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

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

INTRODUCCIÓN. .

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

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

podemos esperar menos de 20 objetos defectuosos si es verdadera. Un procedimiento de prueba es una regla con base en datos muestrales. En este caso. 1. 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. Ejemplo Una prueba de : p = . rechazada si x= 16. Un estadístico de prueba: una función de los datos muestrales en los cuales se basa la decisión de rechazar o no rechazar . la no será región de rechazo esta formada por x = 0. Entonces. La dificultad al usar un procedimiento basado en datos . y 15. una variable aleatoria binomial. …. 2. E(X) = np = 200(. mientras. 199 o 200. 2. para determinar si se rechaza .10) = 20. x representa el valor observado de X. si es verdadera.Procedimientos de prueba. 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. Un procedimiento de prueba es rechazar de otra forma. Representamos con X el número de objetos defectuosos de la muestra. Un procedimiento de prueba se especifica por lo siguiente: 1.10 contra : p < . 17. lo que casi nunca es práctico.…. Una región de rechazo. podría estar basada en el examen de una muestra aleatoria de n = 200 objetos. el conjunto de todos los valores del estadístico de prueba para los cuales será rechazada.10. Pero esto puede alcanzarse solo si una decisión se basa en un examen de toda la población.

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

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

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

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

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

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

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

.. con µ desconocido. Xn.. σ). xn) = ˆ θ . X1.. Buscamos entonces el valor de θ que maximice la función de verosimilud...a.. 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.. se obtiene la estimación puntual de θ. El problema de estimación puntual consiste en.extraerse una muestra y ofrecer como estimación puntual la talla media de los individuos... seleccionada una muestra X1. Estimación puntual y por Intervalos de Confianza 7... T(x1. encontrar el estadístico T(X1.s. Deberemos tener tantas igualdades como parámetros a estimar.. y al valor obtenido se le llama estimación por máxima verosimilitud de θ..2.. Lo más importante de un estimador... siendo θ desconocido.1: Sea X → N(µ.... la probabilidad de que ocurra una realización x1. . xn.. Seleccionada una m.. xn.. que sea insesgado(ausencia de sesgos) y estable en el muestreo o eficiente (varianza mínima). .. . Ejemplo 7.1.. Xn) que mejor estime el parámetro θ. Nota: si la variable X es discreta. Estimación puntual Sea X una variable poblacional con distribución Fθ . Es decir.. Según . con realización x1. Xn. xn viene dada por: Lθ(x1. xn) se le llama función de verosimilitud. Vemos a continuación dos métodos para obtener la estimación puntual de un parámetro: método de los momentos y método de máxima verosimilitud. Si X1. Métodos de estimación puntual Método de los momentos: consiste en igualar momentos poblacionales a momentos muestrales. . . xn) = Yn i=1 fθ(xi ) A Lθ(x1.(credibilidad de la muestra observada). estimamos el parámetro µ por ambos métodos. . . Una vez observada o realizada la muestra. es que sea un estimador eficiente.. con valores x1. .. Xn es una muestra seleccionada de una población con distribución Fθ o densidad fθ(x).

. ..... Variabilidad del Parámetro. Si no se conoce.. xn) = − 1 2σ 2 Xn i=1 (xi − µ) 2 − n ln( √ 2πσ) ∂ ∂µ lnLµ(x1.. puede obtenerse una aproximación en los datos aportados por la literatura científica o en un estudio piloto. 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. 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. . . en este caso resulta más fácil maximizar su logaritmo: lnLµ(x1. . Habitualmente se usa como medida de esta variabilidad la desviación típica poblacional y se denota σ. 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.. También hay métodos para calcular el tamaño de la muestra que prescinde de este aspecto. 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. Este intervalo contiene al parámetro estimado con una determinada certeza o nivel de confianza. Por el método de máxima verosimilitud: Lµ(x1. El intervalo de confianza es una expresión del tipo [θ1. donde θ es el parámetro a estimar.

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

y se emplea para determinar si la hipótesis es una afirmación razonable. es un procedimiento basado en la evidencia muestral y la teoría de probabilidad.64. se plantea una hipótesis. después se hacen las pruebas para verificar la aseveración o para determinar que no es verdadera. se observa que se corresponde con -1. es decir. respectivamente. con una probabilidad del 99%.una distribución normal. . El propósito de la prueba de hipótesis no es cuestionar el valor calculado del estadístico (muestral). bajo la columna "Área". esto es. Entonces Zα/2 = 1. se puede realizar el cambio de variable t =(X-μ)/σ para su cálculo. sino hacer un juicio con respecto a la diferencia entre estadístico de muestra y un valor planteado del parámetro. Para un tamaño fijo de la muestra. aumentamos el tamaño del intervalo de confianza.1 se calcularía del siguiente modo: se busca en la tabla de la distribución ese valor (o el más aproximado).7 y 3. el valor crítico para α = 0. Si admitimos un error mayor. podemos interpretar que el verdadero valor de la media se encuentra entre 2. Con estas definiciones.7 y 3. Si la media o desviación típica de la distribución normal no coinciden con las de la tabla. Los valores 2. Más comúnmente llamada prueba o test de hipótesis.3. si tras la extracción de una muestra se dice que "3 es una estimación de la media con un margen de error de 0. la mitad del error. para obtener el intervalo de confianza según las definiciones dadas. En el análisis estadístico se hace una aseveración. tenemos también una mayor probabilidad de éxito en nuestra estimación. un mayor nivel de confianza.6 y un nivel de confianza del 99%". los conceptos de error y nivel de confianza van relacionados. es decir. de media 0 y desviación típica 1. Docimasia.3 se obtienen restando y sumando. Se realiza mediante un procedimiento sistemático de 5 pasos: 1) Plantear la hipótesis nula Ho y la hipótesis alternativa H1.28.

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

8 con un nivel de significación de 0. si la prueba da un valor cuya probabilidad asociada de ocurrencia. es igual o menor que alguna pequeña probabilidad simbolizada por . Rechazar H0 siendo verdadera “β” Probabilidad de cometer el error tipo II. este depende del tamaño de la muestra (a > tamaño muestral > potencia) y es = 1 -B. Se rechaza la hipótesis nula. Ello significa que la probabilidad de cometer un error II (0. En los estudios es frecuente establecer como objetivo una potencia de 0.05 Rechazar no más de 5 veces en 100 la H0 siendo V α = 0.2) es cuatro veces mayor que la probabilidad de . α = 0. está sometida a error. El error tipo I es el nivel de significación de la prueba estadística que siempre ha de indicarse cuando se presentan los resultados. denominada nivel de significación.2-NIVEL DE SIGNIFICACIÓN De acuerdo a este razonamiento la decisión que se toma es de probabilidad.01 Rechazar no más de 1 vez en 100 la H0 siendo V El error tipo II se denomina potencia o poder estadístico. 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. No rechaza H0 siendo falsa. en consecuencia.05.

2.67 Z crítico .05 Z Cal .1) Z Cal = 2 .10 = -. por lo tanto se rechazo H0 H0 0.05).1.65 0 0.8 = -.P0 P0 * Q0 N N (0. Para el mismo Ej: P0 = 10% Q0 = 90% N = 100 Z Cal = p . 3-ESTADÍSTICO DE PRUEBA. lo que refleja que en general un error tipo I se considera mucho más grave que un error tipo II.2.95 .67 3 10 * 90 100 α= 0.05 (prueba unilateral) Z crítico crea zona de rechazo Z calculado está dentro de la zona de rechazo.cometer un error tipo I (0.

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

.Conclusión.

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

Sign up to vote on this title
UsefulNot useful