Documentos de Académico
Documentos de Profesional
Documentos de Cultura
GG Problemas-Contrastes PDF
GG Problemas-Contrastes PDF
Estadística Teórica II
CONTRASTE DE HIPÓTESIS
sx sx sx sx
x − tα ≤ μ ≤ x + tα tα ≤ x − μ ≤ tα
2
, (n−1) n 2
, (n−1) n 2
, (n−1) n 2
, (n−1) n
sx
x − μ ≥ tα
2
, (n−1) n
⎧ error
muestral
⎫
⎪ diferencia 6447448 ⎪
⎪ 6muestral
4748 σ21 σ22 ⎪⎪
⎪
I1− α (μ 1 − μ 2 ) = ⎨ (x − y) ± z α + ⎬
⎪ 2
n 1 n2 ⎪
⎪ ⎪
⎪⎩ ⎪⎭
de donde,
σ21 σ22
(x − y) − (μ 1 − μ 2 ) ≥ z α +
2
n1 n2
CONTRASTE HIPÓTESIS
⎛ σ ⎞⎟
De otra parte, en la distribución del muestreo x ≈ N ⎜⎜ μ, , que bajo la hipótesis nula
⎝ n ⎟⎠
⎛ σ ⎞⎟ x − μ0
x ≈ N ⎜⎜ μ 0 , ⎟ , con lo que la variable es N(0, 1).
⎝ n⎠ σ n
El valor crítico k se calcula mediante el error de significación α :
⎡ ⎛ σ ⎞⎟ ⎤ ⎡ x − μ0 ⎤
[ ]
α = P Rechazar H 0 / H 0 es cierta = P ⎢ x > k / N ⎜⎜ μ 0 , ⎥ = P ⎢ > K ⎥ =
⎢⎣ ⎝ n ⎟⎠ ⎥⎦ ⎢⎣ σ n ⎥⎦
simetría N(0, 1)
⎡⎛ x − μ 0 ⎞ ⎛x − μ0 ⎞⎤ ⎡x − μ 0 ⎤ ⎡x − μ 0 ⎤ 678 α α
= P ⎢⎜⎜ < −K ⎟⎟ ∪ ⎜⎜ > K ⎟⎟ ⎥ = P ⎢ < −K ⎥ + P ⎢ > K⎥ = +
⎢⎣⎝ σ n ⎠ ⎝ σ n ⎠⎦⎥ ⎢
⎣ σ n ⎥
⎦ ⎢
⎣ σ n ⎥
⎦ 2 2
x − μ0 ⎧⎪ σ ⎫⎪
La región crítica será > zα 2 ⇒ R = ⎨ x − μ 0 > zα 2 ⎬
σ n ⎪⎩ n ⎪⎭
En otras palabras,
x − μ0
Se acepta H 0 si ≤ zα 2
σ n
x − μ0
Se rechaza H 0 si > zα 2
σ n
Como la hipótesis alternativa es μ 1 > μ 0 en la decisión que hayamos de tomar solo son
válidos los valores de μ 1 mayores que μ 0 , por lo cual el contraste debe ser unilateral o
de una cola.
⎛ σ ⎞⎟
De otra parte, en la distribución del muestreo x ≈ N ⎜⎜ μ,
⎝ n ⎟⎠
⎡ ⎛ σ ⎞⎟ ⎤ ⎡x − μ 0 ⎤
[ ]
α = P [ ET I ] = P Rechazar H 0 / H 0 es cierta = P ⎢ x > k / N ⎜⎜ μ 0 , ⎥ = P ⎢ > K ⎥
⎢⎣ ⎝ n ⎟⎠ ⎥⎦ ⎢⎣ σ n ⎥⎦
x − μ0 ⎧⎪ σ ⎫⎪
La región crítica será > zα ⇒ R = ⎨ x − μ 0 > zα ⎬
σ n ⎪⎩ n ⎪⎭
En otras palabras,
x − μ0
Se acepta H 0 si ≤ zα
σ n
x − μ0
Se rechaza H 0 si > zα
σ n
⎧⎪ Si x − y ≤ k no se rechaza H0 a (RA)
La regla de decisión será: ⎨
⎪⎩Si x − y > k se rechaza H0 a (RC)
⎡ σ1 ⎤ ⎡ σ2 ⎤
x ≈ N ⎢μ 1 , ⎥ , y ≈ N ⎢μ 2 , ⎥ , con lo cual, la diferencia de medias muestrales,
⎢⎣ n1 ⎥⎦ ⎢⎣ n 2 ⎥⎦
⎡ σ 12 σ 22 ⎤
bajo la hipótesis nula H0 : μ 1 − μ 2 = 0 , se distribuye: x − y ≈ N ⎢0 , + ⎥
⎢ n1 n2 ⎥
⎣ ⎦
La región crítica es
⎧ σ 12 σ 22 ⎫⎪
x−y ⎪
> zα 2 a R = ⎨ (x − y) > z α 2 + ⎬
(σ21 n 1 ) + (σ22 n 2 ) ⎪⎩ n1 n2 ⎪
⎭
x−y
En otras palabras, se acepta la hipótesis nula H 0 si: ≤ zα 2
(σ21
n 1 ) + (σ22 n 2 ) {
estadístic o
14444244443 teórico
estadístic o
observado
x−y
se rechaza la hipótesis nula H 0 si: > zα 2
(σ21 n 1 ) + (σ22 n 2 ) {
estadístic o
14444244443 teórico
estadístic o
observado
⎧ Si (x − y) ≤ k no se rechaza H0 a (RA)
La regla de decisión será: ⎨
⎩Si (x − y) > k se rechaza H0 a (RC)
⎡ σ1 ⎤ ⎡ σ2 ⎤
x ≈ N ⎢μ 1 , ⎥ , y ≈ N ⎢μ 2 , ⎥ , con lo cual, la diferencia de medias muestrales,
⎢⎣ n1 ⎥⎦ ⎢⎣ n 2 ⎥⎦
⎡ σ 12 σ 22 ⎤
⎢
x − y ≈ N (μ 1 − μ 2 ) , + ⎥ , bajo la hipótesis nula H0: μ 1 − μ 2 = Ko ,
⎢ n1 n2 ⎥
⎣ ⎦
⎡ σ 12 σ 22 ⎤
⎢
x − y ≈ N Ko , + ⎥
⎢ n1 n2 ⎥
⎣ ⎦
[
α = P (ET I) = P (Rechazar H0 H0 cierta) = P (x − y) > k / H0 : μ 1 − μ 2 = K o = ]
⎡ ⎤ ⎡ ⎤
( x − y) − K o k − Ko k − Ko
= P⎢ > ⎥ = P ⎢z > ⎥
⎢ (σ21 n 1 ) + (σ22 n 2 ) (σ21 n 1 ) + (σ22 n 2 ) ⎥⎦ ⎢ (σ21 n 1 ) + (σ22 n 2 ) ⎥⎦
⎣ ⎣
k − Ko
con lo cual, el valor crítico se despeja = zα.
(σ21 n 1 ) + (σ22 n 2 )
( x − y) − K o
De otra parte, la región crítica > zα
(σ21 n 1 ) + (σ22 n 2 )
Solución:
Se tiene una muestra aleatoria (X1, X2, L , Xn ) , de tamaño 10, donde X = ‘número de
erratas por página’, con X ∈ P (λ).
Nos interesa el número medio de erratas por página = E (Número erratas por página) =
= E (X) = λ.
⎡ 10 ⎤ ⎡ 10 ⎤ ⎡ 10 10
⎤
α = P ⎢∑ Xi ≥ 2 λ = 1⎥ = 1 − Pλ = 1 ⎢∑ Xi < 2⎥ = 1 − ⎢Pλ = 1 ( ∑ Xi = 0) + Pλ = 1 ( ∑ Xi = 1)⎥ =
⎣ i =1 ⎦ ⎣ i =1 ⎦ ⎣ i =1 i =1 ⎦
= 1 − [0,3679 + 0,3679 ] = 0, 2642
Por otra parte, un libro que tiene generalmente una media de 0,2 erratas por página, es
10
un libro para el que λ = 0, 2 , con lo que ∑ Xi ≈ P (λ = 10 . 0, 2 = 2) , por tanto la
i =1
⎡ 10 ⎤ ⎡ 10 10
⎤
P ⎢∑ Xi ≤ 1 λ = 2⎥ = ⎢Pλ =2 ( ∑ Xi = 0) + Pλ =2 ( ∑ Xi = 1)⎥ = 0,1353 + 0, 2707 = 0, 4060
⎣ i =1 ⎦ ⎣ i =1 i =1 ⎦
Solución:
Po = P [B (n = 7, p = 0, 2) > 1 ] = 1 − P [B (n = 7, p = 0, 2) ≤ 1 ] =
= 1 − ( P [B (n = 7, p = 0, 2) = 0 ] + P [B (n = 7, p = 0, 2) = 1 ] ) = 1 − [0, 2097 + 0, 3670 ] = 0, 4233
3.- Sea una variable aleatoria X procedente de una población con densidad de
probabilidad N (μ , 5). Efectuadas dos hipótesis sobre el valor de μ
H 0 : μ = μ 0 = 12 H 1 : μ = μ 1 = 15
mediante un muestreo aleatorio simple de tamaño 25, se contrasta la hipótesis H 0
respecto de la hipótesis H1 , estableciéndose que si la media muestral es menor que 14
se aceptaría la hipótesis nula. Determinar:
a) La probabilidad de cometer el error tipo I
b) La probabilidad de cometer el error tipo II
c) La potencia del contraste
Solución:
H 0 : μ 0 = 12
H1 : μ 1 = 15
14 − 12
α = P (ET I) = P( x ≥ 14 H 0 : μ 0 = 12) = P (z ≥ ) = P (z ≥ 2) = 0, 0228
1
Resaltar que es más grave cometer un Error Tipo I (α) que un Error Tipo II (β) .
Solución:
k − 250
= −1,96 a k = 248,52
0,9
⎡ 9 ⎤ ⎡ x − μ 248,52 − μ ⎤
P (μ) = P (x ≤ 248,52) = P ⎢ x ≤ k / N (μ ; )⎥ = P⎢ ≤ ⎥=
⎢⎣ 100 ⎥⎦ ⎣ 0,9 0,9 ⎦
⎡ 248,52 − μ ⎤
= P ⎢z ≤ ⎥
⎣ 0,9 ⎦ μ ≤ 250
Solución:
H0 : μ 0 = 10
H1 : μ 1 = 12
Solución:
⎧ H 0 : μ 0 = 0,4
Hipótesis sobre μ: ⎨
⎩ H1 : μ 1 = 0,3
Regla de decisión:
⎛ 1 ⎞⎟
La distribución de la media muestral, bajo la hipótesis nula, sigue una ley N ⎜⎜ 0,4;
⎝ n ⎟⎠
• A partir del nivel de significación, se tiene:
k − 0,4
Se determina el valor crítico k: = −1,64 ⎯⎯
⎯→ k = 0,318
1 400
Solución:
H0 : p 0 = 0,95
H1 : p 1 = 0,85
n
∑ xi T .}C.L.⎡ p.q ⎤
La distribución en el muestreo del estadístico p̂ = i =1
≈ N ⎢ p, ⎥ , en
n ⎣ n ⎦
consecuencia:
⎡ 0, 95 . 0, 05 ⎤
Bajo la hipótesis H 0 : p̂ 0 ≈ N ⎢0, 95 ; ⎥ = N (0, 95 ; 0, 00974)
⎣ 500 ⎦
⎡ 0, 85 . 0, 15 ⎤
Bajo la hipótesis H1 : p̂1 ≈ N ⎢0, 85 ; ⎥ = N (0, 85 ; 0, 01597 )
⎣ 500 ⎦
0, 95 − k
= 1, 645 ⇒ k = 0, 95 − (0, 00974 . 1, 645) = 0, 9339
0, 00974
p̂ = 0, 934 > 0, 9339 , por lo que no existe evidencia empírica suficiente para rechazar la
hipótesis H 0 . Es decir, se acepta la hipótesis H 0 concluyendo que el Hipotensil es
eficaz en un 95% de los casos.
