REPÚBLICA BOLIVARIANA DE VENEZUELA INSTITUTO UNIVERSITARIO POLITÉCNICO “SANTIAGO MARIÑO” EXTENSIÓN MATURÍN

Autores: Sección: “”

Maturín, Febrero 2013

ÍNDICE.

pp. INTRODUCCIÓN. ........................................................................................... 4 CONTRASTE DE HIPÓTESIS........................................................................ 5 Planteamiento clásico del contraste de hipótesis. ....................................... 5 Procedimientos de prueba. ......................................................................... 7 Ejemplo .................................................................................................... 7 Enfoque actual de los contrastes de hipótesis. ........................................... 8 Errores en el contraste ................................................................................ 9 Contraste más potente. ............................................................................. 10 Contraste uniformemente más potente ..................................................... 11 Aplicaciones de los contrastes de hipótesis .............................................. 12 ESTIMACIÓN. .............................................................................................. 13 Estimador. ................................................................................................. 13 Estimador insesgado. ............................................................................ 14 Estimador eficiente. ............................................................................... 14 Estimación puntual. ............................................................................... 14 Estimación por intervalos. ......................................................................... 16 Intervalo de confianza. ........................................................................... 16 Variabilidad del Parámetro..................................................................... 16

... 22 DIFERENCIAS ESTADÍSTICA SIGNIFICATIVA........................ 22 5-INTERPRETACIÓN DE LOS RESULTADOS ................... 19 2-NIVEL DE SIGNIFICACIÓN ............................................. 18 1-PLANTEAMIENTO DE HIPÓTESIS.......... 17 Valor α......... 21 4-VALOR P.......................... 20 3-ESTADÍSTICO DE PRUEBA......................................................................................................................... 17 Docimasia...............................................................................................................................................................................Error de la estimación........................................................... ...................... 17 Límite de Confianza......................... ................................................................... .......................................................................................................................... 22 DIFERENCIA ESTADÍSTICA NO SIGNIFICATIVA................. ............................. 22 Conclusión............................................................................................. 24 .......................... ...................... 19 HIPÓTESIS DE NULIDAD (Ho) ........................................................... 23 Bibliografía... ................. ............................. ............... ...................................... 19 HIPÓTESIS ALTERNATIVA (H1) ............. 17 Valor crítico..................................... ...........................

INTRODUCCIÓN. .

Está fuertemente asociada a los considerados errores de tipo I y II en estadística. y hallando por tanto con una determinada potencia. Planteamiento clásico del contraste de hipótesis. aunque puede ser rechazada por los datos. la hipótesis con mayor probabilidad de ser correcta. se aborda el problema estadístico considerando una hipótesis determinada y una hipótesis alternativa . el más extendido es probablemente el test de la U de Mann-Whitney. y se intenta dirimir cuál de las dos es la hipótesis verdadera. y puede entenderse. en el sentido de “neutra”. Los tipos más importantes son los test centrados. Dentro de los tests no paramétricos. o uno verdadero como falso. que mantendremos a no ser que los datos indiquen su falsedad. aleatorizados. Por ejemplo. no mejora. El nombre de "nula" significa “sin valor. de hipótesis y alternativa simple.CONTRASTE DE HIPÓTESIS. la posibilidad de tomar un suceso falso como verdadero. Mediante esta teoría. por tanto. lo cual sugiere que debe identificarse con la hipótesis de no cambio (a partir de representa la hipótesis la opinión actual). un contraste de hipótesis (también denominado test de hipótesis o prueba de significación) es un procedimiento para juzgar si una propiedad que se supone en una población estadística es compatible con lo observado en una muestra de dicha población. etc. Dentro de la inferencia estadística. La hipótesis nunca se considera probada. que definen respectivamente. Fue iniciada por Ronald Fisher y fundamentada posteriormente por Jerzy Neyman y Karl Pearson. minimizando los errores de tipo I y II. efecto o consecuencia”. . etc. Se denomina hipótesis nula a la hipótesis que se desea contrastar. no diferencia. tras aplicar el problema estadístico a un cierto número de experimentos. Existen diversos métodos para desarrollar dicho test.

