Estadistica Tema6b Contrastes

Bloque III.
Inferencia estadı́stica
Tema 6. Inferencia. Parte II: contrastes de hipótesis
Asignatura: MATEMÁTICAS III
Bloque III/Tema 6) Matematicas III 1 / 82

Contenidos
1 Introducción: ¿Qué es un contraste de hipótesis?

2 Contrastes para una población
Contrastes para la media de una población normal con σ conocida
Contrastes para proporciones
Contrastes para la media de una población normal con σ desconocida
Contrastes para la varianza de una población normal
3 Contrastes para dos poblaciones
4 Contrastes para la diferencia entre dos medias: muestras pareadas
5 Contrastes para dos muestras independientes
Contrastes para la diferencia de medias de dos poblaciones normales con varianz
Contrastes para la diferencia entre dos proporciones: muestras grandes independ
Contrastes para la diferencia entre dos medias con varianzas desconocidas pero
Contrastes para el cociente de varianzas en poblaciones normales

Introducción: ¿Qué es un contraste de hipótesis?
Contenidos


Contrastes de hipótesis: introducción
Un contraste de hipótesis es un procedimiento que:

basándose en datos muestrales,
proporciona información para tomar una decisión
sobre la validez de una conjetura o hipótesis sobre una población X ;
tı́picamente, el valor de un parámetro de la población θ (θ puede ser uno
cualquiera de los parámetros que hemos considerado hasta ahora: µ, p, σ 2 ,
etc)
Esta hipótesis a confrontar se conoce como la hipótesis nula (H0 ):
Podemos pensar en ella como la hipótesis considerada correcta (antes de
llevar a cabo el test).
Será mantenida a menos que la muestra aporte suficiente evidencia contraria.
La información recogida en la muestra se emplea para confrontar (o
contrastar) esta hipótesis.

La hipótesis nula: ejemplos
1 Un fabricante de paquetes de cereales afirma que, en promedio, cada paquete

pesa al menos 400 g. Quieres contrastar esta información a partir de los
pesos de los paquetes en una muestra aleatoria.
Población: X = ’peso de un paquete de cereales (en g)’
µ0
z}|{
Hipótesis nula, H0 : µ ≥ 400
¿Proporciona la muestra suficiente evidencia para dudar de (rechazar) H0 ?
2 Una compañı́a recibe envı́os de componentes, que acepta si el porcentaje de
componentes defectuosos es como máximo del 5 %. La decisión se basa en
una muestra aleatoria de estos componentes.
Población: X = 1 si un componente es defectuoso y 0 en otro caso
X ∼ Bernoulli(p), p = proporción de componentes defectuosos en todo el
envı́o
p0
z}|{
Hipótesis nula, H0 : p ≤ 0.05
¿Proporciona la muestra evidencia suficiente para rechazar H0 ?

La hipótesis nula, H0
Define la hipótesis a contrastar.
Se asume inicialmente que la hipótesis nula es correcta (semejante a suponer
inocencia a menos que se pruebe la culpa).
Habitualmente corresponde al estatus quo.
Su definición matemática siempre contiene los sı́mbolos ’=’, ’≤’ o ’≥’ (conjunto
cerrado)
Puede ser rechazada como resultado del contraste, o no serlo
Hipótesis simples:
µ0 √0 σ02
z}|{ z}|{ z}|{
H0 : µ = 5 , H0 : p = 0.6 , H0 : σ 2 = 9 En general: H0 : θ = θ0
Espacio paramétrico asociado a esta hipótesis nula: Θ0 = {θ0 }
Hipótesis compuestas (especificadas mediante un rango de valores):
µ0 √0
z}|{ z}|{
H0 : µ ≤ 5 , H0 : p ≥ 0.6 En general: H0 : θ ≤ θ0 ó H0 : θ ≥ θ0
Espacio paramétrico asociado a esta hipótesis nula: Θ0 = (−∞, θ0 ] o Θ0 = [θ0 , ∞)
Hipótesis alternativa, H1
Si la hipótesis nula no es válida, alguna alternativa debe ser correcta. Para realizar el
contraste, el investigador debe especificar una hipótesis alternativa frente a la que se
contrasta la hipótesis nula.
La hipótesis alternativa H1 :
Es la opuesta a la hipótesis nula.
Habitualmente confronta el estatus quo.
Su formulación matemática no contiene los sı́mbolos ’=’, ’≤’ o ’≥’
Puede ser soportada por los datos o no serlo
Habitualmente es la hipótesis por la que se inclina el investigador
Hipótesis unilaterales:
(cola derecha) H1 : µ > 5, (cola izquierda) H0 : p < 0.6
En general: H1 : θ > θ0 ó H1 : θ < θ0
Espacio paramétrico bajo esta alternativa: Θ1 = (θ0 , ∞) ó Θ1 = (−∞, θ0 )
Hipótesis bilaterales:
H1 : σ 2 6= 9 En general: H1 : θ 6= θ0
Espacio paramétrico bajo esta alternativa: Θ1 = (−∞, θ0 ) ∪ (θ0 , ∞)
La hipótesis alternativa: ejemplos
1 Un fabricante de paquetes de cereales afirma que, en promedio, cada paquete pesa

al menos 400 g. Quieres contrastar esta información a partir de los pesos de los
paquetes en una muestra aleatoria.
Población: X = ’peso de un paquete de cereales (en g)’
Hipótesis nula, H0 : µ ≥ 400 frente a
Hipótesis alternativa, H1 : µ < 400
¿Proporciona la información de la muestra suficiente evidencia en contra de H0 y a
favor de H1 ?
2 Una compañı́a recibe envı́os de componentes, que acepta si el porcentaje de
componentes defectuosos es como máximo del 5 %. La decisión se basa en una
muestra aleatoria de estos componentes.
Población: X = 1 si un componente es defectuoso y 0 en otro caso
X ∼ Bernoulli(p), p = proporción de componentes defectuosos en el envı́o
Hipótesis nula, H0 : p ≤ 0.05 frente a
Hipótesis alternativa, H1 : p > 0.05
¿Proporciona la información de la muestra suficiente evidencia contra H0 y a favor
de H1 ?

Procedimiento de contraste de hipótesis
Población: X = ’altura de un estudiante de la URJC (en metros)’
xyyxxxxyy
Afirmación: en promedio, los estudiantes miden menos de 1.6 m ⇒
Hipótesis: H0 : µ ≤ 1.60 frente a H1 : µ > 1.60
Se toma una MAS de alumnos:
yyxx
La media muestral es 1.65 m, x̄ = 1.65
¿Es extraño observar una media muestral igual a x̄ = 1.65 si la media de la
población es µ ≤ 1.60?
Si no es razonable, rechazamos la hipótesis nula en favor de la alternativa.

Procedimiento de contraste de hipótesis
Una vez especificadas las hipótesis nula y alternativa y recogida la

información muestral, se toma una decisión sobre la hipótesis nula (rechazar
o no rechazar H0 ).
La regla de decisión se basa en el valor de una “distancia” entre los datos
muestrales y los valores más probables si la hipótesis nula fuera cierta.
Esta distancia se calcula como el valor de un estadı́stico del contraste,
relacionado con las cantidades pivotales mencionadas en el tema anterior.
Para cualquier decisión que pueda tomarse, existe la posibilidad de llegar a
una conclusión equivocada sobre el valor del parámetro de la población,
porque no disponemos más que de una muestra aleatoria y con ella no
podemos tener la certeza de que la hipótesis nula sea correcta o no.
Existen dos posibles estados en la naturaleza y por tanto se pueden cometer
dos errores: los errores de Tipo I y de Tipo II.

