Beruflich Dokumente
Kultur Dokumente
1/10 1.96
3
100
, 1/10 + 1.96
3
100
= (0.0412, 0.1588).
Para la segunda parte, hay que tener en cuenta que el error maximo vendra dado por la distancia
entre un extremo del intervalo y su centro, p. Esta cantidad es
1.96
p q
n
= 1.96
0.9 0.1
n
0.01.
Despejando n se tiene que n 3457.44, por lo que son necesarias n = 3458 personas.
2. Las condiciones n > 30, n p > 5 y n q > 5 se cumplen claramente con n = 1000, p = 556/1000 y
q = 444/1000. Un error del 3 % vendra determinado cuando
z
/2
p q
n
<
3
100
.
De aqu que z
/2
= 1.90928, de donde concluimos que = 0.9719.
3. El intervalo vendra dado por
55
100
1.96
55
100
45
100
100
, (
55
100
+ 1.96
55
100
45
100
100
= (0.4524, 0.6475)
para 95 % de nivel de conanza.
55
100
2.575
55
100
45
100
100
, (
55
100
+ 2.5751.64
55
100
45
100
100
= (0.4219, 0.6781)
para 99 % de nivel de conanza.
Para un nivel del 99.73 % tenemos que = 1 97.73/100, de donde /2 = 0.0135, y por tanto
z
/2
= 32.2784. Repitiendo los calculos concluimos que
55
100
32.278
55
100
45
100
100
, (
55
100
+ 3
55
100
45
100
100
= (0.4, 0.7)
para 99.73 % de nivel de conanza.
El tamano de muestra buscado se considera seguro cuando tenemos un nivel superior al 99.73 %.
En este caso, sera. . . .
4. Tenemos muestras grandes, con varianzas desconocidas, por lo que el intervalo buscado viene dado
por
2
= (7.82 6.75) 1.96
0.24
2
50
+
0.30
2
100
= ()1.07 0.08879.
5. Solucion con R:
> setwd("C:/Documents and Settings/Propietario/Escritorio")
> muestra1=scan(file="Hoja06-EsperanzaVidaHombres.csv",sep=",")
Read 300 items
> muestra2=scan(file="Hoja06-EsperanzaVidaMujeres.csv",sep=",")
Read 400 items
> alpha=1-0.90
> alphamedios=alpha/2
> zalphamedios=qnorm(1-alphamedios)
> zalphamedios
[1] 1.644854
4
> xbar1=mean(muestra1)
> xbar2=mean(muestra2)
> sd1=sd(muestra1)
> sd2=sd(muestra2)
> leftci=xbar1-xbar2-zalphamedios*(((sd1^2)/300+(sd2^2)/400)^0.5)
> rightci=xbar1-xbar2+zalphamedios*(((sd1^2)/300+(sd2^2)/400)^0.5)
> leftci
[1] -6.347685
> rightci
[1] -5.367315
6. El intervalo es aproximadamente (47.77, 30.57).
7. El intervalo es aproximadamente (5.542, 2.191).
8. (a) El intervalo de conanza para el cociente de varianzas es es aproximadamente (0.7817, 4.116).
Puesto que el valor 1 pertenece a ese intervalo, puede ser
s
2
1
s
2
2
= 1, as que asumimos igualdad de
varianzas al 80 %.
(b) El intervalo para
1
2
es aproximadamente (7.040, 5.040).
9. Contraste sobre varianza. Usamos
0
= 1.5. La hipotesis alternativa es H
a
= { <
0
}. Con el
chero
Tut07-Contraste-Varianza-DatosEnBruto.R
del Tutorial07 ( ) obtenemos un p-valor, aproximadamente
igual a 0.5303. Rechazamos la alternativa.
10. Contraste sobre la media, muestra peque na. Usamos
0
= 10. Una posible hipotesis alternativa
es H
a
= { >
0
}. Como en otros casos que hemos visto, depende de cual sea la pregunta. (La
empresa instaladora de las antenas puede estar interesada en el contraste de H
a
= { =
0
}.). Para
el nivel de signicacion, recuerda ademas que algunos autores (como es el caso en el libro del que
procede este ejercicio) usan 5 % para referirse a lo que nosotros llamamos 95 %. En cualquier caso,
recuerda el signicado: queremos estar seguros al 95 % (no al 5 %!).
