Pontificia Universidad Católica de Chile

Facultad de Economı́a y Administración

Segundo Semestre 2021

Lab 2 - Pauta
En la industria salmonera uno de los aspectos más importantes y que es un % importante del costo del
proceso de crianza de las piezas de Salmones es el alimento. Las piezas que se exportan en formato HG (sin
cabeza) presentan variaciones en su peso esperado, debido principalmente a ineficiencia en la alimentación,
ya que los Salmones comen hasta saciarse y eso implicará en el futuro un exceso de grasa, la cual al entrar al
proceso de preparación y limpieza se desecha, afectando el margen económico y las estimaciones de los Kg
comprometidos para la venta.

La base de datos SalmonesHG.xlsx contiene 200 muestras proveniente desde un centro de cultivo, registran-
do en terreno el peso fuera del agua (en Kg), su largo (en cm), sexo, tratamiento y si presentaba alguna
deformidad a la vista. Posteriormente en la planta durante el procesamiento de las piezas, se registro el peso
de la grasa y de la pieza en formato HG lista para exportación.

VARIABLE DESCRIPCION UNIDAD

HG Peso pieza lista para congelar y Kilos
PESO Peso fuera del agua Kilos
GRASA Peso grasa extraı́da proceso de Kilos
LARGO Largo de la pieza Centimetros
SEXO Sexo de la pieza M: Macho, H: Hembra
DEFORMIDAD Presenta alguna deformidad SI, NO
TRATAMIENTO Condiciones de tratamiento A, B, C, D
A partir de esta información responda las siguientes preguntas:

Base = rio::import("SalmonesHG.xlsx")
head(Base)
HG PESO GRASA LARGO SEXO DEFORMIDAD TRATAMIENTO
1 3.067 4.549 0.619 58 M SI C
2 3.334 4.673 0.673 57 M SI C
3 2.510 3.645 0.623 53 H SI C
4 2.701 4.002 0.684 55 M SI C
5 2.962 4.237 0.622 58 M NO C
6 2.363 3.615 0.740 51 H SI C

EAA1520 - Taller R Inferencia 1 Profesor: Ricardo Olea Ortega

Segundo Semestre 2021
Pregunta 1

¿Con un 90 % de confianza podrı́a afirmar que los pesos medios en formato HG por SEXO, son menores en
hembras (H)? Asumiendo un comportamiento Normal responda SI o NO: SI [0.2 Puntos]

Intervalo de Confianza: [0.8 Puntos]

(1) [-Inf; -0.2186947].
(2) [+0.2186947; +Inf].

Nota: En el caso que alguno de los limites sea ±∞, ingrese como respuesta -infinito o +infinito.

X = dplyr::filter(Base, SEXO == "H")$HG

Y = dplyr::filter(Base, SEXO == "M")$HG

## i. IC para cuociente de varinzas

var.test(x = X, y = Y, conf.level = 0.90)$conf.int

[1] 0.5147961 1.0107112
## No se puede afirmar con un 90% de confianza que sean distintas

## ii. IC comparación de medias bajo normalidad con varianzas desconocidas e iguales

t.test(x = X, y = Y, conf.level = 0.90, alternative = "less", var.equal = T)$conf.int

[1] -Inf -0.2186947
## (1) mu_H - mu_M con un 90% de confianza es negativa --> SI

t.test(x = Y, y = X, conf.level = 0.90, alternative = "greater", var.equal = T)$conf.int

[1] 0.2186947 Inf
## (2) mu_M - mu_H con un 90% de confianza es positiva --> SI

Nota: Si realiza un t.test() con argumento var.equal = F asignar [0.2 Puntos] por cada lı́mite de
confianza correcto.

EAA1520 - Taller R Inferencia 2 Profesor: Ricardo Olea Ortega

Segundo Semestre 2021
Pregunta 2.1

Suponga que los pesos fuera del agua distribuyen Log-Normal. ¿Es posible afirmar con un 98 % de confianza
que el parámetro meanlog (λ) es distinto a 1.3 ? Responda SI o NO: SI [0.2 Puntos]

Intervalo de Confianza: [1.319339; 1.369008] [0.8 Puntos]

Nota: En el caso que alguno de los limites sea ±∞, ingrese como respuesta -infinito o +infinito.

