Test exacto binomial

J. David Ramos
2023-08-25

El Test binomial exacto

El test binomial compara el número \(X\) de éxitos observados en un
número \(n\) de ensayos con una probabilidad hipotética de éxito.
■ El test permite contrastar si la probabilidad real de éxito de un evento
es igual a algún valor particular denotado \(\pi_o\).
■ El test binomial es la contraparte no paramétrica de los test para
proporciones paramétricos: Z-tests, el test de razón de verosimilitudes,
el test de puntajes binomial, etc.
■ En ocasiones es más potente que contrapartes paramétricas
asintóticas, pues es un test exacto.
■ Potente al rechazar hipótesis nulas cuando estas deberían ser
rechazadas.
■ El test constituye una prueba de una familia de pruebas basadas en la
binomial
■ Es muy antiguo (siglo XVIII)

Los datos
■ La muestra \(X\) está constituida por resultados de \(n\) ensayos
independientes.
■ Cada resultado dentro del experimento se clasifica como un exito \
(X=1\) ó un fracaso \(X=0\) para una v.a. dicotómica al menos
nominal (Proceso de Bernoulli)
■ El número total de exitos observados en la muestra corresponde a \
(T=\sum_{i=1}^n{X_i}\).

Los supuestos del test

■ Los \(n\) ensayos son mutuamente independientes.
■ La probabilidad \(p\) de observar \(X=1\) en cada ensayo es constante.
■ La probabilidad de observar un fracaso \(X=0\) es \(1-p\)
■ Es decir, los datos son generados aleatoriamente a través de un
proceso binomial.

Sistema de hipótesis
■ Sea \(\pi\), la proporción verdadera de éxitos presentes en una
población.
■ T sea, \(\pi_o\) alguna constante con \(0\le\pi_o\le1\), entonces se
pueden definir los siguientes sistemas de hipótesis:

A. (A dos colas)
\[H_o:\pi=\pi_o\quad versus \quad H_a:\pi\neq\pi_o\]

B. (A cola derecha)
 \[H_o:\pi\le\pi_o\quad versus\quad H_a:\pi>\pi_o\]

C.(A cola izquierda)

\[H_o:\pi\ge\pi_o\quad versus \quad H_a:\pi<\pi_o\]

Estadístico de prueba: distribución bajo

\(H_o\)
El estadístico de prueba es el número total de éxitos observados en una
muestra aleatoria de tamaño \(n\), es decir:
\[T=\sum_{i=1}^n{X_i}\]
Si \(H_o\) es verdadera, es decir \(\pi=\pi_o\), entonces se cumple que:
\[T\sim bin(n,\pi_o)\]

Reglas de decisión
■ Sea \(\alpha\) el nivel de significancia escogido para el test.
■ Sean \(\alpha_1\) y \(\alpha_2\) valores que representan áreas a la
izquierda y derecha respectivamente de una distribución binomial con
parámetros \(n\) y \(\pi_o\), tal que \(\alpha=\alpha_1+\alpha_2\).
■ \(T_c\) el valor observado del estadístico de prueba.
■ \(t\), \(t_1\) y \(t_2\) cuantiles de la distribución de probabilidad de
una variable \(T\) binomial con parámetros \(n\) y \(\pi_o\)

Se definen las siguientes reglas de decisión:

 A. (Test a dos colas) \(H_o:\pi=\pi_o\quad versus \quad H_a:\pi\neq\
pi_o\)
Se rechaza \(H_o\) en el nivel \(\alpha\) si \(T_c<t_1\), donde \(t_1\)
corresponde al cuantil de una distribución binomial, tal que:
\[P(T\le t_1)=\alpha_1\]
O se rechaza \(H_o\) en el nivel \(\alpha\) si \(T_c>t_2\), donde \(t_2\)
corresponde al cuantil de una distribución binomial, tal que:
\[P(T> t_2)=\alpha_2\]
Si ninguno de estos criterios se cumple, no rechace \(H_o\).