Con el chero
Tut07-Contraste-Media-UsandoT-DatosEnBruto.R
del Tutorial07 ( ) obtenemos un p-valor, aproximadamente
igual a 0.03804 < 0.05. Rechazamos aunque por un margen ajustado la hipotesis nula, y conclui-
mos que las emisiones superan el lmite legal.
11. Contraste sobre la media, muestra grande. Usamos
0
= 13, n = 100,
X = 13.2 y s = 0.6. Vamos a
contrastar la hipotesis alternativa H
a
= { =
0
}. (Tambien puede ser interesante el contraste de
H
a
= { >
0
}. Por contra, el contraste de H
a
= { >
0
} carece de interes en este ejemplo).
Con el chero
Tut07-Contraste-Media-UsandoZ-DatosEnBruto.R
del Tutorial07 ( ) obtenemos un p-valor, aproximadamente
igual a 0.04550 < 0.05. Un p-valor tan ajustado a ajustado al lmite de 0.05 nso permite formalmente
rechazar la hipotesis nula. Pero el margen es tan escaso que, en una situacion real, lo razonable
sera tratar de obtener una muestra mas grande y mas concluyente.
12. Es un contraste de proporciones, con p
0
= 0.6 (la proporcion de personas aliviadas por el medica-
mento antiguo). El tama no de la muestra es n = 144 y la proporcion muestral es p =
144
100
. Vamos
a contrastar la hipotesis alternativa H
a
= {p > p
0
}.
En este caso usamos la funcion prop.test de R (ver Tutorial07, pag. 10) as:
> prop.test(x=100,n=144,p=0.6,alternative="greater",conf.level=0.95,correct=FALSE)
1-sample proportions test without continuity correction
data: 100 out of 144, null probability 0.6
X-squared = 5.3519, df = 1, p-value = 0.01035
alternative hypothesis: true p is greater than 0.6
95 percent confidence interval:
5
adjunto aqu con los datos del problema
adjunto aqu con los datos del problema
adjunto aqu con los datos del problema
0.6282 1.0000
sample estimates:
p
0.6944444
Como puede verse, el p-valor es aproximadamente 0.01035 y nos permite rechazar la hipotesis nula.
13. La armacion es cierta al 95 %.
14. Varianzas diferentes y medias iguales al 95 %.
15. No hay diferencia entre las proporciones al 99 %.
16. La varianza es mayor de la que arma el fabricante al 90 %.
17. Usando el chero Tut09-Contraste-2Pob-CocienteVarianzas con tipo de contraste = 3
Estadstico F = 0.4444. El p-valor es 0.05237
18. Usando el chero: Tut09-Contraste-2Pob-DifMedias-UsandoZ.
Estadistico 3.272295. El p-Valor es 0.0005334
Es, en realidad, un contraste de diferencias emparejadas. Pero como no lo hemos visto este a no, lo
hacemos como si fueran poblaciones independientes.
19. Usando la plantilla Tut07-Contraste-Media-UsandoZ, tipo contraste: 1
Estadistico =
0.09 0.035
0.25
144
2.64
p-valor=0.004145301
20. Usando el chero: Tut09-Contraste-2Pob-DifMedias-UsandoZ, tipo contrraste 2
Estadistico 4.274823. El p-Valor es 9.564 10
06
21. Es un contraste de proporciones, con p
0
= 0.5 (la mayor parte se reere a la mayora, mas de la
mitad. Se podra jar un valor mas alto si se desea una mayoria cualicada, como tres cuartas
partes, pero en cualquier caso, debe ser al menos el 50 %). El tama no de la muestra es n = 250 y la
proporcion muestral es p =
150
250
. Vamos a contrastar la hipotesis alternativa H
a
= {p > p
0
}.
Usamos Wolfram Alpha, escribiendo test for binomial parameter , y cuando se abre el cua-
dro de dialogo en el que hay que introducir los datos, seleccionamos Use number of successes
instead (aunque se puede usar el primero poniendo como proporcion
150
250
). Luego tecleamos los
datos, como se ve en la gura, y obtenemos un p-valor igual a 6.065 10
4
, con el que rechazamos
la hipotesis nula.
6
22. Es un contraste de igualdad de proporciones, en el que contrastamos la hipotesis nula:
H
0
= {p
1
= p
2
}.
