INFERENCIA ESTADÍSTICA

Pruebas de Hipótesis
Problemas de Pruebas de Hipótesis:
• Conocer si después de capacitar a un grupo de empleados
sobre el manejo de un equipo, el nivel de destreza se ha
incrementado.
• Determinar si la disminución de impuestos reduce el fraude
fiscal.
• Verificar si la variabilidad de los tiempos de atención es
menos de una desviación estándar.
• Invertir si la aceptabilidad de un producto en la población está
por encima del nivel deseado.

En general

• Contrastar si la información supuesta sobre el valor de una

característica poblacional (parámetro) concuerda con la
información empírica.
 Hipótesis Estadística
Una Hipótesis Estadística es una afirmación que se hace acerca de un
parámetro poblacional.

Por ejemplo: el tiempo de vida promedio de un dispositivo electrónico es

mayor a 1000 horas.

Hipótesis nula: Afirmación establecida a priori como verdadera y que se

espera sea rechazada después de aplicar una prueba estadística, se
representa por Ho.

Hipótesis alterna: Afirmación que se espera sea aceptada después de aplicar

una prueba estadística, se representa por Ha o H1.

Una prueba estadística es una fórmula, basada en la distribución del

estimador del parámetro que aparece en la hipótesis y que va a permitir
tomar una decisión acerca de aceptar o rechazar una hipótesis nula.
 Errores tipo I y tipo II
Hay dos tipos de errores que pueden ocurrir:

El error tipo I: se comete cuando se rechaza una hipótesis nula que realmente es cierta.
El error tipo II: se comete cuando se acepta una hipótesis nula que realmente es falsa.

El nivel de significación (α ), es la probabilidad de cometer error tipo I, y por lo

general se asume que tiene un valor de 0.05 ó 0.01. También puede ser interpretado
como el área de la región que contiene todos los valores posibles de la prueba
estadística para los cuales la hipótesis nula es rechazada.

La probabilidad de cometer error tipo II, es representado por β y al valor 1-β se le

llama la potencia de la prueba. Una buena prueba estadística es aquella que tiene una
potencia de prueba alta.
En la práctica la persona responsable de la prueba de hipótesis
especifica el nivel significancia. Al elegir α se controla la probabilidad
de cometer un error tipo I. Si el costo, de un error tipo I es elevado, los
valores pequeños de α son preferibles. Si el costo de error tipo I no es
demasiado elevado, entonces se usan valores mayores para α.
Observaciones
• A las aplicaciones de la prueba de hipótesis en que sólo se controla el error
tipo I se les llama pruebas de significancia. Muchas aplicaciones de las
pruebas de hipótesis son de este tipo.

• Aunque en la mayor parte de las aplicaciones de las pruebas de hipótesis se

controla la probabilidad de cometer un error tipo I, no siempre sucede lo
mismo con un error tipo II. Por tanto, si se decide aceptar Ho no es
posible establecer la confianza en esa decisión.

• Debido a la incertidumbre de cometer un error tipo II al realizar una prueba

de significancia los dedicados a la Estadística suelen recomendar que se
diga “no se rechaza Ho” en lugar de “se acepta Ho”. Decidir “no rechazar
Ho” implica la recomendación de reservarse tanto el juicio como la
acción.

• No aceptar directamente Ho se evita el riesgo de cometer un error tipo

II. Siempre que no se determine y controle la probabilidad de cometer un
error tipo II, no se dirá “se acepta Ho”, en estos casos sólo son posibles dos
conclusiones: no se rechaza Ho o rechaza Ho.
 Conclusiones Fuerte y Débil

Como uno puede elegir los valores críticos del intervalo de aceptación
uno controla el valor de α. Uno puede entonces controlar la
probabilidad de rechazar de manera errónea H0.

Es por eso que el rechazo de H0 siempre se considera como una

Conclusión Fuerte. (los datos aportan fuerte evidencia de que H0 es
falsa)

La decisión de aceptar H0 se considera una Conclusión Débil, a menos

que se sepa que β es considerablemente pequeño.

Por esto en lugar de decir “se acepta H0” se prefiere decir “incapaz de
rechazar H0”, es decir, no se ha encontrado evidencia suficiente
para rechazar H0. O sea, no quiere decir que exista gran evidencia de
que H0 sea cierta sino que no hay gran evidencia de que sea falsa.
Ejemplo
Ejemplo
Ejemplo
 Etapas de un Contraste de Hipótesis
1. Formulación de las hipótesis.
2. Se fija el nivel α de significación, o máximo error tipo I dispuestos a
admitir.
3. Estadístico de prueba. Se basa al conocimiento de la distribución
poblacional, los parámetros y el tamaño muestral.
4. Regla de decisión. Decidiremos cual es el valor crítico que limita la zona
de aceptación y de rechazo.
5. Decisión. Comparación de los datos experimentales con el valor crítico.

De llegarse a un test significativo (los que rechazan Ho), proceder a dar

un intervalo de confianza para el parámetro de estudio.
Dócima para una media poblacional (σ conocida)

Caso I Caso II Caso III

Ho : µ=µ0 Ho : µ=µ0 Ho : µ =µ0
Ha : µ<µ0 Ha : µ ≠ µ0 Ha : µ >µ0

Prueba Estadística:
x − µo
Población ⇒ Z = ~ N(0, 1)
σ
Normal
n
Decisión:
Si Zcal < -Zα entonces Si |Zcal |>Zα/2 entonces Si Zcal >Zα entonces
se rechaza Ho se rechaza Ho se rechaza Ho
 Prueba de hipótesis usando “P-values”

El “P-value” llamado el nivel de significación observado, es el

valor de α al cual se rechazaría la hipótesis nula si se usa el
valor calculado de la prueba estadística.

