Contenido

4.1 INTRODUCCIÓN......................................................................................................................1
4.3 PRUEBAS DE SIGNIFICANCIA.........................................................................................4
4.4 COMPARACIÓN DE DOS MUESTRAS INDEPENDIENTES: PRUEBAS T PARA
LAS DIFERENCIAS ENTRE DOS MEDIAS...........................................................................7
4.5 PRUEBA DE FISHER PARA VARIANZAS Y DE IGUALDAD PARA VARIANZAS
DE DOS POBLACIONES NORMALES.................................................................................17
4.6 COMPARACIONES DE DOS MUESTRAS PAREADAS.............................................25
4.7 MODELO TOTALMENTE ALEATORIO: ANÁLISIS DE VARIANZA DE UN
FACTOR.....................................................................................................................................37
4.8 SELECCIÓN DEL TAMAÑO DE LA MUESTRA PARA ESTIMAR LA
DIFERENCIA ENTRE DOS MUESTRAS..............................................................................51
4.9 APLICACIONES.................................................................................................................58
BIOGRAFÍAS............................................................................................................................67
 4.1 INTRODUCCIÓN.
Prueba de hipótesis con dos muestras datos categóricos.

En todos los análisis hechos hasta ahora, hemos utilizado el símbolo n en lugar de un
número específico. Ahora necesitamos saber cómo determinar el número que se debe usar.
¿Qué tan grande deberá ser la muestra? Si ésta es muy pequeña, podemos fallar en el logro
de los objetivos de nuestro análisis; si es demasiado grande, desperdiciamos recursos al
tomar la muestra.

Se presentará cierto grado de error de muestreo por no estudiar a la población completa.

Siempre que tomamos una muestra, perdemos algo de información útil de la población.

Si queremos tener un alto nivel de precisión (esto es, si deseamos estar bastante seguros de
nuestra estimación), debemos muestrear la población lo suficiente para asegurarnos que
obtuvimos la información requerida. El error de muestreo se puede controlar si
seleccionamos una muestra con el tamaño adecuado.

En general, cuanta más precisión se quiera, más grande será el tamaño necesario de la
muestra. Examinemos algunos métodos útiles en la determinación del tamaño necesario de
muestra para cualquier nivel específico de precisión.

Exactamente 95% de una distribución chi cuadrada cae entre χ 2 0.975 y χ 2 0.025. Un valor
χ 2 que cae a la derecha de χ 2 0.025 no tiene probabilidades de ocurrir, a menos que el
valor de σ 2que supusimos sea demasiado pequeño. Lo mismo sucede con un valor χ 2 que
cae a la izquierda de χ 2 0.975, el cual tampoco es probable que ocurra, a menos que el
valor de σ 2 que supusimos sea demasiado grande.

En otras palabras, es posible tener un valor χ 2a la izquierda de χ 2 0.975 o a la derecha de

χ 2 0.025 cuando el valor de σ 2 es correcto; pero si esto sucediera, lo más probable es que
el valor de σ 2 que se supuso sea un error.

Un análisis detallado de las propiedades de la estimación de máxima verosimilitud está

fuera del alcance de este libro y, por lo general, es un tema importante en un curso teórico
de estadística inferencial. El método de máxima verosimilitud permite al analista utilizar el
conocimiento de la distribución para determinar un estimador adecuado.

El método de máxima verosimilitud no se puede aplicar si no se conoce la distribución

subyacente. En el ejemplo 9.21 aprendimos que el estimador de máxima verosimilitud no
necesariamente carece de sesgo. El estimador de máxima verosimilitud es insesgado
asintóticamente o en el límite; es decir, la magnitud del sesgo se aproxima a cero a medida
que la muestra se hace más grande.
Al principio de este capítulo examinamos la noción de eficacia, que se vincula con la
propiedad de la varianza de un estimador. Los estimadores de máxima verosimilitud tienen
propiedades de varianza deseables en el límite.

Considere el problema en el que se busca estimar la diferencia entre dos parámetros

binomiales p 1 y p 2. Por ejemplo, p 1 podría ser la proporción de fuma dores con cáncer de
pulmón y p 2 la proporción de no fumadores con cáncer de pulmón, y el problema
consistiría en estimar la diferencia entre estas dos proporciones.

Primero seleccionamos muestras aleatorias independientes de tamaños n1 y n2 a partir de

las dos poblaciones binomiales con medias n 1 p 1 y n2 p 2, y varianzas n 1 p 1 q 1 y
n 2 p 2 q 2 , respectivamente, después determinamos los números x 1 y x 2 de personas con
cáncer de pulmón en cada muestra, y formamos las proporciones pˆ 1=x 1/n y pˆ 2=x 2/n.

El estadístico Pˆ 1 – Pˆ 2 provee un estimador puntual de la diferencia entre las dos

proporciones, p 1 – p 2. Por lo tanto, la diferencia de las proporciones muéstrales, pˆ 1 – pˆ 2,
se utilizará como la estimación puntual de p 1 – p 2.

Se puede establecer un intervalo de confianza para p 1 – p 2 considerando la distribución

muestral de P1−P2. De la sección 9.10sabemos que P1 y P2 están distribuidos cada uno de
forma aproximadamente normal, con medias p 1 y p 2, y varianzas p 1q 1 /n1 y p 2 q 2/n 2 ,
respectivamente.

Si extraemos una muestra de tamañon de una población normal con varianza σ 2 y

calculamos la varianza muestral s 2, obtenemos un valor del estadístico S 2. Esta varianza
muestral calculada se utiliza como una estimación puntual de σ 2. En consecuencia, al
estadísticoS 2 se le denomina estimador de σ 2.

Una estimación puntual de la proporción de dos varianzas de la población σ σ 1 22 2/¿es

dada por la proporción s s 1 2 22 /¿ de las varianzas muéstrales.

En consecuencia, el estadístico S S 1 2 22 /¿se conoce como un estimador de σ σ 1 22 2/¿. Si

σ 1 2 y σ 2 2 son las varianzas de poblaciones normales, podemos establecer una estimación
por intervalos de σ σ 1 22 2/¿usando el estadístico.

Al verificar la matriz derivada parcial de segundo orden se confirma que la solución da

como resultado el máximo de la función de verosimilitud. Resulta interesante notar la
distinción entre el estimador de máxima verosimilitud de σ 2 y el estimador insesgado S 2
que se presentó al principio de este capítulo. Los numeradores son idénticos, desde luego, y
el denominador lo constituyen los “grados de libertad” n – 1 para el estimador insesgado, y
n para el estimador de máxima verosimilitud.
 Los estimadores de máxima verosimilitud no necesariamente gozan de la propiedad de
carecer de sesgo. Sin embargo, los estimadores de máxima verosimilitud tienen importantes
propiedades asintóticas.
 4.3 PRUEBAS DE SIGNIFICANCIA.
Ejercicio 1.

Estudio de anorexia

Peso medido antes y después del periodo de tratamiento:

y=¿ peso al final – peso al inicio

Para la media poblacional:

y con base en n=17niñas recibiendo “terapia familiar”, con los datos.

¥ =11.4 , 11.0 , 5.5 , 9.4 ,13.6 ,−2.9 ,−0.1, 7.4 , 21.5 ,−5.3 ,−3.8 ,13.4 ,13.1 , 9.0 , 3.9 ,5.7 , 10.7

• Sea µ=¿ media del cambio en peso poblacional

• Ħₒ: µ=0 contra Ħ :µ ≠ 0

• Prueba estadística: (df =16)

ӯ−μ 0 7.265−0
t= = =4.2
se 1.736

Ejercicio2.

Se quiere ‘testar’ en la respuesta Y si su media se corresponde con una cierta media H

especificada en la hipótesis H.

Para escribir que la media de la población origen de la muestra es una media H pre-
especificada, escribimos: H :μ=μʜ

Si, como es usual, la varianza poblacional ² es desconocida, se recurre a su estimador

muestral S² y a la distribución t de Student. Por lo tanto, bajo H:

y−μʜ
t= ~t−1
Sῆ

Y puede calcularse el nivel de significación p como:

p=P t n−1>t

Ejercicio 3.
En el ejemplo de la moneda, con: n=100 ,

Variable: resultado cara o cruz

Estadístico: proporción P de caras

Hipótesis H :=0.5 (moneda correcta)

π 1−π
(
Si H es cierta: P N π ,
n )
=N ( 0.05,0.05⁴)

Muestra Grande: π−π >5 y ( 1−π ) ∙ n>5

Límite de p=0.05

Caso a)

Con :n=100 se observan 63 caras:

63
La proporción observada es: P= =0.63=63 %
100

πρ−π 0.63−0.5 0.13

Z= = =
El estadístico señal/ruido: π 1−π 0.5−0.5 0.05=2.6
n 100

Ejercicio 4.

En una muestra aleatoria de 100 servicios, con S=10 ccse debe tomar una decisión sobre
si, μ=100 habiendo observado una media y=997 cc.

Variable: contenido real en servicios de 1000 cc

Estadístico: media H : H=100 cc

Regla para el rechazo de H: si p<0.05H :si p<0.05

Se usará el estadístico señal/ruido

y−μʜ
t=
sῆ
Que bajo H tiene una distribución t-Student: t t n−1=100−1=99 si la variable es
normal (premisa).

Cálculo del estadístico:

y−μʜ 997−1000
t= = =−¿
sῆ 10100

Ejercicio 5.

En 9 voluntarios sanos se ha estudiado la diferencia D entre los tiempos de respuesta a un

estímulo visual y auditivo, habiéndose observado, d=6.71 y s=6.0 . Asumiendo que D N,
¿se puede aceptar que E ( D )=0, lo que implica que la respuesta a ambos estímulos es
idéntica?

Solución:

Variable: diferencia entre el tiempo de respuesta a los estímulos visual y auditivo

Estadístico: media de las diferencias

Hipótesis que se quiere rechazar: H : ED=μʜ=0

Límite de p=0.05

d−μʜ
Estadístico referencia: t=
sῆ

Que bajo H se distribuye como: t t n−1=t ₈, si D normal (premisa).

d−μʜ 6.71−0
Cálculo de p: t= = =3.355 =
sῆ 69

Como p=0.01; H : H=0 es poco verosímil.

Conclusión práctica: ambos estímulos no tienen la misma respuesta (media).

4.4 COMPARACIÓN DE DOS MUESTRAS INDEPENDIENTES: PRUEBAS
T PARA LAS DIFERENCIAS ENTRE DOS MEDIAS.

Ejercicio 1

El T test para dos muestras independientes se basa en el estadístico:

X́ −Ý
t:
( n−1 ) S^21+ ( m−1 ) S22 1 1
√ n+m−2 √ +
n m

n=40 y m=35

X́ ( dietaA ) e Ý ( dieta B ) denotan el pesomedio en cada uno de los grupos .

n
1
X́ = ∑ X =90.69
n 2−1 1
m
1
Ý = ∑ Y =89.47
m 2−1 1
n
1
Ś21= ∑ ( X ¿¿ 1−x )=32.14 ¿
n−1 2−1
n
2 1
Ś =
2 ∑ ( X ¿¿ 1−Y )=54.43 ¿
m−1 2−1

90.69−89.47
t:
Entonces: 39 x 32.14 +34 x 54.43 1 1
√ 40+35−2 √ +
40 35

Si Ho es cierta => estadístico (1) seguirá una distribución t de Student con:

GL=n+m−2 (grados de libertad, constituyen el número de maneras en que los datos

pueden variar libremente)

GL=40+35−2=73
Entonces: valor obtenido debería estar dentro del rango de mayor probabilidad (95%).