Vamos a usar tambien Wolfram Alpha, escribiendo: two proportion hypothesis test, e intro-
duciendo los datos de este problema como se muestra en la gura:
Aseg urate de marcar la opcion two-tailed test tras terminar de introducir los datos, por defecto
se calcula un contraste unilateral. El p-valor resultante es 0.6877, as que rechazamos H
a
.
23. Contraste sobre la media, muestra peque na. Usamos
0
= 70. Contrastamos la hipotesis alternativa
es H
a
= { >
0
}.
Con el chero
Tut07-Contraste-Media-UsandoT.R
del Tutorial07 ( ) obtenemos un p-valor, aproximadamente
igual a 0.03280 < 0.05. Rechazamos la hipotesis nula, y concluimos que las aguas son peligrosas.
Fjate en que, en un problema como este, la hipotesis conservadora H
0
supone no dar la alarma
ante unas aguas potencialmente peligrosas. En este caso nos preocupa mas cometer un error de tipo
7
adjunto aqu con los datos del problema
II (falso negativo: no pasa nada, las aguas son seguras), que un error de tipo I (falso positivo,
falsa alarma). As que a diferencia de lo que hemos recomendado en otros ejercicios, aqu haramos
saltar la alarma con un p-valor solo ligeramente inferior a 0.05.
24. Vamos a hacer este ejercicio suponiendo, incialmente, que los cinco empleados que usan el metodo
antigup, y los cinco que usan el metodo nuevo, se han elegido en muestras independientes. En
realidad, se trata de un ejercicio de contrastes emparejados, que no hemos visto en clase, de los
que puedes ver otro ejemplo en el examen de Enero del curso 2012-2013 del Grado en Biologa
(disponible en www2.uah.es/fsegundo)
Es un contraste de diferencia de medias, con muestras peque nas. Como no sabemos nada sobre
la posible igualdad de las varianzas, tenemos necesariamente que hacer un contraste de varianzas.
Vamos a resolverlo usando las funciones var.test y t.test que se describen en el Tutorial09. El
codigo que usamos para el contraste de la hipotesis nula
H
0
= {
2
1
=
2
2
}
(sobre la igualdad de las varianzas) es este:
> muestra1 = c(38, 32, 41, 35, 32)
> muestra2 = c(30, 32, 34, 37, 26)
> var.test(muestra1,muestra2,alternative="two.sided",conf.level=0.95)
F test to compare two variances
data: muestra1 and muestra2 F = 0.8895, num df = 4, denom df = 4, p-value = 0.9124 alternative
hypothesis: true ratio of variances is not equal to 1 95 percent confidence interval:
0.09261618 8.54356437
sample estimates:
ratio of variances
0.8895349
y como el p-valor es muy alto, no rechazamos la hipotesis nula. Eso signica que asumimos que las
varianzas son iguales.
Ahora vamos a hacer el contraste de medias, con hipotesis alternativa
H
a
= {
1
>
2
}
porque suponemos que
1
, el tiempo medio usando el metodo antiguo, es menor que
2
el tiempo
medio por el metodo nuevo. Podemos usar t.test as:
> t.test(muestra1,muestra2,alternative="greater",conf.level=0.95,var.equal=TRUE)
Two Sample t-test
data: muestra1 and muestra2 t = 1.4905, df = 8, p-value = 0.08722 alternative hypothesis: true
difference in means is greater than 0 95 percent confidence interval:
-0.9409359 Inf sample estimates: mean of x mean of y
35.6 31.8
Fjate en la opcion alternative="greater", que se corresponde con el smbolo > de H
a
, y tambien
en la opcion var.equal=TRUE, donde hemos indicado el resultado del contraste de varianzas.
Tambien puedes usar los cheros Tut09-Contraste-2Pob-CocienteVarianzas.R
Tut09-Contraste-2Pob-CocienteVarianzas.R
calculando previamente los valores que necesitas con:
muestra1 = c(38, 32, 41, 35, 32)
muestra2 = c(30, 32, 34, 37, 26)
n1=length(muestra1)
xbar1=mean(muestra1)
s1=sd(muestra1)
n2=length(muestra2)
xbar2=mean(muestra2)
s2=sd(muestra2)
8