2.0739 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. por lo que para un aumento de 20 20 abscisas de 22. ) = 1 1 exp.2) 2 .51 se obtiene un aumento de probabilidad de 0. al ser la función g(x) = x una función biyectiva).55292.27} = 0.73 se obtendrá un aumento de probabilidad de 0.a) Para determinar el estimador de máxima verosimilitud de σ comenzaremos calculando la función de verosimilitud (CB-sección 5.4 x 3.2 o EII-sección 2.27 = 3.4.5292 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. …. σ= ^ 1 20 ∑ (Χ i − 2) 2 = 0. {n n/2 σ (2π ) 2σ 2 ∑ (Χ i =1 n 1 .73/6. En este sentido. χ n . 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.3 y P{ X 2 < 22. A partir de los datos del enunciado obtenemos que la estimación de máxima verosimilitud será.

es decir. nos indica que dichos individuos contraen la enfermedad de un momento desconocido. el recorrido de L ( φ ) La función L ( φ ) = 2 2 φ 2 n ∏ in=1 xi−3 crece al crecer φ . χ n . 650. por tanto. Con objeto de estimar el parámetro φ . 398. L ( φ ) vale cero. > φ Como siempre.2). 680 Determinar la estimación de la máxima verosimilitud de φ . que L( χ1. ) = 2 n φ 2 n (∏ x1 ) i =1 n χ1. Es precisamente el inicio de las enfermedades objeto de la estimación. todos los cuales fallecieron por la enfermedad en estudio. ….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 fφ ( x) = 2φ 2 x −3 si x > 0 Y fφ ( x) = 0 si x ≤ φ siendo φ > 0 un parámetro desconocido. χ n . o lo que es lo mismo la función de supervivencia S(x) = 1 – F(x) vale 1. el problema es que ahora φ aparece en el recorrido de la variable. . ( puesto que en este punto la función de distribución F(x) empieza a crecer desde cero. χ n . …. 615. χ n . y esto hasta que φ llegue al primer χ1. ) toma un valor distinto de cero si φ < χ1. por lo que será tanto mayor cuanto mayor sea φ . 368. a partir de donde. 223. en días. 356. el valor de φ que hace máxima L ( φ ) es el mínimo de los n valores { χ1. …. es tal que ∏ i =1 n fσ ( χ1. el método de la máxima verosimilitud se basa en asignar a φ el valor que maximice la función L( φ ). de los 10 individuos seleccionados. la probabilidad de sobrevivir va disminuyendo. La función de verosimilitud de la muestra será: L( φ ) = fσ ( χ1. 265. por los comentarios anteriores. Para ello. …. se extrajo una muestra aleatoria simple de dicha población. SOLUCIÓN: La función de densidad de la variable aleatoria en estudio X. y por la forma de dicha función de densidad. Por tanto. utilizaremos el método de la máxima verosimilitud ( CB-sección 5. y si algún χ1. 325. φ . } el cual se suele denotar por x (1) . momento a partir del cual. 400. En la estimación de φ habrá que tener también en cuenta. obteniéndose los siguientes tiempos de vida. tiempo de vida de os individuos de la población afectados por la enfermedad en estudio. ≤ φ será L( φ ) = 0.2 o EII-sección 2. ) = Si χ1. lo que quiere decir que todos los individuos están vivos).

x1 = x 2 .56] 10 12 Como este intervalo contiene el valor cero. como pasa en general al determinar el máximo de cualquier función. Por tanto. 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 ). x (1) =223. se puede aceptar con una probabilidad del 95% que x1 − x 2 = 0 . es decir. 54. Estamos entonces ante el caso del cálculo de intervalos de confianza para la diferencia de medias de dos distribuciones normales con varianzas conocidas. 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. 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. deberá utilizarse otras herramientas distintas de la derivada. Sabiendo que ambas poblaciones son normales con varianzas 225 y 256 respectivamente.2 − 176.La estimación de máxima verosimilitud de φ será. 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 (0.7 ± 1.56 194. aceptaremos la hipótesis de que la estatura .7 cm. en cuyo caso se puede aceptar la hipótesis de que las alturas medias son iguales con una probabilidad del 95%. pero que en otras ocasiones. a partir de los 10 datos de muestra.96 225 2 256 2 + = [-207.1) 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. 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. máximo que en muchas ocasiones se podrá determinar derivando L( φ ) respecto a φ e igualando a cero dicha derivada.

603      Efectuando los cálculos se obtiene.816 2 x11.92 y 2 x11.82 2   26.005 =2.de los varones y las mujeres de ambas poblaciones es similar con un coeficiente de confianza del 95%. 55.82.025 =3.92 . al 95% y al 99%.0.6 y s = 0.0. x = 3. 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 3.603 2 x11.0998).82 2 12 ⋅ 0. En lo relativo a la media. 2.82.3011.995 =26.3. determinar. respectivamente.0.82 2 12 ⋅ 0. Los percentiles necesarios para la determinación de los intervalos al 95% y 99% de confianza son 2 x11.1145) y (0. el intervalo se determina teniendo en cuenta que x−µ S / 11 . 3.3681. 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.975 =21. (0. intervalos de confianza para la radiación media y para la varianza.8.2. Así el intervalo de confianza al 95% es  12 ⋅ 0.6 picocurios con una desviación típica de 0.82 2   21.0.816  Y al 99%      12 ⋅ 0. SOLUCIÓN: Tenemos los siguientes datos muestrales N=12.8 .

θ ]( x) con θ a) Hállese el estimador de máxima verosimilitud T. Obteniéndose 3.1058 y 0. para un nivel de confianza p=1-α. SOLUCIÓN: a) La función de densidad de la muestra es f ( x1.1058 y los intervalos de confianza son. de la forma (λΤ. 1-α/2 Siendo t11. Concretamente s 11 1-α/2 el valor del percentil 100 ·(1-α/2) para 11 grados de libertad. de tamaño n. +∞) estará de terminada. +θ ) (θ ) por lo que el EMV es θ = X ( n ).95 para θ .82 11 y 3. 3.. de una población con funcion de densidad 5x 4 θ >0 f ( x | θ ) = 5 I (0.544 3.6 ± 3.768.975=2. de la forma obtenga el valor de λ tal que (λ X ( n ) .6 ± 2..995=3.+∞) para λ conveniente. viene dado por x ± t11. a) La región de confianza.Es una variable t de Student con 11 grados de libertad.s.201 0. El intervalo. t11. cuando se Ρ {λ X ( n ) ≤ θ | θ } = 1 − α para todo θ >0 para lo que ha de cumplirse que . Para m.. respectivamente. 56.6 ± 0. b) Determínese la región de confianza de grado 0.a. xn | θ ) = 5n ∧ ∏x i =1 n 4 i θ 5n I[ x( n ) .. 0.82 11 .6 ± 0.201 y t11. 0.

