15/05/2022

Después de su fabricación y embalaje, la vida media (en días) de

un cierto medicamento es:
N   1200 ;   40

Se desea enviar un lote de los citados medicamentos de modo que la

vida media muestral no sea inferior a 1180 días con probabilidad 0.95

Calcular el tamaño del lote

Sea la v.a. X  N    1200 ;   40  que mide la vida media (en días) del medicamento

1 n
el estadístico X  Xi
n i1

tendrá por distribución: 

X  N   1200 ;  2  40
2

n
 siendo n el tamaño de la muestra.

El enunciado nos dice que la vida media muestral no sea inferior a 1180 días con probabilidad 0.95:

 
P X  1180  0.95
 
 1180 1200 
 
P X  1180  0.95 TIPIFICAND
 O  P  Z 
40
 
  P Z   0.5 n  0.95
 
 n 

De las tablas de N(0,1) , obtenemos que:  0.5 n  1.65

n  10.89  n  11
 15/05/2022

Si la muestra proviene de una población Normal:

•σ2 conocida:
 2 X
Xi D  ,  2   X N  ,  Û Z   N  0,1
 n 
n
•σ2 desconocida:
Se calcula (σ2) mediante S2, la aproximación anterior es
buena si n ≥ 20.
X
Z  N  0,1
S
n
En caso contrario (n < 20) se utiliza la siguiente aproximación,
que por tanto, es válida para todo n:
X
T  t  n 1
S
n 1

Se considera una población representada por una v.a. X cuya distribución es

N   1.7 ;   4

Supuesto extraídas muestras de tamaño 10

Determinar un número K tal que

PS 2  K   0.99
 15/05/2022

Sea la v.a. X N    1.7 ;   4 

1 n
 
2
el estadístico S2   Xi  X
n i 1

 2   44 
tendrá por distribución: S2  N    42  4 ;  2  4 
 10 10 

siendo 4 el momento centrado respecto de la media de orden cuatro.

(desconocido al no disponer de la muestra extraída)

2
conocemos el estadístico: Y  n S   2
 n 1
2
n S2 10 S2
Y  2n 1 
EN NUESTO CASO
Y  0.625 S2   29 
 2
42

y el enunciado nos dice:

PS2  K   0.99  P0.625 S 2  0.625 K   PY  0.625K   0.99

De las tablas de  29  obtenemos:

0.625K  2.088  K  3.3408

Distribución de la varianza muestral


Sea X  X1, X2 ,..., Xn  D  ,  2 
2
2
E  S2    2 
1 n
•Si µ es conocida: S   xi  
2

n i 1
  n
2
1 n 4   4
•Si µ es desconocida:
S    xi  x 
2
V  S2  
n i 1 n
•Si el muestreo se realiza en una
 población
 2  normal:
4 
S2  N   2  , 4

 n n

nS2de la varianza
•El estadístico usado en el estudio es (Teorema de Craig):
Q2
  n1
2
 15/05/2022

Supuesta una población representada por una v.a. X cuya distribución es:

N   0 ;  2 
siendo 2 desconocida
se extrae una muestra de tamaño 6

X 
Determinar P   1.8 
 S 

Sea la v.a. X N    0 ;  2 

tendremos que definir la distribución del estadístico X

S

conocemos el estadístico: X 
T  t  n 1
S
n 1

X  X0 X
T  t  n 1 
EN NUESTRO CASO
T  5  t 5
S S S
n 1 6 1

X 
en el enunciado se nos pide: P  1.8 
 S 

X  X 
P   1.8   P  5  1.8 5   P T  4.025
 S   S 

de las tablas de la t ( 5) obtenemos

P T  4.025   0.005
 15/05/2022

Si la muestra proviene de una población Normal:

•σ2 conocida:
 2 X
Xi D  ,  2   X N  ,  Û Z   N  0,1
 n 
n
•σ2 desconocida:
Se calcula (σ2) mediante S2, la aproximación anterior es
buena si n ≥ 20.
X
Z  N  0,1
S
n
En caso contrario (n < 20) se utiliza la siguiente aproximación,
que por tanto, es válida para todo n:
X
T  t  n 1
S
n 1

Supongamos que en una población se ha medido una característica X, que se

encuentra normalmente distribuida con =12, y con 2=16.

