def media_poblacional_cola_derecha(media_muestral, media_H0, n, S, nivel): Z_nula = (media_muestral - media_H0) / (S / n**0.5) #Valor Z de la regla de decisión de acuerdo al nivel de confianza Z_regla = dists.valorZNormal(1 - nivel) print("Valor Z: " + str(Z_nula)) print("Valor crítico: " + str(Z_regla)) print("Regla de decisión: ") print("No se rechaza la hipotesis nula si Z crítica", Z_regla, " >= Z ", Z_nula) print("Resultado:") print("No se rechaza la hipotesis nula" if Z_nula <= Z_regla else "Se rechaza la hipotesis nula")
def media_poblacional_dos_colas(media_muestral, media_H0, n, S, nivel): Z_nula = (media_muestral - media_H0) / (S / n**0.5) #Valor Z de la regla de decisión de acuerdo al nivel de confianza Z_regla = abs(dists.valorZNormal(nivel / 2)) print("Valor Z: " + str(Z_nula)) print("Valor crítico: +- " + str(Z_regla)) print("Regla de decisión: ") print("No se rechaza la hipotesis nula si ", -Z_regla, " <= ", Z_nula, " <= ", Z_regla) print("Resultado:") print("No se rechaza la hipotesis nula" if Z_nula <= Z_regla and Z_nula >= -Z_regla else "Se rechaza la hipotesis nula")
def pruebas_para_proporcion_cola_derecha(proporcion, n, proporcion_planteada, nivel): error_estandar = ((proporcion_planteada * (1 - proporcion_planteada)) / n)**0.5 Z_nula = (proporcion - proporcion_planteada) / error_estandar print("Error estandar: ", error_estandar) print("Valor de Z", Z_nula) Z_regla = dists.valorZNormal(1 - nivel) print("Valor Z: " + str(Z_nula)) print("Valor crítico: " + str(Z_regla)) print("Regla de decisión: ") print("No se rechaza la hipotesis nula si Z crítica", Z_regla, " >= Z ", Z_nula) print("Resultado:") print("No se rechaza la hipotesis nula" if Z_nula <= Z_regla else "Se rechaza la hipotesis nula")
def pruebas_para_proporcion_dos_colas(proporcion, n, proporcion_planteada, nivel): error_estandar = ((proporcion_planteada * (1 - proporcion_planteada)) / n)**0.5 Z_nula = (proporcion - proporcion_planteada) / error_estandar print("Error estandar: ", error_estandar) print("Valor de Z", Z_nula) Z_regla = abs(dists.valorZNormal(nivel / 2)) print("Valor Z: " + str(Z_nula)) print("Valor crítico: +- " + str(Z_regla)) print("Regla de decisión: ") print("No se rechaza la hipotesis nula si ", -Z_regla, " <= ", Z_nula, " <= ", Z_regla) print("Resultado:") print("No se rechaza la hipotesis nula" if Z_nula <= Z_regla and Z_nula >= -Z_regla else "Se rechaza la hipotesis nula")
def numero_datos_para_error_proporcion(p, error, nivel): Z = dists.valorZNormal(1 - (1 - nivel) / 2 ) n = (Z ** 2) * (p) * ( 1 - p ) / error ** 2 return n
def numero_datos_para_error(sd, error, nivel): Z = dists.valorZNormal(1 - (1 - nivel) / 2 ) n = (Z * sd / error ) ** 2 return n
def media_poblacional_muestras_grandes(n, xm, S, nivel): error = S / n ** 0.5 Z = dists.valorZNormal(1 - (1 - nivel) / 2 ) print("Valor Z: " + str(Z)) return [xm - Z * error, xm + Z * error]
def tamano_proporcion(error, p, nivel): Z = dists.valorZNormal(1 - (1 - nivel) / 2 ) print("Valor Z: " + str(Z)) n = ( ( p ) * ( 1 - p ) * Z ** 2) / ( error ** 2 ) return n
def tamano_muestra(error, s, nivel): Z = dists.valorZNormal(1 - (1 - nivel) / 2 ) print("Valor Z: " + str(Z)) n = ( Z * s / error ) ** 2 return n
def proporcion_poblacional(n, p, nivel): error = ( (p) * ( 1 - p ) / n ) ** 0.5 Z = dists.valorZNormal(1 - (1 - nivel) / 2 ) print("Valor Z: " + str(Z)) return [p - Z * error, p + Z * error]