Professional Documents
Culture Documents
Uno de los objetivos de la estadística es hacer inferencias con respecto a los parámetros de
la población desconocidos, basadas en la información obtenida mediante datos muéstrales.
Estas inferencias se expresan en una de dos maneras, como estimaciones de los parámetros
respectivos o como pruebas de hipótesis referentes a sus valores.
El procedimiento de toma de decisión que conduce a la aceptación o rechazo de hipótesis
estadísticas es llamado prueba de hipótesis.
La hipótesis estadística es una proposición sobre los parámetros de una o más poblaciones,
su objetivo es verificar una hipótesis con respecto a los valores de uno ó más parámetros
poblacionales.
El investigador propone una teoría relativa a los valores específicos de uno o más
parámetros poblacionales. Luego obtiene una muestra de la población y compara la
observación con la teoría. Si las observaciones se contraponen a la teoría, el investigador
rechaza la hipótesis. En caso contrario concluye con que la teoría es válida o bien que la
muestra no detectó la diferencia entre los valores reales y los valores de la hipótesis
respecto a los parámetros poblacionales. Las pruebas de hipótesis se realizan en todos los
ámbitos en los cuales puede contrastarse la teoría frente a la observación.
La hipótesis nula es H0
La hipótesis alternativa es H1
El estadístico de la prueba
La región de rechazo y aceptación
Rechazar una hipótesis, significa concluir que H 0 es falsa, se dice que es una conclusión
fuerte.
Aceptar una hipótesis, solamente implica que no se tiene suficiente información para
rechazar H0, además no implica necesariamente que sea verdadera. Se dice que es una
conclusión débil ya que se es incapaz de rechazar la hipótesis nula.
Estadístico de prueba.
Es una función de las mediciones muéstrales x,s en el cual se fundamenta la decisión
estadística.
Región de rechazo.
Especifica los valores del estadístico de la prueba para los cuales se rechaza la hipótesis
nula, en esta región existe una diferencia significativa entre el estadístico de la muestra y el
supuesto parámetro de la población.
Región de aceptación.
Es la región donde no existe diferencia significativa entre el estado de la muestra y el
supuesto parámetro de la población. Aceptaremos H0 si el estadístico muestral cae en esta
región.
Tipos de pruebas de hipótesis
Región de aceptación
Se rechaza H0 Se rechaza H0
α/2 α/2
1–α
Se acepta H0
Se
rechaza 1–α
H0 Se acepta H0
α
Se rechaza H0
α
1–α
Se acepta H0
Extremo superior o cola derecha
Esto aplica si:
H0: Ө = Ө H0
H1: Ө > Ө H0
Matriz de decisión
Situaciones posibles
H0 ES VERDADERA H0 ES
Decisión FALSA
El error tipo I (α) es la probabilidad de que el valor del estadístico de la prueba se localice
en la región de rechazo cuando es verdadera H 0. También se le denomina nivel de
significancia. Por costumbre se elige dicho nivel en un rango de 0.01 a 0.05.
Error tipo II (β) es la probabilidad de que el valor del estadístico de la prueba no este en la
región de rechazo siendo verdadera H1 se recomienda que sea un valor menor de 0.2.
X 0
Estadístico de prueba: Z
/ n
Esta prueba se puede aplicar a muestras pequeñas que se toman de poblaciones con
distribución normal y 2 conocida.
( Z / 2 Z ) 2 2
n Para una prueba bilateral
0 2
( Z Z ) 2 2
n Para una prueba unilateral
0 2
Ejercicio
Un fabricante vende ejes traseros de camiones al Servicio Postal. Los ejes han de soportar
80,000 libras por pulgada cuadrada en las pruebas de esfuerzo, los ejes demasiado fuertes
elevan de modo considerable los costos de producción. La experiencia indica que la
desviación estándar de la resistencia de los ejes es de 4,000 libras por pulgada cuadrada. El
fabricante selecciona una muestra de 100 ejes en la última serie de producción, los somete
a pruebas y averigua que la capacidad media de resistencia de la muestra es de 79,600
libras por pulgada cuadrada. Si el fabricante de ejes usa un nivel de significancia de 0.05
en las pruebas, ¿cumplirán los ejes con los requisitos de esfuerzo?. Si la desviación del
soporte de los ejes es de 1000 libras por pulgada cuadrada, la probabilidad de detectar esta
diferencia no debe ser menor de 0.80 (o sea =0.2) ¿cuál deberá ser el tamaño muestral
para ésta prueba?
Solución
1.-
2.- H 0 : 80000
3.- H 1 : 80000
4.- =0.05
X 0
5.- Z
/ n
6.- RR Z Z / 2
79600 80000
Z 1
4000 / 100
Cálculo de “p”
Intervalo de confianza
4000
X Z / 2 79600 1.96 79600 784
n 100
P [ 78816 80384 ] = 0.95 =80 000 está en el intervalo
Para el cálculo de “n“
Por fórmula:
Si =0.2 y 0 400
Solución Minitab
Abrimos el programa Minitab, en el menú de opciones colocamos el cursor donde dice
“Stat” y desplegamos las opciones, seleccionamos “Basic Statistics” y damos un clic en la
opción “1-Simple z”
Una vez realizados los pasos anteriores, Minitab automáticamente nos genera los cálculos
que le solicitamos, como muestra la siguiente imagen:
El programa nos muestra los siguientes datos:
Numero de datos=100
Media de la muestra= 79600
Desviación de la muestra=400
Intervalo de confianza del 95% 78816 a 80384.
Relacionando el intervalo de confianza con la prueba de hipótesis se concluye que como el
Parámetro planteado en esta prueba, o sea el valor de la media de la hipótesis nula =
80000, cae dentro de los limites del intervalo de confianza.
