Ejemplos revisión de las Unidades 4, 5 y 6

1. Se sabe que el peso de los ladrillos producidos por una determinada fábrica sigue una distribución
normal con una desviación de 0.12 kilos. En el día de hoy se extrae una muestra aleatoria de sesenta
ladrillos cuyo peso medio es de 4.07 kilos.
a) Calcular un intervalo de confianza del 99% para el peso medio de los ladrillos producidos hoy.
b) Sin realizar cálculos, determinar si un intervalo de confianza del 95% para la media poblacional
tendría mayor, menor o la misma precisión que el calculado en el apartado (a). Justifique.
c) Si en los datos del enunciado el tamaño de muestra fuera de 20 ladrillos, determinar sin realizar
cálculos, si un intervalo de confianza del 99% para el peso medio de los ladrillos producidos
tendría mayor, menor o la misma precisión que el calculado en el apartado (a).

Solución:
a) Teniendo en cuenta que el peso de los ladrillos producidos tiene distribución Normal entonces para
  0,12 2 
n=60 se tiene que X N   ,   . Además   X  4,07 kilos.
  60  
 

1    0,99    0,01 en la tabla se encuentra que z0,995  2,575

 0,12
EI  X  z /2  4, 07  2,575 *  4, 03
n 60
 0,12
EI  X  z /2  4, 07  2,575 *  4,11
n 60

Entonces IC99%  μ   [4,03; 4,11] Es decir tenemos una confianza del 99% que el intervalo [4,03; 4,11]
incluya al parámetro µ. En otras palabras, si se tomaran 100 muestras de 60 unidades y a partir de ellas se
establecieran intervalos de confianza, aproximadamente 99 de esos intervalos contendrían el verdadero
valor de la media poblacional.

b) La precisión del intervalo será mayor ya que si tenemos en cuenta que la longitud del intervalo de

confianza para la media es L  2e  z  /2 vemos que: para un valor fijo de σ y un tamaño
n
especificado de la muestra (n) la longitud del intervalo es menor si disminuye la confianza.

c) La precisión del intervalo será menor ya que si tenemos en cuenta que la longitud del intervalo de

confianza para la media es L  2e  z  /2 vemos que: para un valor fijo de σ y una confianza
n
especificada la longitud del intervalo es mayor si el tamaño de la muestra (n) es menor.

2. Se quiere conocer la media de Km recorridos por los taxistas de cierta población. Sabemos por
estudios anteriores que el desvío es 2250 Km. Para ello, elegimos una muestra de 100 taxistas y
obtenemos una media muestral X =15200 Km.
a) Determinar un intervalo de confianza al 99% para  .
b) ¿Cuál ha de ser el tamaño mínimo de la muestra para que el error no supere los 500 km con la
misma confianza del 99%?

1
Solución:
  2250 2 
Puesto que n=100, sabemos que X  N   , 
  100   
  N  ,  225  .
2

 
1    0,99    0,01 en la tabla se encuentra que z0,995  2,575 ¿porqué Z y no t?

EI  X  z /2  15200  2,575 * 225  14621
n

EI  X  z /2  15200  2,575 * 225  15779
n
Entonces IC99%  μ   [14621, 15779] Es decir tenemos una confianza del 99% que el intervalo

[14621, 15779] incluya al parámetro µ.

  2250 2 
b) Si el IC99% ha de ser [ X -500, X +500], entonces como X  N   ,   se tiene que
  n  
 
2250 2250 2250
z /2  500  2,575 *  500  n  2,575 *  11,5875
n n 500
 n  11,5875   134, 27
2

Entonces n  135 es el tamaño mínimo de la muestra para que el error no supere los 500 km con la misma
confianza del 99%.

3. Dadas las siguientes resistencias a la tensión: 28.7, 27.9, 29.2 y 26.5 psi obtenga un intervalo de
confianza para un nivel de confianza del 95% para la media de la resistencia a la tensión. ¿Qué
supuesto tiene en cuenta para poder realizar la estimación?

