Noviembre 2015

Ing. Rubén Darío Estrella, MBA

Cavaliere dell’ordine al Merito della Repubblica Italiana
Ingeniero de Sistemas, Administrador, Matemático, Teólogo y
Maestro
rubendarioestreooa@hotmail.com /
rubenestrella@atalayadecristo,org
 Las hipótesis indican lo que estamos buscando o
tratando de probar y pueden definirse como
explicaciones tentativas del fenómeno investigado
formuladas a manera de proposiciones.

 Las hipótesis no necesariamente son verdaderas,

pueden o no serlo, pueden o no comprobarse con
hechos. Son explicaciones tentativas, no los hechos
en sí.

 Dentro de la investigación científica, las hipótesis son

proposiciones tentativas acerca de las relaciones entre
dos o más variables y se apoyan en conocimientos
organizados y sistematizados.
 Sampieri H., Roberto. "Metodología de la Investigación". McGraw Hill:
Segunda Edición. 1998 BEST SELLER INTERNACIONAL.
 Hipótesis nulas son, en cierto modo, el reverso de las
hipótesis de investigación. También constituyen
proposiciones acerca de la relación entre variables;
que sirven solo para refutar o negar lo que afirma la
hipótesis de investigación.

 Hipótesis alternativas, como su nombre lo indica, son

posibilidades "alternas" ante las hipótesis de
investigación y nula: Ofrece otra descripción o
explicación distintas a las que proporcionan estos
tipos de hipótesis.

 Si la hipótesis de investigación establece: "esta silla es

roja", y podrían formularse una o más hipótesis
alternativas: ""esta silla es azul", "esta silla es verde",
"esta silla es amarilla", etcétera.
 Hipótesis estadísticas son las transformaciones de las
hipótesis de investigación, nulas y alternativas en
símbolos estadísticos. Se pueden formular solo
cuando los datos del estudio que se van a recolectar y
analizar para probar o rechazar las hipótesis son
cuantitativos (números, porcentajes, promedios). Es
decir, el investigador traduce su hipótesis de
investigación y su hipótesis nula (y cuando se
formulan hipótesis alternativas, también estas) en
términos estadísticos.

 En estadística, una hipótesis es una afirmación o

declaración que se hace acerca de una propiedad de
una población.
 Componentes de una Prueba de Hipótesis.

 Hipótesis nula (denotada por Ho) es una declaración acerca del
valor de un parámetro de población (como la media) y debe
contener la condición de igualdad escrita con el símbolo =, o . (Al
efectuar realmente la prueba, operaremos bajo el supuesto de
que el parámetro es igual a algún valor especifico.) En el caso de
la media, la hipótesis nula se expresara en una de estas tres
posibles formas:
 Ho:  = algún valor
 Ho:   algún valor
 Ho:   algún valor
 Por ejemplo, la hipótesis nula que corresponde a la creencia
común de que la temperatura corporal media es 98.6ºF se
expresa como Ho:=98.6. Probamos la hipótesis nula
directamente en el sentido de que suponemos que es verdad y
llegamos a una conclusión que puede ser rechazar Ho o bien en
no rechazar Ho.
 Nunca se puede aceptar la hipótesis nula como verdadera. El no
rechazo de la hipótesis nula solamente significa que la evidencia
muestral no es lo suficientemente fuerte como para llegar a su
rechazo.

 Antes que se rechace la hipótesis nula, la media muestral debe

diferir significativamente de la media poblacional planteada como
hipótesis. Es decir, que la evidencia debe ser muy convincente y
concluyente. Una conclusión con base en un rechazo de la
hipótesis nula es más significativa que una que termine en una
decisión de no rechazo.

 Diferencia estadísticamente insignificante

 En la diferencia entre el valor de la media poblacional bajo la

hipótesis y el valor de la media muestral que es lo
suficientemente pequeña como para atribuirla a un error de
muestreo.

 Hipótesis Alternativa (denotada por Ha) es la
declaración que debe ser verdad si la hipótesis nula es
falsa. En el caso de la media, la hipótesis alternativa
se expresara en una de tres posibles formas:
 Ha:   algún valor
 Ha:  > algún valor
 Ha:  < algún valor

 Obsérvese que Ha es lo contrario de Ho. Por ejemplo,

si Ho se da como  =98.6, se sigue que la hipótesis
alternativa esta dada por Ha:   98.6.
 Errores Tipo I y Tipo II.
Al probar una hipótesis nula, llegamos a una conclusión de
rechazarla o no rechazarla. Tales conclusiones a veces son
correctas y a veces equivocadas. Hay dos tipos de errores que
podemos cometer.