Ejercicio 2.

Con los datos de la encuesta Encuentran obtener la estimación puntual y los intervalos de

confianza del 95 y del 99% para la media de la población de la variable Coste.

En el cuadro de diálogo Explorar, que se obtiene con la secuencia Analizar > Estadísticos

descriptivos > Explorar, se selecciona como variable dependiente la variable Coste. En
Estadísticos comprobamos que está activada la opción Descriptivos y que el intervalo para
el medio definido es el del 95%.

Al aceptar se obtiene el siguiente cuadro de resultados:

ESTADISTICO ERROR TIP.

Coste Media 5236.40 365.97

Intervalo De Confianza 4511.34

Para La Media Al 95% 5961.46

Media Recortada Al 5% 4813.81

Mediana 4000.00
Varianza 15268788
Dep V. Tip 3907.53
Mínimo 0
Máximo 20000
Rango 20000
Amplitud Intercuartil 2387.50
Asimetría 2.076 226
Curtosis 4836 449

La estimación puntual del valor esperado del coste es 5236,40 Pta. Esta estimación tiene un
error típico de 365,97. Los límites inferior y superior del intervalo de confianza del
95 % son 4511,34 y 5951,46 , respectivamente. Este resultado se interpreta como que de los
intervalos obtenidos con este método el 95 % contendrán el verdadero valor esperado del
coste. Una medida del grado de precisión con el que se está estimando el valor esperado es
la amplitud del intervalo, que en este caso es igual a 1450,12 y la mitad de la amplitud, que
es 725,06, es el error máximo de estimación que puede garantizarse con una probabilidad

S
de 0,95.Este error máximo es igual a t ∝/2   donde t ∝/2, es el valor crítico para ∝=0.05
√n
s
de la distribución t de Student, en este caso con 113 grados de libertad, y  es el error
√n
típico de la estimación. Para obtener el intervalo del 99% de confianza modificamos el
valor del grado de confianza en el cuadro Explorar: Estadísticos
fijándolo en el 99%.

Los límites del intervalo de confianza del 99% son 4277,54 y 6195,27 ;la confianza de que
este intervalo contenga el verdadero valor esperado del costees 0,99. La amplitud de este
intervalo es 2217,73que es mayor que la amplitud del intervalo del 95 % ,por lo tanto,
1108,865es el error máximo de estimación que puede garantizarse con una probabilidad de
0,99.Como puede verse, a medida que aumenta el grado de confianza del intervalo
disminuye la precisión de la estimación.

Ejercicio 3.

Para la misma variable Coste verificar si se puede aceptar el supuesto de que el valor
esperado del Coste es superiora 6000.

Con la secuencia Analizar > Comparar medias > Prueba T para una media se abre el cuadro
de diálogo Prueba T para una muestra en el cual se selecciona la variable Coste y se indica
como Valor de prueba 6000. Esto quiere decir que las hipótesis que se están contrastando
son H o ; μ=6000 frentea H 1 : μ >6000   Se trata por tanto de un contraste a una sola cola.

Valor de prueba= 6000

t gl Sig(Bilatera Diferencia Intervalo de confianza para
 l) de medias la diferencia
Inferior Superior
COSTE -2.086 113 039 -763.60 -1488.66 -38.54

x −6
El estadístico de prueba t=   toma el valor t=−2,086 ,que en las tablas de la
S /√n
distribución tde Student con 113 grados de libertad deja por debajo un área de 0,0195. Esto
quiere decir que se rechaza la hipótesis nula en favor de la alternativa para niveles de
significación superiores a0,0195. Obsérvese que 0,0195es la mitad del nivel de
significación para la prueba de dos colas que aparece en el cuadro de resultados.

Por otra parte si las hipótesis hubieran sido  H o ; μ=6000 frentea H 1 : μ ≠ 6000 se rechazaría la
hipótesis nula en favor de la alternativa para niveles de significación superioresa 0,039. El
intervalo del 95 % de confianza para la media calculada en el apartado anterior no contenía
el valor6000; lo que equivale a decir que para un nivel de significación del 5 % se rechaza
la hipótesis nula. Por el contrario, el intervalo del 99 % contenía el valor 95 % y, por lo
tanto, para un nivel de significación del 1 % no se rechazaría la hipótesis nula.

Ejercicio 4.

Verificar si existe diferencia significativa entre el coste esperado en transporte de los

alumnos que viven en Barcelona y el de los que viven fuera.
Con la secuencia Analizar> Comparar medias > Prueba T para muestras independientes se
abre el cuadro de diálogo Prueba T para muestras independientes en el cual se selecciona la
variable Coste y se indica como Variable de agrupación Resid. En la opción Definir
grupos se asigna al Grupo 1 el valor 1 (vive en Barcelona) y al Grupo 2 el valor 2 (no vive
en Barcelona). Aceptando se obtienen entre otros los siguientes resultados:

Prueba de
levente para
la igualdad Prueba T para la igualdad medias,
de varianza
F Sig t gl Sig
(bilateral)
COSTE Se han 37.671 .000 -4.459 112 .000
 asumido varianza
iguales
No se han asumido
varianzas iguales. -3750 50.997 .000

Las hipótesis que se están contrastando son frente H o ; μ=μ2 frente a H 1 : μ ≠ μ2  Para realizar
este contraste previamente se debe comprobar si es aceptable la hipótesis de varianzas
poblacionales iguales para los dos grupos H 0 :σ 21=σ 22   . El estadísticoF de la prueba de
Levene* no permite aceptar la igualdad de varianzas poblacionales, por lo cual el valor del
estadístico de prueba es t=−3,750que para cualquier nivel de significación lleva a rechazar
la hipótesis de igualdad de medias. El signo negativo del estadístico tindica que el coste del
transporte es significativamente superior para los que viven fuera de Barcelona.

Ejercicio 5.

Con los datos de la encuesta Encinf.sav contrastar si existe diferencia significativa entre las

puntuaciones medias asignadas a las aulas de informática en cuanto a la Dotación y
Software.

Las puntuaciones que se quiere comparar han sido generadas dos a dos por los mismos
individuos; se trata por tanto del caso de muestras relacionadas. Las hipótesis que se
contrastan son H o ; μ=μ2 frente a H 1 : μ ≠ μ2 

Con la secuencia Analizar > Comparar medias >Prueba T para muestras relacionadas se

abre el cuadro de diálogo en el cual se selecciona la pareja de variables Dotacion-Software.
Al aceptar se obtienen los siguientes resultados:

Diferencias Relacionadas.

Error tip. Intervalo de

de la confianza para la
Medias Desviación media diferencia
Inferior superio t gl Sig
r
Dotacion -1.12 1.95 .19 -1.50 -75 -5.93 105 .000
–
 Software

El análisis sólo ha considerado los casos que no presentan ningún valor missing en el par de
puntuaciones, quedando únicamente 106 casos válidos de los 114.

El promedio de las diferencias entre las puntuaciones asignadas a la dotación y al software

es de −1,12con un error típico igual a0,19. El estadístico de prueba t es igual a −5,93y se
distribuye según una tde Student con105 grados de libertad. Con este valor de t se rechaza
la hipótesis nula para cualquier nivel de significación. Los resultados proporcionan también
el intervalo de confianza para la diferencia de las dos medias poblacionales con el 95 % de
nivel de confianza. Como puede observarse el intervalo no contiene el valor 0 ,de lo que se
deduce también que no se puede aceptar que las puntuaciones medias sean
significativamente iguales.

Ejercicio 6.

El señor Juan Pérez se dedica a hacer tarjetas postales y los vende en 50 papelerías; como el
negocio no marcha como él espera, desea saber cómo está el ausentismo entre sus
trabajadores, y ver si esa es la causa de la baja en las ventas. A continuación se da el
número de días de ausencia durante una quincena en una muestra de 10 trabajadores
4 , 1,2, 2 ,1 , 2 ,2 , 1 ,0 , 3.

Determine la media y desviación estándar de la muestra

¿Cuál la mejor estimación de ese valor?

Proporcione un intervalo de confianza de 95 % para la media poblacional

Explique porque se usa la distribución t como parte del intervalo de confianza

¿Es razonable concluir que el trabajador promedio no faltó ningún día durante una
quincena?

MEDIA DESVIACION VARIANZA

ESTANDAR
1.8 1.135 1.289
Se obtiene el coeficiente y grados libertad.

.05
α =1−.95= =0.025 gl =n−1=9
2

n=9 y α =0.025 se encuentra el valor de 2.262

x́=1.8

s= √ s2 s=1.13

n=10

Ic=x́ ∓ t S X́

Ic=1.8+ (2.262 ) .35 ¿=2.612

Ic=1.8−( 2.262 )( .35 )=0.988

Respuesta, la verdadera media poblacional de ausencia en una quincena va de los

0.988 a los 2.612 días.

Ejercicio 7.

Una cámara de comercio quiere determinar cuánto tiempo necesitan los empleados para
llegar a su trabajo. Los siguientes datos en minutos corresponden a una muestra de
15 empleados :29 , 39 , 38 ,33 , 38 , 21, 45 , 34 , 40 ,37 , 37 , 42 , 30 ,29 , 35.Determine un
intervalo de confianza de 98 % para la media poblacional, interprete el resultado.
α =1−.98=.02/2=0.01con 14 grados libertad =En tablat=2.262

S=6.06

x́=35. 13

n=15

6.06
Sx ̅ = =1.56
√ 15

Ls=IC ∝=98 %=35.13+(2.262)(1.56)=39.24

Li=IC ∝=98 %=35−(2.262)(1.56)=31.03( 31.03 ,39.24)

Lo que significa que un empleado tarda en promedio de 31 a 39 minutos
aproximadamente para llegar a su trabajo.

Ejercicio 8.

Las estaturas de 1000 estudiantes están distribuidas aproximadamente de forma normal con
una media de 174.5 centímetros y una desviación estándar de 6.9 centímetros. Si se extraen
200 muestras aleatorias de tamaño 25 de esta población, determine: a. la media y la t studet.
N=1000 estudiantes

X N ( 174.5; 6.9 ) es decir μ=174.5 cms y σ =6.9 cms

muestra : n=25

La distribución de la media es:

media N ( 174.5; 6.9 √ 25 )

Por lo tanto la media de promedio μ=174.5 cms

6.8
Li=Ic= −1.38 cms
√ 25

Ejercico 9.

Los vuelos de una empresa de aviacion tiene una duracion bimestral aproximadamente
distribuida de forma normal con una desviacion estandar de 40 horas. Si una muestra de 30
vuelos tiene una duracion promedio de780 horas, Proporcione un intervalo de confianza de
96 % para la media de la poblacion de todos los vuelos de esta empresa.

σ σ ( 2.054 )( 40 ) ( 2.054 )( 40 )
x́− < μ< x́+ =780− < μ< 780+ =765< μ<795
√n √n √30 √30
Se sabe que la duración media de los vuelos esta entre 795 y 795 horas .

Ejercicio 10.