Fórmulas para calcular “P-value”: Depende de la forma de la

hipótesis alterna y del estadístico de prueba.

Ejemplo
Si Ha: µ >µo, entonces P-value = Prob (Z>Zcalc).
Si Ha: µ <µo, entonces P-value = Prob (Z<Zcalc).
Si Ha: µ ≠ µo, entonces P-value = 2Prob (Z>|Zcalc|).

Cuanto más pequeño sea el P-valor mayor es la evidencia en

contra de Ho.
La PROBABILIDAD permite calibrar el poder de nuestras conclusiones
Ejemplo
La cantidad promedio que se coloca en un recipiente en un proceso
de llenado se supone que es de 20 onzas. En forma periódica, se
escogen al azar 25 recipientes y el contenido de cada uno de éstos
se pesa. Se juzga al proceso como fuera de control cuando la media
muestral X es menor o igual a 19.8 o mayor o igual a 20.2 onzas. Se
supone que la cantidad que se vacía en cada recipiente se
encuentra aproximada, en forma adecuada, por una distribución
normal con una desviación estándar de 0.5 onzas.
a) Enúnciense las hipótesis nula y alternativa que son propias para
esta situación.
b) Obtener la probabilidad del error de tipo I. ¿Qué conclusiones
puede obtener?
Solución
Sea X = la cantidad de onzas que se coloca en un recipiente en un
proceso de llenado. Se supone que X ∼ N (μ, 0,52)

a) El peor error que se puede cometer es, en este caso, suponer que el
proceso está fuera de control cuando en realidad no lo está, por los
costos de recalibramiento de la máquina. Además, observemos que se
juzga fuera de control cuando hay diferencia por defecto o exceso
respecto a las 20 onzas y por lo tanto el test debe ser bilateral:

b) Como X ∼ N (μ, 0,52) y el tamaño de muestra es n = 25 ⇒

estandarizando

Como el riesgo tipo I es menor a α = 0.05, la acción a tomar es:

rechazar Ho.
Por tanto, el proceso está fuera de control.
Ejemplo
En estudios previos se ha determinado que el nivel promedio de
cantidad demandada de cierto servicio es 220 mensualmente. Un
empresario piensa que en realidad el nivel es más alto de lo que se
indica y para probar su afirmación se asume que la demanda es
normal con desviación estándar de 13 (σ = 13). Para una muestra de
20 meses, ¿habrá suficiente evidencia estadística para apoyar la
afirmación del empresario?.

217 223 225 245 238 216 217 226 202

233 235 242 219 221 234 199 236 248
218 224
Los resultados son los siguientes:

One-Sample Z: Demanda

Test of mu = 220 vs > 220

The assumed standard deviation = 13

95%
Lower
Variable N Mean StDev SE Mean Bound Z P
Demanda 20 225.900 13.094 2.907 221.119 2.03 0.021

Interpretación:
El valor del “P-value” (el área a la derecha de 2.03) es .021 menor que el
nivel de significación α =0.05, por lo tanto; se rechaza la hipótesis nula y se
concluye de que sí hay evidencia estadística de que el nivel promedio de
demanda es mayor de 220. O sea los resultados apoyan lo que afirma el
empresario.

El extremo inferior del intervalo confianza de un solo lado empieza en

221.119 que es mayor que 220.
 Dócima para una media poblacional
(varianza desconocida)
Caso I Caso II Caso III
Ho : µ =µo Ho : µ =µo Ho :µ =µo
Ha : µ<µ0 Ha : µ ≠ µo Ha :µ >µo

Prueba Estadística:

x − µo
Una muestra pequeña t = t se distribuye como una
(n < 30) tomada de la s t-student con n-1 g.l.
población normal
n

Si tcal < -tα entonces Si |tcal |>tα/2 entonces Si tcal >tα entonces
se rechaza Ho se rechaza Ho se rechaza Ho
Ejemplo

Los tiempos de atención (en minutos) de 12 clientes para un servicio dado

son los siguientes:

3.1 0.9 2.8 4.3 0.6 1.4 5.8 9.9 6.3 10.4 5 11.5

Hallar un intervalo de confianza del 99 por ciento para el tiempo promedio

de atención y probar la hipótesis que el tiempo promedio de atención es
menor de 9 minutos.
One-Sample T: tiempo

Test of mu = 9 vs not = 9

Variable N Mean StDev SE Mean 99% CI T P

tiempo 12 5.16667 3.75967 1.08532 (1.79586, 8.53747) -3.53 0.005

One-Sample T: tiempo

Test of mu = 9 vs < 9

99%
Upper
Variable N Mean StDev SE Mean Bound T P
tiempo 12 5.16667 3.75967 1.08532 8.11666 -3.53 0.002

Interpretación:
El valor del “P-value” es .002 menor que el nivel de significación α=0.01,
por lo tanto; se rechaza la hipótesis nula y se concluye de que sí hay
evidencia estadística de que el tiempo promedio de atención es menor de 9.
El extremo superior del intervalo confianza de un solo lado empieza en
8.11666 que es menor que 9.
Potencia de un test.
Sea el contraste Ho:θ=θo H1:θ∈Ω. El contraste se realiza eligiendo una
medida de discrepancia y un nivel de significación α, con estos
elementos el problema queda totalmente establecido. Llamaremos
potencia de un contraste a la función:

Potencia (θ)=π(θ)=P(Rechazar Ho / θ).