 Error Tipo I.
 El error de rechazar la hipótesis nula, dado que es verdadera.

 La probabilidad de cometer un error tipo I es igual al nivel de

significancia, o valor  en el que se prueba la hipótesis.

 Error Tipo II.

 Es no rechazar una hipótesis nula que es falsa. Usamos el
símbolo  para representar la probabilidad de error tipo II.
 Como controlar los errores tipo I y tipo II. Consideraciones
practicas que podrían ser pertinentes:

 1. Para cualquier  fija, un aumento en el tamaño de muestra n

hace que  disminuya. Es decir, una muestra más grande reduce
la posibilidad de cometer el error de no rechazar la hipótesis
nula, dado que en realidad es falsa.

 2. Para cualquier tamaño de muestra fijo n, una disminución de 

causará un incremento en . Por otra parte, un incremento en 
causará una disminución en .

 3. Si queremos reducir tanto  como , deberemos aumentar el

tamaño de muestra.
 Estadística de Prueba.
 Una estadística de muestra o un valor basado en los datos de
una muestra. Se utiliza una estadística de prueba para tomar la
decisión de rechazar o no la hipótesis nula.
 Z = (X' - )/(/n)
 Z = (X' - )/(s/n)
 Región critica.
 El conjunto de todos los valores de la estadística de prueba que
nos harían rechazar la hipótesis nula.

 Valor critico.
 El valor o valores que separan la región critica de los valores de la
estadística de prueba que no nos harían rechazar la hipótesis
nula. Los valores críticos dependen de la naturaleza de la
hipótesis nula, la distribución de muestreo pertinente y el nivel
de significancia .
 Las colas de una distribución son las regiones extremas delimitadas por
valores críticos. Rechazamos la hipótesis nula Ho si nuestra estadística
de prueba esta en la región critica o área de rechazo porque eso indica
una discrepancia significativa entre la hipótesis nula y los datos de la
muestra.

 Algunas pruebas son de cola izquierda, con la región critica situada en

la región de extrema izquierda de la curva; otras podrían ser de cola
derecha, con la región critica en la región de la extrema derecha bajo la
curva.

 En las pruebas de dos colas, el nivel de significancia  se divide

equitativamente entre las dos colas que constituyen la región critica o
área de rechazo. En las pruebas de cola derecha o izquierda, el área de
la región critica es .

 Si examinamos la hipótesis nula Ho, deberemos poder deducir si una

prueba es de cola derecha, de cola izquierda o de dos colas. La cola
corresponderá a la región critica que contenga los valores que podrían
contradecir significativamente la hipótesis nula.
 Vale la pena destacar que tanto en la prueba de cola a la
izquierda como a la derecha el signo igual se coloca en la
hipótesis nula. Esto es porque la hipótesis nula se esta probando
a un valor  especifico (como 5%) y el signo igual da a la hipótesis
nula un valor especifico para probarla.

 Una prueba de cola a la izquierda tiene una zona de rechazo solo

en la cola izquierda y se da bajo la condición de:
 Ho:   algún valor
 Ha:  < algún valor

 Una prueba de cola a la derecha tiene una zona de rechazo solo

en la cola derecha y se da bajo la condición de:
 Ho:   algún valor
 Ha:  > algún valor

 Prueba de dos colas para
 Hay cuatro pasos involucrados en una
prueba:
 Paso 1: Plantear las hipótesis.
 Paso 2: Con base en los resultados de la
muestra, calcular el valor del estadístico de
prueba Z.
 Paso 3: Determinar la regla de decisión con
base en los valores críticos de Z.
 Paso 4: Interpretación y conclusiones.
 Caso I.
 Como gerente de compras de una gran empresa de
seguros usted debe decidir si actualizar o no los
computadores de la oficina. A usted se le ha dicho
que el costo promedio de los computadores es de
US$2,100. Una muestra de 64 minoristas revela un
precio promedio de US$2,251, con una desviación
estándar de US$812. ¿A un nivel de significancia del
5% parece que su información es correcta?
Datos:
 Ho:  =US$2,100
 n=64 minoristas
 X'=US$2,251 precio promedio (de los computadores) de la
muestra
 s=US$812
  =5%=0.05 (nivel de significancia)
Paso 1: Plantear las hipótesis.
El gerente de compra desea probar la hipótesis de que la media
poblacional es =US$2,100 bajo un nivel de significancia
=5%=0.05. Debido a que se plantea la hipótesis de que 
=US$2,100, la hipótesis nula y la alternativa son:
Ho:  = 2,100
Ha:   2,100
Paso 2: Con base en los resultados de la muestra,
calcular el valor del estadístico de
prueba Z.
Para probar la hipótesis, se calcula el estadístico de prueba Z, y
se compara con los valores críticos de Z.

