Universidad Autnoma del Estado de Mxico

Centro Universitario UAEM Tenancingo

Unidad de Aprendizaje: Inferencial Estadstica

Problemario de Inferencia Estadstica

Elabora:

M. en C. Rafael Morales Ibarra

rmoralesi@uaemex.mx

Junio de 2015

2
 Problemario de Inferencia Estadstica

ndice de contenido

Unidad Inferencia Estadstica Pagina

Presentacin 3
Introduccin 3

I Estimacin puntual 4
Propiedades de los estimadores 4
Mtodos de estimacin 7
Mtodo de Momentos 7
Mtodo de Maximaverosimilitud 10

II Estimacin por Intervalos 13

IC. Para la diferencia de dos proporciones 15
IC. Para la varianza de una distribucin normal 16
IC para la relacin de varianzas de dos distribuciones normales 16

III Pruebas de Hiptesis Estadsticas 18

Pruebas de independencia 18
Pruebas de homogeneidad 19

IV Ejercicios propuesto 20

V Respuestas y/o soluciones a ejercicios propuestos 22

VI Bibliografa 27

3
 Problemario de Inferencia Estadstica

Presentacin

El presente conjunto de ejercicios, es una compilacin representativa de cada

uno de los temas que comprende la unidad de aprendizaje de Inferencia
estadstica que se imparte en el 4 periodo de la licenciatura en Relaciones
Econmicas Internacionales. Los ejercicios semestre con seleccionados con el
objeto de que el alumno comprenda de forma intuitiva y formal la resolucin de
ejercicios vistos en clase. El grado de dificultad difiere entre cada uno de los
ejemplos, lo que permitir al estudiante ir gradualmente resolviendo los
ejercicios considerados en el texto de referencia del curso.

La secuencia de los ejemplos y ejercicios corresponde fielmente a la estructura

de un curso estndar de inferencia. El lenguaje como la terminologa es propia
de alumnos del tercer ao de la carrera, no obstante las sesiones de clase se
acompaan con una serie de notas y apuntes que apoyan la comprensin y
entendimiento de los temas, se anexan una serie de ejercicios propuestos para
que el alumno los resuelva y valore su avance y entendimiento de los temas, la
bibliografa anexa es considerada bsica y complementaria.

Introduccin

La estadstica provee tcnicas que permiten obtener conclusiones generales a

partir de un conjunto limitado pero representativo de datos. Cuando
inferimos no tenemos garanta de que la conclusin que obtenemos sea
exactamente correcta. Sin embargo, la estadstica permite cuantificar el error
asociado a la estimacin.

4
La inferencia estadstica est relacionada con los mtodos para obtener
conclusiones. La estimacin se divide en dos reas: La estimacin puntual, y la
estimacin por intervalos de confianza.

Puntual Mtodo de Momentos,

MCO, MV

Por
intervalos

Estimacin

Prueba de
Sobre parmetros
Hiptesis

Sobre distribuciones

I. ESTIMACIN PUNTUAL

Definicin: Un estimador puntual de un parmetro es un valor que puede ser

considerado representativo de y se indicar . Se obtiene a partir de alguna
funcin de la muestra.

Ejemplo (1) Con el fin de estudiar si un dado es o no equilibrado, se arroja el dado

100 veces en forma independiente, obtenindose 21 ases (1) Qu valor podra
utilizarse, en base a esa informacin, como estimacin de la probabilidad de as?
Parece razonable utilizar la frecuencia relativa de ases.

Solucin:
En este caso, si llamamos p a la probabilidad que queremos estimar p^= 21/100 =0.21

Ejemplo (2) cuando usamos la media muestral para estimar la media de una
poblacin (), o la proporcin de una muestra P para estimar el parmetro de una
distribucin binomial .

Una "estimacin puntual" de algn parmetro de una poblacin es un solo valor

obtenido a partir de un estadstico.

5
Propiedades de los estimadores
Estimadores insesgados: El valor esperado del estimador debera ser igual al
parmetro que trata de estimar. Estimador es "insesgado", en caso contrario se dira
que es sesgado.
Ejemplo (1). La media muestral es un estimador insesgado de la media poblacional
ya que E( ) = .

Ejemplo (2). Si X es Binomial (n, ), demostrar que X/n es un estimador insesgado

del parmetro .

Solucin. Sea P = Tenemos que:

Ejemplo (3) Al calcular la media de una poblacin normal sobre la base de una
muestra de tamao 2n+1, cul es la eficiencia de la mediana con relacin a la
media?
Se sabe var( ) =/(2n+1).
Para una muestra aleatoria de tamao 2n+1 de una poblacin normal se sabe que:

La eficiencia relativa est dada por:

La eficiencia asinttica de la mediana con respecto a la media est dada por:

la media muestral es un estimador ms eficiente de la media poblacional que la

mediana muestral.
La media requiere slo el 64% de las observaciones que requiere la mediana para
estimar la media poblacional con la misma confiabilidad.

Ejemplo (4). Demuestre que es el estimador insesgado de mnima varianza de la

media de una poblacin normal.
Solucin:

6
Por lo tanto se tiene que

Como sabemos que es un estimador insesgado y su var= /n entonces es el

estimador insesgado de mnima var. de .

Ejemplo (5). Si la duracin de un servicio se distribuye normalmente, entonces .

Si = 2.5 minutos, y se usan muestras de tamao 16, entonces = 2.5/4 = 0.625
minutos. Si es desconocido y usamos como estimador una desviacin estndar
muestral de 2.8, entonces el error estndar estimado estar dado por 2.8/4 = 0.70
minutos.
Solucin:
Si estamos estimando una proporcin , entonces su mejor estimativo ser la
proporcin muestral, es decir y el error estndar ser

El error mximo ocurre cuando = 0.5, y ser .Si n = 50 el

error mximo ser

7
Ejemplo (6) Es T = X1 un estimador consistente de la media poblacional?

Solucin:

Tenemos que E(T) =E( X1) = , es decir es insesgado, y V(T) = V(X1) = 2. Como la
varianza del estimador no tiende a cero, entonces no es consistente, lo cual se puede
verificar al aplicar la desigualdad de Chevyshef, que expresa lo siguiente:

la cual no tiende a cero cuando n , es decir, que X1 no tiende a cuando n es

grande.

Ejemplo (7) Demostrar que S es un estimador consistente de cuando se toman

muestras de una poblacin normal.

Solucin:

Se sabe que:

E(S) = por lo tanto, se observa que V(S) 0 cuando n

.

I.2 Mtodos de Estimacin

Los principales mtodos de estimacin de parmetros son los siguientes

Mtodo de los momentos

Mtodo de mxima verosimilitud
Estimadores bayesianos
Mnimos cuadrados

Para la estimacin de parmetros de distribuciones de probabilidad los mtodos

empleados son los 3 primeros, mientras que el segundo se usa principalmente en los
estudios de regresin.