Por lo tanto se acepta la hipótesis nula.
El valor de la variable aleatoria calculada con los datos de la muestra de
Z=-1
El valor de P=0.317 el valor “P” es el valor de significancia mas pequeño
Que conduce al rechazo de la hipótesis nula.
Criterio de decisión;
Se rechaza la hipótesis nula cuando alfa es mayor o igual a P.
En este caso alfa = 0.05 es menor que P=0.317 por lo que se acepta la
Hipótesis nula.
Supuestos: X1, X2,..., Xn es una muestra aleatoria de una distribución normal con E
(Xi)=
X 0
Estadístico de prueba: T
S/ n
Consideraciones:
1. Dos poblaciones con 1 y 2 desconocidas y 12 y 22 conocidas.
2. Se supone que las dos poblaciones son normales o si no lo son se aplican las
condiciones del Teorema del límite central.
3. El interés recae en probar la hipótesis de que las dos medias poblacionales 1 y
2 son iguales.
4.
Supuestos:
X11 , X12 ,....Xn1 Es una muestra aleatoria de tamaño n1 y X 21 , X 22 ,....Xn2 es una
muestra aleatoria de tamaño n 2 . Las muestras son independientes X1 j y X ,
2j
Z
X1 X2 1 2
Estadístico de prueba: 12 22
n1 n 2
X1 X 2
Z
Si 1 2 : 1 2 0 12 22
n1 n 2
Determinación del tamaño de la muestra “n” en una prueba de hipótesis para
1 2 .
Para n n1 n 2
n
( Z / 2 Z )2 12 22 Para una prueba bilateral
1 2 2
( Z Z )2 (12 22 )
n Para una prueba unilateral
1 2 2
p̂1 p̂ 2 P1 P2
Z
Estadístico de prueba: p̂1q̂1 p̂1q̂1
n1 n2
Z
p̂1 p̂2
Si P1 P2 : P1 P2 0 p̂1q̂1 p̂1q̂1
n1 n2
desconocidas.
T
X1 X2
Estadístico de prueba: 1 1
Sp
n1 n 2
S2p
n1 1S12 n 2 1S22
n1 n 2 2
desconocidas.
Estadístico de prueba:
T
X1 X 2
v
S12 n1 S 22 n 2 2
S 1 n 1 S 2 n 2
S12 S 22 ; 2 2 2 2
n1 n 2 n1 1 n2 1
d
Estadístico de prueba: T ;
Sd / n
di d
2
Donde di
d , Sd
n n1
X2
n 1 S 2
Estadístico de prueba:
02
Una prueba de hipótesis usa datos de ejemplo para probar una hipótesis acerca de la
población de cual el ejemplo es tomado. El “one-sample t-test” es uno de los muchos
procedimientos disponibles para la prueba de una hipótesis en MINITAB.
Se usa una prueba de hipótesis cuando se tienen datos de ejemplo y se quiera hacer
inferencias acerca de una o más poblaciones.
Por ejemplo,
Hay 2 posibilidades, µ es igual a 365 o no lo es. Estas alternativas pueden ser usadas como
2 hipótesis:
Por que no se puede medir cada caja en la población, nunca se podrá saber con exactitud
cual hipótesis es correcta. Sin embargo una prueba de hipótesis apropiada puede ayudar a
hacer un cálculo formal. Para estos datos la prueba apropiada es la “one-sample t-test”
Escoger Stat > Basic Statistics > 1-Sample t. Y luego llenar el cuadro de dialogo como se
muestra a continuación:
Determinar que tan diferente es tu muestra de lo que esperas dado que H0 es verdad.
Un valor típico para α es 0.05, pero valores mayores o menores pueden ser escogidos
dependiendo de la exactitud requerida para la prueba. Asumiendo que escojas un α-Nivel
de 0.05 para los datos del peso de la caja no se tendrá suficiente evidencia para rechazar
H0. P (0.143) es mayor que α.
Power o Poder de la prueba es la habilidad de una prueba para detectar un efecto cuando
existe. Cuando se conduce una prueba de hipótesis, hay 4 posibles resultados:
Decisión correcta
p =1-α
Error tipo II
p=β
Error tipo I
p=α
Decisión correcta
p = 1- α
(Power)
Por ejemplo,
Valores
Si se especifica valores para cualquiera de los 2 parámetros de la prueba, MINITAB
calculará el parámetro restante:
Sigma
1-Sample t Test
Determinando el Power
Con 6 observaciones el Power de la prueba fue solo de 0.5376. Para tener mejores
posibilidades de detectar un efecto si es que existe, se deberás incrementar el poder de la
prueba, que por lo menos sea de 0.80 (como regla general).
Ejemplo: Calcular el tamaño de la muestra requerida para llegar los niveles de Power de
0.80, 0.85, 0.95, y 0.95.
Para tener un Power de al menos 0.80 (objetivo del Power) para detectar una diferencia de
2.5 gramos al nivel α de 0.05, se necesitara una muestra de tamaño 10.
Porque el tamaño de las muestras debe ser siempre un numero entero. El Power actual de
la prueba con 10 observaciones (0.8327) es escasamente mayor que el objetivo Power.
1-Sample t Test
Hipótesis
Donde:
= La media de la población
0 = La hipótesis nula
Estadístico de Prueba
t = ( x 0) / (s /√n)
Donde:
x = La media de la muestra
n = El tamaño de la muestra
Intervalo de confianza
Donde:
x = La media de la muestra
Prueba de hipótesis
Hypotheses
Donde:
d 0
t
sd / n
Donde:
n = Tamaño de la muestra
Intervalo de confianza
d t / 2 s d / n To d t / 2 s d / n
Donde:
d d 2
Sd = (n 1)
1 y 2, respectivamente