INTRODUCCIN

La estadstica es la disciplina que nos proporciona una metodologa para recoger, organizar,
resumir, analizar datos y hacer inferencias a partir de ellas.
Puede deducirse de la definicin que hay dos ramas claramente diferenciadas dentro de la
estadstica: La Estadstica Descriptiva y La Inferencia Estadstica que es el punto a tratar en el
presente trabajo.
La inferencia Estadstica tiene como funcin inferir las caractersticas de un colectivo a partir
de un subconjunto de ste.
Referente al contraste de hiptesis, sabemos que un problema es investigable cuando existen
dos o ms soluciones alternativas y tenemos dudas acerca de cual de ellas es la mejor. Esta
situacin permite formular una o ms hiptesis de trabajo, ya que cada una de ellas destaca la
conveniencia de una de las soluciones sobre las dems. Si nuestro propsito es comprobar
una teora ella misma ser la hiptesis del trabajo, pero es importante destacar que al formular
dicha o dichas hiptesis no significa que ya est resuelto el problema, al contrario, que
nuestra duda nos impulsa a comprobar la verdad o falsedad de cada una de ellas.
La decisin final partir de las decisiones previas de aceptar o rechazar las hiptesis de
trabajo.
CAPITULO I
Contraste de Hiptesis
Etapas Bsicas en Pruebas de Hiptesis.
Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en parmetro
poblacional. Despus de recolectar una muestra aleatoria, se compara la estadstica muestral,
as como la media (x), con el parmetro hipottico, se compara con una supuesta media
poblacional (). Despus se acepta o se rechaza el valor hipottico, segn proceda. Se rechaza
el valor hipottico slo si el resultado muestral resulta muy poco probable cuando la hiptesis
es cierta.
Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula (H0) es el valor
hipottico del parmetro que se compra con el resultado muestral resulta muy poco probable
cuando la hiptesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de significancia del
5%, entonces se rechaza la hiptesis nula solamente si el resultado muestral es tan diferente
del valor hipottico que una diferencia de esa magnitud o mayor, pudiera ocurrir
aleatoriamente con una probabilidad de 1.05 o menos.
Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la estadstica
muestral (el estimador no segado del parmetro que se prueba) o una versin transformada
de esa estadstica muestral. Por ejemplo, para probar el valor hipottico de una media
poblacional, se toma la media de una muestra aleatoria de esa distribucin normal, entonces
es comn que se transforme la media en un valor z el cual, a su vez, sirve como estadstica
de prueba.

Tabla 10.1. Consecuencias de las Decisiones en Pruebas de Hiptesis.

Situaciones Posibles

La hiptesis nula
es verdadera

Decisiones Posibles
Aceptar la Hiptesis
Nula
Rechazar la Hiptesis
Nula

Se acepta
correctamente

Error tipo II

Error tipo I

Se rechaza
correctamente

La
hipte
sis
nula
es
falsa

Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba. Habiendo

especificado la hiptesis nula, el nivel de significancia y la estadstica de prueba que se van a
utilizar, se produce a establecer el o los valores crticos de estadstica de prueba. Puede haber
uno o ms de esos valores, dependiendo de si se va a realizar una prueba de uno o dos
extremos.
Etapa 5.- Determinar el valor real de la estadstica de prueba. Por ejemplo, al probar un valor
hipottico de la media poblacional, se toma una muestra aleatoria y se determina el valor de la
media muestral. Si el valor crtico que se establece es un valor de z, entonces se transforma la
media muestral en un valor de z.
Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica muestral con el
valor (o valores) crticos de la estadstica de prueba. Despus se acepta o se rechaza la
hiptesis nula. Si se rechaza sta, se acepta la alternativa; a su vez, esta decisin tendr
efecto sobre otras decisiones de los administradores operativos, como por ejemplo, mantener
o no un estndar de desempeo o cul de dos estrategias de mercadotecnia utilizar.
Conceptos Bsicos para el Procedimiento de Pruebas de Hiptesis.
Hiptesis Estadstica:
Al intentar alcanzar una decisin, es til hacer hiptesis (o conjeturas) sobre la poblacin
aplicada.
Tales hiptesis, que pueden ser o no ciertas, se llaman hiptesis estadsticas.
Son, en general, enunciados acerca de las distribuciones de probabilidad de las poblaciones.
Hiptesis Nula:
En muchos casos formulamos una hiptesis estadstica con el nico propsito de rechazarla o
invalidarla. As, si queremos decidir si una moneda est trucada, formulamos la hiptesis de
que la moneda es buena ( o sea p = 0,5, donde p es la probabilidad de cara).

Analgicamente, si deseamos decidir si un procedimiento es mejor que otro, formulamos la

hiptesis de que no hay diferencia entre ellos (o sea. Que cualquier diferencia observada se
debe simplemente a fluctuaciones en el muestreo de la misma poblacin). Tales hiptesis se
suelen llamar hiptesis nula y se denotan por Ho.
Hiptesis Alternativa.
Toda hiptesis que difiere de una dada se llamar una hiptesis alternativa. Por ejemplo: Si
una hiptesis es p = 0,5, hiptesis alternativa podran ser p = 0,7, p " 0,5 p > 0,5.
Una hiptesis alternativa a la hiptesis nula se denotar por H1.
Errores de tipo I y de tipo II.
Si rechazamos una hiptesis cuando debiera ser aceptada, diremos que se ha cometido un
error de tipo I.
Por otra parte, si aceptamos una hiptesis que debiera ser rechazada, diremos que se
cometi un error de tipo II.
En ambos casos, se ha producido un juicio errneo.
Para que las reglas de decisin (o no contraste de hiptesis) sean buenas, deben disearse
de modo que minimicen los errores de la decisin; y no es una cuestin sencilla, porque para
cualquier tamao de la muestra, un intento de disminuir un tipo de error suele ir acompaado
de un crecimiento del otro tipo. En la practica, un tipo de error puede ser ms grave que el
otro, y debe alcanzarse un compromiso que disminuya el error ms grave.
La nica forma de disminuir ambos a la vez es aumentar el tamao de la muestra que no
siempre es posible.
Niveles de Significacin.
Al contrastar una cierta hiptesis, la mxima probabilidad con la que estamos dispuesto a
correr el riesgo de cometern error de tipo I, se llama nivel de significacin.
Esta probabilidad, denota a menudo por se, suele especificar antes de tomar la muestra, de
manera que los resultados obtenidos no influyan en nuestra eleccin.
En la practica, es frecuente un nivel de significacin de 0,05 0,01, si bien se une otros
valores. Si por ejemplo se escoge el nivel de significacin 0,05 ( 5%) al disear una regla de
decisin, entonces hay unas cinco (05) oportunidades entre 100 de rechazar la hiptesis
cuando debiera haberse aceptado; Es decir, tenemos un 95% de confianza de que hemos
adoptado la decisin correcta. En tal caso decimos que la hiptesis ha sido rechazada al nivel
de significacin 0,05, lo cual quiere decir que tal hiptesis tiene una probabilidad 0,05 de ser
falsa.
Prueba de Uno y Dos Extremos.
Cuando estudiamos ambos valores estadsticos es decir, ambos lados de la media lo
llamamos prueba de uno y dos extremos o contraste de una y dos colas.
Con frecuencia no obstante, estaremos interesados tan slo en valores extremos a un lado de
la media (o sea, en uno de los extremos de la distribucin), tal como sucede cuando se
contrasta la hiptesis de que un proceso es mejor que otro (lo cual no es lo mismo que

