EE Soluciones 2012 17 PDF

Estadística Empresarial
Preguntas de exámenes Tema 1: Variables aleatorias

y sus distribuciones
Cursos 2011/12 a 2016/17
1
19
UNED. ELCHE. www.innova.uned.es/webpages/Ilde/Web/index.htm

Tema 1: Variables aleatorias
TUTORÍA DE ESTADÍSTICA EMPRESARIAL y sus65022076)
(Código: distribuciones
(2º GRADO A.D.E.) imozas@elx.uned.es
JUNIO 2013- 1ª SEMANA
PRIMERA PARTE: CUESTIONES TEÓRICO-CONCEPTUALES
Respuesta.-
Dada una variable bidimensional (X, Y), se definen las funciones de distribución
marginales de X e Y como:
F1(x) = P(X ≤ x, Y <+) y F2(y) = P(X ≤ +, Y ≤ y)
Mientras que la función de distribución condicionada de la variable aleatoria X, dado
Y = y es : F(x/y) = P(X≤x /Y=y).
Si (X,Y) es discreta:
 PX  x , Y  y 
i j
 Px i , y j  ; F2(y) =  Px i , y j  ; F(x/y)=

32 xi x
PY  y j 
F1(x) =
x x y y y x
UNED. ELCHE. i j j i
www.innova.uned.es/webpages/Ilde/Web/index.htm
TUTORÍA DE ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.)
Si (X,Y) es continua con función de densidad f(x,y): imozas@elx.uned.es

x
SEPTIEMBRE 2013. y RESERVA f ( x, y)dx
 
f ( x, y)dy dx ; F2(y) =    f ( x, y)dx dy ; F(x/y)=

 
x

F1(x) = 
  
  
PRIMERA PARTE: CUESTIONES TEÓRICO-CONCEPTUALES 
  
f ( x, y)dx

Respuesta.-
Respuesta.-
50 Un Sea estimador
P la funciónT = T(X X2, …, Xn) esdefinida
de1, probabilidad suficienteparapara losun parámetro
sucesos de si
unla determinado
distribución
de (X , X
experimento
1 2 , …, X ) condicionada
aleatorio,
n por T = t, no depende de . E   una aplicación que a cada
siendo E su espacio muestral. Sea X:www.innova.uned.es/webpages/Ilde/Web/index.htm
UNED. ELCHE.
suceso Significa,
elemental
TUTORÍA de forma
le haga
DE ESTADÍSTICA intuitiva(Código:
corresponder
EMPRESARIAL queun elnúmero
estimador
65022076) real̂yA.D.E.)
(2º GRADO utiliza
representemos por [X  imozas@elx.uned.es
toda la información relevante
a] el suceso
contenida en la muestra sobre el parámetro 
{xE/X(x)  a}. Diremos que X es una variable aleatoria si existe la probabilidad P[Xx]puede
a estimar y que ningún otro estadístico para
proporcionar
todo número real más x. SEPTIEMBRE
información sobre dicho parámetro 2014. Reserva
Respuesta.-
Respuesta.-
Establece
Respuesta.- el máximo valor de la varianza del estimador ̂ de un parámetro . Si ̂ es
Si X es una variable aleatoria, se define la función de distribución F:   /
insesgadoEn ycondiciones
su varianza bastante
coincide generales,
con la cota,los decimos que ̂ es
estimadores eficiente.por el método de los
obtenidos
F(x) = P[X x].
momentos son consistentes, asintóticamente normales y, en general, no son insesgados (sí lo
Si X es discreta y toma los valores {xi, i= 1, 2, 3, …, r}, se define la función de cuantía

son si se pretende estimar momentos poblacionales respecto del origen). Por tanto, en general
onodeson
probabilidad
eficientes.
Respuesta.- P(x i ) = P[X = x i ]. Se cumple que F(x) = P( x i ) .
x x
Los obtenidos
Cuando se tratapor el métodoside
de contrastar la la máxima
muestra verosimilitud
procede son consistentes,
de una población
i
normal denola son
que en
se
general Si X es continua
insesgados, pero y
desconocen la media y la varianza. f: 
entonces  es
son la función de densidad,
asintóticamente se
insesgados. cumple
Son que P[aXb]
asintóticamente =
 
b x
eficientes y asintóticamente normales.
= f ( x )dx y F(x) = f ( t )dt
a 
Respuesta.-
Para un nivel de significación  fijo, al aumentar el tamaño muestral disminuye el error
II,  = P[Aceptar H0/H0 falsa], por tanto, aumenta la potencia del contraste 1 –  =
de tipoRespuesta.-
= P[Rechazar H0/H0 falsa].
Una variable Si representamos
aleatoria X de Poisson de la curva
parámetro  es una
de potencia paravariable
dos tamaños muestrales,
aleatoria discreta
p. ej. n = 25 y n = 100, se obtienen curvas del tipo:  x
que toma los valores {0, 1, 2, 3, 4, .....} y tal que P(X  x )  e  mientras que una variable
x!
(n,p) –1/3–
1 Junio 2013. 1ª semana
aleatoria X Binomial de parámetros es unan=100
variable aleatoria discreta que toma los
n n=25
valores {1, 2, 3, ..., n} y tal que P(X  x ) 2  p x (1  p) n  x
x
 = 0 1
Respuesta.-
En la teoría de la probabilidad, si A y B son dos sucesos aleatorios, se definía la
PA  B
probabilidad del suceso B condicionado por A como P(B/A) = , P(A) > 0.
PA 
Por analogía, si (X, Y) es una una variable aleatoria bidimensional discreta, la función
de distribución condicionada de la variable X, dado Y = yj es:
 PX  x , Y  y 
xi x
i j
PY  y j 
F(x/yj) = P(X≤x/Y=yj) =
69 Y si (X, Y) es una una variable aleatoria bidimensional continua, la función de
distribución condicionada de la variable X, dado Y = y es: www.innova.uned.es/webpages/Ilde/Web/index.htm

UNED. ELCHE.

x
TUTORÍA DE ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.) imozas@elx.uned.es
f ( x , y)dx

F(x/y) =
SEPTIEMBRE 2015. RESERVA
f 2 ( y)
Respuesta.-
un estimador ̂ de un parámetro  se define el error cuadrático medio como
 
Para
Respuesta
E ˆ  UNED.
2
La función
ELCHE.
. Su utilidad deestriba
distribución
en que se de una variable
considera que aleatoria X dese será define
el mejor estimador aqueligual,
que
TUTORÍA DE ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º GRADO
independientemente de que la variable sea discreta o continua: F(x) = P(X ≤ x). Ahora bien, la A.D.E.) imozas@elx.uned.es
tenga el menor error cuadrático medio entre todos los posibles estimadores de .
gráfica de F(x), en el caso de queJUNIO X sea discreta
2016- 1ªes discontinua a trozos mientras que si X es
SEMANA
continua, la gráfica es continua. Por otra parte, la probabilidad de un valor particular de la
variablePRIMERA
es cero, si la variableCUESTIONES
PARTE: es continua y puede no serlo si es discontinua.
TEÓRICO-CONCEPTUALES
Respuesta.-
Lo veremos con un ejemplo. Supongamos una variable aleatoria normal N(, ) con 
conocida. Si Z es la normal N(0,1), sea z 0, 025 tal que PZ  z 0, 025   0,025 .
Respuesta
Si X1, yX
desconocida
2, ..., Xn son n variables aleatorias independientes e idénticamente distribuidas,
Respuesta.- X  n S n  E (S n )
Para
con E(X UNED.
muestras
En i)= ELCHE.
primer y de tamaño
Var(X
lugar,i) =
el 
n,2 sabemos
,
concepto ambas de que la yvariable
finitas,
función
TUTORÍA DE ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º GRADO
siendo
de densidad S 
n =A.D.E.)
no
 i 1
n ise, entonces
X
existe distribuye
para variables n imozas@elx.uned.es
Ynormal N(0,1),
discretas
Var (S n )
y
sí para continuas.
 segundo   la probabilidad
Xlugar, 1) 
JUNIO 2017- n.    puede no
tiende P
luego hacia
En  z 0una
, 025 
distribución n N(0, z 0, 025 
al0aumentar
,95 deque P1ª
X laSEMANA
variable
z 0, 025 tome   unXvalor z 0, 025puntual,
 , es decir 
ser cero,si la variable es discreta, pero  es cero sila variable esn continua. n
PRIMERA PARTE:  CUESTIONES TEÓRICO-CONCEPTUALES
 
pertenece
1. ¿Quéal intervalo  X
es una variable  z aleatoria?
0 , 025 , X  z 0.,025  con probabilidad 0,95.
Respuesta
Respuesta.-  n n 
Sí. Sea
Respuesta.- X una variable aleatoria de una determinada población y {X , X2, ...,x X } una
Ahora
Sea P una bien,probabilidad
si elegimos definida una muestra en unconcreta
espacio cuya muestral media y sea 1 sea
E muestral su espacio, nya no
de
muestraCuando de tamaño dispongamos n. Se de denomina
una sucesión estimador,
{X } de a cualquier

variables función
aleatorias  de la muestra
independientes
lasXtal x, cada suceso de lae
f X1 , X 2 Una  , que
sucesos. n
podemos
idénticamente,..., Xvariable
asegurar aleatoria
queserá
ndistribuidas,
 pertenezca
una
con
es una
variable
media
aplicación
al intervalo
aleatoria,
y desviación  xX:serlo
al Eztípica  ,i.xque,
ambas  z 0finitas.  con probabilidad
forma {e  E / X(e) ≤ x} pertenece a .
0 , 025 .,025
 n n
Efectuada una realización muestral {x1, x2, ..., xn}, una estimación sería el valor del
0,95. Diremos
estimador entonces
para esapara que
realización tal intervalo
muestral: posee un
f(x1cuadrático coeficiente de
, x2, ..., xn).medio de un estimador. confianza de 0,95 o un nivel
2. Indique
de confianza del 95%. qué se utiliza el error
Respuesta.-
Si  es un parámetro y ̂ el estimador, se define el error cuadrático medio de ̂ :
Respuesta.-
Respuesta
Si ̂ es un estimador de un parámetro ( ̂ )–1/3– se
=,Ecuando 
 ˆdenomina
  las hipótesis
2 sesgo del estimador al valor
Junio 2015. de
2ª semana
 Un contraste de hipótesis es ECM
E ̂   .
parámetro
paramétrico
 desconocido de la población (como por ejemplo , , ...).

 
 se refieren al valor de un
Desarrollando
Si es la expresión anterior, sesobreestima
obtiene quealECM( ̂ ) = Var( ̂ ) caso
+ (Sesgo( ̂ ))2 lo
Es elnosesgo paramétrico positivo
cuando el estimador
las hipótesis se refieren parámetro
a características y, en contrario,
no paramétricas
Se considera que el mejor estimador de  será aquel que tenga el menor error cuadrático medio
infraestima.
(forma de la distribución, localización, aleatoriedad de una muestra...)
entre todos los posibles estimadores de  y, por lo tanto, los dos sumandos en que se
descompone, sean lo mínimos posible, aunque no siempre existirá tal estimador.
PROBLEMAS
3. En la estimación por intervalos de
Respuesta.- 3 confianza, ¿qué nos asegura un nivel de confianza
dado? Se utilizan para contrastar el valor de alguna medida de localización (cuantiles).
Respuesta.-
Sea una población con una variable aleatoria X, y sea Cp el cuantil de orden p
(0 < p Si
< 1).
el Los contrastes
nivel de localización
de confianza se pueden
es 100(1) %, yformular de cualquiera
el intervalo es ,  ,
de las siguientes
de confianza  
Preguntas de exámenes Tema 2: Características de
las variables aleatorias
Cursos 2011/12 a 2016/17
1
3

Tema 2: Caracterı́sticas de las
TUTORÍA DE ESTADÍSTICA EMPRESARIAL variables
(Código: aleatorias
65022076) (2º GRADO A.D.E.) imozas@elx.uned.es
Respuesta.-
7
Puede utilizarse para calcular los momentos de la distribución de una variable aleatoria
d r g X (t) 
de acuerdo con la fórmula r =
UNED. ELCHE.
r
Tambiénwww.innova.uned.es/webpages/Ilde/Web/index.htm
 (2º. GRADO puede utilizarse para hallar la
TUTORÍA DE ESTADÍSTICA EMPRESARIAL (Código:dt  t 0
65022076) A.D.E.) imozas@elx.uned.es
distribución de una función de variablesJUNIO aleatorias:

2012- 2ª SEMANA por ejemplo, se puede demostrar mediante
la función generatriz de momentos que si X1 y X2 son binomiales B(n1, p) y B(n2, p)
respectivamente,
PRIMERA suPARTE:
suma X1+X 2 es binomial B(n
CUESTIONES 1+n2, p).
Respuesta.-
El teorema
La Cov(X, Y) de Moivre establece que si Xpodría
= E[(XE(X))(YE(Y))] es unaconsiderarse
variable aleatoria
como una binomial
medida B(n,de p),
la
fuerza
11
de la relación lineal entre X  np
X e Y. También el coeficiente de correlación lineal
entonces la variable aleatoria es asintóticamente normal N(0, 1), es decir, cuanto
Cov(X, Y)
 XY  UNED. ELCHE. . Pero lanp (1  p) es una magnitud cuya unidad es el producto de las
covarianza www.innova.uned.es/webpages/Ilde/Web/index.htm
Var (X
TUTORÍA DE)·
ESTADÍSTICA X  np
Var (Y) EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.) imozas@elx.uned.es
mayor sea n, más se aproxima la variable
unidades en que se expresan X e Y, mientrasnpque el a una normal N(0, 1). Suele
coeficiente de correlación lineal considerarse
carece de
(1  p )
unidades y permite comparar laSEPTIEMBRE fuerza de la2012 relación lineal de dos poblaciones
1 1
bidimensionales,
buena aproximación np >no5 permite
cosasique y p ≤ la covarianza.
o bien si n(1–p) > 5 y p >
PRIMERA PARTE: CUESTIONES 2 TEÓRICO-CONCEPTUALES 2
Respuesta.-
Respuesta.-
estimador la̂ nvariable
Respuesta.- parámetroX , Xa
15 Un Consideremos de un aleatoria y sea obtenido
Y = de una muestra
, donde a y de
b sontamaño n, es
constantes,
Una variable aleatoria X sigue una distribución uniforme
consistente endeprobabilidad
UNED. ELCHE.
probabilidad si  >a 0,
que X pertenezca  X  a  Var (2º
un se cumple quedelim
subintervalo  b
n d
 na A.D.E.)
longitud  es
en un intervalo
 proporcional
1. a
[a,
d.
b], si la
P ˆwww.innova.uned.es/webpages/Ilde/Web/index.htm
 
XGRADO Var (X)
b  0. SeTUTORÍA
tieneDE que
ESTADÍSTICA
Var(Y)EMPRESARIAL 
= Var (Código: 65022076)  . Así pues, la varianza no se
imozas@elx.uned.es
También se dice que
Si es discreta, su función ̂ es  b 
consistente en b 2
media b
cuadrática
21
si lim E
de probabilidad es P(Xi) = , i =n 1, 2, 3,n ...n y cero en el
ˆ
  
2
 0 .
n
ve afectada por el cambio de origen SEPTIEMBRE pero sí se 2012.
ve afectada RESERVA n
el cambio de escala de forma que si
resto. En ambos casos significa que, a mayor tamaño de2 la muestra, más se asemeja el
una variable se divide por b, su varianza se ve dividida por b .
estimadorPRIMERA(en probabilidad
PARTE:o CUESTIONES
en media cuadrática) al parámetro.
 1
 , axb
Si es continua, su función de densidad es f(x) =  b  a
Respuesta.-
Respuesta.- 0, resto
Se
Sea utiliza
X una para contrastar
variable aleatoria si de
dosuna poblaciones
determinada  diferentes
población X ye {XY con funciones de
1, X2, ..., Xn} una
El coeficiente
distribución F(x) y de variación
F(y), de las que desePearson
han CV = sendas
obtenido es una medidaaleatorias
muestras de dispersión que puede
independientes,
muestra de tamaño n. Se denomina estimador, a cualquier función de la muestra
f X1 , Xla
tienen misma
2 ,...,
Respuesta.-
utilizarse para distribución,
X ncomparar
, que serálauna esvariable
decir, F(z)
dispersión de
= G(z)al. serlo las X .
aleatoria,
dos distribuciones dei probabilidad. Si X e Y son dos
Si el tamaño de laX muestra
Efectuada una Y
realización muestral {x ,
permanece1 fijo, x , ...,
2 entonces x n}, una estimaciónlasería
si disminuye el valor del
probabilidad de
variables
estimador
error de tipo aleatorias
para y
esa realización
I, aumenta la  , diremos
muestral:de
probabilidad que
f(xerrorla
1, x2,de
dispersión
...,tipo
xn). II. de X es menor que la de Y.
X Y
Si el tamaño de la muestra aumenta, entonces, para un nivel de significación  fijo, la
También nos puede indicar si la media  es suficientemente representativa de la
probabilidad de error de tipo II disminuye
población. Si CV > 1, consideramos que la dispersión es grande y por tanto  no representa
bien a laRespuesta.-
población.
Con un nivel de confianza dado, al aumentar el tamaño de la muestra, disminuye la
amplitud del intervalo de confianza-.
Respuesta.-
 
Respuesta.-
Es un contraste de comparación de más de dos poblaciones. La hipótesis nula es que
E ˆ1ªsemana
2
todas lasEl distribuciones
error cuadrático sonmedio
iguales y la hipótesis
(ECM) de un alternativa̂ que,
estimador de un menos dos,son
al parámetro es diferentes. .
Respuesta.- –1/2– Junio 2012.
          
Un estimador será mejor
Para contrastar cuanto
el valor demenor sea su de
las medidas ECM. posición, como los cuantiles.
ˆ
Si se desarrolla, E     E PROBLEMAS
2
 2 E   E ˆ   = Var( ̂ ) + Sesgo2( ̂ ), luego
ˆ ˆ 2 2
tendrá menor ECM aquel estimador cuya varianza y cuyo sesgo sean menores.
28
Respuesta.-
La tipificación convierte a laSEPTIEMBRE 2013en otra de media cero y desviación
variable aleatoria
típica 1 lo cual permite compararla con otras variables tipificadas.
Respuesta.-
Respuesta.-
Dada una variable aleatoria en una determinada población, parámetro es cualquier
Consideremos
constante poblacional la variable
referida a laXvariable
sobre la que efectuamos
aleatoria, como por un cambio
ejemplo de origen
cualquier y escala,
momento.
36
Seleccionado ahora  X (X1, X2, ...,XY n) la avariable
X
obteniéndose la variable
UNED. ELCHE. Y un tamaño
= aX muestral CV
+ b. Entonces n y siendo
X =  en muestral,
ywww.innova.uned.es/webpages/Ilde/Web/index.htm
CVY = donde se
se denomina estadístico a cualquier función de las variables
X
TUTORÍA DE ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.) X 1 , X 2 , ...,
Y X n,a 
como
X b por ejemplo
imozas@elx.uned.es
observa que si a>0 y b = 0, CVX = CVY y, en cualquier otro caso, CVX  CVY.
la media muestral. Es por tanto una variable aleatoria.
Conclusión: el coeficiente JUNIO 2014-no1ªseSEMANA
de variación ve afectado por cambios escala (positivos)
y sí se ve afectado por cambios de origen.
45
Respuesta.-
Respuesta.-
UNED. ELCHE.
Si
Es
La (X 1,DE
aquellaXESTADÍSTICA
varianza
TUTORÍA
2, parte
...,esXuna )EMPRESARIAL
nde es
la una
medida muestra
estadística aleatoria
cuyo
de dispersión
(Código: desimple
objetivo
65022076) (2º
dewww.innova.uned.es/webpages/Ilde/Web/index.htm
laesvariable
GRADO obtener
A.D.E.)
tamaño n, usaremos
información
aleatoria. sobre
Su raíz el estadístico
el valor de
cuadrada, la
imozas@elx.uned.es
X 
algún parámetro
desviación típica, poblacional,
se expresacomo como
en las por ejemplo la media o la varianza, o sobre la forma de la
n que se distribuye unamismas
t-Studentunidades
con n–1 que la variable
grados y, dividida por la media,
de libertad.
distribución
S de la variable aleatoria, SEPTIEMBRE
como por ejemplo 2014 la función
proporciona el coeficiente de variación de Pearson que es una medida relativa de la dispersión. de densidad o de cuantía.
PRIMERA PARTE:
Esta determinación se hace a CUESTIONES TEÓRICO-CONCEPTUALES
partir de la información contenida en una muestra aleatoria.
1.- Explicar cómo sería la covarianza en los siguientes casos:
Respuesta.-
Es un contraste de localización de la mediana. Las hipótesis son:
Respuesta
H0: Me = m
Respuesta.-
 
Un parámetro es una cantidad constante que representa alguna característica de la
 un Me  m
H1:parámetro y ,  del
Sea Por
población. ejemplo, losdesconocido
momentos respecto un intervalo
origen E(X) = , E(X2),alE(X
de confianza nivel
3 100(1–)%.
) ....o respecto
de la media E[X–], E[(X–) ], E[(X–) ].....Son notables E(X) = , media poblacional y
Supongamos que se desea 2 contrastar3 la hipótesis:
H0: poblacional.
= 0 PROBLEMAS
E[(X–)2] = 2, varianza
Dada una muestra H1:  {X  10, X2, ..., Xn}, se denomina estadístico a cualquier función de las
con un nivel de significación . Entonces se rechazará H0 si y sólo
variables X1, X2, ..., Xn. Son notables la media muestral X  1
 
X siX2  ...
, 
 Xn
y la varianza
n

n
Respuesta.-
muestral S2 
1
Es un contraste
Xi  X 
2
n i 1 de localización de la mediana. Las hipótesis son:

