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

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

INTRODUCCIÓN. .

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

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

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. En este caso. Ejemplo Una prueba de : p = . 2. podemos esperar menos de 20 objetos defectuosos si es verdadera. 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. Representamos con X el número de objetos defectuosos de la muestra. Entonces. el conjunto de todos los valores del estadístico de prueba para los cuales será rechazada. Un procedimiento de prueba es rechazar de otra forma. Un procedimiento de prueba se especifica por lo siguiente: 1. 1.…. Pero esto puede alcanzarse solo si una decisión se basa en un examen de toda la población.Procedimientos de prueba. Un procedimiento de prueba es una regla con base en datos muestrales. para determinar si se rechaza . y 15. Un estadístico de prueba: una función de los datos muestrales en los cuales se basa la decisión de rechazar o no rechazar . E(X) = np = 200(. x representa el valor observado de X.10 contra : p < . 199 o 200. La dificultad al usar un procedimiento basado en datos . 2. …. rechazada si x= 16. lo que casi nunca es práctico. la no será región de rechazo esta formada por x = 0.10.10) = 20. si es verdadera. podría estar basada en el examen de una muestra aleatoria de n = 200 objetos. mientras. una variable aleatoria binomial. Una región de rechazo. 17.

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

que las hipótesis nula y alternativa tienen la formulación siguiente: Un contraste. Supongamos que se dispone de un estadístico cuya distribución con respecto a . 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. o . se conoce.relacionado con la distribución estadística de la población. . En esencia. se habrá optado por una de las dos hipótesis. basta con escoger el estadístico del contraste Se escoge y la región de rechazo . que debemos aceptar ). también. 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 . interior sea baja cuando se da Errores en el contraste Una vez realizado el contraste de hipótesis. de tal manera que la probabilidad de que T(X) caiga en su . Supongamos. para construir el test deseado. 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.

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

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

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

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

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

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

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

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

una distribución normal. Entonces Zα/2 = 1. los conceptos de error y nivel de confianza van relacionados. se plantea una hipótesis. bajo la columna "Área". con una probabilidad del 99%. respectivamente. para obtener el intervalo de confianza según las definiciones dadas.64. tenemos también una mayor probabilidad de éxito en nuestra estimación.28. sino hacer un juicio con respecto a la diferencia entre estadístico de muestra y un valor planteado del parámetro. .7 y 3. después se hacen las pruebas para verificar la aseveración o para determinar que no es verdadera. de media 0 y desviación típica 1. Los valores 2. Docimasia. y se emplea para determinar si la hipótesis es una afirmación razonable. En el análisis estadístico se hace una aseveración. aumentamos el tamaño del intervalo de confianza. es decir. Para un tamaño fijo de la muestra. Si la media o desviación típica de la distribución normal no coinciden con las de la tabla. es un procedimiento basado en la evidencia muestral y la teoría de probabilidad.3.6 y un nivel de confianza del 99%". Con estas definiciones. la mitad del error. si tras la extracción de una muestra se dice que "3 es una estimación de la media con un margen de error de 0. Se realiza mediante un procedimiento sistemático de 5 pasos: 1) Plantear la hipótesis nula Ho y la hipótesis alternativa H1. Más comúnmente llamada prueba o test de hipótesis. podemos interpretar que el verdadero valor de la media se encuentra entre 2. Si admitimos un error mayor.7 y 3.3 se obtienen restando y sumando. el valor crítico para α = 0. se puede realizar el cambio de variable t =(X-μ)/σ para su cálculo. es decir. un mayor nivel de confianza. se observa que se corresponde con -1. esto es.1 se calcularía del siguiente modo: se busca en la tabla de la distribución ese valor (o el más aproximado). El propósito de la prueba de hipótesis no es cuestionar el valor calculado del estadístico (muestral).

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

este depende del tamaño de la muestra (a > tamaño muestral > potencia) y es = 1 -B.8 con un nivel de significación de 0.2-NIVEL DE SIGNIFICACIÓN De acuerdo a este razonamiento la decisión que se toma es de probabilidad. Se rechaza la hipótesis nula. El error tipo I es el nivel de significación de la prueba estadística que siempre ha de indicarse cuando se presentan los resultados. está sometida a error. Rechazar H0 siendo verdadera “β” Probabilidad de cometer el error tipo II. denominada nivel de significación. 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 = 0.01 Rechazar no más de 1 vez en 100 la H0 siendo V El error tipo II se denomina potencia o poder estadístico. en consecuencia. α = 0. 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. Ello significa que la probabilidad de cometer un error II (0. es igual o menor que alguna pequeña probabilidad simbolizada por .05. No rechaza H0 siendo falsa.2) es cuatro veces mayor que la probabilidad de . En los estudios es frecuente establecer como objetivo una potencia de 0.

P0 P0 * Q0 N N (0.05 Z Cal .67 Z crítico .2.05).8 = -.67 3 10 * 90 100 α= 0.1.10 = -.1) Z Cal = 2 . lo que refleja que en general un error tipo I se considera mucho más grave que un error tipo II.95 .cometer un error tipo I (0. 3-ESTADÍSTICO DE PRUEBA.65 0 0.2. por lo tanto se rechazo H0 H0 0.05 (prueba unilateral) Z crítico crea zona de rechazo Z calculado está dentro de la zona de rechazo. Para el mismo Ej: P0 = 10% Q0 = 90% N = 100 Z Cal = p .

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

Conclusión. .

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

Sign up to vote on this title
UsefulNot useful