Z = (X' - H)/(/n)
Z = (X' - H)/(s/n)
en donde
X' es la media muestral
H es el valor de la media poblacional
bajo hipótesis nula

s/n es el error estándar de la distribución

muestral

Ho:  = 2,100
n=64 minoristas
X'=US$2,251
s=US$812
Z = (2,251 - 2,100)/(812/8)
Z = (151)/(101.5)
Z = 1.49
Paso 3: Determinar la regla de decisión con base
en los valores críticos de Z.

El nivel de significancia del 5% se divide en dos colas. El 95%

restante se divide por 2 para hallar el área de 0.4750. En
la tabla Z esta área de 0.4750 da los valores críticos de Z
de 1.96.

La Regla de Decisión es: "No se rechaza la hipótesis nula

sí -1.96  Z  1.96. Se rechaza sí Z < -1.96 o Z > 1.96.

Vale la pena destacar que las zonas de rechazo están en

ambas colas. Si Z < -1.96 o Z > 1.96, se rechaza la
hipótesis nula.
Paso 4: Interpretación y conclusiones.

El paso final en la prueba de hipótesis es donde cae el valor del

estadístico para la muestra y determinar si la hipótesis nula
debería rechazarse o no. El valor del estadístico para la muestra
es X'=US$2,251 produce una Z=1.49 ==> 1.49<1.96 y cae
dentro de la zona de no rechazo.

Interpretación:

La diferencia entre el valor de la media poblacional bajo la

hipótesis nula de = 2,100 y el valor de la media muestral de
X'=US$2,251 es estadísticamente insignificante. Podría resultar
simplemente del error de muestreo. De hecho sí =2,100; el
95% de todas las muestras de tamaño n=64 producirán valores
de Z entre  1.96.
Caso II.
Un contrato de manejo laboral exige una producción diaria de 50
unidades. Una muestra de 150 días revela una media de 47.3,
con una desviación estándar de 5.7 unidades. Fije =5% y
determine si se cumple con la disposición del contrato.

Caso III.
Un gerente de una empresa considera que los empleados gastan
un promedio de 50 minutos para llegar al trabajo. Se toma una
muestra de 70 empleados que se toman en promedio 47.2
minutos con una desviación estándar de 18.9 minutos. Fije  en
1% y pruebe la hipótesis.

