Está en la página 1de 24

Muestreo

Muestreo, estadística
descriptiva, correlación,
análisis de varianza

Porque muestrear la población?
• Imposibilidad física de chequear todos los
ítems en la población.
• El costo de estudiar todos los elementos en
la población.
• Contactar a toda la población
normalmente consume mucho tiempo y
esfuerzo.
• La naturaleza destructiva de ciertos
muestreos (costo económico).
• Los resultados del muestreo son
normalmente adecuados.

• Objetivo: hacer inferencias acerca de una
población de interés.

Objetivo del muestreo
• Estimar los parámetros de la población:
• Parámetros: promedio, desviación estándar

Variable
respuesta

Estadístico

Promedio=3,75
muestra

Parámetro

Promedio=3,72
población

3

1

Muestreo probabilístico

Métodos de muestreo

• Una muestra probabilística es
aquella seleccionada de manera
tal que el elemento o individuo de
la población tiene la misma
chance de ser incluida en la
muestra.

5

• Muestreo aleatorio simple: muestra seleccionada
de manera que cada elemento o individuo de la
población tenga las mismas posibilidades de que
se le incluya.
• Muestreo aleatorio sistemático: Los elementos o
individuos de la población se ordenan de alguna
manera. Se selecciona un punto aleatorio de
inicio y posteriormente se elige cada k-ésimo
miembro de la población.

6

Métodos de muestreo

Métodos de muestreo
• En muestreo no probabilístico inclusion en la
muestra es basada en el juicio de la
persona que selecciona los individuos o
elementos.
• El error de muestreo es la diferencia entre el
estadístico de la muestra y su
correspondiente parámetro de la
población.

• Muestreo aleatorio estratificado: La
población se divide en subgrupos
denominados estratos y se selecciona al
azar una muestra de cada estrato.
• Muestreo por conglomerados (cluster): La
población se divide en conglomerados a
partir de límites geográficos o de otra clase.
Luego se seleccionan los conglomerados al
azar y se toma una muestra aleatoria con
elementos de cada grupo.

7

8

2

promedio) a través de un número infinito de muestras. Cual es el promedio de la distribución muestreal? 4. Ejemplo: La empresa Tartus tiene siete empleados en producción (considerados la población completa). Cual es el promedio de la población? 2. Que observaciones se pueden hacer acerca de la población y la distribución muestreal ? 11 12 3 . • La distribución muestreal del promedio es la distribución de probabilidad de todos las posibles promedios de muestras de un determinado tamaño. seleccionadas desde una población. Distribución muestreal del promedio 9 Distribución muestreal del promedio. muestra muestra Promedio Promedio muestra Promedio Es la distribución de un estadístico (ej. Los salarios por hora de cada empleado se presentan en la tabla siguiente: 1.Distribución muestreal del promedio. Cual es la distribución muestreal del promedio de una muestra de tamaño 2? 3. Distribución muestreal del promedio.

Ejemplo 13 Ejemplo 14 Teorema del límite central • Para una población con media μ y varianza σ2 la distribución muestreal de los promedios de todas las posibles muestras de tamaño n generadas desde la población serán. • La media de la distribución muestreal será igual a μ y la varianza igual a σ2/n. aproximadamente. 15 16 4 . normalmente distribuidas.

09 Calcular el I.09 pulg.est.n 1 s n Use la distribución de z Tabla de distribución de t de Seleccionar el tamaño de muestra Hay 3 factores que determinan el tamaño de la muestra.3 pulg? Dado en el problema : n  10 x  0. Asuma que la población es normal Se conoce la desviación estándar de la población? NO Use la distribución de t SI Intervalo de confianza para la media usando la distribución de t. 0.C. de t (debido a que  es desconocida) X  t / 2.000 millas • Media 0.32 s  0. • Construir IC (95%) • Media de la población 0.Cuando usar las distribuciones de z o t para calcular IC. ninguno de los cuales tiene relación directa alguna con el tamaño de la población. usando la dist.32 pulg. • Fabricante de neumáticos • Investiga la duración de la huella de sus neumáticos • Muestra de 10 neumáticos después de 50. Huella • Desv. – El nivel de confianza seleccionado – El máximo error permitido – La variación de la población 5 .

