Problemas Hipotesis PDF

Contraste de Hipótesis
1. Se quiere comprobar si una muestra de tamaño 20 con media 10 procede de una

población N(14,3) con el nivel de significación 0,05.
2.- En una propaganda se anuncia que unas determinadas pilas proporcionan más horas
de luz que las normales. Doce personas deciden comprarlas y los resultados obtenidos
son los siguientes:
Individuo 1 2 3 4 5 6 7 8 9 10 11 12
Variación 0,2 0 1 0,6 -0,5 -0,6 -1 0,6 1 0,5 -0,4 -0,5
¿Se puede admitir, teniendo en cuenta estos datos, que el anuncio es correcto?
3.- Se intenta comparar dos métodos de enseñanza y para ello se selecciona una muestra
de 50 individuos. A 20 personas se les aplica el método A y a las otras 30 el B. Al cabo
de un año los aumentos en conocimiento han sido los siguientes
=
n A 20;= =
x A 5;S A 1, 2;=
n B 30;= =
x B 3;S B 0,9 . Contrastar la hipótesis de igualdad
de varianzas y de igualdad de medias al 95%.
4.- De 1000 familias con 5 hijos cada una se ha analizado la distribución de la variable
X =”número de hijos varones, obteniéndose los siguientes resultados:
X 0 1 2 3 4 5
Nº de familias 26 162 309 321 153 29
¿Se puede afirmar que la variable X sigue una distribución binomial B(5,p)?
5.- Un tipógrafo asegurar que el número medio de errores por página que comete es 2,
mientras el editor sospecha que es mayor. Suponiendo que el número de errores por
página sigue una distribución de Poisson y que en una muestra de 200 páginas se
encontraron 450 errores, especificar las hipótesis nula y alternativa del contraste y
realizar el contraste con un nivel de significación del 5%.
6.- Un fabricante de bolsas de plástico asegura que el 95% de sus bolsas resisten 6 kg o
más. Se toman 40 de estas bolsas al azar y se llenan con 6 kg rompiéndose 6 de ellas.
¿Existe evidencia estadística para rechazar la afirmación del fabricante?
7.- Se sabe que la renta anual de los individuos de un país sigue una distribución normal
de media desconocida y de desviación típica 1.400. Se ha observado la renta anual de 16
individuos escogidos al azar y se ha obtenido un valor medio de 19.500 euros.
Contrastar, a un nivel de significación del 5%, si la media de la distribución es de
18.000 de euros.
8.- Se aplica un cierto test de memoria a estudiantes de dos universidades diferentes.

Los resultados siguen una distribución normal con desviación típica 33,5 para la
primera universidad y para la segunda 38,2. Se toma una muestra aleatoria simple de 18
alumnos de la primera universidad y de 25 alumnos de la segunda; las medias
muestrales obtenidas son, respectivamente, 183,7 y 165,4.
a) ¿Son estos datos significativos de una diferencia de memoria entre los alumnos de
ambas universidades? (Considerar un nivel de significación del 0,05)
b) Calcular el p-valor e interpretarlo.
Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 1

9.- Se han recogido los siguientes datos de una población:

X 0 1 2 3 4 5 6 7
ni 8 19 22 24 23 15 5 4
¿Podemos admitir que siguen una distribución de Poisson?
10.- Se quiere comprobar si existe alguna relación entre las calificaciones de los
alumnos en el tipo de asignaturas superadas. Para ello se ha tomado una muestra con
alumnos de las tres asignaturas siguientes:
Aprobado Notable Sobresaliente Total
Geomática 152 99 29 280
Matemáticas 35 28 17 80
Física 12 18 10 40
Total 199 145 56 400
Contrastar la independencia con el test de la Chi-cuadrado. ¿Qué ocurre si
consideramos sólo las asignaturas de Matemáticas y Física?
11.- El nivel medio de errores en nivelación es de 20 errores/100 tramos. Se estudian 40

nivelaciones en las que se sabe se han cometido errores. Los resultados son: x = 18.5
err./100 tr. y s = 4 err/100 tr.
a) Intervalo de confianza del 95% del nivel medio de errores en las 40 nivelaciones.
b) ¿Es la muestra comparable con la población con un nivel de significación α = 0.05 ?
12.- Queremos contrastar la hipótesis H0: “la duración media de los motores de una
determinada marca es 180.000 km”. Para ello se toma una muestra de 9 motores de
automóviles, obteniéndose una media de 150.000 km y una varianza muestral
S2=(30.000)2. Estudiar si debemos aceptar la hipótesis H0 con un nivel de confianza del
95%.
13.- Si el coeficiente medio de inteligencia de la población universitaria de la U.P.M. es

µ = 95 y σ =14, y se extrae una muestra de 49 estudiantes de esa población.
a) ¿Qué probabilidad hay de que resulte una media muestral igual o inferior a 92?
b) Hallar un intervalo de confianza al 95% para la media de la población universitaria,
para la muestra de media 92.
c) ¿Podemos aceptar la hipótesis de ser la media µ = 95 ,
14.- Se prueban 12 piezas de un material A resultando un desgaste medio de 85

unidades con una desviación típica de 4. Por otra parte 10 piezas de un material B
produce unos resultados de 81 unidades y una desviación típica de 5.
a) Comprobar que las varianzas poblacionales son iguales a un nivel de significación
de 0,1.
b) ¿Podemos concluir con un nivel de significación del 0,05 que el desgaste del
material A excede el del material B en más de 2 unidades? Suponga que las poblaciones
son normales.

15.- En medidas de ángulos con un cierto teodolito, un topógrafo asegura que la

varianza que obtiene es igual o menor que 5. Se le pone a prueba y se le hacen 20
determinaciones, obteniéndose una varianza de 6. Si la variable medida del ángulo es
normal. Se pide:
a) Intervalo de confianza del 99% para la varianza obtenida.
b) ¿Aceptamos su aseveración a un nivel de significación 0,01?
16.- Se tabulan los errores de cierre en nivelación obtenidos en 1000 polígonos. ¿Se
puede admitir que el error de cierre se distribuye normalmente? Contrastar la bondad
del ajuste mediante la χ 2n con α=0,05.
error de cierre n° de polígonos
0 -0,1 64
0,1-0,2 242
0,2-0,3 390
0,3-0,4 238
0,4-0,5 66
17.- La siguiente tabla contiene los datos de dos muestras de tamaño 50. ¿Podemos
admitir que tienen la misma distribución utilizando el estadístico de Pearson y
calculando el p-valor?
1ª muestra 2ª muestra
3 1
2 4
4 9
11 5
11 10
9 9
5 4
3 4
2 4
18.- A la vista de los datos que aparecen en la tabla adjunta, obtenidos después de una
encuesta realizada para ver si la edad tiene influencia en los errores cometidos por los
observadores. ¿Se puede admitir que el cometer errores es independiente de la edad?
Edad Cometer No cometer
error error
<30 38 44
30-40 45 28
40-50 30 54
50-60 22 62
>60 20 57

19.- Se quieren comparar la vida útil de dos tipos de baterias para moviles, para ello
obtenemos muestras de tamaño 9 de cada tipo, obteniendo los siguientes resultados
=
n A 9;=x A 5;S= A 1, 2;=
n B 9;= =
x B 3;S B 0,9 . Contrastar la hipótesis de igualdad de
medias al 95% suponiendo que la varianza es desconocida pero igual para las dos
muestras.
20.- Al calcular cinco veces la distancia entre dos puntos, obtenemos los siguientes
valores:
170,13m; 170,12m; 170,2m; 170,65m; 170,4
Se pide:
a) Intervalo de confianza del 80% para la media.
b) ¿Cuál será el número de mediciones necesaria para que el error sea inferior a 0,1 m
con un nivel de significación de 0,2?
c) Intervalo de confianza del 90% para la varianza obtenida.
d) Si la variable medida del ángulo es normal ¿aceptamos una desviación típica inferior
a 0,1 m con un nivel de significación 0,1?
21.- Se ha observado un ángulo cinco veces, obteniéndose los siguientes valores:

65º25’; 65º33’; 65º32’; 65º28’; 65º27’
Se pide:
a) Intervalo de confianza del 95% para la media del ángulo observado.
b) ¿Cuál será el número de observaciones necesaria para que el error sea inferior a 1
minuto con un nivel de significación de 0,05?
d) Si la variable medida del ángulo es normal ¿aceptamos una desviación típica inferior
a 2 minutos a un nivel de significación 0.01? Escribir la región crítica.
22.- Se quiere comprobar si es cierto que un nuevo modelo de automóvil consume 5,7
litros por cada 100 km a 90 km/h tal y cómo afirma en su propaganda. Para ello se
realizan 10 recorridos de 100 km a dicha velocidad, con los siguientes consumos:
5,8; 6,3; 6; 5,5; 6,1; 6,5; 5,5; 7; 6,8; 5,7
Se pide:
a) Intervalo de confianza para la media obtenida con un nivel de significación del 0,05.
b) ¿Se puede aceptar la afirmación del fabricante al 95%?
23.- Un jugador afirma que los dos dados que utiliza no están trucados. Para comprobar
esta afirmación, se lanzan los dos dados 360 veces y se anota la suma de los resultados.
Dichas sumas se muestran en la siguiente tabla, junto con su probabilidad
correspondiente (para facilitar la comparación).
Suma FRECUENCIA PROBABILIDAD
OBSERVADA
2 11 1/36
3 18 2/36
4 33 3/36
5 41 4/36
6 47 5/36
7 61 6/36

8 52 5/36
9 43 4/36
10 29 3/36
11 17 2/36
12 8 1/36
Para poder decidir si los dados están trucados o no, realizar un contraste χ 2 .
¿Deberíamos jugar con estos dados?
24.- Durante 50 días se ha observado la variable “número diario de cancelaciones de

cuentas en una sucursal bancaria” anotándose la siguiente tabla de frecuencias:
Nº Frecuencias
cancelaciones observadas n i
0 16
1 23
2 8
3 3
Sumas 50
Contrastar el hecho de que la distribución es de Poisson de parámetro λ=1.
25.- Para curar una enfermedad se sabe que existen cuatro tratamientos diferentes.
Aplicados por separado a unos grupos de enfermos se han observado los resultados
siguientes:
Tratamiento Curados No Curados
A 83 44
B 45 28
C 60 54
D 82 62
Total 270 188
¿Se puede asegurar que la eficacia de los cuatro tratamientos es la misma, con un nivel
de significación del 95%?
26.- Si el coeficiente medio de inteligencia de la población universitaria de la U.P.M. es

µ = 95 y σ =14, y se extrae una muestra de 49 estudiantes de esa población y el
resultado de la varianza muestral S2=100. ¿Podemos concluir con un nivel de
significación del 0,05 que la varianza es menor de 142?
27.- Se lleva a cabo un experimento para comparar el desgaste por abrasivo de un

material laminado. Se prueban 12 piezas del material mediante la exposición de cada
pieza a una máquina para medir la profundidad del desgaste. La muestra da un desgaste
medio de 53 unidades con una desviación estándar muestral de 4. Supongamos que la
población es aproximadamente normal con varianza desconocida.
a) ¿Podemos concluir con un nivel de significación del 0,05 que el desgaste abrasivo
medio del material es menor de 50 unidades?
b) Se justifica la suposición de varianza igual a 10 con un nivel de significación de 0,1.

28.- Al realizar un muestreo aleatorio con 100 alumnos de la U.P.M para estudiar la
estatura de los alumnos de esta Universidad, se obtuvieron los siguientes resultados
agrupados en intervalos de amplitud 10 cm, así como los parámetros de la muestra
X  1.772 y S = 0.1168.
ni
menos de 1.5 0
1.5 - 1.6 6
1.6 - 1.7 21
1.7 - 1.8 35
1.8 - 1.9 24
1.9 - 2.0 11
2.0 - 2.1 3
más de 2.1 0
Contrastar la hipótesis,
La muestra obtenida sigue una distribución normal N( X  1.772 , S = 0.1168)
a) Obtener el p-valor y dar su interpretación.
b) Para un nivel de significación   0.05 calcular el valor crítico.
c) ¿Se acepta el ajuste para un nivel de significación   0.05 ?
29.- Para contrastar que la esperanza matemática µ de una distribución Normal es 10, se
toma una muestra de tamaño 16 y se rechaza la hipótesis en el caso en que la media
muestral sea mayor que 10, aceptándose en caso contrario. Sabiendo que la desviación
típica de la población es σ=2 y habiendo obtenido una media muestral de 11. Calcular el
p-valor y decidir si se acepta la hipótesis de que la media de la población es µ<10
30.- Para los siguientes datos

xi ni
0 10
1 30
2 50
3 10
Se pide:

a) Calcular las respectivas frecuencias teóricas correspodientes a una distribución
Binomial de parámetros n=3 y p=0,53, es decir, pi=P(X=xi)
b) Hallar el valor del estadístico de contraste:
( n i − npi )
2
D=∑
i npi
c) Estudiar la Bondad del ajuste para un nivel de significiación α=0,05
31.- Suponiendo una población normal con media 50 y desviación típica 8. Para una
muestra de tamaño 9, ¿cuál es la probabilidad de que:
a) La media muestral sea superior a 55?
b) La desviación típica muestral sea superior a 10?
32.- Según un estudio sobre los hábitos de consumo de las familias de la Comunidad de
Madrid, el gasto mensual en productos de marcas blancas de las familias puede
considerarse según una variable aleatoria X con ley Normal de desviación típica 50
euros. Los datos siguientes corresponden a una muestra aleatoria simple de tamaño n =
10 familias:
Familia 1 2 3 4 5 6 7 8 9 10
Gasto 325 193 203 305 251 240 233 238 354 311
a) ¿Qué estimación del gasto medio mensual se obtiene con un estimador insesgado?
b) Calcula un intervalo de confianza al 95% para el gasto medio mensual en productos
de marcas blancas de las familias de la Comunidad de Madrid.
c) Si queremos trabajar con niveles de confianza del 90%, ¿obtendríamos un intervalo
más o menos) amplio que el calculado anteriormente?
33.- Se sabe que la demanda diaria de un producto fabricado por cierta empresa sigue
una distribución normal. Se toma una muestra aleatoria simple de la demanda registrada
en 10 días distintos, obteniéndose una media muestral igual a 3,5 y una desviación
típica muestral (o cuasidesviación típica) igual a 0,9. Se pide:
a) Un intervalo de confianza al 95% para la media de la demanda diaria de dicho
producto.
b) El plan de producción de la empresa está basado en la suposición de que la demanda
media diaria del citado producto es como mínimo igual a 4. Contrastar esta hipótesis, al
nivel de significación de 0,05.
34.- Se supone que el retraso de los trabajadores de una empresa es, por término medio,
de 5 minutos; para contrastar dicha hipótesis se seleccionó al azar una muestra de 10
empleados y se midió su retraso: 0.1, 2, 7, 5.6, 7.4, 5.1, 6.1, 6, 4.5 y 9. Utilizar el p-
valor.

