Laboratorio 15: Modelos Probabilísticos Continuos en Python y R

Este documento integra R y Python en un mismo archivo R Markdown (.Rmd). R se ejecuta mediante knitr y Python mediante reticulate.

# 1. Instalar y cargar reticulate
if (!requireNamespace("reticulate", quietly = TRUE)) {
  install.packages("reticulate", repos = "https://cloud.r-project.org")
}
library(reticulate)

# 2. Instalar Miniconda si no está disponible.
# Comprobamos directamente si existe el ejecutable de Conda.
conda_exe <- file.path(
  reticulate::miniconda_path(),
  if (.Platform$OS.type == "windows") "condabin/conda.bat" else "bin/conda"
)

if (!file.exists(conda_exe)) {
  reticulate::install_miniconda(update = FALSE)
}

# 3. Crear un entorno dedicado con Python 3.11
lab_env <- "lab15-python"

if (!reticulate::condaenv_exists(lab_env)) {
  reticulate::conda_create(
    envname = lab_env,
    packages = "python=3.11"
  )
}

# 4. Instalar todas las librerías en ESE entorno
reticulate::py_install(
  packages = c(
    "numpy",
    "scipy",
    "matplotlib",
    "pandas",
    "seaborn",
    "statsmodels",
    "sympy"
  ),
  envname = lab_env,
  method = "conda",
  pip = TRUE
)

# 5. Instalar las librerías de R que utiliza el laboratorio
paquetes_R <- c("ggplot2", "dplyr")
faltantes_R <- paquetes_R[
  !vapply(paquetes_R, requireNamespace, logical(1), quietly = TRUE)
]

if (length(faltantes_R) > 0) {
  install.packages(faltantes_R, repos = "https://cloud.r-project.org")
}

# 6. Mostrar la ruta del Python configurado
reticulate::use_condaenv(lab_env, required = TRUE)
reticulate::py_config()
## python:         /cloud/home/r4021666/.local/share/r-miniconda/envs/lab15-python/bin/python
## libpython:      /cloud/home/r4021666/.local/share/r-miniconda/envs/lab15-python/lib/libpython3.11.so
## pythonhome:     /cloud/home/r4021666/.local/share/r-miniconda/envs/lab15-python:/cloud/home/r4021666/.local/share/r-miniconda/envs/lab15-python
## version:        3.11.18 (main, Oct 26 2026, 11:35:17) [GCC 15.3.0]
## numpy:          /cloud/home/r4021666/.local/share/r-miniconda/envs/lab15-python/lib/python3.11/site-packages/numpy
## numpy_version:  2.4.6
## 
## NOTE: Python version was forced by use_python() function

PASO 2: Configuración automática al procesar el documento

# CONFIGURACIÓN DEL LABORATORIO 15 - POSIT CLOUD
# No se inicializa Python hasta después de seleccionar el entorno.
# ============================================================

if (!requireNamespace("reticulate", quietly = TRUE)) {
  install.packages("reticulate", repos = "https://cloud.r-project.org")
}
library(reticulate)

# Comprobar si Miniconda ya está instalada,
# comprobando directamente la existencia del ejecutable.
conda_exe <- file.path(
  reticulate::miniconda_path(),
  if (.Platform$OS.type == "windows") "condabin/conda.bat" else "bin/conda"
)

if (!file.exists(conda_exe)) {
  reticulate::install_miniconda(update = FALSE)
}

lab_env <- "lab15-python"

# Crear el entorno solo si todavía no existe.
if (!reticulate::condaenv_exists(lab_env)) {
  reticulate::conda_create(
    envname = lab_env,
    packages = "python=3.11"
  )
}

# Instalar las dependencias en el entorno seleccionado.
reticulate::py_install(
  packages = c(
    "numpy", "scipy", "matplotlib", "pandas",
    "seaborn", "statsmodels", "sympy"
  ),
  envname = lab_env,
  method = "conda",
  pip = TRUE
)