• s es igua a $1.000. is $100 • Valor de z para un 95 % de confianza es 1.96. • Estudios anteriores. máximo error permitido.58)(20)  n   107 5   2  1. Desde un estudio anterior se determinó que la desviación estándar fue de $ 1000. S=$20 • n?? 2  (2.96  $1. El error de estimación del promedio es menos que $ 100 con un 95% de confianza.el error permitido z .16  385 s . • Se desea estimar el gasto promedio en electricidad con un error de $ 5 y un nivel de confianza de 99%.el valor de z correspondiente al nivel de confianza definido Se desea determinar la remuneración promedio de una población de miembros de los concejos de grande ciudades.6) 2 2  384.Determinación del tamaño de la muestra. • Para obtener el tamaño de la muestra para una variable:  zs  n   E  Ejemplo • • 2 • • donde : E .la desviación estándar de la muestra (desde muestra piloto) Otro ejemplo  zs  n   E  Número de muestras necesarias en un muestreo simple al azar t 2s2 n 2 D En condiciones de completa independencia de las muestras Donde : n  número de observaciones 2 S  varianza de la muestra D  nivel de exactitud (error) permitido 6 .000    $100    (19. Estimar n Problema • E.

T.T.26215889 7 .5)2 = 24 • Debido a que n = 24 es mucho mayor que n = 10.gl) =DISTR.5)2 = 20 =INV.5 mg/kg =DISTR.262 Tabla de t en Excel (dos colas) (valor • Se calcula la varianza S2 =( (14-1)/4)2 = 10. El rango de valores estimados es de 1 a 14 mg/kg.069)210. con una probabilidad del 95 % y un nivel de exactitud de 1.T.069 • n = (2.T. 2 2 donde : y  promedio R  rango CV  coeficient e de variación Desarrollo • Primero se elige un valor de t desde la tabla usando n =10 arbitrario) gl= 9. = 2.INV(prob.56 • D = 1.gl) =INV.INV(0.9) =2.262)2 10. t = 2. se debe hacer el calculo nuevamente. p =0.56/(1.05. esta vez obteniendo un valor de t con 23 gl.56/(1.2C(0.26215889 • Así n = (2.5 mg/kg.05.Estimación de la varianza  y * CV  s2     100  R s2    4 Ejemplo Se desea estimar el promedio de P Olsen de una población de volúmenes de suelo dada.2C(prob.05.9) =2.

325 1.179 1.356 1.861 2.717 2.796 2.145 1.160 2.383 1.337 1.086 2.318 1.169 3.064 1.106 3.05 1.711 2.947 2.333 1.201 1.845 2.131 2.9997 100 400 nº n df 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 80 300 60 200 n=21 40 100 20 0 0 0.160 1.060 0.262 1. t0.807 2.321 1.201 2.110 1.101 1.708 2.0381x 2 + 0.898 2.350 1.5 Exactitud (ppm) 2 2.131 1.819 2.787 Efecto del nivel de exactitud requerido sobre el n.093 2.074 2.012 2.179 2.120 1.080 1.074 1.363 1.5 1 1.782 2.319 1.086 1.753 2.734 2.093 1.714 2.797 2.01 3. 160 800 700 140 600 120 500 y = 0.228 1.5832 R2 = 0.110 2.069 1.328 1.878 2.345 1.250 3.316 Cálculo de n en Excel n 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0.977 2.055 3.120 2.761 2.5 3 0 0 10 20 30 40 50 60 70 CV (%) 8 .1 0.2 1.101 2.729 2.341 1.921 2.069 2.721 2.145 2.080 2.228 2.0098x + 2.746 2.372 1.725 2.831 2.05 n=s2*t2/d2 2.064 24 23 23 22 22 22 21 21 21 21 21 20 20 20 20 20 Determinación del número de muestras en función del CV.262 2.812 2.740 2.771 2.330 1.323 1.Tabla de t n-1 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 nivel de probabilidad 0.833 2.

