Ejercicios resueltos Francisco Novoa Muñoz 1

1. La distribución del tiempo de entrenamiento, en meses, de un ingeniero 2

comercial en una gran empresa está dada por la función 0 aBb œ ˆ B ‰ )
e B ,
)
B   0, siendo cero en otro caso. Con base en una m.a. \1 , \2 , á, \8 .
1.1 Obtenga el estimador de ) usando el método de los momentos,
considere
que .1 œ Ia\b œ 6)2 .
1.2 Determine el estimador máximo verosímil de ).
1.3 Evalúe los estimadores anteriores si los valores muestrales son los
siguientes: 1.5, 2.8, 2.5, 3.2, 1.9, 4.1, 3.6, 2.6, 2.9 y 2.3.
Desarrollo
Sea \ ÀTiempo de entrenamiento (en meses) de un ingeniero
comercial en una gran empresa.
1.1 Como hay un solo parámetro, entonces formamos una ecuación: œ .
71 1
8
Recordar 71 1 !B y .1 œ Ia\b œ 6)2 .
8 3
que œ
3œ1
8
Por tanto 1 !B œ 6)2.
8 3
3œ1
8
Despejando ), se )2 1 !B œB.
68 3 6
obtiene œ 3œ1

Así, s)
Q œ 6É .
B

8
 B 2 B3

1.2 Sea Pa), Bb œ #

)
ˆ 3‰
e )
3œ1
ln Pa), Bb œ ! ˆ2 ln ˆ B3 ‰  ‰ 8œ ! a2 ln B3  2 ln ) 
8
Luego,
1
B3
B3 ) b
3œ1 ) )
3œ1
ln Pa), Bb œ ! ˆ  2  ‰ œ ! a  2)1  B )2 b
. 8 B3 8
.) ) ) 3
2 3œ1
8 8
Si .
ln Pa), Bb3œ1
28 œ 0, entonces Ö
s) 1
œ B
.
œ
1 !B œ
!B
.) ) ) 2 3 3œ1
 Ejercicios resueltos Francisco Novoa Muñoz 2
QZ 28 3 2 3œ1
.2 8 2 B 28 2 8 28 28

2 Pa), Bb œ ! ˆ
‰lnœ 2 2 3
! B3 œ 
2  3 2
B.
.) ) ) ) ) ) )3
3
3œ1
3œ1
.2 ln Pa), Bb¹ 88
œ
28  28 B
œ  168
œ B  168 œ
88
88 .
.)2 )œ ˆ‰B3 ‰2 ˆ B aBb2 aBb3 aBb2 aBb2 aBb2
s)
QZ 2 2

1.3
s)Q œ 0.675771164 s)Q œ 1.37.
Q y Z
2. En una encuesta a 415 ejecutivos se encontró que 278 consideraban el flujo
de caja como el indicador más importante de la salud financiera de una
compañía. Con una confianza del 98%:
2.1 Obtenga un intervalo para la fracción de los ejecutivos que confian que
el flujo de caja es el indicador más importante de la salud financiera de
una compañía.
2.2 ¿Qué tamaño de muestra mínimo se requiere para asegurar esta fracción
dentro de „ 0.05?
Desarrollo
Sea \ ÀAcepta que el flujo de caja es el indicador más importante de la
salud
financiera de una compañía.
Luego, \ µ Bernoullia:b.
2.1 Como 8 œ 415 es suficientemente grande y el nivel de confianza
0.98 es
razonable, entonces los límites de confianza para : se aproximan por
B „ D ! É B ˆ1B ‰
1 2 8

De los datos B 278 415 ¸ 0.67. ! œ 0.02 confianza),

œ Como (98%
de
entonces, 1 2 œ 0.99 y de la tabla normal œ 2.33.
!
resulta D0.99
0.67ˆ10.67‰
Por lo tanto, los límites de confianza son 0.67 „ 2.33É 415 , como
0.67ˆ10.67‰
2.33É 415
¸ 0.05378067, aproximando a 2 decimales, se logra
que
los límites de confianza para : son 0.67 „ 0.05.
Así, Ó0.62, 0.72Ò un intervalo del 98% de confianza para la fracción de
es
los ejecutivos que confian en que el flujo de caja es el indicador más
importante de la salud financiera de una compañía.
2.1 Como se desconoce un valor de : anterior, entonces el tamaño de la
D2 !
muestra se aproxima por À84 1 2
&2
1