Solución:
n
∑ x i T.C}.L.⎡ p.q ⎤
i=1
x = p̂ = ≈ N ⎢p , ⎥
n ⎢⎣ n ⎥⎦
⎡ 0,2 . 0,8 ⎤
Con la hipótesis nula H 0: p = 0,2 : p̂ = N ⎢ 0,2 , ⎥ = N (0,2 ; 0,02)
⎣⎢ 400 ⎦⎥
⎡ 0,3 . 0,7 ⎤
Con la hipótesis alternativa H 1: p = 0,3 : p̂ = N ⎢ 0,3 , ⎥ = N (0,3 ; 0,0229)
⎣⎢ 400 ⎦⎥
= P [ z ≥ 2,1822] = 0,0144
9.- Las especificaciones de un tipo de báscula aseguran que los errores de los pesajes
siguen una distribución N (0, σ). Se quiere contrastar la afirmación sobre la dispersión
que es igual a la unidad, frente a una hipótesis alternativa de que es el doble. Para ello
se realizan 5 pesajes en las que el error cometido resultó ser:
Para un nivel de significación del 5% se pide enunciar una regla de decisión (obtener la
región crítica) e indicar que hipótesis resulta aceptada.
Solución:
⎧⎪ H : σ 20 = 1
Hipótesis sobre σ 2 : ⎨ 0 2
⎪⎩ H1 : σ 1 = 4
II Método
⎧ 5
⎪⎪ Si ∑ (x i − μ )2 ≥ k se rechaza H 0 (R.C.)
Regla de decisión ⎨ i =1
5
⎪ Si ∑ (x i − μ )2 < k se acepta H 0 (R.A.)
⎩⎪ i =1
⎡5 ⎤
α = P (Rechazar H 0 / H 0 cierta) = P ⎢ ∑ (x i − μ )2 ≥ k / H 0 cierta⎥
⎣ i =1 ⎦
5
El estadístico ∑ ( xi − μ ) 2 en el muestreo, bajo la hipótesis nula, donde las variables
i =1
xi − μ
aleatorias independientes x i ≈ N(μ , σ 0 ). En consecuencia, sigue una N (0 , 1)
σ0
2
n ⎡xi − μ ⎤ Recuerda que χn2 = X12 + X22 + L + Xn2 variables aleatorias
∑ ⎢ σ ⎥ = χ n2
⎣ 0 ⎥⎦
i =1 ⎢ N(0, 1) independientes entre si
⎡5 ⎡ ⎤
2 ⎤
x −
⎢ i =1 ⎢ σ 0 ⎥
μ k
α = P (Rechazar H 0 / H 0 cierta) = P ⎢ ∑ ⎢ 2 ⎥ ≥ 2 / H 0 cierta⎥ = P χ 52 ≥ k = 0,05
i
σ0 ⎥
[ ]
⎣ ⎣ ⎦ ⎦
2
k = χ 0,05 ; 5 = 11, 07
5
El valor muestral del estadístico ∑ (x i − 0 )2 = 4,3 verifica que
i =1
5
∑ (x i − 0 )2 = 4,3 < 11, 07 = k , lo que conduce a no rechazar la hipótesis nula de que la
i =1
población sigue una N ( 0 , 1) , advirtiendo que se halla en la región de aceptación.
Solución:
⎧⎪ H : σ 20 = 2
Hipótesis sobre σ 2 : ⎨ 0 2
σ 12 > σ 20
⎪⎩ H1 : σ 1 = 3
⎧ 10
⎪⎪ Si ∑ (x i − μ )2 ≥ k se rechaza H 0 (R.C.)
Regla de decisión ⎨ i =1
10
⎪ Si ∑ (x i − μ )2 < k se acepta H 0 (R.A.)
⎪⎩ i =1
⎡ 10 ⎤
α = P (Rechazar H 0 / H 0 cierta) = P ⎢ ∑ (x i − μ )2 ≥ k / H 0 cierta⎥
⎣ i =1 ⎦
10
El estadístico ∑ (x i − μ )2 en el muestreo, bajo la hipótesis nula, donde las variables
i =1
2
xi − 5 10 ⎡ xi − 5⎤
En consecuencia, sigue una N (0 , 1) . Por tanto, ∑ ⎢ 2
⎥ = χ 10
2 ⎣ 2 ⎥⎦
i =1 ⎢
(Recuerda que χn2 = X12 + X22 + L + Xn2 variables aleatorias N(0, 1) independientes
entre si)
A partir del nivel de significación α (Error Tipo I), calculamos el valor crítico k:
⎡ 10 ⎡ x − 5 ⎤ 2 ⎤
⎢ i k⎥ ⎡ 2 k⎤
α = P (Rechazar H 0 / H 0 cierta) = P ∑ ⎢ ⎥ ≥ = P ⎢ χ 10 ≥ ⎥ = 0,025
⎢ i=1 ⎣⎢ 2 ⎦⎥ 2⎥ ⎣ 2⎦
⎣ ⎦
k
= χ 20,025 ; 10 = 20, 483 ⇒ k = 40, 966
2
10
Por otra parte, el valor muestral del estadístico ∑ (x i − 5)2 = 22,6
i =1
10
Siendo ∑ (x i − 5)2 = 22,6 < 40, 966 = k no se rechaza la hipótesis nula de que la
i =1
⎡ 2 ⎤
1 − β = P ⎢ χ 10
k
σ1
⎡ 2
≥ 2 / H1 cierta⎥ = P ⎢ χ 10
⎣
≥
40,966 ⎤
3 ⎥
⎦
2
= P χ 10 ≥ 13,655 = 0,267 [ ]
⎢⎣ ⎥⎦
Abscisas Áreas
4,865 − 15,987 0,90 − 0,10 2,322 . 0,80
x = 0,10 + = 0,267
13,665 − 15,987 x − 0,10 11,122
II Método
⎧⎪ H : σ 20 = 2
Hipótesis sobre σ 2 : ⎨ 0 2
σ 12 > σ 20
⎪⎩ H1 : σ 1 = 3
n σ 2x (n − 1) s 2x σ 20. χ2n−1
Por el Lema de Fisher: = ≈ χ2n−1 con lo cual, σ 2x ≈
σ2 σ2 n
⎡ 3.χ2 ⎤
⎢
Potencia = P ⎢
10
9 ⎥
[
> 3,8046 / H1 cierta⎥ = P χ 29 ≥ 12,682 = 0,252 ]
⎢⎣ ⎥⎦
Abscisas Áreas
4,168 − 14,684 0,90 − 0,10 2,002 . 0,80
x = 0,10 + = 0,252
12,682 − 14,684 x − 0,10 10,516
11.- En una población con distribución N (μ , σ) , con un nivel de significación del 1%,
para contrastar la hipótesis nula H 0 : σ 20 = 25 frente a la hipótesis alternativa
H1 : σ 12 = 36 , se toma una muestra aleatoria de tamaño 16, con varianza igual a 27.
Hallar la potencia del contraste.
Solución:
⎧⎪ H 0 : σ 20 = 25
2
Hipótesis simple sobre σ : ⎨ 2
σ 12 > σ 20
⎪⎩ H1 : σ 1 = 36
⎧ 16
⎪⎪ Si ∑ (x i − x )2 ≥ k se rechaza H 0 (R.C.)
Regla de decisión ⎨ i =1
16
⎪ Si ∑ (x i − x )2 < k se acepta H 0 (R.A.)
⎪⎩ i =1
n
∑ (x i − x) 2
(n − 1). s2x
=
n σ 2x
= n =
∑ (x i − x) 2 ≈ χ2n−1
2 2
σ σ σ2 σ2
16
∑ (x i − x )2
bajo la hipótesis nula, se tiene: i=1
≈ χ215
σ 20
⎡ 16 ⎤
α = P (Rechazar H 0 / H 0 cierta) = P ⎢ ∑ (x i − x )2 ≥ k / H 0 cierta⎥
⎣ i =1 ⎦
⎡ 16 ⎤
⎢∑ ( xi − x ) 2
k ⎥ ⎡ 2 k ⎤
α = P ( Rechazar H0 / H0 cierta ) = P ⎢ i =1 ≥ / H cierta ⎥ = P ⎢ χ 15 ≥ = 0,025
⎢ σ02 2
σ0 0
⎥ ⎣ 25 ⎥⎦
⎢⎣ ⎥⎦
k
= χ 20,025 ; 15 = 27, 488 ⇒ k = 687, 2
25
16
∑ (x i − x )2 16
Por otra parte, el valor muestral σ 2x = i =1
16
= 27 ⇒ ∑ (x i − x )2 = 432
i =1
Siendo 432 < 687,2 conduce a no rechazar la hipótesis nula de que la población sigue
una N ( μ , 5) , advirtiendo que se halla en la región de aceptación.
⎡ 16 ⎤ ⎡
1 − β = P ⎢∑ (x i − x )2 ≥ k / H 1 cierta⎥ = P ⎢χ215 ≥
687, 2 ⎤
36
2
⎥ = P χ 15 ≥ 19,09 = 0,287 [ ]
⎣i =1 ⎦ ⎣ ⎦
Áreas Abscisas
0,90 − 0,10 8,547 − 22,307 3,217 . 0,80
x = 0,10 + = 0, 287
x − 0,10 19,09 − 22,307 13,76
II Método
⎧⎪ H : σ 20 = 25
Hipótesis sobre σ 2 : ⎨ 0 2
σ 12 > σ 20
⎪⎩ H1 : σ 1 = 36
n σ 2x (n − 1) s 2x σ 20. χ2n−1
Por el Lema de Fisher: = ≈ χ2n−1 con lo cual, σ 2x ≈
σ2 σ2 n
⎡ 36 .χ2 ⎤
⎢
Potencia = P ⎢
16
15 ⎥ 2
> 47,778 / H1 cierta⎥ = P χ 15 [
≥ 21,235 = 0,162 ]
⎢⎣ ⎥⎦
Abscisas Áreas
8,547 − 22,307 0,90 − 0,10 1,072 . 0,80
x = 0,10 + = 0,162
21,235 − 22,307 x − 0,10 13,76
Solución:
⎧⎪ H 0 : σ 20 = 25
2
1. Hipótesis sobre σ : ⎨ 2
σ 12 > σ 20
⎪⎩ H1 : σ 1 = 225
Las hipótesis nula y alternativa son simples, con media poblacional conocida. El lema de
Neyman-Pearson conduce a la regla de decisión:
⎧ 15
⎪⎪ Si ∑ (x i − μ )2 ≥ k se rechaza H 0 (R.C.)