35.- La siguiente tabla de contingencia contiene datos sobre el gasto mensual en
llamadas telefónicas (en euros) y el sexo de 500 encuestados:
Gasto Hombres Mujeres
[0,6) 59 76
[6,12) 42 62
[12,30) 54 51
[30,60) 67 39
[60,120] 28 22
Justificar si es cierto que el gasto mensual medio de los hombres es superior al de las
mujeres con un nivel de significación del 5%.
36.- ¿Se puede admitir la distribución uniforme de valores angulares en una

triangulación de primer orden de un país en la que se ha tomado una muestra de tamaño
100 y se han obtenido los siguientes resultados? Utilizar el p-valor.
frecuencias
Medidas angulares
observadas
<40 16
40-50 22
50-60 20
60-70 19
>70 23
37.- Un proceso industrial fabrica piezas cuya longitud en milímetros se distribuye

según una Normal de media 190 y desviación típica 10.
Una muestra de 5 piezas proporciona los resultados siguientes: 185, 200, 186, 197 y
185. Utilizando un nivel de significación del 0,05, se pide:
a) Contrastar la hipótesis de que la media del proceso es 190.
b) Contrastar la hipótesis de la varianza del `proceso es 100.
38.- Se quiere contrastar la hipótesis nula “una moneda de un euro está bien
equilibrada”, y que por tanto, cara y cruz son equiprobables; para ello se realizan 100
lanzamientos de una moneda de un euro y se observan 63 caras y 37 cruces. Contrastar
la hipótesis utilizando el test de χ 2 con un nivel de significación α de 0,05.
39.- ¿Se puede admitir la distribución normal de valores angulares en una triangulación
de primer orden de un país en la que se ha tomado una muestra de tamaño 100 y se han
obtenido los siguientes resultados?
Medidas angulares frecuencias observadas
30-40 16
40-50 22
50-60 20
60-70 19
70-80 23

Para ello, se pide:
a) Obtener la media y la desviación típica de la muestra.
b) Calcular las respectivas frecuencias teóricas correspodientes a una
distribución Normal de parámetros MEDIA y DESVIACIÓN TÍPICA
obtenidos en el apartado a).
c) Hallar el valor del estadístico de contraste:
( n i − npi )
2
D=∑
i npi
d) Calcular el p-valor e indicar la bondad del ajuste.
e) Estudiar la Bondad del ajuste para un nivel de significiación α=0,03.
40.- Un fabricante de aparatos de precisión garantiza que la desviación típica de las

medidas que pueden efectuarse con el tipo de balanza que comercializa es σ2 ≤ 25
unidades. Para comprobar dicha afirmación se pesa un objeto en 100 básculas de dicho
tipo y se obtiene una varianza muestral de S2 =26,243. Si sabemos que la distribución de
los pesos sigue una normal, realizar un contraste que permita tomar una decisión
respecto a aceptar o no la información suministrada por el fabricante. Para ello, indicar:
a) Hipótesis nula. b) Hipótesis alternativa. c) Distribución a utilizar. d) Estadístico de
contraste. e) p-valor. f) Decisión.
41.- Las 100 primeras cifras decimales del número π son:

3,141592653589793238462433832795028841971693993751058209749445923078164
06862089986280348253421170679……
Se quiere estudiar si el resultado es una secuencia de cifras elegidas al azar, para ello se
pretende contrastar si todas las cifras aparecen con la misma frecuencia, 1/10, como si
hubiesen sido elegidas al azar mediante extracciones de una urna con 10 bolas
enumeradas del 0 al 9.
a) Decir si se acepta la hipótesis de uniformidad con un nivel de significación α=0,1.
b) Indicar el p-valor que le corresponde a estos resultados en particular.

1.- Se quiere comprobar si una muestra de tamaño 20 con media 10 procede de
una población N(14,3) con el nivel de significación 0,05.
Solución:
Se trata de un contraste de hipótesis para la media de una población normal de

varianza conocida:
H 0 :   14
H1 :   14
X  0
Sabemos que: Z   N (0,1)
/ n
El valor del estadístico Z bajo la hipótesis nula es:
X  0 10  14
Z   5,96
/ n 3 / 20
Para  =0,05 en la N(0,1) tenemos que:
P   z1 /2  Z  z1 /2   1    P  Z  1,96   0,975  z0,975  1,96
Como el valor de nuestro estadístico Z bajo la hipótesis nula cae fuera de la región de
aceptación ( Z  z1 /2 ), RECHAZAMOS la hipótesis nula, y por tanto la muestra no
procede de dicha población.

2.- En una propaganda se anuncia que unas determinadas pilas proporcionan
más horas de luz que las normales. Doce personas deciden comprarlas y los
resultados obtenidos son los siguientes:
Individuo 1 2 3 4 5 6 7 8 9 10 11 12
Variación 0,2 0 1 0,6 -0,5 -0,6 -1 0,6 1 0,5 -0,4 -0,5
¿Se puede admitir, teniendo en cuenta estos datos, que el anuncio es correcto?
Solución:
Realizamos la hipótesis nula de que no proporcionan más horas de luz que las
normales.
H 0 : µ =0
H1 : µ ≠ 0
Datos:= =
n 12; X 0, 075 =
; S 0, 672;=
α 0.05
X − µ0 0, 075 − 0
= t= ≈ 0.3866184838
S/ n 0, 672 / 12
Calcularemos el p-valor
p =1 − P ( −0,3866 < t n −1 < 0,3866 ) =2P ( 0,3866 < t n −1 ) =0, 7064 .
DERIVE:
#1: 2(1-(STUDENT(0.3866, 11))
#2: 0.7064262140
EXCEL:
=DISTR.T.(0,3866;11;2) 0,70642621
SPSS:
2(1-CDF. T(0.3866,11)) 0,7
Podemos aceptar la hipótesis nula, para cualquier valor de α < 0,7 y en consecuencia
la propaganda es falsa.

3.- Se intenta comparar dos métodos de enseñanza y para ello se selecciona una
muestra de 50 individuos. A 20 personas se les aplica el método A y a las otras
30 el B. Al cabo de un año los aumentos en conocimiento han sido los siguientes
= n A 20;= =
x A 5;S A 1, 2;=
n B 30;=x B 3;S = B 0,9 . Contrastar la hipótesis de
igualdad de varianzas y de igualdad de medias al 95%.
Solución:
Debemos en primer lugar contrastar la hipótesis de igualdad de varianzas
H 0 : σA2 =σ2B
H1 : σ2A ≠ σ 2B
S2A  
2
∈  Fα ,F α 
SB  2 ,n A −1,n B −1 1− 2 ,n A −1,n B −1 
S2A 1.22
= 1.78 ∈ ( F0.025,19,29 , F0.975,19,29 ) =
= ( 0.42, 2.23)
S2B 0.92
EXCEL:
=DISTR.F.INV(0,975;19;29)0,41633; =DISTR.F.INV(0,025;19;29) 2,231275
SPSS:
IDF.F(0.975,19,29) .42;IDF.F(0.025,19,29) 2.23
0,42 < 1,78 < 2,23 y por tanto aceptamos la hipótesis de varianzas iguales.
Contrastamos ahora la igualdad de medias de dos poblaciones normales de varianzas
desconocidas pero iguales y muestras pequeñas.
H 0 : µ A =µ B ⇔ µ A − µ B =0
H1 : µ A ≠ µ B ⇔ µ A − µ B ≠ 0
xA − xB
El estadístico de prueba es: = t siendo
1 1
S +
nA nB
(n A − 1)SA2 + (n B − 1)SB2 19 ⋅1.22 + 29 ⋅ 0.92
=S2 = = 1.059375 con lo cual
(n A − 1) + (n B − 1) 19 + 29
xA − xB 5−3
= = 6.73 y para α =0.05, t0.975,48=2
1 1 1 1
S + 1.059375 +
nA nB 20 30
EXCEL: =DISTR.T.INV(0,05;48) 2,01063472
SPSS:IDF.T(0.975,48) 2.01
Como 6.73 > 2 RECHAZAMOS la hipótesis de igualdad de medias.

4.- De 1000 familias con 5 hijos cada una se ha analizado la distribución de la
variable X =”número de hijos varones, obteniéndose los siguientes resultados:
X 0 1 2 3 4 5
Nº de familias 26 162 309 321 153 29
¿Se puede afirmar que la variable X sigue una distribución binomial B(5,p)?
Solución:
Primeramente debemos estimar el valor del parámetro p, hacemos
X 2,5
X = np ⇒ p = = = 0,5
n 5
Observando una distribución B(5,0.5) y multiplicando por 1000, obtenemos el
número de familias según la distribución teórica (esperadas).
X 0 1 2 3 4 5
ni 26 162 309 321 153 29
pi 5 5 5 5  5  5 5 5  5  5 5 5
  0.5   0.5   0.5  3  0.5   0.5   0.5
0 1   2    4 5
npi 31.25 156.25 312.5 312.5 156.25 31.25

( n i − npi ) ( 26 − 31.25) (162 − 156.25) ( 309 − 312.5) ( 321 − 312.5) (153 − 156.25) ( 29 − 31.25)
2 2 2 2 2 2
2
31.25 156.25 312.5 312.5 156.25 31.25
npi
(n i − npi ) 2 k
=D ∑= 1,59
i =1 npi
utilizando el p-valor:
DERIVE: 1 - CHI_SQUARE(1.59,4)= 0.8105883166> α
EXCEL: = DISTR.CHI(1,59;4) 0,810588> α
SPSS: 1 - CDF.CHISQ(1.59,4) .81> α
Para α = 0,05 P(χ 4 ≤ χ 0,95
= ) 0,95 ⇒ χ=
2
0,95 9,49 siendo D = 1,59 menor
que χ0.95 aceptamos la hipótesis de ser el ajuste bueno. La diferencia entre la
distribución empírica y la ley de la distribución binomial no es significativa.
Aceptamos el ajuste para todo nivel de significación menor que 0,81.

