Taller 4

Bryan Medina, Fá tima German, Diego Vera, Oyuqui Loqui, Paulina Hernandez

13/1/2022
#PREGUNTA 1

#El dueño de una gasolinera quiere estimar la cantidad media de galones de

gasolina que vende
# a sus clientes. De su registro de ventas toma una muestra aleatoria de 70
ventas
# y encuentra que la cantidad media de galones vendidos es 9.30, y la
desviación estándar es 1.60 galones.
# Determine un intervalo de confianza de 93% para la media.

x=9.30 #(x es la media muestral )

z=1.81 #(z nivel de confianza )
o=1.60 #(o es la desviacion estandar)
n=70 #(tamano de la muestra)

total_negativo= x-z*o/sqrt(n)
total_negativo

## [1] 8.953862

total_positivo= x+z*o/sqrt(n)
total_positivo

## [1] 9.646138

#interpretacion: con un nivel de confianza del 93% podemos afirmar que la

cantidad media de gasolina vendida, se encuentra entre 8,953 y 9,646

#############################################################################
######################################################

#PREGUNTA 2

# 2. Un vendedor de repuestos automovilísticos tiene dudas con respecto a

la calidad de los productos que vende, así que desea probar el tiempo de vida
#de estos. #Estima que, en promedio, cuando vende un producto, sus clientes
tardan menos de 45 días en volver para comprar un repuesto.
#En una muestra de 60 de sus clientes, #tardaron alrededor de 42 en regresar
a comprar un remplazo. Usando un nivel de confianza de 95% y una desviación
estándar de 14. ¿Será correcto el estimado que hace #el vendedor y sus
productos tienen un tiempo de vida corto?
#hipotesis_nula = 45
#hipoesis_altern < 45

media_poblacional=45
media_muestral=42
desv_muestra=14
tamanio_muestral=60
alpha=0.05

z_alpha=qnorm(alpha,mean=0,sd=1,lower.tail= T)
z_alpha

## [1] -1.644854

e_p_deZ=((media_muestral-media_poblacional))/
((desv_muestra)/sqrt(tamanio_muestral))
e_p_deZ

## [1] -1.65985

e_p_deZ<z_alpha

## [1] TRUE

#Se rechaza la hipotesis nula

#############################################################################
######################################################################

#PREGUNTA 3
#Tina Dennis es la inventora de una empresa. Ella cree que la actual falta de
liquidez de la empresa se debe al lento cobro de sus cuentas. Ella #considera
que más de 75% de las cuentas tienen un atraso superior a tres meses. En una
muestra aleatoria de 300 cuentas se encontró que 232 tenían #más de tres
meses. En el nivel de significancia 0.1 ¿Puede concluirse que más de 75% de
las cuentas tienen un atraso de más de tres meses?

x=232
alpha<-0.1/2
#Planteamiento de hipotesis
#Ho= p=0.75
#Ha= p>0.75
#Nivel de significancia:
#a=0.1
#p= prob de cuentas atrasada > 3 meses
#q= prob de atraso <= 3 meses
#p=0.75
#q=0.25
p=232/300
z<-qnorm(alpha,lower.tail = F)
prop.test(x=232,n=300,p=0.75,conf.level = 0.90)

##
## 1-sample proportions test with continuity correction
##
## data: 232 out of 300, null probability 0.75
## X-squared = 0.75111, df = 1, p-value = 0.3861
## alternative hypothesis: true p is not equal to 0.75
## 90 percent confidence interval:
## 0.7294802 0.8120969
## sample estimates:
## p
## 0.7733333

#############################################################################
##################################################################

#PREGUNTA 4
#Con 8 árboles de pinos se realiza el siguiente experimento.
#Se los siembra separadamente y durante un año son sometidos a distintas
cantidades de lluvia asimilada y se obtuvieron los siguientes datos:

Cant_lluvia<-c(10,14,18,22,26,30,34,38)
arbolitos<-c(29,30,28,35,32,42,45,47)

regre_lin<-lm(arbolitos ~ Cant_lluvia)
regre_lin

##
## Call:
## lm(formula = arbolitos ~ Cant_lluvia)
##
## Coefficients:
## (Intercept) Cant_lluvia
## 18.8571 0.7143

summary(regre_lin)

##
## Call:
## lm(formula = arbolitos ~ Cant_lluvia)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.4286 -0.6071 1.0714 1.7500 3.0000
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 18.8571 3.1636 5.961 0.000998 ***
## Cant_lluvia 0.7143 0.1231 5.800 0.001151 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.192 on 6 degrees of freedom
## Multiple R-squared: 0.8487, Adjusted R-squared: 0.8234
## F-statistic: 33.64 on 1 and 6 DF, p-value: 0.001151

plot(Cant_lluvia, arbolitos, xlab = 'CANTIDAD LLUVIA cm3', ylab='LONGITUD

ARBOL')

# Y= 18.86 + 0.71(X)
#LONGITUD_ARBOL= 18.86 + 0.71(Cant_lluvia)

#b) Utilizar este resultado para pronosticar la longitud que alcanzará un

pino
#que recibe 27 cm3 de lluvia en un año.

Lluvia<-data.frame(Cant_lluvia=seq(25,29))
predict(regre_lin,Lluvia)

## 1 2 3 4 5
## 36.71429 37.42857 38.14286 38.85714 39.57143
#La longitud que alcanza el pino es 28.11 al recibir 27cm3

#c) A medida que incrementa la cantidad de lluvia, la longitud crece o

decrece? En cuanto medida?
## A medida que incrementa la cant de lluvia, el arbol crece 0.33

#d) Se considera un buen modelo? Justifique su respuesta con R cuadrado.

#Si, se considera un buen modelo dado que para el diagrama de disperción, R-
squared: 0.8234