. xn ) = 1 θn ∏ I{ i =1 n 1.64. ....+∞ ) ( x) con θ ∈ SOLUCIÓN: a) La fusión de verosimilitud es L(θ | x1 ..s de tamaño n..2. + ∞  ... como función de θ .. x(1) ] (θ ) expresión que. es la máxima cuando θ es lo mayor posible.. } (θ ) a medida que θ aumenta uno a uno desde x( n ) esta función disminuye.   57.. o lo que es lo mismo λ = (1 − α )5 n y 1   RC1−α (θ ) =  (1 − α ) 5 n X ( n ).. a un nivel del 90%. xn ) = e ∑ xi + nθ i =1 n ∏Iθ i =1 n [ .. para la media de la población. a) Calcule a partir de estos datos el correspondiente intervalo de confianza. con m.. luego es θ = X ( n ) b) La fusión de verosimilitud es − ∧ L(θ | x1 .. En una muestra de 65 sujetos las puntuaciones en una escala de extroversión tienen una media de 32.Ρ { X (n)  y ≤ y |θ} = Ρ {X ≤ y |θ} =   θ  n 5n De donde ha de ser λ 5 n = 1 − α . +∞ ) ( xi ) = e − ∑ xi + nθ i =1 n I ( −∞ .. el EMV para θ en los siguientes casos: a) f ( x | θ ) = 1 θ I{1.7 puntos y una desviación típica de 12. Determínese. x( n ) +1.θ } ( x) con θ entero positivo b) f ( x | θ ) = e − x +θ I[θ .2. es decir es θ = X (1) ∧ 58.a..θ } ( xi ) = 1 θn ∏ Iz ( x ) = I{ i =1 i n x( n )..

. cual sería el máximo error que podríamos cometer al tomar como media de la población el valor obtenido en la estimación puntual. 527.64 / 8 . 490. en mili segundos.. a este nivel de confianza.35 + 2.12 · 42.b) Indique. 562. 507.12 Sustituyendo estos valores en la expresión del intervalo de confianza de la media tenemos: (505. determine un intervalo de confianza para la media a un nivel de confianza del 95%. es: 3. 32. 460.06..16 59. 492.34) b) En las tablas de la t de Student encontramos que el valor de la variable que deja por debajo una probabilidad de 0.V.12 · 42. 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. Sustituyendo los valores de esta muestra en la expresión del intervalo de confianza obtenemos: ( 32. En consecuencia a un nivel de confianza del 95% la media de la población puede valer 32. Los tiempos de reacción. Buscando en las tablas de la t de Student con 16 grados de libertad. 534.80 . 523. Suponiendo que el tiempo de reacción se distribuye Normalmente. obtenemos que el valor que deja por debajo una probabilidad de 0. 35. 592.7 .64 / 8 luego el máximo error que se puede cometer. 452.54 / 4) Operando ( 482.M. SOLUCIÓN: Mediante los cálculos básicos obtenemos que la media muestral vale 505.54.2. de 17 sujetos frente a una matriz de 15 estímulos fueron los siguientes: 448.7 2 · 12.35 . 488.671 (aproximadamente). 584. con un nivel de confianza del 95%. 464.975 es 2.54 / 4 .671 · 12.64 / 8 ) Operando (30. .1. Obtener el E.35 y la desviación típica 42. 461. 513.7 + 1. 507. 514.90 ) 60.975 es 2. 505.671 · 12. del parámetro λ de una distribución de Poisson.

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 µ ∈ x −   σ σ  . . 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. x1 ! x2 ! xn ! maximizar L será equivalente a minimizar el numerador de L.. x2... 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 61.95 σ = 0..x +  con una confianza de 1 − σ nσ nσ  En este caso: 1 − σ = 0.. xn / λ ) = e − λ λ x1 e − λ λ x 2 e− λ λ xn .. 05 .SOLUCIÓN: Para una muestra de tamaño n tendremos que la función de verosimilitud será: L( x1 .

se tiene que  25 S 2 25 * 0.c2/n). __ = P (-3. Por tanto.2 ≤ Z ≤ 1) = 0. En nuestro caso. ¿Cuál es la probabilidad de que la media poblacional sea superior a 5.01).25).0. c2) se distribuye según una N (µ. 226] con el 95% de confianza 62.25  = P (U ≤ 19) = 0.0.1) b) P (S2 ≤ 0.68 ≤ X ≤ 10. Por tanto. calcular: a) P (9.2.3? .19   P (S ≤ X ≤ 0. 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. La longitud. Para muestras de tamaño 25.19) __ SOLUCIÓN: a) La media muestral de muestras de tamaño n procedentes de una población N (µ. en centímetros. P (9.1) Siendo una normal típica.68 ≤ X ≤ 10. la media muestral lo hará según una ley N (10.25   2 __ Donde U se distribuye χ224 63.8406 b) El teorema de Fisher afirma que ns 2 c2 Se distribuye según una ley chi-cuadrado con n-1 grados de libertad. de las piezas fabricadas por una cierta máquina se distribuye según una N (10.25 ≤ 0.19) = P  0.x = 225 s = 10 n = 2000 Sustituyendo µ ∈ [ 224.

N (µ. 64.25) = 0.3  P Z < 1.05 O bien P(-2c < Z < 2c) = 0. _ _  σ2 σ2 X − Y : N  µ1 − µ 2 .µ Z= n S Se distribuye según una ley t de Student con n-1 grados de libertad. para que la probabilidad de que las medias muestrales difieran en más de 2c.SOLUCIÓN: Sabemos que la variable X.  n      Y la probabilidad del suceso Z = X − Y > 2c Será _ _ P ( Z > 2c ) = 1 .475 → P(Z < 2c) = 0. c2/n).P (. Hallar cuál debe ser el tamaño de ambas muestras. SOLUCIÓN: La distribución de las dos medias maestrales es.975 .P ( Z < 2c ) = 1 . y lo que se pide es _ 5 − 5. 1 + 2  m n      Como en este caso ambas muestras provienen de la misma población. sea 0.114  Donde Z sigue una t de Student con 25 grados de libertad.2c < Z < 2c ) = 0. suponiendo que µ es la media de la población.1. De una población normal de varianza c2 se extraen dos muestras de tamaño n.2   25  = P (Z < .95 → P (0 < Z < 2c) = 0.05. la distribución de Z es: _ _  2σ 2 Z = X − Y : N  0.

salvo excepciones.0.Y pasando a una N (0. nada se opone a aceptar que la muestra procede de tal barrio donde un 20% de personas leen el periódico diariamente.04 Z = . ( ) 2 n = 1. ¿Puede ser que la verdadera proporción de personas que leen el periódico en ese barrio sea 0. En una muestra de 100 personas de un barrio de Pamplona se ha observado una proporción de 0. Y.1.0. Consideramos dos conjuntos de puntuaciones en un test de intuición sociológica.1).20 = .18 . por lo tanto. 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. también qpob es desconocida.645 ó | 0.645 | Por consiguiente no puede rechazarse la hipótesis nula.20 * 0.8 = 0. tendremos  2c  P(Z < 2c) = P  Y <  = P Y < 2n = 0.95 esto es. El error típico σp se calcula entonces.975   2/n c   De donde la longitud.5 .04 . Es decir. empleando la proporción pm de la muestra y qm = 1 pm. 65. Llamamos X 1 a la media de puntuaciones __ . n=2. 100 p pob * q pob N = 0.18 personas que leen el periódico diariamente. 0. Con frecuencia ppob es desconocida y.20? SOLUCIÓN: σp = Z= p pob * q pob N = 0.0.5 | < | 1.5 > . ambos al mismo grupo de 20 estudiantes.

Interesa determinar si X 2 es significativamente diferente de X 1 . __ __ __ 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.

