Probabilidad y Estadística

Pruebas de hipótesis

1− 1

PRUEBAS DE HIPÓTESIS CON MUESTRAS GRANDES INTRODUCCIÓN. Recordemos que el objetivo de la estadística inferencial es conocer características de la población a partir de la información contenida en una muestra. En particular, se hacen inferencias acerca de los parámetros poblacionales desconocidos, basadas en la información contenida en una muestra. En Estadística Inferencial hay dos formas de realizar inferencias acerca de un parámetro poblacional: podemos estimar su valor que es lo que vimos la clase pasada, o bien, probar (o comprobar) una hipótesis acerca de su valor, que es lo que vamos ver esta clase. En la clase pasada vimos dos tipos de estimaciones: Puntual: En este caso para estimar el valor de un parámetro poblacional θ, usamos un estimador puntual  insesgado θ θ →θ

y podemos calcular la probabilidad de que P(|θ −θ | < c) que es una medida del error que cometemos al usar  θ para estimar θ. Por intervalo: En este caso para estimar el valor de un parámetro poblacional θ, usamos un estimador puntual  insesgado, como θ para determinar un intervalo donde σ θ es la desviación estándar de la distribución muestral de θ . [ θ − σ θ , θ + c σ θ] c

En particular, si zα/2 es tal que P(zα/2 < z ) = α/2, o equivalentemente, P(0 < z < zα/2) = (1 − α) / 2 entonces   [ θ − α/2 σ θ, θ + zα/2 σ θ] es un intervalo de confianza de 1−α z . es decir,   P([ θ − α/2 σ θ, θ + zα/2 σ θ] contenga a θ) =1−α z . Para calcular las probabilidades anteriores, se usa la distribución muestral de θ . Se supuso que se trabajaba con muestras grandes para que esta distribución fuera aproximadamente normal. −−−−−−−− − − − − − − − − − − − − − − − − − − − − − − − − − − − − − − − − −−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−− Hoy vamos a ver como se puede realizar una inferencia acerca de un parámetro poblacional probando (o comprobando) una hipótesis acerca de su valor. Veamos algunos ejemplos en donde se puede usar una prueba de hipótesis:     Un investigador en medicina propone la hipótesis de que un medicamento A es más efectivo que otro B para curar una cierta enfermedad. Un técnico de control de calidad propone la hipótesis de que un nuevo método de montaje produce sólo 5% de artículos defectuosos. Un educador afirma que dos métodos para enseñar tiene la misma eficacia. Un candidato político afirma que la mayoría de los votantes están de su parte.

En todos estos casos la hipótesis o afirmación se somete a una prueba estadística para compararla con los resultados de los datos muestrales. Vamos a ver:  Qué función de las mediciones muestrales debe utilizarse para realizar la prueba.  Cómo se decide si una muestra no concuerda con la hipótesis  Cuándo debe rechazarse la hipótesis, aceptarse la hipótesis o no decidir nada acerca de la hipótesis.  Cuál es la probabilidad de tomar una decisión equivocada. ______________________________________________________________________