Puesto que D œ 2.33, además, & œ 0.05, 2.332 œ

0.99 0.052
entonces 8   1 4 542.89.
Por tanto, se requiere de 543 ejecutivos, como mínimo.
3. En un estudio sobre los efectos de la planificación en el rendimiento
financiero de los bancos, se extrajo una muestra aleatoria de seis
instituciones financieras que contaban con un sistema de planificación
formal y se comprobó que el porcentaje medio anual del crecimiento de los
ingresos netos en dicha muestra era de 13.720 con una desviación estándar
de 7.470. La media de dicho crecimiento en otra muestra aleatoria
independiente de nueve bancos que no recurran a la planificacion fue de
7.098 con una desviación estándar de 10.834. Al nivel de 90% de confianza,
¿se puede concluir que hay diferencias estadísticamente significativas entre
las medias?, ¿qué supuestos debe hacer?
Desarrollo
Sean
\1 ÀRendimiento financiero anual (en %) de los bancos que cuentan con
un
sistema de planificación formal.
\2 ÀRendimiento financiero anual (en %) de los bancos que no cuentan con un
sistema de planificación formal.

Se trata de analizar si existe diferencia entre las medias, pero no se cuenta con
la distribución de las poblaciones. Además, se observa que los tamaños
muestrales 81 œ 6 œ 9 son pequeños.
y 82

Se debe destacar que no se trata de diferencia de proporciones pues los tamaños

muestrales son muy pequeños.

Para extraer alguna conclusión deberíamos suponer que los rendimientos

financieros se distribuyen normal, es decir,
Supuesto: µ R a.3 ,3 52 b, 3 œ 1, 2. Varianzas desconocidas.
\3

Con este supuesto y considerando el hecho que los tamaños de las muestras son
pequeños, podríamos usar la Observación 2, sección I, capítulo 1, que dice no
haber un procedimiento directo, a menos que las varianzas de las poblaciones
normales sean iguales.

Por tanto, veamos si podemos considerar que las varianzas poblacionales son
52
iguales. Para esto, calculemos el intervalo de confianza para 2 5dado
2 por À
1

1b, 0 ! a8  1, 8 
2
=2
=220 ! a8  1, 8  1b .
• =2 2 1 2 = 2 1 2 1 2 ”
1 1

Como ! œ 0.1 (90% de confianza), entonces,

œ 0.95 y de la tabla
1 ! 2
J
resulta 00.95a5, 8b œ 1 1
00.05a5, 8b 0 a8, 5b œ4.82 . 0.95
3.69 y œ
_ _ œ 7.098,
Además,
B1 œ 13.720, œ =2 œ 10.834.
=2 7.470,
1 B2 2

Los límites del intervalo son 10.834 1

¸ 0.3008993 el izquierdo y
10.834 7.470 4.82
7.470
3.69 ¸ 5.351735 el derecho.
2
De donde, el intervalo del 90% de confianza para es Ó0.301, 5.352Ò, que
2 5
512
contiene al 1, por lo que se podría deducir que las varianzas son iguales. Por
tanto, usando la Observación 2, sección I del capítulo 1 se tiene que los
límites 1 1
de confianza para .1  .2 son ÀB1  B 2 „ > ˆ8 8 2,1
2
‰ :  8 ,
= 1 2
!
2
É 81
2
1 2
.
donde = a811b= a8 2
1b= 2
2

œ : 8 8 21 2

De la tabla se encuentra que >a13,0.9 ¸ 1.771 y los límites de confianza

> 5b son
5a7.470b8a10.834b
13.720  7.098 „ 1.771É É1  1.
692 6 9

Puesto
1 que 1.771É 5a7.470b8a10.834b É 1  ¸ 2.883002, entonces los límites
692 6 9
del 90% de confianza para .1  .2 son 6.622 „ 2.883.

Así, Ó3.739, 9.505Ò un intervalo del 90% de confianza para la diferencia de

es
los rendimientos financieros anuales promedios entre los dos grupos de bancos.

Esto significa que contar con un sistema de planificación formal permite tener
diferencias estadísticamente significativas entre las medias de los rendimientos
financieros anuales de los bancos.
4. Una empresa forestal se dedica a la explotación de eucaliptus Globulus y
deben estimar la altura promedio de dichos árboles a la edad I0 , en la que la
desviación estándar es 2.5 metros. Para ello, consideran una m.a. de 100
árboles, obteniendo una altura media de 8.0 metros y varianza 4.0 metros 2.
Enuncie, si los necesita, los supuestos que debe hacer para responder las
siguientes preguntas.
4.1 ¿Cuál es la probabilidad que la media poblacional y muestral no difieran
en más de 0.5 metros?
4.2 Determine un intervalo de confianza del 95% para la verdadera altura
media de los árboles.
4.3 Los técnicos en realidad no están seguros acerca del valor exacto de la
desviación estándar poblacional, ¿qué haría usted para sacarlos de esta
duda? y hágalo.
4.4 Los técnicos desean que la diferencia entre la media muestral y
poblacional no exceda de 0.4 metros con un 95% de seguridad, ¿fue
suficiente la muestra considerada inicialmente?, justifique.
Desarrollo
Sea \ ÀAltura (en metros) de los eucaliptus Globulus a la edad I0 .
Se conoce la desviación estándar, que es 2.5 metros, pero no se dice su
distribución, consideremos el siguiente
Supuesto: \ µ R a., 2.52 b, varianza conocida.

