4.

Para los siguientes ejercicios Utilice la variable wt de la base mtcars

a) Compruebe si la desviación estándar de los pesos de los vehículos es a lo sumo de 2.35 toneladas.
Realice las pruebas al 90%, 95% y 99% de confianza.

Sistema de hipótesis:

H0 : σ 2 ≤ (2.35)2

Ha : σ 2 > (2.35)2

Con una confianza del 90%:

data("mtcars")
attach(mtcars)
library(stests)
var.test(x = wt, alternative = "greater", null.value = (2.35)ˆ2)

##
## X-squared test for variance
##
## data: wt
## X-squared = 5.3742, df = 31, p-value = 1
## alternative hypothesis: true variance is greater than 5.5225
## 95 percent confidence interval:
## 0.000000 1.539309
## sample estimates:
## variance of x
## 0.957379

b) Interprete los resultados de las pruebas de hipótesis que arroja el programa en función de lo que se
plantea
Con una confianza del 90%, 95% y 99%, no existe suficiente evidencia estadística para rechazar la
hipótesis nula, puesto que, p − valor = 1 > α = 0.1; 0.05; 0.01. Por tanto, la desviación estándar de los
pesos de los vehículos es a lo sumo de 2.35 toneladas.
c) Calcule los intervalos al 92%, 96% y 98% de confianza

v92 <- var.test(x = wt, alternative = "greater", null.value = (2.35)ˆ2,

conf.level = 0.92)
v92$conf.int

## [1] 0.000000 1.434874

## attr(,"conf.level")
## [1] 0.92

v96 <- var.test(x = wt, alternative = "greater", null.value = (2.35)ˆ2,

conf.level = 0.96)
v96$conf.int

## [1] 0.000000 1.588566

## attr(,"conf.level")
## [1] 0.96

1
v98 <- var.test(x = wt, alternative = "greater", null.value = (2.35)ˆ2,
conf.level = 0.98)
v98$conf.int

## [1] 0.000000 1.741473

## attr(,"conf.level")
## [1] 0.98

d) Interprete los intervalos de confianza que arroja el programa en función de lo que se plantea

• El intervalo de confianza al 92% es [0; 1.4349]; como el intervalo no contiene al 5.5225, no se rechaza
la hipótesis nula.
• El intervalo de confianza al 92% es [0; 1.5886]; como el intervalo no contiene al 5.5225, no se rechaza
la hipótesis nula.
• El intervalo de confianza al 92% es [0; 1.7415]; como el intervalo no contiene al 5.5225, no se rechaza
la hipótesis nula.

5. Para este ejercicio, utilice la base de datos de R airquality para probar si la media de las temperaturas
máximas de mayo y junio son iguales

a) Realice las pruebas necesarias al 92%, 96% y 98% de confianza

Igualdad de varianzas
Sistema de hipótesis:
 2
H0 : σM
2
σJ
=1
2
Ha : σM
2
σJ
̸= 1

data("airquality")
mayo <- airquality[airquality$Month == 5,]$Temp
junio <- airquality[airquality$Month == 6,]$Temp
var.test(x = mayo, y = junio)

##
## F test to compare two variances
##
## data: mayo and junio
## F = 1.0792, num df = 30, denom df = 29, p-value = 0.8391
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
## 0.5157852 2.2475782
## sample estimates:
## ratio of variances
## 1.079186

2
Diferencia de medias
Sistema de hipótesis:

H0 : µM = µJ

Ha : µM ̸= µJ

t.test(x = mayo, y = junio, alternative = "two.sided", var.equal = T,

paired = F)