se extrae un estadístico (esto es. puesto que siempre cabe la posibilidad de que las medias difieran en una cantidad lo suficientemente pequeña para que no pueda ser detectada. una valor que es función de la muestra) cuya distribución de probabilidad esté relacionada con la hipótesis en estudio y sea conocida. Siguiendo con el anterior ejemplo de la moneda trucada. pero no puede ser "demostrada" mediante muestreo.la hipótesis de que dos poblaciones tienen la misma media puede ser rechazada fácilmente cuando ambas difieren mucho. La probabilidad de que se obtenga un valor del estadístico que entre en la región de rechazo aún siendo cierta la hipótesis puede calcularse. la muestra de la población es el conjunto de los treinta lanzamientos a realizar. esto es. se puede escoger dicha región de tal forma que la probabilidad de cometer este error sea suficientemente pequeña. analizando muestras suficientemente grandes de ambas poblaciones. . entonces: 0. que la muestra nos dé más de 25 caras sin haber sido la moneda trucada. Se toma entonces como región de rechazo al conjunto de valores que es más improbable bajo la hipótesis.0002. La probabilidad de cometer el error de admitir que la moneda está trucada a pesar de que no lo está es igual a la probabilidad binomial de tener 25 "éxitos" o más en una serie de 30 ensayos de Bernoulli con probabilidad de "éxito" 0. el conjunto de valores para el que rechazaremos la hipótesis nula si el valor del estadístico observado entra dentro de él. y la región de rechazo está constituida por los números totales de caras iguales o superiores a 25. aunque la muestra sea muy grande. aunque poco probable. pues existe la posibilidad. A partir de una muestra de la población en estudio. el estadístico escogido es el número total de caras obtenidas.5 en cada uno. De esta manera.

Un procedimiento de prueba se especifica por lo siguiente: 1.…. 1. mientras. 199 o 200. Ejemplo Una prueba de : p = . x representa el valor observado de X. E(X) = np = 200(. …. Un procedimiento de prueba es rechazar de otra forma.10) = 20.10. una variable aleatoria binomial. podría estar basada en el examen de una muestra aleatoria de n = 200 objetos. lo que casi nunca es práctico. y 15. el conjunto de todos los valores del estadístico de prueba para los cuales será rechazada.Procedimientos de prueba. 2. si es verdadera. 17. La dificultad al usar un procedimiento basado en datos . 2. Una región de rechazo.10 contra : p < . Pero esto puede alcanzarse solo si una decisión se basa en un examen de toda la población. rechazada si x= 16. la hipótesis nula será rechazada si y solo si el valor observado o calculado del estadístico de prueba se ubica en la región de rechazo En el mejor de los casos podrían desarrollarse procedimientos de prueba para los cuales ningún tipo de error es posible. la no será región de rechazo esta formada por x = 0. Representamos con X el número de objetos defectuosos de la muestra. podemos esperar menos de 20 objetos defectuosos si es verdadera. para determinar si se rechaza . Un valor de x ligeramente debajo de 20 no así que es razonable rechazar contradice de manera contundente a si x≤15 y no rechazar solo si x es considerablemente menor que 20. Un estadístico de prueba: una función de los datos muestrales en los cuales se basa la decisión de rechazar o no rechazar . Entonces. Un procedimiento de prueba es una regla con base en datos muestrales. En este caso.

