Está en la página 1de 14

La estadstica es una rama de las matemticas que conjunta herramientas para recolectar, organizar, presentar y analizar datos numricos

u observacionales. Presenta nmeros que describen una caracterstica de una muestra. Poblacin: conjunto de todos los individuos personas, objetos, animales, etc.! que porten in"ormaci#n sobre el "en#meno que se estudia. Por ejemplo, si estudiamos la edad de los habitantes en una ciudad, la poblaci#n ser el total de los habitantes de dicha ciudad. Muestra$ %ubconjunto de la poblaci#n seleccionado de acuerdo con un criterio, y que sea representativo de la poblaci#n. Por ejemplo, elegir &' personas por cada colonia de la ciudad para saber sus edades, y este ser representativo para la ciudad. Individuo$ cualquier elemento que porte in"ormaci#n sobre el "en#meno que se estudia. (s, si estudiamos la altura de los ni)os de una clase, cada alumno es un individuo* si estudiamos la edad de cada habitante, cada habitante es un individuo. Variable$ +en#meno que puede tomar diversos valores. Las variables pueden ser de dos tipos$ ,ariables cualitativas o atributos$ no se pueden medir numricamente por ejemplo$ nacionalidad, color de la piel, se-o!. ,ariables cuantitativas$ tienen valor numrico edad, precio de un producto, ingresos anuales Por su parte, las variables cuantitativas se pueden clasi"icar en discretas y continuas$ .iscretas$ s#lo pueden tomar valores enteros /, 0, 1, 23, etc.!. Por ejemplo$ nmero de hermanos puede ser /, 0, &....,etc, pero, por ejemplo, nunca podr ser &,34!. 5ontinuas$ pueden tomar cualquier valor real dentro de un intervalo. Por ejemplo, la velocidad de un vehculo puede ser 1',& 6m7h, 83,49 6m7h...etc.

Ordenacin de datos / 0 3 3 4 : 9 1 8 // / 0 3 3 4 : 9 1 /' /0 / 0 3 3 : : 9 1 /' /0 / & 3 3 : : 9 1 /' /0 0 & 3 4 : 9 1 8 // /0 Rango = /02/ ; // 3) Tamao de clase

<o de clases ; / = &.&&0log 4'! ; : >ama)o de clase ; //7: ; 0 4) !mites de clase ") !mites reales de clase #) Marca de clase $lase Intervalo I * + 3 4 " # total Re,resentacin gr-.ica de datos' %e tomar el ejemplo anterior para demostrar el uso de di"erentes gr"icas. / & 4 9 8 // % 0.8 3.8 :.8 1.8 /'.8 /0.8 '.84 0.84 3.84 :.84 1.84 /'.84 0.84 3.84 :.84 1.84 /'.84 /0.84 1 // /' /' 4 : 4' ./: .00 .0' .0' ./' ./0 / /: ? 00 ? 0' ? 0' ? /' ? /0 ? /'' ? /.84 &.84 4.84 9.84 8.84 //.84 RI R% &rec' (bsoluta &rec' Relat &rec' Porcentual )

/r-.ica de barras: la gr"ica de barras es una "orma de gr"ica que utiliza barras para indicar la "recuencia de ocurrencia de las observaciones. Para construirla se constituye el eje y por las "recuencias absolutas y el eje @ por los lmites in"erior y superior de cada clase, dejando un espacio entre barra y barra. Pol!gono de .recuencias$ +orma gr"ica que representa una distribuci#n de "recuncias en la "orma de una lnea continua que traza un histograma. Para su elaboraci#n, se consideran las marcas de clase en el eje @ y las "recuencias absolutas en el eje A. 0istograma: "orma gr"ica de barras que emplea variables con escala de intervalos o de proporciones. Para realizarla, se toma en cuenta para el eje @, los Lmites reales, y para el eje A, las "recuencias absolutas. Media La media es el punto en una distribuci#n de medidas, alrededor del cual las desviaciones sumadas son iguales a cero. Bs el valor promedio de una muestra o poblaci#n.

a.

