a) Los tratamientos en este ejemplo son los hombres las mujeres.

b) Las muestras son independientes, Esta suposición se justifica por la manera

en que se obtienen los datos; es decir, a la muestra a la que se le aplica el
tratamiento 1 es independiente de la muestra para el tratamiento 2.

c) Script de R

Mujer=rbind(75,77,78,79,77,73,78,79,78,80)
class(Mujer)
hist(Mujer,col="10")
summary(Mujer)
var(Mujer)
sd(Mujer)
boxplot(Mujer)
qqnorm(Mujer)
qqline(Mujer)
shapiro.test(Mujer)

SUPUESTOS
PRUEBA DE NORMALIDAD
Dado que el valor p=0,227 es mayor que 0,05 la prueba no es significativa al 5%,
es decir, los datos provienen de una población normalmente distribuida.

Hombre=rbind(74,72,77,76,76,73,75,73,74,75)
hist(Hombre,col="4")
summary(Hombre)
var(Hombre)
sd(Hombre)
boxplot(Hombre)
qqnorm(Hombre)
qqline(Hombre)
shapiro.test(Hombre)

Dado que el valor p=0,8486 es mayor que 0,05 la prueba no es significativa al 5%,
es decir, los datos provienen de una población normalmente distribuida.

PRUEBA DE VARIANZAS
data=data.frame(Mujer,Hombre)
data
attach(data)
Mujer=as.numeric(Mujer)
is.numeric(Mujer)
Hombre=as.numeric(Hombre)
is.numeric(Hombre)

var.test(Mujer,Hombre)
Como el valor p es mayor a 0,05 no se rechaza la hipótesis nula, es decir, que con
una confianza del 95% se puede asumir que las varianzas poblacionales son
iguales.

Tomando en cuenta los resultados anteriores se plantea entonces la hipótesis para

probar si los promedios poblacionales de la temperatura corporal para hombres y
mujeres son iguales.

𝐻𝑜: 𝜇1 = 𝜇2

𝐻1 : 𝜇1 ≠ 𝜇2

Utilizando una prueba t student cuando se asumen varianzas iguales

t.test(Mujer,Hombre,
alternative = c("two.sided"),
mu = 0, paired = FALSE, var.equal = TRUE,
conf.level = 0.95)

Como el valor p es menor a 0,05 se rechaza la hipótesis nula, por consiguiente, se

tiene una confianza del 95% que los promedios poblacionales de la temperatura
corporal para hombres y mujeres son diferentes.
 a) HIPOTESIS

𝐻𝑜: 𝜇1 = 𝜇2

𝐻1 : 𝜇1 ≠ 𝜇2

SUPUESTOS

NORMALIDAD

T_baja=rbind(17.2,21.4,17.5,20.9,18.6,19.8,15.9,20.4,16.4,20.6)

class(T_baja)
hist(T_baja,col="10")

summary(T_baja)

var(T_baja)

sd(T_baja)

boxplot(T_baja)

qqnorm(T_baja)

qqline(T_baja)

shapiro.test(T_baja)
Dado que el valor p=0,3151es mayor que 0,05 la prueba no es significativa al 5%,
es decir, los datos provienen de una población normalmente distribuida.

T_alta=rbind(17.3,21.0,16.8,20.8,18.4,19.9,16.7,21.1,17.6,20.3)

hist(T_alta,col="4")

summary(T_alta)

var(T_alta)

sd(T_alta)

boxplot(T_alta)

qqnorm(T_alta)

qqline(T_alta)

shapiro.test(T_alta)
Dado que el valor p=0,08527 es mayor que 0,05 la prueba no es significativa al
5%, es decir, los datos provienen de una población normalmente distribuida.

d) PRUEBA DE VARIANZAS
var.test(T_baja,T_alta)

Como el valor p es mayor a 0,05 no se rechaza la hipótesis nula, es decir, que con
una confianza del 95% se puede asumir que las varianzas poblacionales son
iguales.

