Intervalo Confidencial, Test de Hipótesis y Bondad de Ajuste - Ejercicios Resueltos PDF

7.
- Intervalo confidencial, Test de Hipótesis y Bondad de Ajuste
– Ejercicios Resueltos –
 Estimación por Intervalos

 Pruebas de Hipotesis
 Muestras Pareadas
 Bondad de ajuste de distribuciones discretas y continuas
7. Intervalo confidencial, Test de Hipótesis y Bondad de Ajuste – Ejercicios Resueltos
ANÁLISIS ESTADÍSTICO
1. La Oficina de Planificación Familiar de la Municipalidad A desea determinar la proporción de

familias con un ingreso familiar inferior a $ 200.000. En una muestra aleatoria de 90 familias 18
presentaron un ingreso familiar inferior a $ 200.000.
1.1) Estime con 98% de confianza la proporción de familias con un ingreso familiar inferior a
$ 200.000 en la Municipalidad A.
1.2) ¿Qué tamaño muestral se requiere para asegurar con una confianza del 95% que el error
en la estimación de la proporción de familias con ingreso inferior a $200.000 no excederá
de 0,05?
1.1) Solución: Sean:

𝑥 = “Cantidad de familias con un ingreso familiar inferior a $200.000 en Municipalidad A”
𝑥 ~ 𝑁(𝜇; 𝜎 2 )
Debido a que el problema habla de proporción, debemos utilizar la siguiente fórmula para determinar
el intervalo confidencial:
𝑝̂ 𝑞̂
𝐼𝐶(𝑝)1−𝛼 = (𝑝̂ ± 𝑍1− 𝛼 √ )
2 𝑛
18
Con: 1 − 𝛼 = 0,98 ; 𝑛 = 90 ; 𝑝̂ = 90 = 0,2 ; 𝑞̂ = 0,8
Nota: El valor de 𝑝̂ se calcula dividiendo la número de datos de la muestra que cumplen la característica
que nos da el problema, en este caso, las familias con ingreso familiar inferior a $200.000, dividido por
el tamaño de la muestra.
Reemplazando, obtenemos:
0,2 ∙ 0,8
𝐼𝐶(𝑝)0,98 = (0,2 ± 𝑍0,99 √ ); 𝐶𝑜𝑛 𝑍0,99 = 2,33
90
0,2 ∙ 0,8
𝐼𝐶(𝑝)0,98 = 0,2 ± 2,33√
90
Finalmente, el intervalo de confidencialidad queda dado por:
𝐼𝐶(𝑝)0,98 = [0,102; 0,298]
Respuesta: El intervalo [0,102; 0,298] tiene un 98% de contener a la proporción de familias con un
ingreso familiar inferior a $ 200.000 en la Municipalidad A.
1.2) Solución: El ejercicio nos otorga los siguientes datos:

18
1 − 𝛼 = 0,95; 𝑒 ≤ 0,05; 𝑛 = 90; 𝑝̂ = = 0,2; 𝑞̂ = 0,8
90
Ya que estamos tratando con proporciones, utilizamos la fórmula de error está dada por:
𝑝̂ 𝑞̂
𝑒 = 𝑍1− 𝛼 √
2 𝑛
Página 134 Alejandro González Tapia – Ingeniería Civil en Minas

Reemplazando:
0,2 ∙ 0,8 1,96
0,05 ≥ 𝑍0,975 √ → √𝑛 ≥ √0,2 ∙ 0,8 → 𝑛 ≥ 245,86 ≈ 246
𝑛 0,05
Respuesta: Para asegurar que el error en la estimación de la proporción de familias con ingreso inferior
a $200.000, no exceda a 0,05, el tamaño de la muestra debe ser igual a 246, considerando una
confianza del 95%.
2.- Se realizan estudios sobre la contaminación producida por descargas de aguas residuales,
en cuerpos fluviales cordilleranos, para medir si estos cumplen con la norma establecida por el
decreto 90/2000, que establece niveles de concentración de Plomo de a lo más 0.02 mg/l. En una
muestra aleatoria de tamaño 20, de volúmenes de agua de 50 ml. cada uno, obtenidas en días
distintos, se encontró un nivel medio de concentración de plomo de 0,28 mg/l, con una
desviación estándar de 0,01 mg/l.
Bajo el supuesto de que las observaciones provienen de una población normal, estime el nivel
medio de concentración de plomo en estas aguas, con una confianza del 90%. Analice los
valores estimados en función de la norma.
2) Solución: Sea: 𝑥 = “Concentración de Plomo en cuerpos fluviales cordilleranos, en mg/l”;

𝑥 ~ 𝑁(𝜇 ; 𝜎 2 )
Del enunciado del ejercicio se desprenden los siguientes datos:
𝑛 = 20 𝑥̅ = 0,28 𝑆𝑥 = 0,01 1 − 𝛼 = 0,90
Debido a que desconocemos la varianza de la distribución, utilizaremos la siguiente fórmula para

obtener el intervalo de confianza:
𝑠
𝐼𝐶 (𝜇)1− 𝛼 = (𝑥̅ ± 𝑡(𝑛− 1;1− 𝛼) ∙ )
2 √𝑛
Reemplazando:
0,01
𝐼𝐶 (𝜇)0,90 = (0,28 ± 𝑡(19; 0,95) ∙ ) ; 𝐶𝑜𝑛 𝑡(19; 0,95) = 1,7291
√20
0,01
𝐼𝐶 (𝜇)0,90 = (0,28 ± 1,7291 ∙ )
√20
𝐼𝐶 (𝜇)0,90 = [0,2761; 0,2839]
Respuesta: El intervalo [0,2761; 0,2839] tiene un 90% de contener el nivel medio de concentración de
plomo en las aguas residuales, en cuerpos fluviales cordilleranos.
Alejandro González Tapia – Ingeniería Civil en Minas Página 135

3.- Se está estudiando la duración de ciertos procesos productivos y se toma una muestra
aleatoria, de tamaño 10. Se define como "Proceso Corto” cuando su duración es menor que 5
minutos, los datos obtenidos, en minutos, fueron:
3 5 8 6 10 5,5 4 4,2 4,5 2
3.1) Se pide estimar por intervalo de confianza del 98% la proporción de Procesos Cortos.
3.2) ¿Cuál debería ser el tamaño de la muestra si la proporción estimada disminuyen en un
10% y utilizamos un 95% de confianza manteniendo el mismo error probable antes de la
modificación?
3.3) Estimar la varianza de dichos tiempos con un nivel de confianza del 99%.
3.4) Si se realiza un ajuste tecnológico en el proceso de fabricación, el que reduce los tiempos
en un 15% ¿Cuál sería la estimación de la varianza con un 97% de confianza?
3.1) Solución: Sea: 𝑥 = “Tiempo de duración de ciertos procesos productivos, en minutos”

𝑥 ~ 𝑁(𝜇; 𝜎 2 )
Debido a que el problema nos habla de proporción, debemos utilizar la siguiente fórmula para
determinar el intervalo confidencial:
𝑝̂ 𝑞̂
𝐼𝐶(𝑝)1−𝛼 = (𝑝̂ ± 𝑍1− 𝛼 √ )
2 𝑛
5
Con: 1 − 𝛼 = 0,98 ; 𝑛 = 10 ; 𝑝̂ = = 0,5 ; 𝑞̂ = 0,5
10
0,5 ∙ 0,5
𝐼𝐶(𝑝)0,98 = (0,5 ± 𝑍0,99 √ ); 𝐶𝑜𝑛 𝑍0,99 = 2,33
10
0,5 ∙ 0,5
𝐼𝐶(𝑝)0,98 = 0,5 ± 2,33√
10
𝐼𝐶(𝑝)0,98 = [0,1316; 0,86848]
Respuesta: Este intervalo tiene un 98% de contener a la verdadera proporción de “Procesos cortos”
3.2) Solución: Lo primero que debemos hacer en este ítem es determinar una nueva variable, como se
ve a continuación: 𝑝′ = "Proporción con Procesos Cortos disminuida en un 10%”
𝑝̂′ = 0,9 ∙ 𝑝̂ = 0,9 ∙ 0,5 = 0,45
En seguida, calculamos el error probable de p que se mantiene, con la siguiente fórmula:
𝑝̂ 𝑞̂ 0,5 ∙ 0,5 0,5 ∙ 0,5

𝑒 = 𝑍1− 𝛼 ∙ √ = 𝑍0,99 ∙ √ = 2,33 ∙ √ = 0,3684
2 𝑛 10 10

Luego de esto, ya tenemos lo necesario para determinar el tamaño de la muestra, lo que se realiza
despejando la fórmula que sigue:
̂ ̂ (1,96)2 (0,45)(0,55)
𝑒=𝑍 𝛼 √𝑝′ 𝑞′ → 0,3684 = 1,96 √
0,45 ∙ 0,55
→ 𝑛= = 7,005 ≈ 8
1− 𝑛 𝑛 (0,3684)2
2
̂ = 0,45; 𝑞′
𝐶𝑜𝑛: 1 − 𝛼 = 0,95; 𝑒 = 0,3684 ; 𝑝′ ̂ = 0,55; 𝑍0,975 = 1,96
Respuesta: El tamaño de la muestra debe ser 8, si la proporción disminuye en un 10% y se mantiene
el error probable antes de la modificación, con un 95% de confianza.
3.3) Solución: Para empezar calculamos la varianza muestral, la que determina con la siguiente fórmula:
(∑ 𝑥 )2 (52,2) 2
∑ 𝑥𝑖2 − 𝑖
322,14 − 10
𝑆𝑥 = √ 𝑛𝑥
= √ = 2,3489
𝑛𝑥 − 1 9
Debido a que el problema hace referencia a la varianza, el intervalo confidencial está dado de la
siguiente forma:
(𝑛 − 1)𝑆𝑥 2 (𝑛 − 1)𝑆𝑥 2
𝐼𝐶 (𝜎 2 )1−𝛼 =( 2 , 2 )
𝛼 𝛼
(𝑛−1; 1− ) (𝑛−1; )
2 2
Con: 𝑛 = 10; 𝑆𝑥 = 2,3489; 1 − 𝛼 = 0,99

Reemplazando:
9 ∙ (2,3489)2 9 ∙ (2,3489)2 9 ∙ (2,3489)2 9 ∙ (2,3489)2
𝐼𝐶 (𝜎 2 )0,99 = ( 2 , 2 )=( , )
(9; 0,995) (9; 0,005) 23,589 1,735
𝐼𝐶 (𝜎 2 )0,99 = [2,1050; 28,6202]
Respuesta: Existe un 99% de que el intervalo [2,1050; 28,6202] contenga a la varianza poblacional de
los procesos productivos.
3.4) Solución: Sea: 𝑦 = “Muestra 𝑥 reducida en un 15%” → 𝑦 = 0,85𝑥
Por propiedades determinamos el valor de la desviación estándar de y, la que se encuentra dada por:
𝑆𝑦 = 0,85 𝑆𝑥 → 𝑆𝑦 = 0,85 ∙ 2,3489 = 1,9966

Después procedemos a definir el intervalo confidencial como se ve a continuación:
(𝑛 − 1)𝑆𝑦 2 (𝑛 − 1)𝑆𝑦 2
𝐼𝐶 (𝜎 2 )1−𝛼 = ( 2 , 2 )
𝛼 𝛼
(𝑛−1; 1− ) (𝑛−1; )
2 2
Con: 𝑛 = 10; 𝑆𝑦 = 1,9966; 1 − 𝛼 = 0,97

2
Ya que no poseemos los valores de la distribución , tenemos que interpolar para poder determinarlos:
0,99 − 0,975 21,666 − 19,023
=
0,985 − 0,975 𝑥 − 19,023
0,015 2,643
=
0,01 𝑥 − 19,023
2,643 ∙ 0,01
𝑥= + 19,023
0,015
𝑥 = 20,785
2
(9; 0,985) = 20,785
0,025 − 0,01 2,700 − 2,088

=
0,015 − 0,01 𝑥 − 2,088
0,015 0,612
=
0,005 𝑥 − 2,088
0,612 ∙ 0,005
𝑥= + 2,088
0,015
𝑥 = 2,292
2
(9; 0,015) = 2,292
Finalmente, reemplazando obtenemos el intervalo confidencial:
9 ∙ (1,9966)2 9 ∙ (1,9966)2 9 ∙ (1,9966)2 9 ∙ (1,9966)2

𝐼𝐶 (𝜎 2 )0,97 = ( 2 , 2 )=( , )
(9; 0,985) (9; 0,015) 20,785 2,292
𝐼𝐶 (𝜎 2 )0,97 = [1,7261; 15,6534]
Respuesta: Existe una probabilidad del 97% de que el intervalo [1,7261; 15,6534] contenga a la
varianza poblacional de los procesos productivos luego de reducir sus tiempos en un 15%.
4.- En cualquier proceso de enlatado, el fabricante pierde dinero si las latas contienen más o
menos de la cantidad que se especifica en la etiqueta. Por esta razón se vigila constantemente
la cantidad de producto enlatado. Considere una compañía que produce un cemento de hule de
secado rápido en latas de aluminio etiquetadas con un peso de 32 onzas.
Se toma una muestra de 34 latas, las cuales se pesan, obteniendo un peso promedio de 31,18
onzas y una desviación estándar de 0,645 onzas.
Considere que el peso de las latas se distribuye normal.
4.1) A un inspector de control de calidad le interesa probar si la varianza del peso de las latas
es superior a 0,4 (onzas)2. Utilice una significación de 5%.
4.2) ¿Cuál debe ser el mínimo tamaño de muestra que se debe utilizar si se desea estimar el
peso real promedio de las latas de cemento de hule? Se está dispuesto a cometer un
error máximo de 0,2 onzas con una confianza del 95%. Sabiendo por estudios anteriores
que la varianza del peso de las latas es 0,4096 (onzas) 2

4.1) Solución: Sea: 𝑥 = “Cantidad de cemento en una lata, en onzas”