Supongamos por ejemplo que sospechamos que en un juego de azar con un dado. se enfrenta a otra hipótesis que denominaremos hipótesis alternativa y que se denota que no se especifica . este está trucado para obtener 6. Nuestra hipótesis nula podría ser “el dado no está trucado” que intentaremos contrastar. contra la hipótesis alternativa “el dado ha sido trucado a favor del 6”. como una función de la muestra. El enfoque actual considera siempre una hipótesis alternativa a la hipótesis nula. Estas probabilidades de error son representadas por α y β. Un buen procedimiento es aquel para el cual la probabilidad de cometer cualquier tipo de error es pequeña. a los efectos del estudio que se pretende realizar. de una Supongamos que se tiene una muestra población en estudio y que se han formulado hipótesis sobre un parámetro . la hipótesis nula. respectivamente. podemos considerar que ha es falsa”. a partir de una muestra de lanzamientos realizados. De manera explícita o implícita. sin embargo considerar casos en los que negación de no es la simple . estamos implícitamente considerando como hipótesis alternativa “ambas poblaciones tienen distinta media”. quedado definida implícitamente como “ Si por ejemplo deseamos comprobar la hipótesis de que dos distribuciones tienen la misma media. en el enfoque moderno. Enfoque actual de los contrastes de hipótesis. Cabría realizar otras hipótesis. corrientemente basada en un estadístico.muestrales es que debido a la variabilidad en el muestreo puede resultar una muestra no representativa. En los casos en los de manera explícita. Podemos. no se consideran relevantes. Un test de hipótesis se entiende. a la que se denota habitualmente por . pero. La elección de un valor particular de corte de la región de rechazo fija las probabilidades de errores tipo I y II.

Supongamos que se dispone de un estadístico cuya distribución con respecto a . que las hipótesis nula y alternativa tienen la formulación siguiente: Un contraste. para construir el test deseado. se habrá optado por una de las dos hipótesis. de tal manera que la probabilidad de que T(X) caiga en su . En esencia. Se pueden dar los cuatro casos que se exponen en el siguiente cuadro: es cierta Se escogió Se escogió No hay error es cierta Error de tipo II Error de tipo I No hay error . A (o que no hay evidencia estadística contra se la denomina región de rechazo. . y la decisión escogida coincidirá o no con la que en realidad es cierta. que debemos aceptar ). basta con escoger el estadístico del contraste Se escoge y la región de rechazo . también. prueba o test para dichas hipótesis sería una función de la muestra de la siguiente forma: Donde (aceptar ) y significa que debemos rechazar la hipótesis nula.relacionado con la distribución estadística de la población. se conoce. o . Supongamos. interior sea baja cuando se da Errores en el contraste Una vez realizado el contraste de hipótesis.

probabilidad de error de tipo II. disminuir β. sería deseable hacerlo de tal manera que las probabilidades de ambos tipos de error fueran tan pequeñas como fuera posible. su valor se suele denotar por la letra griega α. aunque a veces se usan el 10% (0.1) o 1% (0. Si se trata de contrastar dos hipótesis sencillas sobre un parámetro desconocido. α.05). a la probabilidad de escoger cuando ésta es cierta . Cuando es necesario diseñar un contraste de hipótesis. El recurso para aumentar la potencia del contraste.Si la probabilidad de cometer un error de tipo I está unívocamente determinada. Contraste más potente. es aumentar el tamaño muestral. esto es: En este caso. Usualmente. β. lo que en la práctica conlleva un incremento de los costes del estudio que se quiere realizar. Sin embargo. esto es. El concepto de potencia nos permite valorar cual entre dos contrastes con la misma probabilidad de error de tipo I. y en las mismas condiciones. θ. disminuir la probabilidad del error de tipo I. conduce a incrementar la probabilidad del error de tipo II. es preferible. del tipo: .01) para adoptar condiciones más relajadas o más estrictas. se denota por β la probabilidad de cometer el error de tipo II. α. se diseñan los contrastes de tal manera que la probabilidad α sea el 5% (0. con una muestra de tamaño prefijado. esto es. se denomina Potencia del contraste al valor 1-β.