Solución:

Estimaciones puntuales   X  28.08 y   S  1.02 Asumimos que la muestra proviene de una

población Normal.
Intervalo de confianza para la media
1    0,95    0,05 en la tabla se encuentra que t 0,025;3  3.182
s 1.18
EI  X  t  /2;(n 1)  28.08  3.182*  26.20
n 2
s 1.18
ES  X  t  /2;(n 1)  28.08  3.182*  29.96
n 2

Entonces IC95%  μ    26.20, 29.96 . Es decir tenemos una confianza del 95% de que el intervalo

 26.20, 29.96 incluya al parámetro µ.

4. Un fabricante de una determinada marca de vehículos de lujo sabe que el consumo de nafta de sus
vehículos se distribuye normalmente. Selecciona una muestra aleatoria de 6 coches y observa el
consumo cada 50 Km obteniendo las siguientes observaciones: 19,2 ; 19,4 ; 18,4 ; 18,6 ; 20,5 y 20,8.
a) Hallar un intervalo de confianza para el consumo medio de gasolina de todos los vehículos
de esa marca con un nivel del 95%.
b) Obtener un intervalo de confianza para la varianza con un nivel del 95%.

2
Solución:

a) Estimaciones puntuales   X  19, 48 y   S  0.98

Asumimos que la muestra proviene de una población Normal.
Intervalo de confianza para la media
1    0,95    0,05 en la tabla se encuentra que t 0,025;5  2,571 ¿porqué se utiliza t en este caso?
s 0,98
EI  X  t  / 2;(n 1)  19, 48  2,571*  18, 45
n 6
s 0,98
ES  X  t  / 2;(n 1)  19, 48  2,571*  20,51
n 6
Entonces IC95%  μ   18,45 20,51 . Es decir tenemos una confianza del 95% que el intervalo

18,45 20,51 incluya al parámetro µ.

a) Intervalo de confianza para la varianza

2 2
1    0,95    0,05 en la tabla se encuentra que 0,025;5  12,8325 y 0,975;5  0,8312

5*  0,98  5*  0,98 
2 2
(n  1)S2
EI     0,37
2 2
 /2;(n 1) 0,025;5 12,8325

5*  0,98  5*  0,98 
2 2
(n  1)S2
ES     5, 78
12 /2;(n 1) 2
0,975;5 0,8312

 
Entonces IC95% 2  0,37; 5,78 . Es decir tenemos una confianza del 95% que el intervalo

0,37; 5,78 incluya al parámetro 2 .

5. Una empresa tiene cierto proveedor de chips. Para verificar la información que suministró el
proveedor, antes de firmar el contrato se tomó una muestra aleatoria de 25 unidades y se registraron
sus tiempos de duración. Las observaciones fueron:

41.3 49.2 48.9 43.2 52.0

41.5 51.2 46.1 49.3 49.2
44.7 43.4 50.0 46.8 45.0
46.7 48.8 47.7 51.5 49.8
44.0 49.6 51.0 47.5 51.2

Es absolutamente necesario que la desviación estándar de los tiempos de duración de los chips sea de 2
horas. A partir de la construcción de un intervalo de confianza para σ de 90%. ¿Podría decir que los datos
apoyan el cumplimiento del requisito?

Solución:
Asumimos que la muestra proviene de una población Normal.

3
Estimaciones puntuales   X  47,584 y   S  3,185
2 2
1    0,90    0,10 en la tabla se encuentra que 0,05;24  13,8484 y 0,95;24  36,4151

24 *  3,185 24 *  3,185
2 2
(n  1)S2
EI     6, 6857
12 / 2;(n 1) 2
0,95;24 36, 4151

24 *  3,185 24 *  3,185
2 2
(n  1)S2
ES     17,5805
2 2
 / 2;(n 1) 0,05;24 13,8484

Entonces 6,6857  2  17,5805 luego 2,5857    4,1929 . Por consiguiente, con un nivel de confianza
del 90%, los datos no apoyan el cumplimiento del requisito.