Media aritm1tica: se calcula multiplicando cada valor por el nmero de veces que se repite. La suma de todos estos productos se divide por el total de datos de la muestra$

b) Media geom1trica: se eleva cada valor al nmero de veces que se ha repetido. %e multiplican todo estos resultados y al producto "iinal se le calcula la raz CnC siendo CnC el total de datos de la muestra!.

Mediana = RI 2 34n5+ 6 &()5.7 c donde L es el lmite in"erior de la clase que contiene a la mediana, +( es la "recuencia acumulada que precede a la clase de la mediana, " es la "recuencia de clase de la mediana e i es el intervalo de clase de la mediana.

La moda es el valor de la observaci#n que aparece con ms "recuencia.

Bjemplo$ las cali"icaciones de un e-amen de diez estudiantes son$ 1/, 8&, 13, 94, :1, 19, 1/, 94, 1/, 19. 5omo la cali"icaci#n 1/ es la que ms ocurre, la cali"icaci#n modal es 1/ La moda de los datos agrupados se apro-ima por el punto medio de la clase que contiene la "recuencia de clase mayor. 5uando dos valores ocurren una gran cantidad de veces, la distribuci#n se llama bimodal, como en dicho ejemplo. Bjemplo de clculo de media mediana y moda. Para ejempli"icar, tomaremos el ejemplo de autobuses "orneos de la pagina :. $lase Intervalo I * + 3 4 " # total / & 4 9 8 // % 0.8 3.8 :.8 1.8 /'.8 /0.8 '.84 0.84 3.84 :.84 1.84 /'.84 0.84 3.84 :.84 1.84 /'.84 /0.84 1 // /' /' 4 : 4' ./: .00 .0' .0' ./' ./0 / /: ? 00 ? 0' ? 0' ? /' ? /0 ? /'' ? /.84 &.84 4.84 9.84 8.84 //.84 /4.:' 3&.34 48.4' 98.4' 38.94 9/.9' &/8.4' RI R% &rec' &rec' (bsoluta Relat &rec' Porcentual ) .8

9:I;(; II &9:;(M<:TO% ;< PRO=(=I I;(;

0./ 5D<5BP>D% EF%G5D% Probabilidad: valor entre cero y uno, inclusive, que describe la posibilidad relativa de que ocurra un evento. <8,erimento: proceso que conduce a la ocurrencia de una de varias observaciones posibles. Resultado$ lo que resulta en particular de un e-perimento. <vento$ conjunto de uno o ms resultados de un e-perimento. <s,acio muestral$ son todos los posibles resultados de un e-perimento. 5ualquier resultado e-perimental particular se llama punto muestral y es un elemento del espacio muestral. Ti,os de sucesos

B-haustivo$ se dice que dos o ms sucesos son e-haustivos si se consideran todos los posibles resultados.

%imb#licamente$ p ( o E o...! ; /

<o e-haustivos$ se dice que dos o ms sucesos son e-haustivos si no cubren todos los posibles resultados. Hutuamente e-cluyentes$ sucesos que no pueden ocurrir en "orma simultnea$

P ( y E! ; ' y p ( o E! ; p (! = p E! Bjemplo$ hombres, mujeres

<o mutuamente e-cluyentes$ sucesos que pueden ocurrir en "orma simultnea$

P ( o E! ; p (! = p E! I p ( y E ! Bjemplo$ hombres, ojos ca"s

Gndependientes$ %ucesos cuya probabilidad no se ve a"ectada por la ocurrencia o no ocurrencia del otro $

P (G E ! ; P ( !* P EG( ! ; P E! A P ( A E! ; P (! P E! Bjemplo$ se-o y color de ojos

.ependientes$ sucesos cuya probabilidad cambia dependiendo de la ocurrencia o no ocurrencia del otro$

