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

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

.INTRODUCCIÓN.

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

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

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. La dificultad al usar un procedimiento basado en datos . E(X) = np = 200(. Ejemplo Una prueba de : p = . rechazada si x= 16. Entonces. 199 o 200.10 contra : p < . Representamos con X el número de objetos defectuosos de la muestra. lo que casi nunca es práctico. En este caso. 17. el conjunto de todos los valores del estadístico de prueba para los cuales será rechazada. para determinar si se rechaza . Un procedimiento de prueba es rechazar de otra forma. 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. 2.10. x representa el valor observado de X. Un procedimiento de prueba se especifica por lo siguiente: 1. podría estar basada en el examen de una muestra aleatoria de n = 200 objetos. Un procedimiento de prueba es una regla con base en datos muestrales.Procedimientos de prueba. Un estadístico de prueba: una función de los datos muestrales en los cuales se basa la decisión de rechazar o no rechazar .10) = 20. si es verdadera. Pero esto puede alcanzarse solo si una decisión se basa en un examen de toda la población.…. …. 1. una variable aleatoria binomial. podemos esperar menos de 20 objetos defectuosos si es verdadera. mientras. y 15. Una región de rechazo. la no será región de rechazo esta formada por x = 0. 2.

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

que las hipótesis nula y alternativa tienen la formulación siguiente: Un contraste. o . En esencia. para construir el test deseado. A (o que no hay evidencia estadística contra se la denomina región de rechazo. se habrá optado por una de las dos hipótesis. Supongamos que se dispone de un estadístico cuya distribución con respecto a . interior sea baja cuando se da Errores en el contraste Una vez realizado el contraste de hipótesis. 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 . 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. . Supongamos. y la decisión escogida coincidirá o no con la que en realidad es cierta. se conoce. de tal manera que la probabilidad de que T(X) caiga en su .relacionado con la distribución estadística de la población. que debemos aceptar ). también. basta con escoger el estadístico del contraste Se escoge y la región de rechazo .

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

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

Las técnicas de contraste de hipótesis son también de amplia aplicación en muchos otros casos. Por ello. control de calidad. En este contexto.Se dice que un contraste es uniformemente más potente de tamaño α cuando. Sin embargo. En particular. cumpliéndose determinadas propiedades de las distribuciones de probabilidad implicadas y para ciertos tipos de hipótesis. encuestas. etcétera. En resumen. Aplicaciones de los contrastes de hipótesis Los contrastes de hipótesis. se puede extender el Lema para obtener el contraste uniformemente más potente del tamaño que se desee. sí existen muchas condiciones en las que. son herramientas de amplio uso en la ciencia en general. 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. 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. para todo valor es mayor o igual que el de cualquier otro contraste del mismo tamaño. . como la inferencia estadística en general. se trata de un contraste que garantiza la máxima potencia para todos los valores de θ en la hipótesis alternativa. no existe un equivalente al Lema de Neyman-Pearson para el caso general. como ensayos clínicos de nuevos medicamentos. 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.

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

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

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

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

Cuanta más precisión se desee en la estimación de un parámetro. más ocurrencias deberán incluirse en la muestra estudiada.Error de la estimación. Valor α. Por ejemplo.01 respectivamente. Límite de Confianza. Es una medida de su precisión que se corresponde con la amplitud del intervalo de confianza. que se corresponden con valores α de 0.05 Valor crítico. si se quiere mantener o disminuir el error. Es habitual tomar como nivel de confianza un 95% o un 99%. También llamado nivel de significación. esto es. más estrecho deberá ser el intervalo de confianza y. Por ejemplo. en una estimación con un nivel de confianza del 95%. el valor α es (100-95)/100 = 0. Es la probabilidad de que el verdadero valor del parámetro estimado en la población se sitúe en el intervalo de confianza obtenido. siendo 1-α el nivel de confianza. según la fórmula E = θ2 . Es el valor de la abscisa en una determinada distribución que deja a su derecha un área igual a α/2. la diferencia entre la certeza (1) y el nivel de confianza (1-α). Normalmente los valores críticos están tabulados o pueden calcularse en función de la distribución de la población.θ1. Se suele llamar E. Es la probabilidad (en tanto por uno) de fallar en nuestra estimación. En caso de no incluir nuevas observaciones para la muestra. más error se comete al aumentar la precisión.05 y 0. Se representa por Zα/2. El nivel de confianza se denota por (1-α). aunque habitualmente suele expresarse con un porcentaje ((1-α) ·100%). para .