5.- Un tipógrafo asegurar que el número medio de errores por página que
comete es 2, mientras el editor sospecha que es mayor. Suponiendo que el
número de errores por página sigue una distribución de Poisson y que en una
muestra de 200 páginas se encontraron 450 errores, especificar las hipótesis
nula y alternativa del contraste y realizar el contraste con un nivel de
significación del 5%.
Solución:
La variable aleatoria X=”número de errores por página”=P(λ)
H0 : λ ≤ 2
H1 : λ > 2
Para realizar el contraste se extrae una muestra {x1 , x 2 ,..., x n } con n=200.
La variable Y = X1 + X 2 + ... + X n que representa el número de errores en n páginas,
sigue una distribución aproximadamente Normal (Teorema Central del Límite)
Y − E [Y]
(
Y ≡ N E [Y], V [Y] ⇒ ) V [Y]
≡ N(0,1)
Entonces:
E [ Y ] = E [ X1 + ... + X n ] = nλ = 400
V [ Y ] = V [ X1 + ... + X n ] = nV [ X ] = nλ = 400
Y − E [ Y ] 450 − 400
=Z = = 2,5
V [Y] 400
Para α =0,05 en la N(0,1) tenemos que:
P ( Z < z1−α ) =1 − α ⇔ P ( Z < 1, 6448 ) ≈ 0,95 ⇒ z0,95 =1, 6448
aceptación (2,5>1,64), se RECHAZAMOS la hipótesis nula y se puede concluir que el
número de errores por página es superior a 2.
DERIVE:
#1: NSOLVE(NORMAL(λ) = 0.95, λ, Real)
#2: λ = 1.644853651
EXCEL: =DISTR.NORM.INV(0,95;0;1) 1.6448536
SPSS: IDF. NORMAL(0.95, 0,1) 1,64

6.- Un fabricante de bolsas de plástico asegura que el 95% de sus bolsas resisten 6
kg o más. Se toman 40 de estas bolsas al azar y se llenan con 6 kg rompiéndose 6 de
ellas. ¿Existe evidencia estadística para rechazar la afirmación del fabricante?
Solución:
Establecemos la proporción de bolsas rotas de nuestra muestra en p y n=40, siendo X=
número de bolsas que se rompen tendremos una distribución Binomial de parámetros n
y p que ajustaremos a una distribución Normal; en nuestro caso:
(
X ≡ N np, =
np(1 − p) ) (
N 40p, 40p(1 − p) )
H 0 : p ≤ 0, 05
Planteamos , en cuyo caso la distribución adecuada queda en N(2,1.3784)
H1 : p > 0, 05
que podemos ajustar a una distribución Normal que tipificando resulta
X −µ 6−2
=Z ≡ N (0,1) y en particular para X=6 ⇒ = z ≈ 2.901915264
σ 1.3784
Para α =0,05 en la N(0,1) tenemos que:

P ( Z < z1−α ) =1 − α ⇔ P ( Z < 1, 6448 ) ≈ 0,95 ⇒ z0,95 =1, 6448
aceptación (2,9>1,64), se RECHAZAMOS la afirmación del fabricante

7.- Se sabe que la renta anual de los individuos de un país sigue una distribución
normal de media desconocida y de desviación típica 1.400. Se ha observado la
renta anual de 16 individuos escogidos al azar y se ha obtenido un valor medio de
19.500 euros. Contrastar, a un nivel de significación del 5%, si la media de la
distribución es de 18.000 de euros.
Solución:
varianza conocida:
H 0 :   18.000
H1 :   18.000
X  0
/ n
El valor del estadístico Z bajo la hipótesis nula es:
X  0 19500  18000
Z   4.285714285
/ n 1400 / 16
P   z1 /2  Z  z1 /2   1    P  Z  1,96   0,95  P  Z  1,96   0,975  z0,975  1,96
aceptación ( Z  z1 /2 ), RECHAZAMOS la hipótesis nula, y la media no puede ser
18.000 euros.

8.- Se aplica un cierto test de memoria a estudiantes de dos universidades
diferentes. Los resultados siguen una distribución normal con desviación típica
33,5 para la primera universidad y para la segunda 38,2. Se toma una muestra
aleatoria simple de 18 alumnos de la primera universidad y de 25 alumnos de la
segunda; las medias muestrales obtenidas son, respectivamente, 183,7 y 165,4.
a) ¿Son estos datos significativos de una diferencia de memoria entre los alumnos
de ambas universidades? (Considerar un nivel de significación del 0,05)
b) Calcular el p-valor e interpretarlo.
Solución:
a)
Contrastamos la igualdad de medias de dos poblaciones normales de varianzas
conocidas.
H0 : A  B  A  B  0
H1 :  A   B   A   B  0
X A  XB
El estadístico de prueba es:  z siendo
2A B2

nA nB
X A  185, 7; X B  165, 4; A  33,5; B  38, 2; n A  18; n B  25 con lo cual
X A  XB 183, 7  165, 4
  1, 665586501
2A B2 33,52 38, 22
 
nA nB 18 25
P   z1 /2  Z  z1 /2   1    P  Z  1,96   0,95  P  Z  1,96   0,975  z0,975  1,96
Como 1,6655 < 1,96 ACEPTAMOS la hipótesis de igualdad de medias.
b) utilizando el p-valor:
p  1  P(1,66  Z  1,66)  2P(Z  1,66)  2 1  P(Z  1,66  
 2 1  F(1,66)   0,0969
DERIVE: 2(1 -NORMAL(1.66))= 0.09691445252 > 
EXCEL: = 2(1-DISTR.NORM.ESTAND(1,66)) 0,09691445 > 

SPSS: 2 * (1- CDF.NORMAL(1.66,0,1)) .1 > 
Para CUALQUIER  < 0,1 = P-VALOR aceptamos la hipótesis de igualdad de
media.

9.- Se han recogido los siguientes datos de una población:
X 0 1 2 3 4 5 6 7
ni 8 19 22 24 23 15 5 4
¿Podemos admitir que siguen una distribución de Poisson?
Solución:
La distribución de Poisson depende de un único parámetro λ cuyo estimador de máxima
7
∑x n i i
360
verosimilitud es la media muestral X , que en nuestro caso es=
X i =0
= = 3
n 120
Calculamos la distribución teórica de tal forma que la última opción sea X= 7 o superior
λ k −λ 3k −3
p=
k = k)
P(X = e= e
k! k!
X ni pi n pi
0 8 0,04978707 5,9744482
1 19 0,14936121 17,9233446
2 22 0,22404181 26,8850169
3 24 0,22404181 26,8850169
4 23 0,16803136 20,1637627
5 15 0,10081881 12,0982576
6 5 0,05040941 6,04912881
≥ 𝟕𝟕 4 0,033508536 4,02102426
Debemos agrupar las dos últimas clases para cumplir el requisito de npi>5
X ni n pi ni - n pi (ni - n pi)^2 (ni-npi)^2/(npi)
0 8 5,9744482 2,0255518 4,10286008 0,68673456
1 19 17,9233446 1,07665539 1,15918682 0,06467469
2 22 26,8850169 -4,88501691 23,8633902 0,88760927
3 24 26,8850169 -2,88501691 8,32332258 0,30958964
4 23 20,1637627 2,83623732 8,04424211 0,39894549
5 15 12,0982576 2,90174239 8,42010891 0,69597699
≥6 9 10,0701531 -1,07015307 1,14522759 0,11372494
sumas 120 120 3,15725558
(n i − npi ) 2
k
Pearson es D ∑
El estadístico de= ≈ 3,16
i =0 npi
Como quedan 7 clases resulta una distribución chi- cuadrado con 5 grados de libertad.
utilizando el p-valor:
DERIVE: 1 - CHI_SQUARE(3.16,5)= 0.6753340614> α
EXCEL: = DISTR.CHI(3,16;5) 0.675334066> α
SPSS: 1 - CDF.CHISQ(3.16,5) .68> α
Aceptamos la hipótesis de ser el ajuste bueno. La diferencia entre la distribución

empírica y la ley de la distribución Poisson no es significativa. Aceptamos el ajuste
para todo nivel de significación menor que 0,68.

10.- Se quiere comprobar si existe alguna relación entre las calificaciones de los
alumnos en el tipo de asignaturas superadas. Para ello se ha tomado una muestra
con alumnos de las tres asignaturas siguientes:
Geomática 152 99 29 280
Matemáticas 35 28 17 80
Física 12 18 10 40
Total 199 145 56 400
Contrastar la independencia con el test de la Chi-cuadrado. ¿Qué ocurre si
consideramos sólo las asignaturas de Matemáticas y Física?
Solución:
¿Qué debería salir, si fueran independientes?

Geomática 199 280/400 145 280/400 56 280/400 280
Matemáticas 199 80/400 145 80/400 56 80/400 80
Física 199 40/400 145 40/400 56 40/400 40
Total 199 145 56 400
H : Las tres asignaturas son independientes

0
H : Alguna no es independiente
1
Geomática 152(139,5) 99(101,5) 29(39,2) 280
Matemáticas 35(39,8) 28(29) 17(11,2) 80
Física 12(19,9) 18(14,5) 10(5,6) 40
Total 199 145 56 400
Comparamos frecuencias observadas (Oii) y esperadas (eij)

r k (Oij − eij ) 2
=D ∑∑
=j 1 =i 1 eij
≈ 14.92861872
Resulta una distribución chi- cuadrado con (3-1)x(3-1)=4 grados de libertad.
utilizando el p-valor: P(χ 24 > 14.92861872) =0.00485158
Con un valor de p tan pequeño debemos RECHAZAR la independencia de los datos.
Consideraremos solamente dos asignaturas
H : Las dos asignaturas son independientes

0
H : Las asignaturas no son independientes
1


Matemáticas 35(31,3333) 28(30,6666) 17(18) 80
Física 12(15,6666) 18(15,3333) 10(9) 40
Total 47 46 27 120
Tenemos un estadístico D=2.149552883 con una distribución chi_cuadrado con

(2-1)x(3-1) = 2 grados de libertad.
Utilizando el p-valor: P(χ 22 > 2.149552883) =0.341374
No tenemos evidencia para rechazar la independencia de las calificaciones.

Aceptamos la independencia para todo nivel de significación menor que 0,34.

11.- El nivel medio de errores en nivelación es de 20 errores/100 tramos. Se
estudian 40 nivelaciones en las que se sabe se han cometido errores. Los resultados
son: x = 18.5 err./100 tr. y s = 4 err/100 tr.
a) Intervalo de confianza del 95% del nivel medio de errores en las 40 nivelaciones.
b) ¿Es la muestra comparable con la población con un nivel de significación
  0.05 ?
Solución:
a)
Tenemos una muestra de tamaño grande (n=40) y varianza desconocida de una
distribución normal:
 S S 
I   X  z1 /2 , X  z1 /2 
 n n
Datos: X  18.5 ; S  4;   0.05 y en la distribución normal

P(Z  z1 /2 )  F(z1 /2 )   1    0.975  z1 /2  1.96
2
 4 4 
 I0.05   18.5  1.96 ,18.5  1.96   17.867545,19.132455
 40 40 
b)
H0:   18.5 .
H1:   18.5
   20  I  0.05  17.867545,19.132455 Rechazamos la hipótesis nula H0.
X   18.5  20
Otro método puede ser, Z    2.3717   1.96,1.96  la muestra no
/ n 4 / 40
es comparable a la población.

12.- Queremos contrastar la hipótesis H0: “la duración media de los motores de
una determinada marca es 180.000 km”. Para ello se toma una muestra de 9
motores de automóviles, obteniéndose una media de 150.000 km y una varianza
muestral S2=(30.000)2. Estudiar si debemos aceptar la hipótesis H0 con un nivel de
confianza del 95%.
Solución:
varianza desconocida:
H 0 : µ =180.000
H1 : µ ≠ 180.000
Datos: =
n 9;=
x 150.000 ; =
S 30.000; =
α 0, 05
X −µ 150.000 − 180.000
tn-1= = =3
S/ n 30.000 / 9
Buscaremos un valor t1−α /2 tal que P ( − t1−α /2 < t n −1 < t1−α /2 ) = 1 − α .
DERIVE:
#1: NSOLVE(STUDENT(t, 8) = 0.975, t)
#2: t = 2.306004166
EXCEL: =DISTR.T.INV(0,05;8
2,305004166
SPSS: IDF. T(0.975,8) 2,3
Puesto que t = 3>2,3, No podemos aceptar la hipótesis nula, y en consecuencia la

propaganda es falsa.

13.- Si el coeficiente medio de inteligencia de la población universitaria de la
U.P.M. es µ =95 y σ =14, y se extrae una muestra de 49 estudiantes de esa
población.
a) ¿Qué probabilidad hay de que resulte una media muestral igual o inferior a 92?
b) Hallar un intervalo de confianza al 95% para la media de la población
universitaria, para la muestra de media 92.
c) ¿Podemos aceptar la hipótesis de ser la media µ =95 .
Solución:
 σ   14 
La distribución de la media muestral es ξ ≡=
N  µ,  N=
 95,  N ( 95, 2 )
 n  49 
( )
a) F(92)= P ξ ≤ 92 ≈ 0.06680720126
DERIVE: #1: NORMAL(92,95,2)
#2: 0.06680720126
EXCEL: =DISTR.NORM.(92;95;2;1) 0,0668072
SPSS: CDF. NORMAL(92,95,2) ,06680720
b) El intervalo de confianza para una población normal es:

σ
X ± z1−α /2
n
Para nuestros datos: = x 92; σ = 14; = n 49; α = 0.05
X − µ0
Tenemos = Z ≡ N (0,1)
σ/ n
P ( − z1−α /2 < Z < z1−α /2 ) =1 − α ⇔ P ( Z < 1,96 ) =0,975 ⇒ z0,975 =1,96
DERIVE: #1: NSOLVE(NORMAL(z) = 0.975, z, Real)

#2: z = 1.959963962
EXCEL: =DISTR.NORM.INV(0,975;0;1) 1,9599628
O directamente
=INTERVALO.CONFIANZA(0,05;14;49) 3,91992797
σ
X ± z1−α /2 =92 ± 3,919927969
n
SPSS: IDF. NORMAL(0.975, 0,1) 1,96
 14 14 
⇒ Iα=0.05 = 92 − 1.96 ,92 + 1.96  =( 88.08,95.92 )
 49 49 
c) µ= 95 ∈ Iα=0.05= (88.08,95.92 ) , SÍ SE ACEPTA

14.- Se prueban 12 piezas de un material A resultando un desgaste medio de 85
unidades con una desviación típica de 4. Por otra parte 10 piezas de un material B
produce unos resultados de 81 unidades y una desviación típica de 5.
a) Comprobar que las varianzas poblacionales son iguales a un nivel de
significación de 0,1.
b) ¿Podemos concluir con un nivel de significancia del 0,05 que el desgaste del
material A excede el del material B en más de 2 unidades? Suponga que las
poblaciones son normales.
Solución:
=n A 12;= =
x A 85;S A 4;=n B 10;= =
x B 81;S B 5
a) Debemos en primer lugar contrastar la hipótesis de igualdad de varianzas
H 0 : σA2 =σ2B
H1 : σ2A ≠ σ 2B
S2A  
2
∈  Fα ,F α 
SB  2 ,n A −1,n B −1 1− 2 ,n A −1,n B −1 
S2A 42
= = 0.64 ∈ ( F0.05,11,9 , F0.95,11,9 ) =
( 0.345277309,3.102485408)
S2B 52
EXCEL:=DISTR.F.INV(0,95;11;9) 0,34527731;
=DISTR.F.INV(0,025;11;9) 3,10248541
SPSS:IDF.F(0.05,1,9) ,34527731;IDF.F(0.95,11,9) 3,10248541
0,345 < 0,64 <3,1 y por tanto aceptamos la hipótesis de varianzas iguales.
b) Contrastamos ahora la diferencia de medias de dos poblaciones normales de

varianzas desconocidas pero iguales y muestras pequeñas.
H0 : µA > µB + 2 ⇔ µA − µB > 2
H1 : µ A ≤ µ B ⇔ µ A − µ B ≤ 2
x A − x B − ( µA − µB )
1 1
S +
nA nB
(n A − 1)SA2 + (n B − 1)SB2 11 ⋅ 42 + 9 ⋅ 52
=S2 = = 20.05 con lo cual
(n A − 1) + (n B − 1) 11 + 9
xA − xB − 2 85 − 81 − 2
= = 1.043162796 y para �=0.05, t0.975,20=2
1 1 1 1
S + 20.05 +
nA nB 12 10
EXCEL: =DISTR.T.INV(0,05;20) 2,01063472

SPSS:IDF.T(0.975,20) 2.01
Como 1.04 < 2 ACEPTAMOS la hipótesis nula.