1.2.1 Mtodo de los momentos

8
Ejemplo (1). Si una va sigue una exponencial con parmetro, encontrar el
estimador del parmetro usando el mtodo de los momentos. f(X) = e-x, x>0

Solucin:
Como slo existe un parmetro, bastar con usar el primer momento, es decir, 1 =
m1. El primer momento de la distribucin exponencial es 1/, por lo cual se tiene
que

e.d., el estadstico usado para estimar el parmetro es el inverso de la media

muestral. Si el parmetro que estuviramos estimando fuera el valor esperado =
1/, entonces el estimador ser la media muestral. Por lo tanto, este estimador es
insesgado.

Ejemplo (2). Si una va tiene una distribucin gama, con parmetros y k

desconocidos, se tiene lo siguiente:

Demuestre que el j-simo momento absoluto est dado por:

Solucin:
Por lo tanto los dos primeros momentos poblacionales estn dados por:

Igualando estos dos momentos poblacionales a los respectivos momentos muestrales

se tiene:

9
De (1) se tiene que y reemplazando en la ecuacin (2) obtenemos:

Por lo tanto

Ejemplo (3). Estimar por el mtodo de los momentos los parmetros y de una
distribucin normal.

Solucin:
Como son dos parmetros los que necesitamos estimar, usaremos los dos primeros
momentos de la distribucin normal, que estn dados por:

Igualando los dos primeros momentos poblacionales con sus respectivos momentos
muestrales tenemos que:

De lo anterior se concluye que el estimativo de la media poblacional es la media

muestral , y es un estimativo insesgado, mientras que el estimativo de la var()
no es la var(S), sino la cuasivarianza, y es un estimativo sesgado.

1.2.2. Mtodo de Mxima Verosimilitud

Ejemplo (1) se lanza al aire una moneda 10 veces, y se observan 6 caras, y
necesitamos estimar la probabilidad de que la moneda caiga en cara. Si q representa
la probabilidad de que una moneda caiga en cara, la probabilidad de obtener x
caras en n lanzamientos de una moneda est dada por la distribucin binomial, a
saber:

10
Solucin:
Si el parmetro puede tomar los valores 0.30, 0.35, 0.40, 0.45, 0.50, 0.55, 0.60, 0.65,
0.70, las probabilidades de obtener 6 caras en 10 lanzamientos de la moneda estn
dadas en la tabla siguiente, para los valores del parmetro arriba mencionado.

0.3 0.35 0.4 0.45 0.5 0.55 0.6 0.65 0.7

P(X=6) 0.0368 0.0689 0.1115 0.1596 0.2051 0.2384 0.2508 0.2377 0.2001

De la tabla se observa que el valor que maximiza la probabilidad de ocurrencia es

Ejemplo (2) Si una va sigue una distribucin exponencial con parmetro , encontrar
el estimador del parmetro usando el mtodo de mv. f(X) = e-x, x > 0.

Solucin:
La funcin de verosimilitud est dada por:

Considerando el logaritmo tenemos que:

Derivando el logaritmo de la funcin de verosimilitud con respecto al parmetro se

tiene:

De nuevo, el estadstico usado para estimar el parmetro es el inverso de la media

muestral. Si el parmetro que estuviramos estimando fuera el valor esperado =
1/, entonces el estadstico ser la media muestral. Este estimador es insesgado.
Suponga que la va se refiere a tiempos de servicio de clientes, y toma los siguientes
valores: 2.7, 1.8, 2.6, 10.5, 4.8, 1.2, 0.5, 2.8, 3.9, 18.7
La media muestral sera = 4.92 minutos y el estimativo del parmetro sera

Ejemplo (3) Consideremos la estimacin de los parmetros y de una distribucin

normal por el mtodo de mxima verosimilitud.

11
Solucin:

Si X~ N(, ) = {1, 2} 1 = , 2 =.
La funcin de verosimilitud est dada por:

El logaritmo de la funcin de verosimilitud est dado por:

Derivando inicialmente con respecto al parmetro se tiene:

Derivando con respecto al parmetro se tiene:

En resumen tenemos que:

De nuevo se concluye que el estimativo de la media poblacional es la media

muestral , y es un estimativo insesgado, mientras que el estimativo de la varianza
poblacional no es la varianza muestral S, sino la cuasivarianza, y es un
estimativo sesgado.

Ejemplo (4). Sea X un experimento binomial en el cual se observan que X = x xitos

en n ensayos. Obtega el E.M..V. del parmetro p.

12
Solucin:
La funcin de verosimilitud es idntica a la de probabilidad de que X = x, por lo tanto:
0<= p <=1.
n!
L( x; p ) p x (1 p ) n x
( n x)! x!
Entonces se tiene:

ln L(x ; p) = ln(n!) ln[(n-x)!] ln(x!) + x ln(p) + (n-x) ln(1-p)

Se deriva con respecto a p, el parmetro, y se iguala a 0.

Para confirmar este valor se deriva por segunda vez con respecto a p:
d [ln L( x; p )] x (n x)
0
L( x; p )] pnp ((11 pp)) ( x np)(1 2 p )
d 2 [lndp

dp 2
2
[ p (1 p )]

Lo evaluamos en x/n, con x/n < 1, y se tiene:

II. ESTIMACIN POR INTERVALOS

Ejemplo (1). Sean X1. X2,,Xn una muestra aleatoria con distribucin Ber(P). Si
queremos estimar el parmetro p, la manera ms natural de hacerlo consiste en definir
la suma de stas proporcionan una distribucin Binomial.

Solucin:
Si se considera como estimador suyo la variable aleatoria p=x/n
Es decir, tomamos como estimacin de p la proporcin de xitos obtenidos en las n

pruebas . La distribucin del nmero de xitos es binomial, y puede ser aproximada

a la normal cuando el tamao de la muestra n es grande, y p no es una cantidad muy
cercana a cero o uno:

El estimador no es ms que un cambio de escala de X, por tanto

13
Esta expresin presenta dificultades para el clculo, siendo ms cmodo sustituirla por
la siguiente aproximacin:

Para encontrar el intervalo de confianza al nivel de significacin para p se considera

el intervalo que hace que la distribucin de Z N(0,1) deje la probabilidad fuera del
mismo. Es decir, se considera el intervalo cuyos extremos son los cuantiles /2 y 1-
/2 As se puede afirmar con una confianza de 1- que:

Esto se resume en la siguiente expresin:

Con una confianza de (1-)

Ejemplo (2): Se quiere estimar el resultado de un referndum mediante un sondeo.