b) INTEVALO DE CONFIANZA

t.test(T_baja,T_alta,

alternative = c("two.sided"),
 mu = 0, paired = FALSE, var.equal = TRUE,

conf.level = 0.95)

Como en el intervalo se encuentra el cero se puede estar 95% seguro que el

encogimiento promedio sufrido es igual para las dos temperaturas.

c) Las dos temperaturas provocan igual encogimiento.

e.

data=data.frame(T_baja,T_alta)

data

attach(data)

T_baja=as.numeric(T_baja)

is.numeric(T_baja)

T_alta=as.numeric(T_alta)

is.numeric(T_alta)

boxplot(data)
Como se concluyó en el punto c) es claro encogimiento promedio sufrido es igual
para las dos temperaturas.
 a) SUPUESTOS

Ruta_A=rbind(18,24,30,21,32)

class(Ruta_A)

hist(Ruta_A,col="10")

summary(Ruta_A)

var(Ruta_A)

sd(Ruta_A)

boxplot(Ruta_A)

qqnorm(Ruta_A)

qqline(Ruta_A)

shapiro.test(Ruta_A)
Como el valor p=0,6723 es mayor que 0,05 la prueba no es significativa al 5%, es
decir, los datos provienen de una población normalmente distribuida.

Ruta_B=rbind(22,29,34,25,35)

hist(Ruta_B,col="4")

summary(Ruta_B)

var(Ruta_B)

sd(Ruta_B)

boxplot(Ruta_B)
qqnorm(Ruta_B)

qqline(Ruta_B)

shapiro.test(Ruta_B)

Como el valor p=0,5819 es mayor que 0,05 la prueba no es significativa al 5%, es

decir, los datos provienen de una población normalmente distribuida.

PRUEBA DE VARIANZAS
var.test(Ruta_A,Ruta_B)

Como el valor p es mayor a 0,05 no se rechaza la hipótesis nula, es decir, que con
una confianza del 95% se puede asumir que las varianzas poblacionales son
iguales.

PRUEBA DE HIPOTESIS

t.test(Ruta_A,Ruta_B,

alternative = c("two.sided"),

mu = 0, paired = FALSE, var.equal = TRUE,

 conf.level = 0.95)

Como el valor p es mayor a 0,05 no se rechaza la hipótesis nula, por consiguiente,

se tiene una confianza del 95% que los promedios poblacionales de los tiempos de
viaje en las dos rutas son iguales.

b) Script de R

data=data.frame(Ruta_A,Ruta_B)

data

attach(data)

Ruta_A=as.numeric(Ruta_A)

is.numeric(Ruta_A)

Ruta_B=as.numeric(Ruta_B)

is.numeric(Ruta_B)

boxplot(data)
De acuerdo a la figura y sin hacer la respectiva prueba de hipótesis se escogería la
ruta A, pero como se comprobó en el literal a) se estaría incurriendo en un error
tipo II.

c) Una mejor manera de obtener los datos es asignado los mismos choferes a
las dos rutas y haciendo una prueba pareada.
 a) Nnn
b) SUPUESTOS

NORMALIDAD

Proveedor_1=rbind(21.38,20.13,19.12,19.85,20.54,18.00,22.24,21.94,19.07,18.60,
21.89,22.60,18.10,19.25)

class(Proveedor_1)

hist(Proveedor_1,col="10")

summary(Proveedor_1)

var(Proveedor_1)

sd(Proveedor_1)

boxplot(Proveedor_1)
qqnorm(Proveedor_1)

qqline(Proveedor_1)

shapiro.test(Proveedor_1)

Como el valor p=0,2853 es mayor que 0,05 la prueba no es significativa al 5%, es

decir, los datos provienen de una población normalmente distribuida.