B. (Test a cola derecha) \(H_o:\pi\le\pi_o\quad versus\quad H_a:\pi>\

pi_o\)
Se rechaza \(H_o\) en el nivel \(\alpha\) si \(T_c>t\), donde \(t\)
corresponde al cuantil de una distribución binomial, tal que:
\[P(T\le t)=1-\alpha\]

C.(Test a cola izquierda) \(H_o:\pi\ge\pi_o\quad versus \quad H_a:\pi<\

pi_o\)
Se rechaza \(H_o\) en el nivel \(\alpha\) si \(T_c< t\), donde \(t\)
corresponde al cuantil de una distribución binomial, tal que:
\[P(T\le t)=\alpha\]

Ejemplo 1
Cierta máquina construye partes de celulares. Se considera que la
máquina opera apropiadamente si el \(10\%\) o menos de las partes
manufacturadas son defectuosas. Si más del \(10\%\) de las partes que
produce son defectuosas, entonces la máquina necesita mantenimiento.
Como resulta costoso, sólo se toma una muestra aleatoria de \(12\) partes
en las que se observó que \(4\) de ellas estaban defectuosas ¿Será que
este número de partes defectuosas observadas en la muestra son
evidencia de que la máquina necesita mantenimiento o simplemente, se
debe al azar? Utilice un \(\alpha=0.05\)
Solución

A. Sistema de hipótesis
\[H_o:\text{La máquina opera bien}\] \[H_a:\text{La máquina necesita
mantenimiento}\]
Que es equivalente a:
\[H_o:\pi\le 0.1\] \[H_a:\pi>0.1\]
donde \(\pi\) es la proporción de partes defectuosas producidas por la
máquina.

B. Supuestos
La muestra obtenida corresponde a un proceso binomial

C. Datos
Se tienen \(n=12\) ensayos independientes. \(X=1\) (éxito) corresponde a
ser una parte defectuosa.

D. Estadístico de prueba
El estadístico calculado es \(T_c=4\) que corresponde al número de
 partes defectuosas observadas en la muestra. Bajo \(H_o\) se asume que \
(T\sim bin(12,0.1)\)

E. Regla de decisión
■ Se debe rechazar \(H_o\) en el nivel \(\alpha\) si \(T_c>t\), donde \(t\)
corresponde al cuantil de una distribución binomial, tal que:

\[P(T\le t)=1-\alpha\]
es decir,
\[P(T\le t)=1-\alpha=1-0.05=0.95\]
■ El quantil (bajo \(\pi=0.1\) y \(n=12\)) que cumple aproximadamente
la igualdad es \(t=3\), es decir:

\[P(T\le 3)=0.974\approx0.95\]

■ La distribución de probabilidad y la región de rechazo es la siguiente:

 F. Decisión:
Se rechaza \(H_o\) en el nivel \(\alpha=0.05\), debido a que \(T_c=4>3\),
es decir, hay evidencia para pensar que la máquina de producción
necesita reparación.

EL TEST EN R
■ El valor crítico \(t\) determina la región de aceptación de \(H_o\), es
decir es aquel \(t\) tal que \(P(T\le t)=0.95\):

# Búsqueda del cuantil

qbinom(p=0.95,size = 12,prob = 0.1)

## [1] 3

■ Cálculo del valor-\(p\) de la prueba:

# Se calcula P(T=t) para t=0:12 y pi=0.1

prob.nulos<-dbinom(0:12,12,1/10)
 names(prob.nulos)<-0:12
round(prob.nulos,4)

## 0 1 2 3 4 5 6 7 8 9 10
## 0.2824 0.3766 0.2301 0.0852 0.0213 0.0038 0.0005 0.0000 0.0000 0.0000
0.0000
## 11 12
## 0.0000 0.0000

# Se calcula P(T=Tc) para Tc=4 y pi=0.1

prob.Tc<-dbinom(4, 12, 1/10)
prob.Tc
## [1] 0.02130813

# El valor-p corresponde suma(P(T=t))<=P(T=Tc)

pvalor<-sum(prob.nulos[prob.nulos<=prob.Tc])
pvalor
## [1] 0.02563747

■ El test binomial se puede desarrollar con la función binom.test() del

paquete base de R

#Test binomial
binom.test(x = 4,n = 12,p = 1/10,alternative = "greater",conf.level = 0.95)

##
## Exact binomial test
##
## data: 4 and 12
## number of successes = 4, number of trials = 12, p-value = 0.02564
## alternative hypothesis: true probability of success is greater than 0.1
## 95 percent confidence interval:
## 0.1228507 1.0000000
## sample estimates:
## probability of success
## 0.3333333
Ejemplo 2
El director de una universidad afirma que sólo el \(20\%\) de sus
estudiantes están en desacuerdo con su gestión. En una encuesta aplicada
a \(15\) estudiantes seleccionados aleatoriamente \(4\) estudiantes
afirmaron no concordar con la gestión del rector ¿Se podría afirmar con
un nivel de significancia del \(10\%\) que la proporción de estudiantes en
desacuerdo con la gestión del rector es distinta a la que el rector afirma?
Solución

A. Sistema de hipótesis
\[H_o:\pi= 0.2\] \[H_a:\pi\neq0.2\]
donde \(\pi\) es la proporción de estudiantes en desacuerdo con la
gestión del rector.