𝑥 ~ 𝑁(𝜇; 𝜎 2 )
Con: 𝑛 = 34; 𝑠 = 0,645; 𝛼 = 0,05; 𝑛 − 1
Las hipótesis que nos interesan contrastar son:

𝐻0 : 𝜎 2 = 0,4
𝐻1 : 𝜎 2 > 0,4
Entonces, el estadístico de prueba es:
(𝑛 − 1)𝑠 2 (34 − 1)(0,645)2

𝑇= → 𝑇= = 34,3221
𝜎0 2 0,4
El Punto Crítico, se determina de la siguiente forma:

2 2
(𝑛−1; 1− 𝛼) = (33; 0,95) = 47,400
La Región Crítica:
2
𝑅𝐶 = {𝑥 | 𝑇 > (𝑛−1; 1− 𝛼) } → 𝑅𝐶 = {𝑥 | 𝑇 > 47,400}
Respuesta: Como 𝑇 ∈ 𝑅𝐶, no se rechaza la hipótesis nula, es decir, la varianza de la cantidad de

cemento en una lata no es superior a 0,4 (onzas) 2.
4.2) Solución: El problema nos otorga la siguiente información:
𝑒𝑚á𝑥 = 0,2; 1 − 𝛼 = 0,95; 𝜎 2 = 0,4096 ; 𝜎 = √0,4096 = 0,64

Debido a que estamos trabajando con el peso real promedio de las latas de cemento de hule, y que
conocemos la varianza (𝜎 2 ), la fórmula del error está dada por:
𝜎
𝐸𝑟𝑟𝑜𝑟 = 𝑒 = 𝑧1− 𝛼
2 √𝑛
Reemplazando:
0,64 1,96 ∙ 0,64
0,2 ≥ 𝑧1− 0,25 → √𝑛 ≥ → 𝑛 ≥ 39,33 ≈ 40
√𝑛 0,2
Respuesta: El mínimo tamaño de la muestra que se debe utilizar si se desea estimar el peso real
promedio de las latas de cemento de hule, es igual a 40.
5.- Se requiere que la resistencia a la ruptura de una fibra sea menos de 150 psi. Se sabe que la
desviación estándar de la resistencia a la ruptura es 3 psi. En una muestra aleatoria de 25 trozos
de fibra se obtiene una resistencia media a la ruptura de 148 psi y una desviación estándar de
2,8 psi.
5.1) ¿Puede considerarse aceptable este tipo de fibra? Use α = 0,05.

5.2) Determine el tamaño de la muestra necesario para estimar la resistencia media de este
tipo de fibra con un nivel de confianza del 95% y un error de estimación de 0,5 psi.

5.1) Solución: Sea: 𝑥 = “Resistencia a la ruptura de una fibra”

𝑥 ~ 𝑁(𝜇; 𝜎 2 = 32 )
Con: 𝑛 = 25; 𝜎 = 3; 𝑥̅ = 148; 𝑠 = 2,8; 𝛼 = 0,05; 𝜇0 = 150
𝐻0 : 𝜇 = 150
𝐻1 : 𝜇 < 150
Entonces, como conocemos la varianza, el estadístico de prueba es:
𝑥̅ − 𝜇0 148 − 150
𝑇= 𝜎 → 𝑇= ̅̅̅̅
= −3, 33
3
√𝑛 √25
El Punto Crítico, se determina de la siguiente forma:
𝑧(1− 𝛼) = 𝑧0,95 = 1,645
𝑅𝐶 = {𝑥 | 𝑇 < −𝑍(1− 𝛼) } → 𝑅𝐶 = {𝑥 | 𝑇 < −1,645}
Respuesta: Debido a que 𝑇 ∈ 𝑅𝐶, hay suficiente información para rechazar la hipótesis nula, es decir,
es aceptable este tipo de fibra, con un 5% de significación.
5.2) Solución: El ejercicio proporciona los siguientes datos:
𝑒 = 0,5; 1 − 𝛼 = 0,95; 𝜎=3
Como consecuencia que estamos trabajando con la resistencia media de este tipo de fibra, y que
conocemos la varianza (𝜎 2 ), la fórmula del error está dada por:
𝜎
𝐸𝑟𝑟𝑜𝑟 = 𝑒 = 𝑍(1− 𝛼) ∙
2 √𝑛
Reemplazando:
3 1,96 ∙ 3
0,5 = 𝑍(0,975) ∙ → √𝑛 = → 𝑛 = 138,3 ≈ 139
√𝑛 0,5
Respuesta: El tamaño de la muestra necesario para estimar la resistencia media de este tipo de fibra
con un nivel de confianza del 95% y un error de estimación de 0,5 psi, es 139.
6.- La velocidad de transmisión de un modem se mide en baudios que se define como el número
de bits por segundo que puede transmitir. Debido a factores técnicos, la rapidez de transmisión
real varía de un archivo a otro. Una empresa está en proceso de adquirir un modem, el cual fue
ofrecido por dos proveedores (A y B). Para decidir la compra se transmiten seis archivos, elegidos
al azar, utilizando ambos modem y registrando las velocidades de transmisión (en miles de
baudios)
Archivo 1 2 3 4 5 6
Proveedor A 10,75 10,86 11,18 10,47 11,36 10,47
Proveedor B 10,31 10,95 10,33 9,20 11,36 9,74
Suponiendo que la velocidad de transmisión se distribuye Normal

6.1.- La revista PC Reports, afirma que en pruebas hechas por su equipo se ha encontrado que
el modem del proveedor A es significativamente más rápido que el del proveedor B, Con = 0,01,
¿Los resultados obtenidos por la empresa confirman lo planteado por la revista?
6.2.- Pruebe si la varianza de la velocidad de transmisión del modem del proveedor A es de 0,52
(miles de baudios)2 con nivel de significación 0,05.
6.1) Solución: Sea: 𝐷 = 𝑃𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟𝐴 − 𝑃𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟𝐵 𝐷 ~ 𝑁(𝜇; 𝜎 2 )
Archivo 1 2 3 4 5 6
Proveedor A 10,75 10,86 11,18 10,47 11,36 10,47
Proveedor B 10,31 10,95 10,33 9,20 11,36 9,74
D 0,44 -0,09 0,85 1,27 0 0,73
𝑛=6 ̅
𝐷 = 0,5333 𝑆𝐷 = 0,5221

𝐻0 : 𝜇𝐷 = 0
𝐻1 : 𝜇𝐷 > 0
Entonces, como desconocemos la varianza, el estadístico de prueba es:
̅ − 𝜇0
𝐷 0,5333 − 0
𝑇= 𝑆𝐷 → 𝑇= 0,5221 = 2,502
√𝑛 √6
La Región Crítica (𝛼 = 0,01)
𝑅𝐶 = {𝑥 | 𝑇 > 𝑡(𝑛−1; 1− 𝛼) } → 𝑅𝐶 = {𝑥 | 𝑇 > 𝑡(5; 0,99) } → 𝑅𝐶 = {𝑥 | 𝑇 > 3,3649}
Respuesta: Debido a que 𝑇 ∈ 𝑅𝐶, no existe suficiente información para rechazar la hipótesis nula, es
decir, los resultados obtenidos por empresa no confirman lo planteado por la revista, con 𝛼 = 0,01.
6.2) Solución: Las hipótesis que nos interesa contrastar son:

H0 : σ2 = 0,52
𝐻1 : 𝜎 2 ≠ 0,52
Con: 𝑛=6 𝑆𝐴 = 0,3654
Entonces como conocemos la desviación estándar, el estadístico de prueba es:
(𝑛 − 1) 𝑆𝐴 2 (6 − 1) ∙ 0,36542
𝑇= → 𝑇= = 1,2838
𝜎2 0,52
Región crítica (𝛼 = 0,05):

𝑅𝐶 = {𝑥 | 𝑇 < 𝜒2 (𝑛−1; 𝛼) ó 𝑇 > 𝜒2 (𝑛−1; 1− 𝛼) } → 𝑅𝐶 = {𝑥 | 𝑇 < 𝜒2 (5; 0,025) ó 𝑇 > 𝜒2 (5; 0,975) }
2 2
𝑅𝐶 = {𝑥 | 𝑇 < 0,830 ó 𝑇 > 12,833}

decir, la varianza de la velocidad de transmisión del modem del proveedor A es de 0,52 (miles de
baudios)2, con un 5% de significación.
7.- En un estudio realizado en el Departamento de Silvicultura y Fauna de una universidad del

extremo sur del país, se examinó la influencia de un fármaco sobre los niveles de andrógenos
en la sangre de huemules salvajes. Se capturaron 15 ejemplares y se les inyectó el fármaco,
extrayéndoles una muestra de sangre cinco minutos después de la captura, y luego se les
extrajo una segunda muestra después de 30 minutos, posteriormente se liberaron los
ejemplares. Se midieron los niveles de andrógenos en la sangre de cada muestra y los datos
aparecen en la siguiente tabla (Suponga distribución normal)
7.1) Se pide ensayar con 6% de significación si el nivel de andrógenos se altera después de 30
minutos de encierro.
7.2) Ensayar con un 5% de significación si la proporción de animales que presentaron nivel de
andrógenos superior a 15,00 después del encierro, supera al 25%
Número de Nivel Primero Nivel Segundo

ejemplares (5 minutos) (30 minutos)
1 2,76 7,02
2 5,18 3,10
3 2,68 5,44
4 3,05 3,99
5 4,10 5,21
6 7,05 10,26
7 6,60 13,91
8 4,79 18,53
9 7,39 7,91
10 7,30 4,85
11 11,78 11,10
12 3,90 3,74
13 26,00 94,03
14 67,48 94,03
15 17,04 41,70
7.1) Solución: Lo primero será definir la variable a utilizar, la cual se muestra a continuación:
𝐷 = “Diferencia entre el Nivel Primero y Nivel Segundo” 𝐷 ~ 𝑁(𝜇; 𝜎 2 )
Ya que nos preguntan si el nivel de andrógenos se altera, nuestras hipótesis a contrastar son:
𝐻0 : 𝜇𝐷 = 0
𝐻1 : 𝜇𝐷 ≠ 0
En seguida calculamos 𝐷, como se muestra a continuación:

Número de ejemplares Nivel Primero (5 minutos) Nivel Segundo (30 minutos) 𝐷 (Diferencia)
1 2,76 7,02 - 4,26
2 5,18 3,10 2,08
3 2,68 5,44 - 2,76
4 3,05 3,99 - 0,94
5 4,10 5,21 - 1,11
6 7,05 10,26 - 3,21
7 6,60 13,91 - 7,31
8 4,79 18,53 - 13,74
9 7,39 7,91 - 0,52
10 7,30 4,85 2,45
11 11,78 11,10 0,68
12 3,90 3,74 0,16
13 26,00 94,03 - 68,03
14 67,48 94,03 - 26,55
15 17,04 41,70 - 24,66
Luego, de la cuarta columna se calcula la media y desviación estándar de 𝐷:

̅ = −9,848
𝐷
𝑆𝐷 = 18,4736
En seguida, como desconocemos la varianza, el estadístico de prueba es:

̅ − 𝜇0
𝐷
𝑇 = 𝑆𝐷
√𝑛
Reemplazando:
−9,848 − 0
𝑇= 18,4736 = −2,065
√15
El punto crítico está dado por: 𝑡(𝑛−1;1− 𝛼) = 𝑡(14;0,97)

2
Ya que este valor no se encuentra explícitamente en la tabla, tenemos que interpolar:
0,975 − 0,95 2,1448 − 1,7613

=
0,97 − 0,95 𝑥 − 1,7613
0,025 0,3835
=
0,02 𝑥 − 1,7613
0,3835 ∙ 0,02
𝑥= + 1,7613
0,025
𝑥 = 2,068
𝑡(14;0,97) = 2,068
𝑅𝐶 = { 𝑥 | 𝑇 < −𝑡(14;0,97) ó 𝑇 > 𝑡(14;0,97) } → 𝑅𝐶 = { 𝑥 | 𝑇 < −2,068 ó 𝑇 > 2,068}

Respuesta: Debido a que 𝑇 ∈ 𝑅𝐶, no hay suficiente información para rechazar la hipótesis nula, es
decir, el nivel de andrógenos no se altera después de 30 minutos de encierro, con un 6% de
significación.
7.2) Solución: De la muestra que nos expone el ejercicio, podemos calcular el estimador 𝑝̂ , ya que
cuatro de los quince ejemplares presentan niveles de andrógenos superiores a 15,00 después del
encierro.
Las hipótesis que interesan contraponer son:

𝐻0 : 𝑝 = 0,25
𝐻1 : 𝑝 > 0,25
Luego, para determinar el estadístico de prueba, tenemos:

4
𝑝̂ − 𝑝0 − 0,25
15
𝑇= → 𝑇= = 0,1491
𝑝0 𝑞0 0,25∙0,75
√ 𝑛
√
15
La Región Crítica (Con 𝛼 = 0,05):

𝑅𝐶 = { 𝑥 | 𝑇 > 𝑍1− 𝛼 } → 𝑅𝐶 = { 𝑥 | 𝑇 > 𝑍0,95 } → 𝑅𝐶 = { 𝑥 | 𝑇 > 1,645}
decir, la proporción de animales que presentaron nivel de andrógenos superior a 15,00 después de
encierro, no supera al 25%, con un 5% de significación.
8.- En la manufactura de semiconductores, es común el uso de un proceso de grabado por

remojo químico para eliminar el silicio de la parte posterior de las obleas antes de la
metalización. La rapidez de grabado es una característica importante en este proceso y se sabe
que es una variable aleatoria con distribución normal. Se compararon dos soluciones de
grabado diferentes, usando dos muestras aleatorias de obleas, una para cada solución. La
rapidez de grabado (milipulgadas/minuto), observada fue la siguiente:
Solución 1 9,9 9,4 9,3 9,6 10,2 10,6 10,3 10,0 10,3 10,1
Solución 2 10,2 10,6 10,7 10,4 10,5 10,0 10,2 10,7 10,4 10,3
8.1) Apoyan los datos la afirmación de que la rapidez media de grabados es la misma para
ambas soluciones, use α = 0,05
8.2) Estime con un nivel de confianza del 90% la rapidez media de grabado para la solución
1.
8.1) Solución: Sea: 𝑥 = “Rapidez de grabado de la Solución 1, en milipulgadas/minuto”; 𝑥 ~ 𝑁(𝜇; 𝜎 2 )