P (G E ! di"iere de p (!* P EG( ! di"iere de P E!* y P ( A E!; P ( ! P EG( !; P E! P (G E ! Bjemplo$ raza y color de ojos Probabilidades con>untas: probabilidad de que dos sucesos o ms, ocurran simultneamente

Probabilidades marginales: o probabilidades incondicionales ; suma de probabilidades. <n.o?ues de la ,robabilidad Probabilidad clsica se basa en la consideraci#n de que los resultados de un e-perimento son igualmente posibles. Jtilizando el punto de vista clsico, Probabilidad de un evento = no' de resultados ,robables no' ;e resultados ,osibles Bjemplo 5onsidere el e-perimento de lanzar dos monedas al mismo tiempo. Bl espacio muestral % ; KLL, L>, >L, >>M 5onsidere el evento de una cara. Probabilidad de una cara ; 073 ; /70. ;istribucin muestral Bl diagrama de rbol es muy til para visualizar las probabilidades condicional y conjunta y en particular para el anlisis de decisiones administrativas que involucran varias etapas. BNBHPLD$ una bolsa contiene 9 "ichas rojas O! y 4 azules E!, se escogen 0 "ichas, una despus de la otra sin reemplazo. 5onstruya el diagrama de rbol con esta in"ormaci#n.

+'+ ()IOM(% ;< PRO=(=I I;(; Primer a8ioma $ La probabilidad de un suceso A es un n@mero real entre ' y /. %egundo a8ioma :Dcurre un suceso de la muestra de todos los sucesos o espacio de sucesos A con probabilidad /. Tercer a8ioma %i (/, (0 ... son sucesos mutuamente e-cluyentes +'3 PRO=(=I I;(; $O:;I$IO:( Probabilidad condicional es la probabilidad de que ocurra un evento en particular, dado que ocurri# otro evento. <ota$ la probabilidad de que ocurra el evento ( dado que ya ocurri# E se denota como P (PE!.

Reglas b-sicas de ,robabilidad %i los eventos son mutuamente e-cluyentes, la ocurrencia de cualquier evento impide que otro eventos ocurra. Reglas de adicin$ si dos eventos ( y E son mutuamente e-cluyentes, la regla especial de adici#n indica que la probabilidad de que ocurra ( o E es igual a la suma de sus probabilidades respectivas$ P ( o E! ; P (! = P E! Bjemplo Llegada (ntes de tiempo ( tiempo .emorado 5ancelado >otal +recuencia /'' 1'' 94 04 /'''

(erolneas (rgentinas acaba de proporcionar la siguiente in"ormaci#n de sus vuelos de Euenos (ires a Oosario$

Bjemplo %i ( es el evento de que un vuelo llegue antes de tiempo, entonces P (! ; /'' 7/''' ; './. %i E es el evento de que un vuelo llegue demorado, entonces P E! ; 94 7/''' ; '.'94. La probabilidad de que un vuelo llegue antes de tiempo o demorado es P ( o E! ; P (! = P E! ; ./ = .'94 ; './94.