que no se limiten a especificar un único posible valor del parámetro. sino que tomarán diferentes valores según los distintos valores posibles de θ. las probabilidades α y β ya no están unívocamente determinadas. En estas circunstancias. esto es. puesto que para cada posible valor de θ en la hipótesis alternativa se tendría una probabilidad distinta de cometer un error de tipo II. la función de potencia del contraste es entonces esto es. se puede considerar β como una función de θ. si la máxima probabilidad de cometer un error de tipo I cuando la hipótesis nula es cierta es α. . Contraste uniformemente más potente En el caso de que las hipótesis sean compuestas. menor probabilidad β de incurrir en el error de tipo II. la probabilidad de discriminar que la hipótesis alternativa es cierta para cada valor posible de θ dentro de los valores posibles de esta misma hipótesis. sino que sean del tipo: donde y son conjuntos de varios posibles valores.Se trata de escoger entre todos los contrastes posibles con α prefijado aquel que tiene mayor potencia. esto es. Se define entonces y. En este caso se dice que un contraste tiene tamaño α si esto es. En este caso el Lema de Neyman-Pearson garantiza la existencia de un contraste de máxima potencia y determina cómo construirlo.

Aplicaciones de los contrastes de hipótesis Los contrastes de hipótesis. En particular. cuando se desea optar entre dos posibles teorías científicas para un mismo fenómeno (dos hipótesis) se debe realizar un contraste estadístico a partir de los datos disponibles sobre el fenómeno que permitan optar por una u otra. . cumpliéndose determinadas propiedades de las distribuciones de probabilidad implicadas y para ciertos tipos de hipótesis. etcétera. son herramientas de amplio uso en la ciencia en general. En resumen. En este contexto. control de calidad. Las técnicas de contraste de hipótesis son también de amplia aplicación en muchos otros casos. sí existen muchas condiciones en las que. Por ello. la moderna Filosofía de la ciencia desarrolla el concepto de falsabilidad de las teorías científicas basándose en los conceptos de la inferencia estadística en general y de los contrastes de hipótesis. se puede extender el Lema para obtener el contraste uniformemente más potente del tamaño que se desee. Es claro que el caso del contraste uniformemente más potente para hipótesis compuestas exige el cumplimiento de condiciones más exigentes que en el caso del contraste más potente para hipótesis simples. no existe un equivalente al Lema de Neyman-Pearson para el caso general. como ensayos clínicos de nuevos medicamentos. encuestas. como la inferencia estadística en general.Se dice que un contraste es uniformemente más potente de tamaño α cuando. Sin embargo. se trata de un contraste que garantiza la máxima potencia para todos los valores de θ en la hipótesis alternativa. para todo valor es mayor o igual que el de cualquier otro contraste del mismo tamaño.

x2. para realizar estimaciones. Como tal. En pocas palabras. μ. un estimador de la media poblacional.ESTIMACIÓN. si θ es un parámetro poblacional. tiene sentido calcular su esperanza. Por ejemplo. su varianza y otras características propias de las variables aleatorias. xn) sería el conjunto de de datos de la muestra. . se dice que estimador puntual de θ si . una estimación de la media de una determinada característica de una población de tamaño N podría ser la media de esa misma característica para una muestra de tamaño n. Por ejemplo. . En inferencia estadística se llama estimación al conjunto de técnicas que permiten dar un valor aproximado de un parámetro de una población a partir de los datos proporcionados por una muestra.... puede ser la media muestral. -. según la siguiente fórmula: donde (x1. Un estimador de un parámetro poblacional es una función de los datos muestrales. también llamado estadístico. Formalmente.xXx --El estimador es una variable aleatoria que asigna a cada posible valor de la muestra un valor numérico. . Estimador. es una fórmula que depende de los valores obtenidos de una muestra. donde es un son las variables aleatorias que integran una muestra aleatoria de tamaño n de la población en cuestión.