044 0. al nivel de confianza 1%.657 4 . puede ser cero por azar. podemos decir que tal diferencia es significativa y.13.54 (se trata de prueba unilateral). 1. SOLUCIÓN: a) Grupo 1 . 67.54 rechazamos la hipótesis nula con 99% de probabilidades de acertar o lo que es lo mismo.X 1 = 16.12.9 y 8 horas. A ese nivel. La droga produjo en el primer grupo sueños de duración 11.Suponemos que estamos trabajando al nivel de confianza 1%.10. En una «reunión» una droga fue tomada por 14 personas.6.657 4. de las cuales 6 lo hacen por primera vez y 8 ya son habituales de ella. Hallamos la razón crítica t: D t= _ σD = 2 = 3. por lo tanto.863 = 0. Cálculo del error típico de la media de las diferencias: σD = SD N −1 = 2. a lo más con 1% de riesgo de equivocarnos. es decir.D) _ 2 = 164 Para resolver el problema partimos de la hipótesis nula: no hay diferencia significativa entre las dos medias. 5. 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. Cálculo de la desviación típica de las diferencias: SD = ∑ (D .D) N _ 2 = 164 = 2.16.7. sabiendo que las poblaciones tienen la misma media y desviación típica. buscamos en las tablas de distribución t de Student.863 20 2.9. la t correspondiente para N – 1 = 20 – 1 = 19 grados de libertad: t = 2.7. mientras que en el segundo grupo 8. Como la t hallada = 3. que la media después de finalizar el curso es significativamente mayor que la media antes de comenzar el curso.044 > 2.5 __ X 2 = 18.3588 3.17 y 15 horas.5 __ D= _ 40 =2 20 ∑ (D .863 19 = 2.

85 * 0.15 pob  pob     Establecemos la hipótesis nula. Según una encuesta realizada sobre una muestra de 2500 personas elegidas al azar.04 0.14)2 + (17 .14)2 + (15 . Por ello.04| > 2.5 * 6+8-2 1 1 + 6 8 = 6. 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).33. el 80% está decidida a votar en las últimas elecciones.2 1 1 + n1 n 2 = 14 . .8)2 + (10 .x1 = s1 = 2 _ 11 + 12 + 13 + 16 + 17 + 15 = 14 6 (11 .8)2 + (9 .85 * 8. 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.8)2 + (8 .8)2 6 = 1. Luego.8 6 * 4. SOLUCIÓN: a) Se trata de una comprobación de hipótesis.0071 2500  p pob = 0.7.8)2 + (7 .15 = .8)2 + (6 .0071 Una Z = |7.67 + 8 * 1.85   q = 1 .14)2 + (12 .084 68. de ser cierto que en la población votase el 85%.14)2 + (13 .8)2 + (7 .67 x2 = s2 = 2 _ 8 + 7 + 9 + 10 + 6 + 7 + 9 + 8 = 8 8 (8 .5 b) t = x1 − x 2 n 1s 1 + n 2 s 2 2 2 _ _ * n1 + n 2 . la cual dice que puede ser cierto que vote el 85% de la población.15 = 0.14)2 6 Grupo 2 = 4.8)2 + (9 .p = 0.14)2 + (16 . σp = 0. en una muestra de 2500 personas no podía haber salido un porcentaje de 80%. Hallamos la razón crítica Z= 0.

b) Se trata de una prueba bilateral σp = 0.008 ⇒ 0.8220 Es decir. La renta media de los habitantes de un país se distribuye uniformemente entre 4. SOLUCIÓN: La media y varianza de cada variable individual es: µ= (4 + 10) =7 2 (10 − 4) 2 =3 12 σ2 = Por tanto.44) = 1 − P(Y < 1. comenzamos por calcular el valor equivalente de la variable normal tipificada: Y= Luego: 725 − 700 = 1. Y 10.3 P ( x > 725) = P(Y > 1.44) = 1 − 0. Calcular la probabilidad de que al seleccionar al azar a 100 personas la suma de sus rentas supere los 725 millones ptas.80 ± 2.93 y 82.9251 = 0.0 millones pesetas.44 17.80 ± 2.0749 .008 2500 Luego: 0.80 * 50.58 σp = 0.20% de la población electoral. 69.20 = 0. 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.58*0.0 millones ptas.7793 ⇒ 0. la verdadera proporción de la población de votantes a un nivel de confianza del 99% estará entre 77.

le damos el valor 1 y tiene una probabilidad del 0. la suma de las 100 variables se distribuye según una normal cuya media y varianza son: Media: n ∗ µ = 100 ∗ 0.67) = 1 − P(Y < 1. 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 7.9 La media y la varianza de cada variable independiente es: µ = 0. calculamos el valor equivalente de la variable normal tipificada: Y= Luego: 15 − 10 = 1. la probabilidad de tener que salir más de 15 veces a la pizarra a lo largo del curso es tan sólo del 4. A lo largo del año tienes 100 clases de esa asignatura.10 σ 2 = 0.10 "No salir a la pizarra". .67 3 P ( X > 15) = P (Y > 1. ¿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".9525 = 0.49%.10 = 10 Varianza: n ∗ σ 2 = 100 ∗ 0. 70.75%.67) = 1 − 0. En una asignatura del colegio la probabilidad de que te saquen a la pizarra en cada clase es del 10%.10 ∗ 0.09 = 9 Para calcular la probabilidad de salir a la pizarra más de 15 veces.09 Por tanto.0475 Es decir.Es decir.90 = 0. le damos el valor 0 y tiene una probabilidad del 0.

se toman muestras de tamaño 2 con reemplazo.2 1/5 = 0.2 1/5 = 0. 4. .2 Demostrar que es razonable aproximar la distribución muestral de por una distribución normal. X 0 2 4 6 8 Frecuencia 1 1 1 1 1 Frecuencia Relativa 1/5 = 0. SOLUCIÓN: Se calcula la media poblacional.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. 2.71. 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. una vez que se conoce la media y la desviación estándar de la distribución muestral. 6 y 8.2 1/5 = 0. Suponga que de una población consistente en los valores 0.

0 2. 4 6. 4 2. 2 8. 0 4. 4 0. 4 8. 0 8. 6 0. 2 2. 8 2. la varianza de la medias y desviación estándar de las medias ó error estándar de las medias. 6 4. 0 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. 8 2 3 4 5 6 3 4 5 6 7 Muestra 8. 4 4. 8 6. Muestra 0. 2 4. 8 0 1 2 3 4 1 2 3 4 5 Muestra 4. 6 6. 6 2.A posteriori se toman muestras de tamaño dos con reemplazo. 2 0. 0 6. 2 6. 6 8. 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 · 0.01 X − µ 0.98 < < 1.05  0.05 segundos.98) = 1 .98 < Z < 1.05   98  98 98       X −µ   = P − 1.01 < X − µ < 0. 72.05 0.05     98   Se puede aproximar por la probabilidad de una distribución normal estándar Z: P (-1.01    < < P ( X − µ ) < 0. Por tanto.01) = P − = 0. una vez que se conoce la media y la desviación estándar de la distribución muestral.9522.De la apariencia acampanada de la distribución de las medias.01) = P(−0. que es:    0. .0239 = 0. ¿Cuál es la probabilidad de que la media poblacional m difiera de la media muestral en menos de 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. la probabilidad que nos preguntan. concluimos que es razonable aproximar la distribución muestral de por una distribución normal. En un experimento de laboratorio se mide el tiempo de una reacción química.98 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.