Regla de decisión ⎨ i =1
15
⎪ Si ∑ (x i − μ )2 < k se acepta H 0 (R.A.)
⎪⎩ i =1
⎡ 15 ⎤
α = P (Rechazar H 0 / H 0 cierta) = P ⎢ ∑ (x i − μ )2 ≥ k / H 0 : σ 20 = 25 cierta⎥
⎣ i =1 ⎦
15
El estadístico ∑ (x i − μ )2 en el muestreo, bajo la hipótesis nula, donde las variables
i =1
aleatorias independientes x i siguen una ley N ( 30 , 5 ) .
2
x i − 30 15⎡xi − μ ⎤
En consecuencia, sigue una N (0 , 1) . Por tanto, ∑ ⎢ 2
⎥ = χ 15
5 i =1 ⎣ 25 ⎦
⎡ 15 ⎡ x − 30 ⎤ 2 k ⎤ ⎡ 2 k ⎤
i
α = P (Rechazar H 0 / H 0 cierta) = P ∑ ⎢
⎢ ⎥ ≥ / H 0 cierta⎥ = P ⎢ χ 15 ≥ = 0,05
⎢ i =1 ⎣ 5 ⎦ 25 ⎥ ⎣ 25 ⎥⎦
⎣ ⎦
k
= χ 20, 05 ; 15 = 24, 996 ⇒ k = 624, 9
25
15
Por otra parte, el valor muestral del estadístico ∑ (x i − 30 )2 = 1393,02
i =1
15
Siendo ∑ (x i − 30 )2 = 1393,02 > 624, 9 = k se rechaza la hipótesis nula, el retraso
i =1
medio de la salida de los vuelos no sigue una N ( 30 , 5 ) .
⎧ n ⎫
⎪⎪ ∑ (x i − μ )
2
⎪⎪
2
Adviértase que la región de rechazo de la hipótesis nula: R = ⎨ i=1 ≥ χ α ; n⎬
⎪ σ 20 ⎪
⎪⎩ ⎪⎭
⎧ 15 ⎫
⎪⎪ ∑ (x i − 30 )
2
⎪⎪
2
en este caso, R = ⎨ i =1
= 55,72 ≥ χ 0,05 ; 15 = 24,996⎬ la región de rechazo se
⎪ 25 ⎪
⎪⎩ ⎪⎭
verifica, con lo que no se acepta la hipótesis nula, esto es, el retraso medio de salida de
los vuelos no sigue una ley normal N ( 30 , 5 ) .
⎡ 2 ⎤
1 − β = P ⎢ χ 15
k ⎡ 2
≥ 2 / H1 cierta⎥ = P ⎢ χ 15
σ1 ⎣
≥
624,9 ⎤
225 ⎦⎥
2
= P χ 15 [
≥ 2,777 ≈ 1 ]
⎣⎢ ⎥⎦
⎧ 15
⎪⎪ Si ∑ (x i − x )2 ≥ k se rechaza H 0 (R.C.)
Regla de decisión ⎨ i =1
15
⎪ Si ∑ (x i − x )2 < k se acepta H 0 (R.A.)
⎪⎩ i =1
n σ 2x ∑ (x i − x )2
Por el Lema de Fisher-Cochran 2
≈ χ2n−1 , bajo la hipótesis nula: i =1
≈ χ214
σ 25
⎡ 15 ⎤
α = P (Rechazar H 0 / H 0 cierta) = P ⎢ ∑ (x i − x ) 2 ≥ k / H 0 : σ 20 = 25⎥
⎣ i =1 ⎦
⎡ 15 ⎤
⎢ ∑ (x i − x )
2
k ⎥ k ⎤ k
α = P ⎢ i=1 ≥ ⎥ = P ⎡⎢ χ 14
2
≥ ⎥ = 0,05 ⇒ = 23, 685 ⇒ k = 592, 125
⎢ 25 25 ⎥ ⎣ 25 ⎦ 25
⎢ ⎥
⎣ ⎦
15
∑ (x i − x )2 15
De otro lado, el valor muestral σ 2x = i=1
15
= 28,2264 ⇒ ∑ (x i − x )2 = 423,396
i=1
15
Siendo ∑ (x i − x )2 = 423,396 < 592,125 = k no se rechaza la hipótesis nula, por
i =1
tanto, se cambia la decisión que se tomó en el apartado (1).
⎧ n ⎫
⎪⎪ ∑ (x i − x)
2
⎪⎪
2
Adviértase que la región de rechazo de la hipótesis nula: R = ⎨ i=1 2
≥ χ α ; (n −1) ⎬ ,
⎪ σ 0 ⎪
⎩⎪ ⎭⎪
⎧ 15 ⎫
⎪⎪ ∑ (x i − x )
2
⎪⎪
en este caso, R = ⎨ i=1 = 16,94 ≥ χ20,05 ; 14 = 23,685⎬ la región de rechazo no
⎪ 25 ⎪
⎪⎩ ⎪⎭
se verifica, con lo que se acepta la hipótesis nula, esto es, el retraso medio de salida de
los vuelos sigue una ley normal N ( 30 , 5 ) .
Solución:
⎧ H0 : μ0 = 5
Hipótesis sobre μ : ⎨
⎩ H1 : μ1 > 5
Se trata de un contraste unilateral, siendo H 1 compuesta.
H1 : μ1 > 5 β 1−β
Distintos valores
Re gión
Decisión
}
β = P(ET II) = P (Rechazar H1 H1 cierta) = P (Aceptar H0 H0 falsa) = P(x < k H1 )
En el muestreo de una población normal con varianza desconocida, y desviación típica
σx
muestral σ x , la variable: (x − μ) = tn−1 , siendo la muestra n = 300 , la
n−1
distribución se aproxima a una N (0, 1)
H 1 : μ 1 = 5, 5
⎡ (6, 76 − μ 1 ). n − 1 ⎤ ⎡ (6, 76 − 5, 5). 299 ⎤
β = P ⎢z < ⎥ = P ⎢z < ⎥ = P [z < 3] = 0,9986
⎢⎣ σx ⎥⎦ ⎢⎣ 7,24 ⎦⎥
H1 : μ1 = 6
⎡ (6, 76 − 6). 299 ⎤
β = P ⎢z < ⎥ = P [z < 1,82] = 0,9656
⎣⎢ 7,24 ⎦⎥
H1 : μ1 = 7
⎡ (6, 76 − 7). 299 ⎤
β = P ⎢z < ⎥ = P [z < − 0,57] = 0,2843
⎣⎢ 7,24 ⎦⎥
H1 : μ1 = 8
⎡ (6, 76 − 8). 299 ⎤
β = P ⎢z < ⎥ = P [z < − 2,96] = 0,00154
⎣⎢ 7,24 ⎦⎥
H1 : μ1 > 5 β 1−β
5,5 0,9986 0,0014
6 0,9656 0,0034
7 0,2843 0,7157
8 0,0015 0,9985
Solución:
a) Suponemos que el consumo medio del automóvil sigue una distribución normal
N (μ, σ) , ambos parámetros desconocidos, y mientras el fabricante afirma que
H 0 : μ = 5,6 el propietario del vehículo cree que H 1 : μ > 5,6 .
Se trata, pues, de un contraste unilateral, donde H 1 es compuesta.
⎧ Si x ≤ k a R.A : Acepto H 0
Regla de decisión: ⎨
⎩ Si x > k a R.C : Rechazo H 0
El valor crítico k, bajo la hipótesis nula, se calcula a partir del nivel de significación α:
x − 5,9
Donde el tamaño muestral es desconocido, y donde el estadístico ≠ t10 no sigue
sx n
un t-Student con 10 grados de libertad.
⎡ x − 5,9 0,3 ⎤
o bien, P ⎢ ≤ 2,764 − ⎥ = 0,01
⎢⎣ s x n sx n ⎥⎦
⎡ 0,3 ⎤ 0,3
P ⎢z ≤ 2,764 − ⎥ = 0,01 ⇒ 2,764 − = −2,327
⎢⎣ sx n ⎥⎦ sx n
2
0,3 ⎡ (5,091) . s x ⎤
= 5,091 a n = ⎢ ⎥
sx n ⎣ 0,3 ⎦
Otra vez en un callejón sin salida, aún es necesario conocer la cuasidesviación típica de
una muestra sin saber su tamaño. Podemos dar una salida, suponiendo que la
cuasidesviación típica de esta nueva muestra es igual a la obtenida en la muestra
anterior s x = 0,4612 . En este caso,
2
⎡ (5,091) . (0,4612) ⎤
n= ⎢ ⎥ = 61,255
⎣ 0,3 ⎦
Solución:
n}
→∞
Sea la variable aleatoria X = ‘Número de averías al mes’ X ∈ P (λ = 2) → N(2, 2)
⎧ H0 : μ = 2 ⎫
Es un contraste unilateral, donde se plantean las hipótesis: ⎨ ⎬,
⎩ H1 : μ < 2 (compuesta)⎭
⎡ k−2 ⎤
α = P (Re chazar H 0 H 0 cierta) = P( x ≤ k / H 0 : μ = 2) = P ⎢z ≤ ⎥ = 0,01 ⇒
⎣⎢ 2 / 25 ⎦⎥
⎡ 2−k ⎤ 2−k
⇒ P ⎢z ≥ ⎥ = 0,01 ⇒ = 2,32 = z 0,01 a k = 1,34
⎢⎣ 2 / 25 ⎥⎦ 2 / 25
2−k
Si α = 0, 15 se replantean los cálculos: = 1,04 = z 0,15 a k = 1,71
2 / 25
Como 1,71 < 1,34 , cae en la región de rechazo, con lo que no se acepta la hipótesis nula,
y se concluye que las mejoras son operativas.
Solución:
⎧⎪ s x ⎫⎪
R = ⎨ x − μ 0 > t α ;(n−1) ⎬
⎪⎩ n ⎪⎭
donde,
x − μ 0 = 580 − 355 = 225
sx 180
t α ;(n−1) = t 0,01 ; 19 = 2,539 = 102,19
n 20
Por otra parte, el p-valor se interpreta como el apoyo que los datos proporcionan a la
hipótesis nula H 0 .
En otras palabras, Cuando el p-valor < α ⇒ SE RECHAZA H 0
Como hemos rechazado H 0 con α = 0,01 , el p-valor < 0,01
17.- Un dentista afirma que el 40% de los niños de 10 años presentan indicios de caries
dental. Tomada una muestra de 100 niños, se observó que 36 presentaban indicios de
caries.