Para ello se realiza un muestreo aleatorio simple con n = 100 personas y se
obtienen 35% que votarn a favor y 65% que votarn en contra (suponemos
que no hay indecisos para simplificar el problema a una variable dicotmica).
Con un nivel de significacin del 5%, calcule un intervalo de confianza para el
verdadero resultado de las elecciones.
Solucin
Dada una persona cualquiera (i) de la poblacin, el resultado de su voto es una
variable dicotmica:

El parmetro a estimar en un intervalo de confianza con =0.05 es p, y tenemos sobre

una muestra de tamao n=100, la siguiente estimacin puntual de p:

14
Sabemos que

En la prctica el error que se comete no es muy grande si tomamos algo ms simple

como

As el intervalo de confianza buscado lo calculamos de la siguiente manera:

Por tanto, tenemos con esa muestra un error aproximado de 9,3 puntos al nivel de
confianza del 95%.

2.1. I.C. para la diferencia de dos proporciones ( 1 - 2)

Ejemplo (1). Considere un proceso de produccin que tiene una fraccin defectuosa
P desconocida. A este proceso se le realizan unas mejoras para reducir el porcentaje
de defectuosos que est produciendo, y queremos saber si estos cambios s reducen
sustancialmente la proporcin de artculos defectuosos del proceso. Para ello, se toma
una muestra de 200 artculos del proceso original, y se encuentran 12 defectuosos, y
se examinan 150 artculos del nuevo proceso y se observan 6 defectuosos. Cree
Usted que los cambios efectuados al proceso han reducido el porcentaje de artculos
defectuosos?. Use un nivel de confianza del 95%.

Solucin:
Tenemos:
n1 = 200, x1 = 12 p1 = 12/200 = 0.06
n2 = 150, x2 = 6 p2 = 6/150 = 0.04

El intervalo de confianza del 95% para la diferencia entre las fracciones defectuosas
antes y despus de las mejoras realizadas al proceso est dado por:

15
Como la diferencia de cero est incluida en el intervalo de confianza, concluimos que
no tenemos evidencia para afirmar que los cambios efectuados al proceso contribuyen
a reducir el porcentaje de artculos defectuosos.

Cul hubiera sido la conclusin si las muestras y los resultados hubieran sido los
siguientes (observe que las proporciones defectuosas muestrales son las mismas:

Tenemos:
n1 = 1000, x1 = 60 p1 = 60/1000 = 0.06
n2 = 750, x2 = 30 p2 = 30/750 = 0.04

El intervalo de confianza del 95% est dado por -0.018 <(1-2)< 0.058

En este caso, aunque las proporciones muestrales son las mismas, el tener tamaos
de muestra mucho mayores, nos permite concluir que efectivamente los cambios
realizados al proceso redujeron la fraccin defectuosa (1>2).

2.2. I.C. para la varianza de una distribucin normal

Ejemplo (1). Un proceso produce cierta clase de cojinetes de bola cuyo dimetro
interior es de 3 cm. Se seleccionan en forma aleatoria 12 de estos cojinetes y se
miden sus dimetros interiores, y los valores resultantes son los siguientes: 3.01, 3.05,
2.99, 2.99, 3.02, 3.00, 2.98, 2.99, 2.97, 2.97, 3.02 y 3.01. Suponiendo que el dimetro
es una variable aleatoria normal, determine un intervalo de confianza para la varianza
poblacional . Use un intervalo de confianza del 99%.

Solucin.

Tenemos: ,
El intervalo de confianza estar dado por:

En el intervalo de confianza para la varianza, el punto medio del intervalo (0.001266)

no coincide con el estimador puntual, debido a la no simetra de la distribucin chi-
cuadrado.

2.3 I.C. Para la relacin de varianzas de dos distribuciones normales

Ejemplo (1). Considere la siguiente tabla que se refiere a la diferencia en aos de
aejamiento de dos marcas de tequila.
Tequila Don Tequila
Elementos
Ramn Corralejo
Ni 10 8

16
 Media muestral 3.1 2.7
si 0.5 0.7

Suponiendo que los conjuntos de datos provienen de muestras tomadas al azar de

poblaciones normales con varianzas desconocidas, construya un intervalo de
confianza del 98% para la relacin de las dos varianzas de respecto a los aos de
aejamiento de las dos marcas de tequila.

Solucin
Tenemos que: F0.01,9,7 = 6.72, F0.01,7,9 = 5.61
El intervalo de confianza del 99% para la relacin de la varianza de tequila Corralejo
(la mayor) a la varianza del tequila Don Ramn est dado por:

Si se hubiera construido la relacin de la varianza del tequila Don Ramn a la Tequila

Corralejo el intervalo de confianza estara dado por:

Como el valor de la relacin uno est comprendido en el intervalo de confianza, no hay

evidencia estadstica para rechazar hiptesis sobre la igualdad de las dos varianzas.

17
 III. PRUEBA DE HIPOTESIS

3.1 Pruebas de independencia

Ejemplo (1). Usando un nivel de significacin del 5%, determine si l numero de fallas
se asocia al tipo de maquina con el turno en que se utiliza.

A B C D Total
1 41 20 12 16 89
2 31 11 9 14 65
3 15 17 16 10 58
Total 87 48 37 40 212
Solucin:
Declaracin de Hiptesis:
H0 = Existe independencia entre la maquinaria y el turno en que se utiliza.
H1 = No existe independencia entre la maquinaria y el turno en que se utiliza.

Estadstica de prueba:

X 2
n

k x
ij eij
2

calculado =11.6491
i 1 j 1 eij

Criterio de Decisin:
p value = 0.070271
2
X critico X 61 12.5916
0.05

Conclusin:
2
X calculado X critico
2


p(value)

Decisin:
No se rechaza H0

Interpretacin:
No hay relacin entre la maquina y el turno en que se utiliza.

III.2 Pruebas de Homogeneidad:

18
Ejemplo (2): Se realiza un estudio para determinar si en 3 sectores de la economa del
pas (industria, comercio y agrcola) tienen la misma opinin respecto de una medida
econmica. Se escogieron 200 industrias, 190 comerciantes y 120 agricultores.

Industria Comercio Agrcola Total

A favor 160 150 70 380
Encontra 27 30 40 97
Indiferente 13 10 10 33
Total 200 190 120 510

Solucin:

Estadstica de prueba:

X 2
n

k x
ij eij
2

calculado =23.77
i 1 j 1 eij

p value = 0.000089
2
X critico X 61 12.5916

Nivel de significancia:
0.05
Conclusin:
2
X calculado X critico
2


p(value)
Decisin:
Se rechaza H0
Interpretacin:
No existe proporcin entre la opinin de las industrias, comerciantes y agricultores.

CONCEPTOS ELEMENTALES

19
El tema de las pruebas de hiptesis estadsticas forma parte de la estadstica
inferencial. El principal objetivo al realizar una prueba de hiptesis es
determinar, a partir de una muestra aleatoria (conjunto de observaciones), si un
determinado parmetro de una poblacin toma cierto valor (o valores); o bien,
si dicha muestra puede considerarse proveniente de una funcin de distribucin
especfica.