Hallar el tamaño de muestra necesario. SOLUCIÓN: Observamos que la media m = 1 y que el error estándar es: σ n = 0. Se ha dispuesto que cuando el proceso está bajo control.0012 1. podemos concluir que el proceso de control ha sido correcto durante el tiempo que lo hemos analizado.95.0022 Estableced cuáles son los límites de control y explicad qué podéis concluir sobre el proceso de producción en estos instantes.997.0016 1. 73. Se establece un control de calidad para un proceso de producción de balas.0020 1. en centímetros.0018 1.997.0012 1.Por tanto.001 Por tanto.0006 0. Cada hora se toman muestras de nueve balas y se miden sus diámetros. Observemos que absolutamente todas las medias que hemos obtenido de las sucesivas muestras están dentro del intervalo formado por los dos límites de control.9997 0. la probabilidad que nos piden es de 0.003 cm. y que no hemos detectado ninguna anomalía.003 ni ningún dato inferior a 0.. Los diámetros de media de diez muestras sucesivas. Por tanto. no hay ningún dato superior a 1.9522. SOLUCIÓN: .0008 1. con una desviación típica de 0. son: 1. 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 0.9992 1. los límites de control serán 1.003 y 0.003 10 = 0. el diámetro de las balas es de 1 cm. Es decir.

   − 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

y . Ahora se trata de un caso de datos apareados. 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. como ( X i − µ ) / σ es N (0. Puesto que razonar.432    = P{Z > −1.98} = 0.1). a la vista de las observaciones. cual de las dos opciones es la más verosímil.8  2. por tanto. Así pues. de forma que  X − X 2 − 1.97661 0.si las varianzas poblacionales fuesen iguales habría probabilidad 0.52    { } 2 78.969  S */ n 0.Por tanto. Determinar las razones por las que es razonable utilizar el estadístico Ti / S 2 . aunque solamente la independencia entre ambos índices.   − 1.9 de obtener un cociente de cuasi varianza muestrales comprendido entre 0. nT / σ 2 será χ n . ya que la independencia entre las observaciones de diferentes días resulta necesaria para obtener una muestra aleatoria simple.755 .523   Obsérvese que el tamaño de la muestra es lo suficientemente grande para poder utilizar las distribuciones poblacionales de los índices. siendo 2 S 2 la cuasi-varianza de la muestra Yi . este apartado la evita.3433 y 2. para obtener P   X − X − (µ − µ )  1 2 1 2   2 s12 / n + s 2 / m > − 1. SOLUCIÓN: 2 (n − 1) S 2 / σ 2 tiene distribución χ n −1 .432   P X 2 ≤ X 1 = P t15 ≥  = P{t15 ≥ −0. . En cuestiones bursátiles la independencia es una suposición de dudosa veracidad.866} = 0.986} = 0.7534.432    P X 1 − X 2 ≥ 0 = P 1 ≥  = P{t19 > −1. 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 = 14.432 − 1.1) independientes. puede utilizarse la aproximación normal. Por ello.734    { } Como el tamaño de la muestra es suficientemente grande. por ser suma de n cuadrados de N (0.

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 

1).82. Calcular P(R>S). x>0 (1 + x 2 ) b2 a ∫( 2 dx 1 = 2 1+ x  b2 1 + 2  a  )     = a2 a2 + b2 .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 . Sean a. 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. por lo que su cociente es una F de Snédecor con la pareja de grados de libertad (2. b > 0 y 2 2 2 R = a ⋅ x12 + x 2 . X 3 y X 4 variables aleatorias independientes N (0. S = b ⋅ x3 + x 4 . Sean X 1 .

85.3? SOLUCIÓN: X −µ n se distribuye según una ley t de Student con n-1 S 5 − 5.1114 donde grados de libertad.25) = 0. para x>0.2   Sabemos que la variable Z = Z sigue una t de Student con 25 grados de libertad.3   ⋅ 25  = P(Z < −1. y lo que se pide es P Z < 1. σ ) siendo n un número natural. 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. ¿Cuál es la probabilidad de que la media poblacional sea superior a 5.83. que es la densidad de una χ 2 . 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 >0.2. SOLUCIÓN: Si X tiene densidad θn Γ ( n) x n −1e −θx . Se realiza un análisis de la duración de 40 pilas alcalinas obteniéndose los siguientes resultados: Duraciones xi Frecuencias absolutas nj . 84. Si X es una variable aleatoria con distribución γ (n. determinar una función X que tenga distribución χ 2 .

95 2.45 3.7 ni 2 1 4 15 10 5 3 pi 0.45 2.2573 0.0525 0.45 − 3.012 0. 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 1.5 .45-1.45 3.5 y desviación típica 0.95-3.95 )=P  Clases 1.7 0.95-3.0874 np i 0.95 2 1 4 15 10 5 3 Ajustar las duraciones de las pilas alcalinas a una distribución normal con media 3.95-4.55-2.7 7.95 1.95-4.3 10.45 2.95 2.7   0.95 3.95 3.95-2.45-4.45 4.0 3.5 No obstante.95  1.45-3.45-2.175 0.5 2.212 np i 8.55-1.5 x − 3.95 ni 7 pi 0.2573 0.1475 0.45-3.7.21) = 0. SOLUCIÓN: Las probabilidades teóricas o esperadas p i se calcularán mediante la distribución normal mediante: P (1.5 1.9 10.95-2.1 5.5  ≤ ≤  = P(−293 ≤ z ≤ 2.012 0.95 1.95 − 3.1.45 4.45-2.45 ≤ x ≤ 1.45-4.

40 → t α = 0. (ni − npi ) (7 − 8.95 15 10 8 0.2. ya que n > 30.5) 2 = + + + = 3.2573 0.05 < 7.7 10.815.40 y n = 8 c) El área a la derecha de tα es 0.05 2 χ 4 = ∑ npi 8. 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 = 0.5 Con estos datos ya podemos calcular el valor del estadístico del contraste de la chi-cuadrado.815 y 3.7 10. se puede aproximar la distribución de t de Student por la N (0.262 P( t > t 'α ) = 0.45-3.20 → n=5 α = 0.20 y n = 10 b) El área a la izquierda de tα es 0.2624 10.10 ya que α 2 = 0.3 =7.4 → con α = 0.2674 0.3 10.95-3. 05. Los grados de libertad serán 4 (n = 4 y no se estima ningún parámetro).5 10.5 .0920 P( t > t α ) = 0.5) 2 (15 − 10.80 → t 'α = 0.45 3.05 y n = 50 SOLUCIÓN: a) Como α 2 = 0.262 y t α = −0.7) 2 (8 − 10. resulta que el valor del estadístico chi- cuadrado cae fuera de la región crítica.05 .3 10.5 i =1 4 2 2 Como tenemos que χ 0.40 con b) Como α 2 = 0.3) 2 (10 − 10.80 n =8 c) Como para n = 50 no se encuentra el valor tα en las tablas.1) P( t > t α ) = 0. 86.95 3.95-4. 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.