Solución:
Como siempre que queremos hacer un contraste sobre una proporción, partimos
de una muestra aleatoria (X 1, X 2 , L , X n ) de tamaño n = 100 , donde X ≈ B (1; p) .
n
∑ x i T.C}.L.⎡ p.q ⎤
La distribución en el muestreo del estadístico x = p̂ = i=1
≈ N ⎢p , ⎥
n ⎢⎣ n ⎥⎦
⎧⎪ p 0 (1 − p 0 ) ⎫⎪
R = ⎨ x − p0 > zα 2 ⎬
⎪⎩ n ⎪⎭
donde,
36
x − p 0 = p̂ − 0,40 = − 0,40 = 0,04
100
p 0 (1 − p 0 ) 0,40 (1 − 0,40)
zα 2 = z0,05 = (1,64) . (0,0489898) = 0,08
n 100
Solución:
Nos encontramos ante un contraste de hipótesis nula simple frente a una hipótesis
alternativa simple: H 0: p = 0,60 frente a H 1: p = 0,50
Regla de decisión:
⎪⎧ p̂ > k Se acepta H 0 (R.A.)
⎨
⎪⎩ p̂ ≤ k Se rechaza H 0 (R.C.)
1 100 ⎧ 1 vota Si
La distribución en el muestreo de p̂ = ∑
100 i=1
x i siendo x i = ⎨
⎩ 0 vota No
p (1 − p)
donde se conoce E (p̂) = p y que V (p̂) = .
n
Regla de decisión:
⎧⎪ p̂ > k Se acepta H 0 (R.A.)
⎨
⎪⎩ p̂ ≤ k Se rechaza H 0 (R.C.)
⎡ p̂ − 0,60 K − 0,60 ⎤
α = P (ET I) = P( p̂ ≤ K H 0: p = 0,6) = P ⎢ ≤ ⎥ = 0,05
⎣ 0,049 0,049 ⎦
⎡ 0,5 . 0,5 ⎤
Con la hipótesis alternativa H 1: p = 0,50 : p̂ = N ⎢ 0,5 ; ⎥ = N (0,5 ; 0,05)
⎣⎢ 100 ⎦⎥
Abscisas Areas
(0,008) (0,0037)
0,37 - 0,38 0,3557 - 0,3520 x = 0,3520 + = 0,35496
0,01
0,372 - 0,38 x - 0,3520
[ ]
Potencia = P (Rechazar H 0 H 0 falsa) = P p̂ ≤ 0,5186 / N (0,5 ; 0,05) =
⎡ p̂ − 0,5 0,5186 − 0,5 ⎤
=P⎢ ≤ ⎥ = P (z ≤ 0,372) = 1 − P (z ≥ 0,372) = 0,6450
⎣ 0,05 0,05 ⎦
19.- El dueño de los cines CINEFILÓN considera que, dado el aforo de la sala, una
afluencia diaria a la misma del 85% sería óptima, en el sentido de que los clientes se
sientan cómodos y para que a la vez no haya pérdidas económicas. Durante un período de
tiempo, se analiza la afluencia a los cines, observándose que, en media, se ocupan 171 de
las 200 butacas. ¿Con qué confianza podrá afirmar el dueño de CINEFILÓN que la
asistencia a sus cines es óptima? ¿Qué pasaría si el dueño quisiera estar más seguro de
su decisión, y ampliar el nivel de confianza al 99%?
Solución:
Sea la variable aleatoria X = '% asistencia diaria a los cines CINEFILÓN' , X ≈ B (1, p) .
H0 : p 0 = 0,85 H1 : p 1 ≠ 0,85
X
- En el muestreo, la proporción que acude a los cines (200 butacas) en un día ( p̂ = ),
n
bajo la hipótesis nula, por el TCL (Teorema Central Límite), sigue una distribución
α = P (Rechazar H0 / H0 cierta) =
⎡⎛ 0,80 − 0,85 ⎞ ⎛ 0,90 − 0,85 ⎞⎤
= P ⎢⎜⎜ > z ⎟⎟ ∪ ⎜⎜ z > ⎟⎥ =
⎢⎣⎝ 0,025 ⎠ ⎝ 0,025 ⎟⎠⎥⎦
= P[− 2 > z ] + P[z > 2] = 2 . 0,028 = 0, 0456
⎡⎛ k1 − 0,85 ⎞ ⎛ k2 − 0,85 ⎞⎤
α = P (Rechazar H0 / H0 cierta) = P ⎢⎜ > z ⎟ ∪ ⎜⎜ z < ⎟⎥ = 0,01
⎟
⎢⎣⎜⎝ 0,025 ⎟
⎠ ⎝ 0 , 025 ⎠⎥⎦
k − 0,85 k1 = 0,914
= 2,57 = z 0, 005 ⇒
0,025 k2 = 0,786
10 8 12 14
Solución:
⎧ 4
⎪ Si
⎪
∑ (x i − μ )2 ≥ k a R.C : Re chazo H 0
i =1
Regla de decisión: ⎨ 4
⎪ Si ∑ (x i − μ )2 < k a R.A : Acepto H 0
⎪⎩ i =1
4
En la distribución en el muestreo del estadístico ∑ (x i − μ )2 , las variables aleatorias
i =1
2 2
4 ⎛ xi − μ ⎞ 4 ⎛ x − 10 ⎞
∑ ⎜⎜ σ ⎟⎟ = ∑ ⎜⎜
i
⎟ = χ 24 (suma de 4 variables aleatorias N (0 , 1) , independientes entre sí)
i=1 ⎝ 0 ⎠ i=1 ⎝ 3 ⎟⎠
⎡ 2 ⎤
[
α = P Rechazar H 0 / H 0 cierta = P ⎢
⎢
]
4
∑ ⎜⎜
⎛ x i − 10 ⎞
i =1 ⎝ 3 ⎟⎠
⎟ [
≥ k / H 0 cierta ⎥ = P χ24 ≥ k =
⎥
]
⎣ ⎦
[ ] [
= P ( χ24 ≤ k 1) ∪ ( χ24 ≥ k 2 ) = P χ24 ≤ k 1 + P χ24 ≥ k 2 ] [ ] = α 1 + α 2 = 0,05
[ ] [ ]
P χ24 ≤ k 1 = 1 − P χ24 ≥ k 1 = 1 − α 1 = 0,975 ⇒ k 1 = χ 20, 975 ; 4 = 0,484
P [χ 2
4 ≥ k2 ] = α = 0,025 ⇒
2 k 2 = χ 20, 025 ; 4 = 11,143
Región de rechazo:
( χ24 < 0,484) ∪ ( χ24 > 11,143) ,
4
∑ (x i − 10 )2
El estadístico muestral, bajo la hipótesis nula, = 8 , pertenece a la
i =1
3
región de aceptación, concluyendo que la varianza de la distribución es 3.
16 12 15 16 20 25 14 18 17 22
Solución:
10
∑ xi
La muestra de tamaño 10, con media x = i=1
10
= 17,5 siendo la varianza poblacional
5
conocida σ 2 = 25 , bajo la hipótesis nula sigue una distribución N(18 , ) , con lo que
10
x − 18
la variable es N (0 , 1) .
5
10
⎧ 5
x − 18 ⎪ x > 18 + 10 (2, 575) = 22,07
⎪
> 2, 575 = z α / 2 = z 0, 005 ⇒⎨
5 5
⎪ x < 18 − (2, 575) = 13,93
10 ⎪⎩ 10
⎧ σ ⎫
Análogamente, la región de rechazo: R rechazo = ⎨ x − μ 0 > z α 2 . ⎬
⎩ n⎭
⎧ 5 ⎫ ⎧ 5 ⎫
R rechazo = ⎨ 17,5 − 18 > z 0,05 . ⎬ = ⎨ 17,5 − 18 > (2,575). ⎬ = { 0,5 > 4,071 }
⎩ 10 ⎭ ⎩ 10 ⎭
Solución:
En la muestra se obtiene:
15 15 15
∑ xi ∑ ( x i − x)2 ∑ ( x i − x)2
x = i =1
= 2,948 σ 2x = i =1
= 0,2264 s 2x = i =1
= 0,2426
15 15 14
σ x = 0, 476 s x = 0, 493 n = 15
Regla de decisión:
⎧⎪ Si x > k se rechaza H 0 (R.C.)
⎨
⎪⎩ Si x ≤ k se acepta H 0 (R.A.)
x−2
La región crítica es: > 2,977 = t α / 2 ;( n−1 ) = t 0,005 ;14 , con lo cual,
0, 476 14
Como t n − 1 = 7,447 > 2,977 = t 0,005 ;14 se rechaza la hipótesis nula, concluyendo que la
media de la distribución poblacional es distinta de 2.
23.- Se recibe un envío de latas de conserva de las que se afirma que el peso medio son
1.000 gr. Examinada una muestra de 5 latas se obtiene un peso medio de 995 gr. con una
cuasivarianza s2x = 19,6 . Al nivel de confianza del 95%, ¿se puede aceptar que el peso
medio son 1.000 gr.?
Solución:
⎧ sx ⎫
R = ⎨ x − μ 0 > t α / 2 ; (n−1) ⎬
⎩ n⎭
donde,
x − μ 0 = 995 − 1000 = 5
sx sx 19,6
t α / 2 ; (n−1) = t 0,025 ; 4 = 2,776 = 5,50
n n 5
24.- El análisis laboral que la U.E ha realizado para toda Europa, señala que en España,
el salario mensual de los varones, en algunos sectores económicos, supera en más de 100
euros el salario de las mujeres que desempeñan las mismas tareas.
El Ministerio de Trabajo español decide considerar el salario mensual como una variable
aleatoria normalmente distribuida con desviación típica de 39,6 euros para los
trabajadores masculinos y de 36 euros para las trabajadoras de dichos sectores, siendo
el salario de cada población independiente del de la otra. Para tratar de verificar lo
publicado, se elige una muestra aleatoria simple de 500 trabajadores y de 700
Solución:
⎧ x = 1.500 € n x = 500
⎪
En las muestras se obtuvieron los resultados: ⎨
⎪ y = 1.370 € n y = 700
⎩
⎡ σ 2xσ 2y ⎤ ⎡ 39,6 2 36 2 ⎤
N ⎢(μ x − μ y ) ; + ⎥ ≡ N ⎢100 ; + ⎥ = N(100 ; 2,23)
⎢ nx ny ⎥ ⎢⎣ 500 700 ⎥
⎣ ⎦ ⎦
La evidencia empírica x − y = 1.500 − 1.370 = 130 € . Se advierte que 130 > 105,2 ,
cae en la región de rechazo, con lo cual no se acepta la hipótesis nula, esto es, con un
nivel de significación del 1%, se afirma que con el mismo trabajo las diferencias salarias
entre hombres y mujeres en algunos sectores económicos españoles son superiores a
100 euros mensuales.