Se dan dos situaciones:

θ=θo ⇒ π(θ)=P(Rechazar Ho / θ=θo) = α.

θ≠θo⇒ π(θ)=P(Rechazar Ho / θ≠θo) = 1- P(Aceptar Ho / θ≠θo) = 1-β(θ).

Al desconocerse el verdadero valor de θ, la potencia de un test (excepto

en el caso de que ambas hipótesis sean simples) no puede calcularse
exactamente, pero si podemos representar esta función para los
distintos y posibles valores del parámetro θ.
Ejemplo
Ejemplo
Con los datos del ejemplo de recipientes:

c) Obtener y graficar la función de potencia para los siguientes valores

medios de llenado: 19.5, 19.6, 19.7, 19.8, 19.9, 20.0, 20.1, 20.2, 20.3,
20.4 y 20.5.
d) Como una prueba alternativa, considérese el rechazo de H0 cuando X
Es menor o igual a 19.5 o cuando X es mayor o igual 20.5. . Si el
tamaño máximo del error de tipo I es de 0.05, ¿cuál de las dos pruebas
es la mejor?
Solución
c) La potencia de una prueba es:

π = P (Rechazar H0 / H0 falsa) = 1 – P (Aceptar H0 / H0 falsa) = 1 – β.

Ahora bien, si H0 es falsa, en este tipo de test μ puede tomar cualquier

valor distinto de μ0 (= 20 en este caso) y por ello quedará definida una
potencia para cada μ ≠ μ0, es decir una función π (μ). Calculemos la
función de potencia evaluada en μ = 19,5:
El razonamiento es el mismo para los otros casos y los resultados son los
siguientes:
Observaciones

Nótese que la función de potencia está definida para todo μ ≠ 20 (esto,

por su propia definición). Sin embargo y para completar esta función se
puede definir en dicho punto y puede interpretarse como el límite de la
función de potencia cuando μ está cerca de 20.

Obsérvese también que π (20) = α.

Como último comentario diremos que los resultados son los esperados
dado que la función de potencia es mayor cuando μ está más lejos de 20.
Si está muy cerca de dicho valor el test no discrimina bien, aunque el
error en ese caso no es tan grave.

d) Con esta prueba la región crítica es:

Y por lo tanto el error de tipo I queda:

< α = 0.05

Similarmente, los demás puntos son hallados.

La función de potencia es:

La segunda prueba, sin bien tiene un error de tipo I mucho más bajo, su
función de potencia es mucho menor y por ello tiende a aceptar la hipótesis
nula salvo de que haya mucha evidencia estadística en su contra. Entonces,
como el nivel de la primera es aceptable nos quedamos con ella.
 Inferencia para Proporciones

Cuando estamos interesados en estimar la proporción P (o el porcentaje) de

ocurrencia de un evento. Se necesita definir una variable aleatoria X que indique el
número de veces que ocurre el evento en una muestra de tamaño n y con
probabilidad de éxito, π. Se puede mostrar que cuando el tamaño de muestra es
grande, tal que nπ > 5, entonces el estadístico

P −π
Z =
π (1 − π )
n

se distribuye aproximadamente como una normal estándar. Aquí π representa la

proporción poblacional que se desea estimar, la proporción muestral es:
x
P=
n
 Dócima para una proporción
Caso I Caso II Caso III
Ho : π=π0 Ho :π=π0 Ho : π=π0
Ha : π <π0 Ha :π ≠π0 Ha : π >π0

Prueba Estadística (Aproximada)

(P − π 0 )
Población ⇒ Z=
π 0 (1 − π 0 ) ~ N(0, 1)
Bernoulli
n

Decisión
Si Zcal <-Zα entonces Si |Zcal |>Zα / 2 entonces Si Zcal >Zα entonces
se rechaza Ho se rechaza Ho se rechaza Ho
Ejemplo
En 1995 en una zona metropolitana, se reportó que dos de cada 5 personas
reunían el perfil del consumidor de cierto bien. En una encuesta reciente hecha
en 2005 a 1225 personas se encontró que 478 de ellos coincidían con dicho
perfil. ¿Piensa usted que existe evidencia para afirmar de que el perfil del
consumidor ha cambiado con respecto a 1995? Utilice γ = 0.90

Solución:
Hay que hallar un intervalo de confianza del 90% para la
proporción p, y probar la siguiente hipótesis:

H 0 : π = 0.4 (la proporción no cambió de 1995 a 2005).