contrastar si un proceso es mejor o peor que el otro) tales contrastes se llaman unilaterales, o
de un extremo. En tales situaciones, la regin critica es una regin situada a un lado de la
distribucin, con rea igual al nivel de significacin.
La siguiente tabla de valores crticos de z para contraste de unos o dos extremos en varios
niveles de significacin.
Nivel de
significacin

0.10

0.05

0.01

0.005

0.02

Valores crticos de
z para Test
Unilaterales

-1.28 o
1.28

-1.645 o
1.645

-2.33 o
2.33

-2.58 o
2.58

-2.88 o 2.88

Valores Crticos de
z para Test
Bilaterales

- 1.645 y
1.645

- 1.96 y
1.96

-2.58 y
2.58

-2.81 y
2.81

-3.08 y 3.08

Curva Caracterstica Operativa y Curva de Potencia.

Hemos visto como limitar el error de tipo I eligiendo adecuadamente el nivel de significacin.
Es posible evitar el riesgo de cometer error de tipo II simplemente no aceptado nunca
hiptesis, pero en muchas aplicaciones prcticas esto es inviable.
En tales casos se suele recurrir a curvas de operacin caractersticas o curvas de OC, que
son grficos que muestran las probabilidades de error de tipo II bajo diversas hiptesis.
Proporcionan indicadores de hasta que punto un test dado nos permitir evitar un error de tipo
II; es decir, nos indicar la potencia de un test a la hora de prevenir decisiones errneas. Son
tiles en el diseo de experimentos porque sugieren entre otras cosas al tamao de muestra a
manejar.
Grados de Libertad.
Para el clculo de un estadstico, es necesario emplear tanto observaciones de muestra como
propiedades de ciertos parmetros de la poblacin. Si estos parmetros son desconocidos,
hay que estimarlos a partir de la muestra el nmero de grados de libertad de un estadstico,
generalmente denotado por v se define como el nmero N de observaciones
independientes en la muestra (o sea, el tamao de la muestra) menos el nmero K de
parmetros de la poblacin, que debe ser estimado a partir de observaciones mustrales.
En smbolos, v = N - k.
Capitulo II
Contraste de hiptesis referentes a la diferencia entre:
Una media muestra y una media poblacin; utilizando la distribucin (z)
El uso de la distribucin normal z se busca en las mismas condiciones que en el caso de una
muestra excepto que ahora se tienen dos muestras independientes. La formula general para

determinar el valor de z para probar la diferencia entre dos medidas, dependiendo de s se

conocen los valores para las dos poblaciones, es:

Donde puede procederse a probar cualquier diferencia supuesta (1 - 2)0. Sin embargo la
hiptesis nula que generalmente se prueba consiste en que las dos muestras se obtienen de
poblaciones con medias iguales. En este caso (1 - 2)0 = 0, y las formulas anteriores se
vuelven ms simples:
Una media Muestral y una Media Poblacional.
Una distribucin poblacional representa la distribucin de valores de una poblacin y una
distribucin muestral representa la distribucin de los valores de una muestra. En contraste
con las distribuciones de mediciones individuales, una distribucin muestral es una
distribucin de probabilidad que se aplica a los valores posibles de una estadstica muestral.
As, la distribucin muestral de la media es la distribucin de probabilidad de los valores
posibles de la media muestral con base en un determinado tamao de muestra.
Para cualquier tamao de muestra dado n, tomado de una poblacin con media , los valores
de la media muestral varan de una muestra a otra. Esta variabilidad sirve de base para la
distribucin muestral. La distribucin muestral de la media se describe determinando el valor
esperado E () o media, de la distribucin y la desviacin estndar de la distribucin de las
medias, . Como esta desviacin estndar indica la precisin de la media muestral como
estimador puntual, por lo general se le denomina error estndar de la media. En general, se
define el valor esperado de la media y el error estndar de la media de la siguiente manera:
E
Ejemplo: Suponga que la media de una poblacin muy grande es = 50.0 y que la desviacin
estndar es = 12.0. Se determina la poblacin muestral de las medias para una muestra de
tamao n = 36, en trminos del valor esperado y del error estndar de la distribucin de la
siguiente manera.
E
Cuando se muestra a partir de una poblacin finita, se debe incluir un factor de correccin por
poblacin finita en la frmula para el error estndar de la media. Como regla general, la
correccin es despreciable y puede omitirse cuando n < 0.05 N, es decir, cuando el tamao de
la muestra es menos del 5% del tamao de la poblacin. Muchos textos y programas de
computacin no incluyen esta correccin porque suponen que la poblacin siempre es muy
grande, o quiz de tamao infinito. La frmula para el error estndar de le media, incluyendo
el factor de correccin por la poblacin finita, es:
Si no se conoce la desviacin estndar de la poblacin, puede estimarse el error estndar de
la media utilizando la desviacin estndar muestral como estimador de la desviacin estndar
de la poblacin. Para diferenciar este error estndar del que se basa en una o conocida, se le
designa mediante el smbolo S (o mediante en algunos textos). La frmula del error estndar
estimado de la media es:

