EXAMEN (SOLUCION)
> #-------------
> #Solución (1)
> #--------------
>
> #De la segunda condición: µB > µD
> #De la tercera condición: µD > µC
> #Entonces se tiene: µC < µD < µB
> #De la primera condición: µA - µB puede ser positivo o negativo, si fuera positivo µA tendría que
ser mayor que µB, con lo que obtendríamos:
> #µC < µD < µB < µA
>
> #-------------
> #Solución (2)
> #-------------
> antes<-c(3.8, 6.2, 4.5, 5.9, 7.1, 6.5, 4.7)
> despues<-c(4.0, 5.7, 3.9, 7.8, 6.9, 6.8)
>
> n_antes=length(antes)
> media_antes=mean(antes)
> desv_antes=sd(antes)
> var_antes=var(antes)
>
> n_despues=length(despues)
> media_despues=mean(despues)
> desv_despues=sd(despues)
> var_despues=var(despues)
>
> #Prueba de Homogeneidad de varianzas
> var.test(antes, despues)
F test to compare two variances
data: antes and despues
F = 0.55753, num df = 6, denom df = 5, p-value = 0.4967
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.07990186 3.33825511
sample estimates:
ratio of variances
0.5575313
#Pvalue=0.4967 > 0.05, por lo tanto las varianzas de ambos grupos son iguales.
>
> #IC para la diferencia de medias con varianza desconocida pero iguales: Estadístico de prueba T
> ic_mu<-t.test(antes, despues, alternative = "t", mu=0, conf.level = 0.95, var.equal = T)
> ic_mu$p.value
[1] 0.6893222
#Prueba de Hipótesis Sol (a): El pvalue=0.6893222 > 0.05 por lo tanto el contenido medio de
oxigeno son iguales para ambas muestras
> ic_mu$conf.int #Intervalo de Confianza Sol(b): Li=-2.044841 , Ls=1.401984
[1] -2.044841 1.401984
attr(,"conf.level")
[1] 0.95
> #Slo (c): Li=-2.044841, Ls= 1.401984, Observamos que el intervalo de confianza
contiene al cero, por lo tanto la relación es de igualdad.
>
> #-------------
> #Solución (3)
> #-------------
> pesos<-c(214, 197, 206, 197, 203, 209, 197, 208)
>
> #IC para una media con Población Normal, con varianza desconocida, muestra pequeña
> prueba<-t.test(pesos, alternative = "t", conf.level = 0.95, mu=215)
> prueba$conf.int
[1] 198.4673 209.2827
attr(,"conf.level")
[1] 0.95
>
> #Otra forma:
> lim_inf=mean(pesos)-qt(0.975, 7)*sd(pesos)/sqrt(length(pesos))
> lim_sup=mean(pesos)+qt(0.975, 7)*sd(pesos)/sqrt(length(pesos))
>
> #Conclusión: Según el intervalo de confianza Li=198.4673 , Ls= 209.2827, el parámetro
poblacional de 215 gramos no cae dentro del intervalo, por lo tanto podemos afirmar que el
proceso no está funcionando correctamente
>
> #-------------
> #Solución (4)
> #-------------
> #Para responder a la pregunta construiremos un intervalo de confianza y verificaremos si 0.0005
cae o no dentro del intervalo de confianza.
>
> x1<-600*0.0032
> x2<-400*0.0024
>
> #Intervalo de Confianza para la diferencia de proporciones
> library(PropCIs)
Warning message:
package ‘PropCIs’ was built under R version 3.5.2
> ic_p<-wald2ci(x1,600,x2,400,conf.level = 0.95,adjust = "Wald")
> ic_p$conf.int
[1] -0.005789056 0.007389056
attr(,"conf.level")
[1] 0.95
>
> #Otra forma:
> n1=600
> n2=400
> p1=0.0032
> p2=0.0024
> li<-(p1-p2)-qnorm(0.975)*sqrt(p1*(1-p1)/n1+p2*(1-p2)/n2) #limite inferior
> ls<-(p1-p2)+qnorm(0.975)*sqrt(p1*(1-p1)/n1+p2*(1-p2)/n2) #limite superior
>
> #Conclusión: Como por lo menos 0.0005, con un nivel de confianza del 95%, cae dentro del
intervalo de confianza Li=-0.005789056, Ls=0.007389056, podemos afirmar que el jefe del
proyecto si debería adoptar la publicidad con el anuncio grande.