Una empresa comercial que procesa muchos de sus pedidos por teléfono tiene 2 tipos de
clientes: generales y comerciales. Se recogen los pedidos de tiempo telefónico por artículo
requerido, por una muestra aleatoria de 12 llamadas de clientes generales y 10 llamadas de
clientes comerciales. Se supone que las cantidades de tiempos para cada tipo de llamadas
tiene una distribución aproximadamente normal. Obtenga el Intervalo de Confianza de 95%
para la diferencia de la cantidad media de tiempo por artículo requerida para cada llamada.
 Clientes generales Clientes Comerciales

48 81 66 137 106 107 84 110 146 107 139 40 154 15481150

66 142177
137 10634
107156
84165
110 122
146 1077121
107 139 40
1469
154 154 150 142177

X́ 1 =122.42

S21=1560.44

S1=39.50 n1 =12

x́ 2=107.7

s2=2021.78

s2=44.96

n2 =10

.05
∝= 2=.025=t=2.086
2

2 ( n1 −1 ) s 21+ ( n2−1 ) =( 12−1 ) 39.502+ (10−1 ) 44.962=437500=797500

s=
n1+ n2−2 10+12−2 20 16 ¿
¿

1767.76 √ 1767.76
S x́ 1− x́ 2= √ + S x́ 1− x́ 2= √147.31+176.77
20 10

Sx̅ 1−x̅ 2=√ 324.08=18.00

( μ 1−μ 2 )=( x́ 1−x́ 2 ) ± t S x́ 1−x́ 2=14.72± 2.086 ( 18 )=14.72 ± 37.55=(−22.83 ,52.27)

 4.5 PRUEBA DE FISHER PARA VARIANZAS Y DE IGUALDAD PARA
VARIANZAS DE DOS POBLACIONES NORMALES.
Ejercicio 1.

Hallar el valor de F 0.05tal que

P ( F> F 0.05 )=0,05

Para la distribución F de Fisher con m y n grados de libertad en los casos.

1)m=6 ,n=17 ; 2 ¿ m=10 , n=35.Hallar también a tal que

P ( F <a )=0,01

para m=7 , n=20.

Solución:

1) Consultando directamente la tabla de F leemos

F 0,05=2,70

2) Para m=10 y n=30leemos F 0,05=2.16 . Para m=10 y n=40 leemos F 0,05=2.08 . Sea x el
valor correspondiente a 10 y 35 g. lib. Interpolando respecto a los reciprocos de los grados
de libertad 10, 35 y 40.

x −2,08 2,16−2,08
=
1 1 1 1
− −
35 30 40 30

Se obtiene x=2.13 .

Finalmente, para hallar a aplicaremos la propiedad

1
(
P ( F7,20 < a )=P F 20,7 >
a)=0,01

1
Consultando la tabla F para 20 y 7 g. lib. Obtenemos =6.1 Luego a=0.162
a

Ejercicio 2.

Si s21 y s22representan las varianzas de las muestras aleatorias independientes de tamaño

n1 =25 y n2 =31, tomadas de poblaciones normales con varianzas σ 12=10 y σ 22=15
respectivamente, encuentre
P ( S21 ∕ S22 >1.26 )

Solución:

Calcular el valor de Fisher

s1 2 15
F= ( )( )
s2 1
=( 1.26 ) ( )
10
=1.89

Luego se va a la tabla de Fisher a buscar 30 grados de libertad 2 con 24 grados de libertad

uno. Al localizarlo y ver a la izquierda de este valor se obtiene un area de 0.95, pero esta
area correspondería a la probabilidad de que las relaciones de varianzas muestrales fueran
menor a 1.26, por lo que se calcula su complemento que seria 0.05, siendo esta la
S 21
probabilidad de que 2 >1.26
S2

Ejercicio 3.

Las tablas nos dan, para m=10 y n=6 , el percentil 90=2,94 ; el percentil 95=4,06.
Calcular los valores de la distribución F de 6 y 10 grados de libertad que dejan a su
izquierda una masa de probabilidad de 0.1 y 0.05 respectivamente.

Solución:

P ( F10,6 £ 2,94 )=0,9

P ( F10,6 £ 4,06 )=0,95

1 1
=0,34 =0,25
2,94 4,06

P ( F6,10 £ 0,34 )=0,1

P ( F6,10 £ 0,25 ) =0,05

Ejercicio 4.

Un ingeniero químico estudio la variabilidad de dos dispositivos de monitorización de un

proceso dentro de una planta. En el estudio de la variabilidad de ambos equipos obtuvo el
siguiente resultado

Equipo 1. S 21=13,5 n1=12

Equipo 2. S 22=10,53 n2=10

Tras analizar los datos, ¿puede afirmar el ingeniero que la variabilidad del primer equipo es
mayor que la del segundo?

Supondremos que las medidas están distribuidas normalmente.

Formularemos la hipótesis nula H 0 ∶σ 21=σ 22 ,es decir, no hay diferencias en la variabilidad.

Si esta hipótesis es cierta, de acuerdo con el corolario 5.2, la variable aleatoria

s 21
f = 2 ( 5.37 )
s2

Sigue una distribución F con v1 =m−1=11 y v 2 =n−1=9 grados de libertad.

Utilizaremos como criterio para aceptar esta hipótesis que el valor de f que obtenemos sea
razonablemente probable, es decir que este comprendida en el intervalo que comprende al
95% de las medidas si la hipótesis nula es cierta,

f ≤ F 0,95 ( 11,9 )

Si esta condición no se cumple, supondremos valida la hipótesis alternativa H 1 ∶ σ 21 > σ 22,

que es la hipótesis que queremos contrastar.

Calculamos f

13,5
f= =1,3
10,53

Encontramos F 0,95 ( 11,9 )=3,10 de modo que f < F0,95 ( 11,9 ) . Aceptamos H 0, las varianzas
son iguales, esto quiere decir que la variabilidad de los dos métodos es la misma.

Ejercicio 5.

Las varianzas muéstrales obtenidas al aplicar dos métodos A y B para determinar el valor
de una magnitud son

s2 ( A )=45,34 10−4

s2 ( B )=11,1110−4

En ambos experimentos se realizaron 9 medidas. ¿es mayor la varianza en el método A que

la del método B?

Supondremos que las medidas están distribuidas normalmente.

Formularemos la hipótesis nula H 0 ∶σ 21=σ 22, de modo que si esta hipótesis es cierta, la
variable aleatoria

s2 ( A )
f=
s2 ( B )

Sigue una distribución F con v1 =m−1=8 y v 2 =n−1=8 grados de libertad

Utilizaremos como criterio para aceptar esta hipótesis que el valor de f que obtenemos sea
razonablemente probable, es decir que este comprendida en el intervalo que comprende al
95% de las medidas si la hipótesis nula es cierta

f ≤ F 0,95 ( 8,8 )

Si esto no se cumple, supondremos valida la hipótesis alternativa H 1 ∶ σ 21 > σ 22, contrastar.

Calculamos f

45,34 10−4
f= =4,0
11,1110−4

Encontramos F 0,95 ( 8,8 )=3,44 de modo que f exp > F0,95 ( 8,8 ) , rechazamos H 0, las varianzas
son iguales, y aceptamos la hipótesis alternativa: la varianza del método A es mayor que la
del método B.

Ejercicio 6.

En una serie de experimentos para determinar la tasa de absorción de ciertos pesticidas en

la piel se aplicaron cantidades medidas de dos pesticidas a algunos especímenes de piel.
Después de un tiempo se midieron las cantidades absorbidas. Para el pesticida A las
varianza de las cantidades absorbidas en seis muestras fue de 2.3, mientras que para el B,
las varianzas de las cantidades absorbidas en diez especímenes fueron de 0.6. Suponga que
para cada pesticida las cantidades absorbidas constituyen una muestra aleatoria simple de
una población normal. ¿Se puede concluir que la varianza en la cantidad absorbida es
mayor para el pesticida A que para el pesticida B?

Solución:

Seaσ 12 la varianza poblacional para el pesticida A, y σ 22 la varianza poblacional para el B.

La hipótesis nula es:

σ 21
H 0 : 2 ≤1
σ2
Las varianzas muéstrales son: S21=2.3 y S 22=0.6 .

El valor del estadístico de prueba es:

2.3
F= =3.83
0.6

Ejercicio 7.

Un fabricante de automóviles pone a prueba dos nuevos métodos de ensamblaje de motores

respecto al tiempo en minutos. Los resultados se muestran en la tabla:

Método 1 Método 2
n1 =31 n2 =25
2
s1=50 s22=24
Construya un intervalo de confianza del 90% para σ 12 /σ 22 .

Solución:

Por la recomendación de que la varianza muestra mayor va en el numerador se tiene la

siguiente fórmula:
2 2
S S2
( )( )
F= 1
S2 S1

S 21 S21
Al despejar: =
S 22 Fs22

F toma dos valores dependiendo del nivel de confianza y de los grados de libertad. En este
caso los grados de libertad uno valen 30 y los grados de libertad dos 24.

Nivel de confianza= 0.90

F (0.05 ;30,24)=0.530 F (0.95 ;30,24)=1.94

S 21 S21 50 S 21 S21 50
2
= 2= =3.93 Y 2
= 2= =1.07
S 2 Fs2 (0.530)(24) S 2 Fs2 (1.94)(24 )

Estos resultados los podemos interpretar de la siguiente manera:

Con un nivel de confianza del 90% se sabe que la relación de varianzas σ 12 /σ 22 esta entre
1.07 y 3.93. Esto supondría que la varianza de la población 1 es mayor a la varianza de la
población 2 entre 1.07 y 3.93.
Ejercicio 8.

Una compañía fabrica propulsores para uso en motores de turbina. Al ingeniero de

manufactura le gustaría seleccionar el proceso que tenga la menor variabilidad en la
rugosidad de la superficie. Para ello toma una muestra de n1 =16 partes del primer
proceso, la cual tiene una desviación estándar S1=4.7 micro pulgadas, y una muestra
aleatoria de n2 =12 partes del segundo proceso, la cual tiene una desviación estándar
S2=5.1 micro pulgadas. Se desea encontrar un intervalo de confianza del 90% para el
cociente de las dos varianzas σ 12 /σ 22. Suponga que los dos procesos son independientes y
que la rugosidad de la superficie está distribuida de manera normal.

Solución:

Por la recomendación de que la varianza muestral mayor va en el numerador se tiene la

siguiente fórmula:
2 2
S S2
( )( )
F= 1
S2 S1

S 21 Fs21
Al despejar: 2
= 2
S 2 S2

En este caso los grados de libertad uno valen 11 y los grados de libertad dos 15.

Nivel de confianza= 0.90

F (0.05 ;11,15 )=0.368 F (0.95 ;11,15 ) =2.51

S 21 Fs21 S 21 Fs21
= =(0.368)¿ ¿ Y = =(2.51)¿ ¿
S 22 S22 S 22 S22

Estos resultados los podemos interpretar de la siguiente manera:

Puesto que este intervalo de confianza incluye a la unidad, no es posible afirmar que las
desviaciones estándar de la rugosidad de la superficie de los dos procesos sean diferentes
con un nivel de confianza del 90%.

Ejercicio 9.