X = Base$PESO

## Estimación máximo verosı́mil

fit = fitdistrplus::fitdist(data = X, dist = "lnorm", method = "mle")
fit
Fitting of the distribution ’ lnorm ’ by maximum likelihood
Parameters:
estimate Std. Error
meanlog 1.3441735 0.010675316
sdlog 0.1509718 0.007547098

## IC aproximado bilateral para "meanlog"

TeachingDemos::z.test(x = fit$estimate[1], stdev = fit$sd[1], conf.level = 0.98)$conf.int
[1] 1.319339 1.369008

## Con un 98% de confianza meanlog se encuentra entre 1.319 y 1.369, es decir, meanlog serı́a
## distinto a 1.3

Pregunta 2.2

Suponga que los pesos fuera del agua distribuyen Gamma. ¿Es posible afirmar con un 92 % de confianza que
el parámetro shape (k) es distinto a 45 ? Responda SI o NO: NO [0.2 Puntos]

Intervalo de Confianza: [37.72078; 53.66078] [0.8 Puntos]

Nota: En el caso que alguno de los limites sea ±∞, ingrese como respuesta -infinito o +infinito.

X = Base$PESO

## Estimación máximo verosı́mil

fit = fitdistrplus::fitdist(data = X, dist = "gamma", method = "mle")
fit
Fitting of the distribution ’ gamma ’ by maximum likelihood
Parameters:
estimate Std. Error
shape 45.69078 4.552502
rate 11.78394 1.180572

## IC aproximado bilateral para "shape"

TeachingDemos::z.test(x = fit$estimate[1], stdev = fit$sd[1], conf.level = 0.92)$conf.int
[1] 37.72078 53.66078

## Con un 92% de confianza shape se encuentra entre 37.72 y 53.66, es decir, no se podrı́a
## afirmar que shape es distinto a 45

EAA1520 - Taller R Inferencia 3 Profesor: Ricardo Olea Ortega

Segundo Semestre 2021
Pregunta 3

¿Existe evidencia para afirmar que menos del 40 % de los peces presentan algún tipo de deformación? Para
su respuesta considere un nivel de significancia del 10 %.

Responda SI o NO: NO [0.2 Puntos]

Valor-p: 0.386415 [0.8 Puntos]

X = (Base$DEFORMIDAD == "SI")*1

## H0: pi = pi0 vs H1: pi < pi0

pi0 = 0.40

## Alternativa 1
TeachingDemos::z.test(x = X, mu = pi0, stdev = sqrt(pi0*(1-pi0)),
alternative = "less")$p.value
[1] 0.386415

## Alternativa 2
n = length(X)
TeachingDemos::z.test(x = mean(X), mu = pi0, stdev = sqrt(pi0*(1-pi0)/n),
alternative = "less")$p.value
[1] 0.386415

## Alternativa 3
Z0 = (mean(X)-pi0)/sqrt(pi0*(1-pi0)/n)
pnorm(Z0)
[1] 0.386415

## Como valor-p = 38.6% > 10% = alpha --> NO se rechaza H0, por lo que no es posible
## apoyar la afirmación pi < 0.40

EAA1520 - Taller R Inferencia 4 Profesor: Ricardo Olea Ortega

Segundo Semestre 2021
Pregunta 4.1

¿Existe evidencia para afirmar que la desviación estándar de los largo es mayor a 2.5 cm? Para responder
asuma que los largos distribuyen Normal y considere un nivel de signifcancia del 1 %.

Responda SI o NO: NO [0.2 Puntos]

Valor-p: 0.01207911 [0.8 Puntos]

X = Base$LARGO

## H0: sigma = sigma0 vs H1: sigma > sigma0

sigma0 = 2.5

## Alternativa 1
TeachingDemos::sigma.test(x = X, sigma = sigma0, alternative = "greater")$p.value
[1] 0.01207911

## Alternativa 2
n = length(X)
C0 = (n-1)*sd(X)^2/sigma0^2
1-pchisq(C0, df = n-1)
[1] 0.01207911

## Como el valor-p = 1.2% > 1% = alpha --> No se rechaza H0, por lo que no es posible
## apoyar la afirmación que sigma es mayor a 2.5 cm.

Pregunta 4.2

¿Existe evidencia para afirmar que la desviación estándar de los largo es menor a 3 cm? Para responder
asuma que los largos distribuyen Normal y considere un nivel de signifcancia del 5 %.

Responda SI o NO: NO [0.2 Puntos]

Valor-p: 0.0771146 [0.8 Puntos]

X = Base$LARGO

## H0: sigma = sigma0 vs H1: sigma > sigma0

sigma0 = 3

## Alternativa 1
TeachingDemos::sigma.test(x = X, sigma = sigma0, alternative = "less")$p.value
[1] 0.0771146

## Alternativa 2
n = length(X)
C0 = (n-1)*sd(X)^2/sigma0^2
pchisq(C0, df = n-1)
[1] 0.0771146

## Como el valor-p = 7.71% > 5% = alpha --> No se rechaza H0, por lo que no es posible
## apoyar la afirmación que sigma es menor a 3 cm.

EAA1520 - Taller R Inferencia 5 Profesor: Ricardo Olea Ortega

Segundo Semestre 2021
Pregunta 5

¿Es posible afirmar con un 95 % de confianza que las proporciones de salmones con deformaciones difieren
por sexo?