Además, 8 œ 100, B œ 4.0.

œ 8.0, =2
4.1 Que la media poblacional y muestral no difieran en más de 0.5 metros
significa que la diferencia entre estas dos medias no se aleje de 
0.5 ni
de  0.5, es decir, que la diferencia se ubique  0.5 y  0.5, esto es,
entre
 0.5  \  .  0.5, equivalentemente, .l  0.5.
l\ 
Por lo tanto, se pide T ˆ 0.5  \  .  0.5‰.

Para calcular una probabilidad se debe conocer la distribución de la

variable aleatoria involucrada, en este caso la v.a. es \, de acuerdo al
Teorema 2, µ 5
2 ‹, en nuestro µ
2
2.5
100 ‹.
\ RŠ., caso, \ RŠ.,
 Como está involucrada la distribución normal, sabemos que la única que
está tabulada es la normal estándar, entonces debemos estandarizarla.
De donde, \ . µ Ra0, 1b, es decir, \ .
œ
\ . ^œ .
É 52 È85 È58
8

Para responder a lo pedido, nos falta dividir por 5

, dentro del paréntesis,
È8
resultando:
.
T ˆ 0.5  \  .  0.5‰ 0.5
2.5  5
È8
 2.5
0.5

È100 È100
œTŒ \

œ T a  2  ^  2b
œ T a^  2b  T a^ Ÿ
2b
œ 0.9772  0.0228
œ 0.9544
„ 0.5
Existe aprox. un 95.4% de seguridad que la media muestral esté
entre metros de la verdadera media poblacional.

4.2 Como la varianza es conocida, los límites5de confianza para la verdadera

altura media de los árboles . son B „ D1 ! .
È8 2

Como ! œ 0.05 (95% de confianza),

entonces, 1  ! 2
œ 0.975 y de la
tabla
normal resulta D1 !2 œ 1.96.
2.0
Por lo tanto, los límites de confianza para . son 8.0 „È a1.96b, como
100
2.0
È
a1.96b œ 0.392, aproximando a 1 decimal (debido a los
datos), se
100
logra que los límites de confianza para . son 8.0 „ 0.4.
Así, Ó7.6, 8.4Òes un intervalo del 95% de confianza para la altura media
de los árboles.
Esto significa que, para la muestra considerada, existe un 95% de certeza
que la verdadera altura media de los eucaliptus Globulus está en el
intervalo Ó7.6, 8.4Ò.
4.3 Obtendría un intervalo de confianza para la varianza poblacional 52 y
averiguaría si 2.52 está en dicho intervalo.
Un intervalo de confianza para la varianza de la altura de los eucaliptus

Globulus está dado por a81b =2 a81b =2

— ;2 ! , ;2 ! –.
Š1 , 81‹ Š , 81‹
2 2

Obtengamos un intervalo del 95% de confianza, luego ! œ

0.05 y
1  2 œ 0.975. De la resulta ;2a0.025, œ 74.22
! 2
tabla ; 99b y
;2a0.975, 99b œ 129.6.
99a4b
De donde, el límite izquierdo del intervalo es 129.60 ¸ 3.055556 y el
límite
derecho es 99a4b
74.22 ¸ 5.335489.

Así, un intervalo del 95% de confianza para la varianza de la altura de los

árboles es Ó3.06, 5.34Ò.
Como 2.52 œ 6.25 Â Ó 3.06, 5.34Ò , entonces con la evidencia
muestral y con un 95% de confianza podemos afirmar que el valor
exacto de la varianza de la altura de los eucaliptus Globulus no es
6.25 metros2.

4.4 Se pide determinar el tamaño de la muestra, que está dado por D2 ! .

8   52 & 1 2
2

Como ! œ 0.05 (95% de seguridad), œ 0.975 y de la

2
entonces, 1  ! tabla
normal resulta D0.975 œ 1.96.
Además, 5 œ 2.5 y & œ 0.4.
Por lo tanto, 8   1.962 œ 150.025  100.
2.5 0.42
2