σ = X _ S N -1 = 6 25 = 6 = 1.01 F0.01.05 y (7.05.05 F0. _ SOLUCIÓN: -Se trata de una prueba unilateral.( 7 .01 y (2.t α ≤ t ≤ t α ) = 2 P ( t ≤ t α ) .90 P ( t ≤ tα ) = 1. Se quiere saber si la verdadera media de la población puede ser tan alta como 44.1 = 0.3) = 27. -Calculamos el error típico de la media. -Trabajemos al nivel de confianza 1%.90 P(.0. n 2 = 8 b) P ( F > Fα ) = 0. Elegidas 26 personas al azar de una población y sometidas a un test de “modernismo” dan como media X = 40 y S = 6 .3) grados de libertad. b) α = 0. n 2 = 3 88.65 2 87.95 → t = 1.( 2.t α ≤ t ≤ t α ) = 1 .67 y n1 = 7 .10 = 0. SOLUCIÓN: a) P ( F > Fα ) = 0. Calcular los valores de Fα correspondientes a una distribución F de Snédecor en los casos siguientes: a) α = 0.20 5 .90 = 0.65 y n1 = 2 .8) grados de libertad.8) = 8.P(.

la t obtenida = .02 × σ _ < µ < X + t 0.20 < µ < X + 2. Con objetivo de investigar su eficacia. Ahora bien.976 µ  42. El fabricante de una dieta de adelgazamiento dice que su producto permite una reducción media de peso de 3. en general.3. X − t 0.2.976   37.024 89.976 < µ < 40 + 2.02 × σ _ X _ _ _ _ X X − 2. rechazamos la hipótesis nula al nivel de confianza del 1%.976 < µ < 40 + t 0. Según el ejemplo anterior.Hallamos la razón crítica t: t= Estadístico . al nivel de confianza del 2 %. Y. una media tan baja como 40 no podría resultar ni en 1 % de los casos.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%. se seleccionaron al azar 40 personas. 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.20 40 . .5kg.48 lo cual significa que de ser cierto que la media verdadera fuese 44. lo que proporcionó una cuasi varianza para la diferencia de : 40 S 2 =1/39 ∑ 1 [( X i − Yi ) − ( X − Y )] 2 =1.48 × 1. 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.33 < -2.2.02 × σ _ X 40 . observando en ellas el peso antes de aplicar la dieta. determinar la probabilidad de que los individuos de la muestra haya una reducción media de masa de 3kg. t = -2. X y el peso después de acabar el tratamiento.33 1.44 = = .48 × 1.48. Si se pregunta por la fiabilidad de la media procederemos.Parámetro 40 .0.

conocida y σ 1 desconocida. 90. Así pues. x 1 n ) es una muestra aleatoria simple de una N ( µ1 . antes y después del tratamiento. E [T ] = σ 2 y V (T ) = σ4 n2 V nT / σ 2 = ( ) 2σ 4 n .36} = 0. por ser suma de n cuadrados de N (0. 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 = ). d Por tanto. comparar las distribuciones en el muestreo. la media y la varianza. σ 1 ). _  d − µd 3 − 3. se trata de un problema de datos apareados.1). La diferencia de peso d =X-Y tiene media µ d = µ x − µ y = 3.….SOLUCIÓN: Como las observaciones X i e Y i se realizan en los mismos individuos.5 y S 2 =1.5    > P{d > 3} = P   = P {t 39 > −2. luego ) 2σ 2 n −1 2 n [ ] ( ) (n − 1)2 σ4 V (n − 1)S 2 / σ 2 = es N (0. Si ( x .988 1. nT/ σ 2 ( Por otro lado. como ( X i − µ ) / σ ( ) será X .8. con µ1 .1) independientes.8 / 40   Sd n     − después de interpolar en la tabla t de Student.

la distribución de ambos estadísticos se concentra rápidamente alrededor de σ 2 y la diferencia entre ambos se hace inapreciable. Para una muestra de 61 individuos. pero no se conoce la varianza poblacional.8σ 2 = P x15 < 12 = 0. y la dispersión del segundo es inferior a la del primero. que es el tiempo mínimo de efectividad requerido. 91.0063 S / n 1. (Naturalmente. de manera que conviene hacer uso. en la distribución t 15 . sigue una distribución normal de media 14 días y desviación típica desconocida.4 días. habrá que utilizar la distribución t de Student. en lugar de ignorarlo usando S 2 . si µ fuese desconocida.4 / 16     − Donde el valor se obtiene. que podría llevar a subestimar la probabilidad de que no se alcance la efectividad mínima. Si la muestra es de 61 pacientes. 2 Como (n-1) S 2 / σ 2 tiene distribución X n −1 . La efectividad en días de un determinado antibiótico. por simetría. Si n es pequeño.3 . la probabilidad de subestimación de σ 2 en más de un 20% es 2 P s 2 < 0. mediante T del conocimiento de µ .05.857}=0. se desea determinar la probabilidad de que con una muestra de 16 enfermos se subestime la varianza en más de un 20%. { } { } calculada a partir de las tablas por interpolación lineal. esta probabilidad ¿aumenta o disminuye? Determinar el tamaño de muestra necesario para que la probabilidad anterior sea 0.Como la población es normal. utilizando la aproximación de la distribución X 2 n . SOLUCIÓN: La probabilidad es P {X≤13}. los valores de T no podrían determinarse). Fue administrada a 16 enfermos.Ambos estadísticos se distribuyen alrededor de la media σ 2 . obteniéndose una cuasi desviación típica muestral de 1. Determinar la probabilidad de que la efectividad media en la muestra no supere los 3 días. Preocupados por una posible subestimación de la varianza poblacional. −  13 − 14  X −µ P { X ≤13}= P  ≤  = P {t 15 ≤ -2. Cuando n crece. T esta considerablemente mas concentrado alrededor de σ 2 que S 2 .

33 2 × 61 .119 < 96 .99 → z1 = 2.0.05 con → n =8 ( χ 02.6 (n − 1) − 2n − 1 { } ha de ser 1.61.33 2 χ 2 > 2. se obtiene la precisión requerida.1.30 c) α = 0.1 > 2.05 = P{ χ n−1 < 0.645 De donde n = 117.119 }= Es decir. Hallar el valor crítico de χ α de χ en los siguientes casos: a) α = 0.05 ( ) ) =α = 0.2 P s 2 < 0. Por último.01 y y y n=8 n=7 n = 61 SOLUCIÓN: 2 2 a) P χ > χ α 2 P χ 2 > χ 0.8 (n − 1)} ≈ P Z < 1.33 2 χ 2 > 117.05 = 15.01 → Z = 2χ 2 - P ( Z ≤ z1 ) = 1 . con tamaño muestral 118.1 que se distribuye según una N (0.05 b) α = 0.11} = 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. para conseguir que: 2 0.6(n − 1) − 2n − 1 = −1. la probabilidad disminuye al aumentar el tamaño de la muestra. 2 2 92.30 ( ) Z= = 0.1335 } { 2χ 2 60 .01 = 0.689 .1) P ( Z > z1 ) = 0.30 y n = 7 χ 02.33 + 11 = 13.30 = 8.8σ 2 = P x60 < 48 ≈ P { } { = P {Z < .