Se pide:

1. Probabilidad de que un elemento de la población, elegido al azar, presente la

característica en estudio superior a 14.

2. Si se toma una muestra (m.a.s.) de tamaño 9, ¿cuál es la probabilidad de que la

media muestral tome valores superiores a 14?.

3. ¿Se puede concluir que los valores muestrales se encuentran menos

dispersos que los poblacionales?.
 15/05/2022

Sea X la variable aleatoria que mide la característica en estudio, según el enunciado:

X  N    12;  2  16 

1. Probabilidad de que un elemento de la población, elegido al azar, presente la característica en estudio

superior a 14.

Es decir: P  X  14 
 14 12 
P  X  14   P  Z    P  Z  0.5   0.3085
 4 
2. Si se toma una muestra (m.a.s.) de tamaño 9, ¿cuál es la probabilidad de que la media muestral tome
valores superiores a 14?.

La distribución de la Media muestral es: X  1  16 


9
i 1
X i  N    12; 2  
9  9 


Luego la probabilidad pedida: P X  14 
 14 12 
 
P X  14  P  Z 
 4
  P  Z  1.5  0.0668

 3 

3. ¿Se puede concluir que los valores muestrales se encuentran menos dispersos que los poblacionales?.

Para ello calcularemos los Coeficientes de Variación de la variable X y de la Media Muestral

Coeficiente de Variación de la variable X, valores poblacionales

X 4
CVX    0.333
 X 12

Coeficiente de Variación de la Media Muestral, valores muestrales

X 4
CVX   3  0.111
X 12

Como CVX < CVX, se puede concluir que los valores muestrales estarán menos dispersos que los poblacionales, es
decir, serán más homogéneos.

En este caso y puesto que ambas variable aleatorias tienen igual media, se puede concluir que como la
Media muestral tiene menor varianza, estará menos dispersa, será más homogénea.
 15/05/2022

Si la muestra proviene de una población Normal:

•σ2 conocida:
 2 X
Xi D  ,  2   X N  ,  Û Z   N  0,1
 n 
n
•σ2 desconocida:
Se calcula (σ2) mediante S2, la aproximación anterior es
buena si n ≥ 20.
X
Z  N  0,1
S
n
En caso contrario (n < 20) se utiliza la siguiente aproximación,
que por tanto, es válida para todo n:
X
T  t  n 1
S
n 1

Sea una variable X cuya función de densidad es:

 1  x
 e X0y0
f  x   
 0 Resto del eje Real

Extraída una muestra de tamaño n,

1. Estimar el parámetro  aplicando el método de máxima verosimilitud.

2. Estudiar las propiedades del estimador obtenido.

 15/05/2022

 1  x
1. Estimar el parámetro  aplicando el método de  e X0y0
f  x   
máxima verosimilitud.  0 Resto del eje Real


1. Calculo de la función de verosimilitud para el parámetro  y para la muestra extraída. L X,  
 1
1  Xi 1 1 X 1 1 X 1 1 X
 
L X,    i1 f  x i ,     i1 e   e  1  e  2  ....  e  n
n n

   
 1 1 n X
 
L X,   n e   i 1 i


2. Logaritmo neperiano de la función de verosimilitud: Ln  L X,  
  
  1 1 n X  1 1 n 1 n
 

Ln  L X,    Ln  n e   i 1 i   Ln  n    i1 Xi   n Ln    i1 Xi
   


 Ln L X,   0
3. Derivada del Logaritmo anterior con respecto al parámetro  igualada a cero
 

 Ln L X,  n   n
i 1
Xi
0
   2

4. Haciendo operaciones, para despejar el parámetro:

 
n n
1   i 1 Xi 
n
Xi Xi
  n  0  i 1
n 0  i 1
n
  
   
1
ˆ  
n
i 1
Xi
n

es decir, el estimador de máxima verosimilitud, para el parámetro , es: ˆ  X

 15/05/2022

2. Estudiar las propiedades del estimador obtenido.

 INSESGADEZ: El estimador obtenido será insesgado si 

E ̂  

     n
E ˆ  E X  E 1
n
i 1
Xi   1n  n
i 1
E  Xi   E  X 

1  1 x i
EX   0 x  E X   

e dx Haciendo
 operaciones

1
O bien, al ser X una exponencial de parámetro 1/θ : EX  
1


luego el estadístico obtenido es insesgado

Variable aleatoria continua

“La v.a. puede tomar un valor cualquiera dentro de un intervalo real”.
S puede ser de la forma: (a, b), (-, b), (a, +), (-, +)