TAREA: Ejercicios 1 al 16 Págs. 204-205. Para entregar en la

próxima clase.
 Caso I. Baskin-Robbins, la franquicia de helados,
afirma que el numero de tiendas que se abre se ha
incrementado por encima del promedio semanal de
10.4 experimentado en tiempo de escasez (The Wall
Street Journal, febrero de 1997). ¿Existe alguna
evidencia para sustentar esta afirmación si 50
semanas muestran una media de 12.5 y una
desviación estándar de 0.66 tiendas? La gerencia esta
dispuesta a aceptar una probabilidad del 4% de
rechazo de la hipótesis nula si esta es cierta.
 Datos:
 N =50 semanas
 X‘ =12.5 tiendas de la muestra
 S =0.66 tiendas
  =4%=0.04 (nivel de significancia)
 Caso I. Baskin-Robbins, la franquicia de helados, afirma que el
numero de tiendas que se abre se ha incrementado por encima
del promedio semanal de 10.4 experimentado en tiempo de
escasez (The Wall Street Journal, febrero de 1997). ¿Existe
alguna evidencia para sustentar esta afirmación si 50 semanas
muestran una media de 12.5 y una desviación estándar de 0.66
tiendas? La gerencia esta dispuesta a aceptar una probabilidad
del 4% de rechazo de la hipótesis nula si esta es cierta.
 Paso 1: Plantear las hipótesis.
 La afirmación de que el incremento es por encima del promedio
semanal de 10.4 sirve como hipótesis alternativa debido a que 
>10.4 no contiene el signo igual.
 Una prueba de cola a la derecha tiene una zona de rechazo solo
en la cola derecha y se da bajo la condición de:
 Ho:   algún valor Ha:  > algún valor
 Ha:  > 10.4 tiendas semanal
 Ho:   10.4 tiendas semanal
 Caso I. Baskin-Robbins, la franquicia de helados, afirma que el numero de tiendas
que se abre se ha incrementado por encima del promedio semanal de 10.4
experimentado en tiempo de escasez (The Wall Street Journal, febrero de 1997).
¿Existe alguna evidencia para sustentar esta afirmación si 50 semanas muestran
una media de 12.5 y una desviación estándar de 0.66 tiendas? La gerencia esta
dispuesta a aceptar una probabilidad del 4% de rechazo de la hipótesis nula si
esta es cierta.
 Paso 2: Con base en los resultados de la muestra, calcular el valor del estadístico
de prueba Z.
 Para probar la hipótesis, se calcula el estadístico de prueba Z, y se compara
con los valores críticos de Z.
 Z = (X' - H)/(/n)
 Z = (X' - H)/(s/n)
 en donde
 X' es la media muestral
 H es el valor de la media poblacional bajo hipótesis nula
 /n es el error estándar de la distribución muestral
 = (12.5 - 10.4)/(0.66/50)
 = 2.1/0.093
 = 22.5
 Caso I. Baskin-Robbins, la franquicia de helados, afirma que el numero
de tiendas que se abre se ha incrementado por encima del promedio
semanal de 10.4 experimentado en tiempo de escasez (The Wall Street
Journal, febrero de 1997). ¿Existe alguna evidencia para sustentar esta
afirmación si 50 semanas muestran una media de 12.5 y una desviación
estándar de 0.66 tiendas? La gerencia esta dispuesta a aceptar una
probabilidad del 4% de rechazo de la hipótesis nula si esta es cierta.
 Paso 3: Determinar la regla de decisión con base en los valores críticos
de Z.

 El nivel de significancia del 4%. El 50% se resta de 4% para hallar el área

de 0.46. En la tabla Z esta área de 0.46 da el valor critico de Z de 1.75.


 La Regla de Decisión es: "No se rechaza la hipótesis nula sí Z  1.75. Se

rechaza sí Z>1.75”.
 Caso I. Baskin-Robbins, la franquicia de helados, afirma que el numero
de tiendas que se abre se ha incrementado por encima del promedio
semanal de 10.4 experimentado en tiempo de escasez (The Wall Street
Journal, febrero de 1997). ¿Existe alguna evidencia para sustentar esta
afirmación si 50 semanas muestran una media de 12.5 y una desviación
estándar de 0.66 tiendas? La gerencia esta dispuesta a aceptar una
probabilidad del 4% de rechazo de la hipótesis nula si esta es cierta.
 Paso 4: Interpretación y conclusiones.
 El paso final en la prueba de hipótesis es donde cae el valor del
estadístico para la muestra y determinar si la hipótesis nula debería
rechazarse o no. El valor del estadístico para la muestra produce una
Z=22.5 ==> 22.5>1.75 y cae dentro de la zona de rechazo o región
critica.

 Interpretación:
La hipótesis nula se rechaza ya que en tiempo de escasez no se abren
mas de 10.4 tiendas semanal
 Caso II.
 Según Wall Street Journal (mayo 12 de 1997)
muchas compañías de ropa deportiva están
tratando de comercializar sus productos entre
los mas jóvenes. El articulo sugirió que la
edad promedio de los consumidores había
caído por debajo de la media de 34.4 años
que caracterizo los comienzo de la década. Si
una muestra de 1000 clientes reporta una
media de 33.2 años y una desviación de 9.4,
¿qué se concluye a un nivel de significancia de
4%?
 Caso III
 Un distribuidor de bebidas plantea la hipótesis
de que las ventas por mes promedian
US$12,000. Diez meses seleccionados como
muestra reportan una media de US$11,277 y
una desviación estándar de US$3,772. Si se
utiliza un valor  del 5%. ¿Que puede concluir
acerca de la impresión que tienen el
distribuidor sobre las condiciones del negocio?