Ha: p > 0. Como x está en la región de rechazo. Hipótesis nula. c) Por ejemplo. Entonces el primer elemento de la prueba de hipótesis es la afirmación o hipótesis sobre el valor de uno o más parámetros poblacionales y recibe el nombre de hipótesis alternativa. 100].5. se basa en la información contenida en una muestra de n mediciones.5 y H0: p = 0. la región de rechazo incluye valores de x que apoyan H a . se rechaza H0 a favor de Ha. En este caso la muestra se extrae de una población binomial con parámetro p. d) Como 0 ≤ x ≤ 100. que son los que hacen poco probable que p ≤ 0. Supongamos que x = 99. b) Se seleccionan 100 consumidores y se les pregunta si prefieren la marca A. rechazamos H 0 a favor de Ha y concluimos que la proporción p de consumidores que prefieren la marca A es mayor a 0.Probabilidad y Estadística Pruebas de hipótesis 1− 2 ELEMENTOS DE UNA PRUEBA DE HIPÓTESIS El objetivo de toda prueba de hipótesis es probar una hipótesis acerca del valor de un parámetro poblacional. La región de aceptación y que por lo tanto apoya H 0 incluye entonces valores de x chicos. Ejemplo. Ha: afirmación o hipótesis sobre el valor de uno o más parámetros poblacionales. En función de los datos de una muestra se obtiene un número llamando la estadística de prueba (que puede ser un estimador). H0: negación de la hipótesis alternativa. se acepta H0. que la hipótesis nula H0 es falsa. Se propone como hipótesis alternativa que la proporción p de consumidores que prefieren la marca A es mayor que 50% = 0.5. El segundo elemento es la hipótesis nula que es una negación de la hipótesis alternativa. 60) (observar que la región de rechazo contiene valores ≥ 60 que apoyan Ha). a) Se cree que no más del 50% de los consumidores prefiere un producto de marca A. La región de rechazo debe contener valores que apoyen Ha. 100] región de aceptación: [0. El soporte para la validez de la hipótesis alternativa Ha se obtiene mostrando. Se denota con Ha. por lo tanto la región de rechazo incluye valores de x grandes. Así el soporte de una hipótesis se obtiene mostrando la falta de soporte para la otra. En ese ejemplo. usando los valores muestrales como evidencia. x ∈ [0. es decir. tomadas de una población.5 Ha: p > 0. El conjunto de todos los valores que puede tomar la estadística de prueba se divide en dos subconjuntos o regiones: región de rechazo región de aceptación Si la estadística cae en la región de rechazo.5 se podría tener región de rechazo: [60.5 La decisión de rechazar H0 y de aceptar Ha. Ha: p > 0. se obtiene x la cantidad de consumidores que prefieren A de los 100 de la muestra. Más allá de estas consideraciones. Si la estadística cae en la región de aceptación. Hipótesis alternativa.5. la determinación de las regiones de rechazo y aceptación depende de la .5 Se propone además H0: p = 0. En general.

2. x tiene una distribución binomial con parámetro p = 0.Probabilidad y Estadística Pruebas de hipótesis 1− 3 probabilidad de cometer errores con la que se quiera trabajar. Como H0 es verdadera. Entonces se puede cometer un error tipo I. La hipótesis nula H0 puede ser verdadera o falsa. Resumiendo Elementos de una prueba estadística. Sea p la proporción de consumidores que prefieren la marca A.5)(1 − 0. Error tipo I: Supongamos que H0 es verdadera. cuando se rechaza H0. Decisión Rechazar H0 Aceptar H0 Verdadera Error tipo I Decisión correcta Hipótesis nula Falsa Decisión correcta Error tipo II La validez o bondad de una prueba de hipótesis se mide mediante las probabilidades de cometer cada uno de estos errores α probabilidad de cometer un error de tipo I β probabilidad de cometer un error de tipo II α corresponde a la región de rechazo. cosa que no conocemos. 1.5) = 5 . a) Ha: p > 0. Hipótesis alternativa.5 b) Se seleccionan 100 consumidores y se les pregunta si prefieren la marca A. Volvamos al ejemplo que estábamos considerando. β corresponde a la región de aceptación. Si H0 es verdadera y la rechazamos se comete un error llamado de tipo I.5.5) = 50 σx = npq = Si se define como 100(0. Región de rechazo. En este caso la muestra se extrae de una población binomial con parámetro p. 3. cuales son las probabilidades de cometer cada uno de ellos y como se usa esto para determinar las regiones de rechazo y aceptación. 4. Si H0 es falsa y la aceptamos se comete un error llamado de tipo II. Como el tamaño n = 100 de la muestra es grande se puede suponer normal con µx = n p = 100 (0. Antes de ver esto. resumamos cuales son los elementos de una prueba de hipótesis. Veamos como se calcula α.5.5 H0: p = 0. Estadística de prueba. Tabla de decisiones. Hipótesis nula. se cumple que p = 0. es decir. Analicemos los errores que se pueden cometer al aceptar o rechazar H0. c) Estadística de prueba: x la cantidad de consumidores que prefieren A de los 100 de la muestra. Ejemplo.

la probabilidad de cometer un error tipo I. Vemos además que el valor de α queda fijo al fijar la región de rechazo.5. x tiene una distribución binomial con parámetro p desconocido. Sin embargo. como desconocemos p no es imposible calcular la probabilidad de x que caiga en un determinado intervalo. podemos ver como se comporta β de acuerdo a si p se encuentra cerca o lejos del valor estipulado en H0. y por ende β. cometiéndose un error al rechazar H 0 siendo verdadera. que es 0. Como el tamaño n = 100 de la muestra es grande se puede suponer normal con µ = n p = 100 p σ = npq = 100 p (1 − p ) Aunque sabemos que la distribución de x es normal. se cumple que p ≠ 0.5. . es decir de rechazar H0 siendo esta verdadera es α = P( x ≥ 60 ) = 0. Error tipo II: Supongamos que H0 es falsa. Es decir x caerá en la región de rechazo 2. Como H0 es falsa.025.5% de las veces. es decir.Probabilidad y Estadística Pruebas de hipótesis 1− 4 región de rechazo: x ≥ µ + 2σ = 60. Entonces se puede cometer un error tipo II.