15.- En medidas de ángulos con un cierto teodolito, un topógrafo asegura que la
varianza que obtiene es igual o menor que 5. Se le pone a prueba y se le hacen 20
determinaciones, obteniéndose una varianza de 6. Si la variable medida del ángulo
es normal. Se pide:
a) Intervalo de confianza del 99% para la varianza obtenida.
b) ¿Aceptamos su aseveración a un nivel de significación 0,01?
Solución:
 (n − 1).S2 (n − 1).S2 
a) P  < σ2 <  = 1− α
 k2 k1 
P ( χ19
2
< k1 ) =0.005
Buscaremos los valores de k1 y k2 tales que: , obtenemos
P ( χ19
2
< k2 ) =0.995
k1=6,84397146 y k2= 38,5822565
 19 ⋅ 6 19 ⋅ 6 
P < σ2 < = 0,99 ⇒ 2,95 < σ2 < 16, 66
 38,5822565 6,84397146 
b) H0: σ 2 ≤ 5 .
H1: σ 2 > 5
2
Aplicando el teorema de Fisher (n − 1) S 2 ≡ χ n2 −1 ⇒ (20 − 1)
6
= 22.8
σ 5
P (χ 2
n −1 ≤ χ1−α ) = 1 − α para n-1=19 y=
α 0.01 ⇒ χ0.99
= 36.19 .
Por tanto 22.8<36.19 se acepta la hipótesis nula.

16.- Se tabulan los errores de cierre en nivelación obtenidos en 1000 polígonos. ¿Se
puede admitir que el error de cierre se distribuye normalmente? Contrastar la
bondad del ajuste mediante la χ 2n con α=0,05.
error de cierre n° de polígonos
0 -0,1 64
0,1-0,2 242
0,2-0,3 390
0,3-0,4 238
0,4-0,5 66
Solución:
ni x i x i n i x i2 n i
(n i − np i )2
error pi npi
np i
<0 0 0,006209665 6,20966532 6,20966532
0 -0.1 64 0,05 3,2 0,16 0,060597536 60,5975359 0,19104344
0.1-0.2 242 0,15 36,3 5,445 0,241730337 241,730337 0,00030082
0.2-0.3 390 0,25 97,5 24,375 0,382924923 382,924923 0,13072203
0.3-0.4 238 0,35 83,3 29,155 0,241730337 241,730337 0,05756587
0.4-0.5 66 0,45 29,7 13,365 0,060597536 60,5975359 0,48164694
0.5< 0 0,006209665 6,20966532 6,20966532
1000 250 72,5 1 1000 13,280609
Tenemos que calcular la media y la desviación típica de la distribución Normal.
Para ello consideramos la muestra obtenida:
∑ ∑
2
xini xi ni 2
x= =0,25; σ =
2
− x =0,01
n n
Para estimar la media y la desviación típica de la población utilizamos los
resultados anteriores teniendo en cuenta que debemos considerar la cuasivarianza, es
n 2
decir, S=2
σ= 0, 01001001 y por tanto s=0,1. Consideramos la población con
n −1
distribución N(0.25,0.1).
La prueba de la bondad de ajuste de Pearson se basa en la distribución Chi-
cuadrado con k-h-1 grados de libertad, en nuestro caso k=7 (nº de intervalos), h=2 (nº de
parámetros) y para un nivel de significación α =0.05 resulta P(χ72− 2−1 > 9, 49) =0, 05 y
como D=
(n i − np i )
2
=13,28 > 9,49 SE RECHAZA EL AJUSTE.
np i

17.- La siguiente tabla contiene los datos de dos muestras de tamaño 50. ¿Podemos
admitir que tienen la misma distribución utilizando el estadístico de Pearson y
calculando el p-valor?
1ª muestra 2ª muestra
3 1
2 4
4 9
11 5
11 10
9 9
5 4
3 4
2 4
Solución:
1ª muestra 2ª muestra Frec. esperadas
3 1 2
2 4 3
4 9 6,5
11 5 8
11 10 10,5
9 9 9
5 4 4,5
3 4 3,5
2 4 3
Vemos que hay frecuencias esperadas menores que 5, luego agrupamos:
1ª muestra 2ª muestra Frec. esperadas
5 5 5
4 9 6,5
11 5 8
11 10 10,5
9 9 9
10 12 11
r k (Oij − eij ) 2 (5 − 5) 2 (4 − 6,5) 2 (11 − 8) 2 (11 − 10,5) 2 (9 − 9) 2

D =∑ ∑ = + + + + +
=j 1 =i 1 eij 5 6,5 8 10,5 9
(10 − 11) 2 (5 − 5) 2 (9 − 6,5) 2 (5 − 8) 2 (10 − 10,5) 2 (9 − 9) 2 (12 − 11) 2
+ + + + + + +
11 5 6,5 8 10,5 9 11
≈ 4,40251415
El estadístico D=4,4 con distribución de Pearson con (6-1)x(2-1)=5 grados de libertad

resulta un p = P(χ5 ≥ 4,4) ≈ 0,49
2
No tenemos evidencia para rechazar la homogeneidad de las muestras.

Aceptamos la distribución común para todo nivel de significación menor que 0,49.

18.- A la vista de los datos que aparecen en la tabla adjunta, obtenidos después de
una encuesta realizada para ver si la edad tiene influencia en los errores cometidos
por los observadores. ¿Se puede admitir que el cometer errores es independiente
de la edad?
Edad Cometer No cometer
error error
<30 38 44
30-40 45 28
40-50 30 54
50-60 22 62
>60 20 57
155 245
Solución:
La probabilidad de cometer error independientemente de la edad será:
155
P(Error) = = 0.3875 . Calculamos la probabilidad de cometer error en cada
155 + 245
intervalo correspondiente a la edad teniendo en cuenta el número de observaciones en
cada intervalo.
Cometer error No cometer error Total nPi (ni-nPi)2/nPi

38 44 82 31,775 1,21953186
45 28 73 28,2875 9,87388975
30 54 84 32,55 0,19976959
22 62 84 32,55 3,41943164
20 57 77 29,8375 3,24344889
155 245 400 0,3875 17,9560717
Utilizando el contraste de la bondad de ajuste de la distribución χ k2 −h−1 de Pearson con k-
h-1 = 5-0-1 = 4 grados de libertad y observando el valor del estadístico
5
(n i − np i )2
D=∑ = 17,9560717 . p = P(χ 4 ≥ 17,96) ≈ 0
2
i =1 np i
Para cualquier nivel de significación α >p se rechaza la hipótesis y
consideramos que el cometer errores no es independiente de la edad.

19.- Se quieren comparar la vida útil de dos tipos de baterías para móviles, para
ello obtenemos muestras de tamaño 9 de cada tipo, obteniendo los siguientes
resultados =n A 9;= =
x A 5;SA 1, 2;=
n B 9;= =
x B 3;S B 0,9 Contrastar la hipótesis de
igualdad de medias al 95% suponiendo que la varianza es desconocida pero igual
para las dos muestras.
Solución:
x A − x B − ( µA − µB )
El estadístico de prueba es: = t nA +nB −2 siendo
1 1
S +
nA nB
(n A − 1)S2A + (n B − 1)SB2 8 ⋅1.22 + 8 ⋅ 0.92
=S2 = = 1.125 con lo cual:
(n A − 1) + (n B − 1) 8+8
xA − xB 5−3
= = 4
1 1 1 1
S + 1.125 +
nA nB 9 9
y para �=0.05, t0.975,16=2,12
EXCEL: =DISTR.T.INV(0,05;16) 2,1199
SPSS:IDF.T(0.975,16) 2.12
Como 4 > 2 RECHAZAMOS la hipótesis de igualdad de medias.

20.- Al calcular cinco veces la distancia entre dos puntos, obtenemos los siguientes
valores:
170,13m; 170,12m; 170,2m; 170,65m; 170,4
Se pide:
a) Intervalo de confianza del 80% para la media.
b) ¿Cuál será el número de mediciones necesaria para que el error sea inferior a
0,1 m con un nivel de significación de 0,2?
d) Si la variable medida del ángulo es normal ¿aceptamos una desviación típica
inferior a 0,1 m con un nivel de significación 0,1?
Solución:
a) Datos:= n 5;= X 170,3; = S2 0, 05095 ⇒= S 0, 22572107; = α 0, 2
Tenemos una muestra de tamaño pequeño y varianza desconocida:
 S S 
Iα =  X − t1−α /2 , X + t1−α /2 
 n n
y en la distribución de Student
Buscaremos un valor t1−α /2 tal que P ( − t1−α /2 < t n −1 < t1−α /2 ) = 1 − α ⇒ t 0,9 = 1,53320627 .
 0, 22572107 0, 22572107 
⇒ Iα=0,2 = 170,3 − 1,53320627 ,170,3 + 1,53320627 =
 5 5 
(170.145,170.455)
b)
2
S  S 2 0, 05095
= ε t1−α /2 = ⇒ n  t1−α
=  1,53 ≈ 11,92688549
ε
/2
n  0,12
Son necesarias 12 mediciones
c)
 (n − 1).S2 (n − 1).S2 
P < σ2 <  = 1− α
 k2 k1 
P ( χ 24 < k1 ) =0.05
P ( χ 24 < k 2 ) =0.95
k1= 0,7107230275 y k2= 9,487729072
 4 ⋅ 0, 05095 4 ⋅ 0, 05095 
P < σ2 < =
 0,9 ⇒ 0,0215 < σ2 < 0,287
 9,487729072 0,7107230275 
d) H0: σ 2 ≤ 0, 01 .
H1: σ2 > 0, 01
S2 0, 05095
Sabemos que ( n − 1) ≡ χ 2n −1 ⇒ (5 − 1) =20,38
σ 2
0,12
P ( χ 2n −1 ≤ χ1−α ) = 1 − α para n-1=4 y α
= 0,1 ⇒ χ1−α=0,9
= 7,779440283 .
La región crítica es (7.779440283, +∞) .
Por tanto 7.8<20,38 se rechaza la hipótesis nula, la desviación típica no es inferior a 0,1

21.- Se ha observado un ángulo cinco veces, obteniéndose los siguientes valores:
65º25’; 65º33’; 65º32’; 65º28’; 65º27’
Se pide:
a) Intervalo de confianza del 95% para la media del ángulo observado.
b) ¿Cuál será el número de observaciones necesaria para que el error sea inferior a
1 minuto con un nivel de significación de 0,05?
d) Si la variable medida del ángulo es normal ¿aceptamos una desviación típica
inferior a 2 minutos a un nivel de significación 0.01? Escribir la región crítica.
Solución:
a) Datos:= n 5;= X 65º 29 ' ; = S2 11,5 ⇒= S 3,39116499; = α 0, 05
Tenemos una muestra de tamaño pequeño y varianza desconocida:
 S S 
Iα = X − t1−α /2 , X + t1−α /2 
 n n
y en la distribución de Student
Buscaremos un valor t1−α /2 tal que P ( − t1−α /2 < t n −1 < t1−α /2 ) = 1 − α ⇒ t 0,975 = 2, 77644511
.
 3,39116499 3,39116499 
⇒ Iα=0.05 =  65º 29 '− 2, 77644511 , 65º 29 '+ 2, 77644511 =
 5 5 
( 65º24.79', 65º 33.21')
b)
2
S  S 2 11,5
=ε t1−α /2 = ⇒ n  t1−α
=  2, 77 2 ≈ 88,64944821
ε
/2
n  1
Son necesarias 89 observaciones
c)
 (n − 1).S2 (n − 1).S2 
P < σ2 <  = 1− α
 k 2 k 1 
P ( χ 24 < k1 ) =0.005
P ( χ 24 < k 2 ) =0.995
k1=0,20896909 y k2= 14,860259
 4 ⋅11,5 4 ⋅11,5 
P < σ2 < = 0,99 ⇒ 3,10 < σ2 < 222,23
 14,860259 0, 20896909 
d) H0: σ2 ≤ 22 .
H1: σ 2 > 22
S2 11,5
Sabemos que ( n − 1) ≡ χ 2n −1 ⇒ (5 − 1) 2 =11,5
σ 2
2
P ( χ n −1 ≤ χ1−α ) = 1 − α para n-1=4 y=
2
α 0, 01 ⇒ χ1−α==
0,99 13, 28 .
La región crítica es (13.28, +∞) .
Por tanto 11,5<13,28 se acepta la hipótesis nula, la desviación típica es inferior a 2