Solución.-H0: Me = m
a) Sea H X1el
Respuesta.- : Me  m de impagos cuatrimestrales, que seguirá una distribución de Poisson
número
de media 2. Luego P(X
Para realizar el contraste = 0) = (tablas)
tomamos = 0,1353.
una muestra aleatoria simple (X1, X2, .., Xn) . Si H0
b)
es cierta,
A) Sea
el Y
número
Existe el
una de número de impagos
signos positivos
dependencia anuales.
de
lineal entre laslas P(Y > 9)X
diferencias
variables dei=
–mforma– P(Y
1 debe ser≤cuando
que 9) = x(tablas)
crece, =
aproximadamente y
= 1 – Respuesta.-
0,7166 =0,2834
crece, n la covarianza es positiva
luego
igual aUtilizaremos
. es decir, un intervalo de del
la distribución confianza
númerocuando
de signos deseemos
positivos hacerde una estimación del
las deferencias Xi–mvalor
se
B)2 Existe una dependencia
de un determinado parámetro de la distribución. lineal entre las variables de forma que cuando x crece, y
decrece, luego
Utilizaremosla varianza es 
negativa 1 
distribuirá como unaelbinomial contrasteBde  n ,hipótesis
 . Con locuando
que eldeseemos
contrasteaceptar o rechazarcomo:
puede plantearse una hipótesis
acerca C)de No
algunaexiste dependencia
característica lineal
(por 2  entre el
ejemplo lasvalor
variables,
de un luego
parámetro)la covarianza es cero.
de la población.
D) No existe dependencia1 lineal entre las variables (aunque existe dependencia de 2º
grado), luego H la0:covarianza
p=
2 es cero.
1 –1/2– Junio 2013. 2ª semana
H1 : p 
Respuesta.- 2
Supongamos una variable aleatoria para la que se supone que su distribución,
Respuesta.-
desconocida, se ajustaaleatorias
Para muestras a un determinado
de tamañomodelo. Un contraste
n suficientemente de bondad
grandes de ajuste
el Teorema permite
central del
límite permite considerar que la media muestral se distribuye aproximadamente demodelo
decidir, partiendo de una muestra, si la variable se distribuye o no de acuerdo con el forma
especificado.
normal. –1/2– Septiembre 2013
3
Respuesta.-
Un estimador ̂ de un parámetro  es insesgado si E( ̂ ) = .
SEPTIEMBRE 2015
Respuesta.-
La covarianza es un momento bidimensional y como tal es una magnitud cuya unidad es
el producto de las unidades de las variables, mientras que el coeficiente de correlación, que
resulta UNED.
de estandarizar
ELCHE. la covarianza dividiéndola por el producto de las desviaciones típicas de
TUTORÍA DE
las variables, es,ESTADÍSTICA
como suEMPRESARIAL
nombre (Código:
indica,65022076) (2º GRADO A.D.E.)
un coeficiente y carece de unidades. Aunque ambas
imozas@elx.uned.es
miden la fuerza de la relación lineal de las variables, la covarianza no puede usarse para
comparar la relación lineal de dos distribuciones bidimensionales distintas pues depende de las
unidades en que se expresen.
Respuesta.-
Respuesta.-
Consideremos una muestra aleatoria {x1, ..., xn} de tamaño n de una población con
En una distribución bidimensional de variables (X, Y), la covarianza es el momento
función de distribución F(x). Se define la función de distribución empírica como
11= Cov(X,Y) = E[(X-E(X))(YE(Y)] y es una medida de la fuerza de la relación lineal
N( x )
entre
Fn(x) X= e Y. , donde N(x) es el número de valores de la muestra, menores o iguales que x.
n
El coeficiente de correlación lineal resulta de estandarizar la covarianza, dividiéndola
Cov (X, Y)
por el UNED. ELCHE. de las desviaciones típicas de las variables:
producto  XY 
, por lo
Respuesta.- Var (X(·Varimozas@elx.uned.es
(Y)
Es ladeprobabilidad
que carece de rechazar
magnitud. Proporciona unala medida
SEPTIEMBRE hipótesisnumérica
nula H0del
2016 . Sigrado
representamos
en que las por  la
variables
probabilidad
están del error
relacionadas
PRIMERA de tipoCUESTIONES
linealmente.
PARTE: I, es decir la probabilidad de rechazar H0, siendo cierta y por  la
probabilidad del error de tipo II, es decir, la probabilidad de aceptar H0, siendo falsa, entonces
, si H 0 cierta
 
del contraste es la función P = 
Respuesta.-
la potencia
1  , si H 0 falsa
error cuadrático medio (ECM) de un estimador ̂ de un parámetro  es E ˆ   .
2
Respuesta.-
El
Si XELCHE.
UNED. esserá
unamejor
variable aleatoria
menor con ECM. y http://www.innova.uned.es/webpages/Ilde/Web/index.htm
media desviación típica , se llama variable
          
Un estimador cuanto sea su
Respuesta.-X  
TUTORÍA DE ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.)2 imozas@elx.uned.es
E ˆdice  E ˆ  que
E ˆ hemos
 E ˆaplicado
2 2
Si se
tipificada a Ydesarrolla,
= . Se   entonces   =a Var( ̂ ) + Sesgo
la variable ̂ ), luego
X un2(cambio de
Supongamos dos muestrasJUNIO de dos poblaciones
2017- 2ª ySEMANAindependientes con distribuciones F(x) y
tendrá
F(y). Elmenor ECM
contraste aquel estimador cuya varianza cuyo sesgo sean menores.
origen y de escala dedeformala mediana
que E(Y) nos
= 0llevará
y DT(Y) a aceptar
=1 que las distribuciones son iguales
siemprePRIMERA
y cuando las medianas sean iguales. Es
PARTE: CUESTIONES TEÓRICO-CONCEPTUALES básicamente un contraste de igualdad de las
medianas de dos poblaciones independientes.
Respuesta.-
Respuesta.-
PROBLEMAS
Sea X
Sea , una
  elvariable
El coeficiente intervalo
de
aleatoria cuya distribución
variacióndedeconfianza
Pearson CV para  depende de alunnivel
una medida de
= unesparámetro
parámetro
de que
dispersión
. Sea
confianza
puede
P  de = 1  . (si X es discreta) o de densidad (si X es continua)

{X1, X2, ..., Xn} una muestra aleatoria simple y representemos por
100(1)%,
L(x es)decir  probabilidad
1, x2, ...,x
utilizarse para n, comparar
la función la dispersión
de la Supongamos
muestra, a laahora que que se deseade
llamaremos
dos distribuciones
efectuar
función eldecontraste de probabilidad. Si X e Y son dos
bilateral:
verosimilitud El método de la máxima
variables
verosimilitudaleatorias Hy0: en
consiste
X=   Y
 0elegir
, diremos
como que de  de
la dispersión
estimador el Xvalor
es menor* queque maximiza
la de Y.
H : 
 
X 0 Y
L(x1, x2, ...,xn, ) y al que denominaremos estimador de máxima verosimilitud del parámetro .
1
con un También nos puede indicar
nivel de significación . Entonces región dees
si lalamedia suficientemente
aceptación representativa
es el intervalo de la
de confianza.
bien a la población.
Solución.-
Respuesta.-
La variable X =” nº de prendas defectuosas de la muestra” se distribuye como una
Respuesta.-
binomialEn un
B(30;
Supongamoscontraste,
0,01),una sevariable
Luego: llama nivel de significación
aleatoria para la que el tamaño  de que
se supone la región crítica o de
su distribución,
rechazo, es decir,
Respuesta.-
desconocida, el valor máximo de P(rechazar H /H es cierta)
se ajusta a un determinado modelo. 0Un0 contraste de bondad de ajuste permite
decidir, partiendo variable
Dada una de una muestra,aleatoriasien una determinada
la variable población,
se distribuye o no deparámetro
acuerdo con es elcualquier
modelo
constante poblacional
especificado.
Respuesta.- referida a la variable aleatoria, como por ejemplo cualquier momento.
–1/3– Septiembre 2015.
Seleccionado
Supongamos
El planteamiento ahora
dos un tamaño
muestras
general muestral
de dos
sería: n y siendo
poblaciones (X1, X2, ...,con
independientes Xn) distribuciones
la variable muestral,
F(x) y
se denomina
F(y). El Laestadístico
H0:contraste
muestra laa mediana
de aleatoriacualquier función
nos
procede depoblación
llevará
de una las variables
a aceptar Xfunción
que
con 1,las
X2,distribuciones
...,
deXdistribución
n, como por ejemplo
sonF(x)iguales
la media
siempre H1ymuestral.
cuando
: La Es por
las
muestra tanto una
medianas
aleatoria no variable
sean
procede dealeatoria.
iguales. Es básicamente
una población con unfunción
contraste de igualdad F(x)
de distribución de las
4
Respuesta.-
PROBLEMAS
Los factores son el coeficiente de confianza 1   y la amplitud del intervalo. Para un
coeficiente de confianza fijo, cuanto menor –1/3–
sea la amplitud del intervalo, másJunio
precisa será
2016. 2ª la
semana
estimación, o bien para una misma amplitud del intervalo, cuanto mayor sea el coeficiente de
SEPTIEMBRE 2017
Respuesta.-
Sea (X,Y) una variable aleatoria bidimensional tal que Var(X) y Var(Y) existen y son
Cov (X, Y)
distintas de cero. Se define el coeficiente de correlación:  XY  .Su valor
Var (X)·Var (Y)
está comprendido entre 1 y +1 y tiene sentido su cálculo cuando se desea medir la fuerza de
la relación lineal entre las variables aleatorias
Respuesta.-
Un estimador ̂ de un parámetro  es insesgado si E( ̂ ) = .
Respuesta.-
Sea ,   el intervalo de confianza para un parámetro  al nivel de confianza
100(1)%, es decir P      = 1  .
Supongamos ahora que se desea efectuar el contraste bilateral:
H0:  = 0
H1:   0
con un nivel de significación . Entonces la región de aceptación es el intervalo de confianza.
Respuesta.-
Las rachas se utilizan para contrastar la aleatoriedad de una muestra y ello porque el
número de rachas de la muestra puede usarse como estadístico para el análisis de la
aleatoriedad (por ejemplo, un número pequeño o un número grande de rachas indicará que
debemos rechazar la hipótesis de que la muestra es aleatoria)
5
Estadística Empresarial Tema 3: Algunos modelos
Preguntas de exámenes de probabilidad de tipo
discreto
Cursos 2011/12 a 2016/17
1
Tema 3:424Algunos modelos de probabilidad de tipo discreto
UNED. ELCHE.
TUTORÍA www.innova.uned.es/webpages/Ilde/Web/index.htm
DE ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.) imozas@elx.uned.es
PROBLEMAS
7
Respuesta.-
La tipificación convierte aJUNIO 2012- aleatoria
la variable 2ª SEMANA en otra de media cero y desviación
Respuesta.-
La Cov(X,
Dada Y) = E[(XE(X))(YE(Y))]
una variable podría considerarse
aleatoria en una determinada población, como una medida
parámetro de la
es cualquier
fuerza Solución.-
depoblacional
constante la relaciónreferida
lineal aentre X e Y.
la variable También
aleatoria, comoel por
coeficiente
ejemplo cualquier de correlación lineal
momento.
Cov ( X
Seleccionado, Y ) ahora un tamaño muestral n y siendo (X , X , ..., X ) la variable muestral,
  El número X de seguros decovarianza
. Pero la tipo A vendidos
es unaesmagnitud
binomial
1 B(15;
cuya 2 0,3).
unidad n Se tendrá:
es el producto de las
seXYdenomina
a)Var estadístico
P(X=7) = 0,0811
(X)·Var (Y) a cualquier función de las variables X 1 , X 2 , ..., Xn, como por ejemplo
la media P(Xque
≤ 5)
se=expresan
b) muestral.
unidades en
Es0,7216
por tanto una variable aleatoria.
X e Y, mientras que el coeficiente de correlación lineal carece de
unidades y permite P[X  4] la0,5155
comparar
c) P[X≤4/X≤6] =  fuerza  0,de
5933la relación lineal de dos poblaciones
bidimensionales, cosa queP[no X 6] 0,la
permite 8686
covarianza.
Respuesta.-
Si (X1, X2, ..., Xn) es una muestra aleatoria simple de tamaño n, usaremos el estadístico
X 
Respuesta.-
n que
Una se distribuye
variable como
aleatoria una t-Student
X sigue con n–1 grados
una distribución de libertad.
uniforme en un intervalo [a, b], si la
S
probabilidad de que X pertenezca a un subintervalo de longitud d es proporcional a d.
1
Si es discreta, su función de probabilidad es P(Xi) = , i = 1, 2, 3, ...n y cero en el
Respuesta.- n
resto. Es un contraste de localización de la mediana. Las hipótesis son:
H0: Me = m
 1
H1: Me  m  , axb

Solución.- PROBLEMAS 0, resto
El contraste es:
H0: Me ≤150
Respuesta.- H1: Me > 150
Si el tamaño de la muestra permanece fijo, entonces si disminuye la probabilidad  1de
Para un nivel de significación del 5% encontramos en la tabla de la binomial B 10, 
error de tipo I, aumenta la probabilidad de error de tipo II.  2
que P(XSi >el 7)
tamaño
= 1 –de0,9453
la muestra aumenta,
= 0,0547. entonces,
Puesto que elpara un nivel
número de significación
de precios  fijo,que
de la muestra la
Solución.-
superan 150 es de 6, no podemos rechazar la hipótesis nula y, en conclusión, no podemos
afirmara)que
SealaXvivienda
el númeroseademás
impagos
cara decuatrimestrales,
lo que se cree. que seguirá una distribución de Poisson
de media 2. Luego P(X = 0) = (tablas) = 0,1353.
b) Sea Y el número de impagos anuales. P(Y > 9) = 1 – P(Y ≤ 9) = (tablas) =
Respuesta.-
= 1 – 0,7166 =0,2834
todas las distribuciones son iguales y la hipótesis alternativa que, al menos dos, son diferentes.
2 –2/2–
Junio 2012. 1ª semana
–1/2– Junio 2013. 2ª semana
=
 f (x)dx
a
y F(x) =
 f (t)dt

Respuesta.-
54
Una variable aleatoria X de Poisson de parámetro  es una variable aleatoria discreta
x
UNED.
que toma valores {0, 1, 2, 3, 4, .....} y tal que P(X  x )www.innova.uned.es/webpages/Ilde/Web/index.htm
losELCHE.  e  mientras que una variable
TUTORÍA DE ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.) x! imozas@elx.uned.es
aleatoria X Binomial de parámetros (n,p) es una variable aleatoria discreta que toma los
n x
valores {1, 2, 3, ..., n} y tal que P(X  x )   p (1  p) n  x
PRIMERA PARTE: CUESTIONES  xTEÓRICO-CONCEPTUALES

Respuesta.-
dos estimadores insesgados ̂1 y ̂ 2 del parámetro , se define la eficiencia
Respuesta.-
Dados
Si X es binomial B(n, p) con n > 30
relativa de ̂1 a ̂ 2 como el cociente
Var  
ˆ 1
y p ≤ 0,1, podemos considerar que X se distribuye
cocientees
 
aproximadamente como una variable de Poisson . Sideeste
parámetro = menor,
np. igual o mayor que 1,
Esto significa que si aumentamos Var ˆ

indefinidamente un número n de pruebas de Bernoulli
55 2
diremos que ̂1 es menos, igual o más eficiente que ̂ 2 , respectivamente.

independientes, con probabilidad de éxito p, de forma que  = np permanece constante, se
 n  x EMPRESARIAL   65022076) (2º GRADO A.D.E.)
x
verificaTUTORÍA  p 1  p   (Código:

DE ESTADÍSTICA n x imozas@elx.uned.es
que lim e
n  x
  x!
PROBLEMAS
Respuesta.-
Es un contraste de localización para la mediana de una población supuestamente
Respuesta.-
simétrica, que tiene en cuenta el signo y la magnitud de las diferencias.
A la desviación típica de la media muestral X se le llama error estándar de la media. Su
 PROBLEMAS
valor es .
n
Respuesta.-
Sí. Si se conoce la distribución de la población, puede usarse el método pivotal o el
Solución.-
método general de Neyman. Si no se conoce–1/2–
Septiembre 2014. Reserva
la distribución puede utilizarse en
 muchos 0,3casos

a) El número
la desigualdad de envíos perdidos se distribuye como una binomial B10000 ,
de Chebychev.  y
 5000 
puesto que n > 30 y p < 0,1 podemos aproximar por una Poisson de
0,3 0,6 0 0,6
 = 10000 · = 0,6. Luego la probabilidad de que no haya ningún envío perdido es e
5000
Respuesta.- 0!
 0,5488
Para verificar si una muestra aleatoria procede de una población con una cierta
,6 0 0, 6 0,61 Si0es
distribución de0probabilidad. 0,6 2y {S
así, i}, i=1, 2..k es una partición del dominio de la
b) Será e  e ,k6  e 0,26  0,9769
O2i ! E i  se distribuye según una distribución 2 con k1
0! 1!
variable aleatoria, eln estadístico
 4999 ,7  i 1
 Ei
c)   = 0,4066. Tomando logaritmos y despejando se obtiene n  14998
grados de libertad,
5000  donde Oi y Ei son el número de valores observados y esperados,
respectivamente, en0,3el subconjunto Si.
d) 14998 ·  0,9
5000

medianas de es
Si X dosuna
poblaciones aleatoria con media  y desviación típica , se llama variable
variable independientes.
X 
tipificada aY=
PROBLEMAS . Se dice entonces que hemos aplicado a la variable X un cambio de

origen y de escala de forma que E(Y) = 0 y DT(Y) = 1
Respuesta.-
Sea X una variable aleatoria cuya distribución depende de un parámetro . Sea
L(x1, x2, ...,xn, ) la función de probabilidad (si X es discreta) o de densidad (si X es continua)
65
de la Solución.-
muestra, a la que llamaremos función de verosimilitud El método de la máxima
UNED.
verosimilitud ELCHE.  el valor * que maximiza
consiste en elegir como estimador de www.innova.uned.es/webpages/Ilde/Web/index.htm
binomial B(30; 0,01), Luego:
 30 
a) P(X = 0) =  0,010 ·0,99 30  0,7397
0 –1/3– Septiembre 2015.
Respuesta.-  30   30   30 
b) P(X
En > 3) = 1 se
un contraste, P(X = 1 de
≤ 3)nivel
llama  significación
0,010 ·0,99 30el
 tamaño
0,01
1
·0de 29
,99la  0,crítica
región 012 ·0,99o28de
 0 
rechazo, es decir, el valor máximo de P(rechazar H0/H0 es cierta)  1   2 
 30 
  0,013 ·0,99 27 = (calculadora)  0,000223.
 3 Respuesta.-
c) X es ahora dos
Supongamos binomial
muestrasB(100; 0,01)
de dos que es aproximadamente
poblaciones independientesde conPoisson P(1), luego:
distribuciones F(x) y
P(X <El
F(y). 4) = P (X ≤ 3)de= la
contraste  0.981
mediana
(tablas) nos llevará a aceptar que las distribuciones son iguales
siempred)yEn cuando las medianas
los apartados a) y sean iguales.
b) hemos Es básicamente
utilizado directamente un contraste
la binomial de igualdad
por que de no las
se
medianas de dos poblaciones
puede aproximar independientes.
por una de Poisson ni por una normal, ya que ni n > 30 ni np > 5; nq es > 5
pero p no es > ½. En el apartado c) ya se ha podido aproximar por una de Poisson pues n > 30
y p < 0,1.
PROBLEMAS
Solución.- –1/2– Septiembre 2016.
Plantearemos el contraste:
H0:  = 15
H1:   15
Podemos considerar que n = 20 es suficientemente grande de forma que, bajo la
  
hipótesis nula, la media muestral X es aproximadamente normal N15,  . Puesto que
 20 
desconocemos  (desviación típica poblacional), tomaremos como una estimación la
desviación típica de la muestra, de forma que supondremos que X es aproximadamente
 6 
normal N15,   N(15; 1,34).
 20 
a) El intervalo del 95% de confianza4 para la N(0,1) centrado en el origen es (tablas)
17  15
[1,96; 1,96]. Como  1,49 pertenece a dicho intervalo, podemos afirmar, con el 95%
1,34
de confianza, que los desarrolladores están en lo cierto.
Solución.-
a) El número M de intentos de robo mensuales es una variable aleatoria de Poisson con

 = 2. Obtenemos de las tablas que P[M =0] = 0,1353.
b) El número T de intentos de robo por trimestre será una variable de Poisson con  = 6,
luego P[T > 7] = 1  P[T ≤ 6] = (tablas) = 1  0,6063 = 0,3937.
c) El número B de intentos de robo en 2 años será una variable de Poisson con  = 48,
 
que es aproximadamente normal N 48, 48  N(48; 6,9282), luego P[B < 20] =
 20  48 
=(tipificando) = P  Z   P[Z < 4,04]  0
 6,9282 
d) El número de intentos de robo ocurren de manera independiente, a lo largo de un
periodo de tiempo, de ahí que se trate de una distribución de Poisson.
En el apartado c, al ser  > 10, hemos aproximado la variable de Poisson por una
normal.
Solución.-
El tamaño muestral para estimar la media  de una población normal con  conocida es
2 
2
n = 4z  2 ,
2 L
De las tablas obtenemos que P[1,96 < Z < 1,96] = 0,95, luego z   1,96 . Además
2
 = 100 y L = 2·50 = 100

Sustituyendo se obtiene que n = 15,3664, por lo que tomaremos n = 16.
5
Estadística Empresarial Tema 4: Algunos modelos
Preguntas de exámenes de probabilidad de tipo
continuo
Cursos 2011/12 a 2016/17
1
Respuesta.-
Puede utilizarse para calcular los momentos de la distribución de una variable aleatoria
7
d r g X (t) 

dt r  t 0
de acuerdo
Tema 4: Algunos con la fórmula = . También puedecontinuo
utilizarse para hallar la
UNED. ELCHE. modelos de probabilidad de www.innova.uned.es/webpages/Ilde/Web/index.htm
tipo
r
distribución de una función de variables aleatorias: por ejemplo, se puede demostrar mediante
la función generatriz de momentos JUNIO que2012-si X2ª 1 ySEMANA
X2 son binomiales B(n1, p) y B(n2, p)
respectivamente, su suma X1+X2 es binomial B(n1+n2, p).
Respuesta.-
Respuesta.-
El teorema de Moivre establece que si X es una variable aleatoria binomial B(n, p),
La Cov(X, Y) = E[(XE(X))(YE(Y))] podría considerarse como una medida de la
X  np
entonces
fuerza dela lavariable
relaciónaleatoria
lineal entre X e es Y.asintóticamente normal N(0,
También el coeficiente de 1), es decir, cuanto
correlación lineal
Cov(X, Y) np (1  p )
 XY  . Pero la covarianza Xesuna
np magnitud cuya unidad es el producto de las
Varn,(X
mayor sea )·Var
más se (aproxima
Y) la variable a una normal N(0, 1). Suele considerarse
unidades en que se expresan X e Y, mientrasnpque (1 el
p)coeficiente de correlación lineal carece de
unidades y permite comparar la 1 fuerza de la relación 1lineal de dos poblaciones
buena aproximación si np > 5 y p ≤ o bien si n(1–p) > 5 y p >
bidimensionales, cosa que no permite 2 la covarianza. 2
Respuesta.-
Un estimador ̂ n de un parámetro , obtenido de una muestra de tamaño n, es
 