844) = 0.6 - ] [ 59 = P [Z < .1034 ] . [ 2 × 20. 2 iii) La otra aproximación asintótica a la chi-cuadrado es aquel que si X : χ 30 .1).χ 2 > 88.6] = P  <  ≅ P [Z < . luego P [ X < 20. ii) utilizando la aproximación del teorema central del límite.599] = 0.1).773. entonces U = 2 X se distribuye asintóticamente N( 59 .2624] = 0. Se trata de calcular: a) P [X < 20.6] b) a / P [X > a ] = 0. 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 > 20.844 P ( χ 2 > 88. ii) por la aproximación del teorema central del límite  X .844 2 93.5 de X .1.30 20.599] = 0.6] = P U < b) i) En este caso a = 43.a.1. d) E [X] . 60   60 con Z: N(0.6 . X distribuida χ 30 . Sea una v.01 → χ 2 = 88.1124 .1.05 c) c0.6 ≅ P Z < 2 × 20.2135] = 0. Por los tres procedimientos siguientes: i) utilizando las tablas de la chi-cuadrado.9.30  P [X < 20. luego P [X < 20.

1) . las dos aproximaciones coinciden.5  ≅ 0.5 ⇔ c − 30   P  Z ≤ 0.5 ] ≅ P [Z < 2c0.5 .742 iii) P [X > a ] = P U > a / P Z > [ 2a - [ 2 a ] ≅ P [Z > 2 a . luego → E [X ] = 1 E [U 2 ] .1). donde U se distribuye 2 E [U 2 ] = V [U ] + E 2 [U ] ≅ 59 + 1 = 60.5 = 29.05 con Z : N(0.645 → a = 43. que suele mantenerse estable en el valor verdadero de la media.ii) P [X > a ] = 0. los cuales responden a una prueba de inteligencia espacial.488 c) i) En este caso c0.05. se tiene que E [X] ≅ 30 iii) En este caso E [U 2 ] = E [2X ] asintóticamente N ( 59 .a. . b).5 ≅ 29.5 − d) 59 = 0 ⇒ c 0.1). E [X] ≅ 30 Conclusión: De los apartados a). Por tanto. 94.5 ] = P U < [ 2c0.5. con Z : N (0. Se obtiene una media muestral de 80 y una varianza . ii) P [X ≤ c0.5 i) E[X] = 30 ii) Como X se distribuye asintóticamente N(30.5.59 ].336 .5 ] = 0. 60   De donde c0. y coinciden con el verdadero valor.s.1). por darnos valores y probabilidades más cercanos a los verdaderos. Esto sucede por tratarse de la media.60). cuando se utilizan las aproximaciones asintóticas.645 * 60 + 30 = 42.59 ≅ 0. en d). y resulta que: 2a - 59 = 1. ] con Z : N (0. de 61 estudiantes universitarios. c) se observa que la aproximación asintótica de iii) es preferible ala del teorema central del límite. Luego se busca un 59 ] ≅ 0.5 = 30 iii) P [X ≤ c0. Sin embargo.1 ) 60   De donde a = 1. Extraemos una m.05 ↔  a − 30  P Z >  ≅ 0. con Z : N(0. De donde 2c 0.

a un nivel de confianza del 99%? SOLUCIÓN: 1 – α = 0. ¿ 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.57 . X n + t1- α (n-1) s n 2 n −1 ] Buscamos en las tablas de la distribución t de Student: t0. 83. Sustituyendo en el intervalo y haciendo operaciones tenemos: [ 80 – 2.66 10 60 .95 .43] con confianza del 99% 95.01 .7 0 . z 1− α 2 = 1. Si más de la mitad respondieran NO entonces preferiría no plantearla.t1- α (n-1) s n 2 n −1 .muestral de 100.3 ⋅ 0 . 0. el intervalo correspondiente será: [ X n .995 Como la varianza poblacional es desconocida pero el tamaño muestral es mayor que 30. 80 + 2.158.975 .3 +1.442] 40 40 .3 – 1. ¿entre qué límites se hallará la verdadera puntuación media de la prueba. Uno de los líderes de un colectivo laboral desea plantear una cuestión a todos los miembros del grupo.96 ] → p є [0. α = 0. aunque la población no es normal.995 (61 – 1) = 2.66 2 Sabemos que X 61 = 80 y s 61 = 100. 1 - α 2 = 0. Para salir de dudas.96 0 .99 .3 ⋅ 0 .7 .66 10 60 ] µ є [76.96 y P= 12 40 Sustituyendo en los intervalos tendremos: a) [0. elige al azar 40 trabajadores a los que hace la pregunta y sólo 12 responden NO. 1- α 2 = 0. 1 – α = 0. 0.

14 Clase 2.95 →1 - α 2 = 0. 13.96 = [0.84 a) 1 – α = 0.µ2 є [12 – 10. 8 .975 → t 1− α 2 (n + m – 2) = t0. z 1− α 2 = 1.10.12 Suponiendo que el numero de errores en ambas clases son normales. se tomaron dos muestras de 7 y 8 alumnos.3 – 1. 13.61 * s8 2 = 1. 10.10.b) [0.9 .95 → 1 - α 2 = 0.16 . por lo tanto podemos aconsejar al líder que formule la pregunta.975 .33 * s8 = 1.44 1.12.5 40 ] → p є [ 0.53 n=7 m=8 2 s7 = 2 * s 72 = 2. respectivamente y se observaron los siguientes errores: Clase 1: 10.44 + .36 2 s8 = 1. SOLUCIÓN: De los datos obtenemos: • • clase 1: Χ 7 = 12 clase 2: Υ8 = 10. 96.092] 1.96 µ1 . 12.44 b) suponiendo que las varianzas son desconocidas pero iguales.3 – 1.975 (13) = 2.12.125 * s 7 = 1.455] En ambos casos.44 + ]= 7 8 b) 1– α = 0. calcular es intervalo de confianza del 95% para la diferencia de medias: a) suponiendo que las varianzas poblacionales son iguales y valen σ2 = 1.5. el intervalo no llega a 0.5 40 + 0.96 0.125 – 1.145.96 0.658. Con el fin de comparar el promedio de faltas de ortografía cometidas en una composición por dos clases similares de alumnos.125 + 1. 0. 3.96 7 8 1.10. 10.44 1. 12 – 10.

84  1 1   +  ] = [0.125 400 Sustituyendo en el intervalo correspondiente: Px – py є [0.215.16 7 ⋅ 2 + 8 ⋅ 1.15 – 0.96 1.125 – 1. . podemos concluir que las medias no serán iguales con una confianza del 95%.125 + 600 400 98.125 ⋅ 0. 0.8594 ⋅ 10 −4 ] = [.95 → 1 - α 2 = 0.535] 7 +8− 2 7 8 Como el valor 0 no pertenece a ninguno de los dos intervalos.0. Se supone que estamos ante un fenómeno que sigue la ley normal. acceden universidad 50 alumnos.125 + 7 +8− 2 7 8 +2.µ1 - µ2 є [12 – 10. podemos concluir que la proporción de alumnos que acceden a la universidad es similar en los dos sistemas escolares. 97. SOLUCIÓN: 1 – α = 0.125 – 2.975 → z0.15 ⋅ 0. 0.16 7 ⋅ 2 + 8 ⋅ 1.068] Como el valor 0 pertenece al intervalo.018.84  1 1   +  . si sabemos que: Sistema escolar X: terminan BUP 600 alumnos. 0.975 = 1. 12 – 10.96 4.85 0.96 Px = 90 = 0. acceden universidad 90 alumnos. 3. 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. 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.875 + .15 – 0.15 600 Py = 50 = 0. Sistema escolar Y: terminan BUP 400 alumnos.