Una hiptesis estadstica es una aseveracin o negacin acerca de un parmetro (o

parmetros) de una distribucin probabilstica, como puede ser una media, una
varianza o una proporcin.

En la realizacin de una prueba de hiptesis se plantean dos tipos de hiptesis. La

hiptesis nula, H0 y la hiptesis alternativa, H1. La primera considera comnmente el
enunciado que se desea probar; en tanto que, la alternativa asume la negacin de la
hiptesis nula.

En este apartado, el procedimiento general para realizar pruebas de hiptesis se

presenta en seguida:
1) Planteamiento del conjunto de hiptesis ( H0 vs H1 ).
2) Definicin del nivel de significancia
3) Clculo del estadstico de prueba
4) Definicin de la regin crtica de la prueba y aplicacin de la regla de
decisin (rechazar o no rechazar H0)
5) Conclusin

Descripcin de cada uno de estos pasos

1. El planteamiento de las hiptesis es fundamental en la realizacin de una
prueba de hiptesis. Se debe tener en cuenta que en la hiptesis nula por lo
general se considera la afirmacin que se desea contrastar; es decir, aquello
que se esperara no ocurriera; mientras que, en la hiptesis alterna se
considerara el resultado que se espera como correcto.

20
2. El nivel de significancia () se refiere al margen de error con que se desea llevar a
cabo la prueba. Por lo general se emplea un = 0.05, aunque tambin es comn
emplear en las pruebas niveles de significancia de 0.10 y 0.01.

3. El estadstico de la prueba es una funcin exclusivamente de las observaciones

contenidas en la muestra aleatoria. Dicho estadstico constituye una parte fundamental
en la elaboracin de la regla de decisin de la prueba.

4. La regin crtica se define a partir del llamado valor crtico de la prueba. El conjunto
de valores que conforman la regin crtica de la prueba definen la regin de rechazo
de la hiptesis nula.

5. Finalmente se concluir argumentando el porque se rechaza (o no) la hiptesis nula

al nivel de significancia previamente establecido. Es muy importante destacar que el
resultado obtenido se debe particularmente al empleo de la muestra de observaciones
disponible, y que no necesariamente el parmetro poblacional es igual al valor (o
valores) propuesto en la hiptesis que finalmente se apoye.

Por otra parte, la realizacin de pruebas de hiptesis puede conducir a dos tipos de
errores en la conclusin de las mismas; es decir, por un lado se puede rechazar algo
que es verdadero, y por otro, no rechazar algo siendo falso. Estos dos tipos de errores
se identifican de la siguiente manera:

a) Error tipo I. Ocurre cuando se rechaza la hiptesis nula cuando en

realidad esta es cierta.
b) Error tipo II. Se presenta cuando no se rechaza la hiptesis nula an
cuando en realidad esta es falsa.

Es posible calcular la probabilidad de cada uno de estos tipos de error a partir de la

consideracin de la regla de rechazo de la hiptesis nula de la prueba; o bien:

P( Error tipo I) = P(rechazar H0 cuando H0 es cierta) = .

y
P( Error tipo II) = P(no rechazar H0 cuando H0 es falsa) =

21
En la elaboracin de pruebas de hiptesis siempre se pretende trabajar con
pruebas confiables o pruebas con la mayor potencia posible; es decir, se
busca que una prueba posea una alta probabilidad de rechazar la hiptesis
nula cuando esta es falsa. La potencia de una prueba de hiptesis se obtiene
calculando la siguiente probabilidad:

P(rechazar H0 cuando H0 es falsa) = 1 -

Finalmente, se dice que una prueba de hiptesis es de tamao si la

probabilidad de rechazar la hiptesis nula cuando esta es cierta es igual con
(o la probabilidad del error tipo I).

22
I. PRUEBAS DE HIPTESIS (PH)UNIFORMEMENTE MS
POTENTES DE TAMAO ALFA, UMP()

La metodologa empleada en este apartado consiste en la razn de

verosimilitudes propuesta en el Lema de Neyman-Pearson (N-P), el cual
establece que existe una regin crtica C de tamao y una constante positiva
k, tal que:

L0 x1 , x2 ,..., xn ; 0
k interior de C
L1 x1 , x2 ,..., xn ;1
L0 x1 , x2 ,..., xn ; 0
k exterior de C
L1 x1 , x2 ,..., xn ;1

donde C define la mejor regin crtica de tamao para probar las hiptesis:
Ho: = 0 contra Ha: = 1

donde: 0 > 1, o bien 0 < 1.

Adems, L0 y L1 son las funciones de verosimilitud relativas a H 0 y H1 respectivamente.

La funcin de verosimilitud de una variable aleatoria est determinada por el producto
de las densidades de probabilidad de la n observaciones correspondientes a dicha
variable aleatoria y las cuales conforman la muestra aleatoria disponible.

Esta metodologa es ampliamente recomendada cuando la muestra aleatoria con que

se trabaja es pequea (n < 30) y no proviene de una distribucin normal, en caso
contrario (n 30) se podr hacer uso del Teorema Central del Lmite (TCL) y
aproximar a la distribucin normal en caso de que dicha muestra no tenga esta
distribucin probabilstica. Adems, si se tiene una muestra pequea (n<30)
proveniente de una poblacin normal ser conveniente el empleo de la distribucin t
de student.

23
1. Ejercicios de PH sobre los parmetros de una distribucin de
probabilidad

Problema 1: Sea x1, x2,,xn, una muestra aleatoria de tamao n, de una distribucin
de Poisson con parmetro desconocido. Determinar la mejor regin crtica para
probar las hiptesis:
H 0 : 0
vs
H 1 : 1

donde 0 1 .

Solucin

Por el lema de Neyman-Pearson. Primero se obtiene la funcin de verosimilitud bajo

H0:

e 0 0 i
n x

L0 x1 , x 2 ,..., x n ; 0 f x i ; f xi ; x 0,1,2,..., n
i 1 xi !

e 0 0 1 e 0 0 2 e 0 0
x x xn

es decir: L0 ...
x1! x2 ! xn !
n
n0
i
x
e
que es igual con: L0 n
0 i 1

x!i 1
i

Ahora, obteniendo la funcin de verosimilitud bajo H1 se tiene:

e 1 1 i
n x

L1 x1 , x 2 ,..., x n ; 1 f xi ; f xi ; x 0,1,2,..., n
i 1 xi !

e 1 1 1 e 1 1 2 e 1 1 n
x x x
L1 ...
x1! x2! xn!