Proveedor_2=rbind(21.51,22.22,21.49,21.91,21.52,22.06,21.51,21.29,22.71,22.65,
21.53,22.22,21.92,20.82)

hist(Proveedor_2,col="4")

summary(Proveedor_2)
var(Proveedor_2)

sd(Proveedor_2)

boxplot(Proveedor_2)

qqnorm(Proveedor_2)

qqline(Proveedor_2)

shapiro.test(Proveedor_2)

Dado que el valor p=0,2853 es mayor que 0,05 la prueba no es significativa al 5%,
es decir, los datos provienen de una población normalmente distribuida.

c) PRUEBA DE VARIANZAS
var.test(Proveedor_1,Proveedor_2)

Como el valor p es menor a 0,05, se rechaza la hipótesis nula, por consiguiente, se

tiene una confianza del 95% que los promedios poblacionales de los tiempos de
viaje en las dos rutas son diferentes.

HIPOTESIS

𝐻𝑜: 𝜇1 = 𝜇2

𝐻1 : 𝜇1 ≠ 𝜇2
t.test(Proveedor_1,Proveedor_2,

alternative = c("two.sided"),

mu = 0, paired = FALSE, var.equal = FALSE,

conf.level = 0.95)

Como el valor p es menor a 0,05 se rechaza la hipótesis nula, es decir, se tiene una
confianza del 95% que los promedios poblacionales de los diámetros de la piezas
de los dos proveedores no son iguales.

d) Hallamos los intervalos de confianza individuales:

t.test(Proveedor_1)

t.test(Proveedor_2)
Como las especificaciones del diámetro 20,25 +/- 2,25 es (18 ; 22,5), de acuerdo al
intervalo de confianza el proveedor 2 produce menos piezas defectuosas.

e) Escojo en proveedor dado que según las especificaciones y de acuerdo al

intervalo de confianza el segundo es más pequeño.

a)

HIPOTESIS

𝐻𝑜: 𝜇1 = 𝜇2

𝐻1 : 𝜇1 ≠ 𝜇2
b) Estadístico de prueba

PRIMERO PROBAMOS LOS SUPUESTOS

NORMALIDAD

Barra_1=rbind(939,976,1025,1034,1015,1015,1022,815)

class(Barra_1)

hist(Barra_1,col="10")

summary(Barra_1)

var(Barra_1)

sd(Barra_1)

boxplot(Barra_1)

qqnorm(Barra_1)

qqline(Barra_1)

shapiro.test(Barra_1)
Como el valor p=0,0061 es menor que 0,05 la prueba es significativa al 5%, es
decir, los datos no provienen de una población normalmente distribuida.

Barra_2=rbind(1025,938,1015,983,843,1053,1038,938)

hist(Barra_2,col="4")

summary(Barra_2)

var(Barra_2)

sd(Barra_2)

boxplot(Barra_2)
qqnorm(Barra_2)

qqline(Barra_2)

shapiro.test(Barra_2)

Como el valor p=0,3 es mayor que 0,05 la prueba no es significativa al 5%, es

decir, los datos provienen de una población normalmente distribuida.

En vista que uno de los supuestos no se cumple, se utiliza una prueba no

paramétrica que reemplace el test de t student, en este caso:

wilcox.test(Barra_1,Barra_2,paired=FALSE,conf.level=0.95)
ESTADISTICO DE PRUEBA

CON

SE ESCOGE EL VALOR DE U DE ACUERDO A LA SIGUIENTE TABLA

c) en este ejercicio se toma el valor p=1, es decir no se rechaza Ho y se concluye

con un 95% de confianza que los promedios de resistencia es igual para las 2
barras.
d) Valor p

e) IGUALDAD DE VARIANZAS

var.test(Barra_1,Barra_2)

Debido a que el valor p es mayor a 0,05, no se rechaza la hipótesis nula, por

consiguiente, se tiene una confianza del 95% que las varianzas poblacionales de
los de las resistencias son iguales para las dos barras.
f) EXISTE ALGÚN TRATAMIENTO MEJOR

Como se observa en la figura de Box-plot y se determinó en las pruebas de

diferencia de medias no hay diferencia en los dos tratamientos.
a)

HIPOTESIS

𝐻𝑜: 𝜇1 = 𝜇2

𝐻1 : 𝜇1 ≠ 𝜇2

b)

SUPUESTOS

NORMALIDAD

T1=rbind(76,85,74,78,82,75,82)

class(T1)

hist(T1,col="10")

summary(T1)

var(T1)

sd(T1)
boxplot(T1)

qqnorm(T1)

qqline(T1)

shapiro.test(T1)

Como el valor p=0,4697 es mayor que 0,05 la prueba no es significativa al 5%, es

decir, los datos provienen de una población normalmente distribuida.