# Instalar paquetes de R si hacen falta.
paquetes_R <- c("ggplot2", "dplyr")
faltantes_R <- paquetes_R[
  !vapply(paquetes_R, requireNamespace, logical(1), quietly = TRUE)
]
if (length(faltantes_R) > 0) {
  install.packages(faltantes_R, repos = "https://cloud.r-project.org")
}

# MUY IMPORTANTE: seleccionar el entorno al final.
# No ejecutar py_config(), py_run_string() ni importar Python antes de esto.
reticulate::use_condaenv(lab_env, required = TRUE)

knitr::opts_chunk$set(
  echo = TRUE,
  message = FALSE,
  warning = FALSE,
  comment = "#>",
  fig.width = 8.5,
  fig.height = 5.2,
  fig.align = "center",
  out.width = "92%",
  dpi = 120
)

PASO 3: Configuración automática al procesar el documento

import numpy as np
import scipy
import matplotlib
import matplotlib.pyplot as plt
from scipy.stats import norm

print("ENTORNO PYTHON LISTO PARA EL LABORATORIO")
#> ENTORNO PYTHON LISTO PARA EL LABORATORIO
print("NumPy:", np.__version__)
#> NumPy: 2.4.6
print("SciPy:", scipy.__version__)
#> SciPy: 1.17.1
print("Matplotlib:", matplotlib.__version__)
#> Matplotlib: 3.11.2
x = np.linspace(-4, 4, 400)
plt.figure(figsize=(8, 4))
plt.plot(x, norm.pdf(x), linewidth=2, label="N(0,1)")
plt.title("Prueba de ejecución de Python")
plt.xlabel("Valor z")
plt.ylabel("Densidad")
plt.grid(alpha=0.3)
plt.legend()
plt.show()

PASO 4: Preparación del Entorno ### Python

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm, t, chi2, f
from scipy.integrate import quad

print("¡Entorno Python listo para el laboratorio!")
#> ¡Entorno Python listo para el laboratorio!

R

# Si faltan estos paquetes, ejecutar una sola vez en Console:
# install.packages(c("ggplot2", "dplyr"))
library(ggplot2)
library(dplyr)
# @title **A. Función para Graficar Distribuciones Continuas (Python)**
def plot_continuous(dist_name, x, pdf, title, highlight_range=None,
                    shade_color="#F4A261", label=None, xlim=None):
    """
    Grafica una densidad continua y resalta el intervalo de interés.
    El sombreado representa probabilidad (área bajo la curva), no altura.
    """
    x = np.asarray(x)
    pdf = np.asarray(pdf)
    fig, ax = plt.subplots(figsize=(9, 4.8), constrained_layout=True)
    ax.plot(x, pdf, color="#246A8D", linewidth=2.7,
            label=f"Densidad {dist_name}")

    if highlight_range is not None:
        a, b = sorted(highlight_range)
        mask = (x >= a) & (x <= b)
        if np.any(mask):
            ax.fill_between(x[mask], pdf[mask], 0, color=shade_color,
                            alpha=0.48, label=f"Región [{a:.2f}, {b:.2f}]")
            ax.axvline(a, color="#B45309", linestyle="--", linewidth=1.2)
            ax.axvline(b, color="#B45309", linestyle="--", linewidth=1.2)

    if label:
        ax.text(0.98, 0.93, label, transform=ax.transAxes,
                ha="right", va="top", fontsize=10.5, color="#174A35",
                bbox=dict(boxstyle="round,pad=0.45", facecolor="white",
                          edgecolor="#A7C7B7", alpha=0.95))

    ax.set_title(title, fontsize=13, fontweight="bold", pad=12)
    ax.set_xlabel("Valor de la variable aleatoria (x)")
    ax.set_ylabel("Densidad de probabilidad f(x)")
    if xlim is not None:
        ax.set_xlim(xlim)
    ax.set_ylim(bottom=0)
    ax.grid(True, linestyle=":", alpha=0.45)
    ax.spines["top"].set_visible(False)
    ax.spines["right"].set_visible(False)
    ax.legend(frameon=False, loc="upper left")
    plt.show()