 La f.d.d. de una v.a. X, f(x) es una función tal que:

1. f (x)  0   0 si Xa
 La F.d.D.
  x
2.  f (x) dx  1

F(x)  P(X  x)  f (t )  a dt si aXb
x2 
3. P(x1  X  x 2 )   f (x)dx  1 si Xb
x1

x dF(x)
Relación entre ellas: F  x    f  t  dt f (x) 
 dx
 
Media  xf (x)dx Varianza  2   (x   )2f (x)dx   2  12
 

2   x 2 f (x)dx

 15/05/2022

• Distribución exponencial.

Es un caso particular de la distribución gamma para a=a y p=1.

X g (a,1)  Ex(a)


 ae ax ; x  0, a  0
Su f.d.d. es: f (x)  
 0 ; resto


1 1
E [X ]  ; V [X ]  2
a a

Asociada, por ejemplo, a fenómenos de tiempo de espera.

 CONSISTENCIA: El estadístico obtenido será consistente, cuando siendo, al menos asintóticamente insesgado

  
V ˆ  V X  V 1  n  i1
n

Xi  1
n2 
n
i 1
V  Xi   1 V  X 
n

  1 1 x 
V  X    2 12    x 2 e  i dx   2 
Haciendo operaciones
 V  X   2
 0  

1
O bien, al ser X una exponencial de parámetro 1/θ : V  X    2
 1 
2


V ˆ n 0



V ˆ  1 V  X   1  2 n
n n
 0


luego el estimador obtenido es consistente

 15/05/2022

 2x
 si 0  X  
Una variable X tiene por función de densidad: f  x    2
 0 resto eje Real

3
Se considera un estimador puntual del parámetro  a: ˆ  X
2
siendo X el estadístico media muestral.

Se pide:
1. Es ̂ un estimador de máxima verosimilitud para el parámetro .

2. Estudiar las propiedades del estimador ̂

3. Obtener la distribución asintótica de la cantidad de miel que se
produce en un panal de 1500 abejas semanalmente.

 2x
1. Estimar el parámetro  aplicando el método de  si 0  X  
f  x    2
máxima verosimilitud.  0 resto eje Real


1. Calculo de la función de verosimilitud para el parámetro  y para la muestra extraída. 
L X, 

  n 2 X
L ,X   i 1 f  x i ,    i1 2 i
n



2 X1 2X 2
 2
2X 2n
 2  ... 2 n  2n
  

n
i 1
Xi

 2n

L X,   2n

 
n
i 1
Xi


2. Logaritmo neperiano de la función de verosimilitud: Ln  L X,  
  
  2n 
   
Ln L X ,    Ln  2n 
n
 
Xi   Ln 2n  2n Ln     
n
Xi

i 1
 i 1


 Ln L X,    0
3. Derivada del Logaritmo anterior con respecto al parámetro  igualada a cero


  
Ln  L ,X 
   2n  0
 
 15/05/2022

4. Haciendo operaciones, para despejar el parámetro:

  
no existe estimador de máxima verosimilitud para el parámetro 

por tanto ˆ  3 X No es un estimador de máxima verosimilitud para el parámetro .