H a : π ≠ 0.4 (la proporción cambió de 1995 a 2005).
Test and CI for One Proportion
Test of p = 0.4 vs p not = 0.4
Sample X N Sample p 90% CI Z-Value P-Value
1 478 1225 0.390204 (0.367280, 0.413128) -0.70 0.484

Interpretación: Viendo que el “P-value” es 0.484 mucho mayor

que 0.10 se llega a la conclusión de que no hay suficiente
evidencia de que la proporción de personas con el perfil deseado
haya cambiado de 1995 a 2005.
Ejemplo
En una prueba se da un cuestionario con 15 preguntas de respuesta
VERDADERO o FALSO. Se quiere probar que un estudiante contesta al
azar. Para ello se adopta la siguiente regla de decisión:

- Si 12 o más respuestas son correctas el estudiante no está contestando

al azar;
- Si menos de 12 son correctas el estudiante está contestando al azar.
Solución
Sea X = cantidad de respuestas correctas en 15. El peor error es decir
que estudió (decir que H1 es cierta) cuando en realidad está adivinando
(H0 es cierta). Por lo tanto:

1) H0) el alumno adivina

H1) el alumno estudió

Si un estudiante contesta al azar, entonces X ∼ Bin (0,5; 15)

La regla de decisión es rechazar

 Comparando dos proporciones
Algunas veces se desea comparar la proporción con que ocurre un mismo
evento en dos poblaciones distintas. Esto conlleva a hacer inferencias acerca
de la diferencia p1 - p2. Supongamos que de una de las poblaciones sacamos
una muestra de tamaño m, y que en ella ocurre el evento X1 veces, y de la
segunda población sacamos una muestra de tamaño n y que en ella ocurre el
evento X2 veces. Se puede mostrar que el siguiente estadístico:

( pˆ 1 − pˆ 2 ) − ( p1 − p2 )
Poblaciones de z= ∼ N (µ, σ2)
Bernoulli p1q1 p2 q2
independientes +
m n

X1 X2
Donde pˆ 1 = ˆ
p =
m , , q1 = 1-p1 y q2 = 1-p2 se distribuye aproximadamente
2
n
como una normal estándar cuando n y m son grandes tal que, mp̂1 y np̂ 2 son
mayores que 5.

36
Si la hipótesis nula Ho: p1 = p2 es cierta, entonces el estadístico mencionado
anteriormente se convierte en:

pˆ 1 − pˆ 2
z=
 1 1
p q + 
m n
X1 + X 2
donde, p es estimado por p = . Luego, las fórmulas para pruebas de
m+n
hipótesis serán como siguen:

37
Dócima para una diferencia de proporciones

Caso I Caso II Caso III

Ho : p 1 = p2 Ho : p = p
1 2 Ho : p = p 1 2

Ha : p 1 < p2 Ha : p ≠ p
1 2 Ha : p > p 1 2

Prueba Estadística:
 
p1 − p 2
Z=
 1 1
p(1 − p ) + 
m n

Decisión:
Si Z cal < Z entonces
α Si Z < Z α / 2 o Z cal> Z1−α / 2
cal Si Z > Z1−α
cal

se rechaza Ho entonces se rechaza Ho entonces se rechaza Ho

38
Ejemplo
Una profesora recrimina sistemáticamente a un colega suyo por el
nivel de exigencia, por lo que éste último le ofrece corregir por
separado los mismos exámenes, que se acaban de celebrar, y
comparar los porcentajes de alumnos que aprueban. Tras la
corrección, la profesora aprueba a 248 de los 400 alumnos mientras
que el segundo aprueba a 214.
a) ¿Qué concluiría usted a un nivel de significación del 5% ?
b) ¿Y al 10%?

39
Solución
Sean Xi = la v.a. que vale 1 si la profesora aprueba al i-ésimo alumno y 0 en
caso contrario; y Yi = la v.a. que vale 1 si el segundo profesor aprueba al i-
ésimo alumno y 0 en caso contrario. Para comprobar, entonces, si los niveles
de exigencia son distintos planteamos las hipótesis:

H0) pX = pY
H1) pX ≠ pY

recordemos que :

Nos enfrentamos ahora al problema de determinar una Región Crítica, que

discrimine si pX ≠ pY o si no. Para ello resulta conveniente usar el estadístico
Xn − Y, de tal modo que se rechace la hipótesis nula si éste es
suficientemente grande o suficientemente chico (o de otra manera que su
valor absoluto sea suficientemente grande). Por lo tanto la R.C. va a ser de la
forma:

40
donde Hn y Kn son variables que dependen de n y de nivel α de la prueba.

Ahora bien, como se nos pide que sea α = 0,05, entonces:

Si H0 cierto conocemos la distribución de Xn−Yn (la cual es

aproximadamente normal, remarcándose que su esperanza es cero pues pX
= pY), podemos estandarizar:

41
Como buscamos que, de igual forma el test rechace, cuando pX > pY y
cuando pX < pY, las dos partes de la R.C. deben ser simétricas en
probabilidad, y dado que en este caso trabajamos con una distribución
simétrica como la normal, ello nos conduce a que Hn = – Kn. Entonces Kn
cumplirá que:

Entonces la región crítica queda:

42
O equivalentemente:

a) La muestra nos da:

Como z0,975 = 1,96 y 2,4426 > 1,96, entonces la muestra pertenece a la

región crítica y rechazamos la hipótesis nula para un nivel de
significación α = 0,05.

b) Para α = 0,10, el límite de la región crítica es z0,95 = 1,6448, por lo que

de igual manera rechazamos H0. 43
Ejemplo
Se desea determinar si hay razones para afirmar que la proporción de
estudiantes varones es igual según su procedencia (colegio público y privado)
versus la alternativa que son diferentes. Los datos recolectados son:

Tabulated statistics: Genero, Escuela

Rows: Genero Columns: Escuela

privada pública total

F 6 5 11
M 8 13 21
total 14 18 32

Cell Contents: Count

Nota:
Los tamaños muestrales empleados solo tienen carácter ilustrativo (es
pertinente que m y n ambos sean muestras grandes) 44
Solución
Test and CI for Two Proportions: Genero, Escuela