sabremos que su varianza es mínima. Un estimador de un parámetro θ es eficiente si su varianza es mínima. Por supuesto. Hay una cota mínima dentro de las varianzas que se puede obtener para cualquier estimador con un sesgo determinado. Para ello. Estimación puntual. si se pretende estimar la talla media de un determinado grupo de individuos. Esta cota se llama cota de CramérRao. Sin embargo. Estimador eficiente. podría ser un estimador. Si la varianza de un estimador es igual a esta cota. estaremos seguros de que es eficiente. Consiste en la estimación del valor del parámetro mediante un sólo valor. Esto hace que haya menos variabilidad entre las distintas estimaciones que podemos obtener (cada muestra dará una estimación diferente). la estimación será más fiable. y ninguno de ellos tiene una varianza igual a la cota de Cramér-Rao se utiliza el coeficiente de eficiencia relativa. Por ejemplo. al parámetro que se desea estimar. en cierto modo. De esta forma. puede . no siempre esta cota es alcanzable. se dice que un estimador de un parámetro θ es insesgado si su esperanza es el propio θ. cualquier función de la muestra. cuando dudamos entre dos estimadores diferentes. pero es deseable que las estimaciones que surjan a partir de un estimador "se parezcan". y por tanto. obtenido de una fórmula determinada. con la definición anterior. Con este propósito.Estimador insesgado. por lo que no siempre podremos saber si el estimador que hemos utilizado es el más eficiente de todos.

σ). Deberemos tener tantas igualdades como parámetros a estimar. Estimación puntual Sea X una variable poblacional con distribución Fθ . . ... . la probabilidad de que ocurra una realización x1. Si X1. Según . Xn) que mejor estime el parámetro θ. Vemos a continuación dos métodos para obtener la estimación puntual de un parámetro: método de los momentos y método de máxima verosimilitud..a. T(x1..1. Una vez observada o realizada la muestra. Lo más importante de un estimador.. xn. con µ desconocido. se obtiene la estimación puntual de θ... . en lugar de fθ(xi ) consideramos la función masa de probabilidad pθ(xi )..(credibilidad de la muestra observada).1: Sea X → N(µ. xn) = ˆ θ . X1. Ejemplo 7... Xn. . seleccionada una muestra X1.. El problema de estimación puntual consiste en. estimamos el parámetro µ por ambos métodos. y al valor obtenido se le llama estimación por máxima verosimilitud de θ. . xn.. .. xn) = Yn i=1 fθ(xi ) A Lθ(x1. ... Nota: si la variable X es discreta... siendo θ desconocido. Xn.extraerse una muestra y ofrecer como estimación puntual la talla media de los individuos. Estimación puntual y por Intervalos de Confianza 7.. Es decir. encontrar el estadístico T(X1. . Xn es una muestra seleccionada de una población con distribución Fθ o densidad fθ(x).. Momento poblacional de orden r αr = E (Xr ) Momento muestral de orden r ar = Xn i=1 Xr i n Método de máxima verosimilitud: consiste en tomar como valor del parámetro aquel que maximice la probabilidad de que ocurra la muestra observada. xn) se le llama función de verosimilitud. que sea insesgado(ausencia de sesgos) y estable en el muestreo o eficiente (varianza mínima). es que sea un estimador eficiente. con valores x1... con realización x1.s......2.. xn viene dada por: Lθ(x1. Métodos de estimación puntual Método de los momentos: consiste en igualar momentos poblacionales a momentos muestrales.. Buscamos entonces el valor de θ que maximice la función de verosimilud... Seleccionada una m. ..

xn) = 1 σ 2 Xn i=1 (xi − µ) = n − x − nµ σ 2 = 0 ⇐⇒ ˆ µ = − Estimación por intervalos. .. Pero a veces puede cambiar este intervalo cuando la muestra no garantiza un axioma o un equivalente circunstancial.. θ2] ó θ1 ≤ θ ≤ θ2.el método de los momentos: E(X) = Xn i=1 Xi n = − X. puede obtenerse una aproximación en los datos aportados por la literatura científica o en un estudio piloto. . Este intervalo contiene al parámetro estimado con una determinada certeza o nivel de confianza.. Si no se conoce. Variabilidad del Parámetro. xn) = − 1 2σ 2 Xn i=1 (xi − µ) 2 − n ln( √ 2πσ) ∂ ∂µ lnLµ(x1.. . El intervalo de confianza es una expresión del tipo [θ1... También hay métodos para calcular el tamaño de la muestra que prescinde de este aspecto. y al ser µ = E(X) se obtiene que ˆ µ = − x... Habitualmente se usa como medida de esta variabilidad la desviación típica poblacional y se denota σ. Es la que se proyecta en función del intervalo de confianza la cual se deriva del parámetro de variabilidad Intervalo de confianza. xn) = Yn i=1 fµ(xi ) = = Yn i=1 1 √ 2πσ e −(xi−µ) 2 2σ Estimación por Intervalos de confianza 109 y maximizamos en µ tal función.. en este caso resulta más fácil maximizar su logaritmo: lnLµ(x1. . Por el método de máxima verosimilitud: Lµ(x1. donde θ es el parámetro a estimar.