22.- Se quiere comprobar si es cierto que un nuevo modelo de automóvil consume
5,7 litros por cada 100 km a 90 km/h tal y cómo afirma en su propaganda. Para
ello se realizan 10 recorridos de 100 km a dicha velocidad, con los siguientes
consumos:
5,8; 6,3; 6; 5,5; 6,1; 6,5; 5,5; 7; 6,8; 5,7
Se pide:
a) Intervalo de confianza para la media obtenida con un nivel de significación del
0,05.
b) ¿Se puede aceptar la afirmación del fabricante al 95%?
Solución:
∑x i
5,8 + 6,3 + 6 + 5,5 + 6,1 + 6,5 + 5,5 + 7 + 6,8 + 5, 7
=
a) X = = 6,12
n 10
∑(x )
2
−X i
=S 2
= 0, 27511 = ⇒S 0, 27511 ≈ 0,52451035
n −1
X −µ
Sabemos que el estadístico sigue una distribución t de Student con n-1 grados de
S
n
libertad.
6,12 − µ
Así pues: = t10−1 ,
0,52451035
9
 S S 
Buscaremos el intervalo Iα =  X − t1−α /2 , X + t1−α /2  , es decir,
 n n
 S S 
P  X − t1−α /2 < µ < X + t1−α /2  = 1− α .
 n n
En nuestro caso, queda:
 0,52451035 0,52451035 
Iα=0,05 = 6,12 − 2, 26215726 , 6,12 + 2, 26215726 ≈
 10 10 
( 5.75, 6.50 )
b)
H 0 : µ ≤ 5, 7
H1 : µ > 5, 7
6,12 − 5, 7
= tn-1= t10−1 = 2,5
0,52451035
10
Buscaremos un valor t1−α tal que P ( t n −1 ≤ t1−α ) = 1 − α . En nuestro caso t=1,8,
por lo que se RECHAZA la hipótesis nula.

23.- Un jugador afirma que los dos dados que utiliza no están trucados. Para
comprobar esta afirmación, se lanzan los dos dados 360 veces y se anota la suma de
los resultados. Dichas sumas se muestran en la siguiente tabla, junto con su
probabilidad correspondiente (para facilitar la comparación).
Suma FRECUENCIA PROBABILIDAD
OBSERVADA
2 11 1/36
3 18 2/36
4 33 3/36
5 41 4/36
6 47 5/36
7 61 6/36
8 52 5/36
9 43 4/36
10 29 3/36
11 17 2/36
12 8 1/36
Para poder decidir si los dados están trucados o no, realizar un contraste
χ . ¿Deberíamos jugar con estos dados?
2
Solución:
SUMA ni Pi nPi ni-nPi (ni-nPi)2 (ni-nPi)2/nPi
2 11 1/36 10 1 1 0.1
3 18 1/18 20 -2 4 0.2
4 33 1/12 30 3 9 0.3
5 41 1/9 40 1 1 0.025
6 47 5/36 50 -3 9 0.18
7 61 1/6 60 1 1 1/60
8 52 5/36 50 2 4 0.08
9 43 1/9 40 3 9 0.225
10 29 1/12 30 -1 1 1/30
11 17 1/18 20 -3 9 0.45
12 8 1/36 10 -2 4 0.4
360 1 360 2.01
D=∑
11
(n i − nPi )2 = 2.01 . Cuando la distribución está determinada no hay parámetros
i =1 nPi
que estimar y por tanto
utilizamos χ 11
2
− 0 −1 = χ 10 ;
2
siendo
p − valor =χ 2
P( 10 ≥ 2.01) =0.9962629352 y por tanto próximo a 1 y se acepta la
hipótesis nula “los dados no están trucados”. Podemos jugar con estos dados.

24.- Durante 50 días se ha observado la variable “número diario de cancelaciones
de cuentas en una sucursal bancaria” anotándose la siguiente tabla de frecuencias:
Nº cancelaciones Frecuencias
observadas ni
0 16
1 23
2 8
3 3
Sumas 50
Contrastar el hecho de que la distribución es de Poisson de parámetro λ=1.
Solución:
En el caso de la distribución de Poisson la media coincide con la varianza que es el

valor del parámetro λ de la distribución. Para esta muestra utilizaremos λ =1 y
calculamos las probabilidades teniendo en cuenta las frecuencias esperadas np i ≥ 5 .
Nº Frecuencias Frecuencias Frecuencias (n − np i )2

cancelac observadas n i pi esperadas esperadas con
np i
iones np i np i ≥ 5
0 16 0,3678794 18,39397 18,39397 0,31157452
1 23 0,3678794 18,39397 18,39397 1,15339496
2 8 0,1839397 9,196985 13,21206 0,37035931
3 3 0,0803015 4,015075
Sumas 50 1 50 1,83532879
Utilizando el contraste de la bondad de ajuste de la distribución χ k2 −h−1 de

Pearson con k-h-1 = 3-1-1 = 1 grados de libertad y observando el valor del estadístico
3
(n i − np i )2
D=∑ = 1,8353287 .
i =1 np i
( ) ( )
Buscamos el p-valor = P χ12 ≥ D = P χ12 ≥ 1,8353287 = 0,175
Para cualquier nivel de significación α < 0,175 =p se acepta la hipótesis y

consideramos que la distribución es de Poisson.

25.- Para curar una enfermedad se sabe que existen cuatro tratamientos diferentes.
Aplicados por separado a unos grupos de enfermos se han observado los resultados
siguientes:
Tratamiento Curados No Curados
A 83 44
B 45 28
C 60 54
D 82 62
Total 270 188
¿Se puede asegurar que la eficacia de los cuatro tratamientos es la misma, con un
nivel de confianza del 95%?
Solución:
La probabilidad de curar independientemente del tratamiento será:

270
=P(Curar) = 0,58951965 . Calculamos la probabilidad de curar en cada
270 + 188
tratamiento teniendo en cuenta el número de pacientes con cada tratamiento.
Curados No Curados Total npi (ni-npi)2/npi

83 44 127 74,8689956 0,88305221
45 28 73 43,0349345 0,08972902
60 54 114 67,2052402 0,77249164
82 62 144 84,8908297 0,09844286
270 188 458 1,84371573
Utilizando el contraste de la bondad de ajuste de la distribución χ k2 −h−1 de Pearson con k-

h-1 = 4-0-1 = 3 grados de libertad y observando el valor del estadístico
( n i − npi )
2
5
=D ∑=
i =1 npi
1,84371573 .
Para α = 0,05 ⇒ P(χ3 ≤ χ 0,95

= ) 0,95 ⇒ χ=
2
0,95 7,8
siendo D = 1,8 <7,8
se ACEPTA la hipótesis y consideramos que los tratamientos son igual de
eficaces.

26.- Si el coeficiente medio de inteligencia de la población universitaria de la
U.P.M. es µ = 95 y σ =14, y se extrae una muestra de 49 estudiantes de esa
población y el resultado de la varianza muestral S2=100. ¿Podemos concluir con un
nivel de significación del 0,05 que la varianza es menor de 142?
Solución:
Datos: S=
2
100; σ
= 14; =
n 49; α
= 0, 05
H0: σ2 <142
H1: σ2 ≥ 142
S2 100
Aplicando el teorema de Fisher ( n − 1) ≡ χ 2n −1 ⇒ =
χ (49 − 1) = 24,49
σ 2
142
P ( χ 2n -1 ≤ χ1−α ) = 1 − α ⇒ P ( χ 248 ≤ χ1−α=0,95 ) = 0,95 ⇒≤ χ0,95 = 65,1707689
Por tanto χ1−α=0,95 =

65,1707689 >24,49 = χ ⇒ se ACEPTA la hipótesis nula.

27.- Se lleva a cabo un experimento para comparar el desgaste por abrasivo de
un material laminado. Se prueban 12 piezas del material mediante la exposición de
cada pieza a una máquina para medir la profundidad del desgaste. La muestra da
un desgaste medio de 53 unidades con una desviación estándar muestral de 4.
Supongamos que la población es aproximadamente normal con varianza
desconocida.
a) ¿Podemos concluir con un nivel de significación del 0,05 que el desgaste
abrasivo medio del material es menor de 50 unidades?
b) Se justifica la suposición de varianza igual a 10 con un nivel de significación de
0,1.
Solución:
Datos: n= 12;X= 53; S= 4; α= 0.05
X −µ
a) Sabemos que el estadístico sigue una distribución t de Student con n-1
S
n
grados de libertad.
H 0 : µ <50
H1 : µ ≥ 50
Así pues:
53 − 50
=t = 2,598
4
12
Buscaremos un valor t1−α tal que P ( t n −1 < t1−α ) = 1 − α . En nuestro caso

aproximadamente t0,95=1,8<2,598=t, por lo que se RECHAZA la hipótesis nula.
b) H0: σ2 =10
H1: σ2 ≠ 10
S2 16
Aplicando el teorema de Fisher ( n − 1) ≡ χ 2n −1 ⇒ (12 − 1) =17, 6
σ 2
10
α
P ( χ 2n -1 < k1 ) = ⇒ P ( χ11
2
< k1 ) =0, 05
Buscaremos los valores de k1 y k2 tales que: 2 ,
α
P ( χ n -1 < k 2 ) = 1- ⇒ P ( χ11 < k 2 ) = 0,95
2 2
2
obtenemos k1= 4,57481308 y k2=19,6751376 para n-1=11 y α =0,1 . -
Por tanto 4,6<17,6<19,7 se ACEPTA la hipótesis nula.

28.- Al realizar un muestreo aleatorio con 100 alumnos de la U.P.M para
estudiar la estatura de los alumnos de esta Universidad, se obtuvieron los
siguientes resultados agrupados en intervalos de amplitud 10 cm, así como los
parámetros de la muestra X = 1.772 y S = 0.1168.
ni
menos de 1.5 0
1.5 - 1.6 6
1.6 - 1.7 21
1.7 - 1.8 35
1.8 - 1.9 24
1.9 - 2.0 11
2.0 - 2.1 3
más de 2.1 0
Contrastar la hipótesis,
La muestra obtenida sigue una distribución normal N( X = 1.772 , S = 0.1168)
a) Obtener el p-valor y dar su interpretación.
b) Para un nivel de significación α = 0.05 calcular el valor crítico.
c) ¿Se acepta el ajuste para un nivel de significación α = 0.05 ?
Solución:
Supuestamente hemos calculado la media y la desviación típica de la muestra
obtenida:
X=
∑ x i n i =1,772; σ =0,1168
n
Consideramos la población con distribución N(1.772,0.1168).
ni Pi=F(ei)-F(ei-1) nPi nPi>5 (ni-nPi)2/nPi
0 0,00993570 0,994
6 0,06049339 6,049 7,043 0,15443331
21 0,19837353 19,837 19,837 0,06814156
35 0,32592605 32,593 32,593 0,17781797
24 0,26870796 26,871 26,871 0,30670732
11 0,11109752 11,110 13,656 0,00864832
3 0,02297503 2,298
0 0,00249082 0,249
100 1,000 100 100 0,71574848
( n i − npi )
2
=D ∑ npi
≈ 0,71574848

a) La prueba de la bondad de ajuste de Pearson se basa en la distribución Chi-
cuadrado con k-h-1 grados de libertad, en nuestro caso k=5 (nº de
intervalos), h=2 (nº de parámetros)
p-valor= P(χ52− 2−1 > 0,71574848) =0,699160997 Se acepta para cualquier nivel
de significación menor.
b) Para un nivel de significación α =0.05 resulta P(χ52− 2−1 ≤ χ0,95

= ) 0,95 ⇒
χ0,95 =
5,99
c) y como D=
(n i − np i )
2
=0,716 < 5,99 SE ACEPTA EL AJUSTE.
np i

29.- Para contrastar que la esperanza matemática µ de una distribución Normal es
10, se toma una muestra de tamaño 16 y se rechaza la hipótesis en el caso en que la
media muestral sea mayor que 10, aceptándose en caso contrario. Sabiendo que la
desviación típica de la población es σ=2 y habiendo obtenido una media muestral
de 11. Calcular el p-valor y decidir si se acepta la hipótesis de que la media de la
población es µ<10
Solución:

varianza conocida:
H 0 :   10
H 1 :   10
X  0
/ n
El valor del estadístico z bajo la hipótesis nula es:

X  0 11 10
z  2
 / n 2 / 16
p  P  Z  2  0,0227
Por ser muy próxima a cero RECHAZAMOS la hipótesis nula, y la media no puede ser
menor que 10.

