---

title: "Tarea 2_Diseño_de_Experimentos"

author: "Mirta Arrua"

date: '2022-07-18'

output: pdf_document

---

# Tarea 2

## Estimación puntual para la media.

Para saber número de frutos que tienen de media los árboles de una finca (µ), basta con sumar
el número de frutos que tiene cada árbol y dividirlo por el número total de árboles. El
resultado es la media poblacional. En la mayoría de las ocasiones, hacer esto es inviable, así
que hay que se calcula la media de una muestra (X), para ello se suma el número de frutos de
la muestra y se divide por en número total de árboles de la misma. Se obtiene así la media de
la muestra. Si la muestra se escoje al azar, su media es un estimador imparcial de la media de
la población.

### Ejercicio 1

Por ejemplo, queremos saber en número de frutos que tienen de media los árboles de una
finca. La finca tiene 30.000 árboles. Supongamos que dismponemos de los recursos suficientes
y contamos el número de frutos de los 30.000 y obtenemos los siguientes datos.

```{r}

set.seed(007)

Poblacion <- round(runif(30000, min = 150, max = 300),0)

MediaPoblacion <- mean(Poblacion); MediaPoblacion #Esta sería la media poblacional (mu)

```

###La media poblacional es: [1] 225.1558

Como lo normal es que no tengamos los recursos para contar los frutos de todos los árboles,
podemos optar por selecionar 10 al azar y contar sus frutos.

```{r}

Muestra <- sample(Poblacion, 10, replace = FALSE) ; Muestra

MediaMuestra <- mean(Muestra); MediaMuestra

```

Al ejecutar se presentan todos los datos de la muestra:

### Datos de la muestra

[1] 215 261 185 293 191 206 204 244 197 265

Calculamos la media muestral

```{r}

MediaMuestra <- mean(Muestra); MediaMuestra

```

### Se obtiene el resultado de la media muestral:

[1] 226.1

### Indicar la media muestral obtenida

Intervalo de confianza para la media en una población normal con varianza desconocida

La función de R t.test calcula intervalos de confianza en este contexto. Esta función también se
utiliza para resolver contrastes de hipótesis. La sintaxis de la función t.test es la siguiente:

```{r}
t.test(Muestra, conf.level = 0.95)

```

donde

Muestra: Vector numérico con los valores de la variables de interés conf.level: Valor numérico
que indica el nivel de confianza, en tanto por uno, al que se construirá el intervalo. Si omitimos
este parámetro en la llamada a la función, los intervalos de confianza se calculan a un nivel de
confianza del 95%.

Al ejecutar la función t.test se presentan los siguientes datos, donde se aprecia el valor de t es
la encargada de los procedimientos de inferencia sobre la media en poblaciones normales, y p-
valor es el parámetro de significación

```{r}

One Sample t-test

data: Muestra

t = 19.332, df = 9, p-value = 1.225e-08

alternative hypothesis: true mean is not equal to 0

95 percent confidence interval:

199.6426 252.5574

sample estimates:

mean of x

226.1

```

Para calcular el nivel de confianza primeramente calculo el desviación típica mediante la

siguiente fórmula:

```{r}

sd(Muestra)
```

Y se obtiene como resultado la desviación típica:

### Desviación típica:

[1] 36.98483

Luego teniendo el tamaño de la población, el tamaño de la muestra y la desviación típica

considerando un nivel de confianza del 95%

```{r}

n=10 # tamaño muestral

N=30000 # tamaño de la población

FCPF= (N-n)/(N-1) #FCPF = Factor de Correción de la población finita

mediamuestral=225.1558

s=36.98483 #desviacion típica muestral

n.confianza=0.95 #nivel de confianza

p-valor= (1-n.confianza)/2

t.alfamedios=qt(alfamedios,n-1, lower.tail = FALSE)

li=mediamuestral-(t.alfamedios*s/sqrt(n-1))*sqrt(FCPF)

ls=mediamuestral+(t.alfamedios*s/sqrt(n-1))*sqrt(FCPF)

intervalo<-print(paste("[",round(li,2),",",round(ls,2),"]"))

```

### El nivel de confianza del 95% es:

[1] "[ 197.27 , 253.04 ]"