Respuesta.-
Una en
consistente variable aleatoria
probabilidad si 
X sigue
> 0, seuna distribución
cumple P ˆ n   en un
que lim uniforme  1 .intervalo [a, b], si la
 
n 
probabilidad de que X pertenezca a un subintervalo de longitud d es proporcional a2 d.
También se dice que ̂ n es consistente en media cuadrática 1 si lim E ˆ n    0 .
n 
8 En ambos casos significa que, a mayor tamaño de lan muestra, más se asemeja el
resto.
estimador (en probabilidad o en media cuadrática) al parámetro.
TUTORÍA DE ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º GRADOA.D.E.)
1
 , axb imozas@elx.uned.es
Respuesta.-
Se utiliza para contrastar si dos poblaciones diferentes
PROBLEMAS
0, resto X e Y con funciones de
distribución F(x) y F(y), de las que se han obtenido sendas muestras aleatorias independientes,
tienen la misma distribución, es decir, F(z) = G(z) .
Respuesta.-
Si el tamaño de la muestra permanece fijo, entonces si disminuye la probabilidad de
error de tipo I, aumenta la probabilidad de error de tipo II.
Solución.-
1.- Sea
Respuesta.-Xi la variable aleatoria “nº de turismos matriculados el día i-ésimo”,
i = 1, 2,
Es…,un 250. Podemos
contraste considerar que
de comparación las variables
de más Xi son independientes.
de dos poblaciones. La hipótesisLuego,
nula es porqueel
250
X =–1/2–alternativa 
todas las central
distribuciones son iguales y la hipótesis que, al menos Junio 2012. 1ª
dos, son diferentes.semana
teorema del límite, la variable X se distribuye aproximadamente
i normal
i 1
 
N 250·2190 , 250·90000  N(547500, 4743,4).
365
2.- La variable Y = X
i 1
i se distribuye aproximadamente normal
 
N 365·2190 , 365·90000  N(799350; 5731,49), luego P(Y ≤ 800000) = (tipificando) =
 650 
= P Z    P(Z ≤ 0,1134) = (tablas) = 0,5451.
 5731,49 
2
PROBLEMAS
Solución.-
 X  7,3 5  7,3 
a) P[X < 5] = P   = P[Z < – 1,53] = (tablas) = 0,0630, que
 1,5 1,5 
corresponde a un porcentaje del 6,3 %.
 X  7,3 x  7,3  x  7,3
b) 0,1 = P[X < x]= P    . De las tablas se obtiene que  1,28 ,
20
 1,5 1,5  1,5
de donde x = 5,28.
c) Obviamente, el 50% ya que la distribución es normal
y por tanto simétrica respecto
imozas@elx.uned.es
de la media.
PROBLEMAS
Solución.-
El número X de asistentes diarios al museo se distribuye según una Poison de  = 120

que podemos aproximar por una normal N 120, 120 , luego: 
Solución.-  100  120 
a) P(X < 100)  P Z    P(Z < –1,83) = (tablas) = 0,0336. Luego el
El contraste solicitado
 sería: 120 
0: 
porcentaje pedido esHdel = 59800
3,36%.
H1:   59800 150  120 200  120 
b) P(150 < X 200)  P
X <59800 Z  P(2,74 < Z < 7,3) = (tablas) =
La variable 20 se 120
distribuye como120 
una t-Student con 19 grados de libertad.
= 1 – 0,9969 = 0,0031.20030
Para un nivel de significación del 5%, el intervalo de aceptación sería 30
c) Si Xi es el número de asistentes el día i-ésimo, entonces Y =  X i se distribuye
i 1
X  59800
–2,093 < 20 < 2,093 ↔ 50426 < X < 69174  4000  3600 
como una Poisson de  = 120·30 20030 = 3600, luego: P(Y ≥ 4000) = P  Z   

Puesto que la media muestral obtenida se encuentra dentro de este intervalo, no
3600 
 P(Z ≥ 6,67)
podemos = 0. al nivel de significación pedido, que las ventas medias sean mayores o
admitir,
Se ha considerado que eldel
menores que las ventas medias número
sector.de asistentes diarios al museo se distribuye según una
distribución de Poisson ya que se trata de un número de sucesos que ocurre de forma
independiente durante un intervalo de tiempo. Puesto que  > 10, para los cálculos se ha
aproximado por una normal.
Podría haberse efectuado una corrección –2/2– por continuidad pero losSeptiembre 2012 Reserva
resultados son
prácticamente los mismos.
3
H1: Me  m
PROBLEMAS
Solución.-
a) Sea X el número de impagos cuatrimestrales, que seguirá una distribución de Poisson
29
UNED.
b) SeaELCHE. 9) = 1 – P(Y ≤ 9) = (tablas) =
Y el número de impagos anuales. P(Y > www.innova.uned.es/webpages/Ilde/Web/index.htm
= 1 – 0,7166 =0,2834 imozas@elx.uned.es
PROBLEMAS
Solución.-
El número X de personas que compran un día cualquiera, será una variable binomial

B(300; 0,3) que se distribuye aproximadamente normal N 300·0,3, 300·0,3·0,7  N 90, 63 .   
Así pues:
100  90 
a) P(X > 100) = P Z    P(Z>1,26) = 1 – 0,8962 = 0,1038
 63 
 50  90 
b) P(X <50) = P Z    P(Z < −5,04) = 0
 63 
 50  90 150  90 
c) P(50 < X < 150) = P Z   P(−5,04 < Z < 7,56) = 1
 63 63 
Solución.-
Sea  la venta media de nuestra compañía. Efectuaremos el contraste:
H0:  = 90000
H1:   90000
X  90000
La variable 50 se distribuye como una t-Student con 49 grados de libertad.
15000
Para un nivel de significación del 5%, el intervalo de aceptación de H0 sería
4
X  90000
–2,009 < 50 < 2,009 ↔ 85737< X < 94263
15000
Puesto que la media muestral obtenida no se encuentra dentro de este intervalo,
debemos rechazar la hipótesis nula, es decir, hemos de admitir que las ventas medias de
PROBLEMAS
Solución.-
a) La variable X = “número de impagos en 300 préstamos” es binomial B(300; 0,094) 
 
 N 300·0,094; 300·0,094·0,906  N(28,2; 5,055). Luego:
P(X = 20) = (corrección por continuidad) = P(19,5 ≤ X ≤ 20,5) = (tipificando) =
 19,5  28,2 20,5  28,2 
= P Z  = P(1,72 ≤ Z ≤ 1,52) = (tablas) = 0,0216
 5,055 5,055 
37 b) La variable X = “número de impagos en 60 préstamos” será binomial B(60; 0,094),
luego P(X = 0) = 0,90660  0,0027.
c) En el
TUTORÍA DE apartado
ESTADÍSTICA a) se ha aproximado
EMPRESARIAL la binomial
(Código: 65022076) por la normal porque np imozas@elx.uned.es
(2º GRADO A.D.E.) = 28,2 > 5 y
p = 0,094 < ½.
PROBLEMAS
Solución.-
   
a) Tales intervalos tienen la forma: x  z  / 2
Solución.- , x  z / 2  . Entonces:
 n n

300
-1.- Para  la= venta

Si Xi es 0,1, dedecoches
las entablas = 1,65 la, venta
un díazi, / 2entonces, luegoanual 
el Xintervalo es
X i se
 800 800  i 1
1800  1,65
distribuirá, , 1800  1,65 = [1706,66; 1893,34]
de acuerdo con el  teorema central del límite, aproximadamente normal

 200
 
200 

N 300·3200 , 300·490000  N 960000 ,7000 3  N(960000;12124,36)
- Para  = 0,05, de las tablas z  / 2 = 1,96 , luego el intervalo es
 800 800    60000  10000 
1800 2.-
1,96P(900000
, 1800
< X 1<,96950000) == [1689,13
P ; 1910,87]
Z   P(–4,95 < Z < –0,82)
 200 200 
 12124 ,36 12124 ,36 
800
 0,2061
b) –Debe
0 = 0,2061.
ser 1,65· = 300, de donde n = 19,36  19.
n
3.- En las tablas de la normal N(0,1) encontramos que 0,98 = P(Z < 2,06), luego si x es
x  960000
el número de vehículos que buscamos se tendrá que  2,06 de donde se obtiene
–2/2– 12124 ,36 Septiembre 2013. Reserva
que x  984976
5
Respuesta.- JUNIO 2014- 2ª SEMANA
PRIMERA PARTE:
Porque deseamos CUESTIONES
construir TEÓRICO-CONCEPTUALES
un intervalo con una alta probabilidad (coeficiente de
confianza) de encontrar en él el parámetro desconocido.
Respuesta.-
Respuesta.-
Distribución
En un contraste ji-cuadrado de Pearson
de hipótesis con cierta
y supuesta n grados de libertad:
la hipótesis nula H0, se denomina p-valor
45

n
a la probabilidad
ELCHE. deXobtener un valor del estadístico de prueba que ysea al menos tan improbable
n 
2 2
i , donde las variables Xi son independientes normales N(0,1)
como elUNED.
valor experimental observado. www.innova.uned.es/webpages/Ilde/Web/index.htm
i 1 imozas@elx.uned.es
Distribución t de Student con n grados de libertad:
U
Respuesta.- SEPTIEMBRE 2014
t 
PRIMERA , donde
PARTE: U y V son variables
CUESTIONES independientes, U normal N(0,1) y V  2n
Se n pretende contrastar el valor de alguna medida de posición (un cuantil como por
V cómo sería la covarianza en los siguientes
ejemplo1.-laExplicar
mediana)
n para localizar estadísticamente casos:
la distribución.
PROBLEMAS
Respuesta.-
Porque deseamos construir un intervalo con una alta probabilidad (coeficiente de
Respuesta.-
En un contraste de hipótesis y supuesta cierta la hipótesis nula H0, se denomina p-valor
a la probabilidad
Solución.-de obtener un valor del estadístico de prueba que sea al menos tan improbable
como elLavalor
variable X = “observado.
experimental número de clientes que compra el producto” se distribuye
 
aproximadamente normal N 2000·0,15; 2000·0,15·0,85  N(300 ;15,97). Luego:
Respuesta.-
a) P(X ≥ 450) = (tipificando) = P(Z ≥ 9,4)  0.
Respuesta.-
Se pretende
A) P(200
b) Existe Xcontrastar
<una el valor
< dependencia linealdeentre
400) = (tipificando) =algunalas medida
P(–6,26 < X < de
variables6,26)  1 que
deposición
forma (un cuando
cuantil xcomo crece,por y
ejemplo
42 c)la mediana)
E(X) = 300 para localizar
crece, luego la covarianza es positiva estadísticamente la distribución.
d) X se distribuye realmente binomial B(2000; 0,15)depero,
PROBLEMAS
B) Existe al que
ser np > 5 x ycrece,
p < ½y
UNED. ELCHE. una dependencia lineal entre las variables forma cuando
podemos aplicar
TUTORÍA
decrece, el teorema
luegoDElaESTADÍSTICA de Moivre
varianzaEMPRESARIAL y aproximar X por
(Código: 65022076) (2º GRADO A.D.E.)
es negativa una normal, como hemos hecho.
imozas@elx.uned.es
C) No existe dependencia lineal entre –1/2–

las variables, luego la covarianza esJunio
cero.
2014. 2ª semana
Puesto que X es discreta y la hemos aproximado por una continua, podríamos haber hecho una
D) No existe dependencia lineal entre las variables (aunque existe dependencia de 2º
corrección por continuidad, pero el resultado sería prácticamente el mismo.
grado), luego la covarianza es cero.
Respuesta.-
Para muestras aleatorias de tamaño n suficientemente grandes el Teorema central del
límite Solución.-
permite considerar que la media muestral se distribuye aproximadamente de forma
normal.La variable X = “ número de clientes que compra el producto” se distribuye
 
Respuesta.-
UnP(200
b) < X <̂ 400)
estimador de un= parámetro  es= insesgado
(tipificando) P(–6,26 < si
X E(
< 6,26) 1
̂ ) = .
c) E(X) = 300
d) X se distribuye realmente binomial B(2000; 0,15) pero, al ser np > 5 y p < ½
podemos aplicar el teorema de Moivre y aproximar X por una normal, como hemos hecho.
Solución.- –1/2– Junio 2014. 2ª semana
Sea X = “notas de estadística en 2013”. Calculamos la media y la desviación típica:

Notas Marca de clase xi Estudiantes ni xini xi2ni
De 0 a 2 1 43 43 43
De 2 a 4 3 93 279 837
De 4 a 6 5 150 750 3750
De 6 a 8 7 6 109 763 5341
De 8 a 10 9 67 603 5427
462 2438 15398
2
2438 2 15398  2438  Septiembre 2014.
la muestraXnoBinomial
aleatoria es aleatoria.
de parámetros (n,p) es una variable aleatoria discreta que toma los
PROBLEMAS
n
valores {1, 2, 3, ..., n} y tal que P(X  x )   p x (1  p) n  x
x
Respuesta.-
Dados dos estimadores insesgados ̂1 y ̂ 2 del parámetro , se define la eficiencia
Solución.-
relativaSea
de X
̂1 ela gasto anual
̂ 2 como de una familia  
Var ˆ 1 (hogar), que se distribuye normal N(27000, ). Se
tendrá:
el cociente
Var ˆ 2  . Si este cociente es menor, igual o mayor que 1,
̂1 es  12000  27000 

diremos
0,1075 =queP(X< menos,= igual
12000) o más eficiente
(tipificando) = P Zque  ̂ 2 , respectivamente.
 . De las tablas de la N(0,1)
  
 15000
obtenemos que  1,24    12097. Luego:
Respuesta.- 
Es un contraste de localización para la2000 mediana de una población supuestamente
8000
P(25000 < X < 35000) = (tipificando) = P  Z  = P(0,17 < Z < 0,67) =
simétrica, que tiene en cuenta el signo y la magnitud  12097 de las 12097 
diferencias.
= (tablas) = 0,7486  0,4325 = 0,3161
PROBLEMAS
51

Solución.-
–1/2– Septiembre 2014. Reserva
Sea Xi la variable aleatoria “ventas el día i-ésimo”, (i = 1, 2, ...., 90) de la que, por ser
10  15 25
uniforme en el intervalo [10, 15], sabemos que E(Xi) =  y Var(Xi) =
2 2
15  10 2  25 . La variable X = 90 X será, por el teorema central del límite,
=
12 12 i 1
i 
 25 25 
aproximadamente normal N 90 , 90   N(1125 ; 13,69). Luego:
 2 12 
Solución.-P(900 < X < 1250) = (tipificando) = P(16,43 < Z < 9,13)  1
Para la muestra dada, la media muestral es x  611,55 y la varianza muestral

11
1
s2 = x i  x 2  3943,87 de donde s  62,8. Luego:
10 i 1
Solución.-
X 
a) La variable n es tn1 y el intervalo de confianza tiene la forma
S
 S S  7 
X  t  ,X  t  . De las tablas de la t-Student con 59 grados de libertad y = 0,025
 2 n 2 n 2
 4000 4000 
obtenemos que t = 2, luego el intervalo es 15000  ,15000  
PROBLEMAS
Solución.-
 0,3 
a) El número de envíos perdidos se distribuye como una binomial B10000 ,  y
 5000 
puesto que n > 30 y p < 0,1 podemos aproximar por una Poisson de
0,3 0,6 0 0,6
 = 10000 · = 0,6. Luego la probabilidad de que no haya ningún envío perdido es e
5000 0!
 0,5488
0,6 0 0, 6 0,61 0, 6 0,6 2 0, 6
b) Será e  e  e  0,9769
0! 1! 2!
n
 4999 ,7 
c)   = 0,4066. Tomando logaritmos y despejando se obtiene n  14998
 5000 
0,3
d) 14998 ·  0,9
5000
Solución.-
De los datos se obtiene que x 

225 2
= 9; s =

n  x i2
 x

2
 

25  2451 
 81  =
25 
n 1 n 
 24  25 
 
= 17,75 de donde s  4,213.
Si pudiéramos suponer que las tarifas de los taxis se distribuyeran de forma normal
X 
N(, ), entonces 25 se distribuiría según una t de Student con 24 grados de libertad.
S
8
PROBLEMAS
resulta de estandarizar la covarianza dividiéndola por el producto de las desviaciones típicas de
las variables, es, como su nombre indica, un coeficiente y carece de unidades. Aunque ambas
miden la fuerza de la relación lineal de las variables, la covarianza no puede usarse para
comparar la relación lineal de dos distribuciones bidimensionales distintas pues depende de las
Respuesta.-
Consideremos una muestra aleatoria {x1, ..., xn} de tamaño n de una población con
función de distribución F(x). Se define la función de distribución empírica como
N( x )
Fn(x) = , donde N(x) es el número de valores de la muestra, menores o iguales que x.
n
Solución.-
Sea Xi la variable aleatoria “demanda del día i”, i = 1, 2, …, 100 que supondremos
Respuesta.- 100 100
Es la probabilidad
independientes. 
Sea S = de Xrechazar
i . Se la
tiene hipótesis
que E(S) =
nula
probabilidad del error de tipoi 1I, es decir la probabilidad de rechazar
H0.ESi
i 1
X i representamos
= 300000 y por  la
Var(S)
H0, siendo cierta y por  la
=
100

= Var X i  = 810000, de donde S = 810000
, si H 0=cierta
900. Entonces:
la potencia
i 1 del contraste es la función P = 
a) de acuerdo con el teorema central 1  ,del
si H 0 falsa
límite, S se distribuye aproximadamente
normal N(300000, 900);
Respuesta.-   2000 
b) P(S > 298000) = (tipificando) = P Z   = p(Z > –2,22) = (tablas) = 0,9868.
Supongamos dos muestras de dos poblaciones  900independientes
 con distribuciones F(x) y
F(y). El c) contraste
Sea n la de la mediana
producción nos llevará
de refrescos quea seaceptar
busca.que las distribuciones
Deberá ser P[S  n]son iguales
= 0,99 
siempre y cuando las medianas sean iguales. Es básicamente un contraste de igualdad de las
 n  300000  n  300000
P  Z  de dos poblaciones
medianas  = 0,99. Deindependientes.
las tablas se obtiene que  2,33  n = 302097.
 900  900
PROBLEMAS
Solución.-
9
Respuesta imozas@elx.uned.es
Si X1, X2, ..., Xn son n variables aleatorias independientes e idénticamente distribuidas,

 30  S  E (S n )
0) =  ) =0,01
2 ·0,99  0,7397
0 30 n
con69E(X a))=
i
P(X y= Var(X
 
i0 , ambas finitas, y siendo S n = i 1
X i , entonces Yn  n
Var (S n )
 30   30   30 
tiende hacia
TUTORÍA
b) P(Xuna
DE = 1  EMPRESARIAL
distribución
>ESTADÍSTICA
3) P(X N(0,
≤ 3) = 1)
(Código: 65022076)
1alaumentar 0,01(2ºn.·0GRADO
0
  0,01 ·0,99   0imozas@elx.uned.es
,99 A.D.E.)
30 1 29
,012 ·0,99 28 
0 1 2
 30 
  PRIMERA
0,013 ·0,99 27 PARTE:  0,000223.
CUESTIONES
= (calculadora) TEÓRICO-CONCEPTUALES
 3 Respuesta
Sí.XSea
c) X unabinomial
es ahora variable B(100;
aleatoria de una
0,01) que es determinada
aproximadamente población de yPoisson
{X1, XP(1),
2, ...,luego:
Xn} una
muestra
P(X < 4) =deP (X
Respuesta
tamaño
≤ 3) = n.  0.981
Se denomina
(tablas) estimador, a cualquier función de la muestra
f X1 , Xd)
La2 ,...,
En Xlos 
función
n , que será
apartados una variable aleatoria,
de distribución de utilizado
a) y b) hemos una al variable
serlo las Xaleatoria
directamente i. la binomial
X se por defineque no se
igual,
puede aproximar
Efectuada por
independientemente una
unade delaPoisson
realización
que nisea
muestral
variable pordiscreta
una
{x 1, normal,
x2,o..., xya
n}, que
continua: unaF(x)niestimación
n=>P(X
30 ni np >
≤ sería
x). 5;
el nq
Ahora es >del
valor
bien, 5
la
pero p
estimadorno es >
para ½.
esa En el apartado
realización c) ya
muestral:
gráfica de F(x), en el caso de que X sea discreta sef(xha1 ,podido
x 2 , ..., aproximar
x ).
es discontinua
n por una de Poisson pues
a trozos mientras que si X es n > 30
ycontinua,
p < 0,1. la gráfica es continua. Por otra parte, la probabilidad de un valor particular de la
variable es cero, si la variable es continua y puede no serlo si es discontinua.
Respuesta
Un contraste de hipótesis es paramétrico cuando las hipótesis se refieren al valor de un
Respuesta
parámetroSi X1,desconocido
X2, ..., Xn son de nlavariables
poblaciónaleatorias
(como por ejemplo , , e...).
independientes idénticamente distribuidas,
Es no paramétrico cuando las hipótesis se refieren a S  E (S n )
n características no paramétricas
con E(Xdei)=
(forma la distribución, 2 , ambas finitas,
y Var(Xi) =localización, aleatoriedady siendo 
Sn =muestra...)
de una
i 1
X i , entonces Yn  n
Var (S n )
tiende hacia una distribución N(0, 1) al aumentar n.
PROBLEMAS
Respuesta
Sí. Sea X una variable aleatoria de una determinada población y {X1, X2, ..., Xn} una
muestra de tamaño n. Se denomina estimador, a cualquier función de la muestra
f X1 , X 2 ,...,X n  , que será una variable aleatoria, al serlo las Xi.
Solución.- una realización muestral {x1, x2, ..., xn}, una estimación sería el valor del
Efectuada
Plantearemos
estimador el contraste:
para esa realización muestral: f(x1, x2, ..., xn).
H0:  = 15
H1:   15
Respuesta
se15  al valor de un
Unnula,
hipótesis contraste de hipótesis
la media muestrales X
paramétrico cuando las hipótesis
es aproximadamente
–1/3– normal N refieren  . Puesto
, Septiembre que
2015. Reserva.
parámetro  desconocido de la población (como por ejemplo , , ...).  20 
desconocemos  (desviación
Es no paramétrico cuando las hipótesis
típica se refieren
poblacional), a características
tomaremos como unanoestimación
paramétricas la
(forma de latípica
desviación distribución, localización,
de la muestra, aleatoriedad
de forma de una muestra...)
que supondremos que X es aproximadamente
 6 
normal N15,   N(15; 1,34).
PROBLEMAS  20 
a) El intervalo del 95% de confianza para la N(0,1) centrado en el origen es (tablas)
17  15
1,34
de confianza, que los desarrolladores están en lo cierto.
b) P(Z > 1,49) = 0,0681, luego el p-valor será 2·0,0681 = 0,1362. Observamos que
0,1362 > 0,05, es decir, no se rechaza la hipótesis nula.
10
–1/3– Septiembre 2015. Reserva.
Solución.-
a) La variable X = “nº de visitas” es binomial B(100; 0,4) que se comporta
 
aproximadamente como una normal N 40, 24  N(40; 4,899). Luego P(45 < X < 50) =
 5 10 
= (tipificación) = P Z   P(1,02 < Z < 2,02) = (tablas) = 0,1332
 4,899 4,899 
b)

Respuesta.-
En primer lugar, el concepto de función de densidad no existe para variables discretas y
sí para continuas.
En segundo lugar, la probabilidad de que la variable tome un valor puntual, puede no
ser cero, si la variable es discreta, pero es cero si la variable es continua.
Respuesta.-
Cuando dispongamos de una sucesión {Xn} de variables aleatorias independientes e
idénticamente distribuidas, con media  y desviación típica  ambas finitas.
Respuesta.-
Si ̂ es un estimador de un parámetro , se denomina sesgo del estimador al valor de

E ̂  Solución.-
.
Si Sea
a) X el tiempo
el sesgo de entrega
es positivo y  = E(X)
el estimador el tiempoalmedio.
sobreestima El contraste
parámetro sería:
y, en caso contrario, lo
infraestima.
Respuesta.-
11
Se utilizan para contrastar el valor de alguna medida de localización (cuantiles).
Sea una población con una variable aleatoria X, y sea Cp el cuantil de orden p
(0 < p < 1). Los contrastes de localización se pueden formular de cualquiera de las siguientes
formas:
PROBLEMAS
Solución.-
La variable X = “tiempo que invierten los usuarios cada hora en realizar consultas”, se
distribuye normal N(2,5; ).
a) Calculemos en primer lugar . Tenemos que: 0,295 = P[X > 3] =(tipificamos) =
 0,5  0,5
= P Z   . De las tablas obtenemos que debe ser  0,54 de donde   0,9259.
  