Responda SI o NO: NO [0.2 Puntos]

Intervalo de Confianza: [0.8 Puntos]

(1) [-0.1038951; +0.1710355].

(2) [-0.1710355; +0.1038951].

Nota: En el caso que alguno de los limites sea ±∞, ingrese como respuesta -infinito o +infinito.

X = (dplyr::filter(Base, SEXO == "H")$DEFORMIDAD == "SI")*1

n = length(X)

Y = (dplyr::filter(Base, SEXO == "M")$DEFORMIDAD == "SI")*1

m = length(Y)

## IC aproximado diferencia de proporciones

TeachingDemos::z.test(x = mean(X)-mean(Y),
stdev = sqrt(mean(X)*(1-mean(X))/n+mean(Y)*(1-mean(Y))/m), conf.level = 0.95)$conf.int
[1] -0.1038951 0.1710355

TeachingDemos::z.test(x = mean(Y)-mean(X),
stdev = sqrt(mean(X)*(1-mean(X))/n+mean(Y)*(1-mean(Y))/m), conf.level = 0.95)$conf.int
[1] -0.1710355 0.1038951

## Con un 95% de confianza la diferencia podrı́a ser positiva o negativa, es decir, no es

## posible afirmar que difieren.

EAA1520 - Taller R Inferencia 6 Profesor: Ricardo Olea Ortega

Segundo Semestre 2021
Pregunta 6.1

Es posible afirmar con un 90 % de confianza que las desviaciones estándar entre los pesos correspondien-
te a la grasa extraı́da difieren por sexo para el tratamiento C. Asuma que que estos pesos distribuyen Normal.

Responda SI o NO: NO [0.2 Puntos]

Intervalo de Confianza: [0.8 Puntos]

(1) [0.905856; 12.527145].

(2) [0.951765; 3.539371].

(3) [0.079827; 1.103928].
(4) [0.560870; 1.782945].
Nota: En el caso que alguno de los limites sea ±∞, ingrese como respuesta -infinito o +infinito.

X = dplyr::filter(Base, TRATAMIENTO == "C", SEXO == "M")$GRASA

Y = dplyr::filter(Base, TRATAMIENTO == "C", SEXO == "H")$GRASA

## IC para cuociente de varianzas

var.test(x = X, y = Y, conf.level = 0.90)$conf.int
[1] 0.905856 12.527145
sqrt(var.test(x = X, y = Y, conf.level = 0.90)$conf.int)
[1] 0.9517647 3.5393707
var.test(x = Y, y = X, conf.level = 0.90)$conf.int
[1] 0.07982665 1.10392822
sqrt(var.test(x = Y, y = Y, conf.level = 0.90)$conf.int)
[1] 0.5608698 1.7829451

## Con un 90% el cuociente entre varianzas podrı́a ser mayor o menor a uno, por lo tanto
## no es posible afirmar que las desviasiones estándar difieren

EAA1520 - Taller R Inferencia 7 Profesor: Ricardo Olea Ortega

Segundo Semestre 2021
Pregunta 6.2

Es posible afirmar con un 90 % de confianza que las desviaciones estándar entre los pesos correspondiente a
la grasa extraı́da difieren si presentan o no alguna deformidad para el tratamiento D. Asuma que que estos
pesos distribuyen Normal.

Responda SI o NO: SI [0.2 Puntos]

Intervalo de Confianza: [LI] - [LS] [0.8 Puntos]

(1) [1.023027; 2.905490].

(2) [1.011448; 1.704550].
(2) [0.344176; 0.977491].
(2) [0.586665; 0.988682].

Nota: En el caso que alguno de los limites sea ±∞, ingrese como respuesta -infinito o +infinito.

X = dplyr::filter(Base, TRATAMIENTO == "D", DEFORMIDAD == "SI")$GRASA

Y = dplyr::filter(Base, TRATAMIENTO == "D", DEFORMIDAD == "NO")$GRASA

## IC para cuociente de varianzas

var.test(x = X, y = Y, conf.level = 0.90)$conf.int
[1] 1.023027 2.905490
sqrt(var.test(x = X, y = Y, conf.level = 0.90)$conf.int)
[1] 1.011448 1.704550
var.test(x = Y, y = X, conf.level = 0.90)$conf.int
[1] 0.3441760 0.9774912
sqrt(var.test(x = Y, y = X, conf.level = 0.90)$conf.int)
[1] 0.5866651 0.9886816

## Con un 90% el cuociente entre varianzas es mayor (menor en [3] y [4]) a uno, por lo tanto
## si es posible afirmar que las desviasiones estándar difieren

EAA1520 - Taller R Inferencia 8 Profesor: Ricardo Olea Ortega

Segundo Semestre 2021