5*H • Un valor extremo se define como cualquier valor menor que Q1-3*H o mayor que Q3+3*H > 5.00% estatura 61 56 59 96 93 78 64 56 84 96 67 88 85 98 55 53 61 62 52 77 78 50 78 72 53 59 61 60 80 162 155 180 196 192 156 191 191 178 175 184 159 161 190 167 159 176 188 168 150 167 152 177 191 176 180 194 178 151 Datos muestreales Valores extremos y atípicos (outliers) Histograma Frecuencia Clase 4.63 9 .80 4.33% 2.72% 97.00% 80.47 5.5*H o mayor que Q3+1.67% 100.13 5.63 > 5. • Resumen de estadísticas.00% 10 Frecuencia • Q1=percentil 25 • Q3=percentil 75 • H=Q3-Q1 (rango inter cuartil) % acumulado 40.00% 0 .60% 65.63 Peso 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 25 120.97 5.00% 15 60.13 5.00% 4. • Medidas de forma.30 5.97 5. • Medidas de dispersión.30 5. Histograma Frecuencia 1 0 7 20 8 6 1 % acumulado 2.63 Clase • Un valor atípico se define como cualquier valor menor que Q1-1.33% 18.12% 83.80 4. • Tests de normalidad.47 5.00% 20 100.obs Estadística descriptiva • Tablas de frecuencia e histogramas.00% 5 20.

Pruebas de normalidad Prueba de normalidad en SAS • Gráfico de cuantiles: Se grafican los cuantiles de la muestra contra los de la distribución normal.0 3. – H0: Normal – Ha: no normal – Rechazar H0 cuando P < 0.8 3.4 mo 10 . • Test de Normalidad en distintos programas estadísticos.0 2. Linea recta si es normal.6 2.2 2.05 Resumen de estadísticas QQ Plot Promedio 2 Normal Distribution 1 1 n m   xi n i 1 0 -1 -2 2.4 2.2 3.

025 * s y Límite de confianza superior li  y  t 0.025 * s y Límite de confianza inferior Coef .Skewness  1 n ( xi  m)3  n i 1 2 11 .Resumen de estadísticas Resumen de estadísticas Mediana Varianza M  x n 1 n es impar 2 ( xn  xn ) M 2 2 1 s2  n es par  y n i y  2 i n 1 2 Estadística descriptiva Estadística descriptiva Asimetría sy  CV  s2 n Error estándar s *100 y Coeficient e de variación ls  y  t 0.

de asimetría < 0 Curtosis • La curtosis representa la elevación o achatamiento de una distribución. g2> 0 (distribución leptocúrtica).Sesgo (Skewness) • Sesgada a la derecha: Pocos valores altos –m>M – Coef. – Distribución platicúrtica: presenta un reducido grado de concentración alrededor de los valores centrales de la variable. 12 . Curtosis Curtosis (aulafacil. de asimetría > 0 • Sesgada a la izquierda: pocos valores a la izquierda. Los resultados pueden ser los siguientes: g2 = 0 (distribución mesocúrtica). • Una curtosis positiva indica una distribución relativamente elevada • Una curtosis negativa indica una distribución relativamente plana.com) • Se definen 3 tipos de distribuciones según su grado de curtosis: – Distribución mesocúrtica: presenta un grado de concentración medio alrededor de los valores centrales de la variable (el mismo que presenta una distribución normal). g2< 0 (distribución platicúrtica). comparada con la distribución normal. –m<M – Coef. – Distribución leptocúrtica: presenta un elevado grado de concentración alrededor de los valores centrales de la variable.

0 5.0 3.2 5.2 3.4 3.8 2.4 2.com) Ejemplos • En Excel • En SAS Gráficos de dispersión (Scatterplots) 80 14 70 12 60 N disponible 10 P Olsen • Permiten establecer visualmente la relación entre dos variables.8 5. Relación entre variables 8 6 50 40 30 20 4 4.6 5.4 pH 5.Curtosis (aulafacil. • Identificación de “outliers” • No dicen nada respecto al grado de relación.6 Materia orgánica 13 .2 2.6 2.0 2.8 3.

Correlación Coeficiente de correlación de Pearson. • Relación entre variables puede ser: – Positiva – Negativa – Sin correlación • Coeficiente de correlación: – – – – – Grado y tipo de correlación entre variables Varía entre –1 y 1 A mayor valor absoluto > correlación Valor depende del n Fijarse en el nivel de significancia más que en el valor absoluto. • Coeficiente de correlación en Excel. • Correlation en EZAnalyze • Rechazar H0 y aceptar Ha cuando P < α 14 . Prueba de hipótesis para correlación • H0: No existe correlación entre las dos variables (ρ=0) • Ha: Existe correlación entre las dos variables (ρ ≠ 0) 1 n  ( xi  x)( yi  y) n r  i 1 sx  s y Numerador: Covarianza Análisis de correlación • Proc Corr en SAS (ventaja: informa los valores de P).