6. En una fábrica se producen cuerdas cuya resistencia promedio es de 500 Kg. El jefe de producción
plantea que con otra materia prima, la resistencia promedio puede aumentarse. Para probar su
planteamiento, se utilizó de forma experimental la nueva materia prima y se tomó una muestra de 64
de las cuerdas producidas. Al evaluarse la resistencia en las cuerdas de la muestra se obtuvo
X  510Kg y S=40Kg . Realizar la prueba de hipótesis correspondiente para un 5% de significación
a fin de evaluar si el jefe de producción está en lo cierto.

Solución:
Asumimos que la muestra proviene de una población Normal.
Planteo de Hipótesis:
H0 : µ = 500 (la resistencia media es menor o igual a  Kg)
H1: µ  500 (la resistencia media aumenta)
Prueba unilateral derecha.

Nivel de significación: α = 0.05

Estadístico de prueba:
X  H0 X  H0
t  t( n1)
SX S n
En nuestro caso

X  500 510  500 10

t t63  tobs   2
S n 40 64 5

Región de rechazo y regla de decisión: considerando que tcritico  t0,05;63  z0,95  1,64 Entonces
rechazaremos H0 si tobs > tcritico

Decisión:
Dado que tobs = 2 es mayor que 1.64 se rechaza Ho con un nivel de significación del 5% y se llega a la
conclusión: Con evidencia en la muestra y con un nivel de significación del 5%, el cambio de materia
prima puede aumentar la resistencia promedio de las cuerdas.

4
7. El gerente de Distribución de la fabrica MiCereal S.A. sabe que la oficina local de Defensa del
Consumidor realiza inspecciones periódicas para conocer si los pesos de los paquetes de cereal,
producidos por su fábrica, tienen el peso adecuado. El proceso de llenado de los paquetes de cereales
está ajustado de manera tal que el peso de cereal por paquete sigue una distribución normal con una
media de 368 gramos y una desviación de 15 gramos. Para hacer los análisis pertinentes, se seleccionó
una muestra aleatoria tamaño 25, obteniéndose un peso promedio igual a 367,6 gramos.
a) Se desea conocer si ha disminuido el peso promedio de los paquetes, hacer la prueba de hipótesis
correspondiente con  = 0.05. En función de la decisión tomada, ¿qué tipo de error pudo haber
cometido?
b) Escriba cuáles son los errores que se pueden cometer al plantear la prueba de hipótesis anterior.

Solución:
a) X: peso (cantidad) de cereal por paquete
 (15) 2 
X N (368, (15)2 ) entonces X N  368, 
 25 
Planteo de Hipótesis:
Ho:  = 368
H1:   368
Prueba unilateral izquierda

Nivel de significación: α = 0.05

Estadístico de prueba:
X   H0 X   H0
Z   N (0,1)
X  n
En nuestro caso

X  368 367, 6  368 0, 4

Z N (0,1)  Z obs    0,13
 n 15 25 3

Región de rechazo y regla de decisión: considerando que Zcritico  z0,05  1,64 .

Entonces rechazaremos H0 si Zobs < Zcritico

Decisión:
Dado que Zobs = -0,13 es mayor que -1.64 no se rechaza Ho con un nivel de significación del 5% y se
llega a la conclusión: Con evidencia en la muestra y con un nivel de significación del 5%, no hay
elementos para pensar que el peso medio de los paquetes ha disminuido.
El error que se pudo haber cometido es error tipo II

b) El error tipo I, en este caso, implica llegar a la conclusión que el peso medio de llenado ha disminuido
cuando en realidad no es así.

El error tipo II implica llegar a la conclusión de que el peso medio de llenado no ha disminuido, cuando en
realidad si se ha reducido.