Errores de Tipo I y de Tipo II, potencia
Error de Tipo I: rechazar una hipótesis nula correcta. El error de Tipo I se

considera importante.
La probabilidad de un error de Tipo I es igual a α y se denomina nivel de
significación,
α = P(rechazar la nula|H0 es correcta)
Error de Tipo II: no rechazar una hipótesis nula incorrecta.
La probabilidad de un error de Tipo II es igual a β.
β = P(no rechazar la nula|H1 es correcta)

Potencia: probabilidad de rechazar una hipótesis nula (cuando es incorrecta).
potencia = 1 − β = P(rechazar la nula|H1 es correcta)
Situación actual
Decisión H0 correcta H0 incorrecta
No Sin error Error de Tipo II
Rechazar H0 (1 − α) (β)
Rechazar Error de Tipo I Sin error
H0 (α) (1 − β = potencia)

Los errores de Tipo I y de Tipo II no se pueden cometer simultáneamente

El error de Tipo I solo puede darse si H0 es correcta
El error de Tipo II solo puede darse si H0 es incorrecta
Si la probabilidad del error de Tipo I, α ⇑, entonces la probabilidad del error
de Tipo II, β ⇓
Si todo lo demás no cambia:
β ⇑ cuando la diferencia entre el valor supuesto para el parámetro y su valor
real ⇓
β ⇑ cuando α⇓
β ⇑ cuando la variabilidad en la población (σ) ⇑
β ⇑ cuando el tamaño muestral (n) ⇓
Para θ ∈ Θ1
potencia(θ) = 1 − β(θ)
Para θ ∈ Θ0
potencia(θ) ≤ α

Una forma de proceder ante un problema con dos objetivos como es:
1 fijar el nivel de significación α, y
2 escoger el criterio que nos proporcione la mayor potencia posible β.
Este criterio está basado en un estadı́stico T (X1 , ..., Xn ) , denominado estadı́stico
del contraste.
Estadı́stico del Contraste
A partir de la muestra X1 , · · · , Xn , se define un estadı́stico T (X1 , · · · , Xn )
cuya distribución de probabilidad sea conocida cuando se asume como cierta
la hipótesis nula.
Dicho estadı́stico, recibe el nombre de Estadı́stico del Contraste y constituye
una medida de cuánto se acercan los resultados obtenidos en la muestra a la
hipótesis nula.

Estadı́stico del contraste, nivel de significación y región de

rechazo
Estadı́stico del contraste, T

Nos permite decidir si es “probable” o “improbable” que se observen los
datos muestrales, suponiendo que la hipótesis nula sea cierta.
Es la cantidad pivotal utilizada en los IC, calculada bajo la hipótesis nula.
La decisión del contraste de hipótesis se basa en el valor observado del
estadı́stico del contraste, t.
Si los datos muestrales proporcionan evidencia contraria a la hipótesis nula, el
valor observado del estadı́stico del contraste debiera ser “extremo”, esto es,
muy poco probable. En otro caso, este valor debiera ser “usual”.
Distinguimos entre valores “usuales” y “extremos” sobre la base de:
la distribución del estadı́stico del contraste para la muestra,
el nivel de significación α, que define la llamada región de rechazo o crı́tica y
la región de aceptación.

Estadı́stico del contraste, nivel de significación y región de

rechazo
Región Crı́tica o de Rechazo
Al fijar un nivel de significación, α, se obtiene implı́citamente una división en dos
regiones del conjunto de posibles valores del estadı́stico de contraste:
La región de rechazo o región crı́tica que tiene probabilidad α (bajo H0 ) y
la región de NO rechazo que tiene probabilidad 1 − α (bajo H0 ).

Estadı́sticos del contraste

Sea X n una m.a.s. de una población X con media µ y varianza σ 2 , α un nivel de
significación, zα el cuantil α de N(0,1), µ0 la media de la población bajo H0 , etc.
Parámetro Hipótesis Estadı́stico contraste RRα contraste bilateral
 z 

 z }| { 


 

 
X̄ −µ0
 x̄ − µ0 x̄−µ0

Datos normales √ ∼ N(0, 1) z : < z1−α/2 o √ > zα/2
Varianza conocida σ/ n 

√
σ/ n σ/ n 


 


 


Datos no normales X̄ −µ0 x̄−µ0 x̄−µ0
Media √ ∼ap. N(0, 1) z : √ < z1−α/2 o √ > zα/2
Muestra grande σ̂/ n σ̂/ n σ̂/ n

Datos Bernoulli p̂−p0 p̂−p0 p̂−p0
p ∼ap. N(0, 1) z : p < z1−α/2 o p > zα/2
Muestra grande p0 (1−p0 )/n p0 (1−p0 )/n p0 (1−p0 )/n
 t 

 z }| { 


 

 
Datos normales X̄ −µ0
 x̄ − µ0 x̄−µ0

Varianza descono- √ ∼ tn−1 t : √ < tn−1;1−α/2 o √ > tn−1;α/2
s/ n 
 s/ n s/ n 

cida 





 
 

 χ2 


 z }| { 


 

 
(n − 1)s 2
 
(n−1)s 2 (n−1)s 2
 
Varianza Datos normales ∼ χ2 χ2 : < χ2 o > χ2
σ2 n−1 
 σ2 n−1;1−α/2 σ2 n−1;α/2 

0 

 0 0 



 


 

( )
(n−1)s 2 (n−1)s 2 (n−1)s 2
Desv. Tı́p. Datos normales ∼ χ2 2
χ : <χ 2 o > χ 2
σ2 n−1 σ2 n−1;1−α/2 σ2 n−1;α/2
0 0 0
Pregunta: ¿Cómo definirı́as RR

Bloque para
III/Tema 6) contrastes unilaterales?
Matematicas III 17 / 82
Etapas de un Contraste de Hipótesis

Las etapas en la resolución de un contraste de hipótesis son:
1 Especificar las hipótesis nula H0 y alternativa H1 .
2 Elegir un estadı́stico de contraste apropiado, T (X1 , ..., Xn ), que sea una

medida de la discrepancia entre la hipótesis y la muestra.
3 Fijar el nivel de significación α en base a cómo de importante se considere

rechazar H0 cuando realmente es cierta.
4 Prefijado α y elegido T (X1 , ..., Xn ), construir las regiones de aceptación y

rechazo, según se trate de un contraste uni o bilateral.
5 Tomar la muestra x1 , ..., xn y evaluar el estadı́stico de contraste T (x1 , ..., xn ).
6 Concluir si el test es estadı́sticamente significativo (se rechaza H0 ) o no al

nivel de significación α (dependiendo de si el valor del estadı́stico
T (x1 , ..., xn ) está o no en la región de rechazo).

