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

.INTRODUCCIÓN.

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

analizando muestras suficientemente grandes de ambas poblaciones.0002. el estadístico escogido es el número total de caras obtenidas. y la región de rechazo está constituida por los números totales de caras iguales o superiores a 25. el conjunto de valores para el que rechazaremos la hipótesis nula si el valor del estadístico observado entra dentro de él. Siguiendo con el anterior ejemplo de la moneda trucada. esto es. pues existe la posibilidad. 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. se puede escoger dicha región de tal forma que la probabilidad de cometer este error sea suficientemente pequeña. . 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. una valor que es función de la muestra) cuya distribución de probabilidad esté relacionada con la hipótesis en estudio y sea conocida. aunque poco probable.5 en cada uno. aunque la muestra sea muy grande. 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. puesto que siempre cabe la posibilidad de que las medias difieran en una cantidad lo suficientemente pequeña para que no pueda ser detectada. se extrae un estadístico (esto es. De esta manera. A partir de una muestra de la población en estudio.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.

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

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

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

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

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

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

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

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

... . xn viene dada por: Lθ(x1... T(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.2.1: Sea X → N(µ... . xn) se le llama función de verosimilitud.. que sea insesgado(ausencia de sesgos) y estable en el muestreo o eficiente (varianza mínima). Xn) que mejor estime el parámetro θ.a. El problema de estimación puntual consiste en.. se obtiene la estimación puntual de θ.. . .(credibilidad de la muestra observada). Nota: si la variable X es discreta.. Xn es una muestra seleccionada de una población con distribución Fθ o densidad fθ(x). . Xn.. Buscamos entonces el valor de θ que maximice la función de verosimilud..... . seleccionada una muestra X1.. xn. estimamos el parámetro µ por ambos métodos. Estimación puntual Sea X una variable poblacional con distribución Fθ ... y al valor obtenido se le llama estimación por máxima verosimilitud de θ.. Ejemplo 7. Seleccionada una m.. xn. Si X1. encontrar el estadístico T(X1. Estimación puntual y por Intervalos de Confianza 7.. xn) = Yn i=1 fθ(xi ) A Lθ(x1.. siendo θ desconocido.. . Lo más importante de un estimador. con µ desconocido.s. Una vez observada o realizada la muestra. Vemos a continuación dos métodos para obtener la estimación puntual de un parámetro: método de los momentos y método de máxima verosimilitud. σ). Según . con realización x1..extraerse una muestra y ofrecer como estimación puntual la talla media de los individuos. Es decir. xn) = ˆ θ .. con valores x1. la probabilidad de que ocurra una realización x1. . en lugar de fθ(xi ) consideramos la función masa de probabilidad pθ(xi ). es que sea un estimador eficiente.. . Métodos de estimación puntual Método de los momentos: consiste en igualar momentos poblacionales a momentos muestrales. Xn..1.. X1. Deberemos tener tantas igualdades como parámetros a estimar.. .

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

más error se comete al aumentar la precisión. Cuanta más precisión se desee en la estimación de un parámetro. si se quiere mantener o disminuir el error.θ1. siendo 1-α el nivel de confianza. Normalmente los valores críticos están tabulados o pueden calcularse en función de la distribución de la población.Error de la estimación. Se representa por Zα/2. Se suele llamar E.05 Valor crítico. la diferencia entre la certeza (1) y el nivel de confianza (1-α). Es la probabilidad de que el verdadero valor del parámetro estimado en la población se sitúe en el intervalo de confianza obtenido. en una estimación con un nivel de confianza del 95%. el valor α es (100-95)/100 = 0.01 respectivamente. más estrecho deberá ser el intervalo de confianza y. Es el valor de la abscisa en una determinada distribución que deja a su derecha un área igual a α/2. esto es. Valor α. que se corresponden con valores α de 0. También llamado nivel de significación. Por ejemplo. En caso de no incluir nuevas observaciones para la muestra. aunque habitualmente suele expresarse con un porcentaje ((1-α) ·100%). más ocurrencias deberán incluirse en la muestra estudiada. Límite de Confianza. Es habitual tomar como nivel de confianza un 95% o un 99%. El nivel de confianza se denota por (1-α). para . según la fórmula E = θ2 . Es la probabilidad (en tanto por uno) de fallar en nuestra estimación. Es una medida de su precisión que se corresponde con la amplitud del intervalo de confianza.05 y 0. Por ejemplo.

En el análisis estadístico se hace una aseveración. respectivamente. la mitad del error. tenemos también una mayor probabilidad de éxito en nuestra estimación. . esto es. podemos interpretar que el verdadero valor de la media se encuentra entre 2. Para un tamaño fijo de la muestra. los conceptos de error y nivel de confianza van relacionados. aumentamos el tamaño del intervalo de confianza. de media 0 y desviación típica 1.28. El propósito de la prueba de hipótesis no es cuestionar el valor calculado del estadístico (muestral). Si la media o desviación típica de la distribución normal no coinciden con las de la tabla.6 y un nivel de confianza del 99%". el valor crítico para α = 0. después se hacen las pruebas para verificar la aseveración o para determinar que no es verdadera.una distribución normal. se plantea una hipótesis. Entonces Zα/2 = 1. Se realiza mediante un procedimiento sistemático de 5 pasos: 1) Plantear la hipótesis nula Ho y la hipótesis alternativa H1. Docimasia. es un procedimiento basado en la evidencia muestral y la teoría de probabilidad.3. un mayor nivel de confianza.7 y 3.3 se obtienen restando y sumando. con una probabilidad del 99%. 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. Más comúnmente llamada prueba o test de hipótesis. Si admitimos un error mayor. bajo la columna "Área". Con estas definiciones. Los valores 2. y se emplea para determinar si la hipótesis es una afirmación razonable. es decir.7 y 3. si tras la extracción de una muestra se dice que "3 es una estimación de la media con un margen de error de 0.64. se observa que se corresponde con -1.1 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. es decir.

Hipótesis Nula H0 : Hipótesis alternativa = Hi : < ≠ Ej. Por lo tanto.2) Seleccionar el nivel de significancia. 3) Cálculo del valor estadístico de prueba. 5) Tomar una decisión. Por lo tanto. : 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. 1-PLANTEAMIENTO DE HIPÓTESIS. la diferencia observada es consecuencia efectiva entre las poblaciones de origen. 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.

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

lo que refleja que en general un error tipo I se considera mucho más grave que un error tipo II.1. 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.1) Z Cal = 2 .cometer un error tipo I (0.2.P0 P0 * Q0 N N (0.65 0 0.2.67 Z crítico .8 = -.67 3 10 * 90 100 α= 0. Para el mismo Ej: P0 = 10% Q0 = 90% N = 100 Z Cal = p .95 .05).05 Z Cal . 3-ESTADÍSTICO DE PRUEBA.10 = -.

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

.Conclusión.

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