La frmula del error estndar estimado de la media, incluyendo el factor de correccin por
poblacin finita es:
Proposiciones Utilizando la definicin Chi - Cuadrado (X2).
Una media de la discrepancia existente entre las frecuentes observadas y esperadas viene
proporcionada por el estadstico X2 dado por:
Donde si la frecuencia total es N,
Una expresin equivalente a la formula (1) :
Si X2 = 0 Las frecuencias observadas y tericas coinciden completamente, mientras que si
X2 > 0, no coinciden exactamente a valores ms grandes de X2, mayor discrepancia entre las
frecuencias observadas y esperadas.
La distribucin muestral de X2 se aproxima muy bien por la distribucin Chi - Cuadrada.
Distribucin Chi - Cuadrado para la Bondad de Ajustes:
El Test Chi - Cuadrado puede utilizarse para determinar la calidad del ajuste mediante
distribuciones tericas (como la distribucin normal o la binomial) de distribucin empricas (o
sea las obtenidas de los datos de la muestra).
Distribucin Chi - Cuadrado y Tablas de Contingencia.
Suceso

E1

E2

E3

...

Ek

Frecuencia
Observada

01

02

03

...

0k

Frecuencia Esperada e1

e2

e3

...

ek

En esta tabla las frecuencias observadas ocupan una sola fila y la llamamos tabla de
calcificacin de entrada nica como el nmero de columnas es K tambin se llama una tablas
1 x K (Leido 1<<1 por k>>).
Extendiendo estas ideas, podemos llegar a tablas de doble entrada tablas h x k, en las que
las frecuencias observadas ocupan h filas y k columnas tales tablas se suelen llamar tablas de
contingencia.
Correspondiendo a cada frecuencia observada en una tabla de contingencia h x k, hay una
frecuencia esperada o terica que se calcula sujeta a ciertas hiptesis de acuerdo con las
leyes de las probabilidades. Estas frecuencias que ocupan las celdas de una tabla de
contingencia, se llaman frecuencias de celdas. La frecuencia total de cada fila o en cada
columna se llama frecuencia marginal.
Para investigar el acuerdo entre las frecuencias observadas y las frecuencias esperadas,
calculamos el estadstico.
Donde la suma de toma sobre todas las celdas de una tabla de contingencia y donde los
smbolos Oj y ej representan respectivamente las frecuencias observadas y esperada de la j sima celda.

La suma de todas las frecuencias observadas se denota por N y es igual a la suma de todas
las frecuencias observadas se denota por N y es igual a la suma de todas las frecuencias
esperadas.
Como antes el estadstico (5) tiene una distincin muestral dada muy aproximadamente por
(4), supuesto que las frecuencias esperadas no sean demasiado pequeas. El nmero de
grado de libertad, v de esta distribucin chi - cuadrado viene dado por h > 1 y k >1 por:
1.- v = (h - 1) (k - 1) si las frecuencias esperadas se pueden calcular sin recurrir a
estimaciones mustrales de los parmetros de la poblacin.
2.- v = (h -1) (k - 1) - m. Si las frecuencias esperadas solo se pueden calcular mediante
estimacin de m parmetros de la poblacin a partir de estadsticas de la muestra.
Los contrastes de significacin para las tablas h x k son similares a los de las tablas 1 x k. Las
frecuencias esperadas se hallan sujetas a una hiptesis particular h0.
Las tablas de contingencia se pueden generalizar a ms dimensiones. As, por ejemplo,
podemos tener tablas h x k x 1, donde estn presentes tres clasificaciones.
Muestras.
Es un subconjunto de la poblacin que contiene las mediciones obtenidas mediante un
experimento.
Dos varianzas Utilizando la razn de varianzas (f de fisher).
Como hemos visto es importante conocer la distribucin de muestreo de la diferencia en
medias de dos muestras. De la misma manera, podemos necesitar la distribucin de muestreo
de la diferencia en varianzas (s21 - s22). Resulta sin embargo, que esta distribucin es
complicada, por lo que en lugar de eso, consideramos el estadstico s21 / s22, ya que en un
cociente grande o pequeo indicar una gran diferencia, mientras un cociente cercano a 1
indica una pequea diferencia. Su distribucin de muestra se llama distribucin f, en honor a
R. A. Fisher.
Mas correctamente, sean dos muestras 1 y 2 de tamaos N1 Y N2, respectivamente, tomadas
de dos poblaciones normales (o casi) con varianzas 21 y 22, Definamos el estadstico.
Donde
Entonces la distribucin de muestreo de F se llama distribucin de F de Fisher o en breve,
distribucin F, con v1 = N1 - 1 y v2 = N2 - 1 grados de libertad. Esta distribucin viene dada
por:
Donde C es una constante que depende de v1 y v2 tal que el rea total bajo la curva es 1.
La forma de esta curva puede variar considerablemente segn los valores de v1 y v2.
Puede probarse que la distribucin F es el modelo de probabilidad por el cociente de las
varianzas de muestras tomadas en forma independiente de la misma poblacin con
distribucin normal y que existe una distribucin F diferente para cada combinacin de grados
de libertad (g1) correspondiente al numero de muestra. Para todas las muestras, g1 = n - 1
por ello, la estadstica que se utiliza para probar la hiptesis nula con respecto a la diferencia
entre dos varianzas es:

F=
Aun cuando esta hiptesis nula sea cierta, no es probable que las varianzas muestras de
cualquier par de muestras sean idnticas.
Para datos Apareados y no Apareados.
-. Distribucin T Student.
Definamos el estadstico:
Que es anlogo al estadstico Z dado por:
Si consideramos muestras de tamao N tomadas de una poblacin normal (o casi normal) con
media y si para cada una calculamos t, usando la media muestral x y la desviacin tpica
muestral S ^s, puede obtenerse la distribucin de muestreo para t.
Esta distribucin viene dada por:
Donde yo es una constante que depende de N tal que al rea total bajo la curva es 1, y donde
la constante V = (n - 1) se llama el nmero de grados de libertad (v es la letra griega nu).
La distribucin (2) se llama distribucin t de Student en honor de su descubridor, W.S Gosset;
para grandes valores de v o de N (ciertamente N" 30), las curvas (2) se ajustan mucho a las
curva normal cannica.
Muestras Grandes y Muestras Pequeas.
Para muestras de tamao N > 30, llamadas grandes muestras, las distribuciones de muestreo
de muchos estadsticos son aproximadamente normales, siendo la aproximacin tanto mejor
cuanto mayor sea N.
Para muestra de tamao menor que 30, llamadas pequeas muestras, esa aproximacin no
es buena y empeora al decrecer N, de modo que son precisas ciertas modificaciones.
El estudio de la distribucin de muestreo de estadsticos para pequeas muestras se llama
teora de pequeas muestras, sin embargo un nombre ms apropiado seria teora exacta del
muestreo, pues sus resultados son validos tanto para pequeas muestras como para grandes.
Para datos Apareados y no Apareados.
En muchas situaciones las muestras se extraen como pares de valores, tal como cuando se
determina el nivel de productividad de los trabajadores, antes y despus de un programa de
capacitacin. A esta clase de datos se les denomina observaciones apareadas a pares
asociados. Tambin a diferencia de las muestras independientes a dos muestras que
contienen observaciones apareadas se les denomina dependientes.
El mtodo apropiado para probar la diferencia entre observaciones apareadas consiste en
determinar la diferencia d entre cada par de valores y despus probar la hiptesis nula de
que la diferencia poblacional promedio es 0. por ello desde el punto de vista de los clculos,
se aplica una prueba a una muestra de valores d.
La diferencia promedio para el conjunto de observaciones apareadas es:
La frmula de desviacin y la abreviada para la distribucin estndar y las diferencias entre
datos apareados son:

El error estndar del promedio de las diferencias entre datos apareados se obtiene mediante
la frmula del error estndar de la media, excepto que se sustituye el por x:
Como el error estndar del promedio de las diferencias se calcula con base a datos
apareados y como por lo general, se supone que los valores d tienen una distribucin
normal, la distribucin t resulta apropiada para probar la hiptesis nula de que d = 0.
Una proporcin Muestral y una Poblacional:
Muestras Grandes
Distribucin Normal (z).
Puede utilizarse la distribucin normal como aproximacin de la binomial cuando n " 30 y,
tanto np " 5 como n (q) " 5, donde q = 1 - p. Sin embargo en el caso de intervalos de confianza
se requiere un tamao de muestra n =100.
En pruebas de hiptesis, el valor del error estndar de la poblacin que se utiliza se basa en
el valor hipottico 0.
La formula del error estndar de la proporcin que incluye el factor de correccin por
poblacin finita es:
La formula para la distribucin normal z sera:
Para determinar el tamao de la muestra que se requiere para probar el valor de una
proporcin (antes de extraerla) especificando el valor hipottico de la proporcin, un valor
alternativo especifico de la proporcin, de manera que la diferencia con respecto al valor
hipottico - nulo resulte considerable; el nivel de significacin que debe utilizar en la prueba, y
la probabilidad del error tipo II que se permite. La frmula que determinar el tamao mnimo
de las muestras que se requieren para probar dicho valor de la proporcin es:
Donde z0 es el valor critico de z que se utiliza con el nivel especificado de significanca (nivel )
en tanto que z1.
Es el valor que corresponde a la probabilidad designada del error tipo II (nivel ).
Cuando se determina el tamao de la muestra para probar la media, z0 y z1 siempre tienen
signos algebraicos opuestos.
Ejercicios de Aplicacin:
Para una Media Muestral y una Poblacional:
La vida til promedio de una muestra aleatoria de n1 = 10 focos es x1 = 4.600 horas con s1 =
250 horas para otra marca de focos, la vida til promedio y la desviacin estndar para una
muestra de n2 = 8 focos son x2 = 4.000 horas y s2 = 200 horas. Se asume que la vida til de
los focos de ambas marcas tiene una distribucin normal. El intervalo de confianza de 90%
para estimar la diferencia entre las vidas tiles de las dos marcas de focos es:
Utilizando la Distribucin Z:
El salario promedio mensual para una muestra de n1 = 30 empleados de una empresa
manufacturera grande es x1 = $ 280,000, con desviacin estndar muestral de s1 = $ 14,000
en otra Empresa grande, una muestra aleatoria de n2 = 40 empleados, tiene un salario

promedio de x2 = $ 270,000 con la desviacin estndar muestral de s2 = $ 10.000 no se

supone que las desviaciones estndar de las dos poblaciones sean iguales. Se prueba la
hiptesis de que no existe diferencia entre los salarios promedio mensuales de las dos
empresas, utilizando un nivel de significacin de 5% de la siguiente manera:
Errores Tipo I y Tipo II.
Ejemplo 1.- La hiptesis nula que se va a probar es que la media de todas las cuentas por
cobrar es cuando menos $260.000, y esta prueba se llevar a cabo con un nivel de
significancia del 5%. Adems, el auditor seala que considerara que una media real de
$240.000 (o menos) constituye una diferencia material importante.
Con respecto al valor hipottico de la media. Al igual que antes, = $43.000, y el tamao de la
muestra es n = 36 cuentas. Para determinar la probabilidad del error tipo II, se requiere:
1.- Plantear las hiptesis nula y alternativa para esta prueba.
2.- Determinar el valor critico de la media muestral que debe utilizarse para probar la hiptesis
nula con un nivel de significancia del 5%,
3.- Identificar la probabilidad del error tipo I; correspondiente al valor crtico que se calculo
antes, como base para la regla de decisin.
4.- Identificar la probabilidad del error tipo II correspondiente a la regla de decisin, dada una
media alternativa especifica de $240.000.
La solucin completa es:
1.2.3.- La probabilidad del error tipo I es igual a 0.05 (el nivel de significancia que se utiliza para
probar la hiptesis nula).
4.- la probabilidad del error tipo II es la probabilidad de que la media de la muestra aleatoria
sea igual o superior a $248,210, dado que la media de todas las cuentas es en realidad
$240.000.
En la figura 10 - 4 se ilustra el mtodo que se sigui en el ejemplo 5. En general, el valor
crtico de la media que se determina con respecto a la hiptesis nula se reduce y se utiliza
como valor critico con respecto a la hiptesis alternativa especifica. En el problema 10.13 se
ilustra la forma de determinar la probabilidad del error tipo II para una prueba de dos
extremos.
Ejemplo 2.- Puede verificarse la probabilidad del error tipo II que se determin en el ejemplo 5,
haciendo referencia a la figura 10 - 5, de la siguiente manera:
Tal como se determin en el ejemplo 5, 0 = $ 260.000, 1 = $240.00 y x = 7166,67. Por lo tanto,
la diferencia entre los dos valores designados de la media en unidades del error estndar es
Con referencia a la figura 10 - 5, la altura de la curva en el valor de 0 - 2.8 x sobre el eje
horizontal est justamente sobre el 0.10, tal como se muestra en las lneas punteadas. El
valor real calculado en el ejemplo 5 en 0.13.