R

# @title **A. Función para Graficar Distribuciones Continuas (R)**
plot_continuous <- function(x, pdf, title, highlight_range = NULL,
                            shade_color = "#F4A261", label = NULL) {
  df <- data.frame(x = x, dens = pdf)
  p <- ggplot(df, aes(x = x, y = dens)) +
    geom_line(color = "#246A8D", linewidth = 1.15) +
    labs(title = title,
         subtitle = "El área sombreada representa la probabilidad del intervalo",
         x = "Valor de la variable aleatoria (x)",
         y = "Densidad de probabilidad f(x)") +
    theme_minimal(base_size = 13) +
    theme(
      plot.title = element_text(face = "bold", hjust = 0.5, color = "#17365D"),
      plot.subtitle = element_text(hjust = 0.5, color = "#526579"),
      panel.grid.minor = element_blank(),
      panel.grid.major = element_line(color = "#E5EAF0"),
      plot.background = element_rect(fill = "white", color = NA),
      plot.margin = margin(12, 16, 12, 12)
    ) +
    expand_limits(y = 0)

  if (!is.null(highlight_range)) {
    limites <- sort(highlight_range)
    df_high <- df %>% filter(x >= limites[1] & x <= limites[2])
    if (nrow(df_high) > 0) {
      p <- p +
        geom_area(data = df_high, aes(x = x, y = dens),
                  fill = shade_color, alpha = 0.48) +
        geom_vline(xintercept = limites, color = "#B45309",
                   linetype = "dashed", linewidth = 0.55)
    }
  }

  if (!is.null(label)) {
    x_pos <- if (!is.null(highlight_range)) mean(highlight_range) else median(x)
    y_pos <- max(pdf) * 0.88
    p <- p + annotate("label", x = x_pos, y = y_pos, label = label,
                      size = 3.7, color = "#174A35",
                      fill = "white", label.size = 0.25)
  }
  print(p)
}

PASO 5: Exploración de Modelos Probabilísticos Continuos - Distribución Normal ##### Python

# @title **Normal Ejemplo 1. Salarios N(1300, 600)**
mu, sigma = 1300, 600

# a) P(X < 600)
prob_a = norm.cdf(600, mu, sigma)
print(f"a) P(X < 600) = {prob_a:.4f}  →  {prob_a*100:.2f}%")
#> a) P(X < 600) = 0.1217  →  12.17%
# b) P(1000 < X <= 1500)
prob_b = norm.cdf(1500, mu, sigma) - norm.cdf(1000, mu, sigma)
print(f"b) P(1000 < X <= 1500) = {prob_b:.4f}  →  {prob_b*100:.2f}%")
#> b) P(1000 < X <= 1500) = 0.3220  →  32.20%
# c) P(X > 2200)
prob_c = 1 - norm.cdf(2200, mu, sigma)
print(f"c) P(X > 2200) = {prob_c:.4f}  →  {prob_c*100:.2f}%")
#> c) P(X > 2200) = 0.0668  →  6.68%
# Gráficas
x = np.linspace(mu - 4*sigma, mu + 4*sigma, 1000)
pdf = norm.pdf(x, mu, sigma)

plot_continuous("Normal", x, pdf, f"Normal N({mu}, {sigma}) - P(X < 600)",
                highlight_range=(mu-4*sigma, 600), label=f"P={prob_a:.4f}")

plot_continuous("Normal", x, pdf, f"Normal N({mu}, {sigma}) - P(1000 < X ≤ 1500)",
                highlight_range=(1000, 1500), label=f"P={prob_b:.4f}")

plot_continuous("Normal", x, pdf, f"Normal N({mu}, {sigma}) - P(X > 2200)",
                highlight_range=(2200, mu+4*sigma), label=f"P={prob_c:.4f}")