9:I;(; III ;I%TRI=9$IO:<% ;< PRO=(=I I;(; 3'* V(RI(= <% ( <(TORI(% Las variables aleatorias son una trans"ormaci#n o "unci#n que asignan uny s#lo un valor numrico a cada resultado de un e-perimento. Variables aleatorias discretas$ comprenden reglas o modelos de probabilidad para asignar o generar s#lo valores diversos no mediciones "raccionarias!. ,ariables aleatorias continuas$ 3'+ ;I%TRI=9$IO: =I:OMI( Jna distribuci#n de probabilidad ampliamente utilizada de una variable aleatoria discreta es la distribuci#n binomial. Bsta describe varios procesos de inters para los administradores. .escribe datos discretos, resultantes de un e-perimento denominado proceso de Eernoulli en honor del matemtico suizo Nacob Eernoulli, quien vivi# en el siglo @,GG. Bmpleo del proceso de Eernoulli. Podemos servirnos de los resultados de un nmero "ijo de lanzamientos de una moneda como ejemplo de un proceso de Eernoulli. Bste proceso lo describimos as$ *' 5ada ensayo cada lanzamiento, en nuestro caso! tiene s#lo dos resultados posibles$ lado ( o lado E, s o no, -ito o "racaso. +' La probabilidad del resultado de cualquier ensayo lanzamiento! permanece "ija con el tiempo. >ratndose de una moneda la probabilidad de que salga de el lado ( sigue siendo de '.4 en cada lanzamiento, cualquiera que sea el nmero de veces que la moneda sea arrojada. 3' Los ensayos son estadsticamente independientes, es decir, el resultado de un lanzamiento no a"ecta al de cualquier otro lanzamiento. 5ada proceso de Eernoulli tiene su propia probabilidad caracterstica. Pongamos el caso en que siete dcimas partes de las personas que solicitaron cierto tipo de empleo pasaron la prueba. .iremos entonces que la probabilidad caracterstica "ue de '.9 pero podemos describir los resultados de la prueba como un proceso de Eernoulli s#lo si tenemos la seguridad de que la proporci#n de los que "ueron aprobados permaneci# constante con el tiempo. .es de luego, la otra caracterstica del proceso de Eernoulli tambin deber ser satis"echa. 5ada prueba deber arrojar tan s#lo dos resultados -ito o "racaso; y los resultados de las pruebas habrn de ser estadsticamente independientes. Bn un lenguaje ms "ormal, el smbolo , representa la probabilidad de un -ito y el smbolo q /2 p ! representa la probabilidad de un "racaso. Para representar cierto nmero de -itos, utilizaremos el smbolo r y para simbolizar el nmero total de ensayos emplearemos el smbolo n' <ntonces tenemos ?ue :

P Q r n <8iste una .rmula binomial:

Probabilidad de -ito. Probabilidad de "racaso. <mero de -itos deseados. <mero de ensayos e"ectuados.

Probabilidad de r -itos en n ensayos es $ <R 7 OR <2O!R PO Q<2O Oecordemos que el smbolo "actorialR %igni"ica por ejemplo que es &R ; &S0S/ ; : Los matemticos de"inen 'R ; /. &.& .G%>OGEJ5GD< <DOH(L La .istribuci#n <ormal$ una distribuci#n de una variable aleatoria continua. Jna muy importante distribuci#n continua de probabilidad es la distribuci#n normal. ,arios matemticos intervinieron en su desarrollo entre ellos "igura el astr#nomo del siglo @,GGG Tarl Uauss, a veces es llamada en sus honor la distribuci#n de Uauss. $aracter!sticas de la distribucin normal de la ,robabilidad' *' La curva tiene un solo pico, por consiguiente es unimodal. Presenta una "orma de campana. +' La media de una poblaci#n distribuida normalmente se encuentra en el centro de su curva normal. 3' ( causa de la simetra de la distribuci#n normal de probabilidad, la mediana y la moda de la distribuci#n tambin se hallan en el centro, por tanto en una curva normal, la media, la mediana y la moda poseen el mismo valor. 4' Las dos colas e-tremos! de una distribuci#n normal de probabilidad se e-tienden de manera inde"inida y nunca tocan el eje horizontal. Breas ba>o la curva normal' Bl rea total bajo la curva normal ser de /.'' por lo cual podemos considerar que las reas bajo la curva son probabilidades. <l valor de C' V; <mero de desviaciones estndar de - respecto a la media de esta distribuci#n. V; -2m 7 s @;valor de la variable aleatoria que nos interesa. m ; media de la distribuci#n de esta variable aleatoria.

