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]