𝑦 = “Rapidez de grabado de la Solución 2, en milipulgadas/minuto”; 𝑦 ~ 𝑁(𝜇; 𝜎 2 )
Lo primero será determinar el tamaño de la muestra, la media y desviación estándar de ambas

muestras:
𝑛𝑥 = 10 𝑥̅ = 9,97 𝑆𝑥 = 0,4218
𝑛𝑦 = 10 𝑦̅ = 10,4 𝑆𝑦 = 0,2309

En seguida, debemos contrastar las siguientes hipótesis, para determinar si estas muestras poseen
varianzas poblacionales iguales o diferentes:
𝐻0 : 𝜎𝑥2 = 𝜎𝑦2
𝐻1 : 𝜎𝑥2 ≠ 𝜎𝑦2
𝑆𝑥2 0,42182
𝑇= → 𝑇= = 3,3371
𝑆𝑦2 0,23092
Los puntos críticos están dados por (𝛼 = 0,05):

1 1
𝐹(𝑛 𝛼 = 𝐹(9; 9; 0,05) = == 0,248
𝑥 − 1; 𝑛𝑦 − 1; )
2 𝐹(9; 9; 0,975) 4,026
𝐹(𝑛 𝛼 = 𝐹(9; 9; 0,975) = 4,026
𝑥 −1; 𝑛𝑦 −1; 1− )
2
𝑅𝐶 = { 𝑥 | 𝑇 < 𝐹(9; 9; 0,05) ó 𝑇 > 𝐹(9; 9; 0,95) } → 𝑅𝐶 = { 𝑥 | 𝑇 < 0,248 ó 𝑇 > 4,026 }
Resultado: Debido a que 𝑇 ∈ 𝑅𝐶, no hay información suficiente para rechazar la hipótesis nula, es decir,
las varianzas poblacionales de ambas soluciones son iguales.
Continuando con el desarrollo del ejercicio, procedemos a contrastar las siguientes hipótesis:
𝐻0 : 𝜇𝑥 = 𝜇𝑦
𝐻1 : 𝜇𝑥 ≠ 𝜇𝑦

𝑦̅ − 𝑥̅ (𝑛𝑥 − 1)𝑆𝑥 2 + (𝑛𝑦 − 1)𝑆𝑦 2
𝑇= 𝐶𝑜𝑛 𝑆𝑝 = √
1 1 𝑛𝑥 + 𝑛𝑦 − 2
𝑆𝑝 √𝑛 + 𝑛
𝑦 𝑥
(10 − 1) ∙ 0,42182 + (10 − 1) ∙ 0,23092
𝑆𝑝 = √ = 0,34
10 + 10 − 2
10,4 − 9,97
𝑇= = 2,83
1 1
0,34 ∙ √ +
10 10
Finalmente, la Región Crítica:

𝑅𝐶 = { 𝑥 | 𝑇 < −𝑡(𝑛 𝛼 ó 𝑇 > 𝑡(𝑛 𝛼 } 𝐶𝑜𝑛 𝑛𝑝 = 𝑛𝑥 + 𝑛𝑦 − 2
𝑝 ; 1− 2 ) 𝑝 ; 1− 2 )
𝑅𝐶 = { 𝑥 | 𝑇 < −𝑡(18; 0,975) ó 𝑇 > 𝑡(18; 0,975) } → 𝑅𝐶 = { 𝑥 |𝑇 < −2,1009 ó 𝑇 > 2,1009}
Respuesta: Como 𝑇 ∈ 𝑅𝐶, en conclusión hay información suficiente para rechazar la hipótesis nula, es
decir, la rapidez media de grabado es la misma, con α = 0,05.

8.2) Solución: Debido a que el problema nos pregunta por la media de grabado para la Solución 1,
debemos utilizar la siguiente fórmula para determinar el intervalo confidencial:
𝑠𝑥
𝐼𝐶(𝜇)1−𝛼 = (𝑥̅ ± 𝑡(𝑛−1; 1− 𝛼) ∙ )
√𝑛
2
Con: 1 − 𝛼 = 0,90; 𝑛 = 10 ; 𝑠𝑥 = 0,4218 ; 𝑥̅ = 9,97

0,4218
𝐼𝐶(𝜇)0,90 = (9,97 ± 𝑡(9; 0,95) ∙ ); 𝐶𝑜𝑛 𝑡(9; 0,95) = 1,8331
√10
0,4218
𝐼𝐶(𝜇)0,90 = (9,97 ± 𝑡(9; 0,95) ∙ )
√10
𝐼𝐶(𝜇)0,90 = [9,7255; 10,2145]
Respuesta: El intervalo [9,7255; 10,2145] tiene un 90% de contener la rapidez media de grabado para
la solución 1.
9.- La resistencia mínima especificada, transcurridos 28 días, de un hormigón para pavimento

de 20 cm de espesor es de 250 kg/cm². En dosificaciones con materiales provenientes de la
cantera A y B, las resistencias se distribuyen aproximadamente normal.
Se realizan 16 ensayos con materiales de la cantera A y 32 ensayos de la cantera B, obteniendo

al término del tiempo especificado, en pruebas de roturas a la compresión, las siguientes
resistencias:
Resistencia Cantera A 200 - 218 218 - 236 236 - 254 254 - 272 272 - 290
𝒏𝒊 2 4 5 4 1
Resistencias Cantera B
218 220 225 230 235 237 241 245 269 270 270 272 272 274 276 278
250 254 255 258 260 262 264 268 280 285 289 290 290 290 295 300
Ayuda: ∑ 𝒙 = 𝟖𝟒𝟐𝟐; ∑ 𝒙𝟐 = 𝟐𝟐𝟑𝟐𝟒𝟓𝟒
9.1) El ingeniero sospecha que la resistencia media de las dosificaciones proveniente de la
cantera A está muy por debajo de la resistencia media de aquellas dosificaciones
provenientes de la cantera B. ¿Qué concluiría usted respecto a la sospecha del Ingeniero,
con α = 0,01?
9.2) Con nivel de significación del 2,5%, ¿Puede usted afirmar que las dosificaciones cuyo
material proviene de la cantera B que está bajo la resistencia mínima especificada es de
un 20%?
9.1) Solución: Sea: 𝐴 = “Resistencia de los Materiales provenientes de la cantera A, kg/cm²”; 𝐴 ~ 𝑁(𝜇 ; 𝜎 2 )
𝐵 = “Resistencia de los Materiales provenientes de la cantera B, kg/cm²”; 𝐵 ~ 𝑁(𝜇 ; 𝜎 2 )

Lo primero será determinar el tamaño de la muestra, la media y desviación estándar de ambas

muestras:
Para A: Para B: ∑𝑥 8422
[𝑥𝑖−1 − 𝑥𝑖 ] 𝐵̅ = = = 263,1875
𝑥𝑖 𝑛𝑖 𝑛𝐵 32
[200 − 218] 209 2
2 𝑖 (∑ 𝑥 )2
[218 − 236] 227 4 ∑ 𝑥𝑖2 − 𝑛𝐵 𝑥̅ 2 √∑ 𝑥𝑖 − 𝑛𝐵
[236 − 254] 245 5 𝑆𝐵 = √ =
𝑛𝐵 − 1 𝑛𝐵 − 1
[254 − 272] 263 4
84222
[272 − 290] 281 1 2232454 −
𝑛𝐴 = 16 𝑆𝐵 = √ 32
= 22,6394
31
𝐴̅ = 242,75 ; 𝑆𝐴 = 20,6543
𝐻0 : 𝜎𝐴2 = 𝜎𝐵2
𝐻1 : 𝜎𝐴2 ≠ 𝜎𝐵2
𝑆𝐵2 22,63942
𝑇= → 𝑇= = 1,2015
𝑆𝐴2 20,65432

1 1 1
𝐹(𝑛 𝛼 = 𝐹(31; 15; 0,005) = ≈ = = 0,3327
𝐵 − 1; 𝑛𝐴 − 1; )
2 𝐹(15; 31; 0,995) 𝐹(15; 30; 0,995) 3,0057
𝐹(𝑛 𝛼 = 𝐹(31; 15; 0,995) ≈ 𝐹(30; 15; 0,995) = 3,6867
𝐵 − 1; 𝑛𝐴 − 1; 1− )
2
𝑅𝐶 = { 𝑥 | 𝑇 < 𝐹(31; 15; 0,005) ó 𝑇 > 𝐹(31; 15; 0,995) } → 𝑅𝐶 = { 𝑥 | 𝑇 < 0,3327 ó 𝑇 > 3,6867 }
las varianzas poblacionales de ambas muestras son iguales.
𝐻0 : 𝜇𝐴 = 𝜇𝐵
𝐻1 : 𝜇𝐴 < 𝜇𝐵
𝐴̅ − 𝐵̅ (𝑛𝐴 − 1)𝑆𝐴 2 + (𝑛𝐵 − 1)𝑆𝐵 2
1 1 𝑛𝐴 + 𝑛𝐵 − 2
𝑆𝑝 √ +
𝑛𝐴 𝑛𝐵
(16 − 1) ∙ 20,65432 + (32 − 1) ∙ 22,63942
𝑆𝑝 = √ = 22,0118
16 + 32 − 2

242,75 − 263,1875
𝑇= = −3,0324
1 1
22,0118 ∙ √16 + 32
Finalmente, la Región Crítica (𝐶𝑜𝑛 𝛼 = 0,01):
𝑅𝐶 = { 𝑥 | 𝑇 < 𝑡(𝑛𝑝 ; 1− 𝛼) } 𝐶𝑜𝑛 𝑛𝑝 = 𝑛𝐴 + 𝑛𝐵 − 2 = 46
𝑅𝐶 = { 𝑥 | 𝑇 < −𝑡(46; 0,99) } → 𝑅𝐶 = { 𝑥 | 𝑇 < −2,4102}
decir, se concluye que lo sospechado por el Ingeniero es real, o sea, la resistencia media de A está
muy debajo de la resistencia media de B.
9.2) Solución: Sabemos que la resistencia mínima especificada es 250 kg/cm², por ende, podemos
calcular el estimador 𝑝̂ , o sea, la proporción de la muestra de los materiales provenientes de la cantera
B, que cumplen la condición de ser inferiores a la resistencia mínima especificada. Lo que llevándolo a
números es igual a 𝑝̂ = 8/32
Las hipótesis a contrastar son:

𝐻0 : 𝑃𝐵 = 0,20
𝐻1 : 𝑃𝐵 ≠ 0,20

𝑝̂ − 𝑝0 8 0,25 − 0,20
𝑇= 𝐶𝑜𝑛: 𝑝̂ = = 0,25; 𝑛 = 32 → 𝑇= = 0,7071
𝑝0 𝑞0 32 0,20∙0,80
√ 𝑛 √
32
𝑅𝐶 = { 𝑥 | 𝑇 < −𝑍1− 𝛼 ó 𝑇 > 𝑍1− 𝛼 } → 𝑅𝐶 = { 𝑥 | 𝑇 < −𝑍0,9875 ó 𝑇 > 𝑍0,9875 }
2 2
→ 𝑅𝐶 = { 𝑥 | 𝑇 < −2,24 ó 𝑇 > 2,24}
decir, las dosificaciones que están bajo la resistencia mínima, en la cantera B, representan el 20%.
10.- La utilización de materiales sintéticos tales como nylon, poliéster y látex en la producción
de telas, ha provocado debates acerca de la calidad y resistencia de estas fibras comparadas
con las fibras naturales.
Un fabricante de una nueva fibra sintética asegura que en promedio su producto (Y) posee una
mayor resistencia a la tracción que las fibras naturales (X). Para tal efecto se seleccionan al azar
10 fibras sintéticas y 12 fibras naturales, a cada una de las cuales se les midió la resistencia a
la tracción. Los resultados muestrales obtenidos se dan a continuación:
̅ = 𝟐𝟕𝟐 𝑲𝒈
𝒙 ; 𝑺𝟐𝒙 = 𝟏𝟔𝟑𝟔 𝑲𝒈𝟐 ; 𝒚 ̅ = 𝟑𝟑𝟓 𝑲𝒈 ; 𝑺𝟐𝒚 = 𝟏𝟖𝟗𝟐 𝑲𝒈𝟐
¿Confirman estos datos lo asegurado por el fabricante? Fundamente adecuadamente su
respuesta y use 𝜶 = 𝟎, 𝟎𝟓
10) Solución: Sean: 𝑥 = “Resistencia a la tracción de las fibras naturales, en Kg”; 𝑛𝒙 = 12
𝑦 = “Resistencia a la tracción de la nueva fibra sintética, en Kg”; 𝑛𝒚 = 10
𝑥 ~ 𝑁(𝜇 ; 𝜎 2 ) 𝑦 ~ 𝑁 (𝜇 ; 𝜎 2 )

𝐻0 : 𝜎𝑥2 = 𝜎𝑦2
𝐻1 : 𝜎𝑥2 ≠ 𝜎𝑦2
𝑆𝑦2 1892
𝑇= → 𝑇= = 1,1565
𝑆𝑥2 1636

1 1
𝐹(𝑛 𝛼 = 𝐹(9; 11; 0,025) = = = 0,255
𝑦 − 1; 𝑛𝑥 − 1; )
2 𝐹(11; 9; 0,975) 3,9117
𝐹(𝑛 𝛼 = 𝐹(9; 11; 0,975) = 3,9639
𝑦 − 1; 𝑛𝑥 − 1; 1− 2 )
𝑅𝐶 = { 𝑥 | 𝑇 < 𝐹(9; 11; 0,025) ó 𝑇 > 𝐹(9; 11; 0,975) } → 𝑅𝐶 = { 𝑥 | 𝑇 < 0,255 ó 𝑇 > 3,9639 }
𝐻1 : 𝜇𝑥 < 𝜇𝑦
Luego, para determinar el estadístico de prueba, tenemos la siguiente expresión:
𝑥̅ − 𝑦̅ (𝑛𝑥 − 1)𝑆𝑥 2 + (𝑛𝑦 − 1)𝑆𝑦 2