R
# @title **Normal Ejemplo 1. Salarios N(1300, 600)**
mu <- 1300; sigma <- 600

prob_a <- pnorm(600, mu, sigma)
cat(sprintf("a) P(X < 600) = %.4f  →  %.2f%%\n", prob_a, prob_a*100))
#> a) P(X < 600) = 0.1217  →  12.17%
prob_b <- pnorm(1500, mu, sigma) - pnorm(1000, mu, sigma)
cat(sprintf("b) P(1000 < X <= 1500) = %.4f  →  %.2f%%\n", prob_b, prob_b*100))
#> b) P(1000 < X <= 1500) = 0.3220  →  32.20%
prob_c <- 1 - pnorm(2200, mu, sigma)
cat(sprintf("c) P(X > 2200) = %.4f  →  %.2f%%\n", prob_c, prob_c*100))
#> c) P(X > 2200) = 0.0668  →  6.68%
x <- seq(mu - 4*sigma, mu + 4*sigma, length.out = 1000)
pdf <- dnorm(x, mu, sigma)

plot_continuous(x, pdf, sprintf("Normal N(%d,%d) - P(X<600)", mu, sigma),
                highlight_range = c(mu-4*sigma, 600),
                label = sprintf("P=%.4f", prob_a))

plot_continuous(x, pdf, sprintf("Normal N(%d,%d) - P(1000<X<=1500)", mu, sigma),
                highlight_range = c(1000, 1500),
                label = sprintf("P=%.4f", prob_b))

plot_continuous(x, pdf, sprintf("Normal N(%d,%d) - P(X>2200)", mu, sigma),
                highlight_range = c(2200, mu+4*sigma),
                label = sprintf("P=%.4f", prob_c))

Interpretación: El 12,10% de los recién graduados cobra menos de 600 €; el 32,08% cobra entre 1000 y 1500 €; y el 6,68% cobra más de 2200 €. Las gráficas muestran las tres regiones sombreadas sobre la curva N(1300, 600).

Python
# @title **Normal Ejemplo 2. Media y sigma desconocidos**
z1 = norm.ppf(0.25)  # ≈ -0.6745
z2 = norm.ppf(0.95)  # ≈ 1.6449
print(f"z1 = {z1:.4f}, z2 = {z2:.4f}")
#> z1 = -0.6745, z2 = 1.6449
# Sistema: 3 - mu = z1*sigma ; 6 - mu = z2*sigma
# Restando: 3 = (z2 - z1)*sigma
sigma_sol = 3 / (z2 - z1)
mu_sol = 3 - z1 * sigma_sol
print(f"μ = {mu_sol:.4f} horas, σ = {sigma_sol:.4f} horas")
#> μ = 3.8724 horas, σ = 1.2935 horas
# Verificación
print(f"P(X>3) = {1 - norm.cdf(3, mu_sol, sigma_sol):.4f}")
#> P(X>3) = 0.7500
print(f"P(X>6) = {1 - norm.cdf(6, mu_sol, sigma_sol):.4f}")
#> P(X>6) = 0.0500
R
# @title **Normal Ejemplo 2. Media y sigma desconocidos**
z1 <- qnorm(0.25); z2 <- qnorm(0.95)
cat(sprintf("z1 = %.4f, z2 = %.4f\n", z1, z2))
#> z1 = -0.6745, z2 = 1.6449
sigma_sol <- 3 / (z2 - z1)
mu_sol <- 3 - z1 * sigma_sol
cat(sprintf("μ = %.4f horas, σ = %.4f horas\n", mu_sol, sigma_sol))
#> μ = 3.8724 horas, σ = 1.2935 horas
cat(sprintf("P(X>3) = %.4f\n", 1 - pnorm(3, mu_sol, sigma_sol)))
#> P(X>3) = 0.7500
cat(sprintf("P(X>6) = %.4f\n", 1 - pnorm(6, mu_sol, sigma_sol)))
#> P(X>6) = 0.0500

Interpretación: Resolviendo el sistema se obtiene μ ≈ 3,8728 h y σ ≈ 1,2931 h; la verificación reproduce las probabilidades del enunciado (0,75 y 0,05), validando los parámetros estimados.