25.- Con un nivel de significación del 4,72%, se desea contrastar la hipótesis nula de
igualdad de medias de dos poblaciones N ( μ 1 , 4 ) y N ( μ 2 , 4,5) . Para ello, se han
tomado dos muestras aleatorias simples e independientes, respectivamente,
obteniéndose los siguientes valores:
Solución:
⎧ H0 : μ 1 − μ 2 = 0
En el contraste bilateral se establecen las hipótesis ⎨
⎩ H1 : μ 1 − μ 2 ≠ 0
6 5
∑ xi ∑ yj
j =1
x = i =1
= 12, 25 y= = 13, 64 n1 = 6 n2 = 5
6 5
⎡ σ1 ⎤ ⎡ σ2 ⎤
⎢
x ≈ N μ1 , ⎥ , y ≈ N μ2 ,
⎢ ⎥ , con lo cual, la diferencia de medias muestrales,
⎢⎣ n1 ⎥⎦ ⎢⎣ n 2 ⎥⎦
bajo la hipótesis nula H0 : μ 1 − μ 2 = 0 , se distribuye:
⎡ σ 22 ⎤ ⎡
σ 12 4 2 4,5 2 ⎤
x − y ≈ N ⎢0 , + ⎥ ≡ N ⎢0 , + ⎥ = N[0 , 2,59]
⎢ n1 n2 ⎥ ⎢⎣ 6 5 ⎥
⎣ ⎦ ⎦
[
α = P (Re chazar H 0 H 0 cierta) = P x − y > k / H 0 : μ 1 − μ 2 = 0 = ]
⎡ ( x − y) − 0 ⎤ ⎡⎛ x − y ⎞ ⎛ x−y ⎞⎤
= P⎢ > K ⎥ = P ⎢ ⎜⎜ < − K ⎟⎟ ∪ ⎜⎜ > K ⎟⎟ ⎥ =
⎣ 2,59 ⎦ ⎣ ⎝ 2,59 ⎠ ⎝ 2,59 ⎠⎦
⎡ x−y ⎤ ⎡ x−y ⎤ α α
= P⎢ < − K⎥ + P ⎢ > K ⎥ = + = 0,05 por simetría N(0, 1)
⎣ 2,59 ⎦ ⎣ 2,59 ⎦ 2 2
x−y x − y > 5, 17
La región crítica es > 1,995 = z 0, 0236 a
2,59 x − y < − 5, 17
Cálculo de z 0, 0236 :
Abscisas Áreas
1,98 − 1,99 0, 0239 − 0, 0233 0, 01 . 0, 0003
x = 1, 99 + = 1, 995
x − 1, 99 0, 0236 − 0, 0233 0, 0006
Máquina 1 3 5 6 4 3 5
Máquina 2 5 4 3 7 6 5 4 7 4
Sean las variables aleatorias X = ‘presión en kg que son inflados los balones en la
máquina 1’ e Y = ‘presión en kg que son inflados los balones en la máquina 2’,
respectivamente, las variables aleatorias siguen distribuciones N(α 1 ; 0,25) e
N(α 2 ; 0,25) .
La presión media con que son inflados los balones en las máquinas respectivas se
⎡ 0,25 ⎤ ⎡ 0,25 ⎤
distribuyen con parámetros: x ≈ N ⎢α 1 ; ⎥ e y ≈ N ⎢α 2 ; ⎥
⎣⎢ 6 ⎦⎥ ⎣⎢ 9 ⎦⎥
Se desea contrastar la hipótesis nula de que las presiones medias de inflado con ambas
máquinas son iguales: H0 : α 1 = α 2 frente a la hipótesis alternativa H1 : α 1 ≠ α 2
∑x
i=1
i ∑y
j=1
j
x = = 4,33 y = =5 n1 = 6 n2 = 9
6 9
⎡ 0,25 ⎤ ⎡ 0,25 ⎤
- En las distribuciones del muestreo x ≈ N ⎢α 1 , ⎥ , y ≈ N ⎢α 2 , ⎥ , con lo cual,
⎣⎢ 6 ⎥⎦ ⎣⎢ 9 ⎥⎦
la diferencia de medias muestrales, bajo la hipótesis nula H0 : α 1 = α 2 , se distribuye:
[
α = P (Rechazar H0 H0 cierta) = P x − y > k / H0 : μ x − μ y = 0 = ]
⎧ σ 12 σ 22 ⎫⎪ ⎧⎪ 0,25 2 0,25 2 ⎫⎪
⎪
R = ⎨ x − y > zα 2 + ⎬ a R = ⎨ 4, 33 − 5 > (1,96 ) + ⎬
⎪⎩ n1 n2 ⎪ ⎪⎩ 6 9 ⎪⎭
⎭
27.- Una empresa ubicada en Madrid tiene dos conductores para trasladar a los
empleados a Segovia. Los conductores deben anotar la duración de cada trayecto. En
una muestra aleatoria simple de 50 partes de incidencias por conductor, el conductor A
registra un tiempo medio de trayecto de 62,30 minutos con una desviación típica de
10,325 minutos, mientras que el conductor B tiene un tiempo medio de trayecto de
60,02 minutos con una desviación típica de 8,625 minutos.
Solución:
⎧⎪ Si x − y > k se rechaza H 0
Regla de decisión ≡ ⎨
⎪⎩ Si x − y ≤ k se acepta H 0
⎡ σ1 ⎤ ⎡ σ2 ⎤
x ≈ N ⎢μ 1 , ⎥ , y ≈ N ⎢μ 2 , ⎥ , con lo cual, la diferencia de medias muestrales,
⎢⎣ n1 ⎥⎦ ⎢⎣ n 2 ⎥⎦
bajo la hipótesis nula, se distribuye:
⎡ σ 12 σ 22 ⎤ ⎡ 92 82 ⎤
x − y ≈ N ⎢0 , + ⎥ ≡ N ⎢0 , + ⎥ = N[0 , 1,7]
⎢ n1 n2 ⎥ ⎢⎣ 50 50 ⎥
⎣ ⎦ ⎦
[
α = P (Rechazar H0 H 0 cierta) = P x − y > k / H0 : μ 1 − μ 2 = 0 = ]
⎡ k−0⎤ ⎡⎛ k ⎞ ⎛ k ⎞⎤ ⎡ k ⎤ ⎡ k ⎤
= P⎢ z > ⎥ = P ⎢ ⎜⎜ z < − ⎟⎟ ∪ ⎜⎜ z > ⎟⎟ ⎥ = P ⎢ z < − ⎥ + P ⎢z > = 0,05
⎣ 1,7 ⎦ ⎣⎝ 1,7 ⎠ ⎝ 1,7 ⎠ ⎦ ⎣ 1,7 ⎦ ⎣ 1,7 ⎥⎦
⎡ k k ⎤
y por consiguiente: P ⎢ − ≤ z ≤ = 0,95 = 1 − α
⎣ 1,7 1,7 ⎥⎦
⎧ σ 12 σ 22 ⎫⎪
⎪
Señalar que la región de rechazo de la hipótesis nula: R = ⎨ x − y > z α 2 + ⎬
⎪⎩ n1 n2 ⎪
⎭
Solución:
⎡ ( p̂x − p̂ y ) − 0 ⎤
[
α = P (Re chazar H0 H0 cierta) = P p̂x − p̂ y > k / H0 : px − p y = 0 = P ⎢ ] ⎢⎣ 0, 06
> K⎥ =
⎥⎦
⎡⎛ p̂x − p̂ y ⎞ ⎛ p̂x − p̂ y ⎞⎤ ⎡ p̂x − p̂ y ⎤ ⎡ p̂x − p̂ y ⎤ α α
= P ⎢⎜ < − K⎟ ∪ ⎜ > K ⎟⎥ = P ⎢ < − K⎥ + P ⎢ > K ⎥ = + = 0, 05
⎢⎣⎜⎝ 0, 06 ⎟ ⎜ 0, 06
⎠ ⎝
⎟⎥
⎠⎦ ⎣⎢ 0, 06 ⎦⎥ ⎣⎢ 0, 06 ⎦⎥ 2 2
p̂x − p̂ y ⎧⎪ p̂ − p̂ y > 0, 1176
La región crítica es > 1,96 = z 0, 025 ⇒ ⎨ x
0, 06 ⎪⎩ p̂x − p̂ y < − 0, 1176
0, 025 < 0,1176 , por lo que no se cumple la región de rechazo, aceptándose la hipótesis
nula con un nivel de significación del 5%.
29.- Una empresa productora de cemento ensaya productos químicos para mejorar la
resistencia de las piezas de hormigón. Para ello, desea contrastar con un nivel de
significación del 5% la resistencia de dos muestras aleatorias simples, la muestra A no
es tratada con productos químicos mientras que la muestra B se encuentra tratada.
En la tabla adjunta se muestra la resistencia de las piezas ensayadas en kg/cm2:
Suponiendo que las dos muestras siguen una distribución normal, indicar si el
tratamiento con productos químicos consiguió una mejora en la resistencia de las piezas
de hormigón.
Solución:
Sea la variable aleatoria X que representa la resistencia de las piezas de hormigón sin
tratar con productos químicos, suponemos que X es una variable aleatoria normal de
media poblacional μ 1 desconocida y desviación típica poblacional σ 1 también
desconocida. Análogamente, la variable aleatoria Y representa la resistencia de las
piezas de hormigón tratadas con media poblacional μ 2 y desviación típica poblacional
σ 2 , ambas desconocidas.
Deseamos contrastar la hipótesis nula de que las resistencias esperadas son iguales,
H 0 : μ 1 = μ 2 , frente a la hipótesis alternativa de que las resistencias esperadas de las
piezas sin tratar es menor que las tratadas, es decir, H1 : μ 1 < μ 2 .
H 0 : σ 21 = σ 22 H1 : σ 21 ≠ σ 22
⎧⎪ s12
[
Región de rechazo de la hipótesis nula: R = ⎨ 2 ∉ F1 − α 2; (n1 − 1), (n2 − 1) ; Fα 2; (n1 − 1), (n2 − 1) ] ⎫⎪⎬
⎪⎩ s2 ⎪⎭
s 12
análogamente, región de aceptación: F1 − α 2; (n1 − 1), (n2 − 1) ≤ 2 ≤ Fα 2; (n1 − 1), (n2 − 1)
s2
ó el equivalente,
j =1
6
⎧
⎪ ∑ ( xi − x ) 2 F5 , 6 = s 21 s 22 = 2,43
⎪ n1 = 6 x = 354, 5 s 21 = i =1
= 127, 5
⎪ 5 1 1
⎨ F0,975 ; 5, 6 = = = 0,1432
⎪
7
F0, 025 ; 6, 5 6,98
⎪
∑ (y j − y ) 2 F0, 025 ; 5, 6 = 5,99
j =1
⎪⎩ n 2 = 7 y = 361,14 s 22 =
6
= 52, 476
En nuestro caso,
Dieta primera 3,75 4,2 4,6 3,95 4,1 3,9 4,3 3,9 4
Dieta segunda 3,6 4,5 4,4 3,2 4 3
Con un nivel de significación del 10%, ¿puede afirmarse que la dieta primera es mejor
que la segunda?