Contrastes para una población
Contenidos


Contrastes para una población Contrastes para la media de una población normal con σ conocida
Contenidos


Contraste unilateral para la media de datos normales con

varianza conocida: ejemplo
Los pesos de los rodamientos fabricados en un proceso se pueden aproximar mediante
una variable aleatoria X con distribución normal con media 250 g. y desviación tı́pica 5 g.
Tras reajustar el mismo, el encargado sospecha que el peso promedio ha aumentado,
pero su desviación tı́pica no ha cambiado.
¿Tiene razón el encargado? Lleva a cabo el contraste para un nivel de significación del
5 %.
Solución
El parámetro de estudio es la media de la variable aleatoria
X = ”peso de un rodamiento (en g)”, con X ∼ N(µ, σ 2 = 52 )
Para realizar el estudio se plantea el siguiente contraste de hipótesis:

µ0
z}|{
H0 : µ = 250 frente a H1 : µ > 250 (contraste unilateral)
El estadı́stico del contraste es:
X̄ − µ0
Z = √ ∼ N(0, 1)
σ/ n
Contraste unilateral para la media de datos normales con

varianza conocida: ejemplo
La región de rechazo (o región crı́tica) es:
RR0.05 = {z : z > z0.05 } = {z : z > 1.645}
Se toma una muestra aleatoria simple de dieciséis rodamientos, y resulta un peso

medio igual a 251.9 g.
El valor observado del estadı́stico es:
σ=5 µ0 = 250 n = 16 x̄ = 251.9

x̄ − µ0 251.9 − 250
z= √ = √ = 1.52
σ/ n 5/ 16
Como z = 1.52 ∈ / RR0.05 no rechazamos H0 a un nivel de significación del 5 %.
Conclusión: Los datos muestrales no proporcionan suficiente evidencia para
rechazar la afirmación de que el peso promedio de los rodamientos es 250 g.
Definición de p-valor de una muestra
Es el menor valor de α para el que se puede rechazar H0 con la muestra

seleccionada.
Se conoce también como el nivel de significación observado.

Se puede emplear en el procedimiento de contraste de hipótesis con la regla
siguiente:
Si el p-valor < α, rechazamos H0
Si el p-valor ≥ α, no rechazamos H0
Se puede interpretar como la probabilidad de que se obtenga un valor del

estadı́stico del contraste que sea al menos tan extremo (≤ o ≥) como el
observado, suponiendo que H0 sea cierta.
El p-valor muestra la evidencia estadı́stica de la muestra a favor o en contra
de la hipótesis nula:
p-valores “pequeños” proporcionan evidencia en contra de H0
p-valores “grandes” proporcionan evidencia a favor de H0

p-valor: ejemplo
Continuando con el problema de los pesos de los rodamientos fabricados en un proceso,
el parámetro de estudio es la media de la variable aleatoria
X = ”peso de un rodamiento (en g)”, con X ∼ N(µ, σ 2 = 52 )
Se plantea el siguiente contraste de hipótesis para saber si hay evidencia estadı́ética para
aceptar que el peso difiere de 250 g.
µ0
z}|{
H0 : µ = 250 frente a H1 : µ > 250 (contraste unilateral)
X̄ − µ0
Z = √ ∼ N(0, 1)
σ/ n
Tras tomar una muestra de 16 rodamientos, el valor observado del estadı́stico es
z = 1.52.
El p-valor es:
p-valor = P(Z ≥ z) = P(Z ≥ 1.52) = 0.0643 donde Z ∼ N(0, 1)
Como se cumple que p-valor = 0.0643 ≥ α = 0.05, no se rechaza H0 (pero se rechazarı́a

para cualquier α mayor que 0.0643, por ejemplo, α = 0.1).
El p-valor y la probabilidad de la hipótesis nula1
El p-valor:
no es la probabilidad de H0 ni la del error de Tipo I, α;
se puede utilizar como un estadı́stico del contraste comparando su valor con el
de α (i.e. rechazar H0 si p-valor < α).
Queremos responder la pregunta: ¿cuál es la probabilidad de la hipótesis nula

dadas las observaciones?
Recordemos que definimos el p-valor como la probabilidad de obtener las
observaciones (o valores mas extremos) dada la hipótesis nula.
No podemos responder de manera exacta,
Pero bajo condiciones generales y asumiendo que sin los datos
Pr(H0 ) = Pr(H1 ) = 1/2, entonces para p-valores, p, tales que p < 0.36:
−e · p ln(p)
Pr(H0 |Observaciones) ≥ .
1 − e · p ln(p)
1 Selke, Bayarri and Berger, The American Statistician, 2001

El p-valor y la probabilidad de la hipótesis nula

La siguiente tabla permite calibrar el p-valor como una función de la probabilidad
de la hipótesis nula:
p-valor Pr(H0 |Observaciones) ≥
0.1 0.39
0.05 0.29
0.01 0.11
0.001 0.02
0.00860 0.1
0.00341 0.05
0.00004 0.01
≤ 0.00001 0.001
Para un p-valor igual a 0.05 la hipótesis nula tiene una probabilidad de al

menos el 29 % de ser cierta.
Mientras que si queremos que la probabilidad de que sea cierta no supere el
5 %, el p-valor tiene que ser más pequeño que 0.0034.

Intervalos de confianza y contrastes bilaterales: dualidad
Un contraste bilateral a un nivel de significación α puede realizarse a partir de un

intervalo (simétrico) con nivel de confianza 100(1 − α) % de la manera siguiente:
1 Especificar las hipótesis nula y alternativa:
H 0 : θ = θ0 frente a H1 : θ 6= θ0
2 Calcular un intervalo de confianza al 100(1 − α) % para θ.
3 Si θ0 no pertenece a este intervalo, rechazamos H0 .

Si θ0 pertenece al intervalo, no rechazamos H0 .
4 Escribir las implicaciones para nuestro caso en una frase.

Contraste bilateral para la media con varianza conocida:

ejemplo
Un taladro produce agujeros cuyos diámetros siguen una distribución normal con
media 2 cm y desviación tı́pica 0.06 cm. Para verificar su correcto funcionamiento
se miden aleatoriamente nueve taladros, con un diámetro medio de 1.95 cm.
Realiza un contraste bilateral para un nivel de significación del 5 % utilizando ICs.
Población: X = ”diámetro de un agujero (en cm)”, con X ∼ N(µ, σ 2 = 0.062 )
µ0
z}|{
Objetivo: contrastar H0 : µ = 2 frente a H1 : µ 6= 2 (contraste bilateral)
Se toma una MAS con n = 9 y resulta: x̄ = 1.95.
Intervalo de confianza al 100(1 − α) % = 95 % para µ:

σ 0.06
IC0.95 (µ) = x̄ ∓ 1.96 √ = 1.95 ∓ 1.96 √ = (1.9108, 1.9892)
n 9
Como µ0 = 2 ∈
/ CI0.95 (µ), rechazamos H0 a un nivel de significación del 5 %.
Contrastes para una población Contrastes para proporciones
Contenidos


Contraste bilateral para la proporción: ejemplo

En una muestra aleatoria de 199 socios auditores de empresas de auditorı́a
americanas, 104 socios se mostraron de acuerdo con la afirmación: “Los flujos de
caja operativos son una medida válida de rentabilidad”. Contrasta al 10 % frente a
una alternativa bilateral la hipótesis nula de que la mitad de los miembros de la
población estarı́an de acuerdo con esta afirmación.
Población: X = 1 si un socio está de acuerdo con la afirmación y 0 en otro caso.
X ∼ Bernoulli(p)
p0
z}|{
Objetivo: contrastar H0 : p = 0.5 frente a H1 : p 6= 0.5 (contraste bilateral)
El tamaño de la muestra es suficientemente grande como para utilizar la
aproximación para muestras grandes
Estadı́stico del contraste: Z = √ p̂−p0 ∼aprox. N(0, 1)
p0 (1−p0 )/n
Valor observado del estadı́stico (p0 = 0.5, n = 199 y p̂ = 0.523)
p̂ − p0 0.523 − 0.5
z= p = p = 0.65
p0 (1 − p0 )/n 0.5(1 − 0.5)/199
Contraste bilateral para la proporción: ejemplo
Región de rechazo o región crı́tica:
RR0.10 = {z : z > z0.05 } ∪ {z : z < −z0.05 } Densidad N(0,1)

= {z : z > 1.645} ∪ {z : z < −1.645}
Como z = 0.65 ∈ / RR0.10 no rechazamos H0 z=

a un nivel de significación del 10 %. 0.65
RR
●
RA
●
RR
− zα2 = − 1.645 zα2 = 1.645
Conclusión: Los datos muestrales no dan evidencia suficiente para dudar que la
mitad de los socios auditores piensen que el flujo de caja operacional es una
medida válida de rentabilidad.