 Ejercicios 33 al 40 Págs. 215-216.

 El Método de valor P para probar hipótesis.
 Dado una hipótesis nula y datos de muestra, el valor p
refleja la verosimilitud de obtener los valores de
muestra en cuestión suponiendo que la hipótesis nula
realmente es verdad.

 Valor P (o valor de probabilidad) es la probabilidad de

obtener un valor de la estadística de prueba que será al
menos tan extremo como se obtiene a partir de los
datos de muestra, suponiendo que la hipótesis es
verdad.

 Valor P es el nivel más bajo de significancia (valor
mínimo) al cual se puede rechazar la hipótesis nula. Es
el área en la cola que está más allá del valor del
estadístico para la muestra.
 El Método de valor P para probar hipótesis.

 Algunos criterios de decisión basados exclusivamente

en el valor P:

 - Rechazar la hipótesis nula si el valor P es menor que el

nivel de significancia, o igual a él.

 - No rechazar la hipótesis nula si el valor P es mayor

que el nivel de significancia.
 Caso I. A comienzo de los años 90 Sony Corporation
introdujo su Play Station de 32 bits en el mercado de los
juegos de video. La gerencia esperaba que el nuevo
producto incrementara las ventas mensuales en Estados
Unidos por encima de los US$283,000,000 que Sony
había experimentado en la década anterior. Una
muestra de 40 meses reporto una media de
US$297,000,000. Se asume una desviación estándar de
US$97,000,000. Pruebe la hipótesis nula a un nivel de
significancia del 1%. Calcule e interprete el valor p.
 Datos:
 n=40 meses
 X'=US$297,000,000 ventas de la muestra
 s=US$97,000,000
 α=1%=0.01 (nivel de significancia)
 Caso I. A comienzo de los años 90 Sony Corporation introdujo su
Play Station de 32 bits en el mercado de los juegos de video. La
gerencia esperaba que el nuevo producto incrementara las ventas
mensuales en Estados Unidos por encima de los US$283,000,000
que Sony había experimentado en la década anterior. Una muestra
de 40 meses reporto una media de US$297,000,000. Se asume una
desviación estándar de US$97,000,000. Pruebe la hipótesis nula a
un nivel de significancia del 1%. Calcule e interprete el valor p.
 Paso 1: Plantear las hipótesis.
 La afirmación de que el nuevo producto incrementara las ventas por
encima de US$283,000,000 sirve como hipótesis alternativa
debido a que µ > US$283,000,000 no contiene el signo igual.
 Una prueba de cola a la derecha tiene una zona de rechazo solo en
la cola derecha y se da bajo la condición de:
 Ho: µ ≤ algún valor Ha: µ > algún valor
 Ha: µ > US$283,000,000 (ventas mensuales)
 Ho: µ ≤ US$283,000,000 (ventas mensuales)
 Caso I. A comienzo de los años 90 Sony Corporation introdujo su Play Station de 32 bits
en el mercado de los juegos de video. La gerencia esperaba que el nuevo producto
incrementara las ventas mensuales en Estados Unidos por encima de los US$283,000,000
que Sony había experimentado en la década anterior. Una muestra de 40 meses reporto
una media de US$297,000,000. Se asume una desviación estándar de US$97,000,000.
Pruebe la hipótesis nula a un nivel de significancia del 1%. Calcule e interprete el valor p.
 Paso 2: Con base en los resultados de la muestra, calcular el valor del estadístico de
prueba Z. Para probar la hipótesis, se calcula el estadístico de prueba Z, y se compara con
los valores críticos de Z. Z = (X' - µ H)/(σ/√n)
 Z = (X' - µ H)/(s/√n)
 Ho: US$283,000,000 (ventas mensuales)
 n=40 meses
 X'=US$297,000,000 ventas de la muestra
 s=US$97,000,000
 α =1%=0.01 (nivel de significancia)
 Z = (297,000,000 -
283,000,000)/(97,000,000/40)
 Z = 14,000,000/15,337,047.42 = 0.91
 Caso I. A comienzo de los años 90 Sony Corporation introdujo su Play Station de 32 bits
en el mercado de los juegos de video. La gerencia esperaba que el nuevo producto
incrementara las ventas mensuales en Estados Unidos por encima de los US$283,000,000
que Sony había experimentado en la década anterior. Una muestra de 40 meses reporto
una media de US$297,000,000. Se asume una desviación estándar de US$97,000,000.
Pruebe la hipótesis nula a un nivel de significancia del 1%. Calcule e interprete el valor p.
 El valor Z para el nivel de insignificancia de 1% se obtiene en la tabla
después de restar 0.5-0.01= 0.49, el cual corresponde a 2.33
 Paso 3: Determinar la regla de decisión con base en los valores críticos
de Z.
 En la tabla Z el valor Z de 0.91 tiene el área de 0.3186. Por lo tanto el:
 valor P = 0.5 - 0.3186 = 0.1814