1 1 𝑛𝑥 + 𝑛𝑦 − 2
𝑥 𝑦
(12 − 1) ∙ 1636 + (10 − 1) ∙ 1892
𝑆𝑝 = √ = 41,8473
12 + 10 − 2
272 − 335
𝑇= = −3,5460
1 1
41,8473 ∙ √12 + 10
Finalmente, la Región Crítica (Con 𝛼 = 0,05):
𝑅𝐶 = { 𝑥 | 𝑇 < 𝑡(𝑛𝑝 ; 1− 𝛼) } 𝐶𝑜𝑛 𝑛𝑝 = 𝑛𝑥 + 𝑛𝑦 − 2 = 20
𝑅𝐶 = { 𝑥 | 𝑇 < −𝑡(20; 0,95) } → 𝑅𝐶 = { 𝑥 | 𝑇 < −1,7247}

Respuesta: Como 𝑇 ∈ 𝑅𝐶, en conclusión existe suficiente información para rechazar la hipótesis nula
con un 10% de significación, es decir, podríamos concluir que el fabricante estaría en lo cierto, ya que
la nueva fibra sintética posee mayor resistencia a la tracción que las fibras naturales.
11.- En una planta industrial se quiere determinar cuál de dos tipos de fuentes de energía, gas o
electricidad, produce más energía útil a menor costo. Una medida de la producción económica
de energía, llamada “inversión de planta por quad suministrado”, se calcula dividiendo la
cantidad de dinero (en dólares) invertida por la planta en la fuente de energía en cuestión y la
cantidad suministrada de energía (en quads, miles de billones de unidades térmicas británicas
[BTU]). Cuanto menor sea este cuociente, menos pagará una planta industrial por la energía
suministrada. Se seleccionaron muestras aleatorias de 11 plantas que utilizan electricidad y 16
plantas que utilizan gas y se calculó la inversión de la planta por quad para cada una. Los datos
se presentan en la tabla:
14,15 9,57 7,76 9,72 5,35 8,46 7,78 4,38

ELECTRICIDAD
9,28 8,60 17,13
16,66 10,14 9,18 10,11 8,45 7,91 11,03 10,70
GAS
15,05 18,22 12,50 9,40 9,67 9,21 15,3 12,1
Asumiendo normalidad en la inversión por quad suministrado
11.1) ¿Se podría afirmar que existe diferencia significativa entre los promedios de inversión de
planta por quad suministrado para estos dos tipos de fuentes de energía, con un nivel de
significación de 0,10?
11.2) Estime con una confianza del 99% la proporción de plantas de gas que invierten más de
10 [BTU].
11.1) Solución: Sean:

𝑥 = “Inversión de una planta eléctrica por quad suministrado, en dólares”; 𝑥 ~ 𝑁(𝜇; 𝜎 2 )
𝑦 = “Inversión de una planta a gas por quad suministrado en dólares”; 𝑦 ~ 𝑁(𝜇; 𝜎 2 )
Lo primero será determinar el tamaño de la muestra, la media y desviación estándar de cada muestra:
𝑛𝑥 = 11 𝑥̅ = 9,289 𝑆𝑥 = 3,616
𝑛𝑦 = 16 𝑦̅ = 11,602 𝑆𝑦 = 3,112
𝐻0 : 𝜎𝑥2 = 𝜎𝑦2
𝐻1 : 𝜎𝑥2 ≠ 𝜎𝑦2
𝑆𝑥2 3,6162
𝑇= → 𝑇= = 1,35
𝑆𝑦2 3,1122


1 1
𝐹(𝑛 𝛼 = 𝐹(10; 15; 0,05) = = = 0,351
𝑥 −1; 𝑛𝑦 −1; )2 𝐹(15; 10; 0,95) 2,8450
𝐹(𝑛 𝛼 = 𝐹(10; 15; 0,95) = 2,5437
𝑥 −1; 𝑛𝑦 −1; 1− 2 )
𝑅𝐶 = { 𝑥 | 𝑇 < 𝐹(10; 15; 0,05) ó 𝑇 > 𝐹(10; 15; 0,95) } → 𝑅𝐶 = { 𝑥 | 𝑇 < 0,351 ó 𝑇 > 2,5437 }
Continuando con el desarrollo del ejercicio, tenemos que contrastar las siguientes hipótesis:
𝐻1 : 𝜇𝑥 ≠ 𝜇𝑦

𝑥̅ − 𝑦̅ (𝑛𝑥 − 1)𝑆𝑥 2 + (𝑛𝑦 − 1)𝑆𝑦 2
1 1 𝑛𝑥 + 𝑛𝑦 − 2
𝑥 𝑦
(11 − 1) ∙ 3,6162 + (16 − 1) ∙ 3,1122
𝑆𝑝 = √ = 3,323
11 + 16 − 2
9,289 − 11,602
𝑇= = −1,777
1 1
3,323 ∙ √ +
11 16

𝑅𝐶 = { 𝑥 | 𝑇 < −𝑡(𝑛𝑝 ; 1− 𝛼) } 𝐶𝑜𝑛 𝑛𝑝 = 𝑛𝑥 + 𝑛𝑦 − 2 = 25
2
𝑅𝐶 = { 𝑥 | 𝑇 < −𝑡(25; 0,95) } → 𝑅𝐶 = { 𝑥 | 𝑇 < −1,7081}

con un 10% de significación, es decir, se puede afirmar que existe una diferencia significativa en el
promedio de inversión de planta por quad suministrado por estos dos tipos de energía.
11.2) Solución: Lo primero, será determinar el estimador 𝑝̂ , el que corresponde al número de plantas a
gas que invierten más de 10 quad, en la muestra, dividido en el tamaño de la muestra, que llevado a
los números es igual a 10⁄16.
Luego, el intervalo confidencial está dado por:

𝑝̂ 𝑞̂
𝐼𝐶(𝑝)1−𝛼 = (𝑝̂ ± 𝑍1− 𝛼 √ )
2 𝑛𝑦
10
Con: 1 − 𝛼 = 0,99; 𝑛𝑦 = 16 ; 𝑝̂ = 16 = 0,625; 𝑞̂ = 0,375

0,625 ∙ 0,375
𝐼𝐶(𝑝)0,99 = (0,625 ± 𝑍0,995 √ ); 𝐶𝑜𝑛 𝑍0,995 = 2,575
16
0,625 ∙ 0,375
𝐼𝐶(𝑝)0,99 = (0,625 ± 2,575 √ )
16
𝐼𝐶 (𝑝)0,90 = [0,313; 0,937]
Respuesta: El intervalo [0,313; 0,937] tiene un 90% de probabilidad de contener a la proporción de

plantas de gas que invierten más de 10 [BTU].
12.- El PM10 (material particulado respirable), son partículas de diámetro menor o igual a 10
micrones. Por su tamaño, el PM10 es capaz de ingresar al sistema respiratorio del ser humano;
mientras menor es el diámetro de estas partículas mayor es el potencial daño en la salud; es por
esta razón, que diariamente se monitorea la calidad del aire, 3
AQI (μg/m ) C M
calculando un Índice de calidad de Aire (AQI por sus siglas en
Inglés). Un AQI de 100 para PM10, corresponde a un nivel de 150 0 – 50 2 5
PM10 en microgramos por metro cúbico (promediado en 24 50 – 100 9 5
horas). 100 – 150 11 11
Se toman muestras aleatorias independientes del AQI, de tamaño 150 – 200 15 13
40, correspondientes a dos comunas C y M, del Gran Santiago, en 200 – 300 3 4
meses de invierno, obteniendo la siguiente información: 300 – 550 0 2
Suponiendo válidos los supuestos necesarios:
12.1) Estime el mínimo tamaño de muestra que se debe considerar para estimar el AQI
3
promedio en la comuna M, considerando un error de estimación de a lo más 18 μg/m y
una confianza de 95%, si de estudios previos se sabe que la desviación estándar del AQI
3
es de 110 μg/m .
12.2) ¿Es posible asegurar que el porcentaje de episodios en que el AQI es de al menos 200
(episodio dañino para la salud) es superior al 4% en la comuna C, con 5% nivel de
significación?
12.3) ¿Es posible, afirmar que no existen diferencias significativas en el índice de calidad
medio del aire en ambas comunas en estudio, con un nivel de significación del 1%?
12.1) Solución: Sean: 𝐶 = “Cantidad de material particulado en la comuna C”; 𝐶 ~ 𝑁 (𝜇; 𝜎 2 )

𝑀 = “Cantidad de material particulado en la comuna M”; 𝑀 ~ 𝑁(𝜇; 𝜎 2 )
El enunciado del problema nos otorga la siguiente información:
𝑒 ≤ 18; 1 − 𝛼 = 0,95; 𝜎𝑀 = 110

Ya que el conocemos la varianza, y estamos estimando el AQI promedio en la comuna, la fórmula del
error está dada por:
𝜎𝑀
𝑒 = 𝑍1− 𝛼 ∙
2 √𝑛
Reemplazando:
110 110
18 ≥ 𝑍0,975 ∙ → √𝑛 ≥ 1,96 ∙ → 𝑛 ≥ 143,46 ≈ 144
√𝑛 18
Respuesta: El tamaño de la muestra debe ser como mínimo de 144.
12.2) Solución: Con los datos entregados por la tabla, podemos determinar el estimador 𝑝̂ , que
corresponde a la cantidad de episodios de la muestra, en que el AQI es de al menos 200, dividido en
el tamaño de la muestra, lo que llevado a los números es igual a 3⁄40 .
Luego, las hipótesis a contrastar son:

𝐻0 : 𝑝 = 0,04
𝐻1 : 𝑝 > 0,04
El estimador de prueba a utilizar es:
𝑝̂ − 𝑝0 3 0,075 − 0,04
𝑇= 𝐶𝑜𝑛: 𝑝̂ = = 0,075; 𝑛 = 40 → 𝑇 = = 1,1296
𝑝0 𝑞0 40 0,04∙0,96
√ 𝑛 √
40

Respuesta: Como 𝑇 ∈ 𝑅𝐶, en conclusión no existe suficiente información para rechazar la hipótesis
nula con un 5% de significación, es decir, se puede afirmar que el porcentaje o proporción de episodios
en que el AQI es de al menos 200, es equivalente o menor al 4% en la Comuna C.
12.3) Solución: Para este ítem lo primero que debemos hacer es calcular el tamaño de la muestra, la
media y desviación estándar, de cada muestra:
3
AQI (μg/m ) 𝑥𝑖 C M 𝑛𝐶 = 40
0 – 50 25 2 5 𝐶̅ = 136,875
50 – 100 75 9 5 𝑆𝐶 = 55,7546
100 – 150 125 11 11
150 – 200 175 15 13 𝑛𝑀 = 40
200 – 300 250 3 4 ̅ = 150
𝑀
300 – 550 425 0 2 𝑆𝑀 = 89,5144
𝑛𝐶 = 40 𝑛𝑀 = 40
𝐻0 : 𝜎𝐶2 = 𝜎𝑀
2
𝐻1 : 𝜎𝐶2 ≠ 𝜎𝑀
2


2
𝑆𝑀 89,51442
𝑇= → 𝑇= = 2,5777
𝑆𝐶2 55,75462

1 1
1
𝐹(𝑛 𝛼 = 𝐹(39; 39; 0,005) = ≈ =
= 0,435
𝑀 − 1; 𝑛𝐶 − 1; 2 ) 𝐹(39; 39; 0,995) 𝐹(40; 40; 0,995) 2,2958
𝐹(𝑛 𝛼 = 𝐹(39; 39; 0,995) ≈ 𝐹(40; 40; 0,995) = 2,2958
𝑀 − 1; 𝑛𝐶 − 1; 1− )
2
𝑅𝐶 = { 𝑥 | 𝑇 < 𝐹(39; 39; 0,005) ó 𝑇 > 𝐹(39; 39; 0,995) } → 𝑅𝐶 = { 𝑥 | 𝑇 < 0,435 ó 𝑇 > 2,2958 }
Resultado: Debido a que 𝑇 ∈ 𝑅𝐶, hay información suficiente para rechazar la hipótesis nula, es decir,
las varianzas poblacionales de ambas soluciones son diferentes.
Continuando con el desarrollo del ejercicio, tenemos que contrastar las siguientes hipótesis:
𝐻0 : 𝜇𝑀 = 𝜇𝐶
𝐻1 : 𝜇𝑀 ≠ 𝜇𝐶
̅ − 𝐶̅
𝑀 150 − 136,875
𝑇= → 𝑇= = 0,7871
𝑆𝑀 2 𝑆𝑐 2 55,75462 89,51442
√ + √ +
𝑛𝑀 𝑛𝐶 40 40
Después para calcular los grados de libertad tenemos la siguiente fórmula:

2 2
𝑆𝑀 2 𝑆𝑐 2 55,75462 89,51442
( + ) ( + )
𝑛𝑀 𝑛𝐶 40 40
𝑣= 2 = 2 2 = 65,3016 ≈ 65
𝑆 2 2 55,75462 89,51442
( 𝑀 ) 𝑆 2 ( ) ( )
𝑛𝑀 ( 𝑐 ) 40 40
+
𝑛𝐶
40−1
+ 40−1
𝑛𝑀 −1 𝑛𝐶 −1

