REPASO EXAMEN ESCRITO 2

1) Una empresa menciona que el 18% de sus trabajadores no saben trabajar en equipo.
Entonces, realiza una capacitación sobre la importancia del trabajo en equipo y
comprobó que, de 200 trabajadores, 19 trabajadores no saben trabajar en equipo.

p: proporción de trabajadores que no saben trabajar en equipo.

Ho: p = 0.18.
H1: p ≠ 0.18

n <- 200
po <-0.095
Alpha <- 0.04

¿La capacitación fue efectiva? Usar un nivel de significación del 4%.

k <- 19
n <- 200
phi <- 0.018

prop.test(k, n, phi, alternative = "two.sided", correct = F)

Zc <- sqrt(X-squared)

#### Valor critico

alpha <- 0.04
qnorm(c(alpha/2, 1-alpha/2), lower.tail = T)

Resultados: p <- -3.128898

A un nivel de significancia del 96%, como el p es menor a 0.04 rechazo la hipótesis nula, es decir
proporción de trabajadores que no saben trabajar en equipo es diferente de 0.18. Se concluye que la
capacitación NO fue efectiva debido a que la decisión está basada en una hipótesis incorrecta.
 2) En un banco se afirma que el tiempo de atención promedio es más de 10 minutos. Para
saber si esta afirmación es cierta, se selecciona a 8 clientes y se contabiliza el tiempo
de atención (en minutos).

10 12 15 9 8 10 11 14

Usar un nivel de significación del 4%. ¿Es cierta la afirmación del banco?

X: tiempo medio de atención en un banco.

Ho: MINUTOS

H1: MINUTOS

n: 8

10,12,15,9,8,10,11,14
mdata <- c(10,12,15,9,8,10,11,14)

library(BSDA)
t.test(mdata, mu = 10, alternative = "g")

#### Valor critico

alpha <-0.04
qt(alpha, df, lower.tail = F)

p-value = 0.1147

A un nivel de significancia del 96%, como el p es MAYOR a 0.04 no hay evidencia para rechazar la
hipótesis nula, es decir el tiempo medio de atención del banco es mayor a 10 minutos. Se concluye que la
información del banco es correcta.
 3) Un proceso de producción permite obtener una desviación estándar de las ventas de
40 soles. Se realizan ciertas medidas de reajuste en el proceso de producción para que
las ventas sean más homogéneas. Luego de aplicar estas medidas de reajuste se toma
una muestra aleatoria de 10 ventas, las cual se presenta a continuación:

130 94 200 150 101 105 198 180 90 99

Usar un nivel de significación de 0.03
Asumiendo que las ventas se ajustan a una distribución normal, se podría concluir que,
con los reajustes se logró que las ventas tengan menor variabilidad?

X1: variabilidad de las ventas de una empresa antes del reajuste del proceso de
producción. 40
X2: variabilidad de las ventas de una empresa después del reajuste.

Ho:
H1:

mdata <- c(130,94,200,150,101,105,198,180,90,99)

sigma0 <- 40
cuadsig0 <- 1600

install.packages("EnvStats")
library(EnvStats)
varTest(mdata, alternative = "l", sigma.squared = cuadsig0)

#### Valores criticos

alpha <- 0.03
qchisq(alpha, df, lower.tail = T)

p-value : 0.7211118

A un nivel de significancia del 97%, como el p es MAYOR a 0.03 no hay evidencia para rechazar la
hipótesis nula, es decir variabilidad de las ventas de una empresa después del reajuste es menor a 40. Se
concluye que el reajuste fue efectivo.

4) El dueño de una empresa quiere disminuir la alta variabilidad de los costos (Quiere que
los costos sean más homogéneos, más similares) de sus productos, quiere que sea
menor a 40 dólares2.
Entonces, el dueño de la empresa hace un reajuste en sus costos. Luego de hacer ese
reajuste, selecciona una muestra aleatoria de 20 costos y encontró que la desviación
estándar del costo es de 4 dólares.
¿Existe evidencia para afirmar que el reajuste de costos ha sido efectivo? Considerar
un nivel de significación del 3%.