Event = M

Escuela X N Sample p
privada 8 14 0.571429
pública 13 18 0.722222

Difference = p (privada) - p (pública)

Estimate for difference: -0.150794
95% CI for difference: (-0.482474, 0.180887)
Test for difference = 0 (vs not = 0): Z = -0.89 P-Value = 0.373

45
 Dócima para la Varianza Poblacional
Asumiendo que la población de donde se extrae la muestra se distribuye
normalmente se pueden hacer las siguientes hipótesis acerca de la varianza
poblacional:

Caso I Caso II Caso III

Ho : σ2 = σ Ho : σ2 = σ Ho : σ2 = σ
2 2
2 0 0
0

Ha : σ2 < σ 2
0 Ha : σ2 ≠ σ 2
0 Ha : σ2 > σ 2
0

Prueba Estadística: Ha : σ2 > σ 2

0

(n − 1) s
2

χ2 = con n-1 g.l. α

σ 2
0
χ2α, (n-1)
Decisión:
Si χ < χ α entonces
2
cal
2
Si χ < χ α ó χ
2
cal
2
/2
2
cal > χ 12−α / 2 Si χ > χ α
2
cal
2
1−

se rechaza Ho se rechaza Ho se rechaza Ho

Ejemplo
Los siguientes datos representan utilidades netas mensuales (miles de nuevos soles)
por exportaciones de una empresa durante 20 meses:

80 90 85 82 75 58 70 84
87 81 87 61 73 84 85 70
78 95 77 52

Probar si hay suficiente evidencia para concluir que la desviación estándar

poblacional sea mayor que 10,000 nuevos soles. Usar un nivel de significación del
5 por ciento.
Solución:
Se desea probar:
Ho : σ2 = 100
Ha : σ2 > 100

El valor de la prueba estadística es:

χ2 = (19)(122.116)/100 = 23.2020
Que comparado con χ2tab = 30.1435 (con 19 g.l.) resulta ser menor.

Equivalentemente a:

p-value = P(χ2 > 23.2020) =0.228562 > 0.05

Luego, no hay evidencia suficiente para rechazar la hipótesis nula.

Al 5 % de significación, la varianza poblacional no parece ser mayor que
100.
Ejemplo
Una empresa está estudiando comprar los derechos de distribución de cierto
tipo de tradicional de camisetas. Las utilidades mensuales provenientes de
esta concesión están aproximadamente modeladas por una distribución
normal con media y varianza ambos desconocidos. El problema que se
presenta es la variabilidad mensual de las utilidades, dado que dicha
variabilidad es una medida del riesgo que se asume en el negocio. La
empresa, asesorada por un especialista en inversiones, decide no comprar
si la desviación típica de las utilidades es de U$S 800 o más.
Para decidir se toma una MAS de 12 meses, en los cuales se investigan las
utilidades en cada uno de ellos y se obtiene

Se pide: (Fundamentando sus respuestas)

1. Explicar sucintamente, por qué la desviación típica es una medida del
riesgo que se asume.
2. Defina el peor error que la empresa puede cometer y en base a éste
realice una prueba de hipótesis, con el fin de determinar si la empresa
compra o no, los derechos de distribución. Utilice un nivel de significación
del 5%.
3. Con los resultados utilizados en 2, construir un intervalo de confianza
para la varianza de las utilidades.
4. Marketing, técnico en comercialización de productos, en un informe
elevado a la gerencia, indica que la marca de camisetas ya no es tan
popular como antes y sugiere como alternativa sacar un nuevo modelo de
camiseta. La distribución de las utilidades mensuales se puede modelar
adecuadamente por una normal de media y varianza desconocida. Para
tratar de resolver el problema se toma una muestra al azar de 20 meses
donde se encuentra que:

Construir un intervalo de confianza para la varianza de las utilidades al

95%.
5. Observe que la estimación del valor de la varianza del nuevo modelo de
camiseta es mayor que la del modelo tradicional; ¿por qué, para un 95%
de confianza, el riesgo que se asume, en la peor situación, es menor?
Solución:
Sea X = las utilidades mensuales provenientes de los derechos de
distribución de las camisetas modelo tradicional. Se supone que X ∼ N (μ,
σ2), con μ y σ desconocidas.

1) Si bien la media de utilidades mide el volumen de las ganancias, podría

suceder que si, la variabilidad es muy grande, aquellas disminuyan
sustancialmente durante algún período de tiempo de tal modo que origine
dificultades económicas dados los gastos fijos que cualquier negocio tiene.

2) El peor error sería suponer que la variabilidad no es grande cuando sí

lo es, pues implicaría una inversión errónea. Por ello y a un nivel del 5%
podemos plantear la siguiente prueba:
H0) σ2 ≥ 8002
H1) σ2 < 8002
Para la región crítica utilizaremos el estimador S2, cuya forma será {S2 <
K} donde K será convenientemente elegido para que el nivel de la prueba
sea α = 0,05:
Como S2 = 6002 = 360000 en la muestra tomada, el resultado no cae en la
R.C. por lo que no rechazamos la H0 a un nivel del 5% y entonces no se
hace el negocio.
3) Por la parte anterior:

Nota: Obsérvese que, fuera del intervalo aleatorio y a la izquierda, no se

acumula ninguna probabilidad y por ello el extremo izquierda del intervalo de
confianza es cero.
4) Suponemos que las condiciones son las mismas y por lo tanto
buscamos un intervalo de confianza en extremo izquierdo igual a cero. La
variable de interés es, en este caso:

Y = las utilidades mensuales provenientes del nuevo modelo de camiseta.

