ESTADÍSTICA BÁSICA

SEMESTRE 2017-I
EXAMEN SUSTITUTORIO
HORA: 8:00 AM
DURACIÓN: 2 H Y 45 MIN
VIERNES, 14 DE JULIO DE 2017

Nombre:___________________________________________________________________________
Sección:___________________
No se puede consultar ningún tipo de documentación a excepción de las tablas y formularios sin ningún escrito adicional. En la
calificación se tomará en cuenta el orden y la limpieza de su resolución.

1. Sea 𝑋 una variable aleatoria con la siguiente función de densidad de probabilidad

𝑓(𝑥) = 𝑘(1 − 𝑥 2 ); 𝑥 ∈ [−1,1]
Se pide:
a) Calcula 𝑘 y dibuja 𝑓(𝑥).(1 p.)

𝑘 =3/4

b) Calcula la moda, la mediana y la media.(1 p)

Moda=0 Mediana= 0 Media=0

c) Calcula 𝑃(𝑋 > 0.4) (2 p.)

𝑃(𝑋 > 0.4) = 0.216

SOLUCIÓN:

a) El valor 𝑘 debe verificar que

1 1
2 )𝑑𝑥
𝑥3 2 2 3
𝑘 ∫ (1 − 𝑥 = 1 ⇒ 𝑘 [𝑥 − ] = 𝑘 [ + ] = 1 ⇒ 𝑘 =
−1 3 −1 3 3 4

b) La distribución es simétrica alrededor del 0, por lo que media, mediana y moda son iguales a 0
c) La probabilidad se obtiene integrando 𝑓(𝑥):
1
3 1
𝑃(𝑋 > 0.4) = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ (1 − 𝑥 2 )𝑑𝑥 = 0.216
0.4 4 0.4

Página 1 de 4
2. El número de llamadas que recibe una central telefónica sigue una distribución de Poisson con media
10 llamadas/hora.

a. Suponga que el servicio ha comenzado a operar a las 8:00 horas. Cuál es la probabilidad de que
la primera llamada ocurra antes de las 8:10? (2p)
b. ¿Cuál es la probabilidad de que a las 8:15 aún no hayan recibió ninguna llamada. (1p)
c. ¿Cuál es la probabilidad de que en una jornada de 8 horas reciban más de 100 llamadas? (1p)

SOLUCIÓN:

a. Sea 𝑋 =número de llamadas que se reciben en una hora, con 𝑋 ∼ Poi(𝜆 = 10). Entonces, la
variable aleatoria 𝑇 = tiempo (en horas) entre llamadas será una exponencial 𝑇 ∼ 𝐸𝑥𝑝(𝜆 = 10 ).
Debido a la ausencia de memoria del proceso de Poisson, el intervalo desde un instante dado
hasta que se observa el siguiente suceso será también una exponencial. Por tanto, el tiempo
desde que comienza el servicio hasta que llega un cliente es una exponencial. En minutos será
𝑇𝑚 ∼ 𝐸𝑥𝑝(𝜆𝑚 = 0.167 llamadas/minuto). El que la primera llamada ocurra antes de los 10
minutos tendrá la siguiente probabilidad:
𝑃(𝑇𝑚 < 10) = 1 − 𝑒 −𝜆𝑚×10 = 1 − 𝑒 −0.1667×10 = 1 − 𝑒 −1.667 = 0.8112.

b. La probabilidad de que la siguiente llamada demore más de 15 minutos es

𝑃(𝑇𝑚 > 15) = 𝑒 −𝜆𝑚×15 = 𝑒 −0.1667×15 = 0.0820.

c. Denotemos 𝑋𝑑 =número de llamadas en 8 horas. Entonces, por la propiedad de aditividad de la

Poisson, 𝑋𝑑 ∼ Poi(𝜆𝑑 = 80 llamadas/dia). Para calcular 𝑃(𝑋𝑑 > 100) haremos uso del Teorema
del Limite Central: como 𝜆𝑑 es muy elevado se puede aproximar 𝑋𝑑 a una normal. Por tanto 𝑋𝑑 ∼
𝑁(80,80). De esta forma
100 − 80
𝑃(𝑋𝑑 > 100) = 𝑃 (𝑧 > ) = 𝑃(𝑧 > 2.24)
√80
= 1 − 𝑃(𝑧 ≤ 2.24) = 1 − 0.9875 = 0.0125.

3. Sea X una variable aleatoria de media 𝜇 y varianza 𝜎², y sea 𝑥1 , … , 𝑥100 una muestra aleatoria de dicha
variable. Decir si las siguientes afirmaciones son verdaderas (V) o falsas (F). Contesta en la tabla
siguiente. No necesitas justificar. Respuesta correcta +0.5, incorrecta -0.25. (5p)

1 Como la muestra es grande, 𝑋 será una normal por el teorema del límite central. F

2 La media muestral tiene una varianza que es sólo la centésima parte de la varianza de X. V

3 El intervalo de confianza de 𝜇 deberá estar centrado en 𝜇. F

4 El margen de error del intervalo de confianza de 𝜇 depende de 𝜎. V

5 Como la muestra es grande, la varianza de la muestra 𝑠𝑥2 será un estimador insesgado. F

El 95% de los intervalos de confianza de 𝜇, con 𝛼 = 0.05, que se obtengan con V

6
diferentes muestras contendrá el valor de 𝜇.

Dado un nivel de confianza, un intervalo de confianza más amplio implicará una menor
7 F
incertidumbre sobre el valor de 𝜇.

Página 2 de 4
 Si 𝜎 2 = 100 y queremos que el margen de error de estimar 𝜇 con 𝛼 = 0.05 sea de 1, F
8
entonces habrá que tomar al menos 100 datos.