Contrastes para una población Contrastes para la media de una población normal con σ desconocida
Contenidos


Contraste unilateral, media con var. desconocida: ejemplo

Una cadena de centros comerciales cree que el aumento de ventas entre Noviembre y
Diciembre es del 20 %. Una muestra aleatoria de seis centros tuvo incrementos de ventas
de 19.2, 18.4, 19.8, 20.2, 20.4, 19.0. Suponiendo la población normal, contrasta que el
incremento promedio es al menos del 20 % frente a una alternativa unilateral, para α =
10 %. Emplea el p-valor.
Población: X = “incremento de ventas en un centro entre Nov. y Dic. (en %)”, con
X ∼ N(µ, σ 2 ) σ 2 desconocida
µ0
z}|{
Objetivo: contrastar H0 : µ ≥ 20 frente a H1 : µ < 20 (contraste unilateral)
Muestra pequeña. Se utiliza el contraste basado en la t de Student.

X̄ −µ0
Estadı́stico del contraste: T = √
s/ n
∼ tn−1
√
Valor observado del estadı́stico (con µ0 = 20, n = 6, x̄ = 19.5 y s = 0.588 = 0.767):
x̄ − µ0 19.5 − 20
t= √ = √ = −1.597
s/ n 0.767/ 6

Contraste unilateral, media con var. desconocida: ejemplo
p-valor = P(T ≤ −1.597)∈ (0.05, 0.1)

Densidad tn−1
porque
−t5;0.05 −t5;0.10
z }| { z }| {
−2.015 < −1.597 < −1.476
t=
Dado que −1.597
p-valor < α = 0.1,
p−valor
rechazamos la hipótesis nula a este nivel. =area
||
−2.015 −1.476
Conclusión: Los datos muestrales proporcionan suficiente evidencia para rechazar que el
incremento promedio de las ventas haya sido al menos del 20 %.
Interpretación del p-valor: si la hipótesis nula fuese cierta, la probabilidad de que
hubiésemos obtenido estos datos muestrales serı́a como máximo del 10 %, lo que es
bastante improbable, y por tanto rechazamos la hipótesis nula.
Ejemplo
El tiempo (en minutos) necesario para montar una unidad se puede aproximar
mediante una variable aleatoria con distribución normal.
Se realiza un estudio para saber si se puede aceptar que el tiempo de montaje
medio es mayor de 10 minutos, con un nivel de significación de 0.05.
Solución:
Sea X = tiempo necesario para montar una unidad, X ∼ N(µ, σ 2 ).
Como no tenemos datos sobre la varianza de la variable X , planteamos el
contraste:
H0 : µ ≤ 10 H1 : µ > 10
cuya región de rechazo es:

( )
x̄ − µ0
R= > tn−1,α
√s
n

Ejemplo (cont.)
A continución se toma una muestra de 20 unidades seleccionadas aleatoriamente:
9.8 10.4 10.6 9.6 9.7 9.9 10.9 11.1 9.6 10.2 10.3 9.6 9.9 11.2
10.6 9.8 10.5 10.1 10.5 9.7
Como n = 20, x̄ = 10.2, s = 0.51,
x̄ − µ0 10.2 − 10
= = 1.753
√s 0.51
√
n 20
Además
tn−1,α = t19,0.05 = 1.729
y como
1.753 > 1.729,
el contraste resulta estadı́sticamente significativo, se rechaza la hipótesis nula y
podemos concluir que hay razones estadı́sticas suficientes al nivel 0.05 para
afirmar que la media del tiempo de montaje es mayor de 10 minutos.

Contrastes para una población Contrastes para la varianza de una población normal
Contenidos


Contraste unilateral para la varianza: ejemplo

Para cumplir con la normativa, la varianza del nivel de impurezas en tanto por ciento en
los envı́os de un cierto producto quı́mico no puede superar el valor 4.
Con el fin de contrastar si esto se está verificando, se ha tomado una muestra aleatoria
de 20 envı́os, que ha proporcionado una cuasi-varianza muestral del nivel de impurezas
de 5.62.
Llevar a cabo un contraste de hipótesis adecuado (α = 0.1). Nota: asumir que el nivel de
impurezas se puede aproximar por una v.a. N(µ, σ).
Población: X = “nivel de impurezas del producto en un envı́o (en %)” con X ∼ N(µ, σ 2 )
σ02
z}|{
Objetivo: contrastar H0 : σ 2 ≤ 4 frente a H1 : σ 2 > 4 (contraste unilateral)
(n−1)s 2
Estadı́stico del contraste: χ2 = σ02
∼ χ2n−1
Valor observado del estadı́stico (con σ02 = 44, n = 20 y s 2 = 5.62):
(n − 1)s 2 (20 − 1)5.62

χ2 = = = 26.695
σ02 4

Contraste unilateral para la varianza: ejemplo
p-valor = P(χ2 ≥ 26.695) ∈ (0.1; 0.25) Densidad χ2n−1

χ2 =
porque
26.695
χ219;0.20 χ219;0.1
z }| { z }| {
23.9004 < 26.695 < 27.2036 p−valor
=area
Por tanto, 0.10 ≤ p-valor ≤ 0.20
Como el p-valor es mayor que α = 0.1, no ●●
podemos rechazar la hipótesis nula a este
nivel.

Conclusión: Los datos muestrales no proporcionan suficiente evidencia para
rechazar la afirmación de que la varianza del porcentaje de impurezas en los envı́os
22.7 27.2
de este producto no es mayor que 4.

Contraste bilateral para la varianza: ejemplo
Se realiza un experimento con objeto de analizar la habilidad y destreza de una

clase de ratas de laboratorio, X . Se toma una muestra de 18 ratas y se obtiene
una cuasivarianza muestral de s 2 = 1349. Suponiendo que X ∼ N(µ, σ 2 ), ¿puede
concluirse que la σ 2 es diferente de 2600, con una confianza del 95 %?
Objetivo: H0 : σ 2 = 2600nfrente a Hh1 : σ 2 6= 2600 (contraste
io bilateral)
2 2 2
Región de rechazo: R = n−1 σ2
s ∈
/ χ n−1,1−α/2 , χ n−1,α/2 , donde
0
h i
χ2n−1,1−α/2 , χ2n−1,α/2 = χ217,0.975, χ217,0.025 = [7.564, 30.19]
El valor del estadı́stico de contraste es:

(n − 1) 2 17
2 s = 1349 = 8.82
σ0 2600
Como 8.82 ∈ [7.564, 30.19]no podemos rechazar H0 al 95 % de confianza

El p−valor asociado es 2P χ217 < 8.82 = 2 · 0.0542 = 0.1085

Contrastes para dos poblaciones
Contenidos


Contrastes para dos poblaciones
Introducción
En muchos problemas de decisión se tiene como objetivo comparar dos

poblaciones .
Para ello, en lugar de disponer de una muestra aleatoria, se dispone de dos
muestras aleatorias de dos poblaciones, y el interés está en contrastar:
la diferencia entre las medias de las dos poblaciones
en el caso de muestras pareadas
y en el caso de muestras independientes
el diferencia entre las varianzas de las dos poblaciones (a través del cociente)
en el caso de muestras independientes
Los procedimientos que se utilizan se basán en los métodos utilizados para el caso
de una única población.