Python
# @title **Normal Ejemplo 3. Pesos N(74, 6)**
mu, sigma = 74, 6

# a) P(68 < X <= 80)
prob_a = norm.cdf(80, mu, sigma) - norm.cdf(68, mu, sigma)
print(f"a) P(68 < X <= 80) = {prob_a:.4f}  →  {prob_a*100:.2f}%")
#> a) P(68 < X <= 80) = 0.6827  →  68.27%
# b) P(X > 80) y estimación en 1500
prob_b = 1 - norm.cdf(80, mu, sigma)
print(f"b) P(X > 80) = {prob_b:.4f}  →  {prob_b*100:.2f}%")
#> b) P(X > 80) = 0.1587  →  15.87%
print(f"   Estimación en 1500 estudiantes: {prob_b*1500:.2f} ≈ {round(prob_b*1500)}")
#>    Estimación en 1500 estudiantes: 237.98 ≈ 238
# c) Probabilidad condicional P(X>86 | X>76)
p_86 = 1 - norm.cdf(86, mu, sigma)
p_76 = 1 - norm.cdf(76, mu, sigma)
prob_c = p_86 / p_76
print(f"c) P(X > 86 | X > 76) = {p_86:.4f} / {p_76:.4f} = {prob_c:.4f}")
#> c) P(X > 86 | X > 76) = 0.0228 / 0.3694 = 0.0616
x = np.linspace(mu - 4*sigma, mu + 4*sigma, 1000)
pdf = norm.pdf(x, mu, sigma)
plot_continuous("Normal", x, pdf, "Normal N(74, 6) - P(68 < X ≤ 80)",
                highlight_range=(68, 80), label=f"P={prob_a:.4f}")

plot_continuous("Normal", x, pdf, "Normal N(74, 6) - P(X > 80)",
                highlight_range=(80, mu+4*sigma), label=f"P={prob_b:.4f}")

R
# @title **Normal Ejemplo 3. Pesos N(74, 6)**
mu <- 74; sigma <- 6

prob_a <- pnorm(80, mu, sigma) - pnorm(68, mu, sigma)
cat(sprintf("a) P(68 < X <= 80) = %.4f  →  %.2f%%\n", prob_a, prob_a*100))
#> a) P(68 < X <= 80) = 0.6827  →  68.27%
prob_b <- 1 - pnorm(80, mu, sigma)
cat(sprintf("b) P(X > 80) = %.4f  →  %.2f%%\n", prob_b, prob_b*100))
#> b) P(X > 80) = 0.1587  →  15.87%
cat(sprintf("   Estimación en 1500 estudiantes: %.2f ≈ %d\n",
            prob_b*1500, round(prob_b*1500)))
#>    Estimación en 1500 estudiantes: 237.98 ≈ 238
p_86 <- 1 - pnorm(86, mu, sigma)
p_76 <- 1 - pnorm(76, mu, sigma)
prob_c <- p_86 / p_76
cat(sprintf("c) P(X > 86 | X > 76) = %.4f / %.4f = %.4f\n", p_86, p_76, prob_c))
#> c) P(X > 86 | X > 76) = 0.0228 / 0.3694 = 0.0616
x <- seq(mu - 4*sigma, mu + 4*sigma, length.out = 1000)
pdf <- dnorm(x, mu, sigma)
plot_continuous(x, pdf, "Normal N(74,6) - P(68<X<=80)",
                highlight_range = c(68, 80), label = sprintf("P=%.4f", prob_a))

plot_continuous(x, pdf, "Normal N(74,6) - P(X>80)",
                highlight_range = c(80, mu+4*sigma), label = sprintf("P=%.4f", prob_b))

