Unidad 3 Estadistia II

UNIDAD 3 ESTADISTIA II
PRUEBA DE HIPÓTESIS
¿Qué es una hipótesis estadística?
Hipótesis Estadística: se trata de una afirmación o conjetura acerca de una distribución de

una o más variables aleatorias. Tipos:
Hipótesis Simple. Si se especifica por completo la probabilidad en cuestión.
Hipótesis Compuesta. Si no se especifica por completo la probabilidad en cuestión.
PRUEBAS DE HIPÓTESIS
Tipos de Errores:
Región Crítica: es la región de rechazo de Ho.
Nivel de Significancia: es la probabilidad de cometer el error de tipo I.
EJEMPLO
Se cree que el nivel medio de protrombina en una población normal es de 20 mg/100 ml de
plasma con una desviación típica de 4 miligramos/100 ml. Para comprobarlo, se toma una
muestra de 40 individuos en los que la media es de 18.5 mg/100 ml. ¿Se puede aceptar la
hipótesis, con un nivel de significación del 5%?
1. Enunciamos las hipótesis nula y alternativa:
H0 : μ =20 mg/100 ml
H1 : μ ≠ 20 mg/100 ml
2. Zona de aceptación
Para α = 0.05, le corresponde un valor crítico: z = 1.96.
Determinamos el intervalo de confianza para la media:
(20 -1.96 . 4/√20 ; 20 + 1.96 . 4)/√20 = (18.77 ; 21.23)
3. Verificación.
Valor obtenido de la media de la muestra: 18.5.
4. Decisión
Rechazamos la hipótesis nula H0, con un nivel de significación del 5%.
¿Cuáles son las pruebas para la media de una distribución normal?
Al decir una o dos colas nos estamos refiriendo a las gráficas unilaterales y
bilaterales, respectivamente.
Una prueba es de una cola cuando la hipótesis alternativa H1 indica una sola
dirección. Si no se especifica dirección en la hipótesis alternativa, se acusa una
prueba de dos colas.
¿Qué es el p-Valor?
Es el nivel más bajo de significancia, al cual se puede rechazar la hipótesis nula.

Usted pone a prueba 35 automóviles y descubre que las millas por galón que registran los
vehículos varían de 14.4 a 28.8. Después de colocar los datos en la columna MPG, usted
realiza la prueba t de Minitab (el comando de menú Estadísticas > Estadísticas básicas > t
de 1 muestra, o el comando de sesión TTEST) y obtiene estos resultados:
EJEMPLO:
P - VALOR
Los resultados revelan que la media de la muestra de 35 vehículos es 23.657. Sin embargo,
la media de millas por galón de todos los automóviles de este tipo (μ) podría seguir siendo
25. Necesita saber si hay suficiente evidencia en la muestra para rechazar H0. La manera
más común es comparando el valor p con el nivel de significancia (α). α es la probabilidad
de rechazar H0 cuando H0 es verdadera.
APLICACIÓN
Para cualquier valor de α > valor p, usted no puede rechazar H0, y para cualquier valor
de α ≤ valor p, usted rechaza H0.
En nuestro ejemplo de la prueba t, el estadístico de prueba depende de la media y el valor p

es .026. Esto indica que el 2.6% de las muestras con un tamaño de 35, extraídas de la
población donde μ = 25, producirá una media que proporciona una evidencia tan (o más)
fuerte que la muestra actual de que μ no es igual a 25.
Suponemos que el valor de α es .05. El valor p de .026 indica que la media de millas por
galón de todos los automóviles de este tipo (no solo la media de los 35 vehículos incluidos
en el estudio) probablemente no sea igual a 25.
Una forma más correcta de señalar esto, en términos estadísticos, es la siguiente:
“a un nivel de significancia de 0.05, la media de millas por galón parece ser

significativamente diferente de 25”.
¿Cuáles son las distintas pruebas de hipótesis en dos poblaciones?
Se propone un ejemplo de contraste de diferencia de medias en dos muestras

dependientes:
A las personas que sufren de tensión alta se les recomienda seguir una dieta libre
de sal. Queremos realizar un estudio para comprobar si esta dieta es efectivamente
ventajosa. Para el estudio se toma una muestra de 8 personas y se mide la tensión
antes de empezar la dieta y dos semanas después. Los resultados obtenidos han
sido los siguientes:
 Antes 93 106 87 92 102 95 88 110