De este modo. El valor de β dependerá del valor que se use para definir H0. ___________________________________________________________________________ PRUEBA ESTADÍSTICA PARA MUESTRAS GRANDES Ahora enunciaremos lo anterior.   En general.9. El último paso es el que en general no se puede llevar a cabo porque es necesario conocer los distintos valores de β para diferentes valores del parámetro en prueba. β corresponde a la región de aceptación.5. Si α crece (disminuye) entonces β disminuye (crece). 2. Si p = 0. que se vio para un ejemplo concreto (parámetro p de una población binomial). . y por ende de no equivocarnos. 4. En la práctica. mientras mayor sea la diferencia entre p real y el que propone H0. ˆ  La proporción muestral p es un estimador insesgado del parámetro p. es decir. Se supone que θ es un estimador insesgado que tiene una distribución de muestreo aproximadamente normal. En general se tiene. con lo cual se está en riesgo de cometer un error de tipo II. en la muestra de 100 consumidores casi la totalidad estará a favor de la marca A. De este modo. Mientras más grande (chica) es la región de rechazo más chica (grande) es la región de aceptación. se determina la región de rechazo. menor es β. Si α crece (disminuye) entonces β disminuye (crece). Los pasos que se suelen seguir son: 1. β en este caso es chico. y por ende de equivocarnos. podemos cometer un error tipo I y sabemos cual es la probabilidad α de cometerlo.  x 1 − x 2 es un estimador insesgado del parámetro µ1 − µ2. Mientras más grande (chica) sea la diferencia entre el valor que se use para definir H0 y el valor real del parámetro. El valor de α se fija al escoger la región de rechazo. tendríamos evidencia como para aceptar H0: p = 0.55. Si se aumenta el tamaño de la muestra α y β disminuyen. en la muestra de 100 consumidores casi la mitad estaría a favor de la marca A. β en este caso es grande. no se toma decisión alguna y se recolectan más datos.Probabilidad y Estadística Pruebas de hipótesis 1− 5 Si p = 0.5. menor es probabilidad de cometer un error tipo II. menor (mayor) será β. Es decir. sea θ es un estimador insesgado de un parámetro θ . En función de α. de modo general. Recordemos que una estadística de prueba es un número que se obtiene en función de los datos de una muestra. Se puede usar como estadística de prueba un estimador puntual insesgado que tenga una distribución de muestreo aproximadamente normal para tamaños grandes de muestra como los que vimos la clase pasada:  La media muestral x es un estimador insesgado de la media poblacional µ. si la estadística de prueba cae en la región de rechazo. Relación entre los dos tipos de errores. α corresponde a la región de rechazo. Al idear una prueba de hipótesis se consideran los valores α y β que se quieren tolerar. 3. 3. con lo cual x estaría bastante cerca de 100. Si la estadística de prueba cae en la región de aceptación. Se selecciona un tamaño n de muestra para lograr un β adecuado. tendríamos una evidencia muy fuerte para rechazar H 0: p = 0. Es decir. En definitiva. Se especifica α. 2. ˆ ˆ  p 1 − p 2 es un estimador insesgado del parámetro p1 − p2. Propiedades de α y β 1.