5
8. Se emplean dos máquinas para llenar botellas de plástico con un volumen neto de 16 Kg. El proceso
de llenado puede suponerse normal, con desviaciones estándar de 1  0.015 y  2  0.018 . El Dpto.
de Ingeniería de calidad sospecha que ambas máquinas llenan hasta el mismo volumen neto, sin
importar que este volumen sea o no de 16 Kg. Se toma una muestra aleatoria de la salida de cada
máquina, obteniéndose la siguiente información:
máquina 1 máquina 2
16.03 16.02
16.04 15.97
16.05 15.96
16.05 16.01
16.02 15.99
16.01 16.03
15.96 16.04
15.98 16.02
16.02 16.01
15.99 16
¿Puede pensarse que el Dpto. de ingeniería de calidad está en lo correcto? Utilizar   0.05 .

Solución:
Por hipótesis las dos muestras pequeñas (menores que 30), proceden de dos poblaciones normalmente
distribuidas con varianzas poblacionales conocidas. Además, suponemos que las muestras son
independientes. Entonces utilizaremos la distribución normal para resolver este problema.

Planteo de Hipótesis:
H 0 : 1   2
H1 : 1   2
Prueba bilateral

Nivel de significación: α = 0.05

Estadístico de prueba:

Z 
X 1 
 X 2   1  2  H
0
N (0,1) Calculamos las medias de cada máquina y
 2
 2
1
 2

n1 n2

X1  X 2 16.015  16.005
obtenemos X1  16.015 y X2  16.005 . Entonces Z obs  =  1.34
 21  22 0.0152 0.0182
 
n1 n2 10 10

Región de rechazo y regla de decisión: considerando que Zcritico1  z0,025  1,95 y que
Zcritico2  z0,975  1,96 , entonces rechazaremos H0 si Zobs < Zcritico1 o Zobs > Zcritico2

6
Decisión:
Como Zcritico1 < Zobs < Zcritico2 no se rechaza la hipótesis nula H0 con un nivel de significación del 5%
y se llega a la conclusión que: Con evidencia en la muestra y con un nivel de significación del 5%, no
existe suficiente evidencia estadística para pensar que las medias son diferentes. El Dpto. de ingeniería de
calidad está en lo correcto.

9. La fábrica de bicicletas “BICICOR” S.A de nuestra ciudad, ha desarrollado un nuevo proceso de

manufactura para fabricar los tubos que se usan en los cuadros de las bicicletas de alta calidad. Se hará
una prueba de tensión y los puntos defectuosos se compararán con los de los cuadros convencionales,
también producidos en dicha fábrica. Dado lo costoso de los materiales y la mano de obra se decide
someter a la prueba de tensión, 8 cuadros nuevos y 7 cuadros antiguos. La fábrica va a usar para ello
una máquina que ofrece una lectura de tensión combinada al aumentar la fuerza de carga, los
resultados (medidos en unidades adecuadas) son los siguientes:

Cuadros nuevos Cuadros antiguos

x A  27.8 x B  23.7
nA  8 nB  7
S A  3.4 S B  2.9
Analizar con un nivel de significación del 5% si los cuadros fabricados con el nuevo proceso soportan
en promedio mayor tensión que los cuadros convencionales. Explicite los supuestos necesarios para
realizar la prueba de hipótesis correspondientes.

Solución:
Evidentemente se trata de dos muestras pequeñas (menores que 30), se desconocen las varianzas de las
poblaciones por lo tanto partimos de los siguientes SUPUESTOS: Que las muestras son independientes,
que proceden de dos poblaciones normalmente distribuidas y que podemos suponer que las varianzas son
 
iguales  A2   B2 aunque desconocidas, entonces utilizaremos la distribución t de student para resolver
este problema.

1. Planteo de Hipótesis:
H0: A =B
H1: A B
Prueba unilateral derecha

Nivel de significación: α = 0.05

Estadístico de prueba:

t
 X A 
 X B    A  B 
t( nA  nB 2 ) donde S  2  nA  1 S A2   nB  1 S B2
nA  nB  2
p
1 1
Sp 
nA nB

 n A  1 S2A   nB  1 SB2 73.4  62.9

2 2

Calculemos primero SP  
n A  nB  2 13

7 11.56   6 8.41
SP   10.1062  3.179
13

7
 1 1 nA  nB 15
Además     0.2679  0.5175 . Entonces, teniendo todos los resultados
nA nB nAnB 56
obtenidos calculamos tobs.