45 0.48 -0. • Muestras son de poblaciones independientes.22 0.06 -0.56 0.37 0. • ¿Hay alguna diferencia en los valores de las casas vendidas por corredores de propiedades damas y varones en Santiago? • ¿Hay diferencia entre el número promedio de defectos en productos fabricados en los turnos de mañana y tarde? • ¿Hay diferencia entre los días de ausencia de trabajadores jóvenes (< 21 años) y mayores (>60) en la industria del retail? • ¿Hay diferencias salariales entre los Ing.Matriz de correlación en Excel X Y pH MO N P K Cota Ejemplos de comparación de poblaciones.71 -0.18 Y pH MO N P K Cota 1 -0.05 1 0. • Formula de calculo de z es: Usar si tamaño de muestra  30 Usar si tamaño de muestra  30 o si  1 y  2 son conocidas y si  1 y  2 son desconocidas z X1  X 2  12 n1   22 n2 z X1  X 2 s12 s22  n1 n2 15 .09 -0.07 -0.26 0.87 1 -0.04 -0. graduados de la USM y aquellos graduados en la UChile? • ¿Mejora la productividad de los trabajadores cuando se pone música ambiental? X 1 0.12 1 0.32 1 Comparar dos medias de poblaciones • No se requiere ningún supuesto respecto a la forma de las distribuciones.41 -0.71 0.09 -0.66 1 0.35 0.03 0.54 0.24 -0.54 1 0. Com.01 0.06 -0.09 -0.

H0: µS ≤ µU H1: µS > µU Ejemplo 1 Ejemplo Paso 4: Establecer la regla de decisión.33) Paso 2: Establecer el nivel de significancia en este caso 0. En este caos n> 30 en ambos casos.30 2  50 100 0 . Se incluyó el tiempo de espera. La decisión es rechazar la hipótesis nula. •Se midió el tiempo desde que el cliente entra a la caja hasta que las bolsas están en su carro. Se concluye que el método U-Scan es más rápido.40 2 0. se puede usar la distribución de z como estadístico.064 3.INV(0.99)=2.2 minutos es suficientemente grande para haber ocurrido por azar. 16 .2   3.01 Paso 3: Encontrar el estadístico apropiado.5  5.ESTAND.3 0. Paso 1: Establecer la hipótesis nula y la alternativa.13>2. •Se desea saber si los clientes terminan sus compras más rápido que con el sistema de scanner estándar (S-scan).33.33 (Excel=DISTR. La diferencia de 0.13 0. Paso 5: calcular el valor de z y decidir z Xs  Xu  s2 ns    u2 nu 5.NORM.Ejemplo Ejemplo 1 •Se instaló un nuevo sistema de scanner (U-scan) en un supermercado. Rechazar H0 si Z > Z Z > 2.

Pooled t test Dos pasos para encontrar t. Paso 3: Encontrar el test estadístico apropiado. •Existen dos métodos para montar los motores (Welles y Atkins).1). t 1 1  s 2p     n1 n2  Ejemplo (Pooled t-test) Paso 1: Establecer hipótesis nula y alternativa. • Se requieren los siguientes supuestos: 1. •Se midió el tiempo de montaje. Ambas poblaciones deben ser normales 2. pero se asumen iguales. 3. 17 . Usar la desviación estándar ponderada en X1  X 2 la muestra. Ponderar las desviaciones estándar de 2 (n1  1) s12  (n2  1) s22 sp  las muestras. Ejemplo (the Pooled t-test) •Empresa que fabrica cortadoras de pasto. H0: µ1 = µ2 H1: µ1 ≠ µ2 Paso 2: Establecer el nivel de significancia=10% dos colas (0. n1  n2  2 2. se usa el pooled t-test. 1.Comparación de medias de población con desviación estándar desconocida. Debido a que no se conocen las desviaciones estándar. bajo el supuesto de igual varianza (Pooled t-test) • Se usa la distribución de t como estadístico si una de las muestras tiene < 30 observaciones. Poblaciones deben tener igual desviación estándar (o igual varianza). •La pregunta es si existen diferencias en el tiempo de montaje? •Prueba se hizo con 5 empleados para el método Welles y 6 empleados para el Atkins. Muestras vienen de poblaciones independientes.