 Después 92 102 89 92 101 96 88 105
PRUEBAS DE HIPÓTESIS
Denotamos µA y µB a las medias poblacionales de tensión antes y después de
empezar la dieta, respectivamente. De este modo, el contraste de hipótesis que
debemos plantear es:
H0: µA = µB
H1: µA < µB ( ≠ ; > )
Observación: en el caso que tuviéramos la creencia de que el hacer dieta supone

una disminución de la presión de 2 puntos, entonces el contraste debería plantearse
de la siguiente forma.
H0: µA - µB = 2
H1: µA - µB < 2 ( ≠ ; > )
Para realizar el contraste observamos en primer lugar que las muestras de antes,
XA, y después de la dieta, XB, son dependientes, puesto que se han tomado del
mismo individuo.
Para realizar este contraste consideramos la diferencia de ambas muestras: d = XA
- XB. Denotaremos por µd = µA-µB y σd a su media y desviación estándar
respectivamente. Observamos pues que el contraste anterior es equivalente al
contraste:
H0: µd = 0
H1: µA < 0 ( ≠ ; > )
Supuesto: XA y XB siguen una distribución normal. Observación: d = XA-XB ∼ N(µA-
µB ,σd) . El intervalo de confianza, a nivel 1-α, para µd = µA-µB viene dado por la
expresión:
donde t(n-1,α/2) es el valor que, en una t-Student con n-1 grados de libertad, deja a
su derecha un área de α/2 , y Sd es la desviación estándar muestral de la v.a. d.
El estadístico de contraste para el test
En nuestro ejemplo µo= 0.
En el caso de la observación donde sospechábamos que la tensión bajaba dos

puntos, µo= 2. Así siguiendo nuestro ejemplo: d = −1 y = 2.390 d S.
Entonces con un 95% de confianza ∈ (−3,1) µ d . Y el estadístico de contraste es t*

= -1.18. Mirando la tabla de la t (7, 0.05) =1.895. De este modo, como t* < -1.18 no
tenemos evidencias significativas que realmente hacer dieta sea ventajoso
ANÁLISIS DE VARIANZA
¿Qué diferencia a los modelos de efectos aleatorios y fijos?
 De efectos fijos: es aquel en el que los tratamientos son fijados de

antemano para el estudio de interés. Aquí el interés se centra en la
existencia de diferencias significativas entre estimaciones.
 De efectos aleatorios: es aquel en el que los tratamientos son escogidos
de manera aleatoria para el estudio de interés.
¿Qué distintos supuestos de modelo existen para el diseño no balanceado?
Nos topamos con un diseño no balanceado cuando nos encontramos con un solo
factor que contiene distintos números de observaciones por cada nivel de factor.
El hecho de que la descomposición de la varianza por grupos, dentro y entre los
tratamientos, explique la variabilidad de las medias de los tratamientos, depende
enteramente de que el modelo asociado al diseño cumpla con unos supuestos.

Unidad 3 Estadistia II

Cargado por

Copyright:

Formatos disponibles

Unidad 3 Estadistia II

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad 3 Estadistia II

Cargado por

Copyright:

Formatos disponibles

UNIDAD 3 ESTADISTIA II

Hipótesis Estadística: se trata de una afirmación o conjetura acerca de una distribución de

Hipótesis Simple. Si se especifica por completo la probabilidad en cuestión.

Hipótesis Compuesta. Si no se especifica por completo la probabilidad en cuestión.

Región Crítica: es la región de rechazo de Ho.

Nivel de Significancia: es la probabilidad de cometer el error de tipo I.

Es el nivel más bajo de significancia, al cual se puede rechazar la hipótesis nula.

En nuestro ejemplo de la prueba t, el estadístico de prueba depende de la media y el valor p

Una forma más correcta de señalar esto, en términos estadísticos, es la siguiente:

“a un nivel de significancia de 0.05, la media de millas por galón parece ser

Se propone un ejemplo de contraste de diferencia de medias en dos muestras

 Antes 93 106 87 92 102 95 88 110

Observación: en el caso que tuviéramos la creencia de que el hacer dieta supone

El estadístico de contraste para el test

En nuestro ejemplo µo= 0.

En el caso de la observación donde sospechábamos que la tensión bajaba dos

Entonces con un 95% de confianza ∈ (−3,1) µ d . Y el estadístico de contraste es t*

¿Qué diferencia a los modelos de efectos aleatorios y fijos?

 De efectos fijos: es aquel en el que los tratamientos son fijados de

También podría gustarte