La variabilidad en la cantidad de impurezas presentes en un lote de productos químicos,

utilizada para un proceso en particular, depende del tiempo que tarda el proceso. Un
fabricante que emplea dos líneas de producción 1 y 2, hizo un pequeño ajuste al proceso 2,
con la esperanza de reducir la variabilidad, así como la cantidad media de impurezas en los
productos químicos. Muestras de n1 =25 y n2 =20 mediciones de dos lotes produjeron las
siguientes medias y varianzas:

x 1=3.2 S21=1.04 x 2=3.0 S22=0.51

¿Presentan los datos evidencia suficiente para indicar que las variaciones del proceso son
menores para el 2? Realice una prueba con un α =0.05.

Solución:

Datos.

Población 1

x 1=3.2

S21=1.04

n1 =25

α =0.05

Población 2

x 2=3.0

S22=0.51

n2 =20

Ensayo de hipótesis:

S21
H0 ; =1
S22

S21
H1; 2 ≻ 1
S2

Estadístico de prueba:

S 21
F= 2
S2

La sugerencia que se hace es que el numerador sea el de valor mayor.

Entonces los grados de libertad uno será el tamaño de la muestra de la población uno menos
uno. v1 =25−1=24 y v 2=20−1=19

α =0.05

F (0.95 ;24,19)=2.11

Regla de decisión:

Si F c ≤ 2.11 No rechaza H o ,

Si la F c >2.11 Se rechaza H o ,

Calculo:

S 21 1.04
F= = =2.04
S 22 0.51

Decisión y Justificación:

Como 2.04 es menor que 2.11 no se rechaza H o , y se concluye con un α =0.05 que no
existe suficiente evidencia para decir que la varianza del proceso 2 es menor que la del
proceso 1.

Ejercicio 10.

Sea 6.23 , S 21=2.3 con tamaño de muestra de 6, y S22=0.6 con tamaño de muestra de 10.

Pruebe la hipótesis nula:

H o :σ 21=σ 22

Solución:

La hipótesis nula σ 12=σ 22 es equivalente a S21 /S 22 =1.

Puesto que S21 > S22 se utiliza el estadístico de prueba S21 /S 22.

Entonces:

6.23 se encuentra que para la prueba de una cola, 0.01< P<0.05 .

Por lo tanto, para la prueba de dos colas es, 0.02< P<0.10 .

 4.6 COMPARACIONES DE DOS MUESTRAS PAREADAS.
Ejercicio 1.

14

12

10

8
Serie 3
Serie 2
6 Serie 1

0
Categoría 1 Categoría 2 Categoría 3 Categoría 4

P 1−P 2
Z 0=
1+1
√ pxqx
n 1+n 1

1−0
=1,99
1,59
√10
 100%

90%

80%

70%

60%
Serie 3
50%
Serie 2
40% Serie 1

30%

20%

10%

0%
Categoría 1 Categoría 2 Categoría 3 Categoría 4

Ejercicio 2.

Comparaciones de muestras pareadas, partes más oscuras región de rechazo.

28,2−31
Z 0= =−0,31
1+ 1
√ 29,8 X 70,2 X
47+63

Ejercicio 3.

x
zPrueba= −Po √1 Po(1− po)
n

N
.100 %>5 %
n

Ejercicio 4.

x 11 x 11−x 21 x 21

∈ d (−1 ) + ( 5 ) + (−5 )+(8) −242

d= = = =−20.17
n 12 12
Ejercicio 5.

ALTERNATIVA COMPARACIONES TOTAL %

B 1 2 1 2 25%
C 0 1 0 1 25%
D 1 1 = 3 50%
valores inversos para los juiciosnegativos .

Automóvi Llantas radiales Llantas con cinturón

l
1 4.2 4.1
2 4.7 4.9
3 6.6 6.2
4 7.0 6.9
5 6.7 6.8
6 4.5 4.4
7 5.7 5.7
8 6.0 5.8
9 7.4 6.9
10 4.9 4.9
11 6.1 6.0
12 5.2 4.9
13 5.7 5.3
14 6.9 6.5
15 6.8 7.1
16 4.9 4.8

Medicion y escalonamiento .

Ejercicio 6.

Una compañía de taxis trata de decidir si el uso de llantas radiales en lugar de llantas
regulares con cinturón mejora la economía de combustible. Se equipan 16 automóviles con
llantas radiales y se manejan por un recorrido de prueba establecido. Sin cambiar de
conductores, se equipan los mismos autos con llantas regulares con cinturón y se manejan
una vez más por el recorrido de prueba. Se registra el consumo de gasolina, en kilómetros
por litro, de la siguiente manera:
¿Se puede concluir en el nivel de significancia de 0.05 que los autos equipados con llantas
radiales obtienen mejores economías de combustible que los equipados con llantas
regulares con cinturón?
Solución:

H 0 ;~
μ R −~
μC =0

H1; ~
μ R −~
μ C >0

Regla de decisión:

Si Z R ≤1.645 no se rechaza H 0.

Si Z >1.645 se rechaza H
R 0
Automóvi Llantas radiales Llantas con cinturón d
. l
1 4.2 4.1 +
Se procede a 2 4.7 4.9 - realizar las
diferencias 3 6.6 6.2 + entre de los
kilómetros 4 7.0 6.9 + por litro entre
llantas 5 6.7 6.8 - radiales y con
cinturón: 6 4.5 4.4 +
7 5.7 5.7 0
8 6.0 5.8 +
9 7.4 6.9 +
10 4.9 4.9 0
11 6.1 6.0 +
12 5.2 4.9 +
13 5.7 5.3 +
14 6.9 6.5 +
15 6.8 7.1 -
16 4.9 4.8 +
Al observar las diferencias se ve que sólo existe una n=14, ya que se descartan los valores
de cero. Se tiene r +¿=11¿.
r +¿−0.5 n 11−(0.5)(14)
Z= = =2.14 ¿
0.5 √ n 0.5 √ 14

Decisión y conclusión:
Como 2.14 es mayor a 1.645 se rechaza H 0 y se concluye con un α =0.05 que las llantas
radiales mejoran la economía de combustible.

Ejercicio 7.

Los siguientes datos representan el número de horas que un compensador opera antes de
requerir una recarga: 1.5, 2.2, 0.9, 1.3, 2.0, 1.6, 1.8, 1.5, 2.0, 1.2 y 1.7. Utilice la prueba de
rango con signo para probar la hipótesis en el nivel de significancia de 0.05 que este
compensador particular opera con una media de 1.8 horas antes de requerir una recarga.
Solución:
H 0 ; μ=1.8
H 1 ; μ ≠ 1.8
Se procederá a efectuar las diferencias y a poner rango con signo a los datos.
Dato d i=dato−1.8 Rangos
1.5 -0.3 5.5
2.2 0.4 7
0.9 -0.9 10
1.3 -0.5 8
2.0 0.2 3
1.6 -0.2 3
1.8 0 Se anula
1.5 -0.3 5.5
2.0 0.2 3
1.2 -0.6 9
1.7 -0.1 1

Regla de decisión:
Para una n=10, después de descartar la medición que es igual a 1.8, la tabla muestra que la
región crítica es W ≤ 8.

Cálculos:
W +¿=7+3 +3=13¿
W −¿=5.5 +10+8+3 +5.5+9 +1=42¿
Por lo que W =13 ¿.
Decisión y Conclusión:
Como 13 no es menor que 8, no se rechaza H 0 y se concluye con un α =0.05que el tiempo
promedio de operación no es significativamente diferente de 1.8 horas.

Ejercicio 8.

Se afirma que un estudiante universitario de último año puede aumentar su calificación en

el área del campo de especialidad del examen de registro de graduados en al menos 50
puntos si de antemano se le proporcionan problemas de muestra. Para probar esta
afirmación, se dividen 20 estudiantes del último año en 10 pares de modo que cada par
tenga casi el mismo promedio de puntos de calidad general en sus primeros años en la
universidad. Los problemas y respuestas de muestra se proporcionan al azar a un miembro
de cada par una semana antes del examen. Se registran las siguientes calificaciones del
examen:

Par Con Sin

problema problemas
s de de
muestra muestra
1 531 509
2 621 540
3 663 688
4 579 502
5 451 424
6 660 683
7 591 568
8 719 748
9 543 530
10 575 524

Pruebe la hipótesis nula en el nivel de significancia de 0.05 de que los problemas aumentan
las calificaciones en 50 puntos contra la hipótesis alternativa de que el aumento es menor a
50 puntos.
Solución:
La prueba de rango con signo también se puede utilizar para probar la hipótesis nula
μ1−μ 2=d 0. En este caso las poblaciones no necesitan ser simétricas. Como con la prueba
de signo, se resta d 0 de cada diferencia, se clasifican las diferencias ajustadas sin importar
el signo y se aplica el mismo procedimiento.

En este caso d 0=50, por lo que se procede a calcular las diferencias entre las muestras y
luego restarles el valor de 50. Se representara con μ1 y μ2 la calificación media de todos los
estudiantes que resuelven el examen en cuestión con y sin problemas de muestra,
respectivamente.

H 0 ; μ 1−μ2=50
H 0 ; μ 1−μ2 <50

Regla de decisión:
Para n=10 la tabla muestra que la región crítica es W +¿ ≤11¿.
Cálculos:

PA Con Sin di d i−d 0 Rangos

R problemas problemas
de de
muestra muestra
1 531 509 22 -28 5
2 621 540 81 31 6
3 663 688 - -75 9
25
4 579 502 77 27 3.5
5 451 424 27 -23 2
6 660 683 - -73 8
23
7 591 568 23 -27 3.5
8 719 748 - -79 10
29
9 543 530 13 -37 7
10 575 524 51 1 1

W +¿=6+3.5+1=10.5¿

Decisión y Conclusión:
Como 10.5 es menor que 11 se rechaza H 0 y se concluye con un α =0.05 que los
problemas de muestra, en promedio, no aumentan las calificaciones de registro de
graduados en 50 puntos.

Ejercicio 9.

Supongamos un instrumento de medida de la dureza de un cierto material (se mide la

profundidad de la huella producida por la presión de una punta sobre una probeta).
Supongamos que se dispone de dos tipos de puntas distintas y se quiere comprobar si
existen o no diferencias entre ellas.
Un posible diseño experimental, sería tomar 20 probetas al azar y probar la mitad de ellas
con una punta y la otra mitad con la otra. Se tendría, así, un diseño completamente
aleatorizado y se utilizaría una prueba t de Student como en el apartado anterior.
Supongamos que existen diferencias entre las probetas, debidas a la distinta homogeneidad
del material o a las diferentes condiciones de fabricación. Esto aumentaría el error de
medida, que no sería controlable, y la diferencia entre las puntas podría resultar
enmascarada.
Una posible forma de evitarlo sería el siguiente diseño.
Se divide en dos partes a la probeta y se asigna aleatoriamente una punta u otra a cada
parte. El modelo estadístico que se considera es el siguiente:

y ij =μi + β j + ε ij
Para i=1 , 2 y j=1,2, . , . ,. , .,10 . Donde
y ij ≡ Resultado de la punta i sobre la probeta j
μi ≡ Durezamedia ( poblacional ) de la puntai.
β j ≡ Efecto sobre la dureza medida de la probeta j .
2
ε ij ≡ Error experimental(con media 0 y varianza σ ).
i

Si se quiere eliminar el efecto no controlable de las diferentes probetas, se pueden

considerar las diferencias entre las medidas:
d j= y 1 j− y 2 j para j=1,2 ,… , 10.
El valor esperado de la diferencia
E ( d j )=E( y ¿¿1 j)−E ( y 2 j )=( μ1 + β j) −( μ2 + β j ) =μ1−μ2 ¿
Luego, si se denomina μd =μ1−μ 2 , entonces la hipótesis H 0 ≡ μ1=μ2 equivale a H 0 ≡ μd =0.
El contraste que se realiza es
H 0 ≡ μd =0
H 1 ≡ μd ≠ 0
y se emplea
d́
t 0=
sd / √ n
Donde
n
1
d́= ∑ d j
n j=1
n
1
s2d = ∑ ¿¿
n−1 j=1
La hipótesis μd =0 se rechaza cuando
ǀ t 0 ǀ>t α , (n-1)
2
En el ejemplo:
Punta Punta dj
1 2
7 6 1
3 3 0
3 5 -2
4 3 1
8 8 0
3 2 1
2 4 -2
 9 9 0
5 4 1
4 5 -1

d́=−0,10
sd =1,20
d́
t0 =−0,26
s d / √n
t α , ( n−1 )=t 0,025,9=2,262
2

Con lo cual se acepta H 0 ya que |t 0|<2,262.