Contrastes para la diferencia entre dos medias: muestras pareadas
Contenidos


Contrastes para la diferencia entre dos medias en muestras

pareadas
Ejemplo: Se ha llevado a cabo un estudio sobre la relación entre la actividad
cerebral mientras se ven anuncios en televisión y la capacidad de la persona para
recordar dichos anuncios:
Se han mostrado anuncios de dos marcas para diez productos a las personas
en la muestra.
Para cada anuncio se ha medido la capacidad de cada persona para
recordarlo pasadas 24 horas.
A cada anuncio de un producto se le han asignado las etiquetas “recuerdo
fuerte” o “recuerdo débil”.
La siguiente tabla muestra un ı́ndice de la actividad cerebral de las personas que
han visto estos anuncios en el estudio.
producto: i 1 2 3 4 5 6 7 8 9 10
recuerdo fuerte: xi 137 135 83 125 47 46 114 157 57 144
recuerdo débil: yi 53 114 81 86 34 66 89 113 88 111
dif.: di = xi − yi 84 21 2 39 13 −20 25 44 −31 33


pareadas
Sea X una población con media µX e Y otra población con media µY .
Disponemos de una muestra aleatoria de n observaciones pareadas de ambas
poblaciones, {(Xi , Yi )}.:
Calculamos la diferencia entre las dos variables:
d1 = x1 − y1 , d2 = x2 − y2 , . . . , dn = xn − yn
Calculamos la media d¯ y cuasi desviación tı́pica sd de las n diferencias.

Supondremos que la población de las diferencias sigue una distribución normal.
Contraste bilateral H0 : µX − µY = D0 frente a H1 : µX − µY 6= D0
El estadı́stico del contraste es
D̄ − D0
T = √ ∼H0 tn−1
sD / n
La región de rechazo (a un nivel de significación α) es:
RRα = {t : t < −tn−1;α/2 o t > tn−1;α/2 }


pareadas
Ejemplo: (cont.)
Población: D = “diferencia entre recuerdo fuerte y débil”’ con
2
D ∼ N(µX − µY , σD )
D0
z}|{
Objetivo: H0 : µX − µY ≤ 0 frente a H1 : µX − µY > 0 (Contraste unilateral)
D̄ − D0
Estadı́stico del contraste: T = √ ∼ tn−1
sD / n
142022−10(21)2
Muestra: n = 10, d¯ = 210
10 = 21 y sd2 = 10−1 = 1088
Valor observado del estadı́stico (para D0 = 0:
d¯ − D0 21
t= √ = √ = 2.014
sd / n 32.98/ 10


pareadas
Ejemplo: cont. Densidad tn−1
p-valor = P(T ≥ 2.014)∈ (0.025, 0.05) t=

2.014
ya que p−valor
=area
t9;0.05 t9;0.025
z }| { z }| {
1.833 < 2.014 < 2.262
||
1.833 2.262
Por tanto, como p-valor < α = 0.05, rechazamos la hipótesis nula a este nivel.
Conclusión: La evidencia muestral apoya que en promedio la actividad cerebral es mayor
para el grupo con recuerdo fuerte que para el grupo con recuerdo débil. Si la actividad
cerebral promedio fuese igual para ambos grupos, la probabilidad de obtener muestras
tan extremas o más que la observada estarı́a entre 0.025 y 0.05 (un valor bajo).

pareadas
Ejemplo: cont. En Excel: Ir al menu “Datos”, submenu “Análisis de datos”,
seleccionar la opción: “Prueba t para medias de dos muestras emparejadas”
Columnas A y B (datos), en amarillo se muestran el valor observado del
estadı́stico y el p-valor.

Contraste bilateral para la diferencia entre dos medias via

IC
Ejemplo: cont.
También se puede construir un intervalo de confianza al 95 % para µX − µY .

sd sd
IC0.95 (µX − µY ) = d¯ − tn−1;0.025 √ , d¯ + tn−1;0.025 √
n n

32.98 32.98
= 21 − 2.262 √ , 21 + 2.262 √
10 10
= (−2.59, 44.59)
Como el valor 0 pertenece a este intervalo, no se puede rechazar la hipótesis nula

de la igualdad de las medias de las dos poblaciones a un nivel de significación de
α = 0.05.

Ejemplo
Se quiere comparar el nivel de dopamina presente en el cerebro, antes y después
de la ingestión por ratas de una dosis de sustancia psicotrópica, para decidir si la
diferencia se puede considerar estadı́sticamente significativa.
Para ello, se plantea un contraste sobre la diferencia a un nivel del 95 %.
Solución
Como los datos están pareados, consideramos las diferencias:
D =X −Y
Asumimos D ∼ (µ, σ 2 ) y planteamos el contraste de hipótesis:
H0 : µ = 0
H1 : µ 6= 0
La región de rechazo es:
( )
D̄ − µ
0
R= s > tn−1, 2
α
√n

Ejemplo (cont.)
Se toma una muestra de 5 ratas obteniendo

Individuo: 1 2 3 4 5
Antes de la ingestión: 110 125 141 113 182
Después de la ingestión: 102 120 135 114 175.
Como D̄ = 5.0 y s = 3.535,
|D̄ − µ0 | 5
= = 3.163
√s 3.535
√
n 5
Como tn−1α/2 = t4,0.025 = 2.78, se rechaza la hipótesis nula.

Contrastes para dos muestras independientes
Contenidos


Contrastes para dos muestras independientes Contrastes para la diferencia de medias de dos poblaciones normales con varianz
Contenidos


Contrastes para la diferencia de medias de dos poblaciones

normales con varianzas conocidas o con muestras grandes
Sea X una población con media µX y varianza σX2 , e Y otra población con
media µY y varianza σY2 .
Muestras aleatorias de n1 observaciones de X y n2 observaciones de Y ,
independientes, y
Bien tanto n1 como n2 son grandes y σX2 y σY2 son desconocidas,
O X e Y siguen distribuciones normales y σX2 y σY2 son conocidas



Bien
X̄ − Ȳ − D0
Z = q 2 ∼H0 , aprox. N(0, 1)
sX s2
n1
+ nY2
O
X̄ − Ȳ − D0
Z = q 2 2
∼H0 N(0, 1)
σX σY
n1
+ n2
La región de rechazo (para un nivel de significación α) es:
RRα = {z : z < −zα/2 o z > zα/2 }


Ejemplo: Se realiza un estudio entre auditores sobre la actividad de las mujeres en su

profesión. A los encuestados se les pide que den su opinión con un valor entre uno (muy
en desacuerdo) y cinco (muy de acuerdo) sobre la afirmación “En auditorı́a se asignan
los mismos trabajos a las mujeres y a los hombres”. De una muestra de 186 auditores
(varones) se obtuvo una respuesta promedio de 4.059 con una cuasi desviación tı́pica de
0.839. Para una muestra independiente de 172 mujeres auditoras la respuesta promedio
fue de 3.680 con una cuasi desviación tı́pica de 0.966. Contraste la hipótesis nula (para
α = 0.0001) de que las medias de las dos poblaciones son iguales, frente a la alternativa
de que la media de la población es mayor para auditores varones.
Población 1: Población 2:
X = “respuesta de un auditor varón” Y = “respuesta de una mujer auditora”
X ∼ µX , σX2 X ∼ µY , σY2
Muestra: n1 = 186, x̄ = 4.059 y sx = 0.839 Muestra: n2 = 172, ȳ = 3.680 y sy = 0.966


D0
z}|{
Ejemplo: (cont.) Objetivo: contrastar H0 : µX − µY = 0 frente a H1 : µX − µY > 0
(Contraste unilateral)
Estadı́stico del contraste: Z = s X̄ −Ȳ ∼H0 , aprox. N(0, 1)

s2 s2
X + Y
n1 n2
3.75
z }| {
Región de rechazo: RR0.0001 = {z : z > z0.0001 }
Valor observado del estadı́stico:
x̄ − ȳ 4.059 − 3.680
z= q = p = 3.95
2 2 0.8392 /186 + 0.9662 /172
sx /n1 + sy /n2
Como z = 3.95 ∈ RR0.0001 , rechazamos la hipótesis nula a un nivel del 0.01 %.