57 σ2 є    7200 7200  . α = 0.02 = 2 λ α 2 0 . SOLUCIÓN: E = ± 1% → E = 0.75.6   200 ⋅ 36 .995 → X 0.57 2 ⋅ 200   250.02 El intervalo para p es [ p − λ α 2 0 .005 (18) = 6. 1- α 2 2 2 = 0. se reduce a amplitud del intervalo. =  = [28.78] 199 + 2.2 6. 48.01.995 (18) = 37.27] σ2 є   37. = [18.4 147.26 . p + λα 2 0 .39.26   19 ⋅ 36 19 ⋅ 36  b) como n = 200 > 100 utilizamos el intervalo de la nota: z 0. 109.99. 200 ⋅ 36 Al utilizar un tamaño muestral mayor.2 y X 0. λ α = 2.5733 (tras interpolar) 2 . 99.5 n ] E = 0.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. Calcular el tamaño muestral necesario para conseguir una estimacion de estas caracteristicas.57 2 ⋅ 200 199 − 2.995 = 2. 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%.5 n 1-α = 0.5 n .

.. x 2 .. frente H1 (el error es sistemático positivo): H0: X es N (0... 0. x 2 . con un nivel de significación de 0......  2π ⋅ e      1 2π 1 2π ⋅e 1 − ⋅( xn − m ) 2 2 ⋅e 1 2 − ⋅ xn 2       ≥ a =     ..07. Después de n=9 pesadas se han comprobado los errores (en mg): -0.12.1. Se pide contrastar la hipótesis de que la balanza funciona correctamente frente a la alternativa de que tiene un error sistemático positivo..4.1) → 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 . y 1.02 = 2.62..68223 Es decir habra que muestrar a 16555 personas.. 1. Los errores aleatorios que se cometen en las pasadas de una cierta balanza siguen una distribución normal de media 0 y desviación típica 1mg. 2. ⋅e 2      r  2π   x/  1 2 − x 1   1  2  . 100. x 2 . 0.5733 ⋅ 0.1..x n ) /    f 1 ( x1 .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. 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    . Debemos contrastar H0 (el error es aleatorio).3.3.x n ) ≥ a = f 0 ( x1 .... SOLUCIÓN: Los errores aleatorios cometidos al pesar siguen una distribución normal N(0..0. -0. despejando → n = 16554.8.5 n . 1). 2.Asi que → 0. 0.

2 Yα = 1.1) n ∑x i =1 i es N (0. n) Por tanto: ∑x i=n n i n = y es N (0.1 Mirando las tablas: P( Y ≥ Yα ) = 0.1) → P (Y ≥ Yα ) = 0.28 .1 Bajo la hipótesis H0 (bajo la cual se construye la región critica w) → X es N (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.

(θ = 4) Sea X v. N (θ .28 n  → Región crítica óptima  i =1  En nuestro caso: n=9 ∑x i =1 9 ≥ 1.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 .84 → Rechazamos H0 y se acepta H1 101.1) Debemos contrastar las siguientes hipótesis: H0: θ = 0 H1: θ = 4 Su función de densidad es: → f ( x. 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.a.28 → w = x / n       r n  w =  x / ∑ xi ≥ 1.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 .37 ≥ 3.29 ⋅ 9 → 8. SOLUCIÓN: Sea X v. N (θ .05.a.1) .θ ) =   ⋅e 2   2π   n 1     r   r f 1 ( x.Por tanto: n    r ∑ xi   i =1  ≥ 1.

05 r r x100 ≥ b X es N (0.1644 se rechaza H0 r .1) → x100 es N  0.1644 → X 100 = 0.05 → P 1  1    10  10  10 · b = 1.644 → b=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) = 0.1 Mirando las tablas: c=1.05 P ( Y ≥ c ) =0.64. por tanto r   x −0 b−0   100 ≥ = 10b  = 0.05 P  1 1    n n   Anotación: 10b=c P ( Y ≥ c) =0.1644 r Para X 100 ≥ 0.    1   = Supuesto cierto H0  n Al tipificar:    r  x100 − 0 ≥ b − 0  = 0.

Para X 100 〈0.dim Ω = 1 El Máximo de L en . σ 0 ) donde (σ 0 ) es conocido. 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) .Ω es con θ = x n La razón de verosimilitud es: → r → k r .1644 se acepta H0 r 102. nos fijamos en los espacios. Sea X v.ω es con θ = θ 0 .dim ω = 0 2) .a N (θ . 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.

suponiendo normalidad en la población. 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.841 se acepta H1 103. de las que se afirma que el peso medio es de 1000gr. 1005. ¿Puede mantenerse la hipótesis de que la media es 1000 con un nivel de significación α = 0. Se hace un envió de latas de conserva.05 ( ) Mirando las tablas: 2 X Ε = 3. Examinada una muestra de 5 latas se han obtenido pesos respectivos de 995.841 se acepta H0 Si U f 3.841 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 ≤ 3.05? Hallar un intervalo de confianza para la media.r L( x . 992. por ejemplo: Ε = 0.θ 0 ) Λ= r r L( x . 998 y 1000.05 Tenemos que hallar: 2 2 X Ε / P X 12 f X Ε = 0. .

776 p 4 p 2.6 = 4.43   El intervalo es: .43 P ( t 4 f tα ) = 0.776 ¿ − 0.776  = 0. por lo tanto H0.05 Mirando la tabla t de Student obtenemos: tα = 2.776 ? NO.95 4.43 Sustituyendo: t4 = 998 − 1000 ⋅ 4 = −0.6 5 5 [ ] 2 s n = s n = 19. σ) con σ desconocida. N ( µ.SOLUCIÓN: Tenemos que contrastar la hipótesis: H0: µ=1000 (hipótesis nula) H1: µ ≠1000 (hipótesis alternativa) n=5 → µ=1000 Como X es v.903 f 2.a.903 4. 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. 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.

61. ambas líneas. 50. ¿Podemos aceptar que la producción es la misma. 52 y 56 para la línea A y de 55. ………. 55. se toman 10 fincas al azar. . X2≠Y2. porque cada producción está tomada en la misma finca y depende de las características del terreno.………X10 a la producción en A Y=Y1.E(Y) = µa-µb =0 y la distribución de XY será normal de media 0. 52. 48. Llamamos. se verifica: E(X-Y) = E(X) . X=(producción de A). X=X1. La producción en las 10 fincas fue (en cierta unidad de medida) de 57. 58.776 ⋅  2 2   I (991. 48.43   I  998 − 2.1) También podemos decir que aceptamos H0 porque 1000 ∈ I 104.43 4. plantando en cada una de ellas.a. X2=Y2. y en dos parcelas distintas. y Y=(producción en B) son dependientes.X10=Y10 H1: X1≠Y1 . Se desean comparar dos nuevas líneas de trigo. 54. 56. 57.………Y10 a la producción en B Debemos contrastar la hipótesis: H0: X1=Y1 . si H0 es cierta. a un nivel α=0. Ahora bien. 60. 48. 49.05 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. 56.05 (y suponiendo la población normal bivariante? SOLUCIÓN: n=10 α=0. 50 y 58 para la línea B. ……….9 p µ p 1004. para ello.X10≠Y10 → → H0: µa=µb (hipótesis nula) H1: µa≠µb (hipótesis alternativa) Pero en este caso las dos v.4.776 ⋅ p µ p 998 + 2.