B. Supuestos
La muestra obtenida corresponde a un proceso binomial

C. Datos
Se tienen \(n=15\) ensayos independientes. Se considera que el éxito (\
(X=1\)) corresponde a que el estudiante seleccionado esté en desacuerdo
con la gestión del rector.

D. Estadístico de prueba
\(T_c=4\), corresponde al número de estudiantes en desacuerdo en la
muestra seleccionada. Si \(H_o\) es verdadera se asume \(T\sim
bin(15,0.2)\)
 E. Regla de decisión
Se rechaza \(H_o\) en el nivel \(\alpha=0.1\) si \(T_c<t_1\), donde \(t_1\)
corresponde al cuantil de una distribución binomial, tal que:
\[P(T\le t_1)\approx\alpha_1\]
\[P(T\le t_1)\approx0.05\]
O, se rechaza \(H_o\) en el nivel \(\alpha\) si \(T_c>t_2\), donde \(t_2\)
corresponde al cuantil de una distribución binomial, tal que:
\[P(T> t_2)\approx\alpha_2\]
Esto es equivalente a:
\[P(T\le t_2)\approx=1-\alpha_1\approx0.95\]
■ Estos cuantiles se hallan en la tabla de distribución acumulada
binomial:

■ Los cuantiles que cumplen aproximadamente la igualdad son \(t_1=1\)

y \(t_2=6\), ya que:

\[P(T\le 1)=0.167>0.05\]
\[P(T\le 6)=0.982>0.95\]

F. Decisión:
No hay suficiente evidencia estadística para rechazar \(H_o\) en el
nivel \(\alpha=0.05\), debido a que \(1<T_c<6\), es decir, se puede
suponer que la verdadera proporción de estudiantes descontentos con la
gestión del rector es del \(20\%\).

EL TEST EN R

# SE BUSCAN LOS VALORES CRÍTICOS t1 y t2

t1<-qbinom(p=0.05,size = 15,prob = 0.2);t1
## [1] 1

t2<-qbinom(p=0.95,size = 15,prob = 0.2);t2

## [1] 6

# PARA CALCULAR EL VALOR-p DE LA PRUEBA

# Se calcula P(T=t) para t=0:15
prob.nulls<-dbinom(0:15,15,0.2)
names(prob.nulls)<-0:15
round(prob.nulls,3)

## 0 1 2 3 4 5 6 7 8 9 10 11 12
## 0.035 0.132 0.231 0.250 0.188 0.103 0.043 0.014 0.003 0.001 0.000 0.000
0.000
## 13 14 15
## 0.000 0.000 0.000

# Se calcula P(T=Tc)
prob.Tc2<-dbinom(4, 15,0.2); prob.Tc2
## [1] 0.1876042

# El valor- corresponde suma(P(T=t))<=P(T=Tc)

p.valor<-sum(prob.nulls[prob.nulls<=prob.Tc2]);p.valor
## [1] 0.5189637
 #Test binomial
binom.test(x = 4,n = 15,p = 0.2,alternative = "two.sided",conf.level = 0.9)

##
## Exact binomial test
##
## data: 4 and 15
## number of successes = 4, number of trials = 15, p-value = 0.519
## alternative hypothesis: true probability of success is not equal to 0.2
## 90 percent confidence interval:
## 0.09665833 0.51075189
## sample estimates:
## probability of success
## 0.2666667

Aproximación asintótica del test

binomial a la normal
■ Suponga una muestra \(n>25\), entonces por el Teorema Central de
límite, el estadístico de prueba puede aproximarse asintóticamente a
una distribución normal:

\[Z=\dfrac{T-n\pi_o}{\sqrt{n\pi_o(1-\pi_o)}}\sim_{aprox.} N(0,1)\]
donde,
■ \(T\) es el número de éxitos observados en una muestra de tamaño \
(n\).
■ \(\pi_o\) es la proporción de éxitos esperados bajo la hipótesis nula.
■ \(n\pi_o\) el número de éxitos esperado bajo la hipótesis nula.
■ \(SE[T]=\sqrt{n\pi_o(1-\pi_o)}\) el error estándar de \(T\)
■

Sea \(\alpha\) el nivel de significancia escogido para el test.

