Escolar Documentos
Profissional Documentos
Cultura Documentos
Ingenieria en Biotecnologa
Richard Alvarez - NRC: 2408
18 de mayo de 2017
Ejercicio 2
#Datos
u<-800 # viscosidad de referencia
n<-16 # tamao de la muestras
vmed<-812 # viscosidad promedio
s<-25 # varianza
a<-0.05 # alfa
#Resolucin
#a) Enunciado de la hipotesis a probar
# Ho: u = 800
# H1: u != 800
#b)Prueba de la hipotesis utilizando alfa=0.05
to<-(vmed-u)/(s/sqrt(n))
p<-2*(1-pt(to,n-1))
if (p < a){
cat("Ho se rechaza, se acepta H1")
} else {
cat("No se rechaza Ho")
}
## No se rechaza Ho
#c) P valor de la prueba
round(p,2)
## [1] 0.07
#d) Intervalo de confianza al 95%
iinf<-vmed-(qt(1-a/2,n-1)*s/sqrt(n))
isup<-vmed+(qt(1-a/2,n-1)*s/sqrt(n))
sprintf("[%0.2f, %0.2f]",iinf,isup)
1
Ejercicio 4
#Datos
IDC<-0.95 # Intervalo de confianza
ancho=1
s2<-9 # varianza
#Resolucin
z<-qnorm((1-IDC)/2)
z # punto critico
## [1] -1.959964
s<-sqrt(s2)
n<-(-z*(s/0.5))^2
#Respuesta
n # tamao de la muestra
## [1] 138.2925
#Nomenclatura
#IDC<- intervalo de confianza
#n<-tamao de muestra
#s2<- varianza
#s<-desviacin estndar
#Z<- punto critico
Ejercicio 6
#Resolucin
dias<-c(108,124,124,106,115,138,163,159,134,139)
datos6<-sort(dias)
datos6
## [1] 106 108 115 124 124 134 138 139 159 163
n <- length(datos6)
a <- 0.5
QQ1<- (1:n-a)/(n+1-2*a) #Formula para calcular cuantiles
QQInv<- qnorm(QQ1) #Phi
QQInv #Los cuantiles a graficar
2
Grfica de probabilidad normal
200
150
Das
100
50
Cuantiles
##Conclusin
##tomando en consideracin los datos centrales de la grfica se puede
##inferir que los datos pueden modelarse con una distribucin normal.
##Si se viola este supuesto debera realizar la prueba t cuando las
##varianzas no son iguales.
#Nomenclatura
# dias<- conjunto de datos
# datos6<- el conjunto de datos ordenados
# n<- tamao de la muestra
# a<- alfa
# QQ1<- Formula para calcular cuantiles
# QQInv<- Phi o cuantiles a grficar
Ejercicio 8
#Resolucin
datos<-c(159,280,101,212,224,379,179,264,222,362,168,250,149,260,485,170)
datos1<-sort(datos)
datos1
## [1] 101 149 159 168 170 179 212 222 224 250 260 264 280 362 379 485
n <- length(datos1)
a <- 0.5
QQ1<- (1:n-a)/(n+1-2*a) #Formula para calcular cuantiles
3
QQInv<- qnorm(QQ1) #Phi
QQInv #Los cuantiles a graficar
200
100
2 1 0 1 2
Cuantiles
##Conclusin
##tomando en consideracin los datos centrales de la grfica se puede
##inferir que los datos pueden modelarse con una distribucin normal.
