UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI-

FACULTAD DE INGENIERÍA Y ARQUITECTURA

PRÁCTICA DIRIGIDA 9 –PRUEBA DE HIPÓTESIS – ESTADÍSTICA
1)Una empresa eléctrica fabrica baterías de celular que tienen una duración que se
distribuye de forma aproximadamente normal con una media de 800 horas. Se extrae una
muestra aleatoria de 30 baterías, ¿muestran los datos suficiente evidencia para decir que la
duración media no es de 800 horas?.

755 752 770 780 806 769 814 782 798 774
786 752 702 799 824 820 771 752 776 805
792 832 848 760 828 772 792 803 803 817

2) La duración de las bombillas de 100 watt que fabrica una empresa sigue una
distribución normal con una desviación de 120 horas. Su vida media está garantizada
durante un mínimo de 800 horas. Se escoge al azar una muestra de 50 bombillas de un
lote y, después de comprobarlas, se obtiene una vida media de 750 horas.

a) Con un nivel de significación de 0,01 , ¿habría que rechazar el lote por no cumplir la
garantía?

b) ¿Cuál es la probabilidad de cometer el error tipo II si el tiempo medio de vida de las

bombillas es 790 horas?

SOLUCIÓN

Queremos hacer una prueba de hipotesis sobre la media de la duración de las bombillas.
¿Durán en promedio más de 800 horas o menos?

La variable es X: duración (en horas) de una bombilla de 100 watts, fabricada por
cierta empresa.

Se sabe que: X∼N(μ=?;σ=120)

No conocemos el valor de la media. Pero sí conocemos la media muestral de una

muestra de tamaño 50

n=50;¯x=750

A primera vista parecería que las bombillas están durando menos que lo prometido por
el fabricante. (El fabricante garantiza que duran en promedio 800 horas o más y
obtuvimos una media muestral de 750 horas.)
Pero no podemos tomar la decisión “a ojo”. Tenemos que realizar una prueba de
hipótesis. Vamos a hacer la prueba de hipótesis realizando los pasos recomendados.

No es necesario escribir todos estos pasos, pero lo hacemos porque lo hace mucho más
fácil de entender.

Paso 1: Definir la variable.

X: duración (en horas) de una bombilla de 100 watts, fabricada por cierta empresa.

X∼N(μ=?;σ=120)
Paso 2: Plantear las hipótesis estadísticas

El fabricante afirma que duran 800 horas o más:

H0:μ≥800

Queremos contrastar esa hipótesis con: H1:μ<800

Paso 3: Establecer un estadístico de prueba.

En este caso hay dos posibles. Que son equivalentes.

Cómo X∼N

y σ es conocida, conocemos la distribución de la variable media muestral:

¯X∼N(μ,σ√ n )

Este es un estadístico de prueba adecuado. Pero también se puede estandarizar esta

variable, y obtener:

¯X–μσ√ n ∼N(0,1)

Cualquiera de los dos sirve. (Son básicamente el mismo. En un caso está

estandarizada la variable normal y en el otro no está estandarizada).

Vamos a usar los dos para poder explicar cómo se hace con ambos.

Pero no es necesario que usen los dos.

Paso 4: Seleccionar un nivel de significación

El enunciado determina que:

α=0,01
Paso 5: Determinar la zona de rechazo y la regla de decisión
Cómo la hipótesis alternativa afirma que μ es menor que un cierto valor, entonces
decimos que la prueba es unilateral izquierda: la zona de rechazo queda ubicada a la
izquierda.

La distribución de ambos estadísticos es normal.

Así que el diagrama con la distribución del estadístico y la zona de rechazo a izquierda
es así:

Pero ahora queremos determinar exactamente cuál es la región de rechazo. ¿Cuál es el

valor de la abscisa que define la región de rechazo?

Si usamos el estadístico de prueba ¯X–μσ√ n ∼N(0,1)

el diagrama con la zona de rechazo unilateral izquierda y el nivel de significación sería

así:
¿Cuál es el valor de la variable normal estándar que acumula una probabilidad de 0,01

a su izquierda?

z0,01=–2,33

(Eso se busca en la tabla de la normal estándar o usando software)

Entonces la regla de decisión es:

 Rechazo H0

si ep≤–2,33
 .
 No rechazo H0 si ep>–2,33

Si quisiéramos usar el otro estadístico de prueba posible ¯X∼N(800,120√ 50 ≅16,97)

, la lógica es exactamente la misma:

Pero ¿cómo averiguamos el valor crítico ¯XC que acumula una probabilidad de 0,01 a
su izquierda?

-Opción 1: usando software cómo Probability Distributions (para Android) o GeoGebra

(para Windows).

-Opción 2: usando la tabla de probabilidad normal estándar. En general en un examen

no se permite usar software. Así que no nos queda otra que esta opción. Veamos cómo
es.