Cuanto mayor sea el nivel de confianza de un intervalo de confianza de 𝜇 menor será su F

9
margen de error.

Si 𝜎 2 = 100 , los diferentes valores de 𝑋̅ que se obtengan de diferentes muestras F

10
estarán en el intervalo {𝜇 ± 2} con una probabilidad del 97.7%.

SOLUCIÓN

1. Falso. La distribución de 𝑋 no depende de cómo se muestree de ella.

2. Verdadero. 𝑉𝑎𝑟(𝑋̅) = 𝜎 2 ⁄𝑛 = 𝜎 2 /100.
3. Falso. Está centrado en 𝑋̅.
4. Verdadero. El margen de error es 𝐿 = 𝑧𝛼⁄2 𝜎/√𝑛 .
5. Falso. 𝑆𝑥2 es siempre sesgado .
6. Verdadero. Esa es la definición del intervalo de confianza.
7. Falso. A mayor amplitud, mayor incertidumbre sobre 𝜇.
8. Falso.
𝑧𝛼⁄2 𝜎 2 1.96 × 10 2
𝑛=( ) =( ) ≈ 385.
𝐿 1
9. Falso. La amplitud es dos veces el margen de error. A mayor amplitud mayor margen de error.
10. Falso. El intervalo sería {𝜇 ± 2.27}
𝜎2 𝑧𝛼⁄2 𝜎 𝑧𝛼⁄2 𝜎
𝑋̅ ∼ 𝑁 (𝜇, ) ⇒ 𝑃 (𝜇 − < 𝑋̅ < 𝜇 + ) = 1 − 𝛼.
𝑛 √𝑛 √𝑛
Si 1 − 𝛼 = 0.977 ⇒ 𝛼 = 0.023 ⇒ 𝛼 ⁄2 = 0.0115 ⇒ 1 − 𝛼 ⁄2 = 0.9885 ⇒ 𝑧𝛼⁄2 ≈ 2.27 (ver
tabla), y con 𝜎 2 = 100 se tiene que

2.27 × 10 2.27 × 10
𝑃 (𝜇 − < 𝑋̅ < 𝜇 + ) = 𝑃(𝜇 − 2.27 < 𝑋̅ < 𝜇 + 2.27) = 0.977.
√100 √100

4. Analizando las calificaciones de una asignatura de años anteriores, se observa que los alumnos han
obtenido una nota media de 12 con varianza 2. A partir de una muestra aleatoria de 30 estudiantes del
presente año se obtiene una media de 13 con cuasi-varianza muestral de 2.1. A continuación se
enuncian un conjunto de hipótesis sobre los valores poblacionales de las calificaciones de esta
asignatura. Reescríbelas EN LA TABLA SIGUIENTE como hipótesis nula y alternativa. No necesitas
justificar. (Respuesta correcta +1). (4p)

Hipótesis sobre la población H0 H1

1 La varianza se mantiene en su valor histórico 𝜎2 = 2 𝜎2 ≠ 2

2 La nota media ha cambiado respecto al histórico 𝜇 = 12 𝜇 ≠ 12

3 La nota media ha disminuido respecto al histórico 𝜇 ≥ 12 𝜇 < 12

4 La nota media aumentó en un punto 𝜇 = 13 𝜇 ≠ 13

Página 3 de 4
5. Un proceso productivo produce, cuando funciona en condiciones óptimas, un 1% de artículos
defectuosos. Después de una avería en la que hubo que reparar algunas máquinas se produjeron 6
artículos defectuosos en 500 artículos producidos. ¿Ha empeorado el proceso tras la reparación de la
avería? (3p)

SOLUCIÓN:

Tras la avería puede que haya empeorado el proceso (𝑝 > 0.01) o sigua igual (𝑝 = 0.01, ó 𝑝 ≤ 0.01). El contraste
a realizar es, por tanto, (1p)

𝐻0 : 𝑝 ≤ 0.01 (ó 𝑝 = 0.01)
𝐻1 : 𝑝 > 0.01
En la muestra se obtiene

6
𝑝̂ = = 0.012,
500
que discrepa de 𝐻0 , y está del lado de 𝐻1 . Tenemos que realizar un contraste de hipótesis para valorar si esa
diferencia con respecto a 𝐻0 es significativa o, por el contrario, se puede explicar por el azar del muestreo. Con
este fin, en primer lugar vemos que el tamaño muestral n=500 es elevado y, además,

𝑛𝑝̂ (1 − 𝑝̂ ) = 500(0.012)(1 − 0.012) = 5.92 > 5,

por lo que, para realizar el contraste, podemos utilizar la aproximación a la normal para el estimador 𝑝̂ . (1p)

El estadístico de contraste que vamos a utilizar entonces es,

𝑝̂ − 𝑝0
𝑧₀ =
𝑝 𝑞
√ 0 0
𝑛
y el valor que toma en nuestra muestra, es (1p)
𝑝̂ − 𝑝0 0.012 − 0.01
𝑧₀ = = = 0.45
𝑝 𝑞
√ 0 0 √0.01 × 0.99
𝑛 500

La distribución de referencia es la N(0,1), y la región de rechazo será la cola de la derecha, como se muestra en
esta figura.(1p)

Para 𝛼 = 0.05 el valor crítico es 1.65. Por tanto, se rechazaría la hipótesis nula si 𝑧₀ > 1.65. Como 𝑧0 = 0.45 <
1.65 no podemos rechazar la hipótesis nula. No hay evidencia suficiente para pensar que tras la reparación el
proceso haya empeorado.(1p)

Página 4 de 4