El nivel de confianza se denota por (1-α). Límite de Confianza. más estrecho deberá ser el intervalo de confianza y. Cuanta más precisión se desee en la estimación de un parámetro. el valor α es (100-95)/100 = 0. que se corresponden con valores α de 0.θ1.05 Valor crítico. Por ejemplo. en una estimación con un nivel de confianza del 95%.01 respectivamente. Es la probabilidad (en tanto por uno) de fallar en nuestra estimación. Es habitual tomar como nivel de confianza un 95% o un 99%. También llamado nivel de significación. Normalmente los valores críticos están tabulados o pueden calcularse en función de la distribución de la población. En caso de no incluir nuevas observaciones para la muestra. siendo 1-α el nivel de confianza.Error de la estimación. Valor α. Es la probabilidad de que el verdadero valor del parámetro estimado en la población se sitúe en el intervalo de confianza obtenido.05 y 0. Es el valor de la abscisa en una determinada distribución que deja a su derecha un área igual a α/2. más ocurrencias deberán incluirse en la muestra estudiada. Es una medida de su precisión que se corresponde con la amplitud del intervalo de confianza. para . Por ejemplo. Se suele llamar E. Se representa por Zα/2. esto es. aunque habitualmente suele expresarse con un porcentaje ((1-α) ·100%). la diferencia entre la certeza (1) y el nivel de confianza (1-α). según la fórmula E = θ2 . si se quiere mantener o disminuir el error. más error se comete al aumentar la precisión.

Se realiza mediante un procedimiento sistemático de 5 pasos: 1) Plantear la hipótesis nula Ho y la hipótesis alternativa H1. podemos interpretar que el verdadero valor de la media se encuentra entre 2.6 y un nivel de confianza del 99%". Con estas definiciones. un mayor nivel de confianza.3. se plantea una hipótesis. . En el análisis estadístico se hace una aseveración. si tras la extracción de una muestra se dice que "3 es una estimación de la media con un margen de error de 0.64. Si la media o desviación típica de la distribución normal no coinciden con las de la tabla. se observa que se corresponde con -1. con una probabilidad del 99%.28. los conceptos de error y nivel de confianza van relacionados. el valor crítico para α = 0.7 y 3.3 se obtienen restando y sumando.1 se calcularía del siguiente modo: se busca en la tabla de la distribución ese valor (o el más aproximado). se puede realizar el cambio de variable t =(X-μ)/σ para su cálculo. Para un tamaño fijo de la muestra. Más comúnmente llamada prueba o test de hipótesis. Entonces Zα/2 = 1. para obtener el intervalo de confianza según las definiciones dadas. sino hacer un juicio con respecto a la diferencia entre estadístico de muestra y un valor planteado del parámetro. El propósito de la prueba de hipótesis no es cuestionar el valor calculado del estadístico (muestral). de media 0 y desviación típica 1. después se hacen las pruebas para verificar la aseveración o para determinar que no es verdadera. esto es. Docimasia.una distribución normal. bajo la columna "Área".7 y 3. aumentamos el tamaño del intervalo de confianza. es un procedimiento basado en la evidencia muestral y la teoría de probabilidad. respectivamente. y se emplea para determinar si la hipótesis es una afirmación razonable. Si admitimos un error mayor. es decir. tenemos también una mayor probabilidad de éxito en nuestra estimación. Los valores 2. es decir. la mitad del error.