Conclusión: Los datos contienen una evidencia muy fuerte en favor de que la respuesta promedio
entre los varones es mayor que entre las mujeres - esto es, en promedio los varones están mas
convencidos que las mujeres de que se asignan los mismos trabajos a las mujeres que a los
hombres.

Ejemplo: (cont.): dualidad con los intervalos de confianza

 s 
2 s 2
s x y
IC0.95 (µX − µY ) = x̄ − ȳ ∓ z0.025 + 
n1 n2
p
= 4.059 − 3.680 ∓ 1.96 0.8392/186 + 0.9662/172
= (0.19, 0.57)
Como el valor 0 no pertenece a este intervalo, podemos rechazar la hipótesis nula

de igualdad de las dos medias poblacionales a un nivel de significación α = 0.05.

Contrastes para dos muestras independientes Contrastes para la diferencia entre dos proporciones: muestras grandes independ
Contenidos


Contrastes para la diferencia entre dos proporciones:

muestras grandes
Sea X ∼ Bernoulli(pX ) y sea Y ∼ Bernoulli(pY ), donde pX y pY son dos
proporciones poblacionales para los individuos que cumplan una propiedad de
interés.
independientes, y
tanto n1 como n2 son grandes
Contraste bilateral H0 : pX − pY = 0 frente a H1 : pX − pY 6= 0
p̂X − p̂Y
Z = r ∼H0 , aprox. N(0, 1),
p̂0 (1 − p̂0 ) n11 + 1
n2
donde
n1 p̂X + n2 p̂Y
p̂0 =
n1 + n2
RRα = {z : z < −zα/2 or z > zα/2 }

muestras grandes
Ejemplo: En Investigación de Mercados es importante conseguir un porcentaje de respuestas

elevado para las encuestas. Para mejorar este porcentaje se puede incluir una pregunta inicial de
motivación que aumente el interés del encuestado por completarlo. Se han enviado cuestionarios
con pregunta de motivación sobre la mejora los espacios de ocio en una ciudad, a una muestra
de 250 hogares, obteniendo 101 respuestas. Otros cuestionarios idénticos sin pregunta de
motivación se han enviado a otra muestra independiente de 250 hogares, obteniendo 75
respuestas. Contraste la hipótesis nula de que las dos proporciones poblacionales sean iguales,
frente a la alternativa de que la tasa de respuestas sea más elevada cuando se incluye pregunta
de motivación.
X = 1 si una persona completa el Y = 1 si una persona completa el
cuestionario con pregunta de motivación, y cuestionario sin pregunta de motivación, y 0
0 en caso contrario en caso contrario
X ∼ Bernoulli(pX ) Y ∼ Bernoulli(pY )
101 75
Muestra: n1 = 250 y p̂x = 250
= 0.404 Muestra: n2 = 250 y p̂y = 250
= 0.300


muestras grandes
Ejemplo:
Objetivo: contrastar H0 : pX = pY frente a H1 : pX > pY (Contraste unilateral)
p̂X −p̂Y
Estadı́stico del contraste: Z = r ∼H0 , aprox. N(0, 1)
p̂0 (1−p̂0 ) n1 + n1
1 2
Valor observado del estadı́stico:
n1 p̂x + n2 p̂y 250(0.404) + (250)(0.300)
p̂0 = = = 0.352
n1 + n2 250 + 250
p̂x − p̂y 0.404 − 0.300
z= r = q = 2.43
1 1
p̂0 (1 − p̂0 ) 1
+ 1 0.352(1 − 0.352) 250 + 250
n1 n2
p-valor = P(Z ≥ z) = P(Z ≥ 2.43) = 0.0075

Como el p-valor es muy pequeño, podemos rechazar la hipótesis nula a cualquier nivel de
significación mayor que 0.0075.
Conclusión: Los datos muestrales contienen una fuerte evidencia de que al incluir una
pregunta de motivación se obtiene una tasa de respuesta más elevada que cuando no se
incluye.


muestras grandes

También se puede construir un intervalo de confianza al 95 % para pX − pY .
s !
1 1
IC0.95 (pX − pY ) = p̂x − p̂y ∓ z0.025 p̂0 (1 − p̂0 ) +
n1 n2
s !
1 1
= 0.404 − 0.300 ∓ 1.96 0.352(1 − 0.352) +
250 250
= (0.1877, 0.0203)
Como el valor 0 no pertenece a este intervalo, podemos rechazar la hipótesis nula

de igualdad de las proporciones de las dos poblaciones para un nivel de
significación α = 0.05.

Contrastes para dos muestras independientes Contrastes para la diferencia entre dos medias con varianzas desconocidas pero i
Contenidos


Contrastes para la diferencia entre dos medias con

varianzas desconocidas pero iguales
Consideremos:
X una población con media µX y varianza σX2 , e
Y otra población con media µY y varianza σY2
ambas distribuidas normalmente
con varianzas poblacionales desconocidas, pero iguales σ 2 = σX2 = σY2
Se toman dos muestras aleatorias independientes: una de n1 observaciones de

X y otra de n2 observaciones de Y .

Contrastes para la diferencia entre dos medias: muestras

normales independientes, varianzas de poblaciones iguales
X̄ − Ȳ − D0
T = q ∼H0 tn1 +n2 −2
sp n11 + n12
donde el estimador de la varianza común para las dos poblaciones es
(n1 − 1)sX2 + (n2 − 1)sY2

sp2 =
n1 + n2 − 2
Nota: grados de libertad = n1 + n2 − 2 (número de observaciones de las
muestras menos dos - por tener que estimar µX y µY )
RRα = {t : t < −tn1 +n2 −2;α/2 o t > tn1 +n2 −2;α/2 }


Ejemplo: Se estudia el efecto que la presencia de un moderador puede tener en el
número de ideas generadas en un grupo de trabajo. Se observan grupos de cuatro
personas, con y sin moderador. En una muestra aleatoria de cuatro grupos con
moderador el número promedio de ideas generadas por grupo fue 78.0, con cuasi
desviación tı́pica muestral de 24.4. Para una muestra independiente de cuatro grupos sin
moderador el promedio de ideas generadas fue 63.5, y su cuasi desviación tı́pica fue 20.2.
Suponiendo distribuciones normales con varianzas iguales, contraste la hipótesis nula
(para α = 0.1) de igualdad de medias, frente a la alternativa de que la media de la
población es mayor para grupos con moderador.
X = “número de ideas en grupos con Y = “número de ideas en grupos sin
moderador” moderador”
X ∼ N(µX , σX2 ) X ∼ N(µY , σY2 )
Muestra: n1 = 4, x̄ = 78.0 y sx = 24.4 Muestra:n2 = 4, ȳ = 63.5 e sy = 20.2
Se trata de muestras independientes de poblaciones con distribución normal tal que
σX2 = σY2 = σ 2


D0
z}|{
Objetivo: contrastar H0 : µX − µY = 0 frente a H1 : µX − µY > 0 (Test unilateral)
X̄ −Ȳ
Estadı́stico del contraste: T = q ∼H0 tn1 +n2 −2 .
sp n1 + n1
1 2
Región de rechazo: RR0.1 = {t : t > t6;0.1 }, donde t6;0.1 = 1.440.