2

2. Estudiar las propiedades del estimador dado.

 INSESGADEZ: El estimador dado será insesgado si 

E ̂  

 3  3 3
E ˆ  E  X   E  X   E 1
2  2 2 n  
n
i 1
Xi  
3
2n

n
i 1
3
E [ Xi ]  E [ X ]
2


  2x 2  x3  2
la Esperanza (la Media) de la variable X, será: E [ X ]   x f  x  dx  0 x dx  2    
  2
  3 0 3

3 3 2
E ˆ   E [ X]     
2 2 3
luego el estadístico dado es insesgado

 CONSISTENCIA: El estadístico dado será consistente, cuando siendo, al menos asintóticamente insesgado

3 
2
V  ˆ   V  X    3  V  X   9 V  1  in1 Xi   9 2  in1 V [ Xi ]  9 V [ X ]
2   2    4 n  4n 4n

La varianza de la variable X será: V  X   E  X 2    E  X  

2


  2x 2  x4  1
E  X 2    x 2 f  x  dx   x 2 dx  2    2
 0  2
  4 0 2
2
1 2 2  1
VX        2
2  3  18

9 9 1 2 1 2
luego: V  ˆ   V [X ]      
n 
0
4n 4n 18 8n

luego el estimador dado es consistente 

V ˆ n 0

 15/05/2022

3. Obtener la distribución asintótica de la cantidad de miel que se produce en un panal de

1500 abejas semanalmente.

Sea Xi la v.a. que mide la cantidad de miel producida por una abeja semanalmente:

 2 1 
X i D     ;  2   2 
 3 18 

En el conjunto total de las 1500 abejas del panal, la distribución de la cantidad de miel producida
por el panal, (v.a. XT)tendrá por distribución aproximada (asintótica):

 2 1 
X T   i1 X i 
1500 T.C.L.
 N    1500   ; 2 1500  2 
 3 18 


X T 
T.C.L.

 N   1000  ;  2  83.3 2 

En una determinada marca de cigarrillos se efectúa un experimento para

comprobar su contenido en alquitrán, a tal fin se prueban 20 cigarrillos de esa
marca elegidos al azar entre diferentes lotes, encontrándose los siguientes
datos muestrales:
X  22 mg . ; S  4 mg .

Encontrar un intervalo de confianza para el contenido medio en

alquitrán de esa marca de cigarrillos, así como para su varianza.
 15/05/2022

La v.a. X que nos mide el contenido en alquitrán de esa marca de cigarrillos,

podemos suponer que tiene por distribución:
X  N   ; 2 
ambos parámetros desconocidos

INTERVALO DE CONFIANZA PARA LA MEDIA POBLACIONAL

 S S 
I1       X  t  n 1, , X  t  n  1 ,  
 2 n 1 2 n 1 

ya que la varianza poblacional es desconocida, y el tamaño muestral n = 20 relativamente pequeño.

X  22

Datos muestrales: S  4
 n  20


No se nos pide a un coeficiente de confianza determinado, así que tomaremos los tres habituales:
1-α = 90, 95 y 99%

 1    0.99    0.01  t  n 1,  t 19 ,0.005  2.86

2

Sustituyendo en la expresión del intervalo de confianza, nos quedará:

I 0.99    [19.37 ; 24.642 ]

 1    0.95    0.05  t  n 1,  t 19,0.025  2.093

2

I0.95     [ 20.076 ; 23.92 ]

 1    0.90    0.1  t  n 1,  t 19,0.05  1.729

2

I0.90     [ 20.413 ; 23.586 ]

Se puede comprobar que si aumenta la confianza de un intervalo,

la amplitud de éste, también aumenta.
 15/05/2022

INTERVALO DE CONFIANZA PARA LA VARIANZA POBLACIONAL

 n S2 n S2 
I1   2    2 ; 2
   n 1,   n 1,1  
 2 2 

  2n 1 ,  219,0.005  38.5822
   2
 1    0.99    0.01   2
 n 1,1  2  19 ,0.995  6.84398
2

Sustituyendo en la expresión del intervalo de confianza, nos quedará:

I 0.99  2   [ 8.2939 ; 46.7564 ]


 19 ,0.025  32.8523
2

 1    0.95    0.05   2 I 0.95  2   [ 9.7405 ; 35.9286 ]

 19,0.975  8.90655


 19 ,0.05  30.1435
2
 1    0.90    0.1   I 0.90  2   [10.6158 ; 31.6299 ]
 19 ,0.95  10.1170
2

Nuevamente, se puede comprobar que si aumenta la confianza de un intervalo,

la amplitud de éste, también aumenta.