𝑅𝐶 = { 𝑥 | 𝑇 < −𝑡(𝑣; 1− 𝛼) ó 𝑇 > 𝑡(𝑣; 1− 𝛼) } → 𝑅𝐶 = { 𝑥 | 𝑇 < −𝑡(65; 0,995) ó 𝑇 > 𝑡(65; 0,995) }
2 2
→ 𝑅𝐶 = { 𝑥 | 𝑇 < −2,6536 ó 𝑇 > 2,6536}
nula con un 1% de significación, es decir, se puede afirmar que no existen diferencias significativas en
el índice de calidad medio del aire en ambas comunas en estudio.
13.- Para comparar la capacidad de producción de calor del carbón proveniente de dos minas,
se obtuvo una muestra aleatoria de 35 especímenes de carbón de la mina 1 y otra muestra de 25
especímenes de carbón de la mina 2, obteniendo los siguientes resultados de la capacidad de
producción de calor, en miles de millones de calorías por tonelada:

Mina 1 Mina 2
Capacidad calórica promedio 8,23 𝟐𝟓 𝟐𝟓
𝟐
∑ 𝒙𝒊 = 𝟏𝟔𝟖𝟎, 𝟕𝟔 ∑ 𝒙𝒊 = 𝟐𝟎𝟒, 𝟖𝟓
Desviación estándar capacidad calórica 0,1255 𝒊=𝟏 𝒊=𝟏
Especímenes con capacidad

10 5
mayor a 8,3 mM de cal/ton.
Suponiendo que las poblaciones muestreadas tienen distribución normal:

13.1) Estime con 95% de confianza la proporción de carbón con capacidad calórica de a lo más
8,3 miles de millones de calorías en la mina 1.
13.2) Que tamaño de muestra sería necesario para estimar la capacidad calórica promedio del
carbón de la mina 2 con 98% de confianza y un error en la estimación que no supere los
0,1 miles de millones de calorías por tonelada, si en estudios anteriores se obtuvo una
varianza de la capacidad calórica igual a 0,09 (miles de millones de calorías por
tonelada)2?
13.3) Verifique, con 5% de significación, si la capacidad calórica promedio del carbón de la
mina 1 es superior a la capacidad calórica promedio del carbón de la mina 2.
13.4) Se afirma que la capacidad calórica del carbón de la mina 1 es de a lo menos 8,3 miles de
millones de calorías por tonelada. ¿Qué opina usted con 5% nivel de significación?
13.1) Solución: Sea:

𝑥 = “Capacidad de producción de calor del carbón proveniente de la mina 1”; 𝑥 ~ 𝑁(𝜇; 𝜎 2 )
𝑦 = “Capacidad de producción de calor del carbón proveniente de la mina 2”; 𝑦 ~ 𝑁(𝜇; 𝜎 2 )
Ya que el problema habla de proporción, debemos utilizar la siguiente fórmula para determinar el
intervalo confidencial:
𝑝̂ 𝑞̂
𝐼𝐶(𝑝)1−𝛼 = (𝑝̂ ± 𝑍1− 𝛼 √ )
2 𝑛𝑥
25 10
Con: 1 − 𝛼 = 0,95 ; 𝑛𝑥 = 35 ; 𝑝̂ = 35 ; 𝑞̂ = 35
25 10
25 ∙
𝐼𝐶(𝑝)0,95 = ( ± 𝑍0,975 √35 35) ; 𝐶𝑜𝑛 𝑍0,975 = 1,96
35 35
25 10
25 ∙
𝐼𝐶(𝑝)0,95 = ( ± 1,96√35 35)
35 35

𝐼𝐶(𝑝)0,98 = [0,5846; 0,840]
Respuesta: El intervalo [0,5846; 0,840] tiene un 98% de probabilidad de contener a la proporción de

carbón con capacidad calórica de a lo más 8,3 miles de millones de calorías en la mina 1.
13.2) Solución: El problema nos proporciona la siguiente información:
1 − 𝛼 = 0,98; 𝑒 ≤ 0,1; 𝜎 2 = 0,09; 𝜎 = 0,3

Ya que estamos tratando con proporciones, utilizamos la fórmula de error está dada por:
𝜎
𝑒 = 𝑍1− 𝛼
2 √𝑛
Reemplazando, tenemos:
0,3 0,3
0,1 ≥ 𝑍0,99 ∙ → √𝑛 ≥ 2,33 ∙ → 𝑛 ≥ 48,86 ≈ 49
√𝑛 0,1
Respuesta: El tamaño necesario para el problema es como mínimo 49.
13.3) Solución: Procedemos a determinar el tamaño de la muestra, la media y desviación estándar de

ambas muestras:
Para Mina I: 𝑛𝑥 = 35; 𝑥̅ = 8,23 ; 𝑆𝑥 = 0,12553
∑𝑥 204,85
Para Mina II: 𝑛𝑦 = 25; 𝑦̅ = 𝑛𝑦
= 25
= 8,194
2 𝑖 (∑ 𝑥 )2
204,85 2
∑ 𝑥𝑖2 − 𝑛𝑦 𝑦̅ 2 √∑ 𝑥𝑖 − 𝑛𝑦 √1680,76 − 25
𝑆𝑦 = √ = = = 0,304
𝑛𝑦 − 1 𝑛𝑦 − 1 24
𝐻0 : 𝜎𝑥2 = 𝜎𝑦2
𝐻1 : 𝜎𝑥2 ≠ 𝜎𝑦2
𝑆𝑦2 0,3042
𝑇= → 𝑇= = 5,8648
𝑆𝑥2 0,125532

1 1 1
𝐹(𝑛 𝛼 = 𝐹(24; 34; 0,025) = ≈ = = 0,452
𝑦 − 1; 𝑛𝑥 − 1; )
2 𝐹(34; 24; 0,975) 𝐹(30; 24; 0,975) 2,2090
𝐹(𝑛 𝛼 = 𝐹(24; 34; 0,975) ≈ 𝐹(24; 30; 0,975) = 2,1359
𝑦 − 1; 𝑛𝑥 − 1; 1− )
2
𝑅𝐶 = { 𝑥 | 𝑇 < 𝐹(24; 34; 0,025) ó 𝑇 > 𝐹(24; 34; 0,975) } → 𝑅𝐶 = { 𝑥 | 𝑇 < 0,452 ó 𝑇 > 2,1359 }
Resultado: Debido a que 𝑇 ∈ 𝑅𝐶, hay información suficiente para rechazar la hipótesis nula, es decir,
las varianzas poblacionales de ambas muestras son diferentes.
Continuando con el desarrollo del ejercicio, contrastamos las siguientes hipótesis:

𝐻1 : 𝜇𝑥 > 𝜇𝑦


𝑥̅ − 𝑦̅ − (𝜇𝑥 − 𝜇𝑦 ) 8,23 − 8,194 − 0
𝑇= → 𝑇= = 0,5590
2 0,125532 0,3042
𝑆 2 𝑆𝑦 √ + 25
√𝑥 + 𝑛𝑥 𝑛𝑦
35
Después para calcular los grados de libertad tenemos la siguiente fórmula:

2
𝑆𝑥 2 𝑆𝑦 2 0,125532 0,3042
2
( + ) ( + )
𝑛𝑥 𝑛𝑦 35 25
𝑣= 2 = 2 2 = 29,89 ≈ 29
2 𝑆𝑦 2 0,125532 0,3042
𝑆 2 ( ) ( ) ( )
( 𝑥 ) 𝑛𝑦 35 25
𝑛𝑥
+ 35−1
+ 25−1
𝑛𝑥 −1 𝑛𝑦 −1

𝑅𝐶 = { 𝑥 | 𝑇 > 𝑡(𝑣; 1− 𝛼) } → 𝑅𝐶 = { 𝑥 | 𝑇 > 𝑡(29; 0,95) } → 𝑅𝐶 = { 𝑥 | 𝑇 > 1,6991}
nula con un 5% de significación, es decir, se puede afirmar que la capacidad calórica del carbón de la
mina 1 no supera a la capacidad calórica del carbón de la mina 2.
13.4) Solución: Las hipótesis a contrastar son:

𝐻0 : 𝜇 ≥ 8,3
𝐻1 : 𝜇 < 8,3
Luego, como desconocemos la varianza el estadístico de prueba se determina de la siguiente forma:

𝑥̅ − 𝜇0 8,23 − 8,3
𝑇= 𝑠 𝐶𝑜𝑛: 𝑛𝑥 = 35; 𝑥̅ = 8,23 ; 𝑆𝑥 = 0,12553 → 𝑇 = 0,1255 = −3,3
√𝑛 √35

𝑅𝐶 = { 𝑥 | 𝑇 < −𝑡(𝑛𝑥 −1; 1 − 𝛼) } → 𝑅𝐶 = { 𝑥 | 𝑇 < −𝑡(34; 0,95) } → 𝑅𝐶 = { 𝑥 | 𝑇 < −1,6909}
Respuesta: Debido a que 𝑇 ∈ 𝑅𝐶, existe suficiente información para rechazar la hipótesis nula, con un
5% de significación, es decir, la capacidad calórica del carbón de la mina 1 es inferior a 8,3 mil millones
de calorías por tonelada.
14.- Una empresa de telecomunicaciones realizó un estudio a fin de comparar el tráfico mensual
de los clientes que han tomado los planes A ó B y conocer la opinión de éstos respecto de los
servicios prestados por la empresa.
Para este efecto, tomó de cada plan, una muestra aleatoria de 121 clientes. La información
recolectada, se presenta a continuación:
Plan A
Tiempo (min) 60 a 100 100 a 140 140 a 180 180 a 220 220 a 260
N° de clientes 13 32 30 27 19
Plan B
Tiempo (min) 120 a 156 156 a 192 192 a 228 228 a 264 264 a 300
N° de clientes 20 26 33 30 12

Además 98 clientes del plan A y 80 del plan B evaluaron satisfactoriamente los servicios
prestados por la empresa.
14.1) Estime, con un nivel de confianza del 95% el tiempo medio de tráfico de los clientes del
plan B.
14.2) Con un nivel de significación del 5%, ¿Aceptaría Ud. La hipótesis que la diferencia de los
tiempos medios de tráfico, de los clientes del plan B con respecto a los clientes del plan
A, supere los 30 minutos?
14.3) Si el Gerente de la empresa se planteó la hipótesis: “el porcentaje de clientes que evalúa
satisfactoriamente los servicios prestados por la empresa es igual en ambos planes”,
¿Qué concluye, si utilizó un nivel de significación del 1%?
14.4) Docime la hipótesis de que el tiempo de tráfico de los clientes del plan A, es una v.a. con
distribución normal de varianza 2500 (min2).
14.1) Solución:
Sea: 𝐴 = “Tiempo tráfico mensual de los clientes que han tomado el plan A, en minutos”; 𝐴 ~ 𝑁(𝜇; 𝜎 2 )
𝐵 = “Tiempo tráfico mensual de los clientes que han tomado el plan B, en minutos”; 𝐵 ~ 𝑁(𝜇; 𝜎 2 )
Lo primero será calcular el tamaño, media y desviación estándar de cada muestra dada:
𝐴𝑖 𝑛𝐴𝑖 𝐵𝑖 𝑛𝐵𝑖
60 − 100 80 13 120 − 156 138 20
100 − 140 120 32 156 − 192 174 26
140 − 180 160 30 192 − 228 210 33
180 − 220 200 27 228 − 264 246 30
220 − 260 240 19 264 − 300 282 12
𝑛𝐴 = 121 𝑛𝐵 = 121
Para A Para B
𝐴̅ = 162,3140 𝑆𝐴 = 49,8792 𝐵̅ = 206,4296 𝑆𝐵 = 44,4336
Dado que el problema nos pide estimar el tiempo medio de tráfico de los clientes del plan B, utilizaremos
la siguiente fórmula para poder determinarlo
𝑆𝐵
𝐼𝐶(𝜇𝐵 )1−𝛼 = (𝐵̅ ± 𝑡(𝑛 𝛼 ∙ ) 𝐶𝑜𝑛: 1 − 𝛼 = 0,95
𝐵 −1;1− 2 ) √𝑛𝐵
Evaluando:
44,4336
𝐼𝐶(𝜇𝐵 )0,95 = (206,4296 ± 𝑡(120;0,975) ∙ ) 𝐶𝑜𝑛: 𝑡(120;0,975) = 1,9799
√121
44,4336
𝐼𝐶(𝜇𝐵 )0,95 = (206,4296 ± 1,9799 ∙ )
√121
𝐼𝐶 (𝜇𝐵 )0,95 = [198,4319; 214,4272]
Respuesta: El intervalo [198,4319; 214,4272] tiene un 95% de probabilidad de contener el tiempo

medio de tráfico de los clientes del plan B.