Valor observado del estadı́stico (con D0 = 0, n1 = 4, n2 = 4, x̄ = 78.0, sx = 24.4, ȳ = 63.5 y
sy = 20.2):
(n1 − 1)sx2 + (n2 − 1)sy2 (4 − 1)24.42 + (4 − 1)20.22 √
sp2 = = = 501.7 ⇒ sp = 501.7 = 22.4
n1 + n2 − 2 4+4−2
x̄ − ȳ 78.0 − 63.5
t= p = p = 0.915
sp 1/n1 + 1/n2 22.4 1/4 + 1/4
Como t = 0.915 ∈
/ RR0.1 , no podemos rechazar la hipótesis nula a un nivel del 10 %.
Conclusión: Los datos muestrales no contienen suficiente evidencia para pensar que en promedio
se generan más ideas en grupos con moderador. Pero para tamaños muestrales tan pequeños el
contraste tiene potencia baja y serı́an necesarias diferencias muy grandes entre las medias de las
poblaciones para rechazar la hipótesis nula.



r
1 1
IC0.99 (µX − µY ) = x̄ − ȳ ∓ tn1 +n2 −2;0.005 sp +
n1 n2
r !
1 1
= 78.0 − 63.5 ∓ 3.707 · 22.4 +
4 4
= (−44.22, 73.22)
Como el valor 0 pertenece a este intervalo, no podemos rechazar la hipótesis nula

de igualdad de las medias de las dos poblaciones a un nivel de significación
α = 0.01.

Contrastes para dos muestras independientes Contrastes para el cociente de varianzas en poblaciones normales
Contenidos


Contrastes para el cociente de varianzas en poblaciones

normales
Sea X una población con media µX y varianza σX2 , e Y otra población con
media µY y varianza σY2 ,
ambas distribuidas normalmente
independientes.
Contraste bilateral H0 : σX2 = σY2 (= σ 2 ) frente a H1 : σX2 6= σY2
sX2
F = ∼H0 Fn1 −1,n2 −1
sY2
RRα = {f : f < Fn1 −1,n2 −1;1−α/2 o f > Fn1 −1,n2 −1;α/2 }

La distribución F
X1 , X2 , . . . , Xn y Y1 , Y2 , Y3 , . . . , Ym son dos
conjuntos de variables aleatorias
independientes, con distribución N(0, 1). La
variable aleatoria (cociente de dos v.a.s
Densidades F
1.2
chi-cuadrado normalizadas)
1.0
1 Pn 2
i =1 Xi gl1=30 gl2=30
F = n1 Pm 2
i =1 Yi gl1=10 gl2=15
0.8
m
gl1=8 gl2=8
sigue una distribución Fn,m con n y m gl1=5 gl2=3
0.6
grados de libertad. Para el resultado de la
transparencia anterior:
0.4
χ2n1 −1
z }| {
2
0.2
1 (n 1 − 1)sX
sX2 n1 −1
σ2
= H ∼ Fn1 −1,n2 −1
sY2 0
(n2 − 1)sY2
0.0
1
n2 −1 2
| σ
0 2 4 6 8
{z }
χ2n2 −1

normales
Ejemplo: Se tomas dos muestras de bonos industriales emitidos recientemente:

La primera muestra corresponde a 17 bonos industriales emitidos con
calificación AAA y tiene una cuasi varianza de sus vencimientos (en años al
cuadrado) fue de 123.35.
La segunda muestra corresponde a 11 bonos industriales emitidos con
calificación CCC y tiene una cuasi varianza de sus vencimientos fue de 8.02.
Lleve a cabo un contraste bilateral al 5 % para comparar las correspondientes
varianzas poblacionales, σX2 y σY2 , .
X vencimiento de bonos AAA (en años) Y vencimiento de bonos CCC (en años)
X ∼ N(µX , σX2 ) Y ∼ N(µY , σY2 )
Muestra: n1 = 17 y sx2 = 123.35 Muestra: n2 = 11 y sy2 = 8.02


normales
Ejemplo: (cont.)
Objetivo: H0 : σX2 = σY2 frente a H1 : σX2 6= σY2 (contraste bilateral)

2
sX
Estadı́stico del contraste: F = 2
sY
∼H0 Fn1 −1,n2 −1
0.402
z }| {
Región de rechazo: RR0.10 = {f : f < F16,10;1−0.05 } ∪ {f : f > F16,10;0.05 }
| {z }
2.83
Nota: el cuantil F16,10;0.05 = 2.83 aparece en la tabla de la F, pero no F16,10;1−0.05 . Para
calcularlo podemos emplear la propiedad de esta distribución
1 1 1
Fn,m;α = ⇒ F16,10;1−0.05 = = = 0.402
Fm,n;1−α F10,16;0.05 2.49
123.35
Valor observado del estadı́stico: f = = 15.38 ∈ RR0.10
8.02
Conclusión: Existe una fuerte evidencia de que las dos varianzas poblacionales son
distintas.

normales

También se puede construir un intervalo de confianza al 90 % para el cociente de
las varianzas.
2 2
σX sx 1 sx2 1
IC0.90 = ,
σY2 sy2 Fn1 −1,n2 −1;0.05 sy2 Fn1 −1,n2 −1;1−0.05

123.35 1 123.35 1
= ,
8.02 2.83 8.02 0.402
= (5.43, 38.26)
Como era de esperar por el resultado anterior, el valor 1 no pertenece a este

intervalo, y podemos rechazar la hipótesis nula de que las dos varianzas
poblacionales sean iguales, para un nivel de significación α = 0.1.

Contraste bilateral para el cociente de varianzas mediante

intervalos de confianza
Un grupo de personas participa en un estudio nutricional que trata de analizar los

niveles asimilados de vitamina C en sangre de fumadores (X1 ) y no fumadores
(X2 ). Los resultados en mg /l fueron
F : 18.3 9.3 12.6 15.7 14.2 13.1 14.3 16.2 18.1 19.4 15.5 11.7
NF : 24.9 16 26.3 25.5 19.3 16.8 15.7 24.6 19.9 9.4 17.4
Asumiendo que Xi ∼ N(µi , si2 ), comprobar si el hábito de fumar disminuye el nivel

de asimilación de vitamina C en sangre.
Solución: Obtenemos los resúmenes numéricos:
n1 = 12, x̄1 = 14.87, s12 = 8.7

n2 = 11, x̄2 = 19.62, s22 = 27.79
y planteamos el contraste H0 : µ1 ≥ µ2 frente a H1 : µ1 < µ2 a un nivel del 95 %.


Contrastamos primero la igualdad de las varianzas:
H0 : σ12 = σ22 frente a H1 : σ12 6= σ22
La región de rechazo, a un nivel del 95 %, es

n o
R = s12 /s22 ∈
/ [Fn1 −1,n2 −1,1−α/2 , Fn1 −1,n2 −1,α/2 ]
que es este caso, resulta
[Fn1 −1;n2 −1;1−α/2 , Fn1 −1;n2 −1;α/2 ] = [F11;10;0.975 , F11;10;0.025 ]

= [1/F10;11;0.025 , F11;10;0.025 ]
= [0.2836, 3.6689]
El valor del estadı́stico de contraste es s12 /s22 = 0.31 y como

0.31 ∈ [0.2836, 3.6689] se acepta la igualdad de las varianzas.

Para el contraste de medias, usamos entonces la región de rechazo:
 
 x̄ − ȳ 
R= q < tn1 +n2 −2,1−α
1
s + 1 p n1

n2
donde −t21,0.05 = t21,0.95 = −1.7207
El valor del estadı́sitico de contraste es:

x̄ − ȳ 14.87 − 19.62
q q = q q = −2.698
(n1 −1)s12 +(n2 −1)s22 1 1 11·8.7+10·27.79 1 1
n1 +n2 −2 n1 + n2 21 12 + 11
Como −2.698 < −1.7207, se rechaza H0 al 95 % de confianza.