Ejercicio 10.

El contenido del níquel, en partes de miles por peso, se mide para seis soldaduras. Los
resultados son 9.3, 0.9, 9.0, 21.7, 11.5 y 13.9. Sea μ la media del contenido de níquel para
este tipo de soldura. Se desea probar H 0 :μ ≥ 12 contra H 1 : μ< 12. La prueba t de student no
es adecuada porque hay dos datos atípicos, 0.9 y 21.7, que indican que la población no es
normal. La prueba del rango con signo de Wilcoxon se puede utilizar en esta situación. Esta
prueba no exige que la población sea normal. Sin embargo, requiere que sea continua (en
vez de discreta), y que función de densidad de probabilidad sea simétrica. (La normal es un
caso especial de una población simétrica continua).
La muestra dada proviene de una población continua, y la presencia de datos atípicos en
cualquier lado hace razonable suponer que la población es casi simétrica. Por tanto, se
procede como se muestra a continuación.
Bajo H 0, la media poblacional es μ=12. Ya que se supone que la población es simétrica,
también la mediana poblacional es 12. Para calcular el estadístico de la suma del rango se
inicia restando 12 a cada observación de la muestra con el fin de obtener las diferencias. A
la diferencia más cercana a 0, ignorando el signo, se le asigna un rango de 1. A la siguiente
diferencia más cercana a 0, ignorando nuevamente el signo, se le asigna un rango de 2, y así
sucesivamente. Por último, a los rangos que les corresponden diferencias negativas se les
asignan signos negativos. La siguiente tabla muestra los resultados.

x x-12 Rango con signo

11.5 -0.5 -1
13.9 1.9 2
9.3 -2.7 -3
9.0 -3.0 -4
21.7 9.7 5
0.9 -11.1 -6

La suma de los rangos positivos se denota con S+¿¿ , y la suma de los valores absolutos de
los rangos negativos con S−¿ ¿. Tanto S+¿¿ con S−¿ ¿ se puede utilizar como un estadístico de
prueba; se utilizara S+¿¿ . En esta ejemplo S+¿=2+5=7 , y S ¿. Observe que debido a que el
−¿=1+ 3+ 4+ 6=14¿
tamaño de muestra es 6, necesariamente S+¿+S ¿ . Para cualquier muestra, este es el
−¿=1+ 2+ 3+4+ 5+6 =21 ¿

caso S+¿+S ¿. En algunos casos, donde hay muchos más rangos positivos que
−¿=1+ 2+ …+ n=n(n+1)/2 ¿

rangos negativos, es más fácil calcular primero a S−¿ ¿ al sumar los rangos negativos y
S
después calcular +¿= n( n+1 )− S ¿. −¿¿
2

En esta ejemplo, la hipótesis nula es H 0 :μ ≥ 12, por eso un valor pequeño de S+¿¿
proporcionará evidencia en contra de H 0. Se observa que S+¿=7¿ . El P-valor es la
probabilidad de observar un valor de S+¿¿ que es menor o igual a 7 cuando H 0 es verdadera.
Con el tamaño de la muestra n=6, se encuentra la probabilidad de observar un valor de 4 o
menor de 0.1094. La probabilidad de observar un valor de 7 o menor debe ser más grande
que esto último, por lo que se concluye que P>0.1094; por consiguiente, no se rechaza H 0.
 4.7 MODELO TOTALMENTE ALEATORIO: ANÁLISIS DE VARIANZA
DE UN FACTOR.

Ejercicio 1.

Los miembros de un equipo ciclista se dividen al azar en tres grupos que entrenan con
métodos diferentes. El primer grupo realiza largos recorridos a ritmo pausado, el segundo
grupo realiza series cortas de alta intensidad y el tercero trabaja en el gimnasio con pesas y
se ejercita en el pedaleo de alta frecuencia. Después de un mes de entrenamiento se realiza
un test de rendimiento consistente en un recorrido cronometrado de 9 Km. Los tiempos
empleados fueron los siguientes:

Modelo 1 Modelo ll Modelo lll

15 14 13
16 13 12
14 15 11
15 16 14
17 14 11

A un nivel de confianza del 95 % ¿Puede considerarse que los tres métodos producen
resultados equivalentes? O por el contrario ¿Hay algún método superior a los demás?

Solución: Comenzamos calculando los totales y los cuadrados de los totales divididos por
el número de observaciones:

Metd.l Metd. Ll Metd. lll Total ∑2

n
Suma 77 72 61 210 2940
∑2 1185.8 1036.8 744.2 2966.8
n

A continuación, calculamos los cuadrados de las observaciones y su total:

Metd 1 Metd. ll Metd. lll

225 196 169
256 169 144
196 225 121
225 256 196
289 196 121
 1191 1042 751 2984

A partir de estas cantidades básicas calculamos las Sumas de Cuadrados:

SC(total )=2984−2940=44SC(intra)=2984 – 2966,8=17,2

SC(entre)=2966,8 – 2940=26,8

Los cuadrados medios serán:

CM ( entre)=26,8/2=13,4CM ( intra)=17,2/12=1,43

Por consiguiente, el estadístico de contraste vale:

SC(total )=988 – 819,8=168,2SC(intra)=988 – 902=86SC(entre)=902 – 819,8=82,2

Los cuadrados medios serán:

CM ( entre)=82,2/3=27,4

CM ( intra)=86/22=3,9

Por consiguiente, el estadístico de contraste vale:

F=27,4 /3,9=7,03

El valor de la F teórica con 3 y 22 grados de libertad, a un nivel de confianza del 95% es

3,05. Por consiguiente, se rechaza la hipótesis nula y se concluye que los cuatro
procedimientos de presentación producen diferencias significativas.

Ejercicio 2.

El Ministerio de Trabajo desea saber si un plan de seguridad en el trabajo es efectivo en la

reducción del número de accidentes laborables y por tanto en la perdida de horas de trabajo
debido a accidentes. Para ello se hace un seguimiento en 16 fábricas, observando las horas
de trabajo semanales perdidas a causa de accidentes, antes y después de implantar el plan
de seguridad. Los datos obtenidos son los de la tabla adjunta. Analizar estos datos y obtener
conclusiones acerca del problema planteado.

Fabrica 1 2 3 4 5 6 7 8
Antes 55 63 90 47 75 90 73 92
Después 52 60 85 49 65 87 67 85
Fabrica 9 10 11 12 13 14 15 16
Antes 110 33 44 74 60 87 41 15
 Después 95 35 47 70 55 75 45 18

Este problema puede resolverse por dos métodos distintos pero equivalentes que llevan a
las mismas conclusiones. En primer lugar y dado que el factor-tratamiento (plan de
seguridad) solo tiene dos niveles (antes y después de implantar el plan) se puede considerar
como un problema de datos apareados. Se calcula la variable diferencia.

Ydif =Yantes−Ydespues

y se contrasta la hipótesis de que E ( Ydif ) =0

Con el Statgraphics se utiliza el siguiente modulo

comparación > dos muestras > comparación de muestras pareadas

Una vez introducidas las variables Yantes e Ydespues ; el módulo proporciona resultados
analíticos y gráficos acerca de la variable diferencia Ydif . Utilizando el test de la t respecto
a la media de una muestra resuelve el contraste H 0 : E(Ydif )=0

Ejercicio 3.

Se ha realizado un diseño de experimentos para estudiar la calidad de las soldaduras, el

objetivo es determinar si existen diferencias entre las soldaduras según el elemento de
soldadura que se utilice entre tres posibles: níquel, hierro o cobre. Como puede haber
Prácticas y problemas de diseño de experimentos.

diferencias significativas entre los elementos a soldar se ha utilizado un diseño de bloques

completamente aleatorizados. Para ello se han utilizado diez lingotes (bloques) y de cada
uno de ellos se han soldado dos componentes utilizando los tres tipos de soldadura.
Finalmente se mide la fuerza (expresada en 100 libras por pulgada cuadrada) necesaria para
romper la soldadura. Los resultados obtenidos son los de la tabla adjunta. En base a estos
datos estudiar la influencia de factor tipo de soldadura, ¿cambian los resultados si no se
tiene en cuenta el bloque lingote?

B1 B2 B3 B4 B5 B6 B7 B8 B9 B10
Níquel 76’0 66’3 68’9 74’7 73’0 72’7 80’0 83’6 61’2 62’6
Cobre 71’6 74’1 70’7 75’4 66’7 65’0 70’8 76’2 66’0 72’0
Hierro 76’4 73’4 69’7 74’7 60’2 61’2 71’7 57’0 58’5 66’3
 Se utiliza el siguiente modulo

comparación > análisis de la varianza > anova factorial

En este módulo al introducir como variable dependiente resistencia y los dos factores: el
factor-tratamiento tipo de soldadura y el factor-bloque lingote, se obtiene un completo
análisis de la varianza que comprende.

Ejercicio 4.

Se desea analizar el efecto que sobre el tiempo medio de respuesta tienen dos factores: la
distribución de los Chicos de las que se consideran tres variantes codiciadas como F1, F2 y
F3; y el número de bueras del sistema, también se consideran tres niveles: 10, 20 y 30
bueras. Se ha hecho una prueba con cada una de las nueve combinaciones posibles, cada
prueba consistió en observar el sistema un día completo y calcular el tiempo de respuesta
media al compilar un programa en lenguaje C en ese periodo de tiempo. El experimento se
replica tres veces. Los resultados obtenidos se presentan en la tabla adjunta. ¿En base a
estos datos existe influencia de alguno de los dos factores en el tiempo de respuesta del
sistema informático?, ¿existe interacción entre ambos factores?

B10 B10 B30 B10 B20 B30 B10 B20 B30

2 ’7 2’0 1’8 3 ’7 2 ’9 3 ’5 2 ’9 2’7 2’2
F1 2 ’ 4 2’2 1 ’5 F3 3’ 4 3’ 4 3’ 4 F2 3’ 4 2’4 1 ’9
2 ’3 1’9 1 ’6 3’9 3 ’3 3’8 3 ’3 2’5 2 ’3

El desarrollo de este problema es análogo al anterior, se utiliza el análisis.

comparación > análisis de la varianza > anova factorial

Se introduce la variable dependiente tiempo y los dos factores “fichero” y “buffers”

En un primer estudio conviene introducir el factor réplica que indica el orden en el que se
repite el experimento y se estudia el modelo de tres factores sin replicación. Si el modelo se
ha replicado correctamente la tabla ANOVA indicar· que el factor réplica no incluye.