14.2) Solución: En seguida, debemos contrastar las siguientes hipótesis, para determinar si estas
muestras poseen varianzas poblacionales iguales o diferentes:
𝐻0 : 𝜎𝐴2 = 𝜎𝐵2
𝐻1 : 𝜎𝐴2 ≠ 𝜎𝐵2

𝑆𝐴2 49,87922
𝑇= 2 → 𝑇= = 1,2601
𝑆𝐵 44,43362
1 1
𝐹(𝑛 𝛼 = 𝐹(120; 120; 0,025) = = = 0,697
𝐴 −1; 𝑛𝐵 −1; 2 ) 𝐹(120; 120; 0,975) 1,4327
𝐹(𝑛 𝛼 = 𝐹(120; 120; 0,975) = 1,4327
𝐴 −1; 𝑛𝐵 −1; 1− )
2
𝑅𝐶 = { 𝑥 | 𝑇 < 𝐹(120; 120; 0,025) ó 𝑇 > 𝐹(120; 120; 0,975) } → 𝑅𝐶 = { 𝑥 | 𝑇 < 0,697 ó 𝑇 > 1,4327 }
Continuando con el desarrollo del ejercicio, contrastamos las siguientes hipótesis:
𝐻0 : 𝜇𝐵 − 𝜇𝐴 ≤ 30
𝐻1 : 𝜇𝐵 − 𝜇𝐴 > 30

𝐵̅ − 𝐴̅ − (𝜇𝐵 − 𝜇𝐴 ) (𝑛𝐵 − 1)𝑆𝐵 2 + (𝑛𝐴 − 1)𝑆𝐴 2
1 1 𝑛𝐵 + 𝑛𝐴 − 2
𝑆𝑝 √ +
𝑛𝐵 𝑛𝐴
(120) ∙ 44,43362 + (120) ∙ 49,87922
𝑆𝑝 = √ = 47,235
121 + 121 − 2
206,4296 − 162,3140 − 30
𝑇= = 2,3244
1 1
47,235√121 + 121
𝑅𝐶 = { 𝑥 | 𝑇 > 𝑡(𝑛𝑝 ; 1− 𝛼) } 𝐶𝑜𝑛 𝑛𝑝 = 𝑛𝐴 + 𝑛𝐵 − 2 = 240
𝑅𝐶 = { 𝑥 | 𝑇 > 𝑡(240; 0,95) }

Ya que este valor no se encuentra explícitamente en la tabla, tenemos que interpolar:

1,6499 − 1,6525 𝑥 − 1,6525

=
300 − 200 240 − 200
−0,0026 𝑥 − 1,6525
=
100 40
−0,0026 ∙ 40
𝑥= + 1,6525
100
𝑥 = 1,6515
𝑡(240; 0,95) = 1,6515
𝑅𝐶 = { 𝑥 | 𝑇 > 𝑡(240; 0,95) } → 𝑅𝐶 = { 𝑥 | 𝑇 > 1,6515}
con un 5% de significación, es decir, se puede afirmar que la diferencia media de los tiempos de tráfico
de los clientes del plan B con respecto a los clientes del plan A, supera los 30 minutos.
14.3) Solución: Ya que el ejercicio nos entrega la cantidad de clientes, de cada plan, que evalúa
satisfactoriamente los servicios prestados por la empresa, podemos determinar las proporciones
respectivas de las muestras:
98 80 98 + 80 178
𝑝̂𝐴 = 𝑝̂𝐵 = → 𝑝̂ = = = 0,7355
121 121 121 + 121 242
Definimos las hipótesis a contrastar

𝐻0 : 𝑝𝐴 = 𝑝𝐵
𝐻1 : 𝑝𝐴 ≠ 𝑝𝐵
El estadístico de prueba está dado por:
98 80
𝑝̂𝐴 − 𝑝̂𝐵 121
− 121
𝑇= = = 2,6234
1 1 1 1
√𝑝̂ 𝑞̂ (𝑛 + 𝑛 ) √(0,7355)(0,2645) ( + )
𝐴 𝐴 121 121
El Punto Crítico corresponde a: 𝑧1− 𝛼 = 𝑧0,995 = 2,575

2
𝑅𝐶 = { 𝑥 | 𝑇 < −𝑍1− 𝛼 ó 𝑇 > 𝑍1− 𝛼 } → 𝑅𝐶 = { 𝑥 | 𝑇 < −2,575 ó 𝑇 > 2,575}

2 2
Respuesta: Como 𝑇 ∈ 𝑅𝐶, se llega a la conclusión que existe suficiente información para rechazar la
hipótesis nula con un 1% de significación, o sea, el gerente de la empresa no se encontraba en lo
correcto cuando planteaba que el porcentaje de clientes que evalúa satisfactoriamente los servicios
prestados por la empresa es igual en ambos casos.
14.4) Solución: Sea: 𝐴 = “Tiempo tráfico mensual de los clientes que han tomado el plan A, en min.”
Con: 𝐴̅ = 162,31 ; 𝜎𝐴 2 = 2500; 𝜎𝐴 = 50

Las hipótesis a contrastar son: 𝐻0 : 𝐴 ~ 𝑁(𝜇; 𝜎𝐴 2 = 2500)

𝐻1 : 𝐴 ~ 𝑁(𝜇; 𝜎𝐴 2 = 2500)
Nota: Debido a que el ejercicio no nos entrega los grados de libertad se 𝛼 = 0,05
Luego, se crea una tabla con los intervalos que abarcan todos los números del conjutno de los reales,
es decir, desde el −∞ al +∞, donde también se adiciona la frecuencia absoluta y la probabilidad de
cada uno de ellos:
𝐿í𝑚𝑖𝑡𝑒𝑠 𝑡𝑖𝑝𝑖𝑓𝑖𝑐𝑎𝑑𝑜𝑠
𝑥′𝑖−1 − 𝑥′𝑖 𝑛𝑖 𝑝(𝑥) 𝑒𝑖 = 𝑛 ∙ 𝑝(𝑥)
𝑍𝑥′𝑖−1 − 𝑍𝑥′𝑖
60−162,31 f(−2,05)
𝑀𝑒𝑛𝑜𝑟 𝑎 60 < < −2,05
= 0,0202
0,0202 2,44
50
60 − 162,31 100 − 162,31 f(−1,25) − f(−2,05)
60 − 100 13 ; −2,05; −1,25 0,0854 10,33
50 50 = 0,1056 − 0,0202
100 − 162,31 140 − 162,31 f(−0,45) − f(−1,25)
100 − 140 32 ; −1,25; −0,45 0,2208 26,72
50 50 = 0,3264 − 0,1056
140 − 162,31 180 − 162,31 f(0,35) − f(−0,45)
140 − 180 30 ; −0,45; 0,35 0,3104 37,56
50 50 = 0,6368 − 0,3264
180 − 162,31 220 − 162,31 f(1,15) − f(0,35)
180 − 220 27 ; 0,35; 1,15 0,2381 28,81
50 50 = 0,8749 − 0,6368
220 − 162,31 260 − 162,31 f(1,95) − f(1,15)
220 − 260 19 ; 1,15; 1,95 0,0995 12,04
50 50 = 0,9744 − 0,8749
260−162,31 1 − f(1,95)
𝑀𝑎𝑦𝑜𝑟 𝑎 260 > > 1,95
= 1 − 0,9744
0,0256 3,1
50
𝑛 = 121 1 121
En seguida, como se debe cumplir que 𝑒𝑖 > 5, se procede a modificar la tabla, lo que se lleva a cabo
sumando las dos primeras filas y las dos últimas filas, quedando expresado de la siguiente forma:
𝑛𝑖 𝑝(𝑥) 𝑒𝑖 = 𝑛 ∙ 𝑝(𝑥)
13 0,3062 12,77
32 0,2208 26,72
30 0,3104 37,56
27 0,2381 28,81
19 0,1251 15,14
𝑛 = 121 ∑ 𝑝(𝑥) = 1 ∑ 𝑒𝑖 = 121
Posteriormente, se aplica la fórmula para calcular el estadístico de prueba:
2 (𝑛𝑖 − 𝑒𝑖 )2 (13 − 12,77)2 (32 − 26,72)2 (30 − 37,56)2 (27 − 28,81)2 (19 − 15,14)2
𝑜𝑏𝑠 =∑ = + + + +
𝑒𝑖 12,77 26,72 37,56 28,81 15,14
2
𝑜𝑏𝑠 = 3,667
Además, la región crítica está definida de la siguiente forma:
2 2 𝑘 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑠𝑢𝑐𝑒𝑠𝑜𝑠 𝑜 𝑓𝑖𝑙𝑎𝑠
𝑅𝐶 = { 𝑥 | > } Con: = 𝑘−−1
𝑜𝑏𝑠 1−𝛼;
 = 𝑛ú𝑚𝑒𝑟𝑜𝑠 𝑑𝑒 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟𝑒𝑠
Debido a que ocupamos el estimador de la media, el valor de  es igual a uno y el número de filas
después de la modificación es cinco, por lo tanto, reemplazando tenemos:
2 2
𝑅𝐶 = { 𝑥 | 𝑜𝑏𝑠
> 1− 𝛼; 3 }

Ya que el valor del nivel de confianza no es entregado por el ejercicio, tenemos que interpolar para
determinarlo:
0,75 − 0,25 4,108 − 1,213
=
𝑥 − 0,25 3,667 − 1,213
0,50 2,895
=
𝑥 − 0,25 2,454
0,50 ∙ 2,454
𝑥= + 0,25
2,895
𝑥 = 0,69
1 − 𝛼 = 0,69
Resultados:
2
Caso 1: La hipotesis nula se rechaza si 𝑜𝑏𝑠 ∈ 𝑅𝐶 ⇔ 1 − 𝛼 < 0,69 ó 𝛼 > 0,31
2
Caso 2: La hipotesis nula no se rechaza si 𝑜𝑏𝑠 ∈ 𝑅𝐶 ⇔ 1 − 𝛼 > 0,69 ó 𝛼 < 0,31
Considerando que el nivel de significación debe ser el menor posible para que la estimación sea
adecuada, por lo que es correcto elegir el caso 2, ya que así se cumple lo antes expuesto.
2
Respuesta: Ya que 𝑜𝑏𝑠 ∈ 𝑅𝐶 ⇔ 1 − 𝛼 > 0,69, es decir, no existe información suficiente para
rechazar la hipotesis nula, por lo tanto, el tiempo de tráfico de los clientes del plan A se distribuye
normalmente con varianza igual a 2500 min 2.
15.- En el mercado existen dos tipos de plásticos (A y B), los que son utilizados en la fabricación
de diversos artículos. Una variable importante que se maneja es su tensión de ruptura (en psi)
y por lo tanto se ha diseñado un experimento para medir la variable en ambos tipos. Los
resultados en 41 ensayos de plástico A fueron los siguientes:
Tensión de Ruptura 144 a 150 150 a 156 156 a 162 162 a 168
𝒏𝑨 5 12 16 8
Por otro lado, en 25 ensayos realizados para registrar la tensión a la ruptura en el plástico B, se
obtuvo un promedio de 154 psi con desviación estándar de 5,2 psi.
15.1) Considerando un nivel de significación del 5% y la información que entregan los datos.
¿Hay evidencia suficiente para cuestionar lo especificado por el fabricante, quién señala
que el valor medio de la tensión a la ruptura del plástico A es de 155,5 psi?
15.2) El ingeniero de procesos tiene la sospecha que el plástico A tiene una tensión media a la
ruptura más alta de lo que se observa para el plástico B. Admitiendo como válidos los
supuestos de normalidad de las variables en estudio y considerando un niel de
significación del 5% ¿Qué puede concluir usted respecto de la sospecha del ingeniero de
procesos?
15.3) Con un nivel de significación del 2,5% ¿Muestran los datos la evidencia suficiente para
corroborar que efectivamente la distribución de probabilidad de la tensión a la ruptura
del plástico tipo A es de tipo normal con media 155,5 psi y varianza 25 (psi)2.
15.4) Con un 5% de nivel de significación, ¿es posible corroborar que más de un 30% de las
unidades del plástico A presentan una tensión a la ruptura superior a 160 psi?

15.1) Solución: Sea: 𝑥 = “Tensión de ruptura del tipo de plásticos A, en psi”; 𝑥 ~ 𝑁(𝜇; 𝜎 2 )
𝑦 = “Tensión de ruptura del tipo de plásticos B, en psi”; 𝑦 ~ 𝑁(𝜇; 𝜎 2 )
𝑥′𝑖−1 − 𝑥′𝑖 𝑥𝑖 𝑛𝑖
Para 𝑥:
144 – 150 147 5
150 – 156 153 12 𝑥̅ = 156,95 𝑆𝑥 = 5,63 𝑛𝑥 = 41
156 – 162 159 16 Para 𝑦:
162 – 168 165 8
𝑛𝑥 = 41 𝑦̅ = 154 𝑆𝑦 = 5,2 𝑛𝑦 = 25
Las hipótesis a contrastar son:
𝐻0 : 𝜇𝐴 = 155,5
𝐻1 : 𝜇𝐴 ≠ 155,5
Luego, como desconocemos la varianza el estadístico de prueba se determina de la siguiente forma:
𝑥̅ − 𝜇0 156,95 − 155,5
𝑇= 𝑠𝑥 𝐶𝑜𝑛: 𝑛𝑥 = 41; 𝑥̅ = 156,95 ; 𝑆𝑥 = 5,63 → 𝑇= 5,63 = 1,65
√𝑛𝑥 √41

𝑅𝐶 = { 𝑥 | 𝑇 < −𝑡(𝑛 𝛼 } → 𝑅𝐶 = { 𝑥 | 𝑇 < −𝑡(40; 0,975) } → 𝑅𝐶 = { 𝑥 | 𝑇 < −2,0211}
𝑥 −1; 1 − 2 )
decir, no hay evidencia suficiente para cuestionar lo especificado por el fabricante, el que señaló que
el valor medio de la tensión a la ruptura del plástico A es de 155,5 psi, con un 5% de significación.
15.2) Solución: Debemos contrastar las siguientes hipótesis, para determinar si estas muestras poseen
𝐻0 : 𝜎𝑥 2 = 𝜎𝑦 2
𝐻1 : 𝜎𝑥 2 ≠ 𝜎𝑦 2
𝑆𝑥 2 5,632
𝑇= → 𝑇= = 1,1722
𝑆𝑦 2 5,22

1 1
𝐹(𝑛 𝛼 = 𝐹(40; 24; 0,025) = = = 0,4928
𝑥 −1; 𝑛𝑦 −1; 2 ) 𝐹(24; 40; 0,975) 2,0069
𝐹(𝑛 𝛼 = 𝐹(40; 24; 0,975) = 2,1460
𝑥 −1; 𝑛𝑦 −1; 1− 2 )
𝑅𝐶 = { 𝑥 | 𝑇 < 𝐹(40; 24; 0,025) ó 𝑇 > 𝐹(40; 24; 0,975) } → 𝑅𝐶 = { 𝑥 | 𝑇 < 0,4928 ó 𝑇 > 2,1460 }