p.  Es la probabilidad de que θ caiga en la región de rechazo siendo H 0 verdadera. correspondiente a la región de rechazo. Probabilidad α de un error tipo I. a cada mitad de la región le corresponde una probabilidad α / 2. P({ θ < θ 0 − C}) = α Para pruebas de dos colas: Ha: θ ≠ θ 0     P({ θ < θ 0 − C} ∪ { θ > θ 0 + C}) = P({ θ < θ 0 − C}) + P({ θ > θ 0 + C}) = α ⇒ P({ θ < θ 0 − C}) = P({ θ > θ 0 + C}) = α/2       (ver Figura 7. Supongamos que H0 es falsa y que en realidad θ = θ a siendo θ a desconocido.3. Luego la distribución  muestral de θ .Probabilidad y Estadística  Pruebas de hipótesis 1− 6 Supongamos que se quiere probar que el parámetro poblacional θ es mayor que un cierto valor θ 0. θ > θ 0. θ 0 + C valor crítico de la estadística de prueba (separa la región de rechazo de la región de prueba). P({ θ < θ 0 + C}) = β   Para pruebas de dos colas: Ha: θ ≠ θ 0. Ha: θ < θ 0 H0: θ = θ 0  Estadístico de prueba: θ La región de rechazo debe contener valores de θ que apoyen Ha. θ < θ 0.5. 243) Ha: θ < θ 0.  Es la probabilidad de que θ caiga en la región de aceptación siendo H0 falsa. p. es normal con media θ a y desviación estándar σ θˆ . P({θ 0 − C < θ < θ 0 + C}) = β Ha: θ < θ 0.    Si se quiere probar que el parámetro poblacional θ es distinto de cierto valor θ 0.  Para pruebas de una cola: Ha: θ > θ 0. 243) Probabilidad β de un error tipo II. P({ θ > θ 0 − C}) = β . P({ θ > θ 0 + C}) = α (ver Figura 7.    Si se quiere probar que el parámetro poblacional θ es menor que un cierto valor θ 0. que es normal con media θ = θ 0 y desviación estándar σ θˆ . región de rechazo: { θ < θ 0 − C} En ambos casos se dice que es una prueba estadística de una extremidad o cola pues la región de rechazo se localiza en un sólo extremo de la distribución muestral de la estadística de prueba. es decir Ha: θ > θ 0 Se propone entonces como hipótesis nula H 0: θ = θ 0  Estadístico de prueba: θ La región de rechazo debe contener valores de θ que apoyen Ha. se tendría Ha: θ ≠ θ 0 H0: θ = θ 0  Estadístico de prueba: θ región de rechazo: { θ < θ 0 − C} o { θ > θ 0 + C} y se dice que es una prueba estadística de dos extremidades o colas pues la región de rechazo se localiza en ambos extremos de la distribución muestral de la estadística de prueba. En el caso de una prueba de dos colas. p. 244)  Para pruebas de una cola: Ha: θ > θ 0. Así se elige un C > 0. y se define región de rechazo: { θ > θ 0 + C}. Con esta distribución de probabilidad se tiene (ver Figura 7.4. Luego es el área. bajo la curva de la distribución muestral de θ .

4. Región de rechazo. se pueden reescribir las pruebas anteriores como Prueba estadística para muestras grandes 1. z (ver figuras del recuadro p. Hipótesis nula. H0: θ = θ 0. Estadística de prueba. −−−−−−−− − − − − − − − − − − − − − − − − − − − − − − − − − − − − − − − − −−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−− Si se utiliza como estadístico de prueba la variable z= que es la desviación de una variable aleatoria θ . Prueba de una extremidad (o cola) Ha: µ > µ0 (µ < µ0) Prueba de dos extremidades (o cola) Ha: µ ≠ µ0. 2. Estadística de prueba. Región de rechazo. z = ˆ ϑ −θ0 σ ϑˆ  ˆ ϑ −θ0 σ ϑˆ 4. Hipótesis alternativa. respecto a θ 0.Probabilidad y Estadística Pruebas de hipótesis 1− 7 (ya no hay simetría respecto a θ 0. Prueba de una extremidad (o cola): z > zα (z < − α) z zα es tal que P(z > zα) = P(z < − α) = α. 3. z zα/2 es tal que P(z > zα/2) = P(z < − α/2) = α/2. sino respecto a θ a). 2. . Prueba de una extremidad (o cola) Ha: θ > θ 0 (θ < θ 0) Prueba de dos extremidades (o colas) Ha: θ ≠ θ 0. z zα/2 es tal que P(z > zα/2) = P(z < − α/2) = α/2. si α = P(error tipo I). Hipótesis alternativa. 245) Suposición: Se seleccionó una muestra aleatoria de tamaño grande n (≥ 30). Hipótesis nula. expresada en unidades de σ θˆ . z Prueba de dos extremidades (o cola): z > zα/2 o z < − α/2. Prueba de una extremidad (o cola): z > zα (z < − α) z zα es tal que P(z > zα) = P(z < − α) = α. 3. z = x − µ0 x − µ0 = σx σ/ n Si no se conoce σ se sustituye por s. H0: µ = µ0. En particular se tiene ___________________________________________________________________________ PRUEBA DE HIPÓTESIS PARA UNA MEDIA POBLACIONAL Prueba estadística para µ en el caso de muestras grandes 1. z Prueba de dos extremidades (o cola): z > zα/2 o z < − α/2. z Suposición: Se seleccionó una muestra aleatoria de tamaño n ≥ 30.