Solución:
Suponiendo que la variable de respuesta (X, Y) para cada una de las dietas (aumento
semanal de peso en kg) es una variable que, respectivamente, se distribuye normal
N(μ 1 , σ 1 ) y N(μ 2 , σ 2 ) , donde σ 1 y σ 2 son desconocidas, al tratarse de muestras
pequeñas antes de realizar el contraste para la igualdad de medias poblacionales
necesitamos comprobar estadísticamente si las varianzas poblacionales desconocidas
σ 12 y σ 22 son iguales o distintas.
Por ello, primeramente se plantea:
H 0 : σ 21 = σ 22 H1 : σ 21 ≠ σ 22
⎧⎪ s 12 ⎫⎪
Región Rechazo de Hipótesis nula: R = ⎨ 2 ∉ [F1 − α 2; (n1 − 1), (n2 − 1) ; F ]
α 2; (n1 − 1), (n2 − 1) ⎬
⎪⎩ s 2 ⎪⎭
s 12
Análogamente, la Región de Aceptación: F1− α 2; (n1 − 1), (n2 − 1) ≤ ≤ Fα 2; (n1 − 1), (n2 − 1)
s 22
Para hallar el estadístico de contraste, según los datos muestrales:
9
⎧
⎪ ∑ ( xi − x ) 2 F8, 5 = s 12 s 22 = 0, 1735
⎪ n1 = 9 x = 4, 08 s 12 = i =1
= 0, 067
⎪ 8 1 1
⎨ F0,95 ; 8, 5 = = = 0, 2711
⎪
6
F0, 05 ; 5, 8 3,6875
∑ (y j − y ) 2
⎪ j =1 F0, 05 ; 8, 5 = 4, 8183
⎪⎩ n2 = 6 y = 3, 78 s 22 =
5
= 0, 386
⎧ s 12 s 22 ⎫
⎪ ⎪
Región de rechazo de la hipótesis nula: R = ⎨ ( x − y ) > t α ; f + ⎬ , o lo que es
⎪⎩ n1 n2 ⎪⎭
igual, se acepta H0 si
2
⎛ s 12 s 22 ⎞⎟
⎜ +
(x − y) ⎜ n1 n 2 ⎟⎠
t= ≤ t α; f f = ⎝ − 2
s12 s 22 { (s 12 / n1 ) 2 (s 22 / n 2 )2
+ estadístic o +
n1 n 2 teórico n1 + 1 n +1
14
42443 14444444 42442444444 3
estadístic o contraste aproximación de Welch
⎧ n1 = 9 x = 4,08 s 21 = 0,067
⎪
En nuestro caso, ⎨
⎪⎩ n 2 = 6 y = 3,78 s 22 = 0,386
⎧ s 12 s 22 ⎫
⎪ ⎪
R = ⎨ (x − y) > t α; f + ⎬ = { 0, 3 > 1,886 . 0,266 } = { 0, 3 > 0,5 }
⎪⎩ n1 n2 ⎪⎭
31.- Una empresa que se dedica a fabricar zapatillas de deporte dispone de dos
proveedores de suelas de goma. Para analizar el desgaste de las suelas se ha tomado
una muestra al azar de cada proveedor, obteniéndose los siguientes resultados:
Suponiendo que el desgaste de las suelas sigue una distribución normal, ¿se puede decir,
para un nivel de confianza del 95%, que ambos proveedores proporcionan un producto
de semejante resistencia media al desgaste?.
Solución:
⎧ H0 : μ 1 = μ 2
Se tiene que realizar un contraste bilateral de igualdad de medias: ⎨
⎩ H1 : μ 1 ≠ μ 2
con varianzas poblacionales desconocidas, con muestras pequeñas n + m < 30
Dependiendo de que se suponga que las varianzas son iguales o no el contraste variará.
Por ello, es necesario realizar primero un contraste relativo a la igualdad de varianzas.
Como la hipótesis alternativa es σ 12≠ σ 22 en la decisión que se elija deberán ser válidos
valores de σ 12 > σ 22 ó σ 12 < σ 22 , por lo cual el contraste debe ser bilateral o de dos colas.
[
α = P (Rechazar H0 / H0 cierta) = 0 ≤ F9 , 13 ≤ k / H0 = ]
[ ] [ ] [
= P (0 ≤ F9 , 13 ≤ k1 ) ∪ ( k2 ≤ F9 , 13 ≤ ∞) = P F9 , 13 ≤ k 1 + P k 2 ≥ F9 , 13 = 0,05 ]
⎧
[ ]
⎪ P F9 , 13 ≤ k 1 = 0,025 ⇒ k 1 = F1− 0,025 ; 9 , 13 = F
1
=
1
3,83
= 0,2611
⎪ 0,025 ; 13 , 9
⎨
⎪
[
⎪ P k ≥F
2 9 , 13 ]
= 0,025 ⇒ k 2 = F0,025 ; 9 , 13 = 3,31
⎩
s21 0,068
Se observa que el estadístico muestral F9 , 13 = = = 1,259 no se encuentra en
s22 0,054
la región de rechazo. En consecuencia, con un nivel de confianza del 95%, se acepta que
las varianzas son desconocidas pero iguales.
[
R = 1,259 ∉ (0,2611 = F0,975; 9, 13; 3,31 = F0,025; 9, 13 ) ]
En el muestreo de las dos poblaciones normales con varianzas desconocidas pero iguales,
x − μ1 y − μ2
las variables X e Y, respectivamente: = t10 −1 e = t14 −1
s1 n s2 m
s2p s2p
Bajo la hipótesis nula (μ 1 = μ 2 ) : (x − y) ≈ t9 +13 (0 ; + ) , donde:
n m
s2 s2
6 −14
4n7 86 47148 6 4m7−14
86 47248
(10 − 1) (0,068) + (14 − 1) (0,054)
s2p = = 0,0597 (cuasivarianza muestral ponderada)
10
14 + 14
4244 −32
n + m− 2
0,0597 0,0597
es decir, (x − y) ≈ t 9 +13 (0 ; + ) ≡ t22 (0 ; 0,101)
10 14
El valor crítico k, bajo la hipótesis nula, (x − y) ≈ t22 (0 ; 0,101) , se calcula a partir del
nivel de significación α:
x−y
La región crítica: > 2,074 = t 0,025; 22 a x − y > 0,209
0,101
⎧⎪ 1 1 ⎪⎫
R = ⎨ 0,6 − 0,62 > (2,074) (0,2443) + ⎬ a R = { 0,02 > 0,209 }
⎪⎩ 10 14 ⎭⎪
32.- En un informa presentado por un reportero a una revista feminista se afirma que
el número medio de horas semanales de conexión a Internet es el mismo para hombres
que para mujeres. Sin embargo no parece prudente publicar estos datos sin
contrastarlos estadísticamente. Se selecciona para ello una muestra de 75 hombres y
50 mujeres. Los resultados muestrales se recogen en la siguiente tabla:
Hombres Mujeres
Tamaño muestral 75 50
Número medio de horas/semana 7,42 5,34
Dispersión en la conexión 9,08 7,24
a) Formular el contraste a realizar y señalar los supuestos que se deben realizar para
resolver el ejercicio.
b) Determinar la región crítica del contraste.
c) Calcular el estadístico del contraste.
d) ¿Existe evidencia para rechazar la hipótesis nula a un nivel de significación del 5%?
Solución:
⎧ H 0: μ 1 − μ 2 = 0
b) En el contraste se establecen las hipótesis: ⎨
⎩ H1: μ 1 − μ 2 ≠ 0
[
α = P (Rechazar H 0 H 0 cierta) = P x − y > k / H 0 : μ 1 − μ 2 = 0 = ]
⎡ ( x − y) − 0 ⎤ ⎡⎛ x − y ⎞ ⎛ x−y ⎞⎤
= P⎢ > K ⎥ = P ⎢ ⎜⎜ < − K ⎟⎟ ∪ ⎜⎜ > K ⎟⎟ ⎥ =
⎣ 1, 465 ⎦ ⎣ ⎝ 1, 465 ⎠ ⎝ 1, 465 ⎠⎦
⎡ x−y ⎤ ⎡ x−y ⎤ α α
= P⎢ < − K⎥ + P ⎢ > K ⎥ = + = 0,05 por simetría N(0, 1)
⎣ 1, 465 ⎦ ⎣ 1, 465 ⎦ 2 2
x−y
La región crítica: > 1,96 = z 0, 025
1, 465
x − y > 2,8714
xi 2 7 5 9
yj 4 10 7 8 5 9
Solución:
n
∑ ( xi − μ ) 2
Sabemos que la variable i =1
2
≈ χ2n por ser la suma de n variables aleatorias
σ
χ2n n
N ( 0, 1) , independientes entre sí. Por otro lado, la variable Fn , m = se distribuye
χ2m m
como una F de Fisher-Snedecor con n y m grados de libertad.
4 6
∑ ( xi − 2 ) 2 ∑ ( yj − 3 ) 2
j =1
Bajo la hipótesis nula σ 12= σ 22= σ 2 , las variables i =1
2
≈ χ24 e ≈ χ26 , y
σ 1 σ 22
4
∑ ( xi − 2 ) 2 4
i =1
χ 2
4 4 4 σ2 6 ∑ ( xi − 2 ) 2
la variable F4 , 6 = = 6
= i =1
6
χ26 6 4
∑ ( yj − 3) 2
∑ ( yj − 3 ) 2
j =1 j =1
6σ 2
[ ] [
α = P (Rechazar H0 / H0 cierta) = 0 ≤ F4 , 6 ≤ k / H0 = P (0 ≤ F4 , 6 ≤ k1 ) ∪ ( k2 ≤ F4 , 6 ≤ ∞) = 0,10 ]
[ ] [
= P F4 , 6 ≤ k1 + P k2 ≥ F4 , 6 = 0, 10 ]
[ ] [ ] [
⎧ P 0 ≤ F4 , 6 ≤ k1 = P F4 , 6 ≤ k1 − P F4 , 6 ≤ 0 = P F4 , 6 ≤ k1 ] [ ]
⎪
⎨
⎩ [
2 4, 6
] [
4, 6 4, 6 2 ] [
⎪P k ≤ F ≤ ∞ = P F ≤ ∞ − P F ≤ k = 1 − P F ≤ k = 1 − 1 − P F ≥ k = P F ≥ k
4, 6 2 4, 6 2 4, 6 2] [ ] ( [ ]) [ ]
⎧
[ ]
⎪P F4 , 6 ≤ k1 = 0,05 ⇒ k1 = F1 − 0, 05 ; 4 , 6 = F
1
=
1
6,16
= 0,162
⎪ 0, 05 ; 6 , 4
se tiene: ⎨
⎪
[
⎪P k ≥ F
2 4, 6
]
= 0,05 ⇒ k2 = F0, 05 ; 4 , 6 = 4, 53
⎩
De otra parte, para conocer el valor muestral del estadístico F, es necesario calcular:
4
4 6
6 ∑ ( xi − 2 ) 2 6 . 83
∑ (xi − 2 ) 2 = 83 ∑ ( yj − 3) 2 = 131 F4 , 6 =
4
i =1
6
=
4 . 131
= 0,95
i =1 j =1
∑ ( yj − 3) 2
j =1
⎧⎪ s x2
[
Análogamente, la región de rechazo: R = ⎨ 2 ∉ F1 − α 2; (n 1 − 1), (n 2 −1) ; Fα 2; (n 1 − 1), (n 2 − 1)
⎪⎩ s y
]⎫⎪⎬⎪
⎭
4 6
∑ ( xi − x ) 2 ∑ ( yji − y ) 2 s x2
j =1
En el muestreo: s = 2
x
i =1
= 8,92 s =
2
y = 5,37 = 1,66
nx − 1 ny −1 s y2
1 1
F1 − α / 2 ; ( n 1 − 1), (n 2 − 1) = F0, 95 ; 3, 5 = = = 0,11 Fα / 2 ; ( n 1 − 1), (n 2 − 1) = F0, 05 ; 3, 5 = 5, 4095
F0, 05 ; 5, 3 9,0135
34.- Un experto cree que el número medio de errores por página que comete es dos.