𝐻1 : 𝜇𝑥 > 𝜇𝑦
𝑥̅ − 𝑦̅ (𝑛𝑥 − 1)𝑆𝑥 2 + (𝑛𝑦 − 1)𝑆𝑦 2

1 1 𝑛𝑥 + 𝑛𝑦 − 2
𝑥 𝑦
(41 − 1) ∙ 5,632 + (25 − 1) ∙ 5,22 156,95 − 154

𝑆𝑝 = √ = 5,4727 ; 𝑇 = = 2,1243
41 + 25 − 2 1 1
5,4727 ∙ √ + 41 25
Finalmente, la Región Crítica:
𝑅𝐶 = { 𝑥 | 𝑇 > 𝑡(𝑛𝑝 ; 1− 𝛼) } 𝐶𝑜𝑛 𝑛𝑝 = 𝑛𝐴 + 𝑛𝐵 − 2 = 64
𝑅𝐶 = { 𝑥 | 𝑇 > 𝑡(64; 0,95) } → 𝑅𝐶 = { 𝑥 | 𝑇 > 1,6690}
decir, las sospechas del ingeniero de proceso están en lo correcto, ya que por los resultados obtenidos
el plástico A tiene una tensión media a la ruptura más alta de lo que se observa para el plástico B.
15.3) Solución: Las hipótesis a contrastar son (Con 𝛼 = 0,025):
𝐻0 : 𝑥 ~ 𝑁(𝜇 = 155,5; 𝜎𝐴 2 = 25)

𝐻1 : 𝑥 ~ 𝑁(𝜇 = 155,5; 𝜎𝐴 2 = 25)
Luego, como queremos probar que se distribuye normalmente, se crea una tabla con los intervalos que
abarcan todos los números del conjunto de los reales, es decir, desde el −∞ al +∞, donde también se
adiciona la frecuencia absoluta y la probabilidad de cada uno de ellos:
𝐿í𝑚𝑖𝑡𝑒𝑠 𝑡𝑖𝑝𝑖𝑓𝑖𝑐𝑎𝑑𝑜𝑠
𝑥′𝑖−1 − 𝑥′𝑖 𝑛𝑖 𝑝(𝑥) 𝑒𝑖 = 𝑛 ∙ 𝑝(𝑥)
𝑍𝑥′𝑖−1 − 𝑍𝑥′𝑖
144 − 155,5 f(−2,3)
𝑀𝑒𝑛𝑜𝑟 𝑎 144 < < −2,3 0,011 0,45
5 = 0,0107
144 − 155,5 150 − 155,5 f(−1,1) − f(−2,3)
144 − 150 5 ; −2,3; −1,1 0,125 5,13
5 5 = 0,1357 − 0,0107
150 − 155,5 156 − 155,5 f(0,1) − f(−1,1)
150 − 156 12 ; −1,1; 0,1 0,404 16,56
5 5 = 0,5398 − 0,1357
156 − 155,5 162 − 155,5 f(1,3) − f(0,1)
156 − 162 16 ; 0,1; 1,3 0,363 14,88
5 5 = 0,9032 − 0,5398
162 − 155,5 168 − 155,5 f(2,5) − f(1,3)
162 − 168 8 ; 1,3; 2,5 0,091 3,73
5 5 = 0,9938 − 0,9032
168 − 155,5 1 − f(2,5)
𝑀𝑎𝑦𝑜𝑟 𝑎 168 > > 2,5 0,006 0,25
5 = 1 − 0,9938
𝑛 = 41 1 41

En seguida, se sabe que cuando estamos haciendo bondad de ajuste se debe cumplir que 𝑒𝑖 > 5, por
lo tanto, se procede a modificar la tabla, lo que se lleva a cabo sumando las dos primeras filas y las
tres últimas filas, quedando expresado de la siguiente forma:
5 0,136 5,58
12 0,368 16,56
24 0,496 18,86
𝑛 = 41 ∑ 𝑝(𝑥) = 1 ∑ 𝑒𝑖 = 41
2 (𝑛𝑖 − 𝑒𝑖 )2 (5 − 5,58)2 (12 − 16,56)2 (24 − 18,86)2

𝑜𝑏𝑠 =∑ = + + = 2,717
𝑒𝑖 5,58 16,56 18,86
2 2 𝑘 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑠𝑢𝑐𝑒𝑠𝑜𝑠 𝑜 𝑓𝑖𝑙𝑎𝑠

𝑅𝐶 = { 𝑥 | > } Con: = 𝑘−−1
𝑜𝑏𝑠 1−𝛼;
Debido a que no se utiliza ningún estimador, el valor de  es igual a cero y el número de filas después
de la modificación corresponde a tres, por lo tanto, reemplazando tenemos:
2 2 2
> 0,975;2 } 𝑅𝐶 = { 𝑥 | 𝑜𝑏𝑠
> 7,378}
2
Respuesta: Como 𝑜𝑏𝑠 ∈ 𝑅𝐶, se concluye que no existe evidencia suficiente para rechazar que la
tensión a la ruptura del plástico tipo A se distribuye normalmente con una media de 155,5 psi y una
varianza de 25 psi2, con un nivel de significación de 0,025.
15.4) Solución: Sea: 𝑝 = “Proporción de las unidades del plástico A que presentan una tensión a la
ruptura superior a 160 psi”
Estimaremos el valor de 𝑝̂ , lo que lo llevamos a cabo por medio de fórmula de percentil, como se ve a
continuación:
𝑝∙𝑛
100
− 𝑁𝑖−1
𝑥′𝑖−1 − 𝑥′𝑖 𝑛𝑖 𝑁𝑖 𝑝 = 𝑥′𝑖−1 + 𝐶𝑖 ( )
𝑛𝑖
144 – 150 5 5
150 – 156 12 17 − 17
𝑝∙41
156 – 162 16 33 160 = 156 + 6 ( 100 ) → 𝑝 = 67,48%

162 – 168 8 41 16
𝑛𝑥 = 41 100 − 67,48
𝑝̂ = = 0,3252
100
Luego, las hipótesis a contrastar son:
𝐻0 : 𝑝 = 0,3
𝐻1 : 𝑝 > 0,3

El estadístico de prueba está dado por:

𝑝̂ − 𝑝0 0,3252 − 0,3
𝑇= → 𝑇= = 0,7266
𝑝 𝑞 0,3∙0,7
√ 0𝑛 0 √
41

Respuesta: Como 𝑇 ∈ 𝑅𝐶, no existe suficiente información para rechazar la hipótesis nula con un 5%
de significación, es decir, no se puede corroborar que más de un 30% de las unidades del plástico tipo
A presentan una tensión a la ruptura superior a 160 psi.
16.- En un hospital, el número de nacimientos observados para cada mes de cierto año, fueron
los siguientes:
Enero Febrero Marzo Abril Mayo Junio

95 105 95 105 90 95
Julio Agosto Septiembre Octubre Noviembre Diciembre

105 110 105 100 95 100
Si 𝜶 = 𝟎, 𝟎𝟏, ¿Existe alguna razón para creer que el número de nacimietnos no se encuentra
distribuido en forma uniforme durante todo los meses del año?
16) Solución: Sea: 𝑥 = “Mes en que ocurre el nacimiento en un hospital”
𝐻0 : 𝑥 ~ 𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 [1; 12]

Las hipotesis a contrastar son:
𝐻1 : 𝑥 ~ 𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 [1; 12]
La frecuencia esperada se calcula con la siguiente fórmula:

1 1
𝑒𝑖 = 𝑛 ∙ 𝑝𝑖 𝐶𝑜𝑛 𝑛 = 1200 ; 𝑝𝑖 = = → 𝑒𝑖 = 100
𝑘 12

2 (𝑛𝑖 − 𝑒𝑖 )2 (95 − 100)2 (105 − 100)2 (95 − 100)2 (105 − 100)2 (90 − 100)2 (95 − 100)2
𝑜𝑏𝑠 =∑ = + + + + +
𝑒𝑖 100 100 100 100 100 100
(105 − 100) 2 (110 − 100) 2 (105 − 100) 2 (100 − 100)2 (95 − 100) 2 (100 − 100)2
+ + + + + + =4
100 100 100 100 100 100

𝑅𝐶 = { 𝑥 | 2𝑜𝑏𝑠 > 1−𝛼;
2
}
𝑘 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑠𝑢𝑐𝑒𝑠𝑜𝑠 𝑜 𝑓𝑖𝑙𝑎𝑠
Con: 1 − 𝛼 = 0,99; = 𝑘−−1
Debido a que no ocupamos algún estimador, el valor de  es igual a cero, por lo tanto, reemplazando
tenemos:
𝑅𝐶 = { 𝑥 | 2𝑜𝑏𝑠 > 20,99; 11 } 𝑅𝐶 = { 𝑥 | 2𝑜𝑏𝑠 > 24,725}

Respuesta: Como 2𝑜𝑏𝑠 ∈ 𝑅𝐶, por lo tanto no existe evidencia suficiente para rechazar la hipotesis nula,
es decir, se concluye que no existe razón para rechazar que el número de nacimientos se encuentra
distribuido en forma uniforme durante todo los meses del año.
17.- El encargado de control de calidad de una empresa exportadora revisó al azar un conjunto
de 700 cajas, registrando el número de unidades defectuosas encontradas en cada caja,
obteniendo la siguiente información:
N° de defectuosos 0 1 2 3
N° de cajas 542 140 10 8
Si históricamente la cantidad de defectuosos por caja, se ha comportado de acuerdo a un
modelo binomial de parámetros 𝒏 = 𝟑 y 𝒑 = 𝟎, 𝟎𝟖. Evalúe usted si la evidencia muestral permite
corroborar que la variable en cuestión persiste en comportarse de acuerdo al modelo histórico,
con nivel de significación igual a 0,05.
17) Solución: Sea: 𝑥 = “Número de unidades defectuosas por caja”
𝐻0 : 𝑥 ~ 𝐵(𝑛 = 3; 𝑝 = 0,08)
Con 𝛼 = 0,05
𝐻1 : 𝑥 ~ 𝐵(𝑛 = 3; 𝑝 = 0,08)
Luego, la probabilidad se determina de la siguiente manera, ya que se quiere probar si 𝑥 se distribuye

de forma binomial, como se ve a continuación:
𝑛 3
( ) 𝑥 𝑛−𝑥 ; 𝑥 = 0,1,2,3 ( )( )𝑥 (0,92)3−𝑥 ; 𝑥 = 0,1,2,3
𝑝(𝑥) = { 𝑥 𝑝 𝑞 𝑝(𝑥) = { 𝑥 0,08
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑥 𝑛𝑖 𝑝(𝑥) 𝑒𝑖 = 𝑛 ∙ 𝑝(𝑥)
3
0 542 ( ) (0,08)0 (0,92)3 = 0,7787 545,09
0
3
1 140 ( ) (0,08)1 (0,92)2 = 0,2031 142,17
1
3
2 10 ( ) (0,08)2 (0,92)1 = 0,0177 12,39
2
3
3 8 ( ) (0,08)3 (0,92)0 = 0,0005 0,35
3
𝑛 = 700 1 700
En seguida, como se debe cumplir que 𝑒𝑖 > 5, se procede a modificar la tabla, lo que se hace sumando
las dos últimas filas, como se muestra ahora:
542 0,7787 545,09
140 0,2031 142,17
18 0,0182 12,74
𝑛 = 700 ∑ 𝑝(𝑥) = 1 ∑ 𝑒𝑖 = 700

2 (𝑛𝑖 − 𝑒𝑖 )2 (542 − 545,09)2 (140 − 142,17)2 (18 − 12,74)2

𝑜𝑏𝑠 =∑ = + + = 2,2223
𝑒𝑖 545,09 142,17 12,74

2 2
> 1−𝛼; }
Con: 1 − 𝛼 = 0,95; = 𝑘−−1
Debido a que no ocupamos ningún estimador, el valor de  es igual a cero, y el número de filas después
de la modificación es tres, por lo tanto, reemplazando tenemos:
2 2 2
> 0,95;2 } 𝑅𝐶 = { 𝑥 | 𝑜𝑏𝑠
> 5,991}
Respuesta: Como 2𝑜𝑏𝑠 ∈ 𝑅𝐶, en consecuencia no existe evidencia suficiente para rechazar que la
cantidad de defectuosos por caja sigue el modelo histórico, o sea, distribución binomial con tamaño de
la muestra 3, y probabilidad de éxito igual a 0,08, con un nivel de significación de 0,05.
18.- En una empresa de acuicultura se quiere hacer un estudio sobre el nivel de parásitos en la
producción de doradas. Para ello, se tomó una muestra de 5 individuos cada día, repitiendo el
experimento durante 550 días. De cada muestra se analizaron los peces determinando cuantos
de ellos contenían parásitos. ¿Se ajusta a un modelo de distribución Binomial con 5% de
significación?
𝒙 = Nº de individuos con parásitos 0 1 2 3 4 5

Frecuencia Observada 17 81 152 180 104 16
18) Solución: Sea: 𝑥 = “Número de individuos con parásitos”
Luego, como el ejercicio no nos entrega el valor de 𝑝, procedemos estimar el valor:
∑ 𝑥𝑖 ∙ 𝑛𝑖 0 ∙ 27 + 1 ∙ 81 + 2 ∙ 152 + 3 ∙ 180 + 4 ∙ 104 + 5 ∙ 16 1421

𝑥̅ = = = = 2,584
∑ 𝑛𝑖 550 550
Además, de la tabla de distribuciones discretas sabemos que la media de la distribución binomial está
dada por la siguiente fórmula, teniendo cuidado con el 𝑛 es el número de veces que se repite el
experimento, es decir, en este caso toma el valor de 5:
𝑥̅ 2,584
𝑥̅ = 𝑛𝑝 → 𝑝 = = = 0,517
𝑛 5
𝐻0 : 𝑥 ~ 𝐵(𝑛 = 5; 𝑝 = 0,517)
𝐻1 : 𝑥 ~ 𝐵(𝑛 = 5; 𝑝 = 0,517)
Con 𝛼 = 0,05

Luego, la probabilidad se determina de la siguiente manera, ya que se quiere probar si 𝑥 se distribuye

de forma binomial, como se ve a continuación:
𝑛
( ) 𝑥 𝑛−𝑥 ; 𝑥 = 0,1,2, … ,5 (5) ( ) 𝑥 (0,483)5−𝑥 ; 𝑥 = 0,1,2, … ,5
𝑝(𝑥) = { 𝑥 𝑝 𝑞 𝑝(𝑥) = { 𝑥 0,517
5 (0,517 )0 (0,483 )5
0 17 ( ) = 0,026 14,3
0
1 81 (5) (0,517)1 (0,483)4 = 0,141 77,55
1
2 152 (5) (0,517)2 (0,483)3 = 0,301 165,55
2
3 180 (5) (0,517)3 (0,483)2 = 0,322 177,1
3
4 104 (5) (0,517)4 (0,483)1 = 0,173 95,15
4
5 (0,517)5 (0,483)0 = 0,037
5 16 ( ) 20,35
5
𝑛 = 550 ∑ 𝑝(𝑥) = 1 ∑ 𝑒𝑖 = 550
Ya que todos los sucesos cumplen con 𝑒𝑖 > 5, la tabla no se modifica.