Entonces rechazaríamos µ = 880 pues no cae en este intervalo.82 tiene un coeficiente de confianza 1 − α = 0.Probabilidad y Estadística Pruebas de hipótesis 1− 8 Ejemplo. Prueba de dos extremidades (o cola) Ha: µ ≠ 880.05.96 x − 880 21 / 50 ± 1. (a) Probar la hipótesis de que el promedio de la producción diaria es µ = 880 toneladas por día contra la alternativa de que µ es mayor o menor a 880 toneladas por día.18 a 885. z ± 1. Hipótesis alternativa.0793 (ver Figura 7.9%. Estadística de prueba. entonces z = − 3.97 β = 0. H0: µ = 880. la probabilidad β de aceptar H0: µ = 880 es 7.82 β es el área. 247) Así si µ fuera en realidad 870 toneladas.96 + 880 x de 874.97 Región de rechazo. Hipótesis nula. H0: µ1 − µ2 = D0. (b) ¿Cuál es la probabilidad β de aceptar H0 si el valor real de µ fuera 870 toneladas?. Hipótesis nula. . 2. z > 1.96 ( x − 880) ± 21 50 1. Así rechazamos que el promedio de la producción diaria es µ = 880 toneladas por día y la probabilidad de equivocarnos es de 5%. 246) Como x = 871.96 o z < − 1.96 (ver Figura 7. Prueba de una extremidad (o cola) Ha: µ 1 − µ2 > D0 (µ1 − µ2 < D0) Prueba de dos extremidades (o cola) Ha: µ 1 − µ2 ≠ D0. z = x − µ0 σ/ n = x − 880 σ / 50 ≅ x − 880 s / 50 = x − 880 21 / 50 ≅ x − 880 2. Hay un 95% de probabilidad de que este intervalo contenga a µ.96. entonces zα/2 = 1. correspondiente a la región de aceptación.95 = 95%. Si usáramos intervalos de confianza tendríamos que el intervalo x ± zα/2 σ / n ≅ 871 ± 5. Región de aceptación. z Si se quiere α = 0.6. p.03 que cae en la región de rechazo. La producción diaria de una planta industrial química registrada durante n = 50 días tiene una media x = 871 toneladas y una desviación estándar s = 21 toneladas. bajo la curva normal que tiene media µ = 870 desviación estándar σ x = 21 50 = 2. Como x = 871 < 880.7. se sospecharía que en realidad µ < 880. Luego Región de rechazo. p. Hipótesis alternativa.96 x ± 21 50 1. ________________________________________________________________________________ PRUEBA DE HIPÓTESIS PARA LA DIFERENCIA DE DOS MEDIAS POBLACIONALES Prueba estadística para µ 1 − µ 2 en el caso de muestras grandes 1. Prueba de dos extremidades (o cola): z > zα/2 o z < − α/2.