 1 
Así pues, P[X > 3,5] = P  Z   P[Z > 1,08] =(tablas) = 0,1401
 0,9259 
b) La variable Y = “nº de usuarios de la muestra que invierten más de 3,5 minutos en
realizar consultas en la web” es binomial B(400; 0,1401), luego es aproximadamente normal
 
N 400·0,1401; 400·0,1401·0,8599 = N(56,04; 6,94). Luego:
 80  56.04 
P(Y > 80)  P  Z   P(Z > 3,4) = 0,0003
 6,94 
Solución.-
a) Si p es la proporción de audiencia del programa, el contraste lo planteamos:
H0: p ≤ 0,2
H1: p > 0,2
12

PROBLEMAS
Respuesta.-
de la muestra, a la que llamaremos función de verosimilitud El método de la máxima
verosimilitud consiste en elegir como estimador de  el valor * que maximiza
Respuesta.-
En un contraste, se llama nivel de significación el tamaño  de la región crítica o de
rechazo, es decir, el valor máximo de P(rechazar H0/H0 es cierta)
Solución.-
   
a) La variable X = X1 +X2 + X3 es normal N 59, 4  9  25  N 59, 38 . Se tiene que
Respuesta.-
Supongamos 
dos muestras 75  59 
P(X > 75) = (tipificando) = P Z de dos poblaciones independientes
  P(Z > 2,60) = (tablas) =con
1 distribuciones F(x) y
0,9953 = 0,0047.

F(y). El contraste de la mediana nos 
38 llevará a aceptar que las distribuciones son iguales
siempreb)yLa
cuando las medianas sean iguales. Es básicamente unnormales
variable Y, suma delas 18 variables independientes contraste de igualdad
N(26, de las
3) será normal
   
medianas de dos poblaciones independientes.   18 32 
N 18·26, 18·9  N 468,9 2 , luego P[450 < Y < 500] = P  Z 
9 2 9 2 
 P[1,41 < Z < 2,51] = (tablas) = 0,9940  0,0793 = 0,9147
PROBLEMAS
Solución.-
X 
a) La variable n se distribuye como una t-Student con n1 grados de libertad.
S
 S S 
El intervalo de confianza tendrá la forma  X  t  , X  t .
 2 n 2 n
13
Solución.-
Respuesta.-

El coeficiente
a) El número M dede variación
intentosde dePearson CV = esesuna
robo mensuales unavariable
medida aleatoria
de dispersión que puede
de Poisson con

utilizarse para comparar la dispersión de dos distribuciones de probabilidad. Si X e Y son dos
b) El número T de intentos de robo por trimestre será una variable de Poisson con  = 6,
 
variables > 7] = 1 y P[TX ≤ 6]Y=, (tablas)
luego P[T aleatorias diremos= que1  0,6063 = 0,3937.
la dispersión de X es menor que la de Y.

c) El número B deXintentos  Y de robo en 2 años será una variable de Poisson con  = 48,
que es aproximadamente normal siN la
También nos puede indicar 
48,media 
48  es suficientemente
N(48; 6,9282), luego
representativa
P[B < 20] de la =
 20  48 
bien = P Z 
a la población.
=(tipificando)  P[Z < 4,04]  0
 6,9282 
d) El número de intentos de robo ocurren de manera independiente, a lo largo de un
periodoRespuesta.-
de tiempo, de ahí que se trate de una distribución de Poisson.
Dada
En una
el DE
TUTORÍA variable
apartado ser  (Código:
alaleatoria
c, EMPRESARIAL
ESTADÍSTICA > en
10,una
hemosdeterminada
65022076) (2º GRADO población,
aproximado la variable
A.D.E.) parámetro
de Poisson es cualquier
por una
imozas@elx.uned.es
constante
normal. poblacional referida a la variable aleatoria, como por ejemplo cualquier momento.
PRO BLEMAS
Seleccionado ahora un tamaño muestral n y siendo (X1, X2, ..., Xn) la variable muestral,
1.- Losestadístico
se denomina ingresos medios de lasfunción
a cualquier familiasdeporlas hogar
variablesen elX1año, X22014
, ..., Xfueron de 26.092 € al
n, como por ejemplo
año. Suponiendo normalidad y sabiendo
la media muestral. Es por tanto una variable aleatoria. que el porcentaje de hogares que tienen un ingreso
medio inferior a 13.340 euros es del 15,15%. Calcular cual es el porcentaje de hogares que
tienen un gasto entre 23.000 y 31.500 € anuales.
Solución.-
Sea la variable X = “ingresos de las familias por hogar en 2014”. Calculemos .
Respuesta.-
Los factores 1   y la= amplitud  13340  26092 
Sabemos queson el coeficiente
0,1515 de confianza
= P[X < 13340] = (tipificando) P Z  del intervalo. .Para un
En las
coeficiente de confianza fijo, cuanto menor sea la amplitud del intervalo,
Solución.-  más precisa  será la
media  deuna
estimación, o bien para una misma amplitud 13340 del intervalo, cuanto mayor sea el coeficiente de
tablas El la
de tamaño muestral
N(0,1)seráencontramospara estimar
que debela ser 26092
población
= 1,03, normal
de dondecon  seconocida
obtiene que es
confianza mayor la precisión. 2
2 
 = 12380,58. n = 4 z  2
,
2 L
Respuesta.- ≤ P[1,96
Luego
De las tablas
Cuando
P[23000
se trateobtenemos
de contrastarque X
si la muestra< ≤Zprocede
< 1,96] 31500]
de= una
0,95, =
luego
población z(tipificando)
  1,96
normal de. laAdemás
que se
=
 23000  26092 31500  26092  2
desconocen
 = P100
= L la
 y12380 media= y100 laZvarianza.
  P[0,25 ≤ Z ≤ 0,44] = (tablas) =

= 2·50
,58 12380,58 
Sustituyendo se obtiene que n = 15,3664, por lo que tomaremos n = 16.
= 0,67  0,4013 = 0,2687. luego el porcentaje es el 26,87%.
PROBLEMAS
2.- Unos inversores quieren comprar una web de contenidos cuyos dueños aseguran que
reciben al menos unas 10.000 visitas diarias. El analista externo contratado por los inversores
no está de acuerdo con dicho dato y por ello realiza un estudio, del cual y con una muestra
tornada durante 20 días se obtiene un resultado de 8.600 visitas medias diarias con una
varianza de 1.440.000. Con esta información y suponiendo un comportamiento normal de la
variable estudiada, los inversores buscan:
a) Contrastar a un nivel de significación del 0,05 el valor de las visitas medias diarias.
b) Y obtener el p-valor.
Solución.-
Sea X el número de visitas diarias. Como desconocemos , utilizaremos el estadístico
X  –1/3– Junio 2017. 2ª semana
n que es t-Student con n1 grados de libertad.
s
a) El contraste sería:
H0:  ≥ 10000
H1:  < 10000 –2/2– Septiembre 2016.
En la tabla de la t-Student con 19 grados de libertad encontramos que 0,05 =

8600  10000
= P[t19 < 1,729]. El estadístico de prueba 20  5,22 < 1,729, luego
14 1440000
debemos rechazar la hipótesis nula.
b) p-valor = PX  8600   Pt19  5,22  0
UNED. ELCHE. http://www.innova.uned.es/webpages/Ilde/Web/index.htm
Solución.-
El número de intervenciones diarias ocurre de manera independiente y aleatoria durante
un intervalo de tiempo (de un día). Por tanto la variable X = “número de intervenciones
diarias” cumple las características de una distribución de Poisson de parámetro 6. Luego:
a) P[X < 3] = P[X ≤2] = (tablas) = 0,0620
b) El hecho de que en un día se produzca alguna intervención es el suceso contrario de
que no se produzca ninguna, es decir, 1  P[X = 0] = (tablas) = 1  0,0025 = 0,9975
30
c) Sea Xi el número de intervenciones el día i-ésimo y sea S30 = X
i 1
i . Se tiene que
E(S30) = 30·6 = 180 y, como las Xi son independientes, Var(S30) = 30·6 = 180. Luego, por el
teorema central del límite, podemos considerar que la variable S30 es aproximadamente normal
 
N 180, 180 . Luego P[150 < S30 < 200] = (tipificamos) = P 
150  180
Z
200  180 
180 

UNED. ELCHE.  180
 P[2,24 < Z < 1,49] = (tablas) = 0,9319  0,0125 = 0,9194
PROBLEMAS
Solución.-
a) Sea X el número de turismos matriculados mensualmente. Se tiene que
 560  570 650  570 
P560  X  650  = (tipificamos) = P Z   P(1,15 < Z < 9,24) 
 75 75 
 1  0,1251 = 0,8749.
b) Sea x el número buscado. Se tendrá que 0,9 = P(X < x) = (tipificamos) =
Solución.-
 x  570   570mensual
y  el ingreso xmedio
 X el volumen
= P ZSea  . En lasdetablas
ingresos mensualesque
encontramos de debe
una empresa
ser aproximadamente = 1,29
 75  X  75
de las empresas del sector. Sabemos que la variable T = n sigue una distribución
 x  581 S
t-Student con n1 grados de libertad. Luego;
 S S 
a) El intervalo toma la forma  X  t  ,X  t  . Para un nivel de confianza del
 2 n 2 n
90% y n1 = 17 grados de libertad, t  = (tablas) = 1,74. Luego el intervalo será:
2
 30000 30000 
185000  1,74 18 ,185000  1,74 18   [172696, 197304]
 
Solución.-
a) Sea  el ingreso medio por filial en el mes de agosto. Planteamos el contraste de la
siguiente forma:
H0:  > 5548
H1:  ≤ 5548 –2/3– Junio 2017. 2ª semana
X  5548
Si X es la media muestral, 21 se distribuye aproximadamente t-Student con
1950
20 grados de libertad. De la tabla de la 15
t-Student con 20 grados de libertad obtenemos que
5520  5548
0,95 = P(t 20 > 1,725). Como 21  2,95 < 1,725, debemos rechazar la
1950
hipótesis nula y admitir que el ingreso medio por filial en el mes de agosto no supera los
Estadística Empresarial Tema 5: Estadísticos
Preguntas de exámenes muestrales y sus
distribuciones
Cursos 2011/12 a 2016/17
1
 p̂  z  , p̂  z  
 2 n 2 n 
Para  = 0,05  z  = 1,96, luego sustituyendo, el intervalo queda:
Tema 5: Estadı́sticos muestrales
2 y sus distribuciones
 0,33·0,67 0,33·0,67 
0,33  1,96 ,0,33  1,96   [0,301; 0.359]
 1000 1000 
28

SEPTIEMBRE 2013
PRIMERA
Solución.- PARTE: CUESTIONES TEÓRICO-CONCEPTUALES
54 X 
Si  es el gasto medio poblacional y X el gasto medio muestral, sabemos que n
UNED. ELCHE. 
Respuesta.-
TUTORÍA DEnormal
se distribuye ESTADÍSTICA EMPRESARIAL
N(0,1). Se (Código:
desea65022076) (2º GRADO
que 0,95 = PA.D.E.)
Consideremos la variable X sobre la que efectuamos un cambio de origen y escala,

X    10  P 10  Ximozas@elx.uned.es
   10  =
 σ 30  JUNIO   10 2015- 1ª SEMANA
10    a obtenemos
=  dividiendo
obteniéndose variable Y = aX
la por  += P n CV
b. Entonces Z X = nX  y. CV DeY las
= Ytablas  X
en dondeque se
 n n  30 30 X  Y aX  b
10
observa que si a>0 y b = 0, CV = CV y, en cualquier otro caso, CVX  CVY.
n = 1,96  n  34,57, porXlo que Ytomaremos n = 35.
30 Conclusión: el coeficiente de variación no se ve afectado por cambios escala (positivos)
64
Respuesta.-
Si es binomial B(n, p) con n > 30 y p ≤ 0,1, podemos
X ELCHE.
UNED.
Respuesta.- considerar que X se distribuye
aproximadamente comodeuna
Es aquella parte la variable
estadísticade cuyo
Poisson de parámetro
objetivo es obtener  =información
np. imozas@elx.uned.es
sobre el valor de
Esto significa
algún parámetro que si aumentamos
poblacional, como por indefinidamente
ejemplo
SEPTIEMBRE 2015un
la media o la número n deo pruebas
varianza, sobre lade Bernoulli
forma de la
independientes,
distribución
PRIMERAde la con probabilidad
variable
PARTE: de como
aleatoria,
CUESTIONES éxito p,pordeejemplo
forma que  = npdepermanece
la función
TEÓRICO-CONCEPTUALES densidad oconstante,
de cuantía. se
Esta determinación  
n se hace a 
partir x
de la información contenida en una muestra aleatoria.
verifica que lim  p x 1  p   e 
n x
Respuesta.-  
n  x x!
Respuesta.-
Respuesta.-
resulta Sea  un parámetro
de estandarizar
A la desviación
la covarianza
típica de la media
 
y ,  unpor
dividiéndola
desconocido
muestral
el producto
intervalo de las desviaciones
de confianza
X se ley llama error
típicas de
al nivel 100(1–)%.
estándar de la media. Su
las variables, es, como su nombre indica, un coeficiente
Supongamos que se desea contrastar la hipótesis: carece de unidades. Aunque ambas
midenesla fuerza
valor .  = 0 lineal de las variables, la covarianza no puede usarse para
de Hla0: relación
1:   0
comparar lan relaciónHlineal de dos distribuciones bidimensionales distintas pues depende de las
con un nivel de significación . Entonces se rechazará H0 si y sólo si   ,   
Respuesta.-
Respuesta.-
Respuesta.-
Consideremos
Es un contraste una muestra aleatoria
de localización {x1, ..., Las
de la mediana. xn} hipótesis
de tamañoson:n de una población con
Sí. Si
función de H se conoce la
distribución distribución de la población, puede
F(x). Se define la función de distribuciónusarse el método pivotalcomo
empírica o el
0: Me = m
método general de Neyman.
N( x ) H : Me  m Si no se conoce –2/2–
la distribución puede utilizarse en Septiembre
muchos 2012
casos
Fn(x)
la =
desigualdad , de
donde N(x) es el número de valores de la muestra, menores o iguales que x.
1 Chebychev.
Paran realizar el contraste tomamos una muestra aleatoria simple (X1, X2, .., Xn) . Si H0
es cierta, el número de signos positivos de las diferencias Xi–m debe ser aproximadamente
n
. es decir, la distribución del número de signos positivos de las deferencias Xi–m se
igual aRespuesta.-
2
Es la probabilidad de rechazar la hipótesis nula H0. Si representamos por  la
Respuesta.-
 1  aleatoria procede de una población con una cierta
Paracomo
distribuirá
probabilidad verificar
del error si tipo
de  ndecir
una I,muestra
una binomial Bes ,  . Con lo que el contraste
la probabilidad puede
de rechazar H0plantearse como:
, siendo cierta y por  la
distribución de probabilidad. Si  es 
2así, y {S
probabilidad del error de tipo II, es decir, la probabilidad
i }, i=1, 2..k es una partición del dominio de la
de aceptar H0, siendo falsa, entonces
1 O i  Ei, si Hdistribuye

k 2
H0: pel= estadístico 0 cierta
variable aleatoria,
la potencia del contraste2 es la función P = 1  se según una distribución 2 con k1
i
i 1
E , si H 0 falsa
1
H 1 : p 
grados de libertad, donde
2
Oi y Ei son el número de valores observados y esperados,
2
respectivamente,
Respuesta.- en el subconjunto S i.
Supongamos dos muestras de dos poblaciones independientes con distribuciones F(x) y
F(y). El contraste de la mediana nos llevará a aceptar que las distribuciones son iguales
Preguntas de exámenes
Tema 6: Estimación puntual
Cursos 2011/12 a 2016/17
1
X  np
entonces
11 la variable aleatoria es asintóticamente normal N(0, 1), es decir, cuanto
np(1  p)
Tema 6: Estimación puntual X  np
mayor sea n, más se aproxima la variable a una normal N(0, 1). Suele imozas@elx.uned.es
considerarse
np(1  p)
SEPTIEMBRE 2012
1 1
buena aproximación si np > 5 y p ≤ o bien si n(1–p) > 5 y p >
PRIMERA PARTE: CUESTIONES 2 TEÓRICO-CONCEPTUALES 2
15
15
Respuesta.-
UNED.
Un ELCHE.
estimador ̂ de un parámetro , obtenido a
Xde
TUTORÍA DE ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º
Y = A.D.E.) una
GRADO A.D.E.) muestra
a y de tamaño n, es
imozas@elx.uned.es
 
Consideremos
TUTORÍA DE ESTADÍSTICA la variable
n
EMPRESARIALaleatoria X y sea
(Código: 65022076) (2º GRADO , donde b son constantes,
imozas@elx.uned.es
consistente en probabilidad si SEPTIEMBRE  > 0, se cumple lim P ˆbn      1 .
que RESERVA
2012.
X RESERVA
a  Var (X)
 
 X  a  Var
SEPTIEMBRE 2012. n 
b  0. Se tiene que Var(Y) = Var    . Así pues,ˆ la varianza
2 no se
También se dice que ̂ es  
consistente
n b en media
b 2
cuadrática
b 2
si lim E  n    0.
n 
PRIMERA
ve afectada PARTE:
por el casos
cambio de CUESTIONES
origenque, seTEÓRICO-CONCEPTUALES
peroa símayor ve afectada el cambio de escala
En ambos significa tamaño de 2
la muestra, másdeseforma asemejaque elsi
una variable se divide por b, su varianza se
estimador (en probabilidad o en media cuadrática) al parámetro. ve dividida por b .
Respuesta.-
Respuesta.-

El coeficiente de variación de Pearson CV =  es una medida de dispersión que puede
coeficiente de variación de Pearson CV =  es una medida de dispersión que puede
Respuesta.-
El
Respuesta.-
Se utiliza para contrastar si dos poblaciones  diferentes X e Y con funciones de
utilizarse
Sea para
X comparar
una variable la dispersión
aleatoria de una
de dos distribuciones
determinada de probabilidad.
población y {X 1, Si X, ...,
e YXson dos
utilizarse para
distribución F(x)comparar
y F(y), lade dispersión
las que se de
han dos distribuciones
obtenido sendas de probabilidad.
muestras aleatorias SiXindependientes,
2X n} una
e Y son dos
muestra de tamaño n. X Se Ydenomina estimador, a cualquier función de la muestra
variables
tienen aleatorias
la misma distribución, 
y  X esY decir, , diremos
F(z) que la dispersión
= G(z) . de X es menor que la de Y.
f X1 , X 2 ,...,
variables X n  , que
aleatorias  X una
y será   variable
, diremos que la al
aleatoria, dispersión
serlo las deXi.X es menor que la de Y.
X Y Y
Efectuada
También una nos realización
puede indicar muestral {x1, x2
si la media , ...,esxnsuficientemente
}, una estimación sería el valordedel
representativa la
También nos puede indicar si la media x ).es suficientemente representativa de la
estimador para esa realización muestral:
población. Si CV > 1, consideramos que la1 dispersión f(x , x 2 , ..., n es grande y por tanto  no representa
Respuesta.-
  
Respuesta.-
Con un nivel de confianza dado, al aumentar el tamaño de la muestra, disminuye 2la
Respuesta.-
El del
amplitud error cuadrático
intervalo medio (ECM) de un estimador ̂ de un parámetro  es E ˆˆ   2 .
de confianza-.
El error cuadrático medio (ECM) de un estimador ̂ de un parámetro  es E    .
          