Al realizar pruebas de hiptesis, el concepto de potencia se refiere a la probabilidad de

rechazar una hiptesis nula dado un valor alternativo especifico para el parmetro (en los
ejemplos que se han revisado, es la media de la poblacin). Cuando se designa mediante la
probabilidad del error tipo II, se sigue que la potencia de una prueba es 1 - . Con referencia a
la figura 10 - 5, puede observarse que la potencia para valores alternativos de la media es la
diferencia entre el valor sealado por la curva C0 y 1.0 y , por ello, puede obtenerse una curva
de potencia mediante Substraccin utilizando la curva C0.
Ejemplo 3.- Puede determinarse la potencia de la prueba con el valor alternativo especifico de
la media de $ 240.000, de la siguiente manera:
Como = p (error tipo II) = 0.13 (del ejemplo 5),
Potencia = 1 - = 1.00 - 013 = 0.87
(Nota: Esta es la probabilidad de rechazar la hiptesis, en la forma correcta, cuando = $
240.000).
Ejemplo 4.- Un auditor desea probar la hiptesis nula de que el valor promedio de todas las
cuentas por cobrar es de cuando menos $260.000. Considera que la diferencia entre este
valor hipottico y un valor especifico alternativo de $ 240.000 (o menos) sera considerable.
Los niveles aceptables de los errores tipo I () tipo II () son 0.05 y 0.10, respectivamente. se
sabe que la desviacin estndar de los montos de las cuentas por cobrar es de = $43.000. El
tamao de la muestra que debe extraerse, como mnimo, para llevar a cabo esta prueba es
(Nota: Como z0 y z1 siempre tienen signos algebraicos contrarios, se tiene los dos valores
zeta siempre se acumulan en el numerador. Si el valor acumulado es negativo, el proceso de
elevar al cuadrado da como resultado valores positivos).
Ejemplo 5.- Suponga que el auditor del ejemplo anterior esta preocupado por una
discrepancia en cualquier direccin con respecto al valor nulo hipottico de $26.000 en
cualquier direccin sera importante. Considerando la otra informacin y las especificaciones
del ejemplo 8, el tamao mnimo de la muestra que debe analizarse es.
(Nota como las desviaciones con respecto a valor hipottico slo pueden darse en una
direccin, se utilizan el valor de +1.96 o -1.96 como valor de z0, con el correspondiente valor
de z1. Al igual que en el ejemplo 8, los dos valores de z se acumulan siempre antes de
elevarlos al cuadrado.)
Distribucin Student:
Prueba De un valor Hipottico de la media utilizando la distribucin de Student
Se ha planteado la hiptesis nula de que la vida til promedio de los focos de una marca
especifica es cuando menos de 4.200 horas. La vida til promedio para una vida aleatoria de
n = 10 focos es x = 4000 horas, con desviacin estndar muestral de s = 200 horas. En
trminos generales, se supone que la vida til de los focos tiene una distribucin normal. Se
prueba la hiptesis nula con un nivel de significancia del 5%, de la siguiente manera:
Como -3.16 se encuentra en la regin de rechazo del extremo izquierdo (a la izquierda del
valor crtico -1.833), la hiptesis nula se rechaza y se acepta la alternativa de que la vida til
promedio es inferior a 4.200 horas.

Una Proporcin de la Poblacin Utilizando La Distribucin Normal ( Z )

Ejemplo 6.- El director de la bolsa de trabajo afirmaba que cuando menos, el 50% de los
egresados habra obtenido empleo hacia el primero de Marzo. Suponga que se entrevista a
una muestra de n = 30 egresados, en vez de los 10 del ejemplo 5, y que slo 10 de ellos
sealan haber obtenido empleo hacia el primero de Marzo. puede rechazarse la afirmacin
del director con un nivel de significancia del 5%?. Se utiliza z como estadstica de prueba, de
la siguiente manera:
Estadstica Aplicada.
Se justifica el uso de la distribucin normal porque
Se supone que la muestra es menos del 5% del tamao de la poblacin, y por ello no se
utiliza el factor de correccin por poblacin finita.)
El valor calculado de z de -1.88 es menor que el valor crtico de -1.645 para esta prueba del
extremo inferior por eso se rechaza la afirmacin del director en un nivel de significancia del
5%.
Proporcin Muestral.
Ejemplo 7.- Un legislador desea probar la hiptesis de que, cuando menos, 60% de sus
representados estn a cierta legislacin laboral que se est presentado en el congreso,
utilizando el 5% como nivel de significancia con que una discrepancia importante con respecto
a su hiptesis consistira en que slo el 50% (o menos) de las personas estuvieran a favor de
la legislacin, y esta dispuesto a aceptar un riesgo del error del tipo II de = 0.05. El tamao de
la muestra que debe extraer, como mnimo, para satisfacer esas especificaciones es:
Ejemplo 8.- Una muestra de 50 hogares de cierta comunidad arroja que solo 10 de ellos se
encuentran viendo un programa especial de televisin. En una segunda comunidad, 15
hogares de una muestra aleatoria de 50 se encuentran observando el programa especial. Se
prueba la hiptesis de que la proporcin global de televidentes en las dos comunidades no
difieren, utilizando el nivel de significancia del 1%, de la siguiente manera:
Pruebas Para La Diferencia Entre Dos Medias Utilizando La Distribucin Normal.
Un constructor est considerando dos lugares alternativos para un centro comercial regional.
Como los ingresos de los hogares de la comunidad son una consideracin importante en esa
seleccin, desea probar la hiptesis nula de que no existe diferencia entre el ingreso promedio
por hogar en las dos comunidades. Consistente con esta hiptesis supone que la desviacin
estndar del ingreso por hogar es tambin igual en las dos comunidades. Para una muestra
de n = 30 hogares de la primera comunidad, encuentra que el ingreso diario promedio es x =
$35.500, con desviacin estndar muestral de s1 = $1.800. Para una muestra de n2 = 40
hogares de la segunda comunidad, x2 = $34.600 s2 = $2.400. Probar la hiptesis nula en el
nivel de significancia del 5%.
(Se combina las varianzas debido a la suposicin de que los valores de las desviaciones
estndar de las poblaciones son iguales).
Otras Pruebas De Hiptesis.