30.- Para los siguientes datos
xi ni
0 10
1 30
2 50
3 10
Se pide:
a) Calcular las respectivas frecuencias teóricas correspodientes a una distribución
Binomial de parámetros n=3 y p=0,53, es decir, pi=P(X=xi)
b) Hallar el valor del estadístico de contraste:
 ni  npi 
2
D
i npi
c) Estudiar la Bondad del ajuste para un nivel de significiación α=0,05
Solución:
a) A partir de de la distribución Binomial B(3,0.53) calculamos las frecuencias teóricas:
n   3
P(X = k) =  p k . q n  k =   0,53k 1  0,53
3 k
k  k
 3
P(X = 0) =   0,530 1  0,53  0,103823
3 0
0
 3
P(X = 1) =   0,531 1  0,53  0,351231
31
1
 3
P(X = 2) =   0,532 1  0,53  0,396069
3 2
 2
 3
P(X = 3) =   0,533 1  0,53  0.148877
3 3
 3
b)
ni  np i 2
ni  npi   ni npi 
2
ni n pi
np i
0 10 10,3823 -0,3823 0,14615329 0,01407716
1 30 35,1231 -5,1231 26,2461536 0,74726188
2 50 39,6069 10,3931 108,016528 2,72721489
3 10 14,8877 -4,8877 23,8896113 1,60465426
 100 100 5,09320819
 n i  npi 
2
D  5,09320819
i npi

c) Para  = 0,05  P( 24  2 1   0,95 )  0,95   0,95  3,84 siendo D = 5,09320819
mayor que  0,95  3,84 RECHAZAMOS la hipótesis de ser el ajuste bueno.

31.- Suponiendo una población normal con media 50 y desviación típica 8. Para
una muestra de tamaño 9, ¿cuál es la probabilidad de que:
a) La media muestral sea superior a 55?
b) La desviación típica muestral sea superior a 10?
Solución:
 σ 
Sabemos que la media muestral X ≡ N  µ, 
 n
= 50; σ
Para nuestros datos: X = 8; =
n 9
 8 
Tenemos X ≡ N  50, =( 50,8 / 3)
 9
a) (
P X ≥ 55 = ) (
1 − P X < 55 = )
1 − FX (55) ≈ 0,03039636175
(n − 1). S 2
b) Sabiendo que ≡ χ n2 −1 si la población de partida es N(µ, σ)
σ2
(9 − 1).S2
En nuestro caso 2
≡ χ92−1
8
 S 10 
2 2
P ( S2 > 102 ) = P  >  = P ( χ8 > 12,5 ) = 1 − P ( χ8 > 12,5 ) = 1 − Fχ82 (12,5 ) ≈ 0.13025
2 2
8 8 

32.- Según un estudio sobre los hábitos de consumo de las familias de la
Comunidad de Madrid, el gasto mensual en productos de marcas blancas de las
familias puede considerarse según una variable aleatoria X con ley Normal de
desviación típica 50 euros. Los datos siguientes corresponden a una muestra
aleatoria simple de tamaño n = 10 familias:
Familia 1 2 3 4 5 6 7 8 9 10
Gasto 325 193 203 305 251 240 233 238 354 311
a) ¿Qué estimación del gasto medio mensual se obtiene con un estimador
insesgado?
b) Calcula un intervalo de confianza al 95% para el gasto medio mensual en
productos de marcas blancas de las familias de la Comunidad de Madrid.
c) Si queremos trabajar con niveles de confianza del 90%, ¿obtendríamos un
intervalo más o menos) amplio que el calculado anteriormente?
Solución:
a) La media muestral es un estimador insesgado para la media poblacional
n
∑x i
=X = 265,3
i =1
n
b) El intervalo de confianza para una población normal de varianza conocida es:
σ
X ± z1−α /2
n
Para nuestros datos:

X= 265,3; σ= 50; n= 10; α= 0.05
X −µ
=
Tenemos Z ≡ N(0,1)
σ n
P ( −z1−α / 2 < Z < z1−α / 2 ) =

1− α =
1 − 0.05 =⇒ P ( Z z1−α / 2 ) =
0.95 F(z1−α / 2 ) =< 0.975 ⇒
z1−α / 2 ≈ 1.96
σ
X ± z1−α /2 =
265,3 ± 33,8463
n
 50 50 
⇒ Iα=0.05 =  265.3 − 1.96 , 265.3 + 1.96 = ( 255.5, 275.1)
 10 10 
c) Al disminuir el nivel de confianza disminuye la amplitud del intervalo

33.- Se sabe que la demanda diaria de un producto fabricado por cierta empresa
sigue una distribución normal. Se toma una muestra aleatoria simple de la
demanda registrada en 10 días distintos, obteniéndose una media muestral igual a
3,5 y una desviación típica muestral (o cuasidesviación típica) igual a 0,9. Se pide:
a) Un intervalo de confianza al 95% para la media de la demanda diaria de dicho
producto.
b) El plan de producción de la empresa está basado en la suposición de que la
demanda media diaria del citado producto es como mínimo igual a 4. Contrastar
esta hipótesis, al nivel de significación de 0,05.
Solución:
a) Se trata de una población que sigue una distribución Normal de varianza

desconocida, y muestras pequeñas, por lo que el intervalo de confianza es:
S
X ± t1−α /2
n
Datos:=n 10;= X 3,5 ;= S 0,9;= α 0.05
P ( t n −1 < t1−α /2 ) = 1 − α / 2 ⇒ P ( t 9 < t1−α /2=0,975 ) = 0,975 ⇒ t 0,975 = 2,262157127
 0,9 0,9 
⇒ Iα=0.05 = 3,5 − 2, 26 ,3,5 + 2, 26  =( 2.86, 4.14 )
 10 10 
b) Realizamos la hipótesis nula de que la demanda diaria es mayor que 4.

H0 : µ ≥ 4
H1 : µ < 4
X − µ0 3,5 − 4
El estadístico es:=
t=  −2,002775851
S / n 0,9 / 10
Ahora se trata de un valor t α tal que P ( t n −1 < t α ) =

α.
=9 ⇒ P(t < t
α 0,05
= α 0,05 )=
0, 05 ⇒ t =
−1,833112933
t α=0,05 =
−1,833112933 > − 2,002775851=t 9 , luego se RECHAZA la hipótesis nula

34.- Se supone que el retraso de los trabajadores de una empresa es, por término
medio, de 5 minutos; para contrastar dicha hipótesis se seleccionó al azar una
muestra de 10 empleados y se midió su retraso: 0.1, 2, 7, 5.6, 7.4, 5.1, 6.1, 6, 4.5 y 9.
Utilizar el p-valor.
Solución:
Se trata de una población que sigue una distribución Normal de varianza

desconocida, y muestras pequeñas, por lo que la distribución a emplear es t n −1
=
Datos: =
n 10; =
X 5, 28; S 2, 6
Realizamos la hipótesis nula de que la media diaria es 5.

H 0 : µ =5
H1 : µ ≠ 5
X − µ0 5, 28 − 5
|t|= = =0,3405529787
S/ n 2, 6 / 10
Calcularemos el p-valor
p= 1 − P ( -0,3405529787 < t n −1 < 0,3405529787 ) =
2P ( 0,3405529787 < t n −1 ) =
0, 74 .
luego se ACEPTA la hipótesis nula para cualquier nivel de significación menor que
0,74

35.- La siguiente tabla de contingencia contiene datos sobre el gasto mensual en
llamadas telefónicas (en euros) y el sexo de 500 encuestados:
Gasto Hombres Mujeres
[0,6) 59 76
[6,12) 42 62
[12,30) 54 51
[30,60) 67 39
[60,120] 28 22
Justificar si es cierto que el gasto mensual medio de los hombres es superior al de
las mujeres con un nivel de significación del 5%.
Solución:
Debemos en primer lugar contrastar la hipótesis de igualdad de varianzas
H 0 : σ2h =σ 2m
H1 : σ 2h ≠ σ m2
S2h  
2
∈  Fα ,F α 
Sm  2 ,n h −1,n m −1 1− 2 ,n h −1,n m −1 
Datos:
= =
n h 250; =
X h 28,896; =
Sh 2, 66390361; =
n m 250; =
X m 22,368; Sm 2, 74255422
S2A 2.663903612
= = 0.94346669 ∈ ( F0.025,249,249 , F0.975,249,249 ) =
( 0.7795917,1.28272281)
S2B 2.742554222
0,78 < 0,94 < 1,28 y por tanto aceptamos la hipótesis de varianzas iguales.
Contrastamos ahora la diferencia de medias de dos poblaciones normales de varianzas
desconocidas pero iguales y muestras pequeñas.
H0 : µh > µm ⇔ µh − µm > 0
H1 : µ h ≤ µ m ⇔ µ h − µ m ≤ 0
xh − xm
1 1
S +
nh nm
(n h − 1)S2h + (n m − 1)S2m 249 ⋅ 2.663903612 + 249 ⋅ 2.742554222

S2 = = 2.70322892 con
(n h − 1) + (n m − 1) 249 + 249
xh − xm 28,896 − 22,368
=
lo cual = 44.39087848 y para α =0.05, resulta
1 1 1 1
S + 2.70322892 +
nh nm 250 250
t0.05,498 = -1.647919 < 44.39087848 ACEPTAMOS la hipótesis.

36.- ¿Se puede admitir la distribución uniforme de valores angulares en una
triangulación de primer orden de un país en la que se ha tomado una muestra de
tamaño 100 y se han obtenido los siguientes resultados? Utilizar el p-valor.
frecuencias
Medidas angulares
observadas
<40 16
40-50 22
50-60 20
60-70 19
>70 23
Solución:
Consideramos la distribución uniforme de parámetros a=30 y b=80.
ni np i n i − np i (n i − np i )2 (n i − np i )2
Clases np i
< 40 16 20 -4 16 0,8
[ 40,50 ) 22 20 2 4
0,2
[50, 60 ) 20 20 0 0
0
[60, 70) 19 20 -1 1
0,05
70 < 23 20 3 9 0,45
sumas 100 100 1,5
Utilizando el contraste de la bondad de ajuste de la distribución χ k2 −h−1 de

Pearson con k-h-1 = 5-0-1 = 4 grados de libertad y observando el valor de la
distribución:
( n i − npi )
2
5
D= ∑ =1,5.
i =1 npi
P − valor = P(χ 24 ≥ 1,5) = 0,82664147 próximo a 1
Se acepta la hipótesis de uniformidad de la muestra.

37.- Un proceso industrial fabrica piezas cuya longitud en milímetros se distribuye
según una Normal de media 190 y desviación típica 10.
Una muestra de 5 piezas proporciona los resultados siguientes: 185, 200, 186, 197 y
185. Utilizando un nivel de significación del 0,05, se pide:
a) Contrastar la hipótesis de que la media del proceso es 190.
b) Contrastar la hipótesis de la varianza del `proceso es 100.
Solución:
a) Se trata de un contraste de hipótesis para la media de una población normal de
varianza desconocida:
H 0 : µ =190
H1 : µ ≠ 190
Estimamos los parámetros de la distribución Normal a partir de la muestra:
Xi (Xi-media)2
185 34225
200 40000
186 34596
197 38809
185 34225
953 181855
X =190,6 S2=53,3
Datos:=
n 5;=
X 190, 6 ; =
S 7,3; =
α 0, 05
X −µ 190, 6 − 190
|t| = = =0,1837864091
S/ n 7,3 / 5
Puesto que t = 0,1837864091<2,776, Se acepta la hipótesis nula
b) Para contrastar la hipótesis nula:
H 0 : σ2 =100
H1 : σ2 ≠ 100
P ( χ 24 < k1 ) =0, 025
P ( χ 24 < k 2 ) =0,975
k1=0,4844 y k2= 11,14
S2 53,3
Aplicando el teorema de Fisher ( n − 1) 2 ≡ χ 2n −1 ⇒ χ= (5 − 1) = 2,132
σ 100
Por tanto 0, 4844 < χ =2,132<11,14 se ACEPTA la hipótesis nula.