 27.8  23.7  4.1

tobs  =  2.4922
3.179  0.5175 1.6451
Región de rechazo y regla de decisión: considerando que t critico  t 0,95;13  1.77 .
Entonces rechazaremos H0 si tobs > tcritico

Decisión:
Dado que tobs = 2.49 es mayor que 1.77 se rechaza Ho con un nivel de significación del 5% y se llega a la
conclusión que: Con evidencia en la muestra y con un nivel de significación del 5%, los cuadros
fabricados con el nuevo proceso, soportan una fuerza de carga mayor que los antiguos.

10. La variabilidad en la cantidad de impurezas presentes en un lote de productos químicos, utilizada para
un proceso en particular, depende del tiempo que tarda el proceso. Un fabricante que emplea dos
líneas de producción A y B, hizo un pequeño ajuste al proceso B, con la esperanza de reducir la
variabilidad, así como la cantidad media de impurezas en los productos químicos. Se tomaron
muestras de las líneas de producción A y B:
n A  25 XA  3, 2 y SA2 =1,04
n B  20 XB  3 y S2B =0,51

¿Presentan los datos evidencia suficiente para indicar que las variaciones del proceso son menores
para la línea de producción B? Realice una prueba con un α = 0.05.

Solución:
Suponemos que las muestras son independientes y que proceden de dos poblaciones normalmente
distribuidas.

Planteo de Hipótesis:
H o :  A2   B2
H1 :  A2   B2
Prueba unilateral derecha

Nivel de significación: α = 0.05

8
 S2A
Estadístico de prueba: Suponiendo H0 verdadera F  2 F n A 1, n B 1
SB
S2A 1, 04
Calculamos Fobs  2   2, 04 .
SB 0,51

Región de rechazo y regla de decisión: considerando que Fcritico  F0,05;24,19  2,11 .

Entonces rechazaremos H0 si Fobs > Fcritico

Decisión:
Dado que Fobs = 2,04 no es mayor que 2,11 no se rechaza Ho con un nivel de significación del 5% y se
llega a la conclusión: Con evidencia en la muestra y con un nivel de significación del 5%, no hay
elementos para pensar que las variaciones del proceso son menores para la línea de producción B.

11. Una moneda fue lanzada al aire 1000 series, de 5 veces cada serie y se observó el número de caras de
cada serie. El número de series en los que se presentaron 0, 1, 2, 3, 4 y 5 caras se muestra en la
siguiente tabla:

Analice si la distribución de los datos puede pensarse como una distribución binomial. Use un nivel
de significación de 0,05.

Solución:

Para poder realizar la prueba de hipótesis

H0: Los datos se ajustan a una distribución binomial.
H1: Los datos no se ajustan a una distribución binomial.

Primero establecemos cuanto vale n y p: Dado que en este ejercicio n=5 debemos hallar p. Para calcular
el valor de p, sabemos que en una distribución Binomial μ=np. Teniendo en cuenta los datos obtenemos:


f obs  x

38 * 0  144 * 1  342 * 2  287  3  164 * 4  25 * 5

f obs
1000

2470
  2, 47
1000
9
 2, 47
Por lo tanto   n  p  p   0, 494 . Por lo tanto plantemos
5
Planteo de Hipótesis:
H0: Los datos se ajustan a una distribución binomial de parámetros n=5 y p=0,494
H1: Los datos no se ajustan a una distribución binomial de parámetros n=5 y p=0,494
Prueba unilateral derecha

Nivel de significación: α = 0.05

Si X=número de caras
BAJO HIPOTESIS NULA VERDADERA, la probabilidad de obtener 0, 1, 2, 3, 4, y 5 caras la obtenemos
de acuerdo a la siguiente fórmula:
5!
p(X  k)  (0, 494)k (1  0, 494)(5  k) k=0,1,2,3,4,5
(5  k)!k!
Luego la probabilidad multiplicada por 1000 nos dará el valor de cada frecuencia esperada.

 foi - fei 
2

Estadístico: Y    62r 1
i fei
 foi - fei 
2

En base a los valores de la tabla, calculamos Yobs    7,54 .

i fei

Para los grados de libertad el valor de r será uno, ya que tuvimos que estimar la media de la población
para poder obtener el valor de p y así poder calcular las frecuencias esperadas. Entonces Y 6211 .