PASO 6: Exploración de Modelos Probabilísticos Continuos - Distribución T de Student

Python
# @title **T de Student - Ejemplo**
nu = 15  # grados de libertad
x = np.linspace(t.ppf(0.001, nu), t.ppf(0.999, nu), 1000)
pdf = t.pdf(x, nu)

# Valores críticos para IC al 95% (bilateral)
alpha = 0.05
t_crit = t.ppf(1 - alpha/2, nu)
print(f"t crítico (ν={nu}, α=0.05 bilateral) = {t_crit:.4f}")
#> t crítico (ν=15, α=0.05 bilateral) = 2.1314
print(f"P(|T| <= {t_crit:.4f}) = {1 - 2*t.sf(t_crit, nu):.4f}")
#> P(|T| <= 2.1314) = 0.9500
plot_continuous("t-Student", x, pdf, f"Distribución t de Student (ν={nu})",
                highlight_range=(-t_crit, t_crit),
                label=f"IC 95%: t = ±{t_crit:.3f}")

R
# @title **T de Student - Ejemplo**
nu <- 15
x <- seq(qt(0.001, nu), qt(0.999, nu), length.out = 1000)
pdf <- dt(x, nu)

alpha <- 0.05
t_crit <- qt(1 - alpha/2, nu)
cat(sprintf("t crítico (ν=%d, α=0.05 bilateral) = %.4f\n", nu, t_crit))
#> t crítico (ν=15, α=0.05 bilateral) = 2.1314
cat(sprintf("P(|T| <= %.4f) = %.4f\n", t_crit, 1 - 2*pt(-t_crit, nu)))
#> P(|T| <= 2.1314) = 0.9500
plot_continuous(x, pdf, sprintf("t de Student (ν=%d)", nu),
                highlight_range = c(-t_crit, t_crit),
                label = sprintf("IC 95%%: t = ±%.3f", t_crit))

Interpretación: Con ν=15, el valor crítico es \(t \approx 2.131\), que es mayor que el 1.96 de la normal. Este mayor valor refleja las colas más pesadas de la t y la mayor incertidumbre al estimar σ con muestras pequeñas.

7. Distribución Chi Cuadrado (\(\chi^2\))

Python
# @title **Chi Cuadrado - Ejemplo**
nu = 10
x = np.linspace(0.01, chi2.ppf(0.999, nu), 1000)
pdf = chi2.pdf(x, nu)

# Valores críticos IC 95% bilateral para varianza
alpha = 0.05
chi2_inf = chi2.ppf(alpha/2, nu)
chi2_sup = chi2.ppf(1 - alpha/2, nu)
print(f"χ² crítico inferior (α/2=0.025, ν={nu}) = {chi2_inf:.4f}")
#> χ² crítico inferior (α/2=0.025, ν=10) = 3.2470
print(f"χ² crítico superior (1-α/2=0.975, ν={nu}) = {chi2_sup:.4f}")
#> χ² crítico superior (1-α/2=0.975, ν=10) = 20.4832
plot_continuous("Chi-Cuadrado", x, pdf, f"Chi Cuadrado (ν={nu}) - IC 95%",
                highlight_range=(chi2_inf, chi2_sup),
                label=f"χ² ∈ [{chi2_inf:.2f}, {chi2_sup:.2f}]")

R
# @title **Chi Cuadrado - Ejemplo**
nu <- 10
x <- seq(0.01, qchisq(0.999, nu), length.out = 1000)
pdf <- dchisq(x, nu)

alpha <- 0.05
chi2_inf <- qchisq(alpha/2, nu)
chi2_sup <- qchisq(1 - alpha/2, nu)
cat(sprintf("χ² inferior = %.4f\n", chi2_inf))
#> χ² inferior = 3.2470
cat(sprintf("χ² superior = %.4f\n", chi2_sup))
#> χ² superior = 20.4832
plot_continuous(x, pdf, sprintf("Chi Cuadrado (ν=%d) - IC 95%%", nu),
                highlight_range = c(chi2_inf, chi2_sup),
                label = sprintf("χ² ∈ [%.2f, %.2f]", chi2_inf, chi2_sup))

Interpretación: Con ν=10, los cuantiles son \(\chi^2_{0.025}=3.247\) y \(\chi^2_{0.975}=20.483\). La región central sombreada contiene el 95% de la probabilidad, y los valores extremos (colas) corresponden al 5% restante.