En este caso se deshecha el factor réplica y se repite el estudio considerando el modelo de

dos factores e interacción entre los dos factores (interacción de orden 2). Se obtienen
conclusiones según los resultados obtenidos.

Se Analiza con el análisis de residuos.

Ejercicio 5.

Se quiere estudiar la caída de cuatro fármacos diferentes (F1, F2, F3 y F4) en el tratamiento
de una enfermedad. Para ello se observa el número de días que tardan en curar enfermos
tratados con estos fármacos. Se considera que el factor edad y el factor peso pueden intuir
en el experimento, por ello se controlan estos factores y se consideran cuatro niveles de
edad (E1, E2, E3 y E4) y cuatro de peso (P1, P2, P3 y P4). Los resultados del experimento
deseado según la técnica del cuadrado latino son los de la tabla adjunta. ¿qué conclusiones
se deducen del experimento?

Prácticas y problemas de diseño de experimentos.

E1 E2 E3 E4
P1 10 F 1 '
9 5F 2 7F4 11 ’ 5 F 3
P2 8 F2 10 F 1 8’5 F3 9F4
P3 7 F3 6’5 F 4 7 F1 8 F2
P4 6F4 5 F3 6 F2 9 F1

Se deben introducir los datos de forma correcta en el Chero, una vez realizado Esto, se
utiliza el análisis anterior, siendo la variable respuesta tiempo y los tres factores peso, edad
y fármaco. Al calcular la tabla ANOVA si alguno de los factores no es significativo se
elimina del modelo y se calcula la nueva tabla ANOVA.

Ejercicio 6.

Pruebe la hipótesis de que µ1=µ 2 …=µ 5 a un nivel de significancia de 0.05 para los datos
de la tabla sobre la absorción de humedad por varios tipos de agregado para cemento

Absorción en humedad en grados para concreto

1 2 3 4 5

551 595 639 417 563

457 580 615 449 631

450 508 511 517 522

731 583 573 438 613

499 633 648 415 656

632 517 677 555 679
 TOTAL 3320 3416 3663 2791 3664 16,854

MEDIA 553.33 569.33 610.50 465.17 610.67 561.80

Solución

Las hipótesis son:

H 0 :µ1=µ2=…=µ5

H 1 Al menos dos de las medias no son iguales

α =0.05

Región critica: f =¿ 2.76 con v1 =4 y v 2=25 grados de libertad, los cálculos de la suma de
cuadrados proporcionan

STC=209,377, STC=85,356

STC=209.37−85,356=124,021

Variable dependiente

Source Df Squares Sum of

Model 4 85356.4667 Mean square

Error 25 124020.3333 21339.1167

Carrected total 29 209376.8000 4960.8133

R square Coeff var Root MSE Misture mean

0.407669 12.53703 70.43304 561.8000

Source Df Type TSS Mean square F value PRF

Aggregate 4 85356.46667 21339.11667 4.30 0.0088

Decisión:
Rechazar H 0 y concluir que los agregados no tienen la misma media de absorción. El valor
p para f =4.30 es 0.0088 que es menor que 0.05

1 2 …… I ….. K
y 11 y 21 ……. yi1 …….. yk 1

y 12 y 22 ……… yi 2 ……… yk 2

…. ……. ……… …….. ………. ……..

y1n y2 n …….. y¿ ……….. y kn

Durante el trabajo experimental es frecuente que se pierdan algunas observaciones deseadas

ya que pueden surgir diversas situaciones
K N1 K
STC=∑ ¿1 ∑ ¿ 1(Y IJ −Y ) SCT=∑ ¿ 1 N I (Y I −Y )SCE=STC−SCT
I J I

Después se hace la partición de los grados de libertad como antes n−1 para STC , K −1
k
para stc y n−1−(k −1)=n−k para SCE donde n=∑ ¿ 1 n1
i

Ejercicio 7.
Parte de un estudio realizado en Virginia Tech se diseño para medir los niveles de actividad
de la fosfataza alcalina sérica (en unidades de Bessey-Lowry) en niños con trastornos
convulsivos que recibían terapia de anticonvulsivantes bajo el cuidado de un médico
privado. Se reclutaron 45 sujetos para el estudio y se clasificaron en cuatro grupos de
medicamentos:

G−1 : No recibieron anticonvulsivantes ni tenían historia de trastornos convulsivos

G−2 : Fenobarbital

G−3 : Carbamazepina

G−4 : Otros anticonvulsivantes

De las muestras de sangre tomadas a cada sujeto se determinó el nivel de actividad de la

fosfatasa alcalina sérica y se registró tal como se observa en la tabla 13.4. Pruebe la
hipótesis de que, a un nivel de significancia de 0.05, el nivel promedio de actividad de la
fosfatasa alcalina sérica es el mismo para los cuatro grupos de medicamentos.

G−1 G−2 G−3 G−4

49.20 97.50 97.07 62.10 110.60

44.54 105.00 73.40 94.95 57.10

45.80 58.05 68.50 142.50 117.60

95.84 86.60 91.85 53.00 77.71

30.10 58.35 106.60 175.00 150.00

36.50 72.80 0.57 79.50 82.90

82.30 116.70 0.79 29.50 111.50

87.85 45.15 0.77 78.40

105.00 70.35 0.81 127.50

95.22 77.40

SOLUCION

A un nivel de significancia de 0.05 las hipótesis son

H 0 : M 1 =M 2 =M 3=M 4

H 1 : Almenas dos de las medias no son iguales

Región critica

f >2.836 al interpolar los valores de la tabla

Cálculos y 1=1460.25 y 2=440.36 y 3=842.45 y 4 =707.41 y 5=3450.47

Source Df Ss Ms F P

Factor 3 13939 4646 3.57 0.022

Error 41 53376 1302

Total 4 67315

Level N Mean Stdev

G−1 20 73.01 25.75
G−2 9 48.93 47.11

G−3 9 93.61 46.57

G−4 7 101.06 30.76

Decisión:

Rechazar H0 y concluir que los niveles de actividad promedio de la fosfatasa alcalina sérica
para los cuatro grupos de medicamentos no son los mismos. El valor calculado de P es
0.022.
Para concluir nuestro estudio del análisis de varianza para la clasificación de un solo factor
mencionaremos las ventajas de elegir muestras del mismo tamaño en vez de otras de
tamaños distintos. La primera ventaja es que la razón f no es sensible a pequeñas
desviaciones de la suposición de varianzas iguales para las k poblaciones cuando las
muestras son del mismo tamaño. La segunda consiste en que muestras del mismo tamaño
minimizan la probabilidad de cometer un error tipo II.

Ejercicio 8.
Utilice la prueba de Bartlett a un nivel de significancia de 0.01 para probar la hipótesis de
que las varianzas de la población de los cuatro grupos de medicamentos del ejemplo 13.2
son iguales.

H 0 :σ 21=σ 22=σ 23=σ 34

H 1 :=¿ Las varianzas no son iguales

Región critica:

N 1=20 N 2=9 N 3=9 N 4 =7 N=45 y k =4 por lo tanto se rechaza cuando

b< b4 ( 0.01; 20,9,9,7)

(20)(0.8586)+(9)( 0.6892)+(9)(0.6892)+(7)(0.6045)
≈ =0.7513
45

Cálculos

El primero se obtiene

s21=66.2862 s22=2219.781 , s 23=2168.434 s24=946.032

Y después

(19)( 662.862)+( 8)(2219.781)+(8)( 2168.434)+(6)(946.032)

s2p= =1301.861
41

Ahora

b=+[(662.862)(2219.781)(2168.434 )(946.032)]
1301.861

Decisión

No rechazar la hipótesis y concluir que las varianzas de la población de los cuatro grupos
de medicamentos no son significativamente distintas. Aunque la prueba de Bartlett se
utiliza con mayor frecuencia para probar la homogeneidad de varianzas, se dispone de otros
métodos. Un método creado por Cochran proporciona un procedimiento de cálculo
sencillo, aunque está limitado a situaciones en que los tamaños muéstrales son iguales. La
prueba de Cochran es especialmente útil para detectar si alguna de las varianzas es mucho
mayor que las demás. El estadístico que se emplea es:
 S2I mas grande
G= k

∑ ¿1
i

Y se rechaza la hipótesis de igualdad de varianzas si g> ga donde el valor de ga se encontró

que
s21=12.134 s 22=2303 s 23 3594 s24=3319 s25=3455

Por tanto

12.134
g= =0.4892
24.805

En consecuencia se concluye que es razonable lka suposición de que las varianzas son
iguales

Ejercicio 9.

Los datos adjuntos se obtuvieron con un experimento que compara el grado de mancha do
de telas copolimerizadas con tres mesclas diferentes de acido metracrilico

Mezcla 1 0.56 1.12 0.90 1.07 0.94

Mezcla 2 0.72 0.69 0.87 0.78 0.91

Mezcla 3 0.62 1.08 1.07 0.99 0.93

Sea M I el grado de manchado promedio verdadero de manchado cuando se utiliza una

mezcla i(i=1,2,3) la hipótesis nula H 0 :µ1= M 2 =M 3 manifiesta que el grado de manchado
promedio verdadero es idéntico con las tres mezclas, se realiza una prueba a un nivel de
significación de 0.01 para ver si H 0 deberá ser rechazada a favor de la aseveración de que
el grado de manchado promedio verdadero no es el mismo con todas las mezclas como
I −1=2 I (J −1)=12 el valor critico f de la región de rechazo es F 0.01.2,12 =6.93 elevado al
cuadrado cada una de las quince observaciones y sumando se obtiene
x 2y =(0.56)+(1.12)+ …+(0.93)=12.1351 los valores de las tres sumas de los cuadrados son:
STC=12.1351−(13.25)=12.1351−11.7042=0.4309

1
STC r = [( 4.59)+(3.97)+4.69]−11.7042
5

¿ 11.7650−11.7042=0.0608

SCE=0.4309−0.0608=0.3701

Como f =0.99 no es por lo menos f 0.01,2,12=6.93 H 0 no es rechazada a un nivel de

significancia de 0.01
Parece que en las mezclas son indistinguibles con respecto al grado de manchado
( f 0.10,2,12=2.8)valor p>0.10

Origen de la Grados de Suma de los Cuadrado de la F

variación libertad cuadrados media

Tratamientos 2 0.0608 0.0304 0.99

Error 12 0.3701 0.0308

Total 14 0.4309

Cuando la prueba f hace que H 0 sea rechazada con frecuencia al experimentador le

interesara realizar un análisis más amplio para decidir cuáles de las µi difieren de cuales
otras, el procedimiento para hacer esto se llama procedimientos de comparación múltiple

Ejercicio 10.

El estudio de fuerzas y esfuerzos no destructivos en materiales aporta información

importante para el diseño de ingeniería eficiente, esto reporta un estudio sobre un estudio
de tiempo de recorrido de cierto tipo de onda que reproduce el esfuerzo longitudinal de
rieles utilizados en vías de ferrocarril, se realizaron tres mediciones en cada uno de los seis
rieles seleccionados al azar de una población de rieles .