Un estimador será mejor cuanto menor sea su ECM.
Un estimador será mejor cuanto menor sea su ECM.
Si se desarrolla, E ˆˆ   2  E ˆˆ  E–1/2–
ˆˆ 2  E ˆˆ   2 = Var( ̂ ) + Sesgo
2 2 2 2
( ̂ ),1ªluego
Junio 2012. semana
se desarrolla, E     E   E   E    = Var( ̂ ) + Sesgo2( ̂ ), luego
Respuesta.-
Si
tendrá Para
menor ECM aquel
contrastar estimador
el valor de las cuya varianza
medidas y cuyo sesgo
de posición, como sean menores.
los cuantiles.
PROBLEMAS
Respuesta.-
Respuesta.-
Un estimador es eficiente si es insesgado y si su varianza es la mínima posible, es decir,
Un estimador
coincide con es Cramer-Rao:
la cota de eficiente si es insesgado y si su varianza es la mínima posible, es decir,
coincide con la cota de Cramer-Rao:
1
Var( ̂ ) = 1
Var( ̂ ) =   ln f ( x, )  22 
nE  ln f ( x, )  
nE   

   
Solución.-
Siendo p la proporción de personas que han comprado alguna vez usando internet, la
 p(1  p) 
muestral p̂ se distribuye aproximadamente normal N  p,
Respuesta.-
proporción  , por ser n
Respuesta.-
Supongamos una sucesión de n elementos que solamente toman  n  A o B. Por
el valor
Supongamos una sucesión de n elementos que solamente toman el valor A o B. Por
ejemplo:
suficientemente
ejemplo: grande. El intervalo de confianza por tanto tiene la forma:
AAAAAABBABBBBBBAAA
Se denomina racha, cada AAAAAABBABBBBBBAAA
una de las sucesiones formadas por una misma letra, hasta que
Se denomina racha, cada una de las
aparece otra letra distinta. En el ejemplo sucesiones
anterior hay tresformadas
rachas por una misma letra, hasta que
de Aes:
aparece otra letra distinta. En el ejemplo anterior hay
AAAAAA; A; AAAtres rachas de Aes:
y dos rachas de Bes: AAAAAA; –1/2– A; AAA Septiembre 2012
y dos rachas de Bes: BB; BBBBBB
BB;
2 BBBBBB
F11(x) =   
 
ff (( x
x,, y dy dx
y))dy

dx ; F22(y) =   
 
ff (( x
x,, y dx dy
y))dx

dy ; F(x/y)= 



   
ff (( x
x,, y
y))dx
dx


Respuesta.-
24 Un estimador T = T(X11, X22, …, Xnn) es suficiente para un parámetro  si la distribución
X22, …,
de (X11,UNED. Xn) condicionada por T = t, no depende de .www.innova.uned.es/webpages/Ilde/Web/index.htm
ELCHE. n
TUTORÍA DE ESTADÍSTICA
Significa, de forma EMPRESARIAL
intuitiva(Código:
que 65022076)
el estimador ̂̂ A.D.E.)
(2º GRADO utiliza toda la información relevante
imozas@elx.uned.es
contenida
28
en la muestra sobre el parámetro  a estimar y que ningún otro estadístico puede
proporcionar más información sobre dicho parámetro
TUTORÍA DE ESTADÍSTICA
PRIMERA PARTE: EMPRESARIAL (Código: 65022076)
CUESTIONES (2º GRADO A.D.E.)
TEÓRICO-CONCEPTUALES imozas@elx.uned.es
Respuesta.- SEPTIEMBRE 2013

Establece el máximo valor de la varianza del estimador ̂̂ de un parámetro . Si ̂̂ es
Respuesta.-
La tipificación
PRIMERA convierte
PARTE: a la variableTEÓRICO-CONCEPTUALES
CUESTIONES aleatoria en otra de media cero y desviación
insesgado y su varianza coincide con la cota, decimos que ̂̂ es eficiente.
32
Respuesta.-
Respuesta.-
Respuesta.-
Consideremos
se trataladeEMPRESARIAL
UNED. ELCHE.
Cuando variable
contrastarX sisobre la queprocede
la 65022076)
muestra efectuamos unpoblación
una cambio de origen
normal de yla escala,
dewww.innova.uned.es/webpages/Ilde/Web/index.htm
que se
TUTORÍA una
DE ESTADÍSTICA (Código: (2º GRADO A.D.E.)
Dada variable aleatoria
desconocen la media y la varianza. en una determinada X población, Y a X
parámetro imozas@elx.uned.es
es cualquier
obteniéndose
constante la variable
poblacional Y = aX
referida a la+ variable
b. Entonces CVX =como por
aleatoria, y CV Y =
ejemplo 
cualquier en donde se
momento.
X Y aX  b
Seleccionado ahora un tamaño muestral n y siendo (X1, X2, ..., Xn) la variable muestral,
observa
se que siestadístico
denomina a>0 y b = a0,cualquier
CVX = CV Y y, en
función decualquier otro caso,
las variables X1, XCV X  CVY.
2, ..., Xn, como por ejemplo
PRIMERA
Conclusión: PARTE:
el CUESTIONES
coeficiente de variación TEÓRICO-CONCEPTUALES
no se ve afectado por cambios escala (positivos)
la media muestral. Es por tanto una variable aleatoria.
Respuesta.-
Respuesta.-
Sea P la función de probabilidad definida para los sucesos de un determinado
Es
experimentoaquella parte siendo
aleatorio,
Respuesta.- de la estadística cuyomuestral.
E su espacio objetivoSea X: E información
es obtener sobre el
 una aplicación quevalor de
a cada
algún parámetro
suceso Si
elemental poblacional,
(X1, X2, le
...,haga como
Xn) corresponderpor
es una muestra ejemplo
unaleatoriala media
número simple o la varianza,
real y representemos por [X ela]estadístico
o sobre
de tamaño n, usaremos la forma de
el suceso la
distribución
X 
{xE/X(x) de la variable aleatoria, como
 a}. Diremos que X es una variable por
–1/3–ejemplo la función de densidad o
Junio
Junio de cuantía.
2013.
2013.
aleatoria si existe la probabilidad P[Xx] para
1ª semana
1ª semana
Esta n que se distribuye
determinación se hace como
a una
partir de t-Student
la con n–1
información grados de
contenida en libertad.
una muestra aleatoria.
todo
S número real x.
Respuesta.-
Respuesta.-
Sea  
 un Me = m desconocido y ,  un intervalo de confianza al nivel 100(1–)%.
H0:parámetro
Respuesta.-
En condiciones
Supongamos
H1: Mequem bastante
se desea generales,
contrastar laloshipótesis:
estimadores obtenidos por el método de los
H0:  = 0
H1:  momentos
son si se pretende estimar 0 poblacionales
PROBLEMAS respecto del origen). Por tanto, en general
no son eficientes.
con un nivel de significación . Entonces se rechazará H0 si y sólo si   , 
Los obtenidos por el método de la máxima verosimilitud son consistentes, no son en
 
general insesgados, pero entonces son asintóticamente insesgados. Son asintóticamente
Respuesta.-
H0: Me = m
H1: Me  m
Solución.-
Respuesta.-
Para realizar el contraste tomamos una muestra aleatoria simple (X1, X2, .., X
den)Poisson
. Si H
a) SeaunXnivel
Para el número de impagos
de significación  cuatrimestrales,
fijo, al aumentarque seguirá
el tamaño una distribución
muestral disminuye el error0
es cierta, 2.
de media el Luego
número P(Xde=signos positivos
0)H=/H(tablas) de las diferencias Xi–m debe ser aproximadamente
= 0,1353.
de tipo II,
n
 = P[Aceptar 0 0 falsa], por tanto, aumenta la potencia del contraste 1 –  =
igual
= ab) .Sea
P[Rechazar es HY/Hel la
decir, número Si de
distribución impagos anuales.
del número P(Y
de signos >positivos
9) = para– dos
1 de P(Y ≤ 9) = muestrales,
las deferencias(tablas)
Xi–m se =
0 0 falsa]. representamos la curva de potencia tamaños
= 1 – 2
0,7166 =0,2834
p. ej. n = 25 y n = 100, se obtienen curvas del tipo:
 1
distribuirá como una binomial B  n,  . Con lo que el contraste puede plantearse como:
 2
1
1 n=100
H0 : p = 3 n=25
2
1
H1 : p 
2  = 0
–1/2– 1 Junio 2013. 2ª semana
36
 = 0 1

Respuesta.-
PRIMERA
Un estimador ̂ n de CUESTIONES
PARTE: un parámetro ,
obtenido de una muestra de tamaño n, es
consistente en probabilidad si  > 0, se cumple que lim P ˆ      1 .  
 
n
n 
Respuesta.-
ˆ n raíz
2
También
La varianza se dice
es una ̂ n es consistente
quemedida de dispersión en media
de la cuadrática si lim E Su
variable aleatoria.   cuadrada,
 0. la
n 
desviación típica, se
En ambos expresa
casos en lasque,
significa mismas unidades
a mayor tamañoque ladevariable
la muestra, y, dividida
más seporasemejala media, el
Respuesta.-
proporciona el coeficiente de variación de Pearson
estimador (en probabilidad o en media cuadrática) al parámetro. que es una medida relativa de la dispersión.
50
A) Existe una dependencia lineal entre las variables de forma que cuando x crece, y
crece, luego la covarianza es positiva
TUTORÍA
Respuesta
B) DE ESTADÍSTICA
Existe EMPRESARIAL (Código:
una dependencia lineal65022076)
entre las (2º GRADO A.D.E.) de forma que cuando
variables x crece, y
imozas@elx.uned.es
Unluego
decrece, parámetro
la varianzaes una cantidad constante que representa alguna característica de la
es negativa
población. Porexiste
ejemplo, SEPTIEMBRE
los momentos 2014. Reserva
E(X) =la, E(X2), E(X 3
C) No dependencia lineal respecto
entre las del origen
variables, luego covarianza es )cero.
....o respecto
de la media
D) NoE[X–],
existe dependencia 2
E[(X–) ], E[(X–) 3
lineal entre].....Son notables(aunque
las variables E(X) =existe , media poblacional
dependencia de 2ºy
E[(X–) ] =  , varianza poblacional.
grado), 2
luego 2
la covarianza es cero.
Dada una muestra {X1, X2, ..., Xn}, se denomina estadístico a cualquier función de las
Respuesta.-
X  X 2  ...  X n
variables
Si X X1, es
X2,una ..., Xvariable
n. Son notables la media
aleatoria, se define muestral X  1de distribución
la función yF:la  /
varianza
Respuesta.-
F(x) = P[X x]. n n
  
Para muestras
1discretaaleatorias devalores
tamaño{xn, suficientemente grandes el Teorema central del
Si SX2 es ytoma i i= 1, 2, 3, …, r}, se define la función de cuantía
2 los
muestral  Xi X

límite permitenconsiderar que la media muestral se distribuye aproximadamente de forma
o de probabilidadi P(x
normal. 1 i) = P[X = xi]. Se cumple que F(x) = P( x i ) .
x i x
Si X es continua y f:   es la función de densidad, se cumple que P[aXb] =

Respuesta.-
 
b x
= f ( xUn
) dxestimador ̂ de( t un
y F(x)
Respuesta.- = f )dt parámetro  es insesgado si E( ̂ ) = .
a 
Utilizaremos un intervalo de confianza cuando deseemos hacer una estimación del valor
de un determinado parámetro de la distribución.
Utilizaremos el contraste de hipótesis cuando deseemos aceptar o rechazar una hipótesis
acerca de alguna característica (por ejemplo el valor de un parámetro) de la población.
Respuesta.-
Una variable aleatoria X de Poisson de parámetro  es una variable aleatoria discreta
x 
que toma los valores {0, 1, 2, 3, 4, .....} y tal que P(X  x )  e mientras que una variable
Respuesta.-
Supongamos una variable aleatoria para la que se x!supone que su distribución,
aleatoria X Binomial de parámetros (n,p) es una variable aleatoria discreta que toma los
desconocida, se ajusta a un determinado modelo. Un contraste de bondad de ajuste permite
decidir, partiendo n
valores {1, 2, 3, ...,de
n}una
y talmuestra,
que P(Xsilax )variable
  p xse
(1 distribuye
p) n  x o no de acuerdo con el modelo
especificado.  
x
Respuesta.-
Dados dos estimadores insesgados ̂1 y ̂ 2 del parámetro , se define la eficiencia
relativa de ̂1 a ̂ 2 como el cociente

Var ˆ 1  
Var ˆ 2  
. Si este cociente es menor, igual o mayor que 1,
diremos que ̂1 es menos, igual o más eficiente que ̂ 2 , respectivamente.

Respuesta.-
Es un contraste de localización para 4 la mediana de una población supuestamente
simétrica, que tiene en cuenta el signo y la magnitud de las diferencias.
PROBLEMAS
UNED. ELCHE.
continua, la gráfica es continua. Por otra65022076)
TUTORÍA DE ESTADÍSTICA EMPRESARIAL (Código:
F(x/y)
parte,
=   la
)dx

f ( x , yprobabilidad
(2º GRADO A.D.E.)
de un valor particular de la
imozas@elx.uned.es
variable es cero, si la variable es continua y puedef no serlo si es discontinua.
2 ( y)
Respuesta
Respuesta.-
Si X1, X2, ..., Xn son n variables aleatorias independientes e idénticamente distribuidas,
Para un estimador ̂ de un parámetro  se define nel error cuadrático medio como
E 
conˆ E(X 
2
  i)= . Suyutilidad = 2 , en
Var(Xi)estriba ambas que se finitas, y siendo
considera que Seln = 
mejor
i 1
i , entonces
Xestimador de Y  nserá
S  E (S n )
 naquel que
Var (S n )
menor error cuadrático medio entre todos los posibles estimadores de .
tenga elRespuesta.-
tiende hacia una distribución N(0, 1) al aumentar n.
En primer lugar, el concepto de función de densidad no existe para variables discretas y
sí para continuas.
En segundo lugar, la probabilidad de que la variable tome un valor puntual, puede no
Respuesta.-
UNED. ELCHE.
Respuesta www.innova.uned.es/webpages/Ilde/Web/index.htm
ser cero,Lo siveremos
la variable conesun discreta,
ejemplo. pero es cero si launa
Supongamos variable
variable es continua.
aleatoria normal N(, ) con 
desconocida y  conocida. Si Z es la normal N(0,1), sea z 0, 025 tal que PZ  z 0, 025   0,025 .
imozas@elx.uned.es
Sí. Sea X una variable aleatoria de una determinada población y {X 1, X2, ..., Xn} una
muestra de tamaño n. Se denomina JUNIO 2016- estimador,
2ª SEMANA a cualquier función de la muestra
X1 ,muestras
fPara X 2 ,...,X n de , que variable aleatoria, al serlo X 
tamaño n, sabemos que la variable las Xi. n se distribuye normal N(0,1),
será una
Respuesta.-
Efectuada una
PRIMERA realización
PARTE: CUESTIONESmuestral {xTEÓRICO-CONCEPTUALES 
1, x2, ..., xn}, una estimación sería el valor del
Cuando dispongamos de una sucesión {X } de variables aleatorias independientes e
estimador  para esa X 
realización muestral:  f(x1, x2, ..., xn).
n
  
luego P   z
 0, 025
idénticamente  n 
distribuidas, con mediaz   0 ,95  P
0 , 025   y desviación típica
X  z   
0 , 025  ambas finitas.X  z 0, 025  , es decir 

Respuesta.-    n n 
En una distribución  
bidimensional  
de variables (X, Y), la covarianza es el momento
pertenece al intervalo  X  z 0, 025
Respuesta , X  z 0.,025  con probabilidad 0,95.
11= Cov(X,Y) = E[(X-E(X))(YE(Y)]
contraste de hipótesis es paramétrico cuando
n y es una n  medida de la fuerza de la relación lineal
Un
entre XAhora
e Y. las hipótesis se refieren al valor de un
parámetro bien,
 desconocido
Respuesta.- si elegimos una
de la población muestra concreta cuya, media
, ...). muestral sea x , ya no
El coeficiente de correlación lineal(como
resultapordeejemplo
estandarizar la covarianza, dividiéndola
Si ̂noesparamétrico
un queestimador de un las hipótesis,se
parámetro se denomina  características   no paramétricas
Es asegurar cuando
 pertenezca z 0, 025 a, sesgo
x refieren x  z 0.,del estimador ) al valor de

podemos al intervalo  025 Cov( X con
, Yprobabilidad
E ̂  TUTORÍA
por
(formael UNED.
producto
de
. laELCHE. de las
distribución, desviaciones
localización, típicas de
aleatoriedad 
las variables:
de una 
muestra...)
n XY  n 
, por lo
DE ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.) Var (X(·Varimozas@elx.uned.es
(Y)
0,95. Diremos
Si el sesgo entonces que talelintervalo
es positivo estimador posee un coeficiente
sobreestima de confianza
al parámetro y, en de 0,95
caso o un nivel
contrario, lo
que carece de
de confianza del 95%. magnitud. Proporciona una medida
SEPTIEMBRE 2016 numérica del grado en que las variables
infraestima.
están relacionadas
PROBLEMASPRIMERA linealmente.PARTE: CUESTIONES TEÓRICO-CONCEPTUALES
 
Respuesta.- –1/3– Junio 2015. 2ª semana
El error cuadrático medio (ECM) de un estimador ̂ de un parámetro  es E ˆ   .

2
Respuesta.-
Se
Si utilizan
X esserá para
una contrastar
variable el valor
aleatoria seadesu
con ECM.medida
alguna
media típica ,(cuantiles).
de localización
y desviación se llama variable
          
Un estimador mejor cuanto menor
Sea una población con una variable aleatoria X, y
2 sea C p el cuantil de orden p
X   E ˆ    E ˆ  E ˆ  E ˆ   = Var( ̂ ) + Sesgo2( ̂ ), luego
2 2
(0 < p Si
tipificada se
aY
< 1). desarrolla,
Los= contrastes
. Se de
dice entonces que
localización hemos formular
se pueden aplicado de
a lacualquiera
variable Xde un
las cambio
siguientesde

formas:
I: H0: Cp = k0 II: H0: Cp ≤ k0 III: H0: Cp ≥ k0
H1: Cp  k0 H1: Cp > k0 H1: Cp < k0

Respuesta.-
Sea X , una
  elvariable aleatoria
intervalo cuya –1/3–
de confianza distribución  alunnivel
depende de
para un parámetro parámetro
Septiembre .Reserva.
de 2015. Sea
confianza
100(1)%, es decir P      = 1  .
de la muestra, a la que llamaremos función de verosimilitud El método de la máxima
H :=
verosimilitud consiste0 en 0elegir como estimador de  el valor * que maximiza
H1:   0
Respuesta.-
Respuesta.-
En un contraste,
Supongamos unasevariable
llama nivel de significación
aleatoria el tamaño
para la que  de que
se supone la región crítica o de
suJuniodistribución,
rechazo, es decir, el valor máximo de –1/3–
P(rechazar H /H es cierta)
desconocida, se ajusta a un determinado modelo. 0Un0 contraste de bondad de ajuste permite
2016. 1ª semana
decidir, partiendo de una muestra, si la variable se distribuye o no de acuerdo con el modelo

especificado.
Respuesta.-
El planteamiento
Supongamos dos general
muestrassería:
de dos poblaciones independientes con distribuciones F(x) y
H : La muestra aleatoria
F(y). El 0 contraste de la mediana procede
nos de 5una población
llevará a aceptarcon
quefunción de distribución
las distribuciones sonF(x)
iguales
siempreH1y: La muestra
cuando las aleatoria
medianasno procede
sean de una
iguales. población con
Es básicamente unfunción de distribución
contraste de igualdad F(x) de las
1. ¿Qué es una variable aleatoria?
Respuesta.-
Sea P una probabilidad definida en un espacio muestral E y sea  su espacio de
sucesos. Una variable aleatoria es una aplicación X: E  www.innova.uned.es/webpages/Ilde/Web/index.htm
UNED. ELCHE.
tal que, x, cada suceso de la
SEPTIEMBRE
2. Indique para qué se utiliza el error cuadrático2017
medio de un estimador.
Respuesta.-
Si  es un parámetro y ̂ el estimador, se define el error cuadrático medio de ̂ :
Respuesta.-
Sea (X,Y) una variable aleatoria bidimensional 
 2

ECM ( ̂ ) = E  ˆ  talque Var(X) y Var(Y) existen y son

Cov (X, Y)
 XY ̂) = Var( ̂ ) + (Sesgo(.Su
̂ ))valor
2
Desarrollando
distintas de cero. Se ladefine
expresión anterior, sedeobtiene
el coeficiente que ECM(
correlación:
Se considera que el mejor estimador de  será aquel que tenga el menor Varerror
(X)·Var (Y)
cuadrático medio
entre
está comprendido entre 1estimadores
todos los posibles  y, por
y +1 y tienedesentido lo tanto,
su cálculo los se
cuando dosdesea
sumandos
medir laenfuerza
que de se
descompone, sean lo mínimos posible, aunque
la relación lineal entre las variables aleatorias no siempre existirá tal estimador.
3. En la estimación por intervalos de confianza, ¿qué nos asegura un nivel de confianza

dado?
Respuesta.-
 
Respuesta.-
Si
Un el nivel de
estimador confianza
̂ de es 100(1)
un parámetro ) = . de confianza es ,  ,
%, ysielE( ̂intervalo
 es insesgado
donde  y  son variable aleatorias, pues dependen de la muestra seleccionada, podemos
afirmar, antes de seleccionar una muestra, que la probabilidad de que el parámetro 
 
pertenezca al intervalo ,  es 1.
4. ¿Qué se entiende por potencia de un contraste?
Respuesta.-
probabilidad del error de tipo I, es decir la probabilidad de rechazar H0, siendo cierta y por  la
la potencia del contraste es la función P = 
Respuesta.-
100(1)%, es decir P      = 1  .
H0:  = 0
H1:   0
Respuesta.-
6 –1/2– Septiembre 2017.
Preguntas de exámenes Tema 7: Estimación por
intervalos de confianza
Cursos 2011/12 a 2016/17
1
Respuesta.-
estimador para esa realización muestral: f(x1, x2, ..., xn).
Sea X una variable aleatoria de una determinada población y {X 1, X2, ..., Xn} una
Tema muestra
7: Estimación
de tamaño por n. Seintervalos de confianza
denomina estimador, a cualquier función de la muestra
f X1 , X 2 ,..., X n  , que será una variable aleatoria, al serlo las Xi.
Respuesta.-
Con
estimador para un esa
nivel de confianza
realización dado,f(x
muestral: al ,aumentar el tamaño de la muestra, disminuye la
1 x2, ..., xn).
Respuesta.-
Con contrastar
Para un nivel de confianza
el valor de lasdado, al aumentar
medidas el tamaño
de posición, decuantiles.
como los la muestra, disminuye la
amplitud del intervalo de confianza-. PROBLEMAS
Respuesta.-
Para contrastar el valor de las medidas de posición, como los cuantiles.
PROBLEMAS
Solución.-
 p(1  p) 
proporción muestral p̂ se distribuye aproximadamente normal N  p,  , por ser n
 n 
12
Solución.-grande. El intervalo de confianza por tanto tiene la forma:
suficientemente
Siendo p la proporción de personas que han comprado
alguna vez usandoimozas@elx.uned.es
internet, la
 p(1  p) 
proporción
 muestral p̂ se distribuye aproximadamente normal N  p,  , por ser n
p(1  p) p(1  p)  
 p̂  z  , p̂  z    (Al ser n grande podemos sustituirn p por p̂ ) 
 n n  –1/2–
suficientemente grande. El intervalo de confianza por tanto tiene la forma:
2 2
Septiembre 2012
 p̂(1  p̂) p̂(1  p̂) 

 p̂  z  , p̂  z  
 2 n 2 n 
Para  = 0,05  z  = 1,96, luego sustituyendo, el intervalo queda:
2
–1/2– Septiembre 2012
 0,33·0,67 0,33·0,67 
0,33  1,96 ,0,33  1,96   [0,301; 0.359]
 1000 1000 
Solución.-
X 
Si  es el gasto medio poblacional y X el gasto medio muestral, sabemos que n


se distribuye normal N(0,1). Se desea que 0,95 = P X    10  P 10  X    10  = 
 σ 30    10 10 
=  dividiendo por   = P n Z n  . De las tablas obtenemos que
 n n  30 30 
10
n = 1,96  n  34,57, por lo que tomaremos n = 35.
30
2
aproximado por una normal.
Podría haberse efectuado una corrección por continuidad pero los resultados son
prácticamente los mismos.
24