T2=rbind(57,67,55,64,61,63,63)

hist(T2,col="4")

summary(T2)
var(T2)

sd(T2)

boxplot(T2)

qqnorm(T2)

qqline(T2)

shapiro.test(T2)

Como el valor p=0,6505 es mayor que 0,05 la prueba no es significativa al 5%, es

decir, los datos provienen de una población normalmente distribuida.

IGUALDAD DE VARIANZAS
var.test(T1,T2)

Debido a que el valor p es mayor a 0,05, no se rechaza la hipótesis nula, por

consiguiente, se tiene una confianza del 95% que las varianzas poblacionales de
los de los tiempos de cocción son iguales para los dos tratamientos.

Entonces el estadístico de prueba será:

c) PRUEBA DE HIPOTESIS

t.test(T1,T2,

alternative = c("two.sided"),

mu = 0, paired = FALSE, var.equal = TRUE,

conf.level = 0.95)
Como el valor p es menor a 0,05 se rechaza la hipótesis nula, es decir, se tiene una
confianza del 95% que los promedios poblacionales de los tiempos de cocción es
diferente en los dos tratamientos.

Por el valor crítico de tablas se deben utilizar los grados de libertad n1+n2-2 = 7+7-
2=12

Con alfa = 0,05 se tiene que valor de t de tabla es:

Ttabla = 2,179 el cual es menos a 7,829 calculado con el estadístico de prueba,

entonces se rechaza la hipótesis y se obtiene la misma conclusión que con el valor
p.

d) IGUALDAD DE VARIANZA

Esto se probó en los supuestos

Debido a que el valor p es mayor a 0,05, no se rechaza la hipótesis nula, por

consiguiente, se tiene una confianza del 95% que las varianzas poblacionales de
los tiempos de cocción son iguales para los dos tratamientos.

e) EXISTE UN MEJOR TRATAMIENTO

data=data.frame(T1,T2)

data

attach(data)

T1=as.numeric(T1)
is.numeric(T1)

T2=as.numeric(T2)

is.numeric(T2)

boxplot(data)

De acuerdo a la figura de box-plot el tratamiento 2 tiene menor promedio en los

tiempos de cocción, el intervalo de confianza de t1-t2 no contiene el cero, es decir
que, los tiempos promedios para T2 son mayores que para T1, entonces se escoge
el tratamiento 2.
a)

HIPOTESIS

𝐻𝑜: 𝜇1 ≤ 𝜇2

𝐻1 : 𝜇1 > 𝜇2
SUPUESTOS

Texcoco=rbind(60,40,95,55,40,20,10,10,55,15,35,25,70,20,20)

class(Texcoco)

hist(Texcoco,col="10")

summary(Texcoco)

var(Texcoco)

sd(Texcoco)

boxplot(Texcoco)

qqnorm(Texcoco)

qqline(Texcoco)

shapiro.test(Texcoco)
Como el valor p=0,1512 es mayor que 0,05 la prueba no es significativa al 5%, es
decir, los datos provienen de una población normalmente distribuida.

Celaya=rbind(95,100,70,40,35,100,30,100,100,100,25,15,85,15,30)

hist(Celaya,col="4")

summary(Celaya)

var(Celaya)

sd(Celaya)

boxplot(Celaya)

qqnorm(Celaya)

qqline(Celaya)

shapiro.test(Celaya)
Como el valor p=0,004754 es menor que 0,05 la prueba es significativa al 5%, es
decir, los datos no provienen de una población normalmente distribuida.