Los investigadores utilizaron ANOVA de efectos aleatorios para decidir si algo de la

variación de tiempo de recorrido podría ser atribuido a la variabilidad entre rieles con los
siguientes datos
 1: 55 53 54 162
2: 26 37 32 95

3: 78 91 85 254
4: 92 100 96 288

5: 49 51 50 150
6: 80 85 83 248

1197

Origen de la Grado de Suma de los Cuadrado de la F

variación libertad cuadrados media

Tratamientos 5 9310.5 1862.1 115.2

Error 12 194.0 16.17

Total 17 9504.5

Cada valor de nanosegundos fue se obtuvo al restar 36.1µ de la observación original junto
con la tabla ANOVA derivada el valor de la proporción f es altamente significativo así que
H 0 :σ 2A =0 es rechazada a favor de que la conclusión de que las diferencias entre rieles
provocan la variabilidad del tiempo de recorrido
 4.8 SELECCIÓN DEL TAMAÑO DE LA MUESTRA PARA ESTIMAR LA
DIFERENCIA ENTRE DOS MUESTRAS
Ejercicio 1.

En el área de capacitación de una compañía grande se aplican los métodos de capacitación

distintos y b para los empleados del área administrativa se evalúa cada grupo mediante un
examen diagnóstico único para determinar si se utilizan de manera adecuada las técnicas
administrativas enseñadas con ambos métodos los resultados por grupo 40 empleados en
cada uno se muestran en los cuadros 7.4 y 7.5 la gerencia de capacitación quiere estimar si
el promedio en el aprendizaje muestra diferencias al utilizar un método u otro y para ello
Establecer un nivel de confianza de 95%.

6 7 6 5 6 6 9 5 8 8
6 5 10 8 6 8 7 6 5 7
9 5 5 9 8 6 5 6 10 7
6 9 6 7 8 8 5 8 4 10
4 7 7 5 4 10 4 5 5 4
4 6 9 5 6 9 8 5 6 10
7 5 8 9 8 4 8 5 5 4
8 10 6 10 5 8 9 4 5 7

( X 1−X ₂ ) ± ( Z ) [√ s² s² (
+
n₁ n₂ ]
= 6.9−6.5 ) ± ( 1.96 ) [√ 2.6 4.2
+
40 40 ]
¿ ( 0.4 ) ± ( 1.96 ) ( 0.41 )=0.4 ± 0.81

−0.41 ←0.4 →1.21

−0.41 ≤ p ≤ 1.21

Ejercicio 2.

Se estudia la satisfacción laboral en una empresa se optó por un muestreo de

conglomerados de distinto tamaño ya que la empresa se divide en oficinas con desigual
número de personas para inferir al total de los empleados el promedio de satisfacción
laboral se construye un intervalo de confianza la empresa está conformada por 52 oficinas
para la muestras de selección en 10 nivel de confianza 95% a continuación se presenta la
siguiente tabla

Oficina N° de empleados Puntuación Puntuación

satisfacción laboral promedio
total por satisfacción laboral
 conglomerado
1 28 167 5.6
2 12 45 3.75
3 14 67 7.79
4 16 95 5.94
5 9 39 4.33
6 21 108 5.14
7 24 91 3.79
8 9 40 4.44
9 10 39 3.90
10 8 40 5.00

Solución:

x=
∑ Mʰxʰ
n

∑ʰ
h =1

151
M= =15.1
10

731
x= =4.8
151

Ejercicio 3.

Un ingeniero sanitario muestrea dos poblaciones de concentraciones de bebé o provenientes

de dos plantas de tratamiento de aguas residuales para la primera planta se toma una
muestra de cine 1 de 16 análisis del libro los 16 22 dan un promedio muestral = x 1 = 400
con una varianza de s = 1.5 para la segunda planta de tratamiento se toma una muestra de
n2 15 análisis de uno de estos datos se obtiene un promedio muestral el ingeniero desea
construir un intervalo de confianza bien 95% pero las diferencias de promedios 1 y 2 de
cada planta.

s2 s2
( +
n1 n 2 ) =
( 1.516 + 1.315 ) ² =
0.033
=30
2
( n ₁−1 ) + ( n −1 ) ( 1.5 ) ( 13 ) 0.0011
+
( 16 ) ( 15 x 14 )

−0.467< ( μ 1−ν 2 )< 1.267

Ejercicio 4.

Equipo deportivo un fabricante de equipo deportivo desarrolla nuevo sedal sintético que
afirma tiene una resistencia media en la tensión de 8 kilogramos con una desviación
estándar de 5 kilogramos pruebe la hipótesis 8 kilogramos contra la alternativa 8
kilogramos y se prueba una muestra aleatoria de 50 canales y se encuentra que tiene una
resistencia media a la tensión de 7.8 kilogramos utilice un nivel de significancia de 0.01 .

Solución:

x−μ
z ←2.575 y z >2.575 donde z=
σ
√n
7.8−8
=2.83
.5/ √50

P=P (|Z|>2.83 ) =2 P ( Z←2.83 )=0.0046

Ejercicio 5.

El 95% de las muestras se encuentra dentro del intervalo Entonces 5% está fuera de mi vida
el 5% en dos partes iguales de 2.5%el valor Z corresponde a un área de 0.0 250 en la cola
inferior de la curva normal -1.96 y el valor de Z correspondiente una tarea como la edad de
0.975 es más 1.96 el valor menor de x y el valor superior de X se encuentran utilizando la
ecuación

15
(
368+ −1.96
√25
=368−5.88=362.12 )
15
368+ ( 1.96 ) =368−5.88=373.88
√25
Ejercicio 6.

Una vez que sabemos que las muestras se distribuyen normalmente y que las varianzas
poblacionales son estadísticamente iguales, podemos proceder al cálculo del estadístico t.

UNI. A UNI. B
Media 32,76 31,2133333
Varianza de poblac. 85,6713514 73,2781982
n 75 75

^S
( 75−1) ∗85,67 + ( 75−1)∗73,28 1 1
Y^ 1− ^
√
Y 2=
75+75−2 [ + ]
75 75
=1,43748

( 32,76−31,213 ) −0
T= =12,07619
1,43748

Ejercicio 7.

Se denotará por { X 1 , X 2 ,... , Xn } e {Y 1 ,Y 2 , ..., Ym } al peso observado en cada uno de los

sujetos sometidos a la dieta A y a la dieta B respectivamente. En general no se exigirá que
coincida el número de observaciones en cada uno de los grupos que se comparan, de modo
que en el ejemplo n=40 y m=35.
El t test para dos muestras independientes se basa en el estadístico:
^
X−Y^
t=
( n−1 ) S^ 21 + ( m−1 ) ^S22 1 1
√ n+ m−2 √ +
n m

1
X = ∑ X i=90.96
^
n

1
Y^ = ∑ Y i =89.47
m
n
^S21= 1 ∑ ¿ ¿
n−1 i−1

m
^S22= 1 ∑ ¿ ¿
m−1 i−1
 90.69−89.47
t= =0.80
39∗32.14+34∗54.43 1 1
√ 40+ 35−2 √
+
40 35

Ejercicio 8.

A partir de las observaciones muéstrales {Y 1 ,Y 2 , ..., Yn } e {Y 1 ,Y 2 , ..., Yn } en cada uno

de los grupos se calcula la diferencia de peso para cada sujeto {d 1 , d 2 , ... ,dn }
con dj= Xj−Yj     j=1,2 ,... , n.  Nótese que en este caso un requisito fundamental es que se
tenga un número igual de observaciones en ambos grupos. A partir de estos datos, el
contraste se basa en el estadístico:

d́
t= √n
^S d

n−1 Sd
^
[ d ± ´t 0975
√n ]
n
1
d́= ∑ X =3.98
n i−I i
n
^S2d = 1 ∑ ¿ ¿
n−1 n−1

3.98
t= √ 75=18.64
√3.42

Ejercicio 9.

Se elabora una tabla para el cálculo de para distintos tamaños muéstrales y se determina en
las curvas características de operación el valor de , para luego calcular el poder de prueba ,
hasta que el valor llegue o sobrepase0,9 , que es el poder adecuado para la mayoría de los
experimentos.

n0 Φ V 1=a−1 V 2=a(n0 −1) β 1−β

3 1,84 3 8 0.32 0,68
4 2,12 3 12 0.14 0,86
5 2,37 3 16 0.05 0,95
 52
n0 =22 α
2 6

52
n0 =21,96 =5,33 ≈ 6
6

1,96+ 1,28 2
n0 =1+ =5,06 ≈ 6
¿1+ 4

1,96+ 1,285 2
n0 =1+ =5,25 ≈ 6
10

1,96+1,28
n0 =2 =39,88 ≈ 40
0,3
−1 −1 0,3
2 sin 0,25+ −sin 0,25−
2 2

Ejercicio 10.

Calcular qué tamaño muestral debemos tomar para obtener µcon una precisión de 0.001a
partir de una muestra de una poblaciónN ( µ ,3).

σ σ
( X́−Z
1−
α
2 √n
, X́ +Z α
1−
2 √n
)
3 5.88
1,96 ≤ 0.001↔ ≤ √ n → n=58802=34574400
√n 0.001
 4.9 APLICACIONES
Ejercicio 1.

La media de los pesos de 5000 estudiantes de un colegio es de 70 kg y la desviación típica

de 3 kg . Suponiendo que los pesos se distribuyen normalmente, “hallar cuantos estudiantes
pesan menos de 60 kg

μ=70 kg σ =3 kg x=60 kg

x−μ 60−70 −10

z= = = =−3,33
σ 3 3

z=3.33, queda que en la probabilidad es de 0,9996

Entonces P ( Z >3.33 )=1−0,9996=0,0004=P(Z <−3,33)

Esto es que el 0,04 % de los 5000 pesan menos que 60 kg. Son 2 estudiantes.

Ejercicio 2.
Una empresa eléctrica fabrica baterías de celular que tienen una duración que se distribuye
de forma aproximadamente normal con una media de 800 horas y una desviación estándar
de 40 horas. Si una muestra aleatoria de 30 baterías tiene una duración promedio de
788 horas, ¿muestran los datos suficiente evidencia para decir que la duración media no es
800? Utilice un nivel de significancia del 0.04 .

Datos: μ=800 horas

s=40 horas

x́=788 horas

n=30

α =0.04

Prueba de hipótesis. Como a la empresa no le preocupa si la duración es igual o mayor a su

propuesta, entonces las hipótesis a plantear son: H 0 ; μ ≥ 800 horas H 1 ; μ<800 horas

Nivel de significancia a=0.04 , za=−1.75

Si z ≥−1.75 no se rechaza H 1. Si z <−1.75 se rechaza H 0

X́ R −μ 788−800
Z R= = =−1.643
σ 40
√n 30
Como −1.643 ≥−1.75por lo tanto no se rechaza H 0 y se concluye con un nivel de
significancia del 0.04 que la duración media de las baterías no ha cambiado.

Ejercicio 3.

Un ingeniero químico afirma que el rendimiento medio de la población de cierto proceso en

lotes es 500 gramos por milímetro de materia prima. Para verificar esta afirmación toma
una muestra de 25 lotes cada mes. Si el valor de t calculado cae entre −t 0.5 y t 0.5, queda
satisfecho con su afirmación. ¿Qué conclusión extraería de una muestra que tiene una
media de 518 gramos por milímetro y una desviación estándar de 40 gramos? Suponga que
la distribución de rendimientos es aproximadamente normal.