s ; desviaci#n estndar de esta distribuci#n. Las variables aleatorias distribuidas en "orma normal asumen muchas unidades di"erentes de medici#n, por lo que hablaremos de "orma estndar y les daremos el smbolo de V. 9:I;(; IV TIPO% ;< M9<%TR<O 4'* TIPO% ;< M9<%TR<O Los autores proponen di"erentes criterios de clasi"icaci#n de los di"erentes tipos de muestreo, aunque en general pueden dividirse en dos grandes grupos$ mtodos de muestreo probabilsticos y mtodos de muestreo no probabilsticos. Muestreo ,robabil!stico Los mtodos de muestreo probabilsticos son aquellos que se basan en el principio de equiprobabilidad. Bs decir, aquellos en los que todos los individuos tienen la misma probabilidad de ser elegidos para "ormar parte de una muestra y, consiguientemente, todas las posibles muestras de tama)o n tienen la misma probabilidad de ser elegidas. %#lo estos mtodos de muestreo probabilsticos nos aseguran la representatividad de la muestra e-trada y son, por tanto, los ms recomendables. .entro de los mtodos de muestreo probabilsticos encontramos los siguientes tipos$ Bl mtodo otorga una probabilidad conocida de integrar la muestra a cada elemento de la poblaci#n, y dicha probabilidad no es nula para ningn elemento. Los mtodos de muestreo no probabilsticos no garantizan la representatividad de la muestra y por lo tanto no permiten realizar estimaciones in"erenciales sobre la poblaci#n. Bn algunas circunstancias los mtodos estadsticos y epidemiol#gicos permiten resolver los problemas de representatividad aun en situaciones de muestreo no probabilistico, por ejemplo los estudios de casoWcontrol, donde los casos no son seleccionados aleatoriamente de la poblaci#n.! Bntre los mtodos de muestreo probabilsticos ms utilizados en investigaci#n encontramos$

Muestreo aleatorio sim,le:

Bl procedimiento empleado es el siguiente$ /. 0. %e asigna un nmero a cada individuo de la poblaci#n ( travs de algn medio mecnico bolas dentro de una bolsa, tablas de nmeros aleatorios, nmeros aleatorios

generados con una calculadora u ordenador, etc.! se eligen tantos sujetos como sea necesario para completar el tama)o de muestra requerido. Bste procedimiento, atractivo por su simpleza, tiene poca o nula utilidad prctica cuando la poblaci#n que estamos manejando es muy grande. Bjemplo$ "ormar el equipo de "tbol de la universidad seleccionando // boletas de una urna con el nombre de todos los alumnos de la universidad.

Muestreo aleatorio sistem-tico:

Bste procedimiento e-ige, como el anterior, numerar todos los elementos de la poblaci#n, pero en lugar de e-traer n nmeros aleatorios s#lo se e-trae uno. %e parte de ese nmero aleatorio i, que es un nmero elegido al azar, y los elementos que integran la muestra son los que ocupa los lugares i, i=6, i=06, i=&6,...,i= nW/!6, es decir se toman los individuos de 6 en 6, siendo 6 el resultado de dividir el tama)o de la poblaci#n entre el tama)o de la muestra$ 6; <7n. Bl nmero i que empleamos como punto de partida ser un nmero al azar entre / y 6. Bl riesgo este tipo de muestreo est en los casos en que se dan periodicidades en la poblaci#n ya que al elegir a los miembros de la muestra con una periodicidad constante 6! podemos introducir una homogeneidad que no se da en la poblaci#n. Gmaginemos que estamos seleccionando una muestra sobre listas de /' individuos en los que los 4 primeros son varones y los 4 ltimos mujeres, si empleamos un muestreo aleatorio sistemtico con 6;/' siempre seleccionaramos o s#lo hombres o s#lo mujeres, no podra haber una representaci#n de los dos se-os.