■ \(T_c\) el valor observado del estadístico de prueba.
■ \(t\), \(t_1\) y \(t_2\) cuantiles de la distribución de probabilidad de
una variable \(T\) binomial con parámetros \(n\) y \(\pi_o\)

Se definen las siguientes reglas de decisión:

A. (Test a dos colas) \(H_o:\pi=\pi_o\quad versus \quad H_a:\pi\neq\

pi_o\)
Se rechaza \(H_o\) en el nivel \(\alpha\) si \(Z_c<z_{\alpha/2}\), donde \
(z_{\alpha/2}\) corresponde al cuantil al nivel \(\alpha/2\) de una normal
estándar.
O, se rechaza \(H_o\) en el nivel \(\alpha\) si \(Z_c>z_{1-\alpha/2}\),
donde \(z_{1-\alpha/2}\) corresponde al cuantil al nivel \(1-\alpha/2\) de
una normal estándar.

B. (Test a cola derecha) \(H_o:\pi\le\pi_o\quad versus\quad H_a:\pi>\

pi_o\)
Se rechaza \(H_o\) en el nivel \(\alpha\) si \(Z_c>z_{1-\alpha}\), donde \
(z_{1-\alpha}\) corresponde al cuantil al nivel \(1-\alpha\) de una normal
estándar.

C.(Test a cola izquierda) \(H_o:\pi\ge\pi_o\quad versus \quad H_a:\pi<\

pi_o\)
Se rechaza \(H_o\) en el nivel \(\alpha\) si \(Z_c<z_{\alpha/2}\), donde \
(z_{\alpha/2}\) corresponde al cuantil al nivel \(\alpha/2\) de una normal
estándar.

Intervalo de confianza para número de éxitos poblacional

 Sea \(\alpha\) el nivel de significancia, se pueden establecer los
siguientes valores críticos aproximados:
■ Primer valor crítico: \[t_1=n\pi_o+z_{\alpha/2}\sqrt{n\pi_o(1-\
pi_o)}\]
■ Segundo valor crítico: \[t_2=n\pi_o+z_{1-\alpha/2}\sqrt{n\pi_o(1-\
pi_o)}\]

Esto valores críticos definen los extremos para un intervalo de

confianza del \((1-\alpha)\times100\) para el número de éxitos \(T\)
esperados a nivel poblacional:
\[t_1<T<t_2\]
\[n\pi_o+z_{\alpha/2}\sqrt{n\pi_o(1-\pi_o)}<T<n\pi_o+z_{1-\alpha/2}\
sqrt{n\pi_o(1-\pi_o)}\]

Ejemplo 3: aproximación asintótica

Según la Organización Mundial de la Salud, un neonato recién nacido se
considera de bajo peso si su peso al nacer es inferior a \(2500\)
kilogramos. Para el \(2015\) en Estados Unidos, según esta misma
organización, aproximadamente el \(8/%\) de los bebés recién nacidos
tenían bajo peso.
Un grupo de investigadores desean determinar si esa proporción de
bebés con bajo peso es la misma para Colombia. Con este propósito
desarrollan una encuesta en las principales ciudades del país, año \
(2017\), donde se observaron \(2653\) recién nacidos. Los datos fueron
los siguientes:

# Importación de datos
library(readr)
neonatos <-
read_delim("C:/Users/USER/Dropbox/ElBosque2023-2/No_parametrica/Compartido_no_parametrica/Datos/
neonatos.csv",
";", escape_double = FALSE, trim_ws = TRUE)
head(neonatos)

## # A tibble: 6 × 5
## INDIV EDAD HTA EDADGES PESORN
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1127 19 0 40 2700
## 2 2177 37 0 38 3280
## 3 1475 30 0 39 3440
## 4 1011 20 0 40 3110
## 5 550 38 0 40 2550
## 6 2405 16 1 40 3450

dim(neonatos)

## [1] 2653 5

Se desarrolla un Test binomial asintótico a la normal, con \(n>2653\), a

un nivel \(\alpha=0.05\) para contrastar:
\[H_o:\pi=0.08\quad\text{vs.}\quad H_o:\pi\neq0.08\]
donde \(\pi\) representa la verdadera proporción de neonatos con bajo
peso en Colombia.
1.