Si deseamos una precisión de 0.9 y con una confianza del 95%, ¿cuál debería de
haber sido el tamaño muestral?
 S S 
El intervalo de confianza utilizado es: I1        X  t , X  t  n 1, 
 n 1, 2
 n 1 2 n 1 

que puede escribirse de la siguiente manera: I1        X   , X   

S
siendo ε la precisión en la estimación   t  n 1,
2 N 1
2
S  S
Despejando el nuevo tamaño muestral N N 1  t  n 1,   N   t  n  1,    1
2   2 

El intervalo de confianza calculado fue:

X  22 ; S  4 ; n  20

1    0.95    0.05  t  n 1,  t 19 ,0.025  2.093 I 0.95     [ 20.076 ; 23.92 ]

2

4  
Sustituyendo: N 1  2.093   9.302 N  9.3022  1  87.5313 N  88
0.9

Sería el tamaño muestral necesario para realizar la estimación de la media poblacional con
una confianza del 95% y una precisión en la estimación de 0.9
 15/05/2022

Determinación del tamaño de muestra para estimación

de la media

Dada una población X N  ,  , se pretende realizar una estimación por

2

Intervalo de la media poblacional con un coeficiente de confianza 1  y un error

en la estimación prefijado  . Para ello, es necesario determinar el tamaño
muestral adecuado.

Consideremos en primer lugar el caso en el que la varianza es conocida:

   
 
I 1    X  z

, X  z   X  , X    X Precisión ε X
2 n 2 n
  
2
 X 
X  z X  z
Con lo que:   z  n   z
 2   n n
2 2
2 n
Consideremos ahora el caso mas general en el que la varianza es desconocida:

 S 
   X  , X   
S
 
I 1    X  t

, X  t
2 N 1 2 N 1 
2
S  S
Con lo que:   t  N   t   1
2 N 1  2 

Una cortadora de papel, corta pliegos de 10.5 cm. con una desviación
típica de 0.1 cm.

Diez muestras de papel fueron seleccionadas al azar entre un lote de papel

cortado, dando las siguientes medidas:
10.5, 10.2, 10.7, 11, 10.4, 10.6, 10.3, 10.8, 10.6, 10.5

Contrastar si la máquina funciona correctamente.

 15/05/2022

Se puede suponer que la longitud del papel cortado por la máquina, sigue una distribución Normal
con media y varianza las especificadas, es decir:

X  N    10.5;  2  0.12 
La máquina cortadora de papel, para que funcione correctamente,
debe hacerlo tanto en media como en varianza.
X  10.56

Los datos muestrales son: S  0.2245
n  10

 Construcción de un Intervalo de confianza para la media poblacional Si damos por cierto el valor
de la varianza poblacional.
   
I1      X  z  ; X  z 
 2 n 2 n 
1    0.95  Z0.025  1.96
 0.1 0.1 
I0.95     10.56  1.96  ;10.56  1.96  
 10 10 

I0.95     [10.49 ;10.62]

  10.5  I0.95     la máquina funciona correctamente en media.

 Construcción de un Intervalo de confianza para la media poblacional Si no damos por cierto el valor
de la varianza poblacional.

 S S 
I1      X  t  n 1; ; X  t  n 1; 
 2 n 1 2 n  1 

1    0.95 t 9;0.025  2.262

Los datos muestrales son:
 0.2245 0.2245 
I0.95     10.56  2.262  ;10.56  2.262    X  10.56
 9 9  
S  0.2245
 n  10
I0.95     [10.390 ;10.729] 

  10.5  I0.95     la máquina funciona correctamente en media.

 15/05/2022

 Construcción de un Intervalo de confianza para la varianza poblacional

 nS2 nS2 
I1   2    2 ; 2 
  n 1,  n 1,1 
 2 2 
29,0.025  19.02  10  0.22452 10  0.22452 
1    0.95 
 2  
I 0.95 2   ; 
 9,0.975  2.7  19.02 2.7 
I0.95  2   [0.0265 ; 0.1866]
 2  0.01 I0.95   2   la máquina no funciona correctamente en varianza.

En resumen: la máquina corta los pliegos de acuerdo con la longitud marcada,

pero está aumentando la varianza (o la desviación típica) del corte,
probablemente por desajustes de la misma.