Muestreo aleatorio estrati.icado:

>rata de obviar las di"icultades que presentan los anteriores ya que simpli"ican los procesos y suelen reducir el error muestral para un tama)o dado de la muestra. 5onsiste en considerar categoras tpicas di"erentes entre s estratos! que poseen gran homogeneidad respecto a alguna caracterstica se puede estrati"icar, por ejemplo, segn la pro"esi#n, el municipio de residencia, el se-o, el estado civil, etc.!. Lo que se pretende con este tipo de muestreo es asegurarse de que todos los estratos de inters estarn representados adecuadamente en la muestra. 5ada estrato "unciona independientemente, pudiendo aplicarse dentro de ellos el muestreo aleatorio simple o el estrati"icado para elegir los elementos concretos que "ormarn parte de la muestra. Bn ocasiones las di"icultades que plantean son demasiado grandes, pues e-ige un conocimiento detallado de la poblaci#n. >ama)o geogr"ico, se-os, edades,...!. La distribuci#n de la muestra en "unci#n de los di"erentes estratos se denomina a"ijaci#n, y puede ser de di"erentes tipos$ ("ijaci#n %imple$ ( cada estrato le corresponde igual nmero de elementos mustrales. ("ijaci#n Proporcional$ La distribuci#n se hace de acuerdo con el peso tama)o! de la poblaci#n en cada estrato. ("ijaci#n Dptima$ %e tiene en cuenta la previsible dispersi#n de los resultados, de modo que se considera la proporci#n y la desviaci#n tpica. >iene poca aplicaci#n ya que no se suele conocer la desviaci#n.

Muestreo aleatorio ,or conglomerados:

Los mtodos presentados hasta ahora estn pensados para seleccionar directamente los elementos de la poblaci#n, es decir, que las unidades mustrales son los elementos de la poblaci#n. Bn el muestreo por conglomerados la unidad muestral es un grupo de elementos de la poblaci#n que "orman una unidad, a la que llamamos conglomerado. Las unidades hospitalarias, los departamentos universitarios, una caja de determinado producto, etc., son conglomerados naturales. Bn otras ocasiones se pueden utilizar conglomerados no naturales como, por ejemplo, las urnas electorales. 5uando los conglomerados son reas geogr"icas suele hablarse de Cmuestreo por reasC. Bl muestreo por conglomerados consiste en seleccionar aleatoriamente un cierto numero de conglomerados el necesario para alcanzar el tama)o muestral establecido! y en investigar despus todos los elementos pertenecientes a los conglomerados elegidos. M1todos de muestreo no ,robabil!sticos ( veces, para estudios e-ploratorios, el muestreo probabilstico resulta e-cesivamente costoso y se acude a mtodos no probabilsticos, aun siendo conscientes de que no sirven para realizar generalizaciones, pues no se tiene certeza de que la muestra e-trada sea representativa, ya que no todos los sujetos de la poblaci#n tienen la misma probabilidad de se elegidos. Bn general se seleccionan a los sujetos siguiendo determinados criterios procurando que la muestra sea representativa. Muestreo ,or cuotas: >ambin denominado en ocasiones CaccidentalC. %e asienta generalmente sobre la base de un buen conocimiento de los estratos de la poblaci#n y7o de los individuos ms CrepresentativosC CadecuadosC para los "ines de la investigaci#n. Hantiene, por tanto, semejanzas con el muestreo aleatorio estrati"icado, pero no tiene el carcter de aleatoriedad de aqul. Bn este tipo de muestreo se "ijan unas CcuotasC que consisten en un nmero de individuos que renen unas determinadas condiciones, por ejemplo$ 0' individuos de 04 a 3' a)os, de se-o "emenino y residentes en Uij#n. Jna vez determinada la cuota se eligen los primeros que se encuentren que cumplan esas caractersticas. Bste mtodo se utiliza mucho en las encuestas de opini#n. Muestreo o,in-tico o intencional: Bste tipo de muestreo se caracteriza por un es"uerzo deliberado de obtener muestras CrepresentativasC mediante la inclusi#n en la muestra de grupos supuestamente tpicos. Bs muy "recuente su utilizaci#n en sondeos preelectorales de zonas que en anteriores votaciones han marcado tendencias de voto. Muestreo casual o incidental: %e trata de un proceso en el que el investigador selecciona directa e intencionadamente los individuos de la poblaci#n. Bl caso ms "recuente de este procedimiento el utilizar