2
Región de rechazo y regla de decisión: considerando que Ycritico  0,05;4  9, 49 .
Entonces rechazaremos H0 si Yobs > Ycritico

Decisión:
Dado que Yobs = 7,54 no es mayor que 9,49 no se rechaza Ho con un nivel de significación del 5% y se
llega a la conclusión: Con evidencia en la muestra y con un nivel de significación del 5%, podemos pensar
que la distribución de los datos es Binomial.

10
12. Asociar los coeficientes de correlación lineal r = 0,4, r = –0,85 y r = 0,7, a las nubes de puntos
siguientes:

Solución:
(a) r=0,4 (b) r=0,7 y (c) r=-0,85

13. En un esfuerzo por determinar la relación entre el pago anual de los empleados y el número de faltas al
trabajo por causa de enfermedad, una corporación grande estudió los registros personales de una
muestra de doce empleados. Los datos obtenidos aparecen en la siguiente tabla:
Pago anual
Empleado (miles de dólares) Inasistencias
1 15.7 4
2 17.2 3
3 13.8 6
4 24.2 5
5 15 3
6 12.7 12
7 13.8 5
8 18.7 1
9 10.8 12
10 11.8 11
11 25.4 2
12 17.2 4

a) Determinar el coeficiente de correlación justificando todos los pasos e interpretar el

resultado.
b) Analizar si puede pensarse que el coeficiente de correlación es significativamente diferente
de cero. Use un nivel de significación de 0,05.

Solución:

a)

Empleado x y x^2 y^2 xy

1 15.7 4 246.49 16 62.8
2 17.2 3 295.84 9 51.6
3 13.8 6 190.44 36 82.8
4 24.2 5 585.64 25 121.0
5 15 3 225.00 9 45.0
6 12.7 12 161.29 144 152.4
7 13.8 5 190.44 25 69.0
8 18.7 1 349.69 1 18.7
9 10.8 12 116.64 144 129.6
10 11.8 11 139.24 121 129.8
11 25.4 2 645.16 4 50.8
12 17.2 4 295.84 16 68.8
SUMATORIA 196.3 68 3441.71 550 982.3

11
 
2
196,3 xi2  n X 3441, 71  12  16,36 
2
X   16,36 SX    4 ,5718
12 n 1 11


2
68 yi2  nY 550  12   5,67 
2
Y  5,67 SY    3,8637
12 n 1 11

S XY 
 x y  nX Y  982,3  12 16,36  5,67  11,8940
i i
n 1 11

S XY 11,8940
r   0,6734 la correlación entre las variables es inversa y fuerte.
S X  SY 4,5717  3,8637
Esto es al aumentar x, y disminuye.

b) Planteo de Hipótesis:
Ho :   0
H1 :   0
Prueba bilateral

Nivel de significación: α = 0.05

Estadístico de prueba: Suponiendo H0 verdadera t  r tn 2

2
1 r
n2
0, 67
Calculamos t obs   2,85 .
2
1  (0, 67)
10

Región de rechazo y regla de decisión: considerando que t critico1  t 0,025;10  2, 23 y

t critico2  t 0,975;10  2, 23
Entonces rechazaremos H0 si tobs < t critico1 o tobs > t critico2

Decisión:
Dado que tobs = -2,85 es menor que t critico1 se rechaza Ho con un nivel de significación del 5% y se llega a
la conclusión: Con evidencia en la muestra y con un nivel de significación del 5%, hay elementos para
pensar que el pago anual de los empleados y el número de faltas al trabajo por causa de enfermedad
están correlacionados.

12