Ejemplo
Supongamos que queremos estudiar una característica X de una población.
Supongamos también que conocemos la distribución de X, X N ,  2 con varianza  
desconocida. Nuestro interés radica en estudiar el parámetro desconocido  2.

nS2
Para ello, consideremos el estadístico Q    2n1
2
 2(n1)
Establecemos dos cotas  , 
2 2
1
2 2

de tal forma que      2 
2
2 2
 2
1
 2

2 2

Igualamos el estadístico a la cota de la derecha y despejamos  2 para determinar el

extremo inferior del intervalo.
nS2 nS2
Q   2 2 
2 2  2
2
Igualamos el estadístico a la cota de la izquierda y despejamos  2para determinar el
extremo superior del intervalo.
 2 
nS2 nS2
Q  2  12     2
2

1
 
nS nS2
 I 1  2   2 , 2 
    
 2  2 1 2 
2
 15/05/2022

Se desea controlar si un determinado tratamiento varía la presión

sistólica en personas alcohólicas, para ello se toman datos de 10 personas antes
y después de haber dejado la bebida,
los datos de las correspondientes presiones sistólicas medidos en mm/Hg,
aparecen en la siguiente tabla:

Persona nº 1 2 3 4 5 6 7 8 9 10
Antes: X1 140 165 160 160 175 190 170 175 155 160
Después: X2 145 150 150 160 170 175 160 165 145 170

¿Realmente el tratamiento varía la presión sistólica en las personas?.

Se trata de dos poblaciones (Antes de dejar la bebida y Después de dejar la bebida) relacionadas, ya
que son datos tomados sobre las mismas personas en dos instantes distintos de tiempo.

H 0 : 1   2 H 0 : 1  2  0
El test de hipótesis a contrastar será:  H :      H :     0
 1 1 2  1 1 2

Al tratarse de dos poblaciones relacionadas, se obtendrá una tercera muestra diferencia entre las dos anteriores:
los resultados muestrales de esta tercera muestra son:

Persona nº 1 2 3 4 5 6 7 8 9 10
Antes: X1 140 165 160 160 175 190 170 175 155 160
Después: X2 145 150 150 160 170 175 160 165 145 170

Diferencia= X1 – X2 -5 15 10 0 5 15 10 10 10 -10

H 0 : D  0
el test anterior se transforma en: 
 H1 :  D  0
X D  0
T  t  n 1
siendo el estadístico: SD
n 1

y la región de aceptación de la hipótesis nula, supuesto que H0 es cierta :   0.05  t 9,0.025  2.262

C0   t  n 1 ;  ; t  n 1 ; 
2 2

C0   2.262; 2.262 
 15/05/2022

10 X Di  60

De acuerdo con los resultados muestrales:  i 1
X D  6 T  2.25C0

  i 1 X Di 1000  SD  8
10 2

X D  0 60
T
SD
 t  n 1 T  2.25
8
n 1 9

aceptandose H0 si: T  C0

C0   2.262; 2.262 

Los resultados muestrales nos llevan a la conclusión de aceptar H0, es decir,

realmente el tratamiento No varia la presión sistólica, con un nivel de
significación del 5%.

 Si el test de hipótesis se hubiera realizado con un nivel de significación de   0.01

la región de aceptación habría aumentado en amplitud, y por tanto, también se seguiría aceptado H0

En efecto t 9,0.005  3.250 C0   3.250;3.250  T  2.25C 0

 Si el test de hipótesis se hubiera realizado con un nivel de significación de   0.10

no se sabría a priori el resultado pues la región de aceptación habría disminuido en amplitud.

Habría que mirar en las tablas el valor del cuantil correspondientes

Comprobemos: t 9,0.05  1.833 C0   1.833;1.833 T  2.25C 0

Los resultados muestrales nos llevan a la conclusión de:

El tratamiento No varia la presión sistólica, con un nivel de significación del 5% y 1%.

El tratamiento Si varia la presión sistólica, con un nivel de significación del 10%.

 15/05/2022

Una empresa fabrica neumáticos mediante un proceso productivo A.