2 (𝑛𝑖 − 𝑒𝑖 )2 (17 − 14,3)2 (81 − 77,55)2 (152 − 165,55)2 (180 − 177,1)2 (104 − 95,15)2 (16 − 20,35)2
𝑜𝑏𝑠 =∑ = + + + + +
𝑒𝑖 14,3 77,55 165,55 177,1 95,15 20,35
2
𝑜𝑏𝑠 = 3,573

𝑅𝐶 = { 𝑥 | 2𝑜𝑏𝑠 > 1−𝛼;
2
}
Con: 1 − 𝛼 = 0,95; = 𝑘−−1
Debido a que utilizamos el estimador de 𝑝̂ , el valor de  es igual a uno, y el número de filas es seis,
por lo tanto, reemplazando tenemos:
2 2 2
> 0,95; 4 } 𝑅𝐶 = { 𝑥 | 𝑜𝑏𝑠
> 9,488}
Respuesta: Como 2𝑜𝑏𝑠 ∈ 𝑅𝐶, en consecuencia no existe evidencia suficiente para rechazar la
hipotesis nula, es decir, el número de individuos con parásitos se distribuye en forma binomial, con un
nivel de significación de 0,05.
19.- Se propone que el número de defectos en las tarjetas de circuito impreso sigue una
distribución Poisson. Se reúne una muestra aleatoria de 60 tarjetas de circuito impreso y se
observa el número de defectos. Los resultados obtenidos son los siguientes:
𝒙 = Número de defectos Frecuencias observadas

0 32
1 15
2 9
3 o más 4

Evalúe si estos datos muestran suficiente evidencia para decir que provienen de una
distribución Poisson, con un nivel de significación igual a 0,05.
19) Solución: Sea: 𝑥 = “Número de defectos en las tarjetas de circuito impreso”

Las hipótesis a contrastar son: 𝐻0 : 𝑥 ~ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 ()
𝐻1 : 𝑥 ~ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 ()
Ya que el ejercicio no nos entrega el valor de lambda, procedemos a estimarlo a partir de los datos
tabulados:
∑ 𝑥𝑖 ∙ 𝑛𝑖 0 ∙ 32 + 1 ∙ 15 + 2 ∙ 9 + 3 ∙ 4 3
̂ = 𝑥̅ = = = = 0,75
𝑛 60 4
Luego, la probabilidad se determina de la siguiente manera, ya que se quiere probar si 𝑥 tiene una
distribución Poisson, como se ve a continuación:
𝑒 − ∙  𝑥 𝑒 −0,75 ∙ (0,75)𝑥
𝑝(𝑥) = { 𝑥! ; 𝑥 = 0,1,2, … 𝑝(𝑥) = { ; 𝑥 = 0,1,2, …
𝑥!
−0,75 0
𝑒 ∙ (0,75)
0 32 = 0,4724 28,344
0!
𝑒 −0,75 ∙ (0,75)1
1 15 = 0,3543 21,258
1!
𝑒 −0,75 ∙ (0,75)2
2 9 = 0,1329 7,974
2!
3 ó 𝑚á𝑠 4 1 − 𝑃 (𝑥 < 3) = 0,0404 2,424
𝑛 = 60 ∑ 𝑝(𝑥) = 1 ∑ 𝑒𝑖 = 60
Puesto que la frecuencia esperada en la última celda es menor que 5, se combinan las dos últimas
filas.
𝑥 𝑛𝑖 𝑒𝑖 = 𝑛 ∙ 𝑝(𝑥)
0 32 28,344
1 15 21,258
2 ó 𝑚á𝑠 13 10,398
𝑛 = 60 ∑ 𝑒𝑖 = 60
2 (𝑛𝑖 − 𝑒𝑖 )2 (32 − 28,344)2 (15 − 21,258)2 (13 − 10,398)2

𝑜𝑏𝑠 =∑ = + + = 2,965
𝑒𝑖 28,344 21,258 10,398

2 2
> 1−𝛼; }


Con: 1 − 𝛼 = 0,95; = 𝑘−−1
Debido a que ocupamos el estimador ̂ , el valor de  es igual a uno, y el número de filas después de
la modificación es tres, por lo tanto, reemplazando tenemos:
2 2 2
> 0,95;1 } 𝑅𝐶 = { 𝑥 | 𝑜𝑏𝑠
> 3,841}
2
Respuesta: Como 𝑜𝑏𝑠 ∈ 𝑅𝐶, se concluye que no existe evidencia suficiente para rechazar que el
número de defectos en las tarjetas de circuito impreso sigue una distribución Poisson.
20.- El duración (X) en meses, de cierto dispositivo se considera una variable aleatoria. En una
muestra elegida al azar de 80 dispositivos, se obtuvo la siguiente información:
Duración (X) <2 2–4 4–6 6–8 8 – 10 ≥ 10

nº de dispositivos 34 20 14 8 3 1
Los datos de la muestra dan evidencia suficiente para concluir que la duración mensual de los
dispositivos se distribuye exponencial, con parámetro λ = 0,3 con un 5% de confianza
20) Sea: 𝑥 = “Duración de cierto dispositivo, en meses”

Las hipótesis a contrastar son: 𝐻0 : 𝑥 ~ 𝑒𝑥𝑝 ( = 0,3)
𝐻1 : 𝑥 ~ 𝑒𝑥𝑝 ( = 0,3)
Luego, la probabilidad se determina de la siguiente manera, ya que se quiere probar si 𝑥 tiene una
distribución exponencial, como se ve a continuación:
−0,3 ∙ 𝑥
𝑃 (𝑥) = { 1 − 𝑒 ; 𝑥>0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
<2 34 −0,3 ∙ 2 36,096
1−𝑒 = 0,4512
2−4 20 1 − 𝑒 −0,3 ∙4 − [1 − 𝑒 −0,3 ∙2 ] = 0,2476 19,808
4−6 14 1 − 𝑒 −0,3 ∙6 − [1 − 𝑒 −0,3 ∙4 ] = 0,1359 10,872
6−8 8 1 − 𝑒 −0,3 ∙8 − [1 − 𝑒 −0,3 ∙6 ] = 0,0746 5,968
8 − 10 3 1 − 𝑒 −0,3 ∙10 − [1 − 𝑒 −0,3 ∙8 ] = 0,0409 3,272
4 7,256
≥ 10 1 1 − [1 − 𝑒 −0,3 ∙10 ] = 0,0498 3,984
𝑛 = 80 ∑ 𝑝(𝑥) = 1 ∑ 𝑒𝑖 = 80

2 (𝑛𝑖 −𝑒𝑖 )2 (34−36,096)2 (20−19,808)2 (14−10,872)2 (8−5,968)2 (4−7,256)2
𝑜𝑏𝑠 =∑ = + + + + = 3,1765
𝑒𝑖 36,096 19,808 10,872 5,968 7,256
Además, la región crítica está definida de la siguiente forma: (𝐶𝑜𝑛 = 𝑘 −  − 1 ; 𝛼 = 0,05)
2 2 2 2 2
> 1−𝛼; } → 𝑅𝐶 = { 𝑥 | 𝑜𝑏𝑠
> 0,95;5−0−1 } → 𝑅𝐶 = { 𝑥 | 𝑜𝑏𝑠
> 9,488}
2
Respuesta: Como 𝑜𝑏𝑠 ∈ 𝑅𝐶, se concluye que no existe evidencia suficiente para rechazar la hipotesis
nula, por esto se asume que la duración mensual de los dispositivos se distribuye exponencial, con
parámetro λ = 0,3 y  = 0,05.

Intervalo Confidencial, Test de Hipótesis y Bondad de Ajuste - Ejercicios Resueltos PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Intervalo Confidencial, Test de Hipótesis y Bondad de Ajuste - Ejercicios Resueltos PDF

Uploaded by

Copyright:

Available Formats

7.

- Intervalo confidencial, Test de Hipótesis y Bondad de Ajuste

 Estimación por Intervalos

1. La Oficina de Planificación Familiar de la Municipalidad A desea determinar la proporción de

1.1) Solución: Sean:

𝐼𝐶(𝑝)0,98 = [0,102; 0,298]

1.2) Solución: El ejercicio nos otorga los siguientes datos:

Página 134 Alejandro González Tapia – Ingeniería Civil en Minas

2) Solución: Sea: 𝑥 = “Concentración de Plomo en cuerpos fluviales cordilleranos, en mg/l”;

Del enunciado del ejercicio se desprenden los siguientes datos:

𝑛 = 20 𝑥̅ = 0,28 𝑆𝑥 = 0,01 1 − 𝛼 = 0,90

Debido a que desconocemos la varianza de la distribución, utilizaremos la siguiente fórmula para

𝐼𝐶 (𝜇)0,90 = [0,2761; 0,2839]

Alejandro González Tapia – Ingeniería Civil en Minas Página 135

3.1) Solución: Sea: 𝑥 = “Tiempo de duración de ciertos procesos productivos, en minutos”

𝐼𝐶(𝑝)0,98 = [0,1316; 0,86848]

𝑝̂′ = 0,9 ∙ 𝑝̂ = 0,9 ∙ 0,5 = 0,45

En seguida, calculamos el error probable de p que se mantiene, con la siguiente fórmula:

𝑝̂ 𝑞̂ 0,5 ∙ 0,5 0,5 ∙ 0,5

Página 136 Alejandro González Tapia – Ingeniería Civil en Minas

Con: 𝑛 = 10; 𝑆𝑥 = 2,3489; 1 − 𝛼 = 0,99

𝐼𝐶 (𝜎 2 )0,99 = [2,1050; 28,6202]

3.4) Solución: Sea: 𝑦 = “Muestra 𝑥 reducida en un 15%” → 𝑦 = 0,85𝑥

𝑆𝑦 = 0,85 𝑆𝑥 → 𝑆𝑦 = 0,85 ∙ 2,3489 = 1,9966

Con: 𝑛 = 10; 𝑆𝑦 = 1,9966; 1 − 𝛼 = 0,97

Alejandro González Tapia – Ingeniería Civil en Minas Página 137

0,025 − 0,01 2,700 − 2,088

Finalmente, reemplazando obtenemos el intervalo confidencial:

9 ∙ (1,9966)2 9 ∙ (1,9966)2 9 ∙ (1,9966)2 9 ∙ (1,9966)2

𝐼𝐶 (𝜎 2 )0,97 = [1,7261; 15,6534]

Página 138 Alejandro González Tapia – Ingeniería Civil en Minas

4.1) Solución: Sea: 𝑥 = “Cantidad de cemento en una lata, en onzas”

Las hipótesis que nos interesan contrastar son:

Entonces, el estadístico de prueba es:

(𝑛 − 1)𝑠 2 (34 − 1)(0,645)2

El Punto Crítico, se determina de la siguiente forma:

Respuesta: Como 𝑇 ∈ 𝑅𝐶, no se rechaza la hipótesis nula, es decir, la varianza de la cantidad de

4.2) Solución: El problema nos otorga la siguiente información:

𝑒𝑚á𝑥 = 0,2; 1 − 𝛼 = 0,95; 𝜎 2 = 0,4096 ; 𝜎 = √0,4096 = 0,64

5.1) ¿Puede considerarse aceptable este tipo de fibra? Use α = 0,05.

Alejandro González Tapia – Ingeniería Civil en Minas Página 139

5.1) Solución: Sea: 𝑥 = “Resistencia a la ruptura de una fibra”

𝑒 = 0,5; 1 − 𝛼 = 0,95; 𝜎=3

Página 140 Alejandro González Tapia – Ingeniería Civil en Minas

6.1) Solución: Sea: 𝐷 = 𝑃𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟𝐴 − 𝑃𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟𝐵 𝐷 ~ 𝑁(𝜇; 𝜎 2 )

Las hipótesis que nos interesan contrastar son:

Entonces, como desconocemos la varianza, el estadístico de prueba es:

𝑅𝐶 = {𝑥 | 𝑇 > 𝑡(𝑛−1; 1− 𝛼) } → 𝑅𝐶 = {𝑥 | 𝑇 > 𝑡(5; 0,99) } → 𝑅𝐶 = {𝑥 | 𝑇 > 3,3649}

6.2) Solución: Las hipótesis que nos interesa contrastar son:

Entonces como conocemos la desviación estándar, el estadístico de prueba es:

Región crítica (𝛼 = 0,05):

𝑅𝐶 = {𝑥 | 𝑇 < 0,830 ó 𝑇 > 12,833}

Alejandro González Tapia – Ingeniería Civil en Minas Página 141

7.- En un estudio realizado en el Departamento de Silvicultura y Fauna de una universidad del

Número de Nivel Primero Nivel Segundo

𝐷 = “Diferencia entre el Nivel Primero y Nivel Segundo” 𝐷 ~ 𝑁(𝜇; 𝜎 2 )

En seguida calculamos 𝐷, como se muestra a continuación:

Página 142 Alejandro González Tapia – Ingeniería Civil en Minas

Luego, de la cuarta columna se calcula la media y desviación estándar de 𝐷:

En seguida, como desconocemos la varianza, el estadístico de prueba es:

El punto crítico está dado por: 𝑡(𝑛−1;1− 𝛼) = 𝑡(14;0,97)

Ya que este valor no se encuentra explícitamente en la tabla, tenemos que interpolar:

0,975 − 0,95 2,1448 − 1,7613