como muestra los individuos a los que se tiene "cil acceso los pro"esores de universidad emplean con mucha "recuencia a sus propios alumnos!. =ola de nieve: %e localiza a algunos individuos, los cuales conducen a otros, y estos a otros, y as hasta conseguir una muestra su"iciente. Bste tipo se emplea muy "recuentemente cuando se hacen estudios con poblaciones 4'+ <%TIM($ID: ;< EMIT<% Para una poblaci#n con media X y variancia X 0, la distribuci#n de muestreo de las medias de todas las muestras posibles de tama)o n obtenidas de una poblaci#n tendr una distribuci#n normal apro-imada Ycon la media de la distribuci#n de muestreo igual a X y la variancia igual a X 07 n Ysi se supone que el tama)o de la muestra es su"icientemente grande. 4'3 PR9<=( ;< 0IPDT<%I% P(R( 9:( M<;I( Fu1 es una Gi,tesisH Lip#tesis$ enunciado acerca de una poblaci#n elaborada con el prop#sito de ponerse a prueba. Bjemplos de hip#tesis acerca de un parmetro de poblaci#n son$ la media mensual de ingresos para analistas de sistemas es Z&:04, el 0'? de los delincuentes juveniles son capturados y sentenciados a prisi#n. $O:$<PTO ;< PR9<=( ;< 0IPDT<%I% ("irmaci#n acerca de los parmetros de la poblaci#n. Btapas Esicas en Pruebas de 0i,tesis. (l realizar pruebas de hip#tesis, se parte de un valor supuesto hipottico! en parmetro poblacional. .espus de recolectar una muestra aleatoria, se compara la estadstica muestral, as como la media -!, con el parmetro hipottico, se compara con una supuesta media poblacional !. .espus se acepta o se rechaza el valor hipottico, segn proceda. %e rechaza el valor hipottico s#lo si el resultado muestral resulta muy poco probable cuando la hip#tesis es cierta. <ta,a *.2 Planear la hip#tesis nula y la hip#tesis alternativa. La hip#tesis nula L'! es el valor hipottico del parmetro que se compra con el resultado muestral resulta muy poco probable cuando la hip#tesis es cierta. <ta,a +.2 Bspeci"icar el nivel de signi"icancia que se va a utilizar. Bl nivel de signi"icancia del 4?, entonces se rechaza la hip#tesis nula solamente si el resultado muestral es tan di"erente del valor hipottico que una di"erencia de esa magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad de /.'4 o menos. <ta,a 3.2 Blegir la estadstica de prueba. La estadstica de prueba puede ser la estadstica muestral el estimador no segado del parmetro que se prueba! o una versi#n trans"ormada 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 distribuci#n normal, entonces es comn que se trans"orme la media en un valor z el cual, a su vez, sirve como estadstica de prueba.

;e.iniciones 0i,tesis nula 0I$ a"irmaci#n acerca del valor de un parmetro poblacional. 0i,tesis alterna 0*$ a"irmaci#n que se aceptar si los datos muestrales proporcionan evidencia de que la hip#tesis nula es "alsa. :ivel de signi.icancia$ probabilidad de rechazar la hip#tesis nula cuando es verdadera. <rror Ti,o I$ rechazar la hip#tesis nula cuando en realidad es verdadera. <rror Ti,o II$ aceptar la hip#tesis nula cuando en realidad es "alsa. <stad!stico de ,rueba$ valor obtenido a partir de la in"ormaci#n muestral, se utiliza para determinar si se rechaza o no la hip#tesis. Valor cr!tico$ el punto que divide la regi#n de aceptaci#n y la regi#n de rechazo de la hip#tesis nula. Valor , en la ,rueba de Gi,tesis ,alor p$ es la probabilidad de observar un valor muestral tan e-tremo o ms que el valor observado, dado que la hip#tesis nula es verdadera. %i el valor p es menor que el nivel de signi"icancia, L' se rechaza. %i el valor p es mayor que el nivel de signi"icancia, L' no se rechaza