Universidad de las Fuerzas Armadas - ESPE

Ingenieria en Biotecnologa
Richard Alvarez - NRC: 2408
18 de mayo de 2017

Deber N11: Resolucin de los ejercicios pares del Capitulo 2 del

LdT.

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] "[798.68, 825.32]"

#Nomenclatura
#u<-viscosidad de referencia
#n<-tamao de la muestras
#vmed<-viscosidad promedio
#s<-desviacion estandar
#a<-alfa

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

## [1] -1.6448536 -1.0364334 -0.6744898 -0.3853205 -0.1256613 0.1256613

## [7] 0.3853205 0.6744898 1.0364334 1.6448536
##grafica de la probabilidad normal con la funcion qqnorm
##Datos vs cuantiles
qqnorm(datos6,main="Grfica de probabilidad normal",xlab="Cuantiles",ylab="Das",ylim=c(50,200))

#Grfica de la linea tomando como referencia cuartiles 25 y 75 con la funcion qqline

qqline(datos6, col="blue")

2
 Grfica de probabilidad normal
200
150
Das

100
50

1.5 1.0 0.5 0.0 0.5 1.0 1.5

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

## [1] -1.86273187 -1.31801090 -1.00999017 -0.77642176 -0.57913216

## [6] -0.40225007 -0.23720211 -0.07841241 0.07841241 0.23720211
## [11] 0.40225007 0.57913216 0.77642176 1.00999017 1.31801090
## [16] 1.86273187
##grafica de la probabilidad normal con la funcion qqnorm
##Datos vs cuantiles
qqnorm(datos1,main="Grfica de probabilidad normal",xlab="Cuantiles",ylab="Horas",ylim=c(50,500))

#Grafica de la linea en los cuartiles 25 y 75 con la funcion qqline

qqline(datos1, col="red")

Grfica de probabilidad normal

500
400
300
Horas

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

#II) Nivel de significancia

## [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

##Toma de descicion para cola superior

if(z0<zc){
print("No se Rechaza H0 (para cola superior)")
}
else{
print("Rechazo H0 (para cola superior)")
}

sprintf("z0=%.2f zc=%.2f IC=%.2f <u1-u2<%.2f",z0,zc,LI,LS)

}
#Conclusin
z(y1,y2,n1,n2,s2,a,d)

## [1] "No se Rechaza H0 (para cola superior)"

## [1] "z0=-5.84 zc=2.33 IC=6.40 <u1-u2<8.60"
## No se debe usar el plastico 1 porque su resistencia a la ruptura no excede a la del
## plastico 2 por 10 psi
#Nomenclatura
#a<-0.01<-alfa
#y1<-resistencia promedio a la ruptura plastico 1
#y2<-resistencia promedio a la ruptura plastico 2
#n1<-tamao de la muestra plastico 1
#n2<-tamao de la muestra plastico 2

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)

#(a) Construir una estimacion con un intervalo de confianza de 95% de sigma^2

n <- length(datos) #tamao muestral

S <- sd(datos) #desviacion estandar
alpha <- 0.05 #grado de significancia
chiqi <- qchisq(alpha/2,n-1,lower.tail=F)
chiqd <- qchisq(1-(alpha/2),n-1,lower.tail=F)
ICi <- ((n-1)*(S^2))/chiqi
ICd <- ((n-1)*(S^2))/chiqd
cat("El intervalo de confianza estimado para sigma^2 es:",ICi,"=< sigma^2 =<",ICd)

## 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

#(c) Comenta el supuesto de normalidad y su papel en este problema

# El supuesto de normalidad es mucho mas importante si se analizan
# las varianzas que si se analizan las medias. Una pequea variacion
# de la normalidad implicara que se calculen erroneamente

6
# pruebas estadisticas e intervalos de confianza.

#(d) Verificar la normalidad construyendo una grafica de probabilidad normal.

# A que conclusiones se llega?

qqnorm(datos,main="Grfica de la Probabilidad Normal",

xlab = "Uniformidad del grabado", ylab = "Percentiles")
qqline(datos)

Grfica de la Probabilidad Normal

4.5 5.0 5.5 6.0 6.5 7.0 7.5
Percentiles

2 1 0 1 2

Uniformidad del grabado

#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))

#Ho: d = 0 (No hay diferencia)

#H1: d != 0 (Hay diferencia)

test_ej16<-t.test(x=datos$karlsruhe, y=datos$lehigh, conf.level = (1-alpha/2),

paired=TRUE)
test_ej16

##
## 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

#b) cual es el valor p para la prueba del inciso a

test_ej16$p.value #0.0002952955

## [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

## [1] 0.1700423 0.3777355

## attr(,"conf.level")
## [1] 0.95
#d)Investigar el supuesto de normalidad en ambas muestras
#Metodo de Karlsruhe
qqnorm(datos$karlsruhe,main="Grfica de Probabilidad Normal",
xlab = "Cociente Karlsruhe", ylab = "Cuantiles")
qqline(datos$karlsruhe, distribution = qnorm, col=4)

8
 Grfica de Probabilidad Normal
1.5
1.4
Cuantiles

1.3
1.2

1.5 1.0 0.5 0.0 0.5 1.0 1.5

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

1.5 1.0 0.5 0.0 0.5 1.0 1.5

Cociente Lehigh

#e)Investigar el supuesto de normalidad para la diferencia de los cocientes

dif<-datos$karlsruhe-datos$lehigh
qqnorm(dif ,main="Grfica de Probabilidad Normal",
xlab = "Diferencia de los cocientes", ylab = "Cuantiles")
qqline(dif, distribution = qnorm, col=6)

10
 Grfica de Probabilidad Normal
0.5
0.4
Cuantiles

0.3
0.2

1.5 1.0 0.5 0.0 0.5 1.0 1.5

Diferencia de los cocientes

#f) Comentar el supuesto de normalidad en la prueba t pareada

#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