262 ? No lo es.14 → t9≈ 1.Quedando la hipótesis: H0: E(X-Y)=0 (hipótesis nula) H1: E(X-Y)≠0 (hipótesis alternativa) Sea D=(X-Y) D=2. -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 = 4.4 f 2.05 Mirando en la tabla t de Student obtenemos: ( ) tα = 2.262 → ¿1. -2. 0. 5. 1.6 → sD = 2. De 100 observaciones de una población normal se obtiene que x = 5 y que S = 2. es decir no hay diferencia entre la producción de las dos líneas de trigo.14 Por lo tanto tenemos que: D −0 ⋅ n − 1 es tn-1 sD t1 ≈ 1− 0 ⋅3 2. SOLUCIÓN: . por lo tanto aceptamos H0. 105. 2. 2. Contrastar con un nivel de significación del 5% la hipótesis de que la media de la población sea 7. -1.4 Por otro lado tenemos: P t 9 f tα = 0. 3.

σ ] L[ x−µ S = ( n − 1) ]= t n-1 t0.02 S =8 ∉ [-2.2. 106.75 = ( n − 1) = ×4 = 0.12.12] Por lo tanto Rechazamos la hipótesis de que la media sea 1’75 . 1’96] rechazamos la hipótesis: Rechazamos la hipótesis de que µ = 7.) = 2’12 x = 1’71 S = 0’02 n = 17 < 30 H0: µ = 1’75 H1: µ ≠ 1’75 x − µo 1. SOLUCIÓN: Distribución de la población L(X) = N [ µ . Resultando que su estatura media es 1.71 − 1.05 (16 g. Se escoge a 17 individuos al azar y se les mide. Y que la desviación típica es 0’02 metros.l.71m.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. Contrastar la hipótesis de que la estatura media nacional sea 1’75 con un nivel de significación del 5%.

96 así es que rechazamos que p = 0.λα = -1. Su director comercial opina que al menos el 50% de los consumidores verá con buenos ojos la innovación.5%.4 n = 100 ˆ p − po po qo / n = 0.96 ˆ p = 0.025 .96 así que rechazamos que p = 0. .107. Para tomar esta decisión trabajarán con un nivel de significación del 2.λα es negativo y su opuesto es tal que (+ λα ) = 1 –0. Un fabricante de refrescos sin burbujas desea sacar al mercado una variedad de su producto que tenga burbujas. Si es aceptable el criterio del director comercial entonces sí fabricarán el refresco con burbujas.025 = 0.1 =2 0.4 n = 100 >> 30 -2 < -1.5 2 > 1. Y si ninguna de las 2 hipótesis es aceptable procederán a hacer otro sondeo.96 ˆ p = 0. Se realiza un sondeo de mercado y resulta que de 100 consumidores encuestados 40 son favorables a la innovación.5 b) H0: p = 0’3 H1: p > 0’3 α = 0’025 λα = 1.975. así que . 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. a) Contrastar la hipótesis del director comercial frente a la alternativa de que el % de aceptación es inferior.5& ¿ Por qué opción se decantarán? SOLUCIÓN: a) H0: p = 0’5 H1: p < 0’5 α = 0’025 − λα / φ (−λα ) = 0.3 Como no se aceptan ninguna de las dos hipótesis habrá que hacer otro sondeo. con un nivel de significación del 2.

S 2 x n x (n y − 1) 144 ∗ 25 ∗ 29 ∗ ∗ = = 2.1’96] aceptamos la hipótesis de que sea visto por el 30% de la audiencia. Contrastar la hipótesis con una nivel de significación del 5%. 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 ∈ [-1’96.29 ( α =0.49 Como 2. SOLUCIÓN: S 2 x = 144 S 2 y = 49 F 24. Una empresa de publicidad desea comprobar si un determinando programa de televisión es visto por el 30% de la audiencia.01) = 2. 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. .108.95918 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.95918 > 2. rechazamos la hipótesis de que las varianzas sean iguales.49.

518 2.975 12.921 2.325 1.796 1.333 1.862 0.718 0.947 2.859 0.365 2.707 3.977 2.066 1.638 1.878 2.541 3.690 0.078 1.831 2.306 2.657 9.771 1..697 0.865 0.906 0.190 1.120 2. P[T ≤ c] = 1 − α .898 2.583 2.706 4.694 0.345 1.995 63.110 2.681 2.055 3.686 0.727 0.866 0.156 1.821 6.816 0.687 0.925 5.711 0.761 1.182 2.093 2.032 3.706 0.074 1.083 1.895 1.262 2.341 1.688 0.691 0.567 2.386 1.086 2.074 0.841 4.943 1.447 2.764 2.539 2.076 1.692 0. 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 0.328 1.250 1.363 1.604 4.132 2.753 1.868 0.571 2.069 1.012 2.356 1.067 1.695 0.845 2.080 2. r La tabla da áreas 1  y valores .365 3.476 1.782 1.134 1.337 1.079 1.812 1.860 1..440 1.689 0.415 1.85 1.088 1.741 0.383 1.101 2.861 2.717 0.499 3.071 1.179 2.870 0.978 0.250 3.819 .015 1.100 1.063 1.821 2.876 0.061 0.75 1.896 0.863 0.95 6.119 1.725 1.602 2.688 0.533 1.729 1.920 0.650 2.858 0.624 2.889 0.99 31.061 0.90 3.376 1.064 1.145 2.721 1.314 2.941 0.879 0.873 0.747 3.718 2.350 1.734 1. distribución t-Student con r grados de libertad.896 2.965 4.765 0.860 0.80 1.963 1.330 1.700 0.746 1.886 1.ANEXO TABLA DE LA DISTRIBUCION tStudent c = t1−α .321 0.998 2.201 2.528 2.920 2.303 3.169 3.108 1.552 2.143 2. donde.106 3.323 1.833 1.160 2.740 1.883 0.000 0.776 2.372 1.353 2.131 2.861 0.093 1.686 0.703 0.397 1.508 0.355 3.228 2.

658 1.313 1.055 1.318 1.050 1.683 0.617 2.681 0.683 0.854 0.060 1.855 0.704 2.683 0.701 1.711 1.058 1.056 2.326 2.296 1.473 2.807 2.842 1.684 0.423 2.479 2.685 0.787 2.289 1.048 2.046 1.303 1.467 2.358 2.045 2.390 2.763 2.771 2.848 0.756 2.684 0.855 0.708 1.058 1.854 0.706 1.462 2.052 2.060 2.316 1.797 2.980 1.856 0.282 1.684 0.714 1.674 0.485 2.021 2.315 1.645 2.779 2.858 0.857 0.23 24 25 26 27 28 29 30 40 60 120 0.059 1.671 1.311 1.500 2.064 2.036 1.960 2.677 0.055 1.492 2.041 1.660 2.000 1.703 1.750 2.856 0.699 1.684 1.697 1.056 1.069 2.310 1.679 0.851 0.845 0.319 1.576 .685 0.457 2.057 1.042 2.314 1.