El valor calculado de z de +1.72 se encuentra en la regin de aceptacin de la hiptesis nula.

Por ello, no es posible rechazar la hiptesis nula al nivel de significancia del 5%, y se acepta
la hiptesis de que el ingreso promedio por hogar de las dos comunidades no es diferente.
Con referencia al problema 11.1, antes de recolectar los datos, el constructor considero que el
ingreso de la primera comunidad pudiera ser superior. Con el objeto de someter esta
evaluacin a una prueba critica, le otorgo el beneficio de la duda a la otra posibilidad y planteo
la hiptesis nula H0 : (1 -2)" 0. Prueba esta hiptesis con un nivel de significancia del 5%, con
la suposicin adicional de que los valores de la desviacin estndar para las dos poblaciones
no son necesariamente iguales.
El valor calculado z de +1.79 es mayor que el valor critico de +1.645 para esta prueba del
extremo superior. Por ello, se rechaza la hiptesis nula a un nivel de significancia del 5%, y se
acepta la hiptesis alternativa de que el ingreso promedio por hogar es mayor en la primera
comunidad que en la segunda.
Con respecto a los problemas 11.1 y 11.2, antes de recolectar los datos, el constructor
considero que el ingreso promedio de la primera comunidad excede al promedio de la
segunda comunidad en cuando menos $1.500 diarios. En este caso, concediendo a esta
evaluacin el beneficio de la duda, pruebe esa suposicin como hiptesis nula utilizando un
nivel de significancia del 5%. No se supone que las desviaciones estndar de las poblaciones
son iguales.
La prueba de ji -cuadrada como Procedimiento para Prueba de Hiptesis
Los procedimientos que se describen en este capitulo, implican la comparacin de
frecuencias mustrales clasificadas en categoras definidas de datos, teniendo en
todos los casos el patrn esperado de frecuencia que se basan en una hiptesis nula
especifica. Por ello, los procedimientos son todos de prueba de hiptesis y en los
anlisis se utilizan datos de muestras aleatorias.
La distribucin de probabilidad x2 (ji-cuadrada) se describe en las secciones 9.6 y 11.8.
La estadstica de prueba que se presenta en la seccin siguiente se distribuye como el
modelo de probabilidad de ji-cuadrada y, como se trata de pruebas de hiptesis, se
aplican tambin en este capitulo las etapas bsicas que se describieron en la seccin
10.1.
En este capitulo se cubre el uso de la distribucin ji-cuadrada para pruebas de bondad
del ajuste, pruebas de la independencia de dos variables y pruebas para hiptesis
sobre proporciones. Una de las pruebas de proporciones consiste en probar las
diferencias entre varias proporciones, lo cual es una extensin de la prueba para la
diferencia de dos proporciones que se describi en la seccin 11.7.
Pruebas de Bondad del Ajuste
La hiptesis nula en una prueba de bondad del ajuste en una afirmacin sobre el patrn
esperado de las frecuencias en un conjunto de categoras. El patrn esperado puede
ajustarse a su suposicin de igualdad de probabilidades y puede, por ello, ser
uniforme. O por otro lado, el patrn esperado puede ajustarse a distribuciones de
probabilidad como la binomial, la Poisson y la normal.

Ejemplo 1.- Un distribuidor regional de sistemas de aire acondicionado a subdividido su

regln en cuatro territorios. A un posible comprador de una distribuidora se le dice que
las instalaciones de equipo se distribuyen de manera aproximadamente igual en los
cuatro territorios. El prospecto de comprador toma una muestra aleatoria de 40
instalaciones colocadas el ao anterior de los archivos de la compaa, y encuentra que
el numero de las instalaciones en cada uno de los cuatro territorios son los que se
enlistan en el primer regln de la tabla 12.1, (en donde o significa frecuencia
observada) con base en la hiptesis de que las instalaciones estn distribuidas en
forma equitativa, en el segundo regln de la tabla 12.1 se presenta la distribucin
uniforme esperada de las instalaciones (en donde fe significa frecuencia esperada).
Tabla 12.1 Nmero de Instalaciones de Sistema de Aire por Territorio
Territorio
A B C Total D
Nmero Instalado en la
Muestra f0
Nmero Esperado de
Instalaciones, fe