#Nomenclatura
# datos<- conjunto de datos
# datos1<- el conjunto de datos ordenados
# n<- tamao de la muestra
# a<- alfa
# QQ1<- Formula para calcular cuantiles
# QQInv<- Phi o cuantiles a grficar
4
Ejercicio 10
#Datos
a<-0.01
y1<-162.5
y2<-155
n1<-10
n2<-12
s2<-1
d<-10
#Resolucin
#I) Prueba de hiptesis
# H0: u1-u2=10
# H1: u1-u2>10
## [1] 0.01
#III)Estadstico de prueba
##Se realizo la prueba de hipotesis para cola superior con varianza conocida e igual
z<-function(y1,y2,n1,n2,s2,a,d){
z0<-(y1-y2-d)/(sqrt((s2/n1)+(s2/n2)))#calculo estadistico muestral
zc<-qnorm(a,lower.tail=FALSE)#obtencion z critico
zi<-qnorm(a/2,lower.tail=FALSE)#z para calcular el intervalo
LI<-y1-y2-zi*(sqrt((1/n1)+(1/n2)))#limite inferior intervalo
LS<- y1-y2+zi*(sqrt((1/n1)+(1/n2)))#limite superior intervalo
}
#Conclusin
z(y1,y2,n1,n2,s2,a,d)
5
#s2<-desviacin estandar
#d<-diferencia a alzancar
#z<-funcin para realizar la prueba de hipotesis
#z0<-calculo del estadistico muestral
#zc<- punto crtico
#zi<- z para calcular el intervalo
#LI<-limite superior
#LS<-limite inferior
Ejercicio 12
Ejercicio 14
#Resolucin
datos <- c(5.34,6.00,5.97,5.25,6.65,7.55,7.35,6.35,4.76,5.54,
5.44,4.61,5.98,5.62,4.39,6.00,7.25,6.21,4.98,5.32)
## El intervalo de confianza estimado para sigma^2 es: 0.4571524 =< sigma^2 =< 1.68624
#(b) Probar la hipotesis de que sigma^2=1.0.
# Utilizar alpha=0.05. A que conclusiones se llega?
# Ho: sigma^2 = 1
# H1: sigma^2 != 1
sigma <- 1
estp <- ((n-1)*(S^2))/sigma^2 #estadistico de prueba
estp < chiqi
## [1] TRUE
estp > chiqd
## [1] TRUE
# CONCLUSIONES:
# No se rechaza la hipotesis nula, por lo cual no se tiene
# suficiente evidencia de que sigma^2 no sea igual a 1
6
# pruebas estadisticas e intervalos de confianza.
2 1 0 1 2
#CONCLUSION: Los datos podrian asumir o ajustarse la normalidad sin ningun problema
#Nomenclatura
#n <-tamao muestral
#S <-desviacion estandar
#alpha<-grado de significancia
#ICi <-Estadistico del lado izquierdo
#ICd <-Estadistico del lado derecho
#estp <-estadistico de prueba
Ejercicio 16
#Resolucin
#a) Existe alguna evidencia que apoye la afirmacin de que hay una diferencia
#en el desempreo promedio entre los dos mtodos? usar alpha=0.05
7
#Datos de las nueve vigas para los mtodos Karlsruhe y Lehigh
alpha<-0.05
datos<-data.frame(
viga=c("S1/1","S2/1","S3/1","S4/1","S5/1", "S2/1","S2/2", "S2/3", "S2/4"),
karlsruhe=c(1.186,1.151,1.322,1.339,1.200,1.402,1.365,1.537,1.559),
lehigh=c(1.061,0.992,1.063,1.062,1.065,1.178,1.037,1.086,1.052))
##
## Paired t-test
##
## data: datos$karlsruhe and datos$lehigh
## t = 6.0819, df = 8, p-value = 0.0002953
## alternative hypothesis: true difference in means is not equal to 0
## 97.5 percent confidence interval:
## 0.1499791 0.3977987
## sample estimates:
## mean of the differences
## 0.2738889
#Se acepta la hipotesis alternativa,H1: d != 0, hay diferencia entre los dos metodos
## [1] 0.0002952955
#c) construir un intervalo de confianza del 95% para la diferencia de carga promedio predicha
#y la observada
test_ej16<-t.test(x=datos$karlsruhe, y=datos$lehigh, conf.level = 0.95,
paired=TRUE)
test_ej16$conf.int #0.1700423 0.3777355
8
Grfica de Probabilidad Normal
1.5
1.4
Cuantiles
1.3
1.2
Cociente Karlsruhe
#Metodo de Lehigh
qqnorm(datos$lehigh ,main="Grfica de Probabilidad Normal",
xlab = "Cociente Lehigh", ylab = "Cuantiles")
qqline(datos$lehigh, distribution = qnorm, col=2)
9
Grfica de Probabilidad Normal
1.15
1.10
Cuantiles
1.05
1.00
Cociente Lehigh
10
Grfica de Probabilidad Normal
0.5
0.4
Cuantiles
0.3
0.2
#Los datos de los cocientes de los dos metodos y sus diferencias no se ajustan
#a una distribucion normal
Ejercicio 18
Ejercicio 20
Ejercicio 22
Ejercicio 24
11