1. debido a que 0.833.38302874 0.5 5 6. No hay diferencia entre los métodos de montaje.t.9 t > 1. Media Varianza Observaciones Varianza agrupada Diferencia hipotética de las medias Grados de libertad Estadístico t P(T<=t) una cola Valor crítico de t (una cola) P(T<=t) dos colas Valor crítico de t (dos colas) 4 8.n1+n2-2 t > t.662 18 .9)=1.83311292 atk ins 5 4.4 6 -0.05.662 cae en la región que va de -1.T.05.833.833 Ejemplo (Pooled t-test) Paso 5: calcular el valor de t y tomar una decisión.Ejemplo (Pooled t-test) Paso 4: Establecer la regla de decisión. Rechazar H0 si t > t/2.26226318 1.22222222 0 9 -0.INV(0.n1+n2-2 o t < . (a) Calcular la desviación estándar de las muestras (en Excel=DISTR.1.833 o t < .9 o t < . dos colas) (b) Calcular la desviación estándar ponderada Ejemplo (Pooled t-test) Ejemplo (Pooled t-test) Paso 5: calcular el valor de t y tomar una decisión Prueba t para dos muestras suponiendo varianzas iguales welles La decisión es no rechazar la hipótesis nula.52452635 1.t/2.66205112 0.833 a 1.

64106076 P(T<=t) una cola 0. Muestras dependientes son aquellas que son pareadas o relacionadas de alguna manera.4 6 Prueba de hipótesis para muestras pareadas o dependientes. Prueba de hipótesis para dos medias: muestras dependientes (pareadas).54189419 Valor crítico de t (dos colas) 1. Cuando las muestras sean dependientes o pareadas usar la siguiente fórmula: t  d sd / n Donde: d es el promedio de las diferencias sd es la desviación estándar de las diferencias. Ejemplo con varianzas desiguales Prueba t para dos muestras suponiendo varianzas desiguales welles Media 4 Varianza 8. Los grados de libertad se ajustan a la baja a través de la formula. uno buscaría el mismo modelo de auto en dos (o más) concesionarios y compararía los precios.8945786 atk ins 5 4.Comparar medias de poblaciones con distinta desviación estándar. respectivamente y se usan en reemplazo de las desviaciones estándar de las poblaciones. • Si deseara medir la efectividad de una nueva dieta uno pesaría a las personas en dieta al principio y al final de la dieta. n es el número de pares (diferencias) 19 .2709471 Valor crítico de t (una cola) 1. es que se requerirá un mayor valor de t para rechazar la hipótesis nula.41492393 P(T<=t) dos colas 0. Ejemplos: • Si deseara comprar un auto.l.5 Observaciones 5 Diferencia hipotética de las medias 0 Grados de libertad 7 Estadístico t -0. Las desviaciones estándar de las muestras son S1 y S2. El efecto de reducir los g.

5%. El banco selecciona diez propiedades y las hace tasar por parte de los dos tasadores.t/2.T. dos colas(0.05) en este caso. Ejemplo Paso 5: calcular el valor de t y tomar una decisión El valor calculado de t es mayor que el valor crítico (2.262 =DISTR. Rechazar H0 si t > t/2. se puede concluir que existen diferencias entre los valores de ambos tasadores? Ejemplo Paso 4: Establecer la regla de decisión.INV(0. 9 t > 2.n-1 t > t. Se concluye que hay diferencia entre las tasaciones de las casas.025.262 Ejemplo Paso 1: Establecer las hipótesis nula y alternativa H0: d = 0 H1: d ≠ 0 Paso 2: Establecer el nivel de significancia. Al 5% de significancia. Prueba de t.Ejemplo Un banco desea comparar las tasaciones de varias propiedades hechas por dos tasadores (Schadek Bowyer). Resultados se expresan en miles de dólares.t.05.262 o t < -2.262). por lo tanto la decisión es rechazar la hipótesis nula.025. 20 . Paso 3: Encontrar la prueba estadística apropiada. n-1 o t < .9)=2.9 0 t < .