Transformación de datos: la variable PESORN es númerica.

Para desarrollar el test se debe transformar a categórica:

# Selección de la variable
peso<-neonatos$PESORN

# Transformación de "peso" a factor

peso.f<-as.factor(ifelse(test = peso<2500,"bajo","alto"))
 peso.f[110:150]
## [1] alto alto alto alto alto alto alto alto alto alto alto alto alto alto alto
## [16] alto alto alto alto alto alto alto alto alto alto bajo bajo alto alto alto
## [31] alto alto alto alto alto alto alto bajo bajo alto alto
## Levels: alto bajo

2.

Exploración de datos

# Proporción y frecuencia observada de éxitos y fracasos en la muestra

tabla1<-rbind(table(peso.f),table(peso.f)/length(peso.f))
row.names(tabla1)<-c("observado", "proporcion")
addmargins(round(tabla1,3),margin = 2)

## alto bajo Sum

## observado 2386.000 267.000 2653
## proporcion 0.899 0.101 1

# Proporción y frecuencia esperada de éxitos y fracasos bajo Ho

pi<-0.08
fe.bajo<-length(peso.f)*pi
fe.alto<-length(peso.f)*(1-pi)

tabla2<-rbind(tabla1,esperado=c(fe.alto,fe.bajo),proporcion=c(1-pi,pi))
addmargins(round(tabla2,3),margin = 2)

## alto bajo Sum

## observado 2386.000 267.000 2653
## proporcion 0.899 0.101 1
## esperado 2440.760 212.240 2653
## proporcion 0.920 0.080 1

3.

Desarrollo del test

■ El estadístico calculado de la prueba es:
 \[Z_c=\dfrac{T-n\pi_o}{\sqrt{n\pi_o(1-\pi_o)}}=\dfrac{267-(2653)
(0.08)}{\sqrt{(2653)(0.08)(0.92)}}=3.918824\]
■ Para \(\alpha=0.05\), los valores críticos son \(z_{0.025}=-1.96\) y \
(z_{0.975}=1.96\).
■ La decisión, al nivel \(\alpha\) dado, es rechazar \(H_o\) pues \
(Z_c>z_{0.975}\).
3.

Desarrollo alternativo del test

Se puede desarrollar el test con base en el IC del \(95\%\) para \(T\)

número de niños con bajo peso en Colombia si se selecciona una
muestra de tamaño \(n=2653\):
\[n\pi_o+z_{\alpha/2}\sqrt{n\pi_o(1-\pi_o)}<T<n\pi_o+z_{1-\alpha/2}\
sqrt{n\pi_o(1-\pi_o)}\]
\[212.24-1.96\sqrt{212.24(0.92)}<T<212.24+1.96\sqrt{212.24(0.92)}\]
\[184.85<T<239.62\]
El valor de \(T\) observado fue \(267\) bebés con bajo peso. De aquí que
la hipótesis nula es rechazada.
4.

Cálculo del valor-\(p\)

Si se asume que \(H_o\) es verdadera, el valor-\(p\) de la prueba

corresponde a:
\[valor-p\approx 1-P(Z< Z_c)\]
Es decir,
\[valor-p=\approx 1-P(Z< 3.9188)\approx0.000445\]
# Cálculo del valor-p desde la aproximación a la normal
valp<-1-pnorm(q =3.918824,mean = 0,sd = 1,lower.tail = T );valp
## [1] 4.449103e-05

El test asintótico en R

# Test aproximado
prop.test(x =267,n = 2653,p = 0.08,alternative = "two.sided",conf.level = 0.95,correct=F )
##
## 1-sample proportions test without continuity correction
##
## data: 267 out of 2653, null probability 0.08
## X-squared = 15.357, df = 1, p-value = 8.898e-05
## alternative hypothesis: true p is not equal to 0.08
## 95 percent confidence interval:
## 0.08976383 0.11267258
## sample estimates:
## p
## 0.1006408

# Test exacto
binom.test(x =267,n = 2653,p = 0.08,alternative = "two.sided",conf.level = 0.95 )
##
## Exact binomial test
##
## data: 267 and 2653
## number of successes = 267, number of trials = 2653, p-value =
0.0001463
## alternative hypothesis: true probability of success is not equal to 0.08
## 95 percent confidence interval:
## 0.0894496 0.1127217
## sample estimates:
## probability of success
## 0.1006408
Ejercicios
1. (Hacer a mano) Suponga que en una muestra aleatoria de
tamaño \(n=14\) se observaron \(6\) éxitos. Utilizar el test
binomial para contrastar