##
## Two Sample t-test
##
## data: mayo and junio
## t = -7.8622, df = 59, p-value = 9.36e-11
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -17.00061 -10.10262
## sample estimates:
## mean of x mean of y
## 65.54839 79.10000

b) Interprete las distintas pruebas realizadas al 92%, 96% y 98% de confianza

Igualdad de varianzas:
Con una confianza del 92%, 96% y 98%, no existe suficiente evidencia estadística para rechazar la
hipótesis nula, puesto que, p − valor = 0.8391 > α = 0.08; 0.04; 0.02. Por tanto, las varianzas de las
temperaturas de ambos meses son iguales.
Diferencia de medias
Con una confianza del 92%, 96% y 98%, existe suficiente evidencia estadística para rechazar la hipótesis
nula, puesto que, p − valor = 9.36 × 10−11 < α = 0.08; 0.04; 0.02. Por tanto, las temperaturas medias
de ambos meses son diferentes.
c) Calcule los intervalos de confianza para la diferencia de medias al 1%, 5% y 10% de significancia

t99 <- t.test(x = mayo, y = junio, alternative = "two.sided", var.equal = T,

paired = F, conf.level = 0.99)
t99$conf.int

## [1] -18.139524 -8.963701

## attr(,"conf.level")
## [1] 0.99

t95 <- t.test(x = mayo, y = junio, alternative = "two.sided", var.equal = T,

paired = F, conf.level = 0.95)
t95$conf.int

## [1] -17.00061 -10.10262

## attr(,"conf.level")
## [1] 0.95

3
t90 <- t.test(x = mayo, y = junio, alternative = "two.sided", var.equal = T,
paired = F, conf.level = 0.90)
t90$conf.int

## [1] -16.43197 -10.67125

## attr(,"conf.level")
## [1] 0.9

d) Interprete los intervalos de confianza que arroja el programa en función de lo que se plantea

• El intervalo a un 99% de confianza es (−18.1395; −8.9637), como no contiene al cero, se rechaza la

hipótesis nula.
• El intervalo a un 95% de confianza es (−17.0006; −10.1026), como no contiene al cero, se rechaza la
hipótesis nula.
• El intervalo a un 90% de confianza es (−16.432; −10.6713), como no contiene al cero, se rechaza la
hipótesis nula.

6. Suponga que, en la compañía donde trabaja, quieren evaluar si el tiempo de respuesta promedio de
un servicio de atención al cliente ha mejorado después de la implementación de un nuevo sistema. Se
toma una muestra aleatoria de 25 observaciones y se obtienen los siguientes tiempos de respuesta (en
minutos):

8.1, 7.9, 9.3, 7.7, 8.8, 7.5, 8.4, 9.6, 7.2, 8.5, 8.2, 8.7, 7.8, 9.1, 8.9, 7.6, 8.3, 8.6, 7.1, 8.1, 8.8, 7.3, 9.2, 8.0, 7.4
Quienes desarrollaron el sistema, aseguraban que el tiempo promedio de respuesta iba a ser de 8 minutos.

a) Plantee y desarrolle de manera manual la prueba de hipótesis al 90%, 95% y 99% de confianza

Sistema de hipótesis:

H0 : µ = 8


Ha : µ ̸= 8

Estadístico de prueba

x <- c(8.1, 7.9, 9.3, 7.7, 8.8, 7.5, 8.4, 9.6, 7.2, 8.5, 8.2, 8.7, 7.8, 9.1,
8.9, 7.6, 8.3, 8.6, 7.1, 8.1, 8.8, 7.3, 9.2, 8.0, 7.4)
xbar <- mean(x) ;xbar

## [1] 8.244

desv <- sd(x) ;desv

## [1] 0.7000476

n <- length(x) ;n

## [1] 25

4
Tc <- (xbar - 8)/(desv/sqrt(n)) ;Tc

## [1] 1.742739

x̄ − µ 8.244 − 8
T = = = 1.7427
√s 0.7
√
n 25

Valores críticos
Con α = 0.1

qt(0.1/2, df = n - 1)

## [1] -1.710882

qt(1 - 0.1/2, df = n - 1)