Por otra parte, el editor defiende que el número medio es de cuatro. Para una muestra
aleatoria simple de 100 páginas, con un nivel de significación del 5%, se pide:
1. Obtener la región crítica.
2. Hallar la potencia del contraste.
3. Si en la muestra aleatoria de 100 páginas se encontraron 250 errores, ¿qué
hipótesis se acepta?
Nota.- Se supone que el número de errores por página sigue una distribución de Poisson.
Solución:
100
∑ xi
2 i=1
n e − 2 00 100
∑ xi
100
∑ xi
L (x1, x2, L , xn , λ = 2) ∏ xi ! ⎡1 ⎤
i =1
⎡1 ⎤
i =1
k1
= i =1
100
=⎢ ⎥ e 2 00 ≤ k1 ⇒ ⎢ ⎥ ≤
L (x1 , x 2, L , xn , λ = 4) ⎣2 ⎦ ⎣2 ⎦ e 2 00
∑ xi
4 i=1
n e − 400
∏ xi !
i =1
100
∑ xi
i =1
⎡1 ⎤ k1 100 ⎡1 ⎤ ⎡ k1 ⎤ 100 ⎡ k1 ⎤
⎢⎣ 2 ⎥⎦ ≤ a ∑ xi ln ⎢ ⎥ ≤ ln ⎢ 2 00 ⎥ ⇒ − ∑ xi ln 2 ≤ ln ⎢ 2 00 ⎥
e 2 00
i =1 ⎣2 ⎦ ⎣e ⎦ i =1
⎣e ⎦
100 (
ln k1 e 2 00 ) = k . La mejor región crítica es de la forma 100
∑ xi ≥ ∑ xi ≥ k
i =1 ln 2 i =1
100
La mejor región crítica es ∑ xi ≥ 223, 3 . En otras palabras, si la suma de observaciones
i =1
100
Considerando, de una parte, que bajo la hipótesis alternativa H1 : λ = 4 , el ∑ xi sigue
i =1
100
una distribución de Poisson de parámetro λ = 100 . 4 = 400 , es decir, ∑ xi ∈ P (λ = 400) .
i =1
hipótesis nula del experto que aseguraba que el número medio de errores por página era
de dos.
Solución.-
λk − λ
P(X = k) = e
k!
x x x
0,1 1 − 0,1 0,1 2 − 0,1 0,1 100 − 0,1
e e L e
L(x 1, x 2 , L , x 100; λ = 0,1) x 1! x 2! x 100!
= x x x
=
L(x 1, x 2 , L , x 100; λ = 0,4) 0,4 1 − 0,4 0,4 2 − 0,4 0,4 100 − 0,4
e e L e
x 1! x 2! x 100!
100
∑ xi 100 100 100
0,1 ⎞ i∑ ∑ xi ∑ xi
−10 xi − −
0,1 =1
i e ⎛ ⎛ 0,4 ⎞
= 100
= ⎜ ⎟ =1
. e 30 = ⎜ ⎟ i =1
. e 30 = 4 i =1 . e 30 ≤ k 1
∑ xi ⎝ 0,4 ⎠ ⎝ 0,1 ⎠
0,4 =1
i e − 40
de donde,
100
- Bajo la hipótesis nula, ∑ x i es una variable aleatoria, suma de cien variables
i =1
aleatorias independientes, que sigue una distribución de Poisson de parámetro
P(λ = 100 . 0,1) = P(10) .
Por otra parte, como el tamaño muestral es lo suficientemente grande se puede utilizar
100
la aproximación normal (teorema central del límite): ∑ x i ≈ N(10, 10 )
i =1
⎡ 100 ⎤
⎢ ∑ x i − 10 k − 10 ⎥ k − 10
⎡100 ⎤
P ⎢ ∑ x i ≥ k / H 0 ⎥ = P ⎢ i =1 ≥ ⎥ = 0,1 a = 1,2817 ⇒ k = 14,05
⎣ i =1 ⎦ ⎢ 10 10 ⎥ 10
⎣ ⎦
Como los valores que toma una variable de Poisson son enteros, la mejor región crítica
100
es ∑ x i ≥ 15 . Es decir, cuando la suma de los valores muestrales sea mayor que 15,
i =1
rechazaremos la hipótesis nula.
100
Considerando, de una parte, que bajo la hipótesis alternativa H1 : λ = 0,4 , el ∑ xi sigue
i =1
100
una distribución de Poisson de parámetro λ = 100 . 0,4 = 40 : ∑ x i ≈ P (λ = 40)
i =1
⎡ 100 ⎤
⎢ i∑ x i − 40 ⎥
⎡100 ⎤ 15 − 40
Po = P ⎢ ∑ x i ≥ 15 / H1 cierta⎥ = P ⎢ =1 ≥ ⎥ = P [ z ≥ − 3,95] = 0,99996
⎣ i =1 ⎦ ⎢ 40 40 ⎥
⎣ ⎦
Solución:
Sean la variable aleatoria X = ’peso medio de las patatas en la parcela A’, que sigue una
distribución N (α 1 , 144) . Análogamente, sea la variable aleatoria Y = ’peso medio de las
v
patatas en la parcela B’, con una distribución N (α2 , 225) . Sean, respectivamente, x e
y , las dos medias muestrales de las dos muestras aleatorias simples de patatas
correspondientes a las dos parcelas.
⎡ σ1 ⎤ ⎡ 144 ⎤
x se distribuye según una N ⎢α 1 , ⎥ , es decir, N ⎢α 1 , ≡ N (α 1 ; 14,4)
⎢⎣ n1 ⎥ ⎣ 100 ⎥⎦
⎦
⎡ σ ⎤ ⎡ 225 ⎤
y se distribuye según una N ⎢α 2 , 2 ⎥ , es decir, N ⎢α2 , ≡ N (α 2 ; 25)
⎢⎣ n2 ⎥ ⎣ 81 ⎥⎦
⎦
[ ]
(x − y ) ∈ N α 1 − α 2 ; 14, 4 2 + 25 2 a (x − y ) ∈ N α 1 − α 2 ; 28, 85 [ ]
Para hallar la mejor región crítica se aplica el teorema de Neyman-Pearson:
1 ( x −μ) 2
−
f( x ) =
1
e 2 σ2 [( x − y ) − 0 ] 2
(1 28,85 )
−
σ 2π 2 . 28, 85 2 1 ⎛⎜ ( x − y ) 2 − [( x − y ) − 80 ] 2 ⎞⎟
L (x, α 1 − α2 = 0) } 2π e −
2 . 28, 85 2 ⎝ ⎠
= =e =
L (x, α 1 − α2 = 80) [( x − y ) − 80 ]2
(1 28,85 )
−
2 . 28, 85 2
2π e
1
− (160 ( x − y ) − 6400 )
2 . 28, 85 2
=e ≤ k1
[ ]
P (x − y ) ≥ k / H0 : α 1 − α2 = 0 = 0, 05
⎡ (x − y ) k ⎤ ⎡ k ⎤ k
P⎢ ≥ ⎥ = P ⎢z ≥ ⎥ = 0, 05 ⇒ = 1, 645 a k = 47, 46
⎣ 28,85 28,85 ⎦ ⎣ 28,85 ⎦ 28,85
Si la diferencia entre las medias de las dos muestras es superior a 47,46 gramos se
rechaza la hipótesis nula de igualdad de medias poblacionales.
⎡ (x − y ) − 80 47, 46 − 80 ⎤
Po = P ⎢ ≥ ⎥ = P [z ≥ − 1,13 ] = 0, 8708
⎣ 28,85 28,85 ⎦
2) La diferencia entre el peso medio de las muestras tomadas en ambas parcelas es:
Como la diferencia es mayor que 47,46 gramos, se rechaza la hipótesis nula de que
ambas parcelas producen patatas con igual peso medio.
Se pide:
Solución:
n n
2 1
⎛ 1 − (x1 −α) 2 ⎞ ⎛
1
1 − ( x 2 −α) 2 ⎞
1 ⎛ 1 − (xn −α) 2 ⎞
1 ⎛ 1 ⎞ − 2 ∑ (x i −α)
L ( x1 , x 2 , L , xn , α) = ⎜ e 2 ⎟⎜ e 2 ⎟L⎜ e 2 ⎟ = ⎜ ⎟ e i = 1
⎜ 2π ⎟ ⎜ 2π ⎟ ⎜ 2π ⎟ ⎜ 2π ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠ ⎝ ⎠
n
2 n 1
⎛ 1 ⎞ − 2 ∑ ( x i − 3)
⎜ ⎟ e i =1 1
n
1
n
L (x1, x2, L , xn , α = 3) ⎜⎝ 2π ⎟⎠ − ∑ ( x i − 3) 2 + ∑ ( x i − α ) 2
2 2
= n = e i =1 i =1 =
L (x1, x2, L, xn , α < 3) ⎛ ⎞
n 1
− ∑ (x i −α) 2
⎜ 1 ⎟ e 2 i =1
⎜ 2π ⎟
⎝ ⎠
n n n n n
1 ⎛⎜ ⎞ 1 ⎛⎜ ⎞
− ∑ x2 + 9 n − 6 ∑xi − ∑ x2 − n α 2 + 2 α ∑ x i ⎟⎟ − n ( 9 − α 2 ) + ( 2 α − 6) ∑ x i ⎟⎟
2 ⎜⎜ i i ⎟ 2 ⎜⎜ ⎟
=e ⎝ i =1 i =1 i =1 i =1 ⎠
=e ⎝ i =1 ⎠
≤ k1
n
1 ⎛⎜ ⎞
− n ( 9 − α 2 ) + ( 2 α − 6) ∑ x i ⎟⎟
2 ⎜⎜ 1 n
≤ k1 ⇒ − ⎛⎜ n (9 − α 2 ) + (2 α − 6) ∑ xi ⎞⎟ ≤ ln k1
⎟
e ⎝ i =1 ⎠
2⎝ i =1 ⎠
1 ⎛ n n
− ⎜ n (9 − α 2 ) + (2 α − 6) ∑ xi ⎞⎟ ≤ ln k1 a (2 α − 6) ∑ xi ≤ − 2 ln k1 − n (9 − α 2 )
2⎝ i =1 ⎠ i =1
[
Siendo el nivel de significación del 5%: P x ≤ k H0 : α = 30 = 0, 05 ]
Si la hipótesis nula es cierta, considerando que la muestra es de tamaño 10, la media
⎛ 1 ⎞
muestral se distribuye según una normal x ∈ N ⎜ 30 , ⎟ , por tanto,
⎝ 10 ⎠
[ ]⎡ x − 30
P x ≤ k H0 : α = 30 = P ⎢ ≤
k − 30 ⎤ ⎡
⎥ = P ⎢z ≤
k − 30 ⎤
⎥ = 0,05
⎣ 1 10 1 10 ⎦ ⎣ 1 10 ⎦
k − 30
observando las tablas de la N (0, 1) se tiene que = − 1, 645 ⇒ K = 29,48
1 10
La región crítica es: x ≤ 29, 48
10
∑ xi
Por otra parte, la media muestral es: x = = 30, 24
i =1
10
Siendo x = 30, 2 4 > 29, 48 se acepta la hipótesis nula, siendo el gasto medio diario en
electricidad de 30 euros, con una fiabilidad del 95%.