En vista que uno de los supuestos no se cumple, se utiliza una prueba no

paramétrica que reemplace el test de t student, en este caso:

wilcox.test(Celaya,Texcoco,

alternative = c("greater"),

mu = 0, paired = FALSE, exact = NULL,

conf.level = 0.95)
Como el valor p=0,02766 es menos a 0,05 se rechaza la Ho, es decir, se puede
estar 95% seguro que el porcentaje promedio del hongo es mayor en Celaya que
en Texcoco, esta afirmación se confirma con la figura de Box-plot.

b) DIAGRAMA DE DISPERSIÓN3

Texcobertura=rbind(60,40,95,55,40,20,10,10,55,15,35,25,70,20,20)

Texgramos=rbind(122.6,182.74,203.45,84.03,128.46,31.85,12.81,57.05,145.83,49.
49,103.66,95.05,125.02,40.57,19.36)

plot(Texcobertura,Texgramos)
De acuerdo al diagrama de dispersión si parece haber una relación lineal directa
entre el % de cobertura de la mazorca con los gramos de huitlacoche.

c) HIPOTESIS

𝐻𝑜: 𝜇1 = 𝜇2
𝐻1 : 𝜇1 ≠ 𝜇2

SUPUESTOS

NORMALIDAD

Texgramos=rbind(122.6,182.74,203.45,84.03,128.46,31.85,12.81,57.05,145.83,49.
49,103.66,95.05,125.02,40.57,19.36)
Celayagramos=rbind(231.80,346.74,231.41,141.49,149.69,291.28,86.03,158.74,1
67.25,120.89,19.70,22.08,134.02,28.76,24.87)

summary(Texgramos)

summary(Celayagramos)

var(Texgramos)

var(Celayagramos)

shapiro.test(Texgramos)

shapiro.test(Celayagramos)

De acuerdo a los valore p mayores a 0.05, existe normalidad en los datos de las 2
poblaciones.

PRUEBA DE IGUALDAD DE VARIANZAS

var.test(Celayagramos,Texgramos)

Debido a que el valor p es mayor a 0,05, no se rechaza la hipótesis nula, por

consiguiente, se tiene una confianza del 95% que las varianzas poblacionales de
la producción de huitlacoche es igual en las dos localidades.

PRUEBA T DE DIFERENCIA DE MEDIAS

t.test(Texgramos,Celayagramos,

alternative = c("two.sided"),

mu = 0, paired = FALSE, var.equal = TRUE,

 conf.level = 0.95)

Como el valor p es mayor a 0,05 no se rechaza la hipótesis nula, es decir, se tiene

una confianza del 95% que los promedios poblacionales de la producción de
huitlacoche es igual en las dos localidades, esto no se evidencia de manera clara
en la figura de Blox-plot, pero para eso se realiza la prueba de hipótesis y no cometer
error tipo II.

d) DIAGRAMAS DE DISPERSIÓN COBERTURA VS PRODUCCIÓN

Como se evidencia en los diagramas de dispersión a mayor cobertura mayor
producción.
a) ESTADISTICO DE PRUEBA E HIPÓTESIS
SUPUESTOS

MActual=rbind(1.88,1.84,1.83,1.90,2.19,1.89,2.27,2.03,1.96,1.98,2.00,1.92,1.83,1.
94,1.94,1.95,1.93,2.01)

class(MActual)

hist(MActual,col="10")

summary(MActual)

var(MActual)

sd(MActual)

boxplot(MActual)

qqnorm(MActual)

qqline(MActual)

shapiro.test(MActual)
Como el valor p=0,0099 es menor que 0,05 la prueba es significativa al 5%, es
decir, los datos no provienen de una población normalmente distribuida.

MNuevo=rbind(1.87,1.90,1.85,1.88,2.18,1.87,2.23,1.97,2.00,1.98,1.99,1.89,1.78,1.
92,2.02,2.00,1.95,2.05)

hist(MNuevo,col="4")

summary(MNuevo)

var(MNuevo)

sd(MNuevo)

boxplot(MNuevo)
qqnorm(MNuevo)

qqline(MNuevo)

shapiro.test(MNuevo)

Como el valor p=0,1863 es mayor que 0,05 la prueba no es significativa al 5%, es

decir, los datos provienen de una población normalmente distribuida.