1
2

1
4

40

10

1
0

1
0

1
0

40

Para aceptar la hiptesis nula, debe ser posible atribuir las diferencias entre las frecuencias
observadas y la esperada a la variabilidad del muestreo y al nivel especificado de
significancia. As la estadstica de prueba ji-cuadrada se basa en la magnitud de esta
diferencia para cada una de las categoras de la distribucin de frecuencia. El valor de jicuadrada que se utiliza para probar la diferencia entre un patrn de frecuencia observado y
otro esperado es:
Se observa que, si las frecuencias observadas son muy cercanas a las frecuencias
esperadas, entonces el valor calculado de la ji-cuadrada estar cercano a 0. Conforme las
frecuencias observadas se alejan de las frecuencias esperadas el valor de ji-cuadrada se
vuelve mayor. Por ello, se concluye que las pruebas de ji-cuadrada implican el uso de
solamente el extremo superior, con el objeto de determinar si un patrn observado de
frecuencias es diferente de un patrn esperado.
Ejemplo 2.- El clculo de la estadstica de prueba ji-cuadrada para el patrn de frecuencias
observadas y esperadas de la tabla 12.1 es:
El valor que se requiere de la estadstica de prueba ji - cuadrada para rechazar la hiptesis
nula depende del nivel de significancia que se especifique y de los grados de libertad. En
pruebas de bondad del ajuste, los grados de libertad gl son iguales al nmero de categoras
menos el nmero de estimadores de parmetros y menos 1. Los grados de libertad par una
prueba e bondad del ajuste con ji . cuadrada son (en donde k = a nmero de categoras de
datos y m = nmeros de parmetros estimados con base en la muestra):
gl = k - m - 1

Ejemplo 3.- En seguida se presenta un ejemplo completo del procedimiento de prueba de

hiptesis para los datos de la tabla 12.1, probando la hiptesis nula a un nivel de significancia
del 5% .
H0: El nmero de instalaciones estn distribuidas de manera uniforme en los cuatro territorios.
H1: El nmero de instalaciones no esta distribuida de manera uniforme en los cuatro
territorios.
gl = k - m - 1 = 4-0-1 = 3
x2 Crtica (gl = 3, = 0.05) = 7.81 (del apndice 7).
x2 Calculada = 4.00 (del ejemplo 2).
Cmo el valor calculado de ji - cuadrada de 4.00 no es mayor que el valor crtico de 7.81 no
puede rechazarse la hiptesis nula de que las instalaciones estn distribuidas de forma
equitativas entre los cuatro territorios, a un nivel de significancia del 5%.
Pruebas de Bondad de Ajuste
Alguien afirma que los clientes de una tienda de pantalones vaqueros son hombres y mujeres,
en proporciones iguales. Se observa una muestra aleatoria de 40 clientes y 25 resultan ser
hombres y 15 mujeres. Pruebe la hiptesis nula de que el nmero global de hombres y
mujeres que son clientes en esa tienda es igual, aplicando la prueba de ji - cuadrada, y
utilizando el nivel de significancia del 5%.
Tabla 12.10. Frecuencias Observadas y Esperadas para el Problema 12.1.
Clientes
Hombres

Mujeres

Total

Nmero en la Muestra
(f0)

25

15

40

Nmero esperado (fe)

20

20

40

De la tabla 12.10
H0: El nmero de clientes hombres y mujeres es igual.
H1: El nmero de clientes hombres y mujeres no es igual.
gl = k -m-1 = 2-0-1 =1
x2 Crtica (gl = 1, = 0.05) = 3.84
La estadstica de prueba calculada, 2.50 no es mayor que el valor crtico de 3.84. Por lo tanto,
no es posible rechazar la hiptesis nula a un nivel de significancia de un 5%.
Ejemplo 4.- Durante mucho tiempo, un fabricante de aparatos de televisin a tenido 40% de
sus ventas en aparatos de pantallas pequeas (de menos de 1 pulgadas), 40% de tamao
mediano (de 14 a 19 pulgadas) y el 20% en la categora de pantalla grande (de 21 pulgadas y

ms). Para fijar los programas adecuados de produccin para el mes siguiente, se torna una
muestra aleatoria de 100 ventas durante el periodo y se encuentra que 55 de los aparatos
eran pequeos, 35 medianos y 10 grandes. En seguida, se prueba la hiptesis nula de que el
patrn histrico de ventas sigue siendo igual, utilizando el nivel de significancia de 1%.
H0 : Los porcentajes de compras de aparatos de televisin de pantalla pequea, mediana y
grande son 40%, 40% y 20% respectivamente.
H1: el patrn actual de ventas de televisores es diferente del patrn histrico planteado en H0.
gl 0 k - m - 1 = 3-0-1 = 2
X2 Crtica (gl = 2, = 0.01) = 9.21
La X2 calculada (en la tabla 12.2 se encuentran las frecuencias observadas y esperadas) es:
La estadstica ji - cuadrada calculada de 11.25 es mayor que el valor crtico de 9.21. Por ello,
se rechaza la hiptesis nula a un nivel de significancia de 1%. Comparando la frecuencias
observadas y esperadas de la tabla 12.2, se encuentra que el cambio principal consiste en
que se venden ms aparatos pequeos y menos grandes, con ciertas reduccin en las ventas
de los aparatos de tamao mediano.
Tabla 12.2 Compras Observadas y esperadas de aparatos de televisin, de acuerdo con
el tamao de la pantalla.
Tamao de la Pantalla

Pequea

Mediana

Total

Frecuencia
Observada, f0

55

35

10

100

Patrn Histrico, fe

40

40

20

100

Gran
de

Tablas de Contingencia.
Ejemplo 5.- La tabla 12.3 es una reproduccin de la seccin 5.8 y es un ejemplo del formato
ms simple posible de una tabla de contingencia, ya que las dos variables (Sexo y Edad) tiene
solo dos niveles de clasificacin, o categoras. Por ello, se trata de una tabla de contingencia
de 2 x2.
Tabla 12.3 Tabla de contingencia para los clientes de la tienda de aparatos de sonidos.
Sexo

Edad
Menor de 30

Hombre
60

50

Muj
er

Total
110

30 y ms
Total

80

10

90

140

60

200

Si se rechaza la hiptesis nula de independencia para datos clasificados como los de la Tabla
12.3, es seal de que las dos variables son dependientes y que existen una relacin entre
ellas. Por ejemplo, para la tabla 12.3, esto indicara que existe una relacin entre la edad y el
sexo para los clientes de la tienda de aparatos de sonido.
Dada la hiptesis de independencia las dos variables, la frecuencia esperada correspondiente
a cada una de las celdas de la tabla de contingencia debe ser proporcional al total de
frecuencias observadas de columnas y de regln. Si fr es la frecuencia total de un regln
determinado fx es la frecuencia total de una columna determinada, entonces una formula
conveniente para determinar la frecuencia esperada para la celda de la tabla de contingencia
que se encuentra en ese rengln y columna es:
La formula general para los grados de libertad correspondiente a una prueba de
independencia es:
gl = (r - 1) (k - 1).
Ejemplo 6.- En la tabla 12.4 se presentan las frecuencias esperadas para los datos de la tabla
12.3. Por ejemplo para la celda de rengln 1 y columna 1, el calculo de la frecuencia esperada
es:
En este caso, las tres frecuencias esperadas restantes pueden obtenerse mediante
substraccin de los totales de rengln y de columnas, como alternativas al uso de las formulas
(12.3). Esta es una indicacin directa de que existe un grado de libertad para una tabla de
contingencia de 2x2 y que solo la frecuencia de una celad tiene libertad para variar.
Tabla 12.4 Tabla de frecuencia esperadas para las frecuencias observadas que se
reportan en la tabla 12.3.
Sexo