24
 n
n1
i
x
e
L1 n
1 i 1

x!
i 1
i

Por lo tanto la razn de verosimilitudes es:

n
n 0
i
x
e 0 i 1
n

L0 x1 , x2 ,..., xn ; 0 x! i
i 1
k
L1 x1 , x2 ,..., xn ; 1
n
n1
i
x
e 1 i 1
n

x!
i 1
i

e 0 i1 i
n0 x
L0
simplificando: n
k
L1
e n1 1i 1 i
x

L0 xi
o bien: n 0 n1
0 i1
L1 e k
1

Aplicando logaritmo natural a la expresin anterior, tenemos:

n
n1 n0 xi ln 0 ln k
i 1 1

n 1 0 xi ln 0 ln k
n
o bien:
i 1 1

Despejando el trmino de sumatoria:

xi ln 0 ln k n 1 0
n

i 1 1

Ntese que: 1 0 0
0
1
1 ; por lo tanto el ln 0
0
1 , entonces:

n ln k n 1 0
xi k'
i 1
ln 01

25
Por lo tanto, la mejor regin crtica para probar: H 0 : 0 vs H 1 : 1 con 0 1

n ln k n 1 0
xi k' .
est definida por:
i 1
ln 01

En seguida, para obtener el valor de k se utilizar la definicin de la

probabilidad del error tipo I, es decir:

P error tipo I P rechazar H 0 H 0 es cierta

En este ejemplo se tiene que:

n
P xi k ' H 0 : 0
i 1

en forma equivalente:

n
1 P xi k ' 0
i1
o bien:

n
P xi k ' 0 1
i1

26
Ahora, como:
n n
xi ~ P ; i 1,2,..., n xi ~ P n ; considrese que y = x i
i 1 i 1

n
As: P x i k ' 0 = P y k ' 0 1 , lo que equivale a:

i1
e n0 n0
k' yi

1
i 0 yi !
Es posible determinar en forma sencilla el valor de k (con n, 0 y conocidos) y definir
completamente la regin crtica o regla de decisin de la prueba de hiptesis
planteada.

Por ejemplo, supngase que se tiene una muestra aleatoria x1, x2,, xn de tamao n
= 10 y se quiere probar las hiptesis: H 0: = 2 contra H 1: = 3 con un nivel de
significancia de 0.05.

n ln k n 1 0
xi k'
Puesto que la regin crtica de la prueba es:
i 1
ln 01
sustituyendo valores para determinar el valor crtico de la prueba (k) se tiene:

e 20 20
k' yi

i 0 yi !
1 0.05

empleando tablas de la distribucin de Poisson con parmetro 2 se encontrar que:

k = 27
esto es, dada la informacin disponible se deber rechazar la hiptesis nula con un

nivel de significancia , cuando x i 27.

i 1

27
Problema 2. Sea x1,x2,,xn una muestra aleatoria de la distribucin de probabilidad
de Bernoulli, f(x) = x (1-)1-x, con parmetro desconocido. Probar el conjunto de
hiptesis:
H0: = 0
vs
H1: = 1; donde 0 1.

Solucin. Aplicando el lema de N-P para determinar la mejor regin crtica de la

prueba, primeramente se obtendrn las funciones de verosimilitud, L 0 y L1, evaluadas
en las hiptesis nula y alternativa respectivamente a partir de la distribucin
probabilstica considerada.
n
L0 ( X 1, X 2 ,..., X n ; 0 ) f ( xi ) f ( x1 ) f ( x 2 ) ... f ( x n )
i 0
(1 x1 )
( 0 ) (1 0 )
x1
( 0 ) x2 (1 0 ) (1 x2 ) ... ( 0 ) xn (1 0 ) (1 xn )
n n

xi (1 xi )
L0 ( 0 ) i 1 (1 0 ) i 1

n n

entonces: xi (1 xi )
L1 ( X 1, X 2 ,..., X n ;1 ) (1 ) i1 (1 1 ) i1

As, por el lema de N-P la mejor regin crtica para probar H 0: = 0 vs. H1: = 1 tal
que 0 1 esta determinada por la razn de verosimilitudes:
n n

xi (1 xi )
L0 ( X 1, X 2 ,..., X n ; 0 ) ( 0 ) i 1 (1 0 ) i 1
k
L1 ( X 1, X 2 ,..., X n ; 1 )
n n
xi (1 xi )
( 1 ) i 1 (1 1 ) i 1

n n
xi (1 xi )
( 0 ) i 1 (1 0 ) i 1
n n
k
xi (1 xi )
( 1 ) i 1 (1 1 ) i 1

Reordenando trminos:
n n
Xi (1 X i )
( 0 ) i 1 (1 0 ) i 1
k
(
1 ) (1 )
1

28
 n n
( Xi ) n ( X i )
( 0 ) i 1 (1 0 ) (1 0 ) i 1
k
( 1 ) (1 1 ) (1 1 )
o bien:
n

Xi
( 0 ) i 1
n
( 1 ) (1 0 )
k
(1 ) (1 )
1
0

(1 1 )

aplicando logaritmo natural:

n
(1 1 ) 10
x i ln 0
(1 )
ln k n ln
1

i 1 1 0 1

n
Despejando el trmino x
i 1
i de la expresin anterior se tiene:

(1 1 )
ln k n ln
n
(1 0 )
xi k'
i 1 ( 0 ) (1 1 )
ln ln
(1 ) (1 0 )

Este resultado constituye la mejor regin crtica para la prueba planteada. As, deber

n
rechazarse la hiptesis nula cuando X
i 0
i resulte menor o igual que la constante k.

Para obtener el valor de k, se emplea la definicin de la probabilidad del error tipo 1:

P [rechazar H0/ H0 es cierta] =

n
o bien: P x i k ' / H 0 : 0
i 1

n
Si x i B(1,); i = 1,2,, n, entonces: y x i 1
i B(n, ), o bien bajo H0:

29
 n
f ( y ) ( 0 ) yi (1 0 ) ( n y i )
yi

n
entonces, la probabilidad: P xi k ' / H 0 : 0 , es equivalente a:
i 1

K
n
P y k ' / 0 ( 0 ) yi (1 0 ) ( n yi )
i 1 y i

Puesto que los valores de n, 0 y son conocidos; mediante tablas de la distribucin

binomial acumulativa es posible obtener el valor de k. Por lo tanto, la regin crtica
para esta prueba ha quedado totalmente definida.