HIPÓTESIS DE NULIDAD (Ho) Los grupos comparados no difieren en la característica (parámetro) en estudio. : P N p = = = 10% 100 2% > Pruebas Unilaterales Pruebas Bilaterales ¿Existe diferencia significativa entre p y P? Ho Hi = = p = P0 p < P0 . Por lo tanto. 3) Cálculo del valor estadístico de prueba. Por lo tanto. la diferencia observada es consecuencia efectiva entre las poblaciones de origen. la diferencia observada en la investigación es consecuencia del error de muestreo. 4) Formular la regla de decisión.2) Seleccionar el nivel de significancia. HIPÓTESIS ALTERNATIVA (H1) Los grupos difieren en la característica (parámetro) en estudio. Hipótesis Nula H0 : Hipótesis alternativa = Hi : < ≠ Ej. 1-PLANTEAMIENTO DE HIPÓTESIS. 5) Tomar una decisión.

Rechazar H0 siendo verdadera “β” Probabilidad de cometer el error tipo II. es igual o menor que alguna pequeña probabilidad simbolizada por . No rechaza H0 siendo falsa. α = 0. en consecuencia. está sometida a error.01 Rechazar no más de 1 vez en 100 la H0 siendo V El error tipo II se denomina potencia o poder estadístico. En los estudios es frecuente establecer como objetivo una potencia de 0. Se rechaza la hipótesis nula.2-NIVEL DE SIGNIFICACIÓN De acuerdo a este razonamiento la decisión que se toma es de probabilidad. Ello significa que la probabilidad de cometer un error II (0. denominada nivel de significación.05.2) es cuatro veces mayor que la probabilidad de . este depende del tamaño de la muestra (a > tamaño muestral > potencia) y es = 1 -B. si la prueba da un valor cuya probabilidad asociada de ocurrencia.05 Rechazar no más de 5 veces en 100 la H0 siendo V α = 0.8 con un nivel de significación de 0. El error tipo I es el nivel de significación de la prueba estadística que siempre ha de indicarse cuando se presentan los resultados. Decisión sobre H0 Realidad de H0 Verdadero Falso No rechaza Correcto Error II β Rechaza Error I α Correcto “α” Probabilidad de cometer error tipo I.

2.2. Para el mismo Ej: P0 = 10% Q0 = 90% N = 100 Z Cal = p .67 Z crítico .05 (prueba unilateral) Z crítico crea zona de rechazo Z calculado está dentro de la zona de rechazo.cometer un error tipo I (0.1) Z Cal = 2 . lo que refleja que en general un error tipo I se considera mucho más grave que un error tipo II.1. 3-ESTADÍSTICO DE PRUEBA.67 3 10 * 90 100 α= 0.8 = -.65 0 0.95 .05).P0 P0 * Q0 N N (0.05 Z Cal .10 = -. por lo tanto se rechazo H0 H0 0.

que se hubiera obtenido una diferencia igual o mayor que la diferencia observada. De acuerdo al nivel de significación que se ha establecido. es improbable. no hay suficiente evidencia para rechazar la posibilidad de que la diferencia observada se debe a error de muestreo. . Por lo tanto. de acuerdo al nivel de significación establecido. DIFERENCIA ESTADÍSTICA NO SIGNIFICATIVA. Si la hipótesis nula fuera verdadera. aceptamos que se origina en el efecto de un factor diferencial entre los grupos.4-VALOR P 5-INTERPRETACIÓN DE LOS RESULTADOS DIFERENCIAS ESTADÍSTICA SIGNIFICATIVA.

Conclusión. .

com/doc/6703607/Docimasia-de-Hipotesis .org/wiki/Contraste_de_hip%C3%B3tesis http://es. http://es.scribd.org/wiki/Estimaci%C3%B3n_estad%C3%ADstica http://es.wikipedia.Bibliografía.wikipedia.

Sign up to vote on this title
UsefulNot useful