8 222. • La tasa promedio de retorno en dos tipos de acciones comunes puede ser similar. Se debe asegurar que además de producir el mismo largo de barras. Sin embargo. pero podría existir mayor variación en la tasa de retorno en una de ellas.0091639 2. • Un estudio del Dpto. • Cada miembro de F no puede ser negativo y es una distribución continua.00458195 1. estas tengan una variación similar.2 208. Por ejemplo.177778 10 10 0.26215716 Comparar dos varianzas de poblaciones La distribución de F es usada para probar la hipótesis de que la varianza de una población normal es igual a la varianza de otra población normal. • Cada miembro de la familia es determinado por dos parámetros: los grados de libertad del numerador y los grados de libertad del denominador. • Existe una “familia” de distribuciones F. Casa Schadek 1 2 3 4 5 6 7 8 9 10 Bowyer 235 210 231 242 205 230 231 210 225 249 Características de la distribución de F Prueba t para medias de dos muestras emparejadas 228 205 219 240 198 223 227 215 222 245 Media Varianza Observaciones Coeficiente de correlación de Pearson Diferencia hipotética de las medias Grados de libertad Estadístico t P(T<=t) una cola Valor crítico de t (una cola) P(T<=t) dos colas Valor crítico de t (dos colas) Schadek Bowyer 226. • La distribución de F es sesgada a la derecha. podría existir mayor variación en las primeras. respectivamente.95314381 0 9 3.83311292 0. La prueba estadística F se Define como: 21 . Prueba para varianzas iguales Para conducir la prueba.Resultado en Excel. el mismo estudio determinó que la varianza en el tiempo de lectura fue aproximadamente dos veces más grande en hombres que en mujeres. • Sus valores varían entre 0 e  • cuando F   la curva se hace asintótica al eje X. Ejemplos: • Dos máquinas productoras de acero se programan para producir barras de acero del mismo largo.844444 204. de Marketing de un periódico importante encontró que hombres y mujeres gastan más o menos el mismo tiempo leyendo el diario. sin embargo.30450068 0. una muestra de 10 acciones de tecnología y 10 de servicios pudieran tener la mima tasa de retorno. se seleccionan muestras de tamaño n1 y n2 para las poblaciones 1 y 2.

• El Gerente de la compañía considera dos rutas: una vía Costanera Norte y la otra vía Alameda. • Se recolectaron datos del tiempo de viaje en minutos. Paso 3: La prueba estadística es la distribución de F Ejemplo Paso 4: Establecer la regla de decisión. • Usando un nivel de significancia de un 5%.05.v2 F > F.05. 22 .7 Ejemplo Paso 5: Calcular el valor de F y tomar una decisión Alameda Costanera La decisión es rechazar la hipótesis nula.v1. debido a que el valor de F calculado (4. • Se desea estudiar el tiempo de viaje para cada ruta y comparar los resultados. Se concluye que existe una diferencia significativa de la variación de los tiempos de viaje en las dos rutas.6.05. Ejemplo Paso 1: Las hipótesis son: H0: σ12 = σ12 H1: σ12 ≠ σ12 Paso 2: El nivel de significancia es .8-1 F > F.Ejemplo • Una compañía de transfers ofrece servicios desde el aeropuerto hasta el centro de la ciudad.7-1.23) es mayor que el valor crítico (3. existe diferencia en la variación en los tiempos de viaje en ambas rutas.87). Rechazar H0 si F > F.

• Error tipo II: – Definido como la probabilidad de “aceptar” la hipótesis nula cuando esta es en realidad falsa. – Se denota con la letra griega “” – Se conoce también como nivel de significancia. si la hipótesis nula es verdadera.Ejemplo Tipos de error Tipos de error en prueba de hipótesis p-Value • Error tipo I: – Definido como la probabilidad de rechazar la hipótesis nula cuando esta es verdadera. • Si p-value < nivel de significancia. – Se denota con la letra griega “β” • Se puede comparar el p-value con el nivel de significancia (). se rechaza H0. • p-VALUE probabilidad de observar un valor muestreal tan o más extremo que el observado. 23 . de otra forma H0 no se rechaza.

001. evidencia extremadamente fuerte que H0 no es verdadera. alguna evidencia que H0 no es verdadera. (c) . muy fuerte evidencia que H0 no es verdadera. (d) .Partes de una distribución en una prueba de hipótesis interpretación p-value < ? (a) .05.10. 24 .01. (b) . fuerte evidencia que H0 no es verdadera.