## [1] 1.710882

tα/2;n−1 = t0.05;24 = −1.7109 ; t1−α/2;n−1 = t0.95;24 = 1.7109

Con α = 0.05

qt(0.05/2, df = n - 1)

## [1] -2.063899

qt(1 - 0.05/2, df = n - 1)

## [1] 2.063899

tα/2;n−1 = t0.025;24 = −2.0639 ; t1−α/2;n−1 = t0.975;24 = 2.0639

Con α = 0.01

qt(0.01/2, df = n - 1)

## [1] -2.79694

qt(1 - 0.01/2, df = n - 1)

## [1] 2.79694

tα/2;n−1 = t0.005;24 = −2.7969 ; t1−α/2;n−1 = t0.995;24 = 2.7969

P-valor

5
2*pt(abs(Tc), df = n - 1, lower.tail = F)

## [1] 0.09418046

p − valor = 2P (T > |Tc |) = 2P (T > 1.7427) = 0.0942

b) Interprete los resultados de las pruebas de hipótesis en función de lo que se plantea

• Con una confianza del 90%, existe suficiente evidencia para rechazar la hipótesis nula, puesto que
T > t1−α/2;n−1 y p − valor < α = 0.1. Por tanto, el tiempo promedio no es de 8 minutos.
• Con una confianza del 95%, no existe suficiente evidencia para rechazar la hipótesis nula, puesto que
tα/2;n−1 < T < t1−α/2;n−1 y p − valor > α = 0.05. Por tanto, el tiempo promedio es igual a 8 minutos.
• Con una confianza del 99%, no existe suficiente evidencia para rechazar la hipótesis nula, puesto que
tα/2;n−1 < T < t1−α/2;n−1 y p − valor > α = 0.01. Por tanto, el tiempo promedio es igual a 8 minutos.

c) Calcule los intervalos de confianza, de manera manual, al 10%, 5% y 1% de significancia.

Con una confianza del 90%

li <- xbar - qt(1 - 0.1/2, n - 1)*(desv/sqrt(n)) ;li

## [1] 8.00446

ls <- xbar + qt(1 - 0.1/2, n - 1)*(desv/sqrt(n)) ;ls

## [1] 8.48354

   
s s
x̄ − t1−α/2;n−1 √ < µ < x̄ + t1−α/2;n−1 √
n n

0.7 0.7
   
8.244 − 1.7109 √ < µ < 8.244 + 1.7109 √
25 25

8.0045 < µ < 8.4835

Con una confianza del 95%

li <- xbar - qt(1 - 0.05/2, n - 1)*(desv/sqrt(n)) ;li

## [1] 7.955035

ls <- xbar + qt(1 - 0.1/2, n - 1)*(desv/sqrt(n)) ;ls

## [1] 8.48354

6
    
s s
x̄ − t1−α/2;n−1 √ < µ < x̄ + t1−α/2;n−1 √
n n

0.7 0.7
   
8.244 − 2.0639 √ < µ < 8.244 + 2.0639 √
25 25

7.9550 < µ < 8.4835

Con una confianza del 99%

li <- xbar - qt(1 - 0.01/2, n - 1)*(desv/sqrt(n)) ;li

## [1] 7.852402

ls <- xbar + qt(1 - 0.1/2, n - 1)*(desv/sqrt(n)) ;ls

## [1] 8.48354

   
s s
x̄ − t1−α/2;n−1 √ < µ < x̄ + t1−α/2;n−1 √
n n

0.7 0.7
   
8.244 − 2.7969 √ < µ < 8.244 + 2.7969 √
25 25

7.8524 < µ < 8.4835

d) Interprete los intervalos de confianza en función de lo que se plantea

• El 8 no cae dentro del intervalo de confianza al 90%, por lo que se rechaza la hipótesis nula.

• El 8 cae dentro del intervalo de confianza al 95%, por lo que no se rechaza la hipótesis nula.
• El 8 cae dentro del intervalo de confianza al 99%, por lo que no se rechaza la hipótesis nula.