38.- Se quiere contrastar la hipótesis nula “una moneda de un euro está bien
equilibrada”, y que por tanto, cara y cruz son equiprobables; para ello se realizan
100 lanzamientos de una moneda de un euro y se observan 63 caras y 37 cruces.
Contrastar la hipótesis utilizando el test de χ 2 con un nivel de significación α de
0,05.
Solución:
Frecuencias pi Frecuencias (n i − np i )2
observadas esperadas np i
ni np i
Cara 63 0,5 50 3,38
Cruz 37 0,5 50 3,38
Sumas 100 1 100 6,76
Utilizando el contraste de la bondad de ajuste de la distribución χ 2k − h −1 de

Pearson con k-h-1 = 2-0-1 = 1 grados de libertad y observando el valor de la
distribución para α = 0.05 , P ( χ12 ≤ χ0,95 ) =0,95 , se obtiene χ0,95 =3,84 que es mayor
que D= ∑
2
(n i − np i )2 .=6,76. Se rechaza la hipótesis nula.
i =1 np i

39.- ¿Se puede admitir la distribución normal de valores angulares en una
triangulación de primer orden de un país en la que se ha tomado una muestra de
tamaño 100 y se han obtenido los siguientes resultados?
Medidas angulares frecuencias observadas
30-40 16
40-50 22
50-60 20
60-70 19
70-80 23
Para ello, se pide:
a) Obtener la media y la desviación típica de la muestra.
b) Calcular las respectivas frecuencias teóricas correspodientes a una
distribución Normal de parámetros MEDIA y DESVIACIÓN TÍPICA
obtenidos en el apartado a).
c) Hallar el valor del estadístico de contraste:
( n i − npi )
2
D=∑
i npi
d) Calcular el p-valor e indicar la bondad del ajuste.
e) Estudiar la Bondad del ajuste para un nivel de significiación α=0,03.
Solución:
ni xi x i n i
(x i − x) 2 n i (n i − np i )2
Medida pi npi
np i
30-40 16 35 560 7123,36 0,126135851 12,61 0,9091631
40-50 22 45 990 2710,62 0,206094543 20,61 0,09382186
50-60 20 55 1100 24,2 0,277003816 27,7 2,14061588
60-70 19 65 1235 1504,99 0,229289852 22,93 0,67324935
70-80 23 75 1725 8215,83 0,161475938 16,15 2,9078927
Sumas 100 5610 19579 1 100 6,72474289
a) Tenemos que calcular la media y la desviación típica de la distribución
Normal. Para ello consideramos la muestra obtenida:
( )
2
x= =
∑ x i n i =56,1; S =∑ x i − x n i 14, 0629896
n n −1
b) Consideramos la población con distribución N (56.1, 14.0629896).
ni
(n i − np i )2
Medida pi npi
np i
30-40 16 0,126135851 12,61 0,9091631
40-50 22 0,206094543 20,61 0,09382186
50-60 20 0,277003816 27,7 2,14061588
60-70 19 0,229289852 22,93 0,67324935
70-80 23 0,161475938 16,15 2,9078927
Sumas 100 1 100 6,72474289

La prueba de la bondad de ajuste de Pearson se basa en la distribución Chi-
cuadrado con k-h-1 grados de libertad, en nuestro caso k=5 (nº de intervalos), h=2 (nº de
parámetros) y como:
( n − npi ) =6,72474289
2
k
c) D= ∑ i
i =1 npi
d) P(χ52− 2−1 > 6, 72474289) =
0, 034652984
SE RECHAZA EL AJUSTE por ser inferior al 5%.
e) SE ACEPTA EL AJUSTE por ser SUPERIOR al 3%.

40.- Un fabricante de aparatos de precisión garantiza que la desviación típica de
las medidas que pueden efectuarse con el tipo de balanza que comercializa es σ2 ≤
25 unidades. Para comprobar dicha afirmación se pesa un objeto en 100 básculas
de dicho tipo y se obtiene una varianza muestral de S2 =26,243. Si sabemos que la
distribución de los pesos sigue una normal, realizar un contraste que permita
tomar una decisión respecto a aceptar o no la información suministrada por el
fabricante. Para ello, indicar: a) Hipótesis nula. b) Hipótesis alternativa. c)
Distribución a utilizar. d) Estadístico de contraste. e) p-valor. f) Decisión.
Solución:
Lo que queremos contrastar es:
a) H0: σ2 ≤ 25;
b) H1: σ2 > 25. Unilateral cola derecha
(n − 1).S 2
c) ≡ χ n2−1 =
χ100 −1 si la población de partida es N( µ, σ )
2
σ 2
d) De los datos se tiene que n = 100, s2 =26,243. Por tanto,

(n − 1).S 2 (100 − 1)26, 243
=χ = ≈ 103,92228
σ 02 25
e) p-valor=
P ( χ 2n −1 > χ ) = P ( χ100
2
−1 >103,92228 ) = 1 − P ( χ100 −1 ≤ 103,92228 ) = 0,34776
2
f) No tenemos evidencia suficiente (con un p-valor>0,05) para sospechar del

fabricante, por lo tanto, aceptamos la afirmación σ2 ≤ 25.

41.- Las 100 primeras cifras decimales del número π son:
3,141592653589793238462433832795028841971693993751058209749445923078164
06862089986280348253421170679……
Se quiere estudiar si el resultado es una secuencia de cifras elegidas al azar, para
ello se pretende contrastar si todas las cifras aparecen con la misma frecuencia,
1/10, como si hubiesen sido elegidas al azar mediante extracciones de una urna con
10 bolas enumeradas del 0 al 9.
a) Decir si se acepta la hipótesis de uniformidad con un nivel de significación
α=0,1.
b) Indicar el p-valor que le corresponde a estos resultados en particular.
Solución:
ni n pi (ni − npi ) (ni − npi ) 2 (ni − npi )2
npi
0 8 10 -2 4 0,4
1 8 10 -2 4 0,4
2 12 10 2 4 0,4
3 11 10 1 1 0,1
4 10 10 0 0 0
5 8 10 -2 4 0,4
6 9 10 -1 1 0,1
7 8 10 -2 4 0,4
8 12 10 2 4 0,4
9 14 10 4 16 0.16
∑ 100 100 4,2
a) Para α = 0,1 ⇒ P(χ92 ≤ x 0.9 )= 0.9 ⇒ x 0.9= 14, 68 siendo D =4,2
aceptamos la hipótesis de ser el ajuste bueno, es decir, las cifras decimales son
aleatorias.
b) p-valor ⇒ P(χ92 ≥ D) = P(χ92 ≥ 4, 2) = 0,89776

Contraste de hipótesis.
Contrastar una hipótesis estadísticamente es tomar una decisión sobre si cierta propiedad de una
población es compatible con lo observado en una muestra de dicha población.
Llamamos hipótesis nula, H0 , a la hipótesis que vamos a contrastar, H0 representa la
hipótesis que mantendremos mientras los datos no nos indiquen su falsedad.
Llamamos hipótesis alternativa, H1 , a la hipótesis que se aceptará si H0 se rechaza.
Las fases en un contraste de hipótesis son:
1) Definir la hipótesis a contrastar que llamaremos H0 .
2) Definir una medida de discrepancia D que mida la diferencia entre los valores observados y los
esperados (de acuerdo con H0).
3) Calcular D. Si la discrepancia D es muy grande, rechazaremos H0 ; en caso contrario,
aceptamos H0 .
Nivel de significación
Número  entre 0 y 1 que se elige subjetivamente en estadística para acotar superiormente el

error de tipo I en un test, o bien para construir intervalos o regiones de confianza.
 En un intervalo de confianza del estimador de forma   tal que la P      1   .
 En un contraste de hipótesis es el valor  es la probabilidad de cometer un error de
tipo I, y determina un valor dc de forma que: P(D  dc )  
La figura siguiente muestra gráficamente este método. Si la discrepancia observada
D cae dentro de la región de rechazo (probabilidad de rechazar y ser verdadera), rechazamos
la hipótesis H0, en caso contrario la aceptaremos.
Definimos la región de rechazo por D  dc y la región de aceptación de H0 será D  dc
Consideraciones acerca de .
1) Aceptar o rechazar la hipótesis H0 puede
depender del valor , siendo posible rechazar
H0 con  = 0.05 y aceptar H0 con  = 0.04
2) Dar sólo el resultado del test no indica el
grado de discrepancia. Se acostumbra a utilizar
niveles de significación del 0.05 ó 0.01.
Si, por ejemplo se elige un nivel de
significación del 0.05 entonces hay
aproximadamente 5 ocasiones de cada 100 en 
que se rechazaría la hipótesis cuando debe ser
aceptada.
Aceptación <
dc >
Rechazo
U.D. de Matemáticas de la E.T.S.I. en Topografía, Geodesia y Cartografía 122

Nivel crítico
Se define el nivel crítico o p valor como el mínimo nivel de significación para el que, con
los datos de una muestra concreta, se tendría que rechazar la hipótesis nula H0 .
p  P(D  D n ) .
Es decir la probabilidad de obtener una discrepancia mayor o igual que la observada en la
muestra. De esta forma, el valor de p no se fija a priori, sino que se determina en función de
la muestra.
D es el estadístico y Dn es valor del estadístico obtenido con la muestra. Como se evidencia
en la figura siguiente, cuanto menor sea el valor crítico, menor es la probabilidad de existir
discrepancia como la observada, y menor es la certidumbre de H0.
Esto es; cuanto más cercano a cero sea su valor con mayor confianza se rechazará H0. Puesto
que, p  P(D  D n ) y Dn un valor fijo, si p es grande  Dn es un valor pequeño, por tanto,
para un valor fijo de  < p será Dn < dc y aceptamos la hipótesis H0,
En general cuanto más próximo a 1 sea p con mayor evidencia se habrá de aceptar H0 .
Si p>0.25 no existe suficiente evidencia para rechazar H0.
Si 0.01<p<0.25 existe incertidumbre entre rechazar o no rechazar H0.
Si p<0.01 en general deberá ser rechazada la hipótesis H0,
Si se ha fijado de antemano un nivel de significación , se acepta H0, si p>, y se rechaza
H0 si p< 
ETSITGC
Contraste de Hipótesis Madrid
Pruebas relativas a la media H0 : µ = µ 0

Parámetros Región
desconocidos Estadístico Distribución H1 crítica
X − µ0 µ < µ0 z < − z1− α

µ z= N(0,1)
σ µ ≠ µ0 z > z1− α / 2
n
µ > µ0 z > z1− α
X − µ0 µ < µ0 t < − t1−α

t= t n −1
µ, σ 2 S µ ≠ µ0 t > t1−α / 2
n
µ > µ0 t > t1−α
Percentiles:
FN(0,1) ( − z1−α ) = α; FN(0,1) ( z1−α / 2 ) = 1 − α / 2; FN(0,1) ( z1−α ) = 1 − α
Ftn−1 ( − t1−α ) = α; Ftn−1 ( t1−α / 2 ) = 1 − α / 2; Ftn−1 ( t1−α ) = 1 − α Unidad Docente de Matemáticas
Contraste de Hipótesis para la MEDIA (Varianza conocida)
H 0 : µ ≥ µ0
Contraste unilateral (cola de la izquierda)
H1 : µ < µ 0
H 0 : µ = µ0
Contraste bilateral (2 colas)
H1 : µ ≠ µ 0
H 0 : µ < µ0
Contraste unilateral (cola de la derecha)
H1 : µ ≥ µ 0
Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M.

Contraste de Hipótesis para la MEDIA (Varianza desconocida)
H 0 : µ ≥ µ0
H1 : µ < µ 0
H 0 : µ = µ0
H1 : µ ≠ µ 0
H 0 : µ < µ0
H1 : µ ≥ µ 0

ETSITGC
Pruebas relativas a la diferencias de medias H0 : 1  2  0

Parámetros Estadístico Distribución H1 Región
desconocidos crítica
1   2  0 z   z1 
1,  2 z
 X  X   (   )
1 2 1 2 1  2  0 z  z1  / 2
 n1   n 2
2 2 N(0,1)
1 2
1   2  0 z  z1 
X 
 X 2  (1   2 )
1   2  0 t   t1
1,  2 , 12 ,  22 1
t n1  n 2 2
t
2
  
1
2
2
 n1  1 S   n 2  1 S
2
1
2
2
1 n1  1 n 2 1   2  0 t  t1 / 2
n1  n 2  2
1   2  0 t  t1
1,  2 , 12 ,  22
t
 X  X   (   )
1 2 1 2
t g.l.
 s12 s 22 
  
 n1 n 2 
2
g.l. 
12   22 S n1  S n 2
2 2
 s12 / n1    s22 / n 2 
2 2
1 2
n1  1 n2 1
Unidad Docente de Matemáticas
ETSITGC
Pruebas relativas a la varianza

Parámetros Estadístico Distribución H0 H1 Región crítica
desconocidos
  0   
 n  1 S 2    / 2
2  2n1   0   0 
2
 1  / 2  
  0   1 
12   22 f  F,n1 1,n2 1
S12  f  F / 2,n1 1,n2 1
 ,
2
1
2
2
f 2 Fn1 1,n 2 1 2
1
2
      
2
2 2
 f  F1  / 2,n1 1,n2 1

S2 1 2
12   22 f  F1 ,n1 1,n2 1

Unidad Docente de Matemáticas
Contraste de Hipótesis para la VARIANZA
H0 :σ ≥ σ 0
H1 : σ < σ 0
H0 :σ = σ 0
H1 : σ ≠ σ 0
H0 :σ < σ 0
H1 : σ ≥ σ 0

Bondad de ajuste (test de la  2 )
El problema que vamos a tratar es el de la conformidad de una distribución experimental y una

distribución teórica; esto es, sustituir la distribución experimental (distribución de la muestra de la
población), el histograma, o la distribución de frecuencias, por una distribución teórica conocida.
Sean:
n = tamaño de la muestra.
k = número de clases.
ni = frecuencia absoluta de la clase i .
pi = probabilidad de cada clase según la distribución teórica.
npi = frecuencia absoluta de cada clase según la distribución teórica.
h = número de parámetros estimados a partir de la muestra.
 = número de grados de libertad.
Las frecuencias observadas en la distribución de una muestra, se emplean para poner a prueba, la
hipótesis de que la población de la cual se ha obtenido la muestra, no difiere en distribución, de la
de alguna distribución conocida.
Supuesta conocida la distribución de Y. La hipótesis H0 tiene la forma: la población X de la cual se
obtuvo la muestra tiene la misma distribución que la población Y, formulamos la hipótesis
alternativa H1 las poblaciones X e Y no tienen la misma distribución.
Una medida de las discrepancias en este sentido, fue estudiada por Pearson construyendo el
k
( n i  np i ) 2
siguiente estadístico: D   , y demostró que, para n  30 y npi  5  D   2k  h 1 ,
i 1 np i
esto es, la variable D sigue una distribución ji-cuadrado con  = k - h - 1 grados de libertad.