El procedimiento es el mismo que en 3):

5) La estimación del valor de la varianza del modelo tradicional es S2 = 600
= 360000 menor que la del valor de la varianza del nuevo modelo de
camiseta que es 450000 = 670822. Sin embargo, para los intervalos de
confianza, al utilizarse la fórmula:

para su extremo derecho (el izquierdo en este caso es siempre cero) influye
a favor de su crecimiento n y S2, y en su decrecimiento

De ellos, en este ejercicio, el decisivo es el valor que asume el percentil

χ2n−1, 0,05 , y por esto resulta que el riesgo que se asume en la peor
situación para el caso del nuevo modelo (= 889.591,234) es menor que
para el modelo tradicional (= 944301,711).
Comparando la varianza de dos poblaciones

Supongamos que se tienen dos poblaciones normales con

varianzas desconocidas σ 2 y σ 22
1

Si de la primera población se toma una muestra de tamaño m que

tiene una varianza muestral s12 y de la segunda población se toma
una muestra, independiente de la primera, de tamaño n que tiene
una varianza muestral s 22

Se puede mostrar que la razón

s12 σ 12
s 22 σ 22
se distribuye como una F con m-1 grados de libertad en el
numerador y n-1 en el denominador.
 Caso I Caso II Caso III
Ho : σ 12 = σ 22 Ho : σ 12 = σ 22 Ho : σ 12 = σ 22
Ha : σ 12 < σ 22 Ha : σ 12 ≠ σ 22 Ha : σ 12 > σ 22

Prueba Estadística:

s12 Ha: σ21>σ22

F= 2
s2 α

Fm-1, n-1:α
con m-1 g.l. en el numerador y n-1 g.l en el denominador
Decisión:
Si Fcal<Fα entonces Si Fcal<Fα/2 o Fcal >F1-α/2 Si Fcal>F1-α entonces
se rechaza Ho se rechaza Ho se rechaza Ho
Ejemplo
Se espera que dos operadores produzcan, en promedio, el mismo número
de unidades terminadas en el mismo tiempo. Los siguientes datos son los
números de unidades terminadas para ambos trabajadores en una semana
de trabajo:

Operador 1: 12; 11; 18; 16; 13

Operador 2: 14; 18; 18; 17; 16

Si se supone que el número de unidades terminadas diariamente por los

dos trabajadores son variables aleatorias independientes distribuidas
normales con varianzas desconocidas, ¿se puede discernir alguna
diferencia entre las variabilidades de ambas muestras, a un nivel α =
0.05?
Solución:
Según lo solicitado por el ejercicio las hipótesis adecuadas para este caso

Recordando la distribución de las varianzas muestrales, podemos utilizar

como estadístico una F (ésta es el cociente de dos chi-cuadrado sobre sus
grados de libertad) y la región crítica conveniente para una hipótesis
alternativa unilateral y a un nivel α = 0,05, resulta:

Con los datos de la muestra obtenemos que

y como f4, 4, 0,95 = 6,38823, entonces 3,03571 < 6,38823, con lo que no
rechazamos H0 a un nivel de α = 0,05. Por lo tanto no existe evidencia
estadística suficiente para asumir que las varianzas son distintas al nivel
mencionado.
Ejemplo item ingresos empresa
Se trata de comparar la variabilidad 1 58.0 A
de ingresos por concepto de ventas
2 63.8 A
en dos empresas, los datos son:
3 64.2 B

4 70.4 A
5 76.7 B

6 64.1 B
7 72.1 B
8 62.5 B
9 69.4 A
10 61.5 A
11 61.7 A
12 62.3 A
13 68.9 B
14 68.9 A
Test for Equal Variances: ingresos versus empresa

95% Bonferroni confidence intervals for standard deviations

empresa N Lower StDev Upper

A 8 2.82368 4.51347 10.3380
B 6 3.24522 5.53477 15.8347

F-Test (normal distribution)

Test statistic = 0.67, p-value = 0.601

Levene's Test (any continuous distribution)

Test statistic = 0.30, p-value = 0.594
 Test for Equal Variances for ingresos
F-Test
Test Statistic 0.67
A P-Value 0.601

empresa
Lev ene's Test
Test Statistic 0.30
P-Value 0.594
B

2 4 6 8 10 12 14 16
95% Bonferroni Confidence Intervals for StDevs

A
empresa

60 64 68 72 76
ingresos

Interpretación: El “p-value” de la prueba F es 0.601 mucho mayor que

0.05, luego se acepta la hipótesis nula y se concluye que la variabilidad
de ingresos en las dos empresas tienen igual varianza.
 Comparación entre dos medias poblacionales
usando muestras independientes

Supongamos que se tienen dos poblaciones distribuidas normalmente con medias

desconocidas µ1 y µ2, respectivamente. Se puede aplicar una prueba t de Student
para comparar las medias de dichas poblaciones basándonos en dos muestras
independientes tomadas de ellas.
Si m < 30 y n < 30 con varianzas desconocidas se tiene:

a) Varianzas de las poblaciones iguales: ( σ 12 = σ 22 = σ 2)

entonces se puede mostrar que:

( x − y ) − ( µ1 − µ 2 )
t=
1 1
sp +
m n

se distribuye como una t con m + n - 2 grados de libertad.

la varianza poblacional es estimada por una varianza combinada de las varianzas
de las dos muestras tomadas.