[
P Aceptar H0 siendo α = 30, 6 = P ⎢ ] ⎡ x − 30,6 29, 48 − 30,6 ⎤
> ⎥ = P[z > − 3, 54 ] = 0,9998
⎣ 1 10 1 10 ⎦
Solución:
5
1 1 5 1
⎛ 1 − x2 ⎞ ⎛ 1 − x2 ⎞ ⎛ 1 ⎞ − 2σ 2 ∑ x i
2
L (x1 , x2 , L , x 5 , σ ) =
2 ⎜ e 2σ 2
1
⎟ L ⎜ e 2σ 2
5
⎟ = ⎜ ⎟ e i =1
⎜ σ 2π ⎟ ⎜ σ 2π ⎟ ⎜ σ 2π ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
5
2 5 1
⎛ 1 ⎞ − 2 ∑ xi
⎜ ⎟ e i =1 1
5
1
5
3
5
L (x1, x2, L , x 5 , σ 2 = 1) ⎜ 2π ⎟ − ∑ x2 + ∑ x2 − ∑ x2
= ⎝ ⎠ 2 i 8 i 8 i
5
= 2 5 e i =1 i =1 = 2 5 e i =1 ≤ k1
L (x1, x2, L, x 5 , σ = 4) ⎛
2 5 1 2
1 ⎞ − 2 . 4 ∑ xi
⎜ ⎟ e i =1
⎜ 2 2π ⎟
⎝ ⎠
5 5
3 3
−
8 ∑ x2i −
8 ∑ x2i 3 5 2
25 e i =1 ≤ k1 ⇒ e i =1 ≤ k1 32 a − ∑ xi ≤ ln ( k1 32)
8 i =1
5 ln ( k1 32) 5 ln ( k1 32) 5
∑ xi ≤ a ∑ x2i ≥ a ∑ x2i ≥ k
2
i =1 −3 8 i =1 −3 8 i =1
5
La forma de la mejor región crítica es ∑ x2i ≥ k
i =1
5
La región crítica es: ∑ x2i ≥ 11,07
i =1
En otras palabras, se aceptará la hipótesis nula cuando la suma de los cuadrados de las
observaciones muestrales sea menor que 11,07
5
Potencia = P ⎡ ∑ x2i ≥ 11, 07 H1 : σ 2 = 4⎤
⎢⎣ i=1 ⎥⎦
5 5
Potencia = P ⎡ ∑ x2i ≥ 11, 07 H1 : σ 2 = 4⎤ = P ⎡ ∑ (xi 2) 2 ≥ 2, 7675⎤ ≈ 0, 75
⎢⎣ i=1 ⎦⎥ ⎣⎢ i=1 ⎥⎦
5
3) El contraste se realiza hallando el ∑ x2i de la muestra aleatoria simple, siendo:
i =1
5
∑ x = 1 + 0, 9 + ( − 0, 2) + 1,4 + ( − 0, 7) = 4, 3 < 11,07
2 2 22 2 2
i
i =1
Solución:
El nivel de significación α es la probabilidad de rechazar la
hipótesis nula siendo cierta: α = P (Re chazar H 0 H 0 cierta) .
x 1 = 0,6 x 2 =1 x 1 =1 x 2 = 0, 6 x 1
[
P x 1 x 2 ≤ 0, 6 H 0 : θ = 1 = ]
∫ ∫ x 1 =0
1 dx 1 dx 2 +
x 2 =0
∫ ∫ x 1 = 0,6
1 dx 1
x 2 =0
dx 2 =
∫ ∫ ∫ ∫
0,6 1 0,6 1
0, 6 x 1
= (x 2 ) 10 dx 1 + (x 2 ) 0 dx 1 = 1 dx 1 + (0, 6 x 1 ) dx 1 =
0 0, 6 0 0,6
La probabilidad de rechazar la hipótesis nula siendo cierta es alta, lo que indica que el
contraste es malo.
x 1 = 0,6 x 2 =1 x 1 =1 x 2 = 0, 6 x 1
[
Pot = P x 1 x 2 ≤ 0, 6 H 0 : θ = 2 = ]
∫ ∫ x 1 =0
2 x 1 2 x 2 dx 1 dx 2 +
x 2 =0
∫ ∫
x 1 = 0,6
2 x 1 2 x 2 dx 1 dx 2 =
x2 =0
0, 6 1 0, 6 1
∫ ∫ ∫ ∫
0, 6 / x 1
= 4 x1 ( x 2
2 2) dx1 +
1
0 4 x1 ( x 2
2 2)0 dx1 = 2 x1 dx1 + 2 (0, 36 / x1 ) dx1 =
0 0, 6 0 0, 6
Solución:
[ ]
x =k 2 x2 =2 x =2 x2 = k x 1
x1 x 2 x1 x 2
∫ ∫ ∫ ∫
1 1
0, 05 = P x1 x2 ≤ k H0 : f(x) = x 2 = dx1 dx2 + dx1 dx2 =
x =0 x2 = 0
4 x =k 2 x2 = 0
4
1 1
x =k 2 x =2 k2 2
x1 x1 x1
∫ ∫ ∫ ∫
1 1
k x1 k2
= (x22 / 2)20 dx1 + (x22 / 2)0 dx1 = dx1 + dx =
x =0
4 x =k 2
4 0
2 k2
8 x1 1
1 1
1 2 k 2 k2 k2 k2
[ln 2 − ln (k 2) ] = k ⎡⎢ 1 + 2 ln 2 − ln k ⎤⎥ = k [1, 8633 − ln k ] ⇒
2 2
= (x1 )0 + (ln x1 ) k2 2 = +
4 8 16 8 8 ⎣2 ⎦ 8
k 2
⇒ [1, 8633 − ln k ] = 0, 05 a k 2 [1, 8633 − ln k ] = 0, 40 de donde k = 0, 3733
8
La regla de decisión es x1 . x2 ≤ 0, 3733 .
Es decir, se rechaza la hipótesis nula si durante los días el producto de los dos
volúmenes de ventas de la muestra es inferior a 37.330 euros.
[ ]
x = 0,3733 / 2 2 x =2 0, 3733 x 1
∫ ∫ ∫ ∫
1
1 1
1
P = P x1 x2 ≤ 0, 3733 H1 : f(x) = 1 2 = dx1 dx2 + dx1 dx2 =
x =0 0
4 x = 0,3733 / 2 0
4
1 1
∫ ∫ ∫ ∫
1 1 0, 3733 / x 1 1 0, 3733 1
= (x2 )02 dx1 + ( x 2 )0 dx1 = dx1 + dx1 =
0
4 0, 3733 / 2
4 2 0
4 x
0, 3733 / 2 1
Solución:
1 n
1 −
1
( x 1 − θ) 2 1 −
1
( x 2 − θ) 2 1 −
1
(x n − θ) 2 ⎡ 1 ⎤
n −
2
∑ ( x i − θ) 2
L (x 1, x 2 , L , x n , θ) = e 2 e 2 L e 2 = ⎢ ⎥ e
i =1
2π 2π 2π ⎣ 2π ⎦
n
1
n − ∑ ( x i − 0, 4 ) 2
⎡ 1 ⎤ 2 n n
⎢ ⎥ e i =1 1 ⎡ ⎤
− ⎢ ∑ ( x i − 0, 4 ) 2 − ∑ ( x i − 0, 3) 2 ⎥
L (x1, x2, L, xn , θ = 0, 4) 2π
= ⎣ ⎦ 2 ⎢ ⎥
n = e ⎣i=1 i =1 ⎦
=
L (x1, x2, L, xn , θ = 0, 3) n 1
− ∑ ( x i − 0, 3) 2
⎡ 1 ⎤ 2
⎢ 2π ⎥ e i =1
⎣ ⎦
n n n n n
1 ⎡⎢ ⎤ 1 ⎡⎢ ⎤
− ∑ x 2 + 0, 16 n − 0, 8 ∑ xi −∑ x 2 − 0, 09 n + 0, 6 ∑
xi ⎥ − 0, 7 n − 0, 2 ∑ xi ⎥
2 ⎢ i i ⎥ 2 ⎢ ⎥
= e ⎣i =1 i =1 i =1 i =1 ⎦
= e ⎣ i =1 ⎦
≤ k1
n
1 ⎡⎢ ⎤
− 0, 7 n − 0, 2 ∑ xi ⎥
1 n n
e
2 ⎢
⎣ i =1 ⎦
⎥
≤ k1 a − ⎡0, 7 n − 0, 2 ∑ xi ⎤ ≤ ln k1 ⇒ 0, 7 n − 0, 2 ∑ xi ≤ − 2 ln k1
2 ⎢⎣ i =1 ⎥⎦ i =1
n
n n 0, 7 n + 2 ln k1 ∑ xi 0, 7 n + 2 ln k1
− 0, 2 ∑ xi ≤ − 0, 7 n − 2 ln k1 ⇒ ∑ xi ≤ ⇒ i =1
≤
i =1 i =1 0, 2 n 0, 2 n
[ ]
⎡ x − 0,4 k − 0,4 ⎤
P x ≤ k H0 : θ = 0, 4 = P ⎢ ≤
⎡
⎥ = P ⎢z ≤
k − 0,4 ⎤
⎥ = 0,05 a
k − 0,4
= − 1, 645
⎣ 1 n 1 n ⎦ ⎣ 1 n ⎦ 1 n
− 1, 645
k − 0,4 =
n
[ ] ⎡ x − 0,3 k − 0,3 ⎤
P x ≤ k H1 : θ = 0, 3 = P ⎢ ≤
⎡
⎥ = P ⎢z ≤
k − 0,3 ⎤
⎥ = 0,6443 a
k − 0,3
= 0, 37
⎣ 1 n 1 n ⎦ ⎣ 1 n ⎦ 1 n
0, 37
k − 0,3 =
n
⎧ − 1, 645
⎪k − 0,4 = n = 406
⎪ n 2,015
Resolviendo el sistema: ⎨ 0,1 = ⇒
⎪ 0, 37 n
k = 0,3184
⎪k − 0,3 =
⎩ n