Beruflich Dokumente
Kultur Dokumente
Elabora:
Junio de 2015
2
Problemario de Inferencia Estadstica
ndice de contenido
I Estimacin puntual 4
Propiedades de los estimadores 4
Mtodos de estimacin 7
Mtodo de Momentos 7
Mtodo de Maximaverosimilitud 10
IV Ejercicios propuesto 20
VI Bibliografa 27
3
Problemario de Inferencia Estadstica
Presentacin
Introduccin
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.
Por
intervalos
Estimacin
Prueba de
Sobre parmetros
Hiptesis
Sobre distribuciones
I. ESTIMACIN PUNTUAL
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 .
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 (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:
6
Por lo tanto se tiene que
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:
Solucin:
Se sabe que:
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
Solucin:
Por lo tanto los dos primeros momentos poblacionales estn dados por:
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:
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.
P(X=6) 0.0368 0.0689 0.1115 0.1596 0.2051 0.2384 0.2508 0.2377 0.2001
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:
11
Solucin:
Si X~ N(, ) = {1, 2} 1 = , 2 =.
La funcin de verosimilitud est dada por:
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:
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 )]
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
13
Esta expresin presenta dificultades para el clculo, siendo ms cmodo sustituirla por
la siguiente aproximacin:
14
Sabemos que
Por tanto, tenemos con esa muestra un error aproximado de 9,3 puntos al 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).
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:
16
Media muestral 3.1 2.7
si 0.5 0.7
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:
17
III. PRUEBA DE HIPOTESIS
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.
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.
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.
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.
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.
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:
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:
22
I. PRUEBAS DE HIPTESIS (PH)UNIFORMEMENTE MS
POTENTES DE TAMAO ALFA, UMP()
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
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
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
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
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
n 1 0 xi ln 0 ln k
n
o bien:
i 1 1
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
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
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.
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 )
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.
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
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
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
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:
1 .5 n
xi 0
o bien: x e i1
L0 i
2 . 5 n 0 2 .5 n
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.
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
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
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
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
x
i 1
i = 4.4 + 5.2 + 3.0 + 4.8 = 17.4 > 16.35
n
P xi 6 / 3 / 4
i 1
36
n
5
10
=P[y<6 / =] y (3 / 4) yi (1 / 4) n yi 0.1503
yi 0 i
1 0.1503 = 0.8497
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
37
IV. EJERCICIOS PROPUESTOS
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.
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
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.
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
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
4. Sabemos que:
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.
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
Bsica
Mood. A.M. Graybill F.A., Boes. D.C. Introduction to the Theory of Statistics. Third
Edition. McGraw Hill.
Complementaria
46