( m − 1) s 2
+ ( n − 1) s 2
s 2p = 1 2

m+n−2
 b) Varianzas de las poblaciones no son iguales: (σ 12 ≠ σ 22 )
entonces se usa una prueba aproximada de t, donde el número de grados de
libertad es calculado aproximadamente. La prueba de t aproximada está dada
por:

x − y − (µ1 − µ 2 )
t=
s12 s22
+
m n

donde los grados de libertad (gl) son aproximados por la siguiente fórmula:

(c1 + c 2 ) 2
gl = 2
c1 c 22
+
m −1 n −1

s12 s 22
Con c1 = y c2 =
m n
Las pruebas de hipótesis son:
Caso I Caso II Caso III
Ho : µ1 = µ 2 Ho : µ1 = µ 2 Ho : µ1 = µ 2
Ha : µ1 < µ 2 Ha : µ1 ≠ µ 2 Ha : µ1 > µ 2

Prueba Estadística:
x−y x−y
t= t=
1 1
+ o s12 s 22
sp +
m n m n
Decisión:
Si t cal < − tα entonces Si t < tα / 2 o t cal > t1−α / 2 Si t cal > t1−α
cal
se rechaza Ho se rechaza Ho se rechaza Ho
Ejemplo
Se realizó un experimento para comparar el tiempo promedio requerido por
el cuerpo humano para absorber dos medicamentos, A y B. Suponga que el
tiempo necesario para que cada medicamento alcance un nivel específico
en el torrente sanguíneo se distribuye normalmente. Se eligieron al azar a
doce personas para ensayar cada fármaco registrándose el tiempo en
minutos que tardó en alcanzar un nivel específico en la sangre. Calcule con
α = 0.05 si existe diferencia entre los tiempos promedio y obtenga el valor
de P. Suponga varianzas iguales.
Solución
Primero se pondrá a prueba el supuesto de varianzas iguales mediante una
prueba de hipótesis con α = 0.10.
Ejemplo
Solución
 Dócima para muestras relacionadas
Caso I Caso II Caso III
Ho : µd = 0 Ho : µd = 0 Ho : µ d = 0
Ha : µd < 0 Ha : µd ≠ 0 Ha : µd > 0

(Si n < 30 y desviación estándar desconocida)

Prueba Estadística:
d
t= se distribuye como una t de Student con n-1 gl.
sd
n
Decisión:
Si t<-tα entonces Si | t |>tα/2 entonces Si tcal >tα entonces
se rechaza Ho se rechaza Ho se rechaza Ho
Ejemplo
Se ha evaluado el nivel de Estudiante Test 1 Test 2
conocimientos a un grupo de 1 13.2 14
estudiantes sobre un tema en 2 8.2 8.8
particular antes de una 3 10.9 11.2
capacitación. Las puntuaciones
4 14.3 14.2
varían entre un mínimo de 0 y un
5 10.7 11.8
máximo de 15. Pasados tres
meses después de la 6 6.6 6.4

capacitación, los mismos 10 7 9.5 9.8

estudiantes repiten el proceso de 8 10.8 11.3
evaluación. Según los resultados 9 8.8 9.3
obtenidos que se muestran en la 10 13.3 13.6
tabla, ¿hay razones para afirmar
que los estudiantes después de
estos tres meses aumentaron su
nivel de conocimientos? .
 Paired T-Test and CI: Test 1, Test 2

Paired T for test 1 – test 2

N Mean StDev SE Mean

Test 1 10 10.6300 2.4513 0.7752
Test 2 10 11.0400 2.5185 0.7964
Difference: 10 -0.410000 0.387155 0.122429

95% upper bound for mean difference: -0.185574

T-Test of mean difference = 0 (vs < 0): T-Value = -3.35 P-Value = 0.004

Interpretación: El “p-value” de la prueba t es 0.004 menor que 0.05,

luego se rechaza la hipótesis nula y se concluye que los estudiantes han
incrementado su nivel de conocimientos.
Tamaño de muestra para probar una media
poblacional

( zα + z β ) 2 σ 2 ( zα / 2 + z β ) 2 σ 2
n= n=
( µ1 − µ 0 ) 2 ( µ1 − µ 0 ) 2

Pruebas unilaterales Prueba bilateral

Donde:

Zα = Valor correspondiente al riesgo de una cola

Zα/2= Valor correspondiente al riesgo a dos colas
Zβ = Valor correspondiente al poder o potencia.
µo = Media poblacional bajo Ho
µ1 = Media poblacional bajo Ha
σ2 = Varianza poblacional de la variable de estudio

81
82
f ( x / H1 : µ = µ1 ) f ( x / H o : µ = µo )

I I Zα
-Zα µ0
I I
Zβ
µ1 Zβ

83
84
Tamaño de muestra para la Comparación de
dos medias en muestras independientes

( zα + z β ) 2 (σ 12 + σ 22 )
n=
( µ 2 − µ1 ) 2

Donde:

Zα = Valor correspondiente al riesgo de una cola

Zβ = Valor correspondiente al poder o potencia.
µ1 = Media de la población 1 bajo Ho
µ2 = Media de la población 2 bajo Ha
σ12 = Varianza poblacional de la variable de estudio 1
σ22 = Varianza poblacional de la variable de estudio 2