Si ¯XC es aquel valor que acumula una probabilidad de 0,01 a su izquierda, entonces al
estandarizarlo obtendremos z0,01=–2,33

–2,33=¯XC–800120√ 50

De acá podemos despejar ¯XC ⇒¯XC=–2,33.120√ 50 +800≅760,46

Obtenemos que el valor crítico es ¯XC=760,46

. Luego la regla de decisión es:

 Rechazo H0

si ¯X≤760,46
 No rechazo H0 si ¯X>760,46

Paso 6: Calcular el valor observado del estadístico de prueba

Usando el estadístico de prueba ¯X:

El valor observado ¯X=750 pertenece a la zona de rechazo (–∞;760,46)

Si usamos el estadístico estandarizado tenemos que realizar el siguiente cálculo:

ep,obs=750–800120√ 50 ≅–2,95

También ocurre que el valor observado (–2,95) pertenece a la zona de rechazo (–∞;–
2,33)
Paso 7: Obtener la conclusión

Decidimos rechazar la hipótesis nula. La conclusión podría ser:

“Con un nivel de significación del 1% hay evidencias suficientes para afirmar que la
media de la duración de las bombillas es inferior a 800 horas.”

Ítem b

En este ítem tenemos que pensar que en realidad la verdadera media es μ=790

Entonces la distribución de la media muestral es:

¯X∼N(790;120√ 50 )

Cómo el error de tipo II es: no rechazar la hipótesis nula cuando esta es falsa, la
probabilidad de cometer el error de tipo II es:

β=P(errortipoII)=P(NoRH0|H0esF)

Pero “no rechazar la hipótesis nula” sería que el estadístico no caiga en zona de rechazo.

Es decir que ¯X>760,46

Entonces la probabilidad es: ⇒P(¯X>760,46|μ=790)

⇒P⎛⎝Z>760,46–790120√ 50 ⎞⎠

⇒P(Z>–1,74)=1–P(Z<–1,74)=0,9591

En el siguiente diagrama mostramos en color azul la distribución de ¯X si μ=800 y en

color rojo la distribución de ¯X si μ=790

.
El área de la región azul bajo la curva azul es la probabilidad de error de tipo I.

El área de la región roja bajo la curva roja es la probabilidad de error de tipo II.

La región sobre el eje marcada con color rojo es la zona de rechazo.

3) Se sabe que la media del consumo de energía eléctrica en cierta provincia es de 721
kwh.

Una empresa tecnológica de la región cree que sus empleados consumen más que el
promedio provincial. Recoge información sobre los consumos de 20 empleados
escogidos al azar, y obtiene los siguientes datos:

710 774 814 768 823

732 675 755 770 660
654 757 736 677 797
760 718 774 747 796

Si la distribución del consumo mensual de energía eléctrica es normal:

 i. ¿ Hay evidencias para afirmar que el promedio del consumo de energía
eléctrica hogareño de los empleados de la empresa es superior a la media del
consumo a nivel provincial? Usar un nivel de significación del 10%.
ii. ¿Cuál es el valor p de la decisión?

SOLUCION EN EXCEL

710 774 814 768 823

732 675 755 770 660
654 757 736 677 797
760 718 774 747 796

mu=721
m= 744.85
S= 49.5732048
t90(valor
a=0.1 1.72913281 crítico) [1.73;∞)
Nc=0.9
tp= 2.15041215 tp>1.729
Ho:mu=721

4.- De una población con distribución normal se tomó una muestra aleatoria de 4
observaciones, obteniéndose: 9.4, 12.2, 10.7, 11.6. Encuentre un intervalo de confianza
para la media poblacional, con un nivel de confianza de 90% y pruebe la hipótesis de
que el parámetro es 12.

SOLUCIÓN con MATLAB o OCTAVE

>>u=[9.4, 12.2, 10.7, 11.6];

>>m=mean(u)

m=

10.9750

>> s=std(u)

s=

1.2176

>> ta = tinv(0.95,3)

ta=

2.3534
>> x =[m – ta*s/sqrt(4), m+ta*s/sqrt(4)]

5. Resuelva el Problema 3 con MATLAB.

6. Resuelva el problema 1 mediante MATLAB u OCTAVE

SOLUCION EN MATLAB

A=[755 752 770 780 806 769 814 782 798 774 786
752 702 799 824 820 771 752 776 805 792 832
848 760 828 772 792 803 803 817];

>> m=mean(A)

m=

787.8000

>> S=std(A)

S=

30.5799

>> mu=800;

>> E=1.96*S/30^0.5

E=

10.9429
>> IC=[m-E, m+E]

IC = [ 776.8571 798.7429]

800 no está en el intervalo IC, por tanto se Rechaza Ho:mu=800