A. \(H_o:\pi=0.4\) vs. \(H_a:\pi\neq0.4\)

B. \(H_o:\pi\ge75\%\) vs. \(H_a:\pi<75\%\)
C. \(H_o:\pi=6/13\) vs. \(H_a:\pi>6/13\)
donde \(\pi\) representa la proporción poblacional de éxitos. Utilice un
nivel de significancia de \(\alpha=0.05\).
2.

(Hacer a mano) En la última prueba de admisiones a una carrera,

de \(16\) aspirantes, \(6\) eran mujeres. Se desea probar con nivel
de significancia del \(0.02\) si el porcentaje de mujeres que desean
entrar a la carrera es el mismo que el del año pasado, que era del \
(40\%\), o si por el contrario, dicho porcentaje cambió.
3.

(Realizar en R paso a paso) Se cree que en una ciudad están

naciendo más hombres que mujeres. Para determinar si es cierto se
selecciona una muestra aleatoria de los niños nacidos durante los
últimos 2 años y se identifica para cada uno el género. ¿Existen
diferencias significativas?

La muestra está constituida por:

datos <- c("masculino", "masculino", "masculino", "masculino", "femenino",
"masculino", "masculino", "masculino", "femenino", "femenino",
"femenino", "femenino", "femenino", "femenino", "masculino",
"masculino", "femenino", "masculino", "femenino", "masculino",
"femenino", "masculino", "masculino", "masculino", "femenino",
"masculino", "masculino", "femenino", "masculino", "femenino")

A. Plantee un sistema de hipótesis adecuado para la situación.

B. Desarrolle paso a paso un test binomial en un nivel de significancia
de \(0.1\). Reporte el valor-\(p\) de la prueba.
C. Compare graficamente los valores observados vs. los valores
esperados. ¿Confirman los resultados del test?.
D. ¿Qué otro test puede desarrollar para contrastar \(H_o\) que no sea el
test binomial. Desarróllelo en el mismo nivel de significancia y
compárelo.
4.

(Realizar en R paso a paso): Se está realizando una investigación

sobre tabaquismo a nivel nacional. Se ha tomado una muestra
aleatoría de \(18345\) individuos de diversas ciudades y se ha
encontrado que \(7888\) de ellos fuman habitualmente.

A. Plantee un sistema de hipótesis adecuado para la situación.

B. Contraste la hipótesis de que el porcentaje real de fumadores a nivel
nacional es exactamente del \(41\%\) utilizando \(\alpha=0.01\).
C. Compare graficamente los valores observados vs. los valores
esperados. ¿Confirman los resultados del test?.
D. Encuentre el valor-\(p\) de la prueba ¿Confirma la decisión tomada?
E. Construya un intervalo de confianza del \(95\%\) para la verdadera
proporción de individuos fumadores con base en \(T\) y su distribución
de probabilidad bajo \(H_o\).
5.
 En \(2015\), la Oficina de Bienestar Universitario de la UEB
realizó una encuesta sobre el consumo de alcohol de estudiantes
de pregrado en el campus. Se seleccionó una muestra de \(1315\)
estudiantes de pregrado, de los cuales \(635\) se clasificaron como
consumidores en alto riego.

Desarrolle un test binomial en un \(\alpha=0.02\) para probar que la

verdadera proporción de estudiantes consumidores en alto riesgo en la
UEB es mayor o igual al \(42\%\).
6.

Para comprobar si un circuito está libre de fallos, de una secuencia

de \(30\) entradas, se observaron \(8\) “unos” a la salida (cada
“uno” es un fallo). Para declarar que un circuito está libre de fallos
se espera observar máximo un “uno”. A un nivel de significación
de \(0.01\) ¿Se puede rechazar la hipótesis nula de que el circuito
está libre de fallos?
7.

\(a.)\) Defina de forma general un intervalo de confianza del \((1-\

alpha)\times100\) para la verdadera proporción \(\pi\) de éxitos en
una población. Para lograr esto utilice la aproximación asintótica
del test binomial a la distribución normal. \(b.)\) Con base en este
intervalo, construya intervalos del \(95\%\) para las proporciones
de los puntos \(4\) y \(5\).