85
Tamaño de muestra para la Comparación
de dos medias en muestras independientes:

86
Ejemplo
Deseamos utilizar un nuevo tipo Solución:
de publicidad y consideramos que
seria técnicamente eficaz si d = 150
lograse un aumento de las ventas
en 150 u.m. en promedio respecto S = 160
a la antigua publicidad. Por Zα = 1,645
estudios previos sabemos que la
desviación típica de las ventas Zβ = 1,282
que reciben la antigua publicidad
es de 160 u.m. Aceptamos un
2(1,645 + 1,282) 2 *160 2
riesgo de 0.05 y deseamos un
poder estadístico de 90% para
n=
detectar diferencias si es que
150 2
existen de lo que se afirma.
n = 20

87
 Tamaño de muestra para probar una
proporción poblacional

n=
[Z α * po (1 − po ) + Z β * p (1 − p ) ]
2

( p − po ) 2

Donde:

Zα = Valor correspondiente al riesgo en una prueba unilateral.

Zβ = Valor correspondiente al poder o potencia.
po = Proporción poblacional bajo Ho.
p = Proporción poblacional bajo Ha.

88
Ejemplo
Sea X1, X2, ...., Xn una MAS c/r de una variable X~Bernoulli (p) elegida
para probar H0: p=0,49 contra H1: p=0,51. Usando la aproximación
normal, determinar n para que la probabilidad de ambos tipos de error
no supere 0,01.

Solución
Como debemos discriminar entre H0: p=0,49 contra H1: p=0,51, rechazaremos
H0.

Se nos pide calcular n, para que α y β sean menores o iguales a 0,01 y por lo
tanto se debe cumplir que:

89
90
91
Con las inecuaciones de a) y b) generamos un sistema:

92
Tamaño de muestra para la comparación
de dos proporciones

n=
[Z α * 2 p (1 − p ) + Z β * p1 (1 − p1 ) + p2 (1 − p2 ) ]
2

( p1 − p2 ) 2

Donde:

Zα = Valor correspondiente al riesgo a una prueba unilateral.

Zβ = Valor correspondiente al poder o potencia.
(es recomendable esté entre el 80 a 90%)
p1 = Proporción poblacional del grupo 1
p2 = Proporción poblacional del grupo 2
p = Promedio de las proporciones (p1+p2)/2

93
Ejemplo
Se desea evaluar si un nuevo Solución
plan de prevención (T1) es mejor
que el habitual (T2) para p1 = 0,7
minimizar los riesgos laborales.
Para lo cual se diseña un estudio.
p2 = 0,9
Sabiendo que por datos previos Zα = 1,645
la eficacia del plan habitual está
alrededor del 70% y se considera Zβ = 0,842
relevante si el nuevo plan
minimiza el riesgo laboral en p1 + p2
90%. El nivel de significación es p = = 0 ,8
0.05 y se desea un poder 2
estadístico de 80%.

n=
[1.645 * 2 * 0.8(1 − 0.8) + 0.842 * 0.7(1 − 0.7) + 0.9(1 − 0.9) ]
2

n = 49
(0.7 − 0.9) 2

94
 Zα

α Test unilateral Test Bilateral

0.200 (80%) 0.842 1.282
0.150 (85%) 1.036 1.440
0.100 (90%) 1.282 1.645
0.050 (95%) 1.645 1.960
0.025 (97.5% 1.960 2.240
0.010 (99%) 2.326 2.576

95
 Potencia
β 1-β Zβ
0,01 0,99 2,326
0,05 0,95 1,645
0,10 0,90 1,282
0,15 0,85 1,036
0,20 0,80 0,842
0,25 0,75 0,674
0,30 0,70 0,524
0,35 0,65 0,385
0,40 0,60 0,253
0,45 0,55 0,126

96
Ejercicios

Se sabe que los voltajes de una marca de pilas tamaño C se

distribuyen normalmente, se probó una muestra aleatoria de 15 y
se encontró que la media es de 1.4 voltios con una desviación
estándar de 0.21 voltios. En el nivel de significancia de 0.01:
a) ¿Indica esto que la media de los voltajes es menor que 1.5
voltios?
b) Calcular la probabilidad de cometer el error tipo II si el voltaje
promedio real de las pilas es de 1.3 voltios.

Solución

97
a)

98
b)

β = P( x > 1.05) = 0.15625

99
Ejercicio

Se tiene un ensayo de hipótesis unilateral derecho, con n = 20 y α =

0.05
Ho; σ = 0.10
H1; σ > 0.10
Se quiere calcular el error tipo II ó β si las desviaciones estándar
verdaderas fueran de 0.12 y 0.14.

Solución

100
101
Ejercicio
Las capas de óxido en las obleas semiconductoras son depositadas
en una mezcla de gases para alcanzar el espesor apropiado. La
variabilidad del espesor es una característica crítica de la oblea, y lo
deseable para los siguientes pasos de la fabricación es tener una
variabilidad baja. Para ello se estudian dos mezclas diferentes de
gases con la finalidad de determinar con cuál se obtienen mejores
resultados en cuanto a la reducción en la variabilidad del espesor del
óxido. Veintiún obleas son depositadas en cada gas. Las
desviaciones estándar de cada muestra del espesor del óxido son s1
= 1.96 angstroms y s2 = 2.13 angstroms. ¿Existe evidencia que
indique una diferencia en las desviaciones? Utilice a=0.05.

Solución

102
103
Para el ejercicio anterior, encontrar la probabilidad de cometer error tipo
II si la verdadera relación es

104
Valores críticos

105