Como no se cumple el supuesto de normalidad utilizamos la prueba no paramétrica

de WILCOXON para muestras relacionadas o pareadas.

wilcox.test(MActual,MNuevo,paired=TRUE,conf.level=0.95)
Como el valor p es mayor a 0,05 no se rechaza la hipótesis nula, es decir, se tiene
una confianza del 95% que la densidad mínima promedio no es diferente en los dos
métodos.

El criterio de apareamiento es que a los mismos discos se les aplica los dos
métodos.

b) INTERVALO DE CONFIANZA METODO ACTUAL – NUEVO

Como en el intervalo se encuentra el cero no existen diferencias en los dos métodos.

c) PRUEBA IGNORANDO EL APAREAMINETO

Como el supuesto de normalidad no se cumple se utiliza una prueba no paramétrica

de WILCONXON PARA MUESTRAS INDEPENDIENTES.

PRUEBA DE IGUALDAD DE VARIANZAS

var.test(MActual,MNuevo)

Debido a que el valor p es mayor a 0,05, no se rechaza la hipótesis nula, por

consiguiente, se tiene una confianza del 95% que las varianzas poblacionales son
iguales.

wilcox.test(MActual,MNuevo,

alternative = c("two.sided"),
 mu = 0, paired = FALSE,var.equal = TRUE,

conf.level = 0.95)

Como el valor p=0,8617 es mayor a 0,05 no se rechaza la Ho, es decir, se puede

estar 95% que los promedios de las densidades es igual utilizando los dos métodos
esta afirmación se confirma con la figura de Box-plot.

data=data.frame(MActual,MNuevo)

data

attach(data)

MActual=as.numeric(MActual)

is.numeric(MActual)

MNuevo=as.numeric(MNuevo)

is.numeric(MNuevo)

boxplot(MActual,MNuevo)
Aunque los resultados de los dos análisis es el mismo no es correcto tomar los
métodos como muestras independientes ya que la prueba se está haciendo sobre
el mismo disco y allí se pierde el criterio de independencia.

d) INTERVALO DE CONFIANZA

Como en el intervalo se encuentra el cero no existen diferencias en los dos métodos.

La diferencia entre los dos intervalos es que por muestras independientes es mayor,
es decir tiene menos precisión.

e) Se utiliza el apareamiento como su nombre lo indica es que ambos

tratamientos se van obteniendo por pares, de tal forma que cada par son
datos que tienen algo en común, en este caso a los mismos discos se les
mide la densidad mínima por dos métodos.
f) La adopción de cualquier método es indiferente.
a) Se toma una muestra de 10 especímenes y cada uno se prueba con ambas
bolas, teniendo en cuenta que el orden con que se mide sea completamente
al azar, el trabajo deber ser realizado en condiciones ambientales similares
y por el mismo operador.
b) ESTADISTICO DE PRUEBA E HIPÓTESIS

SUPUESTOS
NORMALIDAD

BolaX=rbind(75,46,57,43,58,32,61,56,34,65)
class(BolaX)
 hist(BolaX,col="10")
summary(BolaX)
var(BolaX)
sd(BolaX)
boxplot(BolaX)
qqnorm(BolaX)
qqline(BolaX)
shapiro.test(BolaX)

.Como el valor p=0,7504 es mayor que 0,05 la prueba no es significativa al 5%, es

decir, los datos provienen de una población normalmente distribuida.
BolaY=rbind(52,41,43,47,32,49,52,44,57,60)

class(BolaY)

hist(BolaY,col="10")

summary(BolaY)

var(BolaY)

sd(BolaY)

boxplot(BolaY)

qqnorm(BolaY)

qqline(BolaY)

shapiro.test(BolaY)
.Como el valor p=0,9597 es mayor que 0,05 la prueba no es significativa al 5%, es
decir, los datos provienen de una población normalmente distribuida.