Problema 3: Sean los datos 4.4, 5.2, 3.0 y 4.8 una muestra aleatoria independiente e
idnticamente distribuida (m. a. i. i. d.) de una distribucin gamma con parmetros de
forma = 2.5 y de escala desconocido. Pruebe el siguiente conjunto de hiptesis:
Ho: = 3 contra H1: = 2

a) Obtenga la prueba UMP() y

b) Encontrar el valor crtico de la prueba para un = 0.05

Solucin:
a) Por el lema de N-P se obtendr primeramente la prueba UMP() para
contrastar el conjunto de hiptesis:
Ho : 3
vs
H1 : 2

Como la m.a.i.i.d. tiene distribucin gamma (, ) con parmetros =2.5 y

desconocido, la funcin de densidad de xi; i =1,2,,n; con n = 4, est definida por:

1
xi e xi
f xi ; xi > 0

entonces, la funcin de verosimilitud bajo H0 es:

30
 n
x 1e x
L0 ( x1 , x2 ,..., xn ; o ) f xi ; f xi
i 1
sustituyendo el valor del parmetro = 2.5:

2.51 x1 0 2.51 x2 0 2.51 xn 0

x1 e x2 e xn e
L0 ...
2.5 0 2.5 0 2.5 0
2.5 2.5 2.5

1 .5 n
xi 0
o bien: x e i1
L0 i
2 . 5 n 0 2 .5 n

por lo tanto, la funcin de verosimilitud bajo H1 ser:

2.5 1 x1 1 2.51 x2 1 2.5 1 xn 1

x1 e x2 e xn e
L1 ...
2.5 1 2.5 1 2.5 1
2.5 2.5 2.5

1. 5 n
xi 1
o bien: xi e i 1

L1
2.5 n 12.5n

Por el lema de N-P para determinar la mejor regin crtica de la prueba consideramos

L0
la razn de verosimilitudes k:
L1
n

1.5 n
xi 0
xi e i 1

L0 2.5 0
n 2.5 n

n k
L1 xi 1
1.5 n
xi e i 1
2.5 n 12.5n

que es equivalente a:

31
 n

2.5 n
xi 0
L0 1 e i 1

n
k
L1 xi 1
2.5 n
0 e i 1
Reordenando trminos:
n n
2.5 n
1 xi 0 xi 1
e i 1 i 1
k
0
o bien:
2.5 n 1 1 n
1

xi

e 1 0 i 1
k
0
Aplicando logaritmo natural tenemos:
1 1 n
2.5n ln 1 xi ln k
0 1 0 i 1
sustituyendo los valores de 0 = 3 y 1 = 2, se tiene:

2 1 1 n
2.5n ln xi ln k
3 2 3 i 1
n
por lo tanto, despejando el trmino x
i 1
i se obtiene:

n 2
xi 6 ln k 15n ln = k
i 1 3
lo que define la mejor regin crtica para probar H0: = 3 contra H1: = 2. Es decir, si

x
i 1
i k ' entonces deber rechazarse la hiptesis nula H0 y se tendr evidencia de

que H1 es verdadera.

b) Encontrar el valor crtico de la prueba ( k) para un = 0.05

El valor de k se obtiene a travs de la probabilidad del error tipo I:

P error tipo I P rechazar H 0 H 0 es cierto

equivalente en este ejemplo a:

32
 n
P xi k ' 3
i 1
Ahora, se conoce que xi ~ 2.5, ; xi 0 ; entonces por propiedades de la
distribucin gama:
n

x i ~ 2 .5 n ,
i 1

que bajo la hiptesis nula H0:

n

x i ~ 2.5n,3
i 1

n
Sea y = x
i 1
i , entonces:

33
y ~ 5n2 ,3

34
 52n ,2 52n
2
adems: y ~ 5n
2 ,2 y
3

es decir, una variable aleatoria x con distribucin gamma y parmetros = 5n/2 y = 2

es una variable aleatoria chi-cuadrada con 5n grados de libertad.

De esta manera:

n
P xi k' 3
i1
es equivalente a:
2 2
P y k ' 3
3 3
A travs de la funcin de probabilidad acumulativa de la distribucin gamma se obtiene:
2
Fy k '
3
2
aplicando la funcin inversa de Fy se tiene que: k ' 52n ,
3

Regresando al problema planteado se tiene que para y n = 4:

3 20 310.9
2
, 0.05
k' 16.35
2 2

Por lo tanto, la prueba UMP() para las hiptesis: Ho: = 3 contra H1: = 2 est definida
por:
n

x
i 1
i k ' 16.35

35
 n
Es decir, existir evidencia de que la hiptesis nula no se cumple cuando x
i 1
i 16.35 y

deber rechazarse considerando un nivel de significancia

Para este ejemplo se tendra que:
n

x
i 1
i = 4.4 + 5.2 + 3.0 + 4.8 = 17.4 > 16.35

por lo que se rechaza H0 a un nivel de significancia de 0.05.

Ejercicio (2) acerca de la potencia y tamao de una prueba de hiptesis

Problema 1. Sea x1, x2,...,xn una m.a.i.i.d. de tamao n de la distribucin de Bernoulli

con parmetro desconocido. Para una muestra de tamao n = 10, probar las hiptesis:

H0: = contra H1: =

utilizar la regin crtica xi 6 y obtener:

a) La potencia de esta prueba y
b) El tamao de la prueba.

Solucin: a) La funcin de potencia esta dada por:

1

donde es la probabilidad el error tipo II, entonces para calcular a primeramente se

obtendr a :
P no rechazar H0 / H0 es falsa =
o bien:

n
P xi 6 / 3 / 4
i 1

36
 n

se conoce que: xi ~ B(1,); i=1,2,,n; entonces y = x

i 1
i ~ B(n,); por lo que:

5
10
=P[y<6 / =] y (3 / 4) yi (1 / 4) n yi 0.1503
yi 0 i

Por lo tanto, la potencia de esta prueba est determinada por:

1 0.1503 = 0.8497

es decir, la probabilidad de rechazar la hiptesis nula cuando esta es falsa es de un

0.8497 (o un 84.97%).

b) Si la regin crtica de la prueba es xi 6, el tamao de la prueba esta dado por:

n 1
P xi 6
i 1 2
es decir, la probabilidad del error tipo I, (), determina el tamao de la prueba, o bien:

1
10
1 10 6
P y 6
10 6
6
= 0.38
2 yi 6

Por lo tanto, el tamao de esta prueba de hiptesis es de 0.38 o del 38%.

37
 IV. EJERCICIOS PROPUESTOS

4.1 Estimacin puntual

1 . Si X es Binomial (n,), demostrar que X/n es un estimador insesgado del parmetro .

1. Al calcular la media de una poblacin normal sobre la base de una muestra de tamao
2n+1, cul es la eficiencia de la mediana con relacin a la media?
2. Si la duracin de un servicio se distribuye normalmente, entonces X . = 2.5
minutos, y se usan muestras de tamao 16, entonces T= 2.5/4 = 0.625 minutos. Si
es desconocido y usamos como estimador una desviacin estndar muestral de 2.8,
entonces el error estndar estimado estar dado por 2.8/4 = 0.70 minutos.
3. Demostrar que S es un estimador consistente de cuando se toman muestras de
una poblacin normal.