Toma una muestra formada por 10 neumáticos, y mide la cantidad de caucho
usada en la fabricación de cada uno, obteniendo los siguientes resultados:

 X A  5000 grs.
 2
 S A  121 grs .
2

Un segundo proceso productivo B, de reciente descubrimiento, se

sospecha que puede dar lugar a un consumo distinto de caucho.
Para contrastar esta hipótesis, se hace uso de una muestra formada por
15 neumáticos, fabricados con este proceso B, midiendo también la cantidad de
caucho empleada en la fabricación de cada uno de ellos.

 X B  4980 grs.
Los resultados muestrales fueron en esta ocasión: 
 S B  12 grs.
2. Bajo los supuestos de normalidad en los consumos de cauchos de ambos
procesos, contrástese con una confianza del 95% la hipótesis de igualdad de
consumo en ambos procesos.

 X A  5000  XB  4980
 2 
Pr oceso A :  S A  121 ; Pr oceso B :  S B  12
 n  10  n  15
 A  B

2. Bajo los supuestos de normalidad en los consumos de cauchos de ambos procesos,

contrástese con una confianza del 95% la hipótesis de igualdad de consumo en ambos
procesos.

 H0 :  A  B H :   B  0
Se nos pide un Test de comparación de medias:   0 A
 H1 :  A   B  H1 :  A   B  0

El nivel de significación del contraste a realizar será del 5%

Pero antes, debemos de conocer, si las Varianzas poblacionales, desconocidas, son iguales o distintas

Es decir, realizaremos el Test de comparación de varianzas

  2A
Con un nivel de significación del 10%:
H 0 : 2A   2B  H 0 :  2B  1
  
H 1 :  A 2  1
2
 H1 :  A   B
2 2

 B
 15/05/2022

RESOLUCIÓN APLICANDO CONTRASTES DE HIPÓTESIS

 A   B  A   B  0
Test de comparación de medias:  
 A   B  A   B  0

Nos encontramos en la situación de poblaciones independientes, con varianzas poblacionales desconocidas,

y para determinar si iguales o distintas, se realizará en primer lugar el test de comparación de varianzas:

  2A
H 0 :  2A   2B  H 0 :  2B  1
  
H 1 :  A 2  1
2
 H1 : A   B
2 2

 B
n A n B 1S2A
el estadístico a utilizar, en el supuesto de H0 cierta, será: F  F n A 1, n B 1
n B n A 1S2B
 
siendo la región de aceptación de H0: C 0   F1   ; F  XA  5000

XB  4980

2 2
Pr oceso A  S2A  121 ; Pr oceso B  SB  12
 n  10  n  15
y la regla de decisión: aceptar H0 si F  C 0  A  B

Para los datos muestrales obtenemos: F  10 14  121  0.8714

15  9  144
 F 9,14 , 0.05  2.6458

  0.10  F  1
se acepta la hipótesis de igualdad de varianzas
 9,14 , 0.95 F14;9, 0.05  1  0.3326 poblacionales, con un nivel de significación del 10%,
 3.0061
ahora bien, al aceptar la hipótesis nula a un  del
C 0  0.3326 , 2.6458 y como F  0.8714  C 0 10% significa que también se aceptará a un  menor,
por ejemplo, al 5%.

   B  A   B  0
Test de comparación de medias:  A 
 A   B  A   B  0

XA  XB
el estadístico en estudio, bajo el supuesto de H0 cierta, será: T  t  n A  n B 2 
1 1
S 
nA nB
n A S2A  n B S2B
siendo S2  la estimación puntual de las varianzas poblacionales.
nA nB 2

 
Región de aceptación de la hipótesis nula: C 0    t  n A  n B 2 , 2 , t n A  n B 2 , 2 
XA  5000 XB  4980
 
Pr ocesoA  S2A  121 ; Pr ocesoB  SB  12
y la regla de decisión aceptar H0, si T  C 0  n  10  n  15
 A  B

10  121  15  144
Para los datos del ejemplo: S2   146.5213
10  15  2

5000  4980
T  4.047
 1 1 
146.5213   10  15 
 
si  = 0.05 t n , 2
 t  23,0.025  2.069
A  n B 2
Se rechaza H0, es decir, los dos procesos de producción
C0    2.069 , 2.069  T  4.047  C 0 de neumáticos, consumen distintas cantidades de caucho.
 15/05/2022

Una cortadora de papel, corta pliegos de 10.5 cm. con una desviación
típica de 0.1 cm.