Solución.-
21
X  JUNIO 2013- 2ª SEMANA
La variable
UNED. ELCHE. n se distribuye t-Student con n–1www.innova.uned.es/webpages/Ilde/Web/index.htm
grados de libertad.
S EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.)
TUTORÍA DE ESTADÍSTICA imozas@elx.uned.es
a) Para 24 grados de libertad, obtenemos –2/3–
de las tablas el intervalo al 95%Junio 2013. 1ª semana
de confianza:
 X    2,064·S 2,064·S 
 2,064  S ·5  2,064   X  5
Respuesta.- X 

La tipificación 
convierte a la variable 
aleatoria en otra de media  y desviación
5 cero
que,1para
típica los permite
lo cual valores compararla
muestrales con
dados proporciona
otras variables el intervalo: [73665,6    82334,4].
tipificadas.
t  ·S t  ·S
b) La amplitud del intervalo es 2· , luego debe ser 2· 2 ≤5000. Si n > 30, el valor
2
Respuesta.- n n
para una
de t  Dada una variable aleatoria en una determinada población,deparámetro
confianza del 90%, se puede calcular con la tabla la distribución normal
es cualquier
2
constante poblacional referida a la variable aleatoria, como por ejemplo cualquier momento.
1,65·10500
N(0,1),Seleccionado ahora
que proporciona ununvalor
tamaño muestral
de 1,65. Luego:n y 2siendo
· (X1, X5000
2, ...,, X
den) donde n ≥ muestral,
la variable 48,0249.
se denomina estadístico a cualquier función de las variables n X1, X2, ..., Xn, como por ejemplo
Asímedia
la pues muestral.
tomaremos Esnpor
= 49.
tanto una variable aleatoria.
Respuesta.-
Si (X1, X2, ..., Xn) es una muestra aleatoria simple de tamaño n, usaremos el estadístico
X 
n que se distribuye como una t-Student con n–1 grados de libertad.
S
Respuesta.-
H0: Me = m
H1: Me  m
PROBLEMAS
Solución.- 3
a) Sea X el número de impagos cuatrimestrales, que seguirá una distribución de Poisson
b) Sea Y el número de impagos anuales. P(Y > 9) = 1 – P(Y ≤ 9) = (tablas) =
c) En el apartado a) se ha aproximado la binomial por la normal porque np = 28,2 > 5 y
p = 0,094 < ½.
41

Solución.-

JUNIO 2014- 
2ª SEMANA  
a) Tales intervalos tienen la forma:  x  z / 2 , x  z / 2  . Entonces:
PRIMERA PARTE: CUESTIONES  TEÓRICO-CONCEPTUALES
n n
- Para  = 0,1, de las tablas z / 2 = 1,65 , luego el intervalo es
 800 800 
1800 Respuesta.-
1,65 , 1800  1,65  = [1706,66; 1893,34]
 200 200 
Distribución ji-cuadrado de Pearson con n grados de libertad:
- Para  = 0,05, de las tablas z  / 2 = 1,96 , luego el intervalo es

n
  2n800
 X 2
i , donde las
800 variables Xi son independientes y normales N(0,1)
1800  1,96 ,
i 1 1800  1,96  = [1689,13 ; 1910,87]
 200 t de Student200
Distribución con n grados de libertad:
800
b) DebeUser 1,65· = 300, de donde n = 19,36  19.
tn  , donde Un y V son variables independientes, U normal N(0,1) y V  2n
V
n
Respuesta.-
Porque deseamos construir un intervalo con una alta probabilidad (coeficiente de
Respuesta.-
a la probabilidad de obtener un valor del estadístico de prueba que sea al menos tan improbable
como el valor experimental observado.
Respuesta.-
Se pretende contrastar el valor de alguna medida de posición (un cuantil como por
ejemplo la mediana) para localizar estadísticamente la distribución.
PROBLEMAS
Solución.-
La variable X = “ número de clientes que compra el producto” se distribuye
 4

b) P(200 < X < 400) = (tipificando) = P(–6,26 < X < 6,26)  1
P(25000 < X < 35000) = (tipificando) = P  Z  = P(0,17 < Z < 0,67) =
 12097 12097 
= (tablas) = 0,7486  0,4325 = 0,3161
Solución.-
Para la muestra dada, la media muestral es x  611,55 y la varianza muestral

11
47 1
s2 = x i  x 2  3943,87 de donde s  62,8. Luego:
10UNED.
i 1
ELCHE. www.innova.uned.es/webpages/Ilde/Web/index.htm
X 
a) La variable n se distribuye–2/3–
t-Student con n–1 grados de libertad.Septiembre 2014.
Entonces,
S
para 10 grados de libertad obtenemos de las tablas el intervalo del 0,95 de probabilidad:
[–2,228 ; 2,228]
luego, con un 95% de confianza podemos afirmar que
611,55   2,228·62,8 2,228·62,8
 2,228  11  2,228  611,55     611,55  
62,8 11 11
 569,36 <  < 653,73
Así pues, 600000 sería un valor admisible para la audiencia media del programa, con un
95% de confianza.
b) La variable
n  1S2 se distribuye 2 con n–1 grados de libertad. Entonces, para 10
2
grados de libertad obtenemos de las tablas el intervalo del 0,95 de probabilidad:
[3,247 ; 20,48]
luego, con un 95% de confianza podemos afirmar que:
10·3943 ,87 10·3943 ,87 10·3943 ,87
3,247   20,48   2  
 2
20,48 3,247
 1925,72 < 2 < 12146,20  43,88 <  < 110,21. Es decir la desviación típica, con un
95% de confianza, estaría entre 43880 y 110210 espectadores. Luego no se puede dar por
cierta la afirmación de la productora.
5
aproximadamente normal N 90 , 90   N(1125 ; 13,69). Luego:
 2 12 
P(900 < X < 1250) = (tipificando) = P(16,43 < Z < 9,13)  1
54

PRIMERA
Solución.- PARTE: CUESTIONES TEÓRICO-CONCEPTUALES
X 
S
 S S  
 X  t Respuesta.-
,X  t  . De las tablas de la t-Student con 59 grados de libertad y = 0,025
 2 n 2 n 2
Si X es binomial B(n, p) con n > 30 y p ≤ 0,1, podemos considerar que X se distribuye
 = np. 4000 4000 
aproximadamente
obtenemos que comot  =una2,variable
luegode Poisson es 15000
de parámetro
el intervalo  ,15000  
Esto significa que 2 si aumentamos indefinidamente un número  60
n de pruebas 60 
de Bernoulli
 [14483,60 ; 15516,40].
independientes, con probabilidad de éxito p, de forma que  = np permanece constante, se
 n  el contraste:
b) Planteamos x
verifica que lim  pHx 1:   p=17000
n x
 e 
  0
n  x x!
H1:   17000
El intervalo de 0,9 de probabilidad de la t-Student con 59 grados de libertad es
[1,671Respuesta.-
; 1.671] luego la región crítica es el exterior de este intervalo. Para los datos del
A la desviación típica de la media X  muestral X se 17000
15000 le llama error estándar de la media. Su
problema, el estadístico de prueba n 60  7,75, luego, a este nivel
 S 2000
valor es .
de significación,
n no puede aceptarse lo afirmado por el consenso general.
Respuesta.-
Sí. Si se conoce la distribución de la–2/2–
población, puede usarse el método pivotal
Septiembre o el
2014. Reserva
método general de Neyman. Si no se conoce la distribución puede utilizarse en muchos casos
la desigualdad de Chebychev.
Respuesta.-
distribución de probabilidad. Si es así, y {Si}, i=1, 2..k es una partición del dominio de la
O i  E i 2 se distribuye según una distribución 2 con k1

k
variable aleatoria, el estadístico

i 1
Ei
grados de libertad, donde Oi y Ei son el número de valores observados y esperados,
respectivamente, en el subconjunto Si.
6
0,3
d) 14998 ·  0,9
5000
Solución.-
De los datos se obtiene que x 

225
= 9; s =2 n 


x i2
 x

2

25  2451


 81  =
25 n 1 n 
 24  25 
 
= 17,75 de donde s  4,213.
56
Si pudiéramos suponer que las tarifas de los taxis se distribuyeran de forma normal
X 
N(, ), entonces
UNED. ELCHE. 25 se distribuiría según una t de www.innova.uned.es/webpages/Ilde/Web/index.htm
Student con 24 grados de libertad.
S EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.)
TUTORÍA DE ESTADÍSTICA imozas@elx.uned.es
–2/3– s s 
El intervalo de confianza para  tendría la forma  x  t  , x  t  , siendo t  = 2,064
 2 25 2 25  2
y sustituyendo se obtendría el intervalo [7,26 ; 10,74].

24S 2
Además se distribuiría como una 2 con 24 grados de libertad y el intervalo de
2
 
confianza para  tendría la forma  2
2  24s 2 24s 2 
siendo  2  = 39,36 y  2  =
, 2 
   n 1, 1 n 1,
 n 1, 1 2 n 1, 
2 
2 2
= 12,401 y sustituyendo se obtendría el intervalo [10,82 ; 34,35].

Sin la hipótesis de normalidad, y si pudiéramos considerar que la muestra es grande
para poder aplicar el teorema central del límite (aunque como se indica en la página 209 del
texto, muestras grandes se consideran para n ≥ 30), tendríamos que la media muestral X se
  
distribuiría aproximadamente normal N ,  Al desconocer  usaríamos como
 25 
estimación el valor de s, de forma que el intervalo de confianza para el coste medio tendría la
 s s   4,213 4,213 
forma  x  z  , x  z  = 9  1,96 , 9  1,96  [7,35; 10,65] que, como
 2 25 2 25   25 25 
puede observarse, es prácticamente igual que el obtenido anteriormente.
Podríamos también utilizar la desigualdad de Chebychev para obtener un intervalo de
confianza para la media poblacional, (pág 264 del texto) aunque desconocemos la desviación
típica, en cuyo caso podríamos sustituirla por el valor de s obtenido de la muestra. De esta
manera se obtiene el intervalo [5,23; 12,77]
7
 
E ˆ   . Su utilidad estriba en que se considera que el mejor estimador de  será aquel que
2
tenga el menor error cuadrático medio entre todos los posibles estimadores de .
Respuesta.-
Lo veremos con un ejemplo. Supongamos una variable aleatoria normal N(, ) con 
desconocida y  conocida. Si Z es la normal N(0,1), sea z 0, 025 tal que PZ  z 0, 025   0,025 .
X 
Para muestras de tamaño n, sabemos que la variable n se distribuye normal N(0,1),

 X      
luego P  z 0, 025  n  z 0, 025   0,95  P X  z 0, 025    X  z 0, 025  , es decir 
    n n
   
pertenece al intervalo  X  z 0, 025 , X  z 0.,025 con probabilidad 0,95.
 n n 
Ahora bien, si elegimos una muestra concreta cuya media muestral sea x , ya no
   
podemos asegurar que  pertenezca al intervalo  x  z 0, 025 , x  z 0.,025 con probabilidad
 n n 
0,95. Diremos entonces que tal intervalo posee un coeficiente de confianza de 0,95 o un nivel
de confianza del 95%.
8
y p < 0,1.
Solución.-
H0:  = 15
H1:   15
  
 20 
 6 
normal N15,   N(15; 1,34).
 20 
17  15
1,34
de 66
confianza, que los desarrolladores están en lo cierto.
b) P(Z > 1,49) = 0,0681, luego el p-valor será 2·0,0681
UNED. ELCHE.
= 0,1362. Observamos que
0,1362TUTORÍA
> 0,05,
DE es decir, no
ESTADÍSTICA se rechaza
EMPRESARIAL la hipótesis
(Código: 65022076) (2ºnula.
GRADO A.D.E.) imozas@elx.uned.es
9
Solución.-
   
a) La variable X = X1 +X2 + X3 es normal N 59, 4  9  25  N 59, 38 . Se tiene que
 75  59 
P(X > 75) = (tipificando) = P Z    P(Z > 2,60) = (tablas) = 1  0,9953 = 0,0047.
Respuesta  38 
UnLa
b) contraste
variabledeY,hipótesis es paramétrico
suma delas 18 variables cuando las hipótesis
independientes se refieren
normales N(26, 3)al será
valornormal
de un
parámetro  desconocido de la población (como por ejemplo , , ...).

N 18·26Es  
no·9paramétrico
, 18 
 N 468,9 cuando las hipótesis
2 , luego P[450 se < refieren
Y < a500]
  18
= P  no paramétricas
características Z
32 

(forma de la distribución, localización, aleatoriedad de una muestra...) 9 2 9 2 
 P[1,41 < Z < 2,51] = (tablas) = 0,9940  0,0793 = 0,9147
PROBLEMAS
Solución.-
X 
S
 S S 
 2 n 2 n
10
En las tablas de la t-Student no aparece t49. Un valor aproximado nos lo proporciona t50.
Para el 95% de confianza obtenemos que t 0,95  2,009 . Para los datos obtenidos de la muestra
UNED. ELCHE. 2 www.innova.uned.es/webpages/Ilde/Web/index.htm
 0,1634 
imozas@elx.uned.es
0,1634
será pues: 1,1721  2,009 , 1,1721  2,009  [1,1257 ; 1,2186].

Solución.- 50 50 
b) Planteamos el contraste:
a) El número M de intentos de robo mensuales es una variable aleatoria de Poisson con
H0:  ≥ 0,2
H1:  < 0,2
b) El número T de intentos de  1S 2por trimestre será una variable de2 Poisson con  = 6,
n robo
> 7] = 1 deP[T
El estadístico
luego P[T ≤ 6] es
prueba = (tablas) = 1que  0,6063
se distribuye según una  con n1 grados de
= 0,3937.
2
c) El número B de intentos de robo en 2 años será una variable de Poisson con  = 48,
 
libertad.
que esEnaproximadamente
las tablas de la 2 normal
no aparece N 48
 249, . 48  N(48;
Un valor 6,9282),
aproximado nos luego P[B < 20]
lo proporciona 2 =
50 , de
 20  48  el 90% de confianza, la región crítica sería el intervalo
cuya = P  Z  que, para
tabla obtenemos
=(tipificando)  P[Z < 4,04]  0
,9282 
[0; 37,69]. El valor del 6estadístico, para los datos de la muestra, suponiendo cierta H0, es
2
d) El
49·0,1634 número de intentos de robo ocurren de manera independiente, a lo largo de un
 32,71, que pertenece a la región crítica, luego debemos rechazar H0, es decir, no
periodo 2 de tiempo, de ahí que se trate de una distribución de Poisson.
0,2UNED. ELCHE. www.innova.uned.es/webpages/Ilde/Web/index.htm
podemos En el DE
TUTORÍA apartado
admitir ESTADÍSTICA
que hay al ser  (Código:
c, EMPRESARIAL
competencia,> 10, hemos deaproximado
65022076)
al nivel (2º la 90%.
GRADO A.D.E.)
confianza del variable de Poisson por una
imozas@elx.uned.es
normal.

1. ¿Qué es una variable aleatoria?
Respuesta.-
Sea P una probabilidad definida en un espacio muestral E y sea  su espacio de
sucesos. Una variable aleatoria es una aplicación X: E   tal que, x, cada suceso de la
Solución.-
2. Indique para qué se utiliza el error cuadrático medio de un estimador.
El tamaño muestral para estimar la media  de una población normal con  conocida es
Respuesta.-
Si  es un parámetro y ̂ el estimador,  2 el error cuadrático medio de :
n = 4se z 2define , ̂
 
2
2 L
ˆ   2
De las tablas obtenemos queECM ( ̂ ) =< E
P[1,96 Z< 
1,96] = 0,95, luego z   1,96 . Además
2
 = 100Desarrollando
y L = 2·50 = la
100expresión anterior, se obtiene que ECM( ̂ ) = Var( ̂ ) + (Sesgo( ̂ ))2
Se considera que el mejor
Sustituyendo estimador
se obtiene que n de  será aquel
= 15,3664, por loqueque
tenga el menorn error
tomaremos = 16.cuadrático medio
entre todos los posibles estimadores de  y, por lo tanto, los dos sumandos en que se
descompone, sean lo mínimos posible, aunque no siempre existirá tal estimador.
3. En la estimación por intervalos de confianza, ¿qué nos asegura un nivel de confianza

dado?
Respuesta.-
Si el nivel de confianza es 100(1) %, y el intervalo de confianza es ,  ,  
donde  y  son variable aleatorias, pues dependen de la muestra seleccionada, podemos
afirmar, antes de seleccionar una muestra, que la probabilidad de que el parámetro 
 
pertenezca al intervalo ,  es 1.
4. ¿Qué se entiende por potencia de un contraste?

probabilidad del error de tipo II, es decir, 11
la probabilidad de aceptar H0, siendo falsa, entonces
–2/2–
Septiembre 2016.
, si H 0 cierta
se denomina estadístico
b) El hecho de quea cualquier
en un día función de lasalguna
se produzca variables X1, X2, ...,
intervención es Xeln,suceso
como por ejemplo
contrario de
la media
que no semuestral.
produzcaEs por tanto
ninguna, es una 1  P[X
variable
decir, = 0] = (tablas) = 1  0,0025 = 0,9975
aleatoria.
30
c) Sea Xi el número de intervenciones el día i-ésimo y sea S30 = X
i 1
i . Se tiene que
E(S30) = 30·6 = 180 y, como las Xi son independientes, Var(S30) = 30·6 = 180. Luego, por el
teoremaRespuesta.-
central del límite, podemos considerar que la variable S30 es aproximadamente normal
Los factores son el coeficiente de confianza 1   y la amplitud del intervalo. Para un
 
N 180, 180de. confianza
coeficiente Luego P[150 fijo,<cuanto
S30 < menor
200] = sea
(tipificamos)
la amplitud= del
150  180
P  intervalo, más
200  180
Z precisa será la

estimación, o bien para una misma amplitud del intervalo, cuanto  mayor 180  de
180 sea el coeficiente
 P[2,24 mayor
confianza < Z < 1,49] (tablas) = 0,9319  0,0125 = 0,9194
será la= precisión.
Respuesta.-
Cuando se trate de contrastar si la muestra procede de una población normal de la que se
desconocen la media y la varianza.
PROBLEMAS
Solución.-
Sea X el volumen de ingresos mensuales de una empresa y  el ingreso medio mensual
–1/3– X  Junio 2017. 2ª semana
S
 S S 
 2 n 2 n
2
 30000 30000 
185000  1,74 18 ,185000  1,74 18   [172696, 197304]
 UNED. ELCHE.  http://www.innova.uned.es/webpages/Ilde/Web/index.htm
b) Plantearemos el contraste:
H0:  = 170000
H1:   170000
De acuerdo con las tablas de la t-Student para 17 grados
de libertad, la región crítica para el 95% de confianza es
t > 2,11. Como el estadístico de prueba
X  185000  170000
n 18  2,1213 debemos rechazar
S 30000
la hipótesis nula.
12
Preguntas de exámenes Tema 8: Contrastes de
hipótesis paramétricas
Cursos 2011/12 a 2016/17
1
1
n
Tema resto.
8: Contrastes de hipótesis paramétricas
Solución.-
1.- Sea Xi la variable aleatoria “nº de turismos  1 matriculados el día i-ésimo”,
i = 1, 2,  , axb
Si …, 250. Podemos
es continua, considerar
su función que lasesvariables
de densidad f(x) =  bXi ason independientes. Luego, por el
teorema central del límite, la variable X =  X i se0distribuye
250
, resto aproximadamente normal
i 1
 
N 250·2190 , 250·90000  N(547500, 4743,4).
365
2.- La variable Y =  X i
Respuesta.- se distribuye aproximadamente normal
Si el tamaño de la muestra permanece i 1 fijo, entonces si disminuye la probabilidad de

error
N 365de tipo, I, 365
·2190 aumenta 
·90000la probabilidad
 N(799350;de5731,49),
error de tipo II. P(Y ≤ 800000) = (tipificando) =
luego
 650  de tipo II disminuye
P Z 
probabilidad
=   P(Z ≤ 0,1134) = (tablas) = 0,5451.
de error
 5731,49 
Respuesta.-
Solución.-
Si p es la proporción real de clientes que genera el 80% de las ventas, las hipótesis a
contrastar son:
H0: p = 0,2
H1: p ≠ 0,2
p̂  0,2 p̂  0,2
y el estadístico de prueba  que se distribuye aproximadamente normal
0,2·0,8 –1/2–
0,02 Junio 2012. 2ª semana
400
N(0, 1).
Para  = 0,05, los valores críticos son z0,025 = 1,96 y  z0,025 = 1,96.
97
 0,2
0,2425  0,2
Como zexp = 400  = 2,125 > 1,96, se rechaza la hipótesis nula.
0,02 0,02
El p-valor = P[Z>2,125] = 2·0,017 = 0,034, lo que también indica que se rechaza H0,
pues p-valor < 0,05.
2
c) Obviamente, el 50% ya que la distribución es normal y por tanto simétrica respecto
de la media.
Solución.-
El contraste solicitado sería:
H0:  = 59800
H1:   59800
X  59800
20030
Para un nivel de significación del 5%, el intervalo de aceptación sería
X  59800
–2,093 < 20 < 2,093 ↔ 50426 < X < 69174
20030
Puesto que la media muestral obtenida se encuentra dentro de este intervalo, no
podemos
25 admitir, al nivel de significación pedido, que las ventas medias sean mayores o
menores que las ventas medias del sector.
–2/2– Septiembre 2012 Reserva
Solución.-
Planteamos el contraste:
H0:  = 1960
H1:   1960
X  1960
Bajo la hipótesis nula, la variable 150 es normal N(0,1). En las tablas de la
300
normal N(0,1) encontramos que 0,05 = P(|Z|> 1,96), que define la región crítica. Como
1820  1960
150  5,72, debe rechazarse la hipótesis dada por el INE
300
3
Solución.-
distribución de la variable aleatoria, como por ejemplo la función de densidad o de cuantía.
El número Xsedehace
Esta determinación personas
a partirque
de lacompran un díacontenida
información cualquiera, serámuestra
en una una variable binomial
aleatoria.