VARIABLE: variabilidad de los costos de los productos de una empresa.

Ho: 40 -> el reajuste de costos no ha sido efectivo.

H1: < 40 -> el reajuste de costos sí ha sido efectivo.
 5) En un debate se sospecha que más hombres están a favor de la creación de una
nueva ley en comparación con las mujeres.
Para probar la sospecha se realiza una encuesta a una muestra de hombres y a una
muestra de mujeres.
A continuación, se muestran los resultados.

Género A favor de una

nueva ley
Si No
Masculino 40 25
Femenino 20 32

Con un nivel de significación del 5%, ¿es correcta la sospecha que se tiene?

6) Se somete a control de calidad un nuevo remedio para reducir los niveles de colesterol.
Entonces, se procede a seleccionar una muestra de personas obesas y se les mide el
nivel de colesterol antes y después de tomar el nuevo remedio. Los resultados fueron
los siguientes:

Antes 117 153 125 100 111 221 129

Después 209 233 133 128 206 201 102

¿El remedio está siendo efectivo? Use el nivel de significación del 2.5%.

Variable(s):
u1: nivel de colesterol promedio antes del remedio
u2: nivel de colesterol promedio después del remedio

Ho: el remedio está siendo efectivo.

H1: el remedio no está siendo efectivo.

Alpha:

mdata1 <- c(117,153,125,100,111,221,129)

mdata2 <- c(209,233,133,128,206,201,102)

t.test(mdata1, mdata2, mu=0, alternative="g", paired=F,var.equal = )

alpha <- 0.025

qnorm(alpha, lower.tail = F)

p-value: 0.918
 El valor numérico del estadístico de prueba es: -1.4872
El valor numérico del punto crítico (valor crítico) es: 1.959964
El valor-p de esta prueba es: 0.918
La conclusión luego de realizar la prueba es:
A un nivel de significancia del 97.5%, como el p es MAYOR a 0.025 no hay evidencia para rechazar la
hipótesis nula, es decir variabilidad de las ventas de una empresa después del reajuste es menor a 40. Se
concluye que el reajuste fue efectivo.

7) El gerente de una empresa afirma que, en promedio, las deudas de los clientes que
tienen tarjeta tipo A es menor que en aquellos que tienen tarjeta tipo B.
Se seleccionó muestras aleatorias e independientes de 8 clientes de cada tipo de
tarjeta y se registró los montos de deudas en el último mes, obteniéndose los
siguientes datos (en miles de dólares):

Tarjeta 2.4 1.5 2.3 3.6 2.5 2.3 3.5 4.5

tipo A
Tarjeta 3.1 3.6 4.5 4.2 3.3 3.5 4.2 3.2
tipo B

Se asume que el monto de deudas mensual de los clientes que tienen las tarjetas se
distribuye normalmente y que tienen varianzas homogéneas (iguales).

Usando el nivel de significación del 4%, determine:

- El valor del estadístico de prueba es:
- El valor crítico es:
- El p-value de esta prueba es:
- La conclusión luego de realizar la prueba es:

8) Con la finalidad de verificar que los barcos de la marca “xwest” estén en óptimas
condiciones se seleccionaron seis barcos y se registraron los puntajes obtenidos en la
inspección pre y pos para cada uno de ellos.
A continuación se presentan los resultados obtenidos:

Barco 1 2 3 4 5 6
Puntaje pre 70 85 81 72 88 99
Puntaje pos 76 73 60 90 83 84

Con α=0.05, ¿Existe evidencia para afirmar que la media de los puntajes pre es inferior
a la media de los puntajes pos?
 9) En una fábrica hay dos procedimientos para elaborar cierto material usado en
construcción. Con el objetivo de que la variabilidad de las unidades producidas sean
homogéneas, se aplican medidas de reajuste en ambos procesos. Luego de aplicar las
medidas de reajuste se seleccionan muestras aleatorias de unidades producidas por
cada proceso.