Diez muestras de papel fueron seleccionadas al azar entre un lote de papel

cortado, dando las siguientes medidas:
10.5, 10.2, 10.7, 11, 10.4, 10.6, 10.3, 10.8, 10.6, 10.5

Contrastar si la máquina funciona correctamente.

Este ejercicio ya se resolvió en el Tema de Intervalos de Confianza, dando como

resultados:
Se puede suponer que la longitud del papel cortado por la máquina, sigue una distribución Normal
con media y varianza las especificadas, es decir:
X  N    10.5;  2  0.12 
La máquina cortadora de papel, para que funcione correctamente, debe hacerlo tanto en media como en varianza.

 Construcción de un Intervalo de confianza para la media poblacional

 0.1 0.1  I
 Supuesto σ2 conocida: I0.95     10.56  1.96  ;10.56  1.96   0.95     [10.49 ;10.62]
 10 10 
 0.1 
I0.95     [10.49 ;10.62]
desconocida: I0.95     10.56  1.96 
0.1
 Supuesto σ2 ;10.56  1.96  
 10 10 

 Construcción de un Intervalo de confianza para la varianza poblacional

 10  0.22452 10  0.22452 
I 0.95  2    ;  I 0.95   2   [ 0.0265 ; 0.1866 ]
 19.02 2.7 

En resumen: la máquina corta los pliegos de acuerdo con la longitud marcada,

pero está aumentando la varianza (o la desviación típica) del corte,
probablemente por desajustes de la misma.
 15/05/2022

Se puede suponer que la longitud del papel cortado por la máquina, sigue una distribución Normal
con media y varianza las especificadas, es decir:

X  N    10.5;  2  0.12  Los datos muestrales son:

 X  10.56
 Contraste sobre la media 
S  0.2245
 H 0 :   10.5  n  10
 Test de hipótesis a contrastar:  
 H1 :   10.5

Supuesto σ2 conocida
X  0 X  10.5
 Estadístico del contraste: Z     N  0;1

n n
 Región de aceptación de la hipótesis nula: C 0   z  ; z   2 2

 Aceptandose la hipótesis nula si Z  C0

10.56  10.5
Z  1.897
0.1
10
  0.05  z 0.025  1.96
Z  1.897 C0
C0   1.96;196 
Los resultados muestrales nos llevan a la conclusión de aceptar la hipótesis nula, es decir,
la máquina funciona correctamente en media.

Los datos muestrales son:

 Contraste sobre la media
 H 0 :   10.5  X  10.56
 Test de hipótesis a contrastar:  
 H1 :   10.5 S  0.2245
 n  10
Supuesto σ2 desconocida 

X  0 X  0
T   t  n 1
S S
n 1 n


C0   t  n 1,  ; t  n 1,
2 2

T  C0
10.56  10.5
T  0.801
0.2245
9

  0.05  t 9,0.025  2.26

C0   2.26; 2.26  T  0.801C0

Los resultados muestrales nos llevan a la conclusión de aceptar la hipótesis nula, es decir,
la máquina funciona correctamente en media.
 15/05/2022

 Contraste sobre la varianza

H 0 : 2  0.12
 Test de hipótesis a resolver: 
 H1 :   0.1
2 2

n S2
 Estadístico a utilizar: Q   2n 1 Los datos muestrales son:
02
 X  10.56
 Región de Aceptación si H0 es cierta: 
C0  12
2
; n 1
;  2
2
; n 1  
S  0.2245
 n  10

 Aceptándose H0 si Q C 0

10  0.22452
Q  50.40025
0.12

 2
 19.02
1    0.95   9,0.025 C0   2.7 ; 19.02  Q  50.40025C0
 2
 9 ,0.975  2.7
Los resultados muestrales nos llevan a la conclusión de Rechazar H0, es decir,
la varianza poblacional no es de 0.01

En resumen: la máquina corta los pliegos de acuerdo con la longitud marcada,

pero está aumentando la varianza (o la desviación típica) del corte,
probablemente por desajustes de la misma.