8. Distribución F de Fisher

Python
# @title **F de Fisher - Ejemplo**
nu1, nu2 = 5, 20
x = np.linspace(0.01, f.ppf(0.999, nu1, nu2), 1000)
pdf = f.pdf(x, nu1, nu2)

alpha = 0.05
f_crit = f.ppf(1 - alpha, nu1, nu2)
print(f"F crítico (ν1={nu1}, ν2={nu2}, α=0.05) = {f_crit:.4f}")
#> F crítico (ν1=5, ν2=20, α=0.05) = 2.7109
print(f"P(F <= {f_crit:.4f}) = {f.cdf(f_crit, nu1, nu2):.4f}")
#> P(F <= 2.7109) = 0.9500
plot_continuous("F-Fisher", x, pdf, f"F de Fisher (ν1={nu1}, ν2={nu2})",
                highlight_range=(f_crit, x[-1]),
                label=f"P(F > {f_crit:.3f}) = 0.05")

# @title **F de Fisher - Ejemplo**
nu1 <- 5; nu2 <- 20
x <- seq(0.01, qf(0.999, nu1, nu2), length.out = 1000)
pdf <- df(x, nu1, nu2)

alpha <- 0.05
f_crit <- qf(1 - alpha, nu1, nu2)
cat(sprintf("F crítico = %.4f\n", f_crit))
#> F crítico = 2.7109
plot_continuous(x, pdf, sprintf("F de Fisher (ν1=%d, ν2=%d)", nu1, nu2),
                highlight_range = c(f_crit, max(x)),
                label = sprintf("P(F > %.3f) = 0.05", f_crit))

Interpretación: Con ν1=5 y ν2=20, el valor crítico es \(F_{0.95}=2.711\). Si el estadístico F del ANOVA supera este valor, se rechaza la hipótesis nula de igualdad de medias al 5% de significancia. La cola derecha sombreada representa la región de rechazo.

PASO 9: Intervalos de Confianza — Anexo PDF (Ejercicios 3, 4 y 6)

# @title **IC Ejercicio 3. Tiempo de espera**
sigma, n, x_bar = 3, 121, 7
alpha = 0.05
z = norm.ppf(1 - alpha/2)
E = z * sigma / np.sqrt(n)
IC = (x_bar - E, x_bar + E)
print(f"z(α/2) = {z:.4f}")
#> z(α/2) = 1.9600
print(f"Error estándar = {sigma/np.sqrt(n):.4f}")
#> Error estándar = 0.2727
print(f"IC 95% para μ: ({IC[0]:.4f}, {IC[1]:.4f})")
#> IC 95% para μ: (6.4655, 7.5345)
# @title **IC Ejercicio 3. Tiempo de espera**
sigma <- 3; n <- 121; x_bar <- 7
alpha <- 0.05
z <- qnorm(1 - alpha/2)
E <- z * sigma / sqrt(n)
IC <- c(x_bar - E, x_bar + E)
cat(sprintf("z(α/2) = %.4f\n", z))
#> z(α/2) = 1.9600
cat(sprintf("IC 95%% para μ: (%.4f, %.4f)\n", IC[1], IC[2]))
#> IC 95% para μ: (6.4655, 7.5345)

Interpretación: El IC al 95% es (6,5; 7,5) minutos. Es decir, con 95% de confianza, el tiempo medio de espera poblacional está entre 6,5 y 7,5 minutos. El margen de error es de 0,5 minutos.