PRUEBA DE IGUALDAD DE VARIANZAS

var.test(BolaX,BolaY)

Debido a que el valor p es mayor a 0,05, no se rechaza la hipótesis nula, por

consiguiente, se tiene una confianza del 95% que las varianzas poblacionales son
iguales.
PRUEBA DE MEDIAS PAREADAS CON VARIANZAS IGUALES

t.test(BolaX,BolaY,

alternative = c("two.sided"),

mu = 0, paired = TRUE, var.equal = TRUE,

conf.level = 0.95)

Como el valor p=0,3445 es mayor a 0,05 no se rechaza la Ho, es decir, se puede

estar 95% que los promedios de las mediciones de dureza es igual en las dos bolas.

c) PRUEBAS SUPONIENDO MUESTRAS INDEPENDIENTES

Como se demostró en el punto b) se cumplen los supuestos de normalidad y

homogeneidad de la varianza, se procede entonces, con la prueba t para muestras
independientes:

t.test(BolaX,BolaY,

alternative = c("two.sided"),

mu = 0, paired = FALSE, var.equal = TRUE,

conf.level = 0.95)
Como el valor p=0,3353 es mayor a 0,05 no se rechaza la Ho, es decir, se puede
estar 95% que los promedios de las mediciones de dureza es igual en las dos bolas.

Los resultados estadísticamente son los mismos.

a) SE UTILIZAN MUESTRAS PAREADAS

 ESTADISTICO DE PRUEBA E HIPÓTESIS

𝐻𝑜: 𝜇𝑑 ≤ 0
𝐻1 : 𝜇𝑑 ˃ 0

SUPUESTOS
NORMALIDAD

SinAditivo=rbind(20,31,16,22,19,32,25,18,20,19)

class(SinAditivo)

hist(SinAditivo,col="10")

summary(SinAditivo)

var(SinAditivo)

sd(SinAditivo)

boxplot(SinAditivo)

qqnorm(SinAditivo)

qqline(SinAditivo)

shapiro.test(SinAditivo)
.Como el valor p=0,063 es mayor que 0,05 la prueba no es significativa al 5%, es
decir, los datos provienen de una población normalmente distribuida.

ConAditivo=rbind(23,34,15,21,22,31,29,20,24,23)

class(ConAditivo)

hist(ConAditivo,col="10")

summary(ConAditivo)

var(ConAditivo)

sd(ConAditivo)

boxplot(ConAditivo)
qqnorm(ConAditivo)

qqline(ConAditivo)

shapiro.test(ConAditivo)

.Como el valor p=0,6792 es mayor que 0,05 la prueba no es significativa al 5%, es

decir, los datos provienen de una población normalmente distribuida.

PRUEBA DE IGUALDAD DE VARIANZAS

var.test(ConAditivo,SinAditivo)

Dado que el valor p es mayor a 0,05, no se rechaza la hipótesis nula, por

consiguiente, se tiene una confianza del 95% que las varianzas poblacionales son
iguales.

PRUEBA DE MEDIAS PAREADAS CON VARIANZAS IGUALES

t.test(ConAditivo,SinAditivo,

alternative = c("greater"),
 mu = 0, paired = TRUE, var.equal = TRUE,

conf.level = 0.95)

De acuerdo al valor p=0,00841, se rechaza la hipótesis nula, es decir, se puede

estar 95% seguro que el aditivo acelera el crecimiento de las plantas.

b) INTERVALOS DE CONFIANZA

Como en el intervalo no se encuentra el cero se puede estar 95% seguro que el

crecimiento promedio con aditivo es mayor que si éste.

c) La forma como se asigna de manera aleatoria por medio de una moneda es

sencilla se lanza una moneda y si sale cara se asigna al grupo sin aditivo y
si sale cruz al grupo con aditivo, pero esto se debe hacer por pares, es decir
no seguir hasta completar la pareja, el número de lanzamientos que sea
necesario.
d) En este caso no se puede asignar por pares ya nada nos garantiza que la
moneda va a caer exactamente 5 veces en cada cara.