El p−valor asociado es P{t21 < −2.698} = 0.0067. Este valor tan bajo nos lleva a
inferir que el hábito de fumar disminuye el nivel de asimilación de vitamina C en
sangre.

Ejemplo:
Actualmente existen una serie de sustancias que se liberan al medio ambiente por parte
de las poblaciones humanas, de las que se sospecha que son tóxicas. La única manera de
conocer su toxicidad es realizando bioensayos, es decir, tomando un ser vivo modelo y
exponiéndolo a distintas concentraciones de la sustancia pura.
Las esporas de helecho son producto de la meiosis capaces de germinar en el suelo y dar
lugar a un gametofito de helecho, una planta vascular en miniatura.
En los últimos años se han detectado fármacos humanos en las aguas de rı́os y potables.
Se decidió probar si los fármacos venlafaxina (antidepresivo) y diclofenaco
(antiinflamatorio) y el metabolito de la cocaı́na benzoilecgonina son tóxicos para estas
esporas comprobando cómo afectan a la actividad mitocondrial.
Los datos obtenidos siempre se comparan con los efectos de un medio de cultivo control
desprovisto de sustancias tóxicas.
Una disminución estadı́sticamente significativa en la actividad mitocondrial respecto del
control se considera un efecto tóxico.

Ejemplo:(cont.)
La siguiente tabla presenta los resultados obtenidos en el experimento.
Réplicas Control Venlafaxina Diclofenaco Benzoilecgonina
1 0.196 0.040 0.243 0.161
2 0.237 0.055 0.083 0.208
3 0.247 0.052 0.176 0.209
4 0.206 0.035 0.054 0.160
5 0.239 0.051 0.024 0.200
6 0.225 0.060 0.160 0.226
¿Se pueden considerar tóxicas estas sustancias según estos datos, con un nivel de
significación α = 0.05?


Ejemplo:(cont.)
La siguiente tabla muestra las estadı́sticas de los datos anteriores
Estadı́stica Control Venlafaxina Diclofenaco Benzoilecgonina
x 0.22500 0.04889 0.12361 0.19400
s 0.02013 0.00943 0.08340 0.02730
s2 0.00041 0.00009 0.00696 0.00075
Para contestar a la pregunta es necesario realizar un contraste sobre diferencias de
medias, aunque al no tener información sobre las variantes, habrá que realizar un
contraste de diferencia de variantes previo.

Estadı́sticos pivotales
Parámetro Hipótesis Estadı́stico del contraste
Diferencias nor- D̄−D0

males √
sD / n
∼ tn−1
Muestras pareadas
Pobls. normales X̄ −Ȳ −D0
r ∼H0 tn1 +n2 −2
Varianzas iguales sp 1 + 1
n1 n2
Pobls. normales X̄ −Ȳ −D0

µX − µY = D0 s ∼H0 N(0, 1)
Vars. conocidas σ2 σ2
X + Y
n1 n2
Pobls. no normales X̄ −Ȳ −D0
Vars. desconocidas s ∼H0 aprox N(0, 1)
s2 s2
Muestras grandes X + Y
n1 n2
pX − pY = 0 Pobls. Bernoulli s
p̂X −p̂Y
∼H0 aprox N(0, 1)
Muestras grandes p̂0 (1−p̂0 ) 1 + 1
n1 n2
2
sX
σX2 /σY2 = 1 Pobls. normales ∼H0 Fn1 −1,n2 −1
s2
Y
Pregunta: ¿Como se definirı́a RRα para contrastes unilaterales?

Estadistica Tema6b Contrastes

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estadistica Tema6b Contrastes

Uploaded by

Copyright:

Available Formats

Bloque III.

Asignatura: MATEMÁTICAS III

Bloque III/Tema 6) Matematicas III 1 / 82

1 Introducción: ¿Qué es un contraste de hipótesis?

Bloque III/Tema 6) Matematicas III 2 / 82

1 Introducción: ¿Qué es un contraste de hipótesis?

Bloque III/Tema 6) Matematicas III 3 / 82

Contrastes de hipótesis: introducción

Un contraste de hipótesis es un procedimiento que:

Bloque III/Tema 6) Matematicas III 4 / 82

La hipótesis nula: ejemplos

1 Un fabricante de paquetes de cereales afirma que, en promedio, cada paquete

Bloque III/Tema 6) Matematicas III 5 / 82

La hipótesis alternativa: ejemplos

1 Un fabricante de paquetes de cereales afirma que, en promedio, cada paquete pesa

Bloque III/Tema 6) Matematicas III 8 / 82

Procedimiento de contraste de hipótesis

Población: X = ’altura de un estudiante de la URJC (en metros)’

Bloque III/Tema 6) Matematicas III 9 / 82

Procedimiento de contraste de hipótesis

Una vez especificadas las hipótesis nula y alternativa y recogida la

Bloque III/Tema 6) Matematicas III 10 / 82

Errores de Tipo I y de Tipo II, potencia

Error de Tipo I: rechazar una hipótesis nula correcta. El error de Tipo I se

β = P(no rechazar la nula|H1 es correcta)

Bloque III/Tema 6) Matematicas III 11 / 82

Errores de Tipo I y de Tipo II, potencia

Potencia: probabilidad de rechazar una hipótesis nula (cuando es incorrecta).

potencia = 1 − β = P(rechazar la nula|H1 es correcta)

Bloque III/Tema 6) Matematicas III 12 / 82

Errores de Tipo I y de Tipo II, potencia

Los errores de Tipo I y de Tipo II no se pueden cometer simultáneamente

Bloque III/Tema 6) Matematicas III 13 / 82

Errores de Tipo I y de Tipo II, potencia

Bloque III/Tema 6) Matematicas III 14 / 82

Estadı́stico del contraste, nivel de significación y región de

Estadı́stico del contraste, T

Bloque III/Tema 6) Matematicas III 15 / 82

Estadı́stico del contraste, nivel de significación y región de

Bloque III/Tema 6) Matematicas III 16 / 82

Estadı́sticos del contraste

Pregunta: ¿Cómo definirı́as RR

Etapas de un Contraste de Hipótesis

2 Elegir un estadı́stico de contraste apropiado, T (X1 , ..., Xn ), que sea una

3 Fijar el nivel de significación α en base a cómo de importante se considere

4 Prefijado α y elegido T (X1 , ..., Xn ), construir las regiones de aceptación y

5 Tomar la muestra x1 , ..., xn y evaluar el estadı́stico de contraste T (x1 , ..., xn ).

6 Concluir si el test es estadı́sticamente significativo (se rechaza H0 ) o no al

Bloque III/Tema 6) Matematicas III 18 / 82

1 Introducción: ¿Qué es un contraste de hipótesis?

Bloque III/Tema 6) Matematicas III 19 / 82

1 Introducción: ¿Qué es un contraste de hipótesis?

2 Contrastes para una población

3 Contrastes para dos poblaciones

4 Contrastes para la diferencia entre dos medias: muestras pareadas

5 Contrastes para dos muestras independientes

Bloque III/Tema 6) Matematicas III 20 / 82

Contraste unilateral para la media de datos normales con

Para realizar el estudio se plantea el siguiente contraste de hipótesis:

Contraste unilateral para la media de datos normales con

RR0.05 = {z : z > z0.05 } = {z : z > 1.645}

Se toma una muestra aleatoria simple de dieciséis rodamientos, y resulta un peso

σ=5 µ0 = 250 n = 16 x̄ = 251.9

Como 8.82 ∈ [7.564, 30.19]no podemos rechazar H0 al 95 % de confianza