esto es. En el análisis estadístico se hace una aseveración. el valor crítico para α = 0. bajo la columna "Área". tenemos también una mayor probabilidad de éxito en nuestra estimación. Para un tamaño fijo de la muestra. Si la media o desviación típica de la distribución normal no coinciden con las de la tabla. se observa que se corresponde con -1. respectivamente. si tras la extracción de una muestra se dice que "3 es una estimación de la media con un margen de error de 0.7 y 3. es decir. Se realiza mediante un procedimiento sistemático de 5 pasos: 1) Plantear la hipótesis nula Ho y la hipótesis alternativa H1. sino hacer un juicio con respecto a la diferencia entre estadístico de muestra y un valor planteado del parámetro. Los valores 2. es decir. los conceptos de error y nivel de confianza van relacionados. podemos interpretar que el verdadero valor de la media se encuentra entre 2. con una probabilidad del 99%. . la mitad del error. se puede realizar el cambio de variable t =(X-μ)/σ para su cálculo. El propósito de la prueba de hipótesis no es cuestionar el valor calculado del estadístico (muestral). y se emplea para determinar si la hipótesis es una afirmación razonable.6 y un nivel de confianza del 99%".28. Más comúnmente llamada prueba o test de hipótesis. un mayor nivel de confianza. se plantea una hipótesis.1 se calcularía del siguiente modo: se busca en la tabla de la distribución ese valor (o el más aproximado).3.64.7 y 3. Entonces Zα/2 = 1. aumentamos el tamaño del intervalo de confianza. Si admitimos un error mayor. de media 0 y desviación típica 1. para obtener el intervalo de confianza según las definiciones dadas. después se hacen las pruebas para verificar la aseveración o para determinar que no es verdadera.3 se obtienen restando y sumando. Docimasia. es un procedimiento basado en la evidencia muestral y la teoría de probabilidad.una distribución normal. Con estas definiciones.

3) Cálculo del valor estadístico de prueba. 1-PLANTEAMIENTO DE HIPÓTESIS. 4) Formular la regla de decisión. la diferencia observada en la investigación es consecuencia del error de muestreo. 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. Hipótesis Nula H0 : Hipótesis alternativa = Hi : < ≠ Ej. Por lo tanto. HIPÓTESIS ALTERNATIVA (H1) Los grupos difieren en la característica (parámetro) en estudio. 5) Tomar una decisión.2) Seleccionar el nivel de significancia. la diferencia observada es consecuencia efectiva entre las poblaciones de origen.

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. este depende del tamaño de la muestra (a > tamaño muestral > potencia) y es = 1 -B.2-NIVEL DE SIGNIFICACIÓN De acuerdo a este razonamiento la decisión que se toma es de probabilidad.2) es cuatro veces mayor que la probabilidad de .8 con un nivel de significación de 0. Rechazar H0 siendo verdadera “β” Probabilidad de cometer el error tipo II. El error tipo I es el nivel de significación de la prueba estadística que siempre ha de indicarse cuando se presentan los resultados. 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 = 0.05. No rechaza H0 siendo falsa. denominada nivel de significación. Se rechaza la hipótesis nula.01 Rechazar no más de 1 vez en 100 la H0 siendo V El error tipo II se denomina potencia o poder estadístico. es igual o menor que alguna pequeña probabilidad simbolizada por . En los estudios es frecuente establecer como objetivo una potencia de 0. en consecuencia. α = 0. está sometida a error. Ello significa que la probabilidad de cometer un error II (0.

P0 P0 * Q0 N N (0. por lo tanto se rechazo H0 H0 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.8 = -. 3-ESTADÍSTICO DE PRUEBA.65 0 0.95 .05 Z Cal .2. Para el mismo Ej: P0 = 10% Q0 = 90% N = 100 Z Cal = p .05 (prueba unilateral) Z crítico crea zona de rechazo Z calculado está dentro de la zona de rechazo.10 = -.cometer un error tipo I (0.67 3 10 * 90 100 α= 0.2.1.05).67 Z crítico .

Por lo tanto. no hay suficiente evidencia para rechazar la posibilidad de que la diferencia observada se debe a error de muestreo. De acuerdo al nivel de significación que se ha establecido. que se hubiera obtenido una diferencia igual o mayor que la diferencia observada. Si la hipótesis nula fuera verdadera. es improbable. DIFERENCIA ESTADÍSTICA NO SIGNIFICATIVA. . 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. de acuerdo al nivel de significación establecido.

Conclusión. .

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

Sign up to vote on this title
UsefulNot useful