z zα/2 es tal que P(z > zα/2) = P(z < − α/2) = α/2. Región de rechazo. donde p = ˆ ˆ pq +  n1 + n2   n1 n 2  ˆ ˆ p1 − p 2 . Prueba de una extremidad (o cola) Ha: p1 − p2 > D0 (p1 − p2 < D0) Prueba de dos extremidades (o cola) Ha: p1 − p2 ≠ D0. Región de rechazo. Estadística de prueba. Hipótesis nula. Hipótesis alternativa. 2. z Prueba de dos extremidades (o cola): z > zα/2 o z < − α/2. Estadística de prueba. Prueba de una extremidad (o cola): z > zα (z < − α) z zα es tal que P(z > zα) = P(z < − α) = α.Probabilidad y Estadística Pruebas de hipótesis x 1 − x 2 − D0 2 σ 12 σ 2 + n1 n2 1− 9 x 1 − x 2 − D0 3. H0: p1 − p2 = D0. ___________________________________________________________________________ PRUEBA DE HIPÓTESIS PARA LA PROPORCIÓN POBLACIONAL Prueba estadística para p en el caso de muestras grandes 1. ___________________________________________________________________________ PRUEBA DE HIPÓTESIS PARA LA DIFERENCIA DE DOS PROPORCIONES POBLACIONALES Prueba estadística para p1 − p2 en el caso de muestras grandes 1. z Prueba de dos extremidades (o cola): z > zα/2 o z < − α/2. ˆ ˆ p1 − p 2 − D0 3. 2. Prueba de una extremidad (o cola) Ha: p > p0 (p < p0) Prueba de dos extremidades (o cola) Ha: p ≠ p0. z = ˆ ˆ p1 − p 2 − D0 p1 q1 p 2 q 2 + n1 n2 x1 + x 2 ˆ 1 . z zα/2 es tal que P(z > zα/2) = P(z < − α/2) = α/2. ˆ p − p0 3. z Suposición: El muestreo aleatorio satisface las características de un experimento binomial y el tamaño de la muestra n ≥ 30. Hipótesis nula. H0: p = p0. z = = σ p1 − p2 ˆ ˆ Como p1 y p2 se desconoce. Hipótesis alternativa. z = = σ x1 − x 2 Si no se conocen σ1 y σ2 se sustituyen por s1 y s2. Prueba de una extremidad (o cola): z > zα (z < − α) z zα es tal que P(z > zα) = P(z < − α) = α. 4. 1  . z = = σp ˆ ˆ p − p0 p0 q0 n 4. Estadística de prueba. z Suposición: Los dos muestreos son aleatorios e independientes de tamaños n1 ≥ 30 y n2 ≥ 30. Si D0 = 0.

entonces zα/2 = 1. z zα/2 es tal que P(z > zα/2) = P(z < − α/2) = α/2. suele denominarse nivel de significación asociada a una prueba estadística.96. . Hipótesis nula.03 p es la probabilidad de cometer un error tipo I con esta región de rechazo p = P(z ≥ 3. La región de rechazo de H 0. Ejemplo. Prueba de dos extremidades (o cola) Ha: µ ≠ 880. La idea es que un valor observado de la estadística de prueba distinto al que afirma H0. z Prueba de dos extremidades (o cola): z > zα/2 o z < − α/2. debería incluir mínimamente este valor.0024. la región de rechazo debería contener mínimamente este valor observado de la estadística de prueba.03) + P(z ≤ − 3.96) Veamos como se determina el valor p de esta prueba.03) = 0.03 es un valor observado de z.03 es un valor observado de z. z (Antes se usó α = 0. Por lo tanto.96 o z < − 1.03 o z < − 3. por lo tanto la mínima región de rechazo posible sería z > 3. z Suposición: Los dos muestreos son aleatorios e independientes. al utilizar esta prueba estadística se elegirán valores de α ≥ 0.0024. La probabilidad de un error tipo I. Prueba de una extremidad (o cola): z > zα (z < − α) z zα es tal que P(z > zα) = P(z < − α) = α. entonces z = − 3. La producción diaria de una planta industrial química registrada durante n = 50 días tiene una media x = 871 toneladas y una desviación estándar s = 21 toneladas. El mínimo nivel de significación p se determina en función de la mínima región de rechazo que se puede considerar teniendo en cuenta que se ha observado un determinado valor para la estadística de prueba. El valor p.05. Región de rechazo. Luego Región de rechazo. z = x − µ0 σ/ n = x − 880 σ / 50 ≅ x − 880 s / 50 = x − 880 21 / 50 Se tiene el valor x = 871. ___________________________________________________________________________ VALORES p En lo que sigue p no se refiere al parámetro de una población binomial. Región de rechazo. z=− 3.Probabilidad y Estadística ˆ ˆ p1 − p 2 − D0 ˆ ˆ ˆ ˆ Si D0 ≠ 0. Prueba de dos extremidades (o cola): z > zα/2 o z < − α/2. a favor de Ha. Hipótesis alternativa. z = p1 q1 p 2 q 2 + n1 n2 Pruebas de hipótesis 1− 10 4. Por lo tanto. satisfacen las características de experimentos binomiales y los tamaños de las muestras son n1 ≥ 30 y n2 ≥ 30. α. Estadística de prueba. apoya el rechazo de H0. H0: µ = 880. es el mínimo nivel de significación para el cual los datos observados indican que se tendría que rechazar la hipótesis. z > 1.

Sign up to vote on this title
UsefulNot useful