# @title **IC Ejercicio 4. Actividad deportiva**
sigma, n, x_bar = 20, 250, 90

# a) IC 90%
z90 = norm.ppf(0.95)
E90 = z90 * sigma / np.sqrt(n)
IC90 = (x_bar - E90, x_bar + E90)
print(f"a) z(0.95) = {z90:.4f}")
#> a) z(0.95) = 1.6449
print(f"   IC 90% para μ: ({IC90[0]:.4f}, {IC90[1]:.4f})")
#>    IC 90% para μ: (87.9194, 92.0806)
# b) Tamaño mínimo para E < 1
n_min = (z90 * sigma / 1)**2
print(f"b) n mínimo = ({z90:.4f}*{sigma}/1)² = {n_min:.2f}  →  n = {int(np.ceil(n_min))}")
#> b) n mínimo = (1.6449*20/1)² = 1082.22  →  n = 1083
# @title **IC Ejercicio 4. Actividad deportiva**
sigma <- 20; n <- 250; x_bar <- 90

z90 <- qnorm(0.95)
E90 <- z90 * sigma / sqrt(n)
IC90 <- c(x_bar - E90, x_bar + E90)
cat(sprintf("a) IC 90%% para μ: (%.4f, %.4f)\n", IC90[1], IC90[2]))
#> a) IC 90% para μ: (87.9194, 92.0806)
n_min <- (z90 * sigma / 1)^2
cat(sprintf("b) n mínimo = %.2f  →  n = %d\n", n_min, ceiling(n_min)))
#> b) n mínimo = 1082.22  →  n = 1083

Interpretación: (a) El IC al 90% es (87,92; 92,08) minutos, más estrecho que un IC al 95% porque se sacrifica confianza por precisión. (b) Para reducir el error a menos de 1 minuto se necesitan al menos 1083 habitantes, un aumento considerable respecto a los 250 iniciales.

# @title **IC Ejercicio 6. Tensión de ruptura**
sigma, n, x_bar = 120, 70, 2100

# a) IC 95%
z95 = norm.ppf(0.975)
E95 = z95 * sigma / np.sqrt(n)
IC95 = (x_bar - E95, x_bar + E95)
print(f"a) IC 95% para μ: ({IC95[0]:.4f}, {IC95[1]:.4f})")
#> a) IC 95% para μ: (2071.8887, 2128.1113)
# b) IC 99% con la misma amplitud (E = E95)
z99 = norm.ppf(0.995)
n_b = (z99 * sigma / E95)**2
print(f"b) z(0.995) = {z99:.4f}, E = {E95:.4f}")
#> b) z(0.995) = 2.5758, E = 28.1113
print(f"   n = (z99*σ/E)² = {n_b:.2f}  →  n = {int(np.ceil(n_b))}")
#>    n = (z99*σ/E)² = 120.90  →  n = 121
# @title **IC Ejercicio 6. Tensión de ruptura**
sigma <- 120; n <- 70; x_bar <- 2100

z95 <- qnorm(0.975)
E95 <- z95 * sigma / sqrt(n)
IC95 <- c(x_bar - E95, x_bar + E95)
cat(sprintf("a) IC 95%% para μ: (%.4f, %.4f)\n", IC95[1], IC95[2]))
#> a) IC 95% para μ: (2071.8887, 2128.1113)
z99 <- qnorm(0.995)
n_b <- (z99 * sigma / E95)^2
cat(sprintf("b) n = %.2f  →  n = %d\n", n_b, ceiling(n_b)))
#> b) n = 120.90  →  n = 121

Interpretación: (a) El IC al 95% es (2071,89; 2128,11) kg. (b) Para un IC al 99% con la misma amplitud (E ≈ 28,11 kg) se necesitan al menos 121 cables, casi el doble de la muestra original, porque \(z_{0.995}=2.575\) es mayor que \(z_{0.975}=1.96\).

===============Finaliza tu copia aqui======================================