Así, la muestra considerada inicialmente (8 œ 100) fue

insuficiente.
5. Una empresa compra lingotes de acero a una siderúrgica, exigiendo en las
especificaciones que el peso medio sea de 100 kilos con una desviación
estándar de 4 kilos. Al recibir una partida grande de lingotes se toma una
muestra al azar de 25 lingotes y se aceptará la partida si el peso medio
observado es de 98 kilos o más. Formulando los supuestos que le permitan
trabajar, determine:
5.1 El nivel de significación que implica el criterio utilizado.
5.2 La potencia de la dócima si la verdadera media fuera 97 kilos.
5.3 La región crítica, si el tamaño del test es 0.04 y de la muestra es 16.
Desarrollo
Sea \ ÀPeso (en kilos) de los lingotes de acero comprados por la
empresa a
una siderúrgica.
Se conocen la media y varianza poblacional del peso de los lingotes, pero no se
dice su distribución, consideremos el siguiente
Supuesto: \ µ R a., 42 b.
Además, 8 œ 25 y si B   98, entonces se acepta la partida.
5.1 Se pide ! Máx T aerror de tipo Ib. Formulemos la prueba de hipótesis:
œ ) − @0

L0 .   100 versus L1 .  100, @0 œ Ò100, _Ñ.

À À
4
X Ð\Ñ µ R Š., 2 ‹ es el estadístico de prueba.
œ \ 25

VG œ Ö̂B1 , B2 , á, B8 ‰ ÀB  98× es la región crítica o zona de

rechazo. Regla de decisión: si B   98, entonces se acepta la partida.

T aerror de tipo Ib œ T aRechazar L0 ÎL0 es verdaderab
œ T ˆ\  98 Î.   100‰, se debe estandarizar

\
.  98100 , en . œ 100 se logra el
œ T máximo.
 É 52 É 42 
8 25
 œ T a^   2.5b œ 0.0062
Por tanto, el nivel de significación del criterio utilizado es bajo !
œ 0.0062.
5.2 Para . œ 97, se pide potencia œ 1 œ T aerror de tipo
 ", donde " IIb.
potencia œ 1  T aerror de tipo IIb
œ 1  T aAceptar L0 ÎL0 es
falsab
œ 1  T ˆ\   98 Î. œ 97‰, se debe estandarizar
\
. 9897
œ  É 52 Ÿ 42 
É 25
T 8

œ T a^ Ÿ 1.25b
œ 0.8944.
Esto significa que aprox. el 89.4% de las muestras falsas son rechazadas.

5.3 Como 8 œ 16, entonces \ 4

16
2‹. Se debe obtener la región
µ R Š., la cual está dada por: crítica,
VG œ
B2, B8 ‰ ÀB  -×, por tanto, debemos encontrar - de
Ö̂ B1, á
manera que ,

! œ 0.04 œ T ˆ\  - Î. œ 100‰, se debe estandarizar

\.
 -100
œ Ÿ
É É 42 
T 52 8
16

œ T a^ Ÿ-  100b œ 0.04
De la tabla obtenemos que -  100 ¸  1.75, - ¸ 98.25.
esto es, Así, VG œ Ö̂B1 , B2 , á, B8 ‰ ÀB 
98.25×.
6. Un servicio de cobro de cheques bancarios descubrió que alrededor del 5%
de todos los cheques enviados al servicio no tenían fondos. Después de
instituir un sistema de verificación de cheques para reducir sus pérdidas, el
servicio encontró que de una muestra aleatoria de 1124 que fueron
cobrados en efectivo sólo 45 cheques carecían de fondos.
6.1 ¿Existe suficiente evidencia para afirmar que el sistema de verificación
de cheques redujo la proporción de cheques sin fondos?, es decir,
calcule el valor-p de esta prueba.
6.2 ¿Qué concluiría usted si el tamaño del test es 0.01?
Desarrollo
Sea \ ÀAcepta cheque sin fondos en un servicio de cobro.
Luego, \ µ Bernoullia:b.
Además, 8 œ Bœ 45
¸ 0.04003559.
1124
1124 y s:
œ
6.1 Recordar que para contrastar À) versus L1 À)  )0, se
L0 )0 determina
el valor-p comovalor-p Máx T aX a\ b Ÿ X aBbb
) − @
œ 0

La prueba de hipótesis es:

L0 À:   0.05 versus L1 À:  0.05, @0 œ Ò0.05, _Ñ.
a1:b
X Ð\Ñ µ R Š:, : ‹ es el estadístico de prueba.
œ \ 8

VG œ ÖB ÀB  -×, hallar - tal que T ˆ\  - Î:   0.05‰ œ

!.
Para nuestro caso, X aBb 45 y valor-p Máx T ˆ\ 45 ‰
œ œ Ÿ
1124 : − Ò0.05, 1124
_Ñ
valor-p œ T 45
0.05‰
1124 Î
: 
ˆ\ Ÿ
 45
1124 0.05
œ \
T. , en : œ 0.05 se obtiene el
É 0.05a10.05b
Ÿ  máximo.
1124
É 5
8

œ T a^ Ÿ 1.53b œ 0.063

6.2 Si ! œ 0.01  0.63 œ valor-p, entonces no se

podría rechazar que
:   0.05, por lo tanto sistema de verificación instituido no reduce las
el pérdidas del
servicio.