Procedimiento 1 332 432 498 497 542 487 654

Procedimiento 2 489 389 651 425 522 502 598

Use un 4% de significación y asumiendo que las unidades producidas de ambos

procesos se ajustan a una distribución normal, se podría concluir que, con los reajustes
se logró:
1. Que no existe diferencia significativa en la variabilidad de las unidades producidas
entre ambos procesos.
2. Que existe diferencia significativa en la variabilidad de las unidades producidas entre
ambos procesos.

El valor del estadístico de prueba es:

Los valores de los puntos críticos (los valores críticos) son:
El valor-p de esta prueba es:
La conclusión luego de realizar la prueba es:

CODIGOS PRUEBA DE HIPOTESIS:

#Pruebas de un parametro
#### Lectura de datos de Excel
datos <- read.delim("clipboard")

#Lectura de datos de una muestra

mdata <- c( … )
#######################################
#PH para la media: Varianza conocida

library(BSDA)
z.test(datos$ , alternative = " ", mu = , sigma.x= )
z.test(mdata, alternative = " ", mu = , sigma.x= )

###ingreso de datos resumidos

xbar <-
n <-
s <-
sigma <-
zsum.test(mean.x = xbar, sigma.x = , n.x = n, alternative = " ", mu
= )

#### Valor critico

alpha <-
qnorm(alpha, = F)
qnorm(alpha, lower.tail = T)
qnorm(c(alpha/2, 1-alpha/2), lower.tail = T)

###lower.tail
#PH para la media: Varianza desconocida
#######################################
library(BSDA)
t.test(datos$ , mu = , alternative = " ")
t.test(mdata, mu = , alternative = " ")

#ingreso de datos resumidos

xbar <-
n <-
#desviación estándar de la muestra
s <-
tsum.test(mean.x = xbar, s.x = s, n.x = n , alternative = " ", mu = )

#Valor critico
alpha <-
##Cola derecha
qt(alpha, df, lower.tail = F)
##Cola Izquierda
qt(alpha, df, lower.tail = T)
##Bilateral
qt(c(alpha/2, 1-alpha/2), df, lower.tail = T)

######################
#PH para la Varianza
######################
sigma0 <-
cuadsig0 <- sigma0^2

library(EnvStats)
varTest(datos$ , alternative = " ", sigma.squared = cuadsig0)
varTest(mdata, alternative = " ", sigma.squared = cuadsig0)

### Estadistico de prueba para datos resumidos

n <-
s <-
EP <- ((n-1)*(s^2))/cuadsig0

#### Valores criticos

alpha <-
qchisq(alpha, df, lower.tail = F)
qchisq(alpha, df, lower.tail = T)
qchisq(c(alpha/2, 1-alpha/2), df, lower.tail = T)

############################################
# PH para la Proporcion
############################################
k <-
n <-
phi <-
prop.test(k, n, phi, alternative = " ", correct = F)
#### si p > phi se toma el valor positivo de la raiz cuadrada
Zc <- sqrt(X-squared)

#### Valor critico

alpha <-
qnorm(alpha, lower.tail = F)
qnorm(alpha, lower.tail = T)
qnorm(c(alpha/2, 1-alpha/2), lower.tail = T)

##### Pruebas para comparar dos parametros

#### Lectura de datos de Excel
datos <- read.delim("clipboard")
### Lectura de datos de una muestra
mdata1 <- c( ... )
mdata2 <- c( ... )

######################
#PH para comparar dos Varianzas
######################

library(EnvStats)
var.test(datos$X, datos$Y, ratio = 1, alternative = " ")
var.test(mdata1, mdata2, ratio = 1, alternative = " ")

### EstadÃÂÂstico de prueba para datos resumidos

EP <- (s1^2)/(s2^2)

#### Valores criticos

alpha <-
qf(alpha, df1, df2, lower.tail = F)
qf(alpha, df1, df2, lower.tail = T)
qf(c(alpha/2, 1-alpha/2), df1, df2, lower.tail = T)

######################
##### Prueba para la comparacion de medias de dos poblaciones
######################