Edad

Hombres

Muj
er

Total

Menor de 30

77

33

110

30 y ms

63

27

90

140

60

200

Total

La estadsticas de pruebas y cuadradas para tablas de contingencia se calcula exactamente

de la misma manera que para las pruebas de bondad del ajuste (seccin 12.2).
Ejemplo 7.- Enseguida se realiza la prueba de la hiptesis nula de independencia para los
datos de la tabla 12.3, utilizando un nivel de significancia del 1%.

H0: El sexo y la edad de los clientes de la tienda es independiente.

H1: El sexo y la edad son variables dependientes (existe una relacin entre las variables sexo
y edad).
La estadstica de prueba calculada de 27.8 excede el valor crtico de 6.63. Por ello, se
rechaza la hiptesis nula de independencia a un nivel de significancia del 1%. Con referencia
a la tabla 12.3, se observa que es ms probable que los clientes de sexo masculino tengan
ms de 30 aos de edad, al tiempo que es ms probable que las mujeres tengan menos de 30
aos. El resultado de la prueba de ji - cuadrada arroja que no puede pensarse que esa
relacin observada en la muestra se debe al azar, a un nivel de significancia de 1%.
Ejemplo 8.- El gerente de un apartamento de personal estima que una proporcin de = 0.40
de los empleados de una empresa grande participara en un nuevo programa de inversin en
acciones. Se entrevista a una muestra aleatoria de n = 50 empleados y 10 de ellos
manifiestan su intencin de participar. Se podra probar el valor hipottico de la proporcin
poblacional utilizando la distribucin normal de probabilidad tal como se describe en la seccin
11.5. En seguida, se ilustra el uso de la prueba de ji - cuadrada para lograr ese mismo objetivo
utilizando un nivel de significancia de 5%.
H0 : = 0.40 H1 " 0.40
gl = k - m - 1 = 2-0-1 = 1
(Existen 2 categoras de frecuencias observadas, tal como se muestra en la tabla 12.5).
X2 Crtica (gl = 1 = 0.05) = 3.84
La x2 calculada (en la tabla 12.5 se muestran las frecuencias observadas y las esperadas) es:
Tabla 12.5 frecuencia observadas y esperadas para el ejemplo 8.
Participacin en los programas
Si

No

Total

Nmero Observado en la muestra,

f0

10

40

50

Nmero esperado en la muestra fe

20

30

50

La estadstica de prueba calculada de 8.33 excede el valor crtico de 3.84. Por ello se rechaza
la hiptesis nula a un nivel de significancia de 5% y se concluye que la proporcin de
participantes en el programa en toda la empresa no es de 0.40.
Ejemplo 9.- Suponga que se muestren los hogares de cuatro comunidades y se investiga el
nmero en los que se estaba viendo el programa especial de televisin. En la tabla 12.8 se
presentan los datos mustrales observados, y en la tabla 12.9 se presentan las frecuencias
esperadas, calculadas con la frmula (12.3). Enseguida se realiza la prueba de la hiptesis
nula de que no existen diferencias entre las proposiciones poblacionales.
H0 : 1 = 2 = 3 = 4 H0 : No todas 1 = 2 = 3 = 4

(Nota: El rechazo de la hiptesis nula no indica que todas las igualdades son falsas si no que
cuando menos una es falsa).
Tabla 12.8 audiencia del programa de televisin en cuatro comunidades.
Comunidades

Total

Nmero de
Televidentes

10

15

18

48

Nmero de no
Televidentes

40

35

45

32

152

Total

50

50

50

50

200

Tabla 12.9 Frecuencias esperadas para los datos de la tabla 12.8.

Comunidades

Total

Nmero de
Televidentes

12.0

12.0

12.0

12.0

48

Nmero de no
Televidentes

38.0

38.0

38.0

38.0

152

50

50

50

50

200

Total

El valor calculado de la estadstica ji - cuadrada 10.75,no es mayor que el valor crtico de

11.35.Por ello, las diferencias en las proporciones de televidentes en las cuatro comunidades
muestreadas no son lo suficientemente grande par rechazar la hiptesis nula a un nivel de
significancia del 5%.
Pruebas de Bondad del ajuste.
Alguien afirma que los clientes de una tienda de pantalones vaqueros son hombres y mujeres
en proporciones iguales. Se observa una muestra aleatoria de 40 clientes y 25 resultan ser
hombres y 15 mujeres. Pruebe la hiptesis nula de que el nmero global de hombres y
mujeres que son clientes en esa tienda es igual aplicando la prueba de ji - cuadrada y
utilizando el nivel de significancia del 5%.
Tabla 12.10 Frecuencias observadas y esperadas para el problema 12.1.
Clientes

Total

Mujer
es

Hombres
Nmero en la
Muestra (f0)

25

15

40

Nmero
Esperado (fe)

20

20

40

De la tabla 12.10.
H0 : El nmero de clientes hombres y mujeres el igual.
H1: El nmero de clientes hombres y mujeres no es igual.
gl = k - m - 1 = 2 - 0 - 1 = 1
X2 crtica (gl = 1, = 0.05) = 3.84
La estadstica de prueba calculada, 2.50, no es mayor que el valor crtico de 3.84. Por lo tanto,
no es posible rechazar la hiptesis nula a un nivel de significancia del 5%.

F
Y
F F 0.99
0.95