IV.2 Estimacin por intervalo

1 En un estudio para el estado de la salud oral de una ciudad, se toma una muestra
aleatoria de 280 hombres entre 35 y 44 aos, y se estudia la variable nmero de
dientes en la boca. Se desea realizar la estimacin por intervalo de confianza del
0.95 de la proporcin de individuos de esta ciudad con 28 dientes o ms,
considerando este valor como denticin completa. Luego del examen clnico se
encontr que hay 70 individuos con 28 diente o ms dientes. La estimacin
puntual de p es po siendo: po = 70/280 = 0,25, que representa el 25% de los
individuos con denticin completa.
2. Determinar el tamao de la muestra para que el error al estimar la media de una
poblacin sea menor que 0.06 con una probabilidad de 0.95, sabiendo que se
tom una muestra de tamao n = 50 y se obtuvo x = 9.1 y s = 0.24. Se busca un
tamao de muestra n tal que P(| x | < 0.06) = 0.95.

4.3 Pruebas de hiptesis (puede emplear Matlab)

1. Calcular a para el ejemplo de la rapidez de combustin para una muestra de N=10
datos, suponiendo que la desviacin estndar de la rapidez de combustin es
s=2.5 cm/seg.
2. Recalcular a del ejemplo anterior para a) los nuevos lmites de la regin de
aceptacin 48 y 52. b) Para N=16 con los lmites originales c) con ambas
modificaciones.
3. Supongamos que es importante rechazar H0 si la rapidez promedio de combustin
m es mayor que 52 cm/seg o menor que 48 cm/seg. Dada la simetra slo se
requiere evaluar la probabilidad de aceptar H0: m=50 cuando el valor verdadero es
m=52.
4. Si se conoce s=2 cm/seg, se desea probar si la media m es de 50 cm/seg. Se
selecciona una muestra aleatoria de tamao N=25, obteniendo x=51.3 cm/seg. Se
especifica un nivel de sginificancia a=0.05 A qu conclusiones se debe llegar?
38
 5. Ejemplo: Un diseador quiere reducir el tiempo de secado de una pintura. Se
prueban dos frmulas de pintura. La frmula 1 es la normal y la frmula 2 posee
un ingrediente secante que se espera reduzca el tiempo de secado. Se sabe que
el tiempo de secado tiene una desviacin estndar de 8 min y que sta no se
afecta con la adicin del nuevo ingrediente. Se pintan 10 especmenes con la
frmula 1, y 10 con la frmula 2, obtenindose tiempos promedio de secado de
x1=121 min, y x2=112 min. respectivamente. A qu conclusin se llega sobre la
eficacia del nuevo ingrediente utilizando a=0.05.?
6. En una reunin informativa, el gerente de un hotel Concepcin, indic que el
nmero promedio de habitaciones arrendadas por noche es mayor que 212. Uno
de los funcionarios considera que esta cifra puede estar algo sobreestimada. Una
muestra de 150 noches produce una media de 222,7 habitaciones y una
desviacin estndar de 45,5 habitaciones. Si estos resultados sugieren que el
gerente ha inflado su informacin, ser amonestado severamente. Cul es el
destino del gerente?

EJERCICIOS PROPUESTOS

1. Suponga que desea probar las hiptesis H0: = 5 vs H1: = 8 por medio de un solo
valor que se observa en una variable aleatoria con densidad de probabilidad:
f(x) = (1/)exp(-x/), x > 0.
Si el tamao mximo del error tipo I que puede tolerarse es de 0.15, cul de las
siguientes pruebas es la mejor para escoger entre las dos hiptesis?:
a) Rechazar H0 si X 9
b) Rechazar H0 si X 10
c) Rechazar H0 si X 11

2. Sea x1,x2,...,xn una m.a. de la distribucin de Poisson con parmetro desconocido.

Obtenga la mejor regin crtica de tamao para probar el conjunto de hiptesis:
H0: = 0 vs H1: = 1
donde: 1 < 0.
3. Se sabe que la proporcin de artculos defectuosos en un proceso de manufactura es
de 0.15. El proceso se vigila en forma peridica tomando muestras aleatorias de tamao
20 e inspeccionando las unidades. Si se encuentran dos o ms unidades defectuosas en
la muestra, el proceso se detiene y se considera como fuera de control.
a) Enuncie la hiptesis nula y alternativa apropiadas

39
 b) Obtenga la probabilidad del error tipo I
c) Obtenga la funcin de potencia para los siguientes valores alternativos de la
proporcin de artculos defectuosos: 0.06, 0.08, 0.10.

4. Sea x1,x2,...,xn una muestra aleatoria de tamao n de la distribucin exponencial con

parmetro de escala desconocido. Obtenga la mejor regin crtica de tamao para
probar las hiptesis:
H0: = 0 vs H1: = 1
donde 1 > 0.

RESPUESTAS
1. Prueba b).
3. a) H0: p = 0.05 vs H1: p > 0.05; b) 0.2642 y c) 0.3396, 0.4831, 0.6083

40
RESPUESTAS Y/O SOLUCIONES A LOS EJERCICIOS PROPUESTOS

5.1 Estimacin puntual

X X 1 1
1. Sea P E( P) E (X) n por lo tanto es insesgado
n n n n

2. Se sabe que la varianza de la media X est dada por /(2n+1). Para una muestra aleatoria de
tamao 2n+1 de una poblacin normal se sabe que el valor esperado y la varianza de la mediana
estn dados por:
~ ~ ~ 2
E(X) V(X)
4n

La eficiencia relativa est dada por:

La eficiencia asinttica de la mediana con respecto a la media est dada por:

la media muestral es un estimador ms eficiente de la

media poblacional que la mediana muestral.

3. Si estamos estimando una proporcin , entonces su mejor estimativo ser la proporcin

muestral, es decir =X/n y el error estndar ser

El error mximo ocurre cuando = 0.5, y ser .

Si n = 50 el error mximo ser

4. Sabemos que:

E(S) = se observa que V(S) 0 cuando n .

5.2 Estimacin por intervalo

1. Sabiendo que q o =1 - p o = 1 - 0,25 = 0,75, y consultando el anexo B de la
distribucin normal tipificada, se encuentra que el valor de Z para una confianza
del 0,95 es de 1.96, se obtiene:

41
De manera que, el intervalo de confianza del 0.95 de la proporcin de hombres con
denticin completa est entre 0.1933 0.3007; es decir, que existe una probabilidad del
0,95% de que este intervalo contenga entre sus lmites el valor de p.

Ejemplo. Determinar el tamao de la muestra para que el error al estimar la media de

una poblacin sea menor que 0.06 con una probabilidad de 0.95, sabiendo que se tom
una muestra de tamao n = 50 y se obtuvo x = 9.1 y s = 0.24.