Fijado un nivel de significación , buscamos un valor   tal que P  2      
 Si D   aceptamos la hipótesis H0 de conformidad con el ajuste, siendo las
diferencias n i  np i debidas al azar.
 Si D   rechazamos la hipótesis H0 , las diferencias n i  np i son significativas y
por tanto, las distribuciones son distintas.
Distribución binomial o de Bernouilli
Consideremos un experimento aleatorio que admite sólo dos resultados excluyentes:

Suceso A (éxito) con probabilidad P(A) = p.
Suceso A (fracaso) con probabilidad P( A ) = 1-p = q.
A la variable aleatoria discreta  = “número de veces que ocurre el suceso A (éxito) en las n
pruebas” se la denomina variable binomial.
Para calcular la distribución de probabilidad nos fijamos en el suceso favorable a A en k veces,
k) nk )
A .... AA .... A cuya probabilidad por ser sucesos independientes es el producto de las
k) n k ) n 
probabilidades p .... p. q .... q = p k . qnk . Resultado que se puede repetir   veces, luego P(  = k)
k 
n 
=  pk . qnk
k 
n  k n  k
La función de distribución correspondiente es: F(x) =    p .q
k  x k 
Una distribución binomial queda caracterizada cuando se conocen p y n y se escribe B(n, p).
La esperanza matemática: E   = n.p
La varianza: V  = E 2  - E   = n.p.q
2
Distribución de Poisson
Es una distribución que se presenta cuando tenemos una población n grande y la probabilidad de
que ocurra un suceso determinado, tiene una probabilidad muy pequeña (ley de casos raros).
Una variable aleatoria  tiene distribución de Poisson de parámetro  , si toma los valores
k  
enteros 0, 1, ..., n con probabilidad: P(  k )  e si  > 0
k!
Esperanza matemática: E  = 
 
Varianza: V   E  2  E  = 
2
Distribución t de Student.
Sean  1 ,  2 ,...,  n y  , n+1 variables aleatorias independientes entre sí con


distribución N(0,  ) cada una de ellas. Entonces la variable tn  se
 ... n2
2
1
n
denomina t de Student con n grados de libertad.
 n  1
  
n 1
1  2  x2  2
Función de densidad: f ( x)  1  
n  n  n
 
 2
n
Su media   0 (n>1) y su varianza 2  (n>2).
n2
La gráfica de la función de densidad para n=3 grados de libertad:
Tiene su aplicación en la estimación de las características de una población con

distribución normal mediante los llamados intervalos de confianza.
Student fue el seudónimo de William Sealy GOSSET (1.876,1.937), el estadístico y

químico que descubrió la forma de la distribución t mediante una combinación de
trabajo matemático y trabajo empírico con números aleatorios, una aplicación
temprana de lo que ahora se llama el método de MonteCarlo.

Distribución  2 de Pearson
Sean  1,  2 ,...,  n , n variables aleatorias N(0,1) e independientes, entonces la

expresión:  n2   12   22 ...  n2 es una variable aleatoria que recibe el nombre de ji-
dos chi-cuadrado de Pearson (1.857,1936). El número de variables normales
sumadas recibe el nombre de grados de libertad, y la representamos por n2 .
La función de densidad de la
variable aleatoria  2n es:
n 
 1
2 
x -x
f (x)  e 2
si x  0
 2
n
2  n
2
La función de distribución de
una variable aleatoria  2n viene dada
por:
x
F(x)  P(  n2  x  )   f ( x)dx
0
La media, varianza y desviación típica de una variable aleatoria ji-cuadrado con n

grados de libertad son:   n , 2  2 n ,   2 n respectivamente.
Corresponde a una distribución Gamma de parámetros 1/2 y n/2.

Distribución Normal.
Una variable aleatoria continua X se dice que tiene una distribución normal o de
1 (x  ) 2
1 
Laplace-Gauss de media  y desviación típica  : f (x)  e 2 2
es su
 2
función de densidad.
es la llamada “campana de Gauss”.

1 (x  ) 2
1 x
La función de distribución es: F(x)  P(X  x)   e 2  dx
2
 2
La esperanza matemática o media es  y la varianza es  2 . Se denota N(  ,  ).
La Normal tipificada o estándar

X
Z  N(0,1)


Intervalos de confianza para la media
a) Población normal con varianza conocida.

   
Sabemos que   N ,  , luego    N(0,1) . Queremos calcular un intervalo   de
 n  n
forma que la P      1   .
A 1  se le llama nivel de confianza
A  se le llama nivel de significación y es la probabilidad de que el parámetro no esté
en el intervalo.
Buscaremos en la N(0,1) un valor z 1 / 2 de forma que P   z1 / 2    z1 / 2   1  
   
como ,  y n son conocidos, tenemos el intervalo       z 1 / 2 ,   z 1 / 2 .
 n n

El intervalo de confianza sería: X  z1 / 2
n
b) Población cualquiera de varianza finita y muestras grandes.


Sabemos que   N(, ) . Razonando igual que antes, si la varianza es conocida el
n
   
intervalo será P   z 1 / 2      z 1 / 2   1   para n>30.
 n n
Si la varianza es desconocida la estimamos por la varianza muestral, y queda:
 S S  S
P   z 1 / 2      z 1 / 2   1   para n>100 y el intervalo es X  z1 / 2 .
 n n n
c) Población normal con varianza desconocida.

Buscaremos en un valor t 1 / 2 tal que P   t1 / 2  t n 1  t1 / 2   1   y el correspondiente
 S S 
intervalo de confianza será: P    t1 / 2      t1 / 2   1 
 n n 
S
Para una muestra concreta: X  t1 / 2 y si queremos determinar el tamaño muestral n,
n
2
S t .S 
resulta t1 / 2   de donde n   1 / 2  .
n   

Nivel o grados de confianza
Fijado un nivel de confianza 1-a buscaremos dos estadísticos T1=T(x1,x2,…,xn) y

T2=T(x1,x2,…,xn) tales que el intervalo de confianza para q con ese nivel de confianza sea:
 

     h1 ,  h 2    T1 , T2  de forma que P        P(T1    T2 )  1   , siendo 0<a<1
 
Los grados de confianza 1   (frecuentemente expresada en tanto por ciento
equivalente) es la frecuencia relativa de veces que los intervalos de confianza contienen el
parámetro de la población, entendiendo que el proceso de estimación se repite un número grande
de veces.

Intervalos de confianza para la varianza
(n  1).S2
Se sabe que   2n 1 si la población de partida es N(,  ) . Por tanto, para tomar el
 2
intervalo de confianza de nivel de significación  , buscamos los valores k 1 y k 2 , tal que:

 (n  1).S2 
P  k1   k 2   1   y el correspondiente intervalo de confianza será:
  2

 (n  1).S2 (n  1).S2 
P  
2
  1 
 k2 k1 
Se nos plantea el problema de que la distribución  n1

2
no es simétrica (como ocurría con
la Normal y la t de Student) por lo que no es posible determinar con exactitud los valores k 1 y k 2
para que el intervalo esté centrado en S2.
Una solución aproximada y generalmente buena es determinar k 1 y k 2 con las
 
condiciones: P   2n 1  k1   y P   2n 1  k 2  
2 2

Estimador de la varianza de la población
1 n
 
2
La varianza muestral S2   i  
n  1 i1
es un estimador insesgado de la varianza  2 , ya
 
que: E S2 =  2
Debe observarse que no hemos hecho ninguna hipótesis de cual sea la distribución de
probabilidad de la variable  .
1 n
 
2
Por tanto, la desviación típica muestral será: S   i  
n  1 i 1

Esperanza matemática
La esperanza matemática es el valor medio teórico que resulta de sustituir las fi (frecuencias
relativas) por las Pi (probabilidades), y que no es sino una media aritmética ponderada. Se
acostumbra a definirlo como esperanza matemática de ganancias, es decir, la ganancia que
teóricamente esperaba obtener un jugador frente a unas determinadas reglas de juego.
Sea  una variable aleatoria, se define el operador E  como:

n
E  =  x P( X ) para una variable discreta y finita.
i i
i 1

E  =  x P( X ) i i para una variable discreta y no finita siempre que la serie sea
i 1
convergente.
E  = 

t. f ( t ). dt cuando la variable  es continua con función de densidad f(x) y

siempre que la integral sea absolutamente convergente.

Estimador Insesgado o centrado


Un estimador  se llama insesgado cuando E   .
 
La media muestral   1
   2 ...  n
n

es un estimador insesgado, ya que E    , consistente,

eficiente, puesto que V  
2
n
, y suficiente.

Muestreo aleatorio simple
Se trata de extraer una muestra de una población.

Se caracteriza porque todos los elementos de la población tienen la misma probabilidad de
ser elegidos. El procedimiento práctico de escoger la muestra, puede ser numerar los
elementos de la población, apuntar los números en tarjetas, y sacarlas al azar. Si la muestra
y la población son grandes, en vez de tarjetas se utilizan tablas de números aleatorios.
Este muestreo puede ser:
 Con reemplazamiento: se elige un elemento de la población, se estudia y se reintegra a la
población. Así sucesivamente, la probabilidad de obtener cualquier elemento se mantiene
constante, interesa para que los elementos de la muestra sean independientes.
 Sin reemplazamiento: los elementos elegidos en la muestra no se restituyen en la
población. La probabilidad de obtener un elemento va aumentado al disminuir los
elementos posibles.

Distribución Uniforme o Rectangular.
Se dice que una variable continua sigue una distribución uniforme en el intervalo  a, b cuando
 0 si x  a
 1

su función de densidad es: f (x)   si a  x  b
 b-a
 0 si b<x
Gráficamente:
1_
b-a
a b
 0 si x  a
x- a
La función de distribución, será: F(x)   si a  x  b cuya gráfica es:
b - a
 1 si b < x
a b
 ab
Media: E     x.f (x).dx 
 2
 a  b 2
V   E     E   
2 2
Varianza:
12
Esta distribución depende de los parámetros a y b y se denota U a, b .
Para el caso discreto se caracteriza por tener todos su valores la misma probabilidad

Problemas Hipotesis PDF

Cargado por

Copyright:

Formatos disponibles

Problemas Hipotesis PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Problemas Hipotesis PDF

Cargado por

Copyright:

Formatos disponibles

Contraste de Hipótesis

1. Se quiere comprobar si una muestra de tamaño 20 con media 10 procede de una

8.- Se aplica un cierto test de memoria a estudiantes de dos universidades diferentes.

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 1

9.- Se han recogido los siguientes datos de una población:

11.- El nivel medio de errores en nivelación es de 20 errores/100 tramos. Se estudian 40

13.- Si el coeficiente medio de inteligencia de la población universitaria de la U.P.M. es

14.- Se prueban 12 piezas de un material A resultando un desgaste medio de 85

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 2

15.- En medidas de ángulos con un cierto teodolito, un topógrafo asegura que la

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 3

21.- Se ha observado un ángulo cinco veces, obteniéndose los siguientes valores:

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 4

24.- Durante 50 días se ha observado la variable “número diario de cancelaciones de

26.- Si el coeficiente medio de inteligencia de la población universitaria de la U.P.M. es

27.- Se lleva a cabo un experimento para comparar el desgaste por abrasivo de un

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 5

30.- Para los siguientes datos

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 6

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 7

36.- ¿Se puede admitir la distribución uniforme de valores angulares en una

37.- Un proceso industrial fabrica piezas cuya longitud en milímetros se distribuye

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 8

40.- Un fabricante de aparatos de precisión garantiza que la desviación típica de las

41.- Las 100 primeras cifras decimales del número π son:

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 9

Se trata de un contraste de hipótesis para la media de una población normal de

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 10

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 10

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 11

npi 31.25 156.25 312.5 312.5 156.25 31.25

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 12

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 13

Para α =0,05 en la N(0,1) tenemos que:

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 14

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 16

Como 1,6655 < 1,96 ACEPTAMOS la hipótesis de igualdad de medias.

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 17

Aceptamos la hipótesis de ser el ajuste bueno. La diferencia entre la distribución

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 17

¿Qué debería salir, si fueran independientes?

Aprobado Notable Sobresaliente Total

H : Las tres asignaturas son independientes

Comparamos frecuencias observadas (Oii) y esperadas (eij)

Resulta una distribución chi- cuadrado con (3-1)x(3-1)=4 grados de libertad.

utilizando el p-valor: P(χ 24 > 14.92861872) =0.00485158

Con un valor de p tan pequeño debemos RECHAZAR la independencia de los datos.

Consideraremos solamente dos asignaturas

H : Las dos asignaturas son independientes

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 18

Aprobado Notable Sobresaliente Total

Tenemos un estadístico D=2.149552883 con una distribución chi_cuadrado con

No tenemos evidencia para rechazar la independencia de las calificaciones.

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 19

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 20

Puesto que t = 3>2,3, No podemos aceptar la hipótesis nula, y en consecuencia la

Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M 21

b) El intervalo de confianza para una población normal es:

DERIVE: #1: NSOLVE(NORMAL(z) = 0.975, z, Real)