### Caso de Varianzas Conocidas

sigma1 <-
sigma2 <-
library(BSDA)
z.test(datos$X, datos$Y, mu=0, alternative=" ", sigma.x = sigma1,
sigma.y = sigma2)
z.test(mdata1, mdata2, mu=0, alternative=" ", sigma.x = sigma1,
sigma.y = sigma2)
### datos resumidos
xbar1 <-
n1 <-
xbar2 <-
n2 <-
library(BSDA)
zsum.test(mean.x = xbar1, sigma.x = sigma1, n.x = n1,
mean.y = xbar2, sigma.y = sigma2, n.y = n2,
alternative = " ", mu = 0)
#### Valor critico
alpha <-
qnorm(alpha, lower.tail = F)
qnorm(alpha, lower.tail = T)
qnorm(c(alpha/2, 1-alpha/2), lower.tail = T)

### Caso de Varianzas Desconocidas

library(BSDA)
t.test(datos$X, datos$Y, mu=0, alternative=" ", paired=F,var.equal = )
t.test(mdata1, mdata2, mu=0, alternative=" ", paired=F,var.equal = )
### datos resumidos
xbar1 <-
n1 <-
s1 <-
xbar2 <-
n2 <-
s2 <-
library(BSDA)
tsum.test(mean.x = xbar1, s.x = s1, n.x = n1,
mean.y = xbar2, s.y = s2, n.y = n2,
alternative = " ", mu = , var.equal = )
#### Valor critico
alpha <-
qt(alpha, df, lower.tail = F)
qt(alpha, df, lower.tail = T)
qt(c(alpha/2, 1-alpha/2), df, lower.tail = T)

########################################################
## PH para comparar proporciones de dos poblaciones
########################################################

####### Prueba de hipotesis para comparar proporciones de dos

poblaciones
k1 <-
n1 <-
k2 <-
n2 <-
k <-c(k1,k2)
n <-c(n1,n2)
prop.test(k, n,alternative = " ", correct=F)

###### Si prop 1 > prop 2 se toma el valor positivo de la raiz

cuadrada
Zc <- sqrt(X-squared)

### Valor critico

alpha <-
qnorm(alpha, lower.tail = F)
qnorm(alpha, lower.tail = T)
qnorm(c(alpha/2, 1-alpha/2), lower.tail = T)

#######################################################
## PH para la media de muestras relacionadas
########################################################
library(BSDA)
t.test(datos$X, datos$Y, mu=0, alternative=" ", paired=T)
t.test(mdata1, mdata2, mu=0, alternative=" ", paired=T)

#### Valor critico

alpha <-
qt(alpha, df, lower.tail = F)
qt(alpha, df, lower.tail = T)
qt(c(alpha/2, 1-alpha/2), df, lower.tail = T)

#PREGUNTA 5
k1 <-40
n1 <-65
k2 <-20
n2 <-52
k <-c(k1,k2)
n <-c(n1,n2)
prop.test(k, n,alternative = "g", correct=F)
###### Si prop 1 > prop 2 se toma el valor positivo de la raiz cuadrada
sqrt(6.1579)

### Valor critico

alpha <-0.05
qnorm(alpha, lower.tail = F)

#PREGUNTA 6
library(BSDA)
mdata1=c(117, 153 ,125, 100 ,111 ,221, 129)
mdata2=c(209, 233 ,133, 128, 206 ,201, 102)
t.test(mdata1, mdata2, mu=0, alternative="g", paired=T)
#### Valor critico
alpha <-0.025
df=6
qt(alpha, df, lower.tail = F)

#PREGUNTA 7

library(BSDA)

mdata1=c(2.4, 1.5 ,2.3, 3.6 ,2.5, 2.3, 3.5 ,4.5)

mdata2=c(3.1, 3.6, 4.5, 4.2, 3.3, 3.5, 4.2 ,3.2)

t.test(mdata1, mdata2, mu=0, alternative="l", paired=F,var.equal =T)

#### Valor critico

alpha <-0.04

df=14

qt(alpha, df, lower.tail = T)