Se busca un tamao de muestra n tal que

P(| x | < 0.06) = 0.95
O equivalentemente, se busca un tamao de muestra n tal que
z/2 = 0.06 con 1 = 0.95.
Como (1 )/2 = 0.475, segn la tabla 4, P(0 < z < z/2) = (1 )/2 para
z/2 = 1.96
Se busca entonces un tamao de muestra n tal que
z/2 x = 1.96 x = 1.96 / n = 0.06
de donde
2
1.96 2
n= .
0.06
se desconoce pero se puede aproximar con el valor s que corresponde a la muestra de
n = 50.
2
1.96
n= 2 = 61.5
0 . 06
es decir, n = 62.

5.3 Pruebas de hiptesis (emplear software)

1. En este caso a = P( x caiga en la regin crtica | m=50), es decir:
a = P( x < 48.5) + P( x > 51.5)
2. Recordando que La distribucin de x es Normal con media m=50 y desviacin
estndar s/N =0.79, por lo tanto, usando Matlab: a=normcdf(48.5,50,0.79)+(1-
normcdf(51.5,50,0.79)) = 0.288+ 0.288 = 0.0576
Esto significa que el 5.76% de las muestras de tamao 10 conducirn al rechazo de la
Hiptesis H0: m=50 cm/seg, cuando sta es verdadera.
a) a = normcdf(48,50,0.79) + (1-normcdf(52,50,0.79)) = 0.0114
b) a = normcdf(48.5,50,0.625)+(1-normcdf(51.5,50,0.625)) = 0.0164
c) a = normcdf(48,50,0.625)+(1-normcdf(52,50,0.625)) = 0.0014

42
3. Usando Matlab:
b = normcdf(51.5,52,0.79) - normcdf(48.5,52,0.79) = 0.2643
La probabilidad de obtener un error de tipo II aumenta muy rpido a medida que el
valor verdadero m tiende al valor hipottico, por ejemplo, si suponemos que m=50.5, y
recalculamos b, obtenemos
Usando Matlab:
b = normcdf(51.5,50.5,0.79) - normcdf(48.5,50.5,0.79) = 0.8923
b tambin depende del tamao de la muestra, por ejemplo, si N=16 obtenemos en el
ejemplo cuando m=52: s=0.625, por lo tanto
b = normcdf(51.5,52,0.625) - normcdf(48.5,52,0.625) = 0.2119
Es decir, b disminuye cuando N aumenta, excepto si el valor real de m est muy cerca
del hipottico
Como uno puede elegir los valores crticos del intervalo de aceptacin uno controla el
valor de a. Uno puede entonces controlar la probabilidad de rechazar de manera
errnea H0.
Es por eso que el rechazo de H0 siempre se considera como una Conclusin Fuerte.
(Los datos aportan fuerte evidencia de que H0 es falsa)
La decisin de aceptar H0 se considera una Conclusin Dbil, a menos que se sepa
que b es considerablemente pequeo.
Por esto en lugar de decir se acepta H0 se prefiere decir incapaz de rechazar H0, es
decir, no se ha encontrado evidencia suficiente para rechazar H0. O sea, no quiere
decir que exista gran evidencia de que H 0 sea cierta sino que no hay gran evidencia
de que sea falsa.
4. El parmetro de inters es m (rapidez promedio de combustin)
H0: m = 50 cm/seg
H1: m 50 cm/seg
a = 0.05
La estadstica de prueba es
Rechazar H0 si z>1.96 o si z<-1.96
Conclusin como z = 3.25 > 1.96, se rechaza H 0: m = 50 cm/seg con un nivel de
significancia a = 0.05
Es decir, Se concluye que en base a una muestra de 25 mediciones la rapidez
promedio de combustin es diferente de 50 cm/seg, de hecho, existe evidencia
fuerte de que sta es mayor.
5. Cantidad de inters: m1 - m2
H0: m1 = m2
H1: m1 > m2 (se busca evidencia fuerte que indique que el tiempo de secado
promedio de la muestra 2 es menor.
Alpha =0.05

43
 El estadstico de prueba es
H0 se rechazar si z>z0.05 = 1.645
Sustituyendo los datos, obtenemos z=(121-112)/(12.8)1/2=2.52
Conclusin: Puesto que z = 2.52 > 1.645 se rechaza H 0 con un nivel de
significancia a=0.05 concluyndose el nuevo ingrediente s disminuye el tiempo de
secado.
Alternativamente puede calcularse un valor P =1-F (2.52) = 0.0059, es decir, se
rechazar H0 para cualquier nivel de significancia a0.0059.
6. En una reunin informativa, el gerente de un hotel Concepcin, indic que el
nmero promedio de habitaciones arrendadas por noche es mayor que 212. Uno
de los funcionarios considera que esta cifra puede estar algo sobreestimada. Una
muestra de 150 noches produce una media de 222,7 habitaciones y una
desviacin estndar de 45,5 habitaciones. Si estos resultados sugieren que el
gerente ha inflado su informacin, ser amonestado severamente. Cul es el
destino del gerente?
Declaracin hiptesis
H 0 : 212
H 1 : 212
Nivel de significacin 0,05
Descripcin de la poblacional que interesa y planteamiento de las suposiciones
necesarias X nmero de habitaciones arrendadas por noche.
X ? Pero n 150 30

Estadstico de prueba

x 0
Zc
N 0,1
n
Criterios de decisin:
Ho: < o
H1: > o
Rho si RC z / z 1,645

Clculo de los estadsticos

x 0 222,7 212
Zc 2,88
45,5
n 150
Decisin
Z c 2,88 RC RECHAZAMOS H0
Interpretacin: El nmero promedio de habitaciones arrendadas por noche es mayor que
212 con p 0,002
Parece que el gerente no se ha excedido al estimar su tasa de ocupacin y
aparentemente no recibir una reprimenda.
44
45
6. Bibliografa

Bsica
Mood. A.M. Graybill F.A., Boes. D.C. Introduction to the Theory of Statistics. Third
Edition. McGraw Hill.

Complementaria

1. Devore, Jay L. Probabilidad y estadstica para ingeniera y ciencias. Internacional

Thompson
2. Hildebrand, David K. & Ott, Lyman R. Estadstica aplicada a la administracin y
la economa. Addison-Wesley Iberoamericana. Mxico, 1997
3. Lind, Douglas A.; Marchal, William G. & Mason, Robert D. Estadstica para
administracin y economa. Alfaomega Colombiana, S.A. Colombia 2004
4. Mendenhall, William. Estadstica para Administracin Grupo Editorial
Iberoamrica. Mxico 1990
5. Walpole, Ronald E. & Myers, Raymond H. Probabilidad y estadstica Prentice
Hall Latinoamericana. Mxico 1998

46