B(300; 0,3) que se distribuye aproximadamente normal N 300·0,3, 300·0,3·0,7  N 90, 63 .   
Así pues:
Respuesta.-  100  90 
P(X > 100) = P Z    P(Z>1,26) = 1 – 0,8962 = 0,1038
 
a)
Sea  un parámetro desconocido
63  y ,  un intervalo de confianza al nivel 100(1–)%.
Supongamos quese desea50  90 
contrastar la hipótesis:
b) P(X <50) = P Z    P(Z < −5,04) = 0
H0:  = 0 63 
H1:   0  50  90 150  90 
c) P(50 < X < P Entonces
150) = .
con un nivel de significación

63 63
 P(−5,04
 Zserechazará H < Z < 7,56) = 1
0 si y sólo si   , 

 
32

Respuesta.-
H0: Me = m SEPTIEMBRE 2013. RESERVA
H1: Me  m
Para realizarPARTE:
PRIMERA el contraste tomamos unaTEÓRICO-CONCEPTUALES
CUESTIONES muestra aleatoria simple (X1, X2, .., Xn) . Si H0
n
igual a . es decir, la distribución del número de signos positivos de las deferencias Xi–m se
2
Respuesta.-
 1
Sea como
distribuirá P la una
función
binomial  n ,  . Con lo
de Bprobabilidad definida para lospuede
que el contraste sucesos de uncomo:
plantearse determinado
experimento aleatorio, siendo E su  espacio
2 muestral. Sea X: E   una aplicación que a cada
1
H0: ple=haga corresponder un número real y representemos por [X  a] el suceso
suceso Solución.-
elemental
Sea laa}.
{xE/X(x) venta 2
Diremos
media que
de X es unacompañía.
nuestra variable aleatoria si existe
Efectuaremos la probabilidad P[Xx] para
el contraste:
1
H1: px.H0:  = 90000
todo número real
H21:   90000
X  90000
15000
Para unRespuesta.-
nivel de significación del 5%, el intervalo
–1/2–de aceptación de H0 sería Septiembre 2013
En condiciones bastante generales, los estimadores obtenidos por el método de los
X  90000
–2,009 < 50 < 2,009 ↔ 85737< X < 94263
son si se pretende estimar momentos
15000 poblacionales respecto del origen). Por tanto, en general
no son Puesto
eficientes.
que la media muestral obtenida no se encuentra dentro de este intervalo,
debemosLosrechazar
obtenidos
la por el método
hipótesis nula,deesladecir,
máxima verosimilitud
hemos de admitirson
queconsistentes, no son en
las ventas medias de
general compañía
nuestra insesgados,
son pero entonces
distintas sonsector.
de las del asintóticamente insesgados. Son asintóticamente
Respuesta.-
Para un nivel de significación  fijo, al aumentar el tamaño muestral disminuye el error
de tipo II,  = P[Aceptar H0/H0 falsa], por tanto, aumenta la potencia del contraste 1 –  =
= P[Rechazar H0/H0 falsa]. Si representamos la curva de potencia para dos tamaños muestrales,
p. ej. n = 25 y n = 100, se obtienen curvas del tipo:
1
n=100
n=25
 = 0 1
Respuesta.- 4
Un estimador ̂ n de un parámetro , obtenido de una muestra de tamaño n, es
consistente en probabilidad si  > 0, se cumple que lim P ˆ      1 .
n 
 n 

N 300·3200
muestral
1
   
Xi  X2 N 960000 ,7000 3  N(960000;12124,36)
S2 , 300·490000
n i 1
  60000  10000 
2.- P(900000 < X < 950000) = P Z   P(–4,95 < Z < –0,82)
 12124 ,36 12124 ,36 
 0,2061 – 0 = 0,2061.
Respuesta.-
3.- En las tablas
Utilizaremos de la normal
un intervalo N(0,1) encontramos
de confianza que 0,98
cuando deseemos = P(Z
hacer una<estimación
2,06), luego
delsivalor
x es
de un determinado parámetro de la distribución. x  960000
el número de vehículos
Utilizaremos que buscamos
el contraste se tendrá
de hipótesis cuando  2,06
quedeseemos aceptar de donde
o rechazar unasehipótesis
obtiene
12124 ,36
acerca de alguna característica (por ejemplo el valor de un parámetro) de la población.
que x  984976
Respuesta.-
decidir,
41 partiendo de una muestra, si la variable se distribuye o no de acuerdo con el modelo
especificado.

Respuesta.-
Solución.-
Distribución ji-cuadrado de Pearson con n grados de libertad:
a) Sea  lan venta media semanal. Planteamos el contraste de la siguiente forma:

38
 0:  X
 2n H ≤ i230000
, donde las variables Xi son independientes y normales N(0,1)
H1:i 1 > 30000
UNED. ELCHE. –1/3– www.innova.uned.es/webpages/Ilde/Web/index.htm
Distribución t de Student con n grados de libertad:
U X  30000 –2/3– Junio 2014. 1ª semana
t  , donde U
Si nX es la media muestral, y V son variables independientes, U normal N(0,1)
15 se distribuye aproximadamente y V  2nt-Student
V 12000000
con 14 grados de n libertad. De la tabla de la t-Student con 14 grados de libertad obtenemos que
37000  30000
0,95 = P(t14 < 1,761). Como 15  7,83 > 1,761, debemos rechazar la hipótesis
12000000
nula y admitir que las ventas medias semanales son mayores que 30000.
Respuesta.-
b) p-valor
Porque 7,83)  0. un intervalo con una alta probabilidad (coeficiente de
= P(t14 > construir
deseamos
Respuesta.-
a la probabilidad de obtener un valor del estadístico de prueba que sea al menos tan improbable
como el valor experimental observado.
Respuesta.-
Se pretende contrastar el valor de alguna medida de posición (un cuantil como por
ejemplo la mediana) para localizar estadísticamente la distribución.
PROBLEMAS
5
N 90 , 90 
 2 12  imozas@elx.uned.es
P(900 < X < 1250) = (tipificando) = P(16,43 < Z < 9,13)  1
Respuesta.-
El test de signos no utiliza mucha de la información contenida en los datos pues se basa
sólo en el signo de las diferencias entre cada observación y la mediana, mientras que el test de
rangos-signos de Wilcoxon tiene en cuenta el signo y la magnitud de las diferencias.
PROBLEMAS
Solución.-
X 
S
 S S  
 X  t Solución.-
,X  t  . De las tablas de la t-Student con 59 grados de libertad y = 0,025
 n
Sea Xi la variable
2 2 n
aleatoria “demanda del día i”, i = 1, 2, …, 100 que supondremos
2
100 100  4000 4000 
obtenemos que t  = 2, luego el intervalo es 15000  ,15000  
independientes. Sea S2 =  X i . Se tiene que E(S) =  EX i  = 300000
60 60  =
y Var(S)
 [14483,60
100
; 15516,40]. i 1 i 1
=  i 1
Var X i  = 810000,
b) Planteamos
H
el contraste:
0 : 
de donde S = 810000 = 900. Entonces:
= 17000
a) de acuerdo 1conel17000
H :  teorema central del límite, S se distribuye aproximadamente
normalEl intervalo900);
N(300000, de 0,9 de probabilidad de la t-Student con 59 grados de libertad es
[1,671 ; 1.671] luego la región crítica es el exterior  2000 de este intervalo. Para los datos del
b) P(S > 298000) = (tipificando) = P Z 
X    15000  = p(Z > –2,22) = (tablas) = 0,9868.
 17000
problema, el estadístico de prueba n  900  60  7,75, luego, a este nivel
c) Sea n la producción de refrescos S busca. Deberá ser P[S  n] = 0,99 
que se 2000
de significación,
n  300000no puede aceptarse lo afirmado por el consenso
n  300000 general.
 
P Z   = 0,99. De las tablas se obtiene que  2,33  n = 302097.
 900 900
6
64
Solución.-
El contraste
TUTORÍA sería: EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.)
DE ESTADÍSTICA imozas@elx.uned.es
H0:  < 18
SEPTIEMBRE 2015
H1:  ≥ 18
  
hipótesis nula, la media muestral X es aproximadamente normal N18,
Respuesta.-  . Puesto que
 50 
desconocemos
el producto de las  unidades
(desviación típica
de las poblacional),
variables, mientrastomaremos como una
que el coeficiente estimaciónque
de correlación, la
desviación típica de lala muestra,
resulta de estandarizar covarianzadedividiéndola
forma que por supondremos
el productoque es aproximadamente
de lasXdesviaciones típicas de
las 
variables, 13
es, 
como su nombre indica, un coeficiente y carece de unidades. Aunque ambas
normal N18,   N(18; 1,84).
miden la fuerza50de la relación lineal de las variables, la covarianza no puede usarse para
comparar la relación
a) Para un nivellineal de dos distribuciones
de significación del 0,05% bidimensionales
  = 0,0005distintas
y de las pues
tablasdepende de las
de la normal
N(0, 1) obtenemos que el valor crítico es 3,27.
19,4  18
El estadístico de prueba es  0,76, luego no se puede rechazar la hipótesis nula
Respuesta.- 1,84
ya que Consideremos
no se supera el una valormuestra
crítico. aleatoria {x1, ..., xn} de tamaño n de una población con
PZ  0,76  = 0,2236. EnSeeste
funciónb) de distribución F(x). define la función
caso tampoco de distribución
se rechaza la hipótesis empírica
nula por que como el
p-valor N ( x )
Fn(x) = 0,2236, donde
> 0,001N(x) es el número de valores de la muestra, menores o iguales que x.
n
Respuesta.-
Respuesta.-
siempre y cuando las medianas sean iguales. Es básicamente un contraste de igualdad de las
PROBLEMAS
Solución.-
7
y p < 0,1.
Solución.-
H0:  = 15
H1:   15
  
 20 
 6 
normal N15,   N(15; 1,34).
 20 
17  15
1,34
de 66
confianza, que los desarrolladores están en lo cierto.
b) P(Z > 1,49) = 0,0681, luego el p-valor será 2·0,0681
UNED. ELCHE.
= 0,1362. Observamos que
0,1362TUTORÍA
> 0,05,DEes decir, no se rechaza la hipótesis nula.
ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.) imozas@elx.uned.es
8
Respuesta
Un contraste de hipótesis es paramétrico cuando las hipótesis se refieren al valor de un
parámetro  desconocido de la población (como por ejemplo , , ...).
Es no paramétrico cuando las hipótesis se refieren a características no paramétricas
(forma de la distribución, localización, aleatoriedad de una muestra...)
PROBLEMAS
71
Solución.-
a) Sea X el tiempo de entrega y  = E(X) el tiempo medio. El contraste sería:
H0:  > 20 –2/3– Septiembre 2015. Reserva.
H1:  ≤ 20
X  X  20
Como X es normal, la variable n 21 , bajo la hipótesis nula, es
S 5
aproximadamente t.Student con 20 grados de libertad: En la tabla de la t20 encontramos que
X  20 17  20
0,05 = P(t20 < 1,725). Puesto que el estadístico de prueba 21  21  2,75 <
5 5
< 1,725, debería no admitirse la hipótesis nula.
b) El p-valor es P(t20 < 2,75). De las tablas de la t20 obtenemos que P(t20 < 2,845) =
Pt 20  2,75  0,005 0,01  0,005
= 0.005 y P(t20 < 2,528) = 0,01. Interpolando:  de
 2,75  2,845  2,528  2,845
donde P(t20 < 1,725)  0,0065.
9
 80  56.04 
P(Y > 80)  P  Z   P(Z > 3,4) = 0,0003
 6,94 

Respuesta.-
En una distribución bidimensional de variables (X, Y), la covarianza es el momento
11= Cov(X,Y)
Solución.-= E[(X-E(X))(YE(Y)] y es una medida de la fuerza de la relación lineal
entre Xa)e Si
Y.p es la proporción de audiencia del programa, el contraste lo planteamos:
H0: p ≤ 0,2
El coeficiente de correlación lineal resulta de estandarizar la covarianza, dividiéndola
H1: p > 0,2
Cov (X, Yimozas@elx.uned.es
)
por el TUTORÍA
productoDE ESTADÍSTICA EMPRESARIAL (Código:
de las desviaciones típicas65022076)
de las(2ºvariables:  XY 
GRADO A.D.E.) , por lo
Var (X(·Var (Y)
p̂  p 0 p̂  0,2 p̂  0,2
que carece de magnitud.
El estadístico Proporciona
de prueba zexp =una medida 
numérica del grado enesque las variables
normal N(0,1),
están relacionadas linealmente. p 0 1  p 0  0,2·0,8 0,0283
n 200
luego, Respuesta.-
para un 5% de significación, la región crítica es el intervalo [1,65; +[. Como
48
200
 0El,2error cuadrático medio (ECM) de un estimador ̂ de un parámetro  es E ˆ   .  2

 1,41,
seráno podemos
cuantorechazar la hipótesis
su ECM.nula.
          
Un estimador mejor menor sea
0,0283
ˆ   E ˆ  E ˆ 2  E ˆ   2 = Var( ̂ ) + Sesgo2( ̂ ), luego
2
Si El
b) se p-valor
desarrolla,
sería E P(Z 
> 1,41) = (tablas) = 0,0793
Respuesta.-
100(1)%, es decir P      = 1  .
H0:  = 0
H1:   0
Respuesta.-
especificado.
El planteamiento general sería:
H0: La muestra aleatoria procede de una población con función de distribución F(x)
H1: La muestra aleatoria no procede de una población con función de distribución F(x)
10
9 2 9 2
 P[1,41 < Z < 2,51] = (tablas) = 0,9940  0,0793 = 0,9147
Solución.-
X 
S
 S S 
UNED.
UNED. ELCHE.
ELCHE.  2 n n
2
TUTORÍA
TUTORÍA DE
DE ESTADÍSTICA
ESTADÍSTICA EMPRESARIAL
EMPRESARIAL (Código:
(Código: 65022076)
65022076) (2º
(2º GRADO
GRADO A.D.E.)
A.D.E.) imozas@elx.uned.es
imozas@elx.uned.es
SEPTIEMBRE
En las tablas de la t-Student no aparece t49. Un2016
valor aproximado nos lo proporciona t50.
Para elPRIMERA PARTE:
95% de confianza CUESTIONES
obtenemos  2,009
que t 0,95TEÓRICO-CONCEPTUALES
. Para los datos obtenidos de la muestra
2
 0,1634 0,1634 
será pues: 1,1721  2,009 , 1,1721  2,009  [1,1257 ; 1,2186].

Respuesta.- 50 50 
Si X es una variable
b) Planteamos aleatoria con media  y desviación típica , se llama variable
el contraste:
X  0:  ≥entonces
0,2
tipificada a Y = . SeHdice que hemos aplicado a la variable X un cambio de
 H1:  < 0,2
origen y de escala de forma que E(Y)
El estadístico de prueba es
n =10Sy2 DT(Y) =1
que se distribuye según una 2 con n1 grados de
 2
libertad.
En las tablas de la 2 no aparece  249 . Un valor aproximado nos lo proporciona  50
Respuesta.- 2
, de
Sea X una variable aleatoria cuya distribución depende de
cuya tabla obtenemos que, para el 90% de confianza, la región crítica sería el intervalo un parámetro . Sea
{X , X , ...,
[0; 137,69].2 El valor del X n estadístico, para los datos de la muestra, suponiendo cierta H0, por
} una muestra aleatoria simple y representemos es
L(x 1 , x 2 , 2 n, ) la función de probabilidad (si X es discreta) o de densidad (si X es continua)
...,x
49·0,1634
de la muestra,  32,71,
a la que
quepertenece
llamaremosa la región
funcióncrítica, luego debemos
de verosimilitud El rechazar
método Hde0, es
la decir,
máximano
0,2 2
verosimilitud consiste en elegir como estimador de  el valor  que maximiza *
podemos admitir que hay competencia, al nivel de confianza del 90%.
Respuesta.-
En un contraste, se llama nivel de significación el tamaño  de la región crítica o de
rechazo, es decir, el valor máximo de P(rechazar H0/H0 es cierta)
Respuesta.-
siempre y cuando las medianas sean iguales.
11 Es básicamente un contraste de igualdad de las
 12380,58 12380,58 

= 0,67  0,4013 = 0,2687. luego el porcentaje es el 26,87%.
2.- Unos inversores quieren comprar una web de contenidos cuyos dueños aseguran que
reciben al menos unas 10.000 visitas diarias. El analista externo contratado por los inversores
no está de acuerdo con dicho dato y por ello realiza un estudio, del cual y con una muestra
tornada durante 20 días se obtiene un resultado de 8.600 visitas medias diarias con una
varianza de 1.440.000. Con esta información y suponiendo un comportamiento normal de la
variable estudiada, los inversores buscan:
a) Contrastar a un nivel de significación del 0,05 el valor de las visitas medias diarias.
b) Y obtener el p-valor.
Solución.-
Sea X el número de visitas diarias. Como desconocemos , utilizaremos el estadístico
X 
n que es t-Student con n1 grados de libertad.
s
a) El contraste sería:
H0:  ≥ 10000
H1:  < 10000
En la tabla de la t-Student con 19 grados de libertad encontramos que 0,05 =
8600  10000
= P[t19 < 1,729]. El estadístico de prueba 20  5,22 < 1,729, luego
1440000
debemos rechazar la hipótesis nula.
b) p-valor = PX  8600   Pt19  5,22  0
12
 
 180 180 
 P[2,24 < Z < 1,49] = (tablas) = 0,9319  0,0125 = 0,9194
Solución.-
Sea X el volumen de ingresos mensuales de una empresa y  el ingreso medio mensual
X 
S
 S S 
 2 n 2 n
2
 30000 30000 
185000  1,74 18 ,185000  1,74 18   [172696, 197304]
 UNED. ELCHE.  http://www.innova.uned.es/webpages/Ilde/Web/index.htm
b) Plantearemos el contraste:
H0:  = 170000
H1:   170000
De acuerdo con las tablas de la t-Student para 17 grados
de libertad, la región crítica para el 95% de confianza es
t > 2,11. Como el estadístico de prueba
X  185000  170000
n 18  2,1213 debemos rechazar
S 30000
la hipótesis nula.
13
Solución.-
Respuesta.-
a) Sea X el número de turismos matriculados mensualmente. Se tiene que
Sea ,   el intervalo de confianza
 560  570
para un 650  570   al nivel de confianza
parámetro
P560  X  650  = (tipificamos) = P Z   P(1,15 < Z < 9,24) 
100(1)%, es decir P      = 1 . 75 75 
 1  0,1251
= 0,8749.
0 :  = 0 buscado. Se tendrá que 0,9 = P(X < x) = (tipificamos) =
b) Sea x el Hnúmero
 x  570  H1:   0 x  570
= P  Z 
con un nivel 75  . En las
de significación tablas encontramos que debe ser aproximadamente
. Entonces la región de aceptación es el intervalo de 75 = 1,29
confianza.

 x  581
Respuesta.-
Solución.-
a) Sea  el ingreso medio por filial en el mes de agosto. Planteamos el contraste de la
siguiente forma:
H0:  > 5548
H1:  ≤ 5548
X  5548
Si X es la media muestral, 21 se distribuye aproximadamente t-Student con
1950
20 grados de libertad. De la tabla de la t-Student con 20 grados de libertad obtenemos que
5520  5548
0,95 = P(t 20 > 1,725). Como 21  2,95 < 1,725, debemos rechazar la
1950
hipótesis nula y admitir que el ingreso medio por filial en el mes de agosto no supera los
5548 €.
b) El p-valor es p = P(t20 < 2,95). En la tabla de la t-Student encontramos que
P(t20 < 3,552) = 0,001 y P(t20 < 2,854) = 0,005. Luego, por interpolación:
0,005  0,001 p  0.001

3,552  2,845 3,552  2,95
obtenemos que p  0,004.
14
Estadística Empresarial Tema 9: Contrastes no
Preguntas de exámenes paramétricos y de bondad
de ajuste
Cursos 2011/12 a 2016/17
1
Un
UNED.estimador
ELCHE. ̂ n de un parámetro , obtenido de una muestra de tamaño n, es
consistente en probabilidad si  > 0, se cumple que lim P ˆ n      1 .   imozas@elx.uned.es
 