De la tabla encontramos que t 0.5 para 24 grados de libertad es de 1.711. Por tanto, el
fabricante queda satisfecho con esta afirmación si una muestra de 25 lotes rinde un valor t
entre – 1.711 y 1.711. Se procede a calcular el valor det :

x́−m 518−500
t= = =2.25
s 40
√n √ 25
Este es un valor muy por arriba de 1.711 . Si se desea obtener la probabilidad de obtener un
valor de tcon 24 grados de libertad igual o mayor a 2.25 se busca en la tabla y es
aproximadamente de 0.02 . De aquí que es probable que el fabricante concluya que el
proceso produce un mejor producto del que piensa.

Ejercicio 4.

Un medicamento para malestar estomacal tiene la advertencia de que algunos usuarios

pueden presentar una reacción adversa a él, más aún, se piensa que alrededor del 3 % de los
usuarios tienen tal reacción. Si una muestra aleatoria de 150 personas con malestar
estomacal usa el medicamento, encuentre la probabilidad de que la proporción de la
muestra de los usuarios que realmente presentan una reacción adversa, exceda el 4 % .

a) Resolverlo mediante la aproximación de la normal a la binomial

b) Resolverlo con la distribución muestral de proporciones.

a) Aproximación de la distribución normal a la binomial:

n=150 personas

p=0.03

x=(0.04)(150)=6 personas

p ( x>6 )=?
Media=n p=( 150 ) ( 0.03 )=4.5

x−n p 6.5−4.5
z= = =0.96
√ n pq √ 150(0.03)(0.97)
p(x >6)=0.1685. Este valor significa que existe una probabilidad del 17 % de que al
extraer una muestra de 150 personas, mas de 6 presentaran una reacción adversa.

b) Distribución Muestral de Proporciones

Datos

N=150 personas

P=0.03

P=0.04

p ( p> 0.04 ) =?

p−P 0.0433−0.03
z= = =0.96
Pq ( 0.03 ) ( 0.97 )
√ √
n 150

Existe una probabilidad de 17 % de que al tomar una muestra de 150 personas se tenga una
proporción mayor de 0.04 presentando una reacción adversa.

Ejercicio 5.

En el campo de la informática, se hace un experimento en el que se miden las velocidades

de los Pentium frente a los correspondientes AMD. Los resultados obtenidos son los
siguientes:

x́ M =110 X́ B=100

S2M =35 S2B=26

n M =61 n B=61

Contrastar hipótesis de que la velocidad media es la misma para ambos procesadores.

Nivel de significancia del 1 %

El intervalo de confianza para ña diferencia de medias viene dado por:
2 2
a SM SB
√
( x́ M − X́ B ) ±t (min {n M −1 , n B−1 } , 2 ) n + n
M B

a 0.01
En este caso tenemos una T de student con 60 grados de libertad con = =2=0.005
2 2
quedara:

35 26
( 110−100 ) ±2.6603
√ +
61 61

10 ±2.66

El intervalo de confianza para la diferencia de medias al 99 % es (7.34 , 12.66)

Como el intervalo no contiene el valor 0, se rechaza que la media de los Pentium y los
AMD sean iguales.

Ejercicio 6.

Una empresa adquiere lotes de partes de tamañon=200 , el lote tiene una tasa de partes con
falla del 10%, la política de la empresa ahora es que:

a. Si hay más del 12% de defectos se buscará un nuevo proveedor.

b. Entre el 10 y 12% se considerará la búsqueda de un nuevo proveedor
c. Entre el 5 y 10%, se seguirá con el mismo proveedor
d. Menos del 5%, se incrementarán los pedidos

π (1 π ) 0.1(1−0.1)
σ P=
√ n √=
200
0.021

a). P( p>0.12)

p−π 0.12−0.1
Z= = =0.95
σρ 0.021

P ( Z≥0.95 )=0.1711 o sea el 17.11 %

b ¿ . P(0.10≤p≤0.12)=0.3289 o el 32.89 %

c ¿ . P( 0.05≤ p≤0.10)
 p−π 0.05−0.1
Z 0.05= = =−2.38
σp 0.021

p−π 0.1−0.1
Z 0.1= = =0.0
σp 0.021

P(−2.38≤Z ≤0.1)=0.4913 o el 49.13 %

d ¿ . P( p≤0.05)=0.0087 o el 0.8 % ¿

Por tanto como la mayor probabilidad es la del inciso c, no se cambia al proveedor actual.

Ejercicio 7.

Una empresa de contestación de llamadas telefónicas, está interesada en conocer la

probabilidad de que la media de n llamadas dure un cierto periodo de tiempo, no le interesa
una llamada individual, ya que no le permitiría determinar la cantidad de personas que
requiere:
Las llamadas durante un mes promediaron 150 seg. Con una desviación estándar de 15 seg.
a.) ¿Cuál es la probabilidad de que una llamada en particular dure entre 150 y 155
segundos?

Solución:

X−μ
Z=
σ

155−150
Z155 = =0.33
15

150−150
Z150 = 0.0
15

Por tanto P(0≤Z≤0.33)=0.1293 o 12.93 %

Por tanto la probabilidad de que una llamada dure entre 150 y 155 segundos es del 12.93%.

b) ¿Cuál es la probabilidad de que la media de n=50 llamadas esté entre 150 y 155
segundos?

Ahora se aplica la distribución muestral de las medias, con:

 X−μ
Z=
σ /√n

155−150
Z155 = =2.36
15 / √ 50

150−150
Z150 = =0.0
15 / √50

En tablas P (Z≤2.36)=0.9909 ;
P( Z≤0)=0.500
Por tanto P(0≤Z≤2.36)=0.4909 o 49.09 %

c) ¿Cuál es la probabilidad de que la media de n=35 llamadas esté entre 145 y 155
segundos?
Ahora se aplica la distribución muestral de las medias, con:
X−μ
Z=
σ /√n
155−150
Z155 = =1.97
15 √35
145−150
Z150 = =−1.97
15 / √ 35

En tablas P (Z≤−1.97)=0.0244 ;
P( Z≤1.97)=0.9756
Por tanto P(−1.97≤Z≤1.97)=0.9512 o 95.12 %

d) ¿Cuál es la probabilidad de que la media de n=35 llamadas sea mayor a 155 segundos?
Ahora se aplica la distribución muestral de las medias, con:
X−μ
Z=
σ /√n

155−150
Z155 = =1.97
15 / √ 35

En tablas P (Z≤−1.97)=0.0244 o 1−P(Z ≤1.97)=1−0.9756=0.0244

Por tanto P( Z≥1.97)=0.0244 o 2.44 %

Ejercicio 8.
Un grupo de investigadores de Ecología midieron la concentración de células rojas en la
sangre de 29 lagartos (Sceloporis occidentales) capturados en el campo. También
observaron si los lagartos estaban infectados por el parásito de Malaria Plasmodium. Los
recuentos de células rojas proporcionaron los siguientes valores.

Animales infectados:n1 =13 X́ 1 =972.1 S1=245.1

Animales no infectados: n2 =16 X́ 2 =843.4 S2=251.2

a). Construye un intervalo de confianza al 99% para la diferencia entre la concentración

media de células rojas en la sangre de animales infectados y no infectados (se supone
normalidad).

Solución:

Se trata de comparar dos poblaciones: P1, lagartos infectados con el parásito, y P2, lagartos
no infectados. Concretamente, nos interesa comparar las medias poblacionales. En
consecuencia, buscamos I μ −μ 1 2

Asumimos que las varianzas poblacionales NO son conocidas. Para verificar si pueden
considerarse iguales o no, como S2 > S1, calculamos

s 22
2
=¿ ¿
s1

X́ 1 − X́ 2=972.1−843.4=128.7

t
Como n1 =13 ,n 2=16 y α =1 % (0,01 en tanto por uno), α
=t
2 n1+ n 0.005 .27
=2.771
2

2 ( n1−1 ) s 21+(n2 −1)s 22

Finalmente,S = p ; operando se tiene S p=248.507
n1 +n 2−2

Sustituyendo en la fórmula del intervalo de confianza, obtenemos

I =(−12824.38582)

Ejercicio 9.

Un miembro del Congreso desea probarla hipótesis de que al menos 60% de los votantes
está a favor de la legislación laboral que acaba de ser presentada a la Cámara, con un nivel
de significancia de 5%. La discrepancia con esta hipótesis se considerará importante si sólo
50% (o menos) favorece la legislación, mientras que el riesgo de un error tipo II deβ=0.05
es aceptable. El tamaño de muestra que debería recolectarse, como mínimo, para satisfacer
estas especificaciones de toma de decisiones es:

Solución.

n=¿=
2
−1.645 ( 0.49 ) −1.645(0.50) −0.806−0.822 2
[ −0.10 ] ( =
−0.10 ) = (16.28 )2=265.04=266.
Ejercicio 10.

Una muestra de 50 hogares de una comunidad revela que 10 de ellos vieron un programa
especial de televisión sobre la economía nacional. En una segunda comunidad, 15 hogares
de una muestra aleatoria de 50 vieron ese programa especial de televisión. Probamos la
hipótesis de que la proporción global de espectadores de las dos comunidades no difiere,
con un nivel de significancia de 1%, de la siguiente manera:

Solución.

H 0 : ( π 2−π 2 )=0 o equivalente , π 1−π 2

H1: ¿

z critica ( α =0.01 ) =±2.58

p^ 2 +¿n ^p 50 ( 0.20 ) +50 ( 0.30 ) 10+15

^π =π 2 =2 2
= =0.25 ¿
n1 +n2 50+50 100

^π (1− π^ ) ^π (1− π^ ) (0.25)( 0.75) (0.25)(0.75)

σ^ ^p −^p =
1 2
√ n1
+
π2 √ =
50
+
50
=√ 0.00375+0.00375=0.087

p^ 1−^p2 0.20−0.30 −0.10

z= = = =−1.15
σ^ ^p − ^p
1 2
0.087 0.087

La z calculada de −1. 15 se encuentra en la región de aceptación de la hipótesis nula. Por lo

tanto, la hipótesis de que no existe diferencia en la proporción de espectadores de las dos
zonas no puede rechazarse.
 BIOGRAFÍAS.
 Levin I. Richard Estadistica para administadores. Editorial: Prentice-Hall
 Walphole. Probabilidad y estadistica. Editorial McGraw Hill.
 William Mendenhall. (2002). Introducción a la Probabilidad y Estadística. América
latina: Thomson.
 Levin Richard L. Rubin David S. (2004). Estadística Para la Administración y
Economía. Estado de México: Pearson Educación.
 Juan C. Acevedo. (2006). Matemáticas Avanzadas Y Estadística Para ciencias e
Ingenierías. MEXICO: Pearson educación.
 Carles, C. M. Problemas de probabilidades y estadistica. Primera Edicion.
 Palma, P. A. Estadistica y programacion aplicada . mexico.
 William Navidi, (2006) Estadística para Ingenieros y Científicos, México; Mc Graw Hill.
 Instituto Tecnológico de Chihuahua; Distribución Fisher, México. PDF
 [ CITATION Mar84 \l 2058 ] . Matemáticas globales. Ciudad de México.
 José Vinces Otero, Ainhoa Herrarte Sánchez, Eva Medina Moral. (enero 2005).
ANÁLISIS DE LA VARIANZA. Ciudad de México: Anova.
 (DEVORE, CENGAGE LEARNING)
 (WALPOLE, 2012)