Tema 9: Contrastes no paramétricos JUNIO 2012-y2ªde bondad
n
SEMANA de ajuste 2
También se dice que ̂ n es consistente en media cuadrática si lim E ˆ n    0 .
n 
PRIMERA
En ambos casos PARTE: CUESTIONES
significa que, a mayor TEÓRICO-CONCEPTUALES
tamaño de la muestra, más se asemeja el
estimador (en probabilidad o en media cuadrática) al parámetro.
Respuesta.-
Solución.-
La
El Cov(X,XY)
número de =seguros
E[(XE(X))(YE(Y))]
de tipo A vendidos podría considerarse
es binomial comoSeuna
B(15; 0,3). medida de la
tendrá:
Respuesta.-
fuerza a)deP(X=7)
la relación lineal entre X e Y. También el coeficiente de correlación lineal
Se utiliza =para 0,0811 contrastar si dos poblaciones diferentes X e Y con funciones de
b) P(XF(x)
Cov ≤ 5)y =F(y),
( X , Y ) 0,7216
 XY 
distribución .de las la
Pero que se han obtenido
covarianza sendas muestras
es una magnitud aleatorias
cuya unidad es el independientes,
producto de las
Var ( X )·Var ( Y )  4decir,
P[X es ] 0,5155
tienen la misma distribución,
c) P[X≤4/X≤6] =  F(z) = 0,5933
G(z) .
unidades en que se expresan P[X X 6e]Y, 0mientras
,8686 que el coeficiente de correlación lineal carece de
unidades
11 y permite comparar la fuerza de la relación lineal de dos poblaciones
bidimensionales,
UNED. ELCHE.
cosa que no permite la covarianza. www.innova.uned.es/webpages/Ilde/Web/index.htm
SEPTIEMBRE 2012
Respuesta.-
Una variable aleatoria X sigue una distribución uniforme en un intervalo [a, b], si la
probabilidad de que X pertenezca a un subintervalo de longitud d es proporcional a d.
Respuesta.-
–1/2–es P(Xi) = 1 , i = 1, 2, 3, ...n Junio 2012. 1ª semana
Si es discreta, su función de probabilidad X  an y cero en el
Consideremos la variable aleatoria X y sea Y = , donde a y b son constantes,
resto. b
 X  a  Var X  a  Var ( X)
 0. Se tiene que Var(Y) = Var 
bSolución.-    1 ,2 a .Así x pues,
b la varianza no se
 
2
Si es continua,
El contraste es: su función de b
densidad es b
f(x) =  b  ab
ve afectada por el cambio H0: Mede≤150origen pero sí se ve afectada 0, el resto
cambio de escala de forma que si
2
una variable se divide H1por
: Me b,>su150
varianza se ve dividida por b .
 1
Para un nivel de significación del 5% encontramos en la tabla de la binomial B 10, 
Respuesta.-  2
que P(X Respuesta.-
Si >el 7) = 1 –de
tamaño la muestra
0,9453 permanece
= 0,0547. Puestofijo,
queentonces
el número si de
disminuye
precios la
de probabilidad
la muestra que de
error Sea
de tipo X I, una variable
aumenta la aleatoria
probabilidad dedeuna determinada
error de tipo II. población
superan 150 es de 6, no podemos rechazar la hipótesis nula y, en conclusión, no podemos y {X 1 , X 2 , ..., X n} una
muestra
afirmarSiquedela
el tamaño
tamaño de n.
vivienda la Se
másdenomina
seamuestra aumenta,
cara estimador,
entonces,
de lo que a cualquier
se cree.para un nivel defunción de la muestra
significación fijo, la

probabilidad 
f X1 , X 2 ,..., Xden error
, que de
será unaIIvariable
tipo disminuyealeatoria, al serlo las Xi.
Respuesta.-
Respuesta.-
Con un nivel de confianza dado, al aumentar el tamaño de la muestra, disminuye la
Respuesta.-
Para contrastar el valor de las medidas de posición, como los cuantiles.
PROBLEMAS
Solución.-
1    

2
 ln  
f( x, )   
2  
 f (x, y)dx

SEPTIEMBRE 2013
PRIMERA PARTE: CUESTIONES   
nETEÓRICO-CONCEPTUALES
   
Respuesta.-
La tipificación convierte a la variable aleatoria en otra de media cero y desviación
Respuesta.-
típica 1Un
lo cual permite
Respuesta.-
estimador
Respuesta.- T(X1, X2, con
T =compararla …, X otras
n) esvariables
suficiente para un parámetro  si la distribución
tipificadas.
X2, …, Xn) condicionada
Supongamos
de (X1,Consideremos una sucesiónpor
la variable Xdesobre
Tn=elementos
t, no que de
depende
la que efectuamos. un cambio
solamente toman eldevalor
origenA oy B. Por
escala,
ejemplo:Significa, de forma intuitiva que el estimador ̂ Xutiliza toda laY información a X relevante
obteniéndoseen la
la variable
Respuesta.-
contenida muestra Y sobre AAAAAABBABBBBBBAAA
= aXel + parámetro
b. Entonces CV X =
a estimar y yque
CVningún
Y =  estadístico
otro en donde
puedese
Se denomina racha, cada una de X Y a X  b
Dada
proporcionar una
más variable
información aleatoria enlas
una sucesiones formadas
determinada por unaparámetro
población, misma letra,es hasta que
cualquier
observa
aparece que si
otra a>0distinta.
letra y b = 0,En CVelsobre
= CV dicho
Xejemplo y,parámetro
en cualquier
Y anterior hay tres otro caso,
rachas de CV X  CVY.
Aes:
constante poblacional referida a la variable aleatoria, como por ejemplo cualquier momento.
Conclusión: el coeficiente de variación no se AAA
ve afectado por cambios escala (positivos)
Seleccionado ahora un tamañoAAAAAA; muestral n A; y siendo (X1, X2, ..., Xn) la variable muestral,
yy sí se ve afectado por cambios de origen.
sedos rachas de
denomina Bes:
estadístico
Respuesta.- a cualquier función de las variables X1, X2, ..., Xn, como por ejemplo
la media muestral. Es por tanto una variable BB; aleatoria.
BBBBBB
Establece el máximo valor de la varianza del estimador ̂ de un parámetro . Si ̂ es
insesgado y su varianza coincide con la cota, decimos que ̂ es eficiente.
Respuesta.-
Es aquella parte de la estadística cuyo objetivo es obtener información sobre el valor de
algún parámetro poblacional, como por ejemplo la media o la varianza, o sobre la forma de la
distribución de la variable aleatoria, como por ejemplo la función de densidad o de cuantía.
Respuesta.-
Respuesta.-
Cuando –1/2–procede Septiembre 2012 Reserva
Si (X1, Xse2, trata
Esta determinación de) contrastar
...,seXhace si la información
a partir de muestra de unaenpoblación
contenida normal
una muestra de la que se
aleatoria.
n es una muestra aleatoria simple de tamaño n, usaremos el estadístico
desconocen
X 
la media y la varianza.
n que se distribuye como una t-Student con n–1 grados de libertad.
S
Respuesta.-
Sea
Respuesta.-  
 un parámetro desconocido y ,  un intervalo de confianza al nivel 100(1–)%.
Supongamos quedeselocalización
Es un contraste desea contrastar la hipótesis:
de la mediana. Las hipótesis son:
H :
H0: Me =0 m  = 0
H1: MeH1:m  0
con un nivel de significación . Entonces se rechazará H0 si y sólo si   ,   
PROBLEMAS

H0: Me = m
H1: Me  m
Para realizar el contraste tomamos una muestra aleatoria simple (X1, X2, .., Xn) . Si H0
Solución.-
n
igual aa) Sea
. es X el número
decir, de impagos
la distribución del cuatrimestrales,
número de signosquepositivos
seguirá una distribución
de las deferencias de X
Poisson
i–m se
2
b) Sea Y una
el número  1 1 – plantearse
P(Y ≤ 9)como:
distribuirá como binomialdeB impagos
n ,  . Conanuales.
lo que elP(Y > 9) =
contraste puede = (tablas) =
= 1 – 0,7166 =0,2834  2 
1
H0 : p =
2
1
H1 : p 
2
3
 
n

b Utilizaremos el2 contraste
x de hipótesis cuando deseemos aceptar o rechazar una hipótesis
= f
acerca( x ) dx 2
yF(x) =
X , f
de alguna característica
n i
( t
donde) dt las
(porvariables
JUNIO
ejemplo Xi
el son
2015- independientes
1ª SEMANA
valor y normales
de un parámetro) N(0,1)
de la población.
a 
i 1
DistribuciónPARTE:
PRIMERA t de Student con n grados de
CUESTIONES libertad:
U
tn  , donde U y V son variables independientes, U normal N(0,1) y V  2n
Respuesta.- V
Supongamos
Respuesta.- una variable aleatoria para la que se supone que su distribución,
n
desconocida, se ajusta
Una variable a un determinado
aleatoria X de Poisson modelo. Un contraste
de parámetro  es una de variable
bondad de ajuste discreta
aleatoria permite
46 Respuesta.-
decidir, partiendo de una muestra, si la variable se distribuye ox no de acuerdo con el modelo
que Si X
toma
especificado.losesvalores
binomial {0, B(n,
1, 2, p)3, con n > 30
4, .....} y taly pque
≤ 0,1,  x )  considerar
P(Xpodemos e mientras queque
X se distribuye
una variable
x!= np.
aproximadamente
Respuesta.- como una variable de Poisson de parámetro
TUTORÍA DE ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.)  imozas@elx.uned.es
aleatoria
Esto X significa
Binomialque de parámetros (n,p) es una variable aleatoria discreta que toma los
Porque deseamos siconstruir
aumentamos indefinidamente
un intervalo con una un alta
número n de
probabilidadpruebas de Bernoulli
(coeficiente de
independientes, con probabilidad de éxito  n
p, de forma que  = np permanece constante, se
confianza)
valores {1, de encontrar
2, 3, ..., n} y en
tal él
que el parámetro  p (1  p)
P(X  x ) desconocido.x n  x
n x
x
verifica que lim  p x 1  p   e 
n x
Respuesta.-
Respuesta.-  
n  x x!
El
En número de rachas
un contraste se utiliza
de hipótesis como estadístico
y supuesta para contrastar
cierta la hipótesis nula H0la, sealeatoriedad de una
denomina p-valor
muestra. Y ello
a la probabilidad
Respuesta.- es por que un número pequeño o un número muy grande
de obtener un valor del estadístico de prueba que sea al menos tan improbable de rachas indicará que
la Respuesta.-
muestra
como elDados no es
valor dos aleatoria.
experimental observado.
A la desviación
PROBLEMAS estimadores
típica de insesgados ̂1 y ̂X
la media muestral 2 se llama error,estándar
delleparámetro se definede la eficiencia
la media. Su

de ̂1. a ̂ 2 como el cociente
 
Var ˆ 1
–1/3–
  . Si este cociente es menor, igual Junio 2014. 1ª semana
valor esRespuesta.-
relativa o mayor que 1,
n Var ˆ

Se pretende contrastar el valor de 2alguna medida de posición (un cuantil como por
diremos
ejemplo que ̂1 es menos,
la mediana) igual o más
para localizar eficiente que la
estadísticamente ̂ 2 distribución.
, respectivamente.
PROBLEMAS
Respuesta.-
Respuesta.-
Solución.-
Sí. Si se conoce la distribución de la población, puede usarse el método pivotal o el
métodoEs
Sea un
X elcontraste
general gasto de localización
anual
de Neyman. de
Si una
no se familia para
conoce laladistribución
(hogar), mediana de una utilizarse
que se distribuye
puede población
normal en supuestamente
muchos).
N(27000, Se
casos
simétrica,
tendrá: que tiene en
la desigualdad de Chebychev.cuenta el signo y la magnitud de las diferencias.
 12000  27000 
0,1075 = P(X< 12000) = (tipificando)PROBLEMAS = P Z   . De las tablas de la N(0,1)
  
 15000
obtenemos que
Respuesta.-  1,24    12097. Luego:
Solución.- 
La variable X = “ número Si es así,de= y clientes
 2000 que compra 8000 el producto” se distribuye
P(25000 < Xde< probabilidad.
  i=1, 2..k

 Z es
 una partición
distribución 35000) = (tipificando) {S
Pi},  = P(0,17 del <dominio
Z < 0,67)de la =
aproximadamente normal N 2000·0,15 Oi  E i 
; 2000  ·0,15 ·0
12097 ,85  N(300
12097 
;15,97). Luego:

k 2
variable
a)aleatoria,
≥ 450)el estadístico
=0,4325 = P(Z 9,4)sedistribuye según una distribución  con k1 2
P(X
= (tablas) = 0,7486 (tipificando)
= 0,3161
i 1
E i ≥ –1/2– 0. Septiembre 2014. Reserva
60 b) P(200 < X < 400) = (tipificando) = P(–6,26 < X < 6,26)  1
grados de libertad, donde Oi y Ei son el número de valores observados y esperados,
c) E(X) = 300
UNED. ELCHE. en el subconjunto Si.
respectivamente, www.innova.uned.es/webpages/Ilde/Web/index.htm
d) X se
TUTORÍA distribuyeEMPRESARIAL
DE ESTADÍSTICA realmente binomial
(Código: 65022076)B(2000; 0,15) pero, al ser np > imozas@elx.uned.es
(2º GRADO A.D.E.) 5 y p < ½
podemos aplicar el teorema de Moivre y aproximar X por una normal, como hemos hecho.
Respuesta.-
El test de signos no utiliza mucha de la información contenida en los datos pues se basa
sólo en el signo de las diferencias entre cada observación y la mediana, mientras que el test de
rangos-signos de Wilcoxon tiene en cuenta el signo y la magnitud de las diferencias.
PROBLEMAS
Solución.-
Para la muestra dada, la media muestral
4 es x  611,55 y la varianza muestral
 x  x   3943,87 de donde s  62,8. Luego:

11
1
s2 =
2
i
10 i 1
Puesto que X es discreta y la hemos aproximado por una continua, podríamos haber hecho una
corrección por continuidad, pero el resultado sería prácticamente el mismo.
Solución.-
Sea X = “notas de estadística en 2013”. Calculamos la media y la desviación típica:
Notas Marca de clase xi Estudiantes ni xini xi2ni
De 0 a 2 1 43 43 43
De 2 a 4 3 93 279 837
De 4 a 6 5 150 750 3750
De 6 a 8 7 109 763 5341
De 8 a 10 9 67 603 5427
462 2438 15398
2
2438 15398  2438 
De donde x   5,28 ; s' 2     5,48  s’ 2,34
462 462  462 
Si F(x) es la función de distribución de X, el contraste a efectuar es:
H0: F(x) se distribuye normal N(5,28 ; 2,34)
H1: F(x) no se distribuye normal N(5,28 ; 2,34)
Tipificamos las clases y usando las tablas de la normal N(0,1) calculamos las
probabilidades teóricas de cada clase:
Desviaciones n i  np i 
2
Clases tipificadas Probabilidades teóricas Frecuencias
(Li-1, Li] pi = F(Li)–F(Li–1) esperadas npi (ni–npi)2 np i
[–2,25 ; –1,40] 0,0687 31,74 126,76 3,99
(–1,40 ; –0,55] 0,2119 97,91 24,07 0,25
(–0,55 ; 0,31] 0,3285 151,78 3,18 0,02
(0,31 ; 1,16] 0,2563 118,43 88,83 0,75
(1,16 ; 2,02] 0,1006 46,47 421,60 9,07
14,08
El número de grados de libertad es 5 – 2 – 1 = 2
Como  22, 0,95  5,99  14,08 rechazamos la hipótesis nula.
5
por el producto de las desviaciones típicas de las variables:  XY  , por lo
, si H 0 cierta Var ( X (·Var ( Y )
que carece de magnitud. Proporciona una1medida  , si H 0numérica
falsa del grado en que las variables
están relacionadas linealmente.
Respuesta.-
Respuesta.-
Si ̂ es un estimador
Supongamos de undeparámetro
dos muestras , se denomina
dos poblaciones sesgo del
independientes con estimador
distribucionesal valor
F(x)dey
 
Respuesta.-

E ̂  El. error cuadrático medio (ECM) de un estimador ̂ de un parámetro  es E ˆ   2 .
F(y). ElUNED. ELCHE.
contraste de la mediana nos llevará a aceptar www.innova.uned.es/webpages/Ilde/Web/index.htm
que las distribuciones son iguales
siempreTUTORÍA DE ESTADÍSTICA EMPRESARIAL (Código: 65022076) (2º GRADO A.D.E.)
Siyelcuando
sesgo las medianaselsean
es positivo iguales.
estimador Es básicamente un contraste
y, en de
imozas@elx.uned.es
igualdad de las
sea susobreestima al parámetro caso contrario, lo
          
Un estimador será mejor cuanto menor ECM.
medianas
infraestima. de dos poblaciones independientes.
SEPTIEMBRE 2016
Si se desarrolla, E ˆ    E ˆ  E ˆ  E ˆ   = Var( ̂ ) + Sesgo ( ̂ ), luego
2 2 2
2
tendrá PROBLEMAS
menor ECM aquel estimador cuya varianza y cuyo sesgo sean menores.
Respuesta.-
Respuesta.-
Se
Si utilizan
X es una para contrastar
variable el valor
aleatoria con demedia
algunamedida de localización
y desviación típica ,(cuantiles).
se llama variable
Respuesta.-
Sea una población con una variable aleatoria X, y sea C el cuantil de orden p
X 
 
p
tipificada
(0 < p Sea a Y,  contrastes
< 1). Los = . Se
el intervalo dice entonces
de confianza
de localización que hemos aplicado
para unformular
se pueden a
parámetro la  al nivel
variable
de cualquiera X un
de cambio
de las confianza
siguientes de

formas:
100(1)%, es decir
origen y de escala P  que
de forma = 1 =.0 y DT(Y) = 1
 E(Y)
I: H 0 : C p = k 0
Supongamos ahora que se desea efectuar II: Cp ≤ k0 bilateral:
Hel0:contraste III: H0: Cp ≥ k0
Solución.- H0:  = 0
La variable
H1: CpXH  =”
k0 nº de prendas defectuosas H1: Cp de> kla
0 muestra” se distribuye H1:como
Cp < kuna
1:   0
0
binomialRespuesta.-
B(30; 0,01), Luego:
de la Respuesta.-
muestra, a la que llamaremos función –1/3–de verosimilitud El método de Septiembre la máxima
2015.
Supongamos
verosimilitud consiste una envariable
elegir aleatoria para la que
como estimador de se elsupone
valorque * suquedistribución,
maximiza
especificado.
El planteamiento general sería:
Respuesta.-
H0: La muestra aleatoria procede de una población con función de distribución F(x)
H1: un
En La contraste,
muestra aleatoriase llamanonivel
procede de una población
de significación  de de
con función
el tamaño distribución
la región críticaF(x)o de
rechazo, es decir, el valor máximo de P(rechazar –1/3–H0/H0 es cierta)
Respuesta.-
siempre y cuando las medianas sean iguales.–1/3– Junio 2016. 2ª semana
Es básicamente un contraste de igualdad de las
PROBLEMAS

Respuesta.-

EE Soluciones 2012 17 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

EE Soluciones 2012 17 PDF

Uploaded by

Copyright:

Available Formats

Estadística Empresarial

Preguntas de exámenes Tema 1: Variables aleatorias

Cursos 2011/12 a 2016/17

UNED. ELCHE. www.innova.uned.es/webpages/Ilde/Web/index.htm

JUNIO 2013- 1ª SEMANA

PRIMERA PARTE: CUESTIONES TEÓRICO-CONCEPTUALES

 Px i , y j  ; F2(y) =  Px i , y j  ; F(x/y)=

PRIMERA PARTE: CUESTIONES TEÓRICO-CONCEPTUALES

69 Y si (X, Y) es una una variable aleatoria bidimensional continua, la función de

distribución condicionada de la variable X, dado Y = y es: www.innova.uned.es/webpages/Ilde/Web/index.htm

Cursos 2011/12 a 2016/17

UNED. ELCHE. www.innova.uned.es/webpages/Ilde/Web/index.htm

JUNIO 2012- 1ª SEMANA

PRIMERA PARTE: CUESTIONES TEÓRICO-CONCEPTUALES

distribución de una función de variablesJUNIO aleatorias:

n i 1 de localización de la mediana. Las hipótesis son:

Cursos 2011/12 a 2016/17

diremos que ̂1 es menos, igual o más eficiente que ̂ 2 , respectivamente.

verificaTUTORÍA  p 1  p   (Código:

–1/3– Junio 2015. 1ª semana

Solución.- –1/2– Septiembre 2016.

a) El número M de intentos de robo mensuales es una variable aleatoria de Poisson con

 = 100 y L = 2·50 = 100

–2/2– Septiembre 2016.

Cursos 2011/12 a 2016/17

–1/2– Junio 2012. 2ª semana

–1/2– Junio 2013. 2ª semana

-1.- Para  la= venta

C) No existe dependencia lineal entre –1/2–

Solución.- –1/2– Junio 2014. 2ª semana

Sea X = “notas de estadística en 2013”. Calculamos la media y la desviación típica:

̂1 es  12000  27000 

UNED. ELCHE. www.innova.uned.es/webpages/Ilde/Web/index.htm

–2/3– Septiembre 2014.

De los datos se obtiene que x 

–2/3– Junio 2015. 2ª semana

–1/3– Septiembre 2015.

Si X1, X2, ..., Xn son n variables aleatorias independientes e idénticamente distribuidas,

UNED. ELCHE. www.innova.uned.es/webpages/Ilde/Web/index.htm

JUNIO 2016- 1ª SEMANA

PRIMERA PARTE: CUESTIONES TEÓRICO-CONCEPTUALES

–2/3– Junio 2016. 1ª semana

–1/2– Septiembre 2016.

–2/3– Junio 2016. 2ª semana

En la tabla de la t-Student con 19 grados de libertad encontramos que 0,05 =

Cursos 2011/12 a 2016/17

UNED. ELCHE. www.innova.uned.es/webpages/Ilde/Web/index.htm

Cursos 2011/12 a 2016/17

          

Respuesta.- SEPTIEMBRE 2013

JUNIO 2014- 1ª SEMANA

Si X es continua y f:   es la función de densidad, se cumple que P[aXb] =

–1/3– Septiembre 2014.

relativa de ̂1 a ̂ 2 como el cociente

diremos que ̂1 es menos, igual o más eficiente que ̂ 2 , respectivamente.

El error cuadrático medio (ECM) de un estimador ̂ de un parámetro  es E ˆ   .

H1: Cp  k0 H1: Cp > k0 H1: Cp < k0

decidir, partiendo de una muestra, si la variable se distribuye o no de acuerdo con el modelo

3. En la estimación por intervalos de confianza, ¿qué nos asegura un nivel de confianza

Cursos 2011/12 a 2016/17

 p̂(1  p̂) p̂(1  p̂) 

UNED. ELCHE. www.innova.uned.es/webpages/Ilde/Web/index.htm

UNED. ELCHE. www.innova.uned.es/webpages/Ilde/Web/index.htm