 La Regla de Decisión es:

 - Rechazar la hipótesis nula si el valor P es menor que el nivel de
significancia, o igual a él.
 - No rechazar la hipótesis nula si el valor P es mayor que el nivel de
significancia.
 Caso I. A comienzo de los años 90 Sony Corporation introdujo su
Play Station de 32 bits en el mercado de los juegos de video. La
gerencia esperaba que el nuevo producto incrementara las ventas
mensuales en Estados Unidos por encima de los US$283,000,000
que Sony había experimentado en la década anterior. Una muestra
de 40 meses reporto una media de US$297,000,000. Se asume una
desviación estándar de US$97,000,000. Pruebe la hipótesis nula a
un nivel de significancia del 1%. Calcule e interprete el valor p.
 Paso 4: Interpretación y conclusiones.


 El paso final en la prueba de hipótesis es donde cae el valor del

estadístico para la muestra y determinar si la hipótesis nula debería
rechazarse o no. Como el valor de significancia es menor que
0.1814 para la muestra de Z=0.91 cae en la zona de no rechazo.


 Interpretación: La hipótesis nula no se rechaza.

 Caso II.
 En el verano de 1997, el Congreso de USA aprobó un presupuesto
federal que contenía varias partidas para reducciones de impuestos.
Los analistas afirmaron que ahorraría al contribuyente promedio
US$800.00 dólares. Una muestra de 500 contribuyentes demostró
una reducción promedio en los impuestos de US$785.10 con una
desviación estándar de US$277.70. Pruebe la hipótesis a un nivel
de significancia del 5%. Calcule e Interprete el valor p.
 Datos:
 n= 500 contribuyentes
 X'=US$785.10
 s=US$277.70
 α =5%=0.05 (nivel de significancia)
 Paso 1: Plantear las hipótesis.
 Ho: µ = US$800.00
 Ha: µ  US$800.00
 Caso II.
 En el verano de 1997, el Congreso de USA aprobó un presupuesto
federal que contenía varias partidas para reducciones de impuestos.
Los analistas afirmaron que ahorraría al contribuyente promedio
US$800.00 dólares. Una muestra de 500 contribuyentes demostró
una reducción promedio en los impuestos de US$785.10 con una
desviación estándar de US$277.70. Pruebe la hipótesis a un nivel
de significancia del 5%. Calcule e Interprete el valor p.
 Paso 2: Con base en los resultados de la muestra, calcular el valor
del estadístico de prueba Z.
 Z = (X' - µ H)/(σ/√n)
 Z = (X' - µ H)/(s/√n)
 = (785.10 – 800.00)/(277.70/500)
 = -14.9/12.42
 = - 1.20
 Caso II. En el verano de 1997, el Congreso de USA aprobó un
presupuesto federal que contenía varias partidas para reducciones de
impuestos. Los analistas afirmaron que ahorraría al contribuyente
promedio US$800.00 dólares. Una muestra de 500 contribuyentes
demostró una reducción promedio en los impuestos de US$785.10 con
una desviación estándar de US$277.70. Pruebe la hipótesis a un nivel
de significancia del 5%. Calcule e Interprete el valor p.
 El valor Z para el nivel de insignificancia de 5% se divide entre dos. Se
obtiene en la tabla el valor de Z = 1.96.
 Paso 3: Determinar la regla de decisión con base en los valores críticos
de Z.
 En la tabla Z, el valor Z de 1.20 tiene el área de 0.3849. Por lo tanto el:
 0.5 - 0.3849 = 0.1151
 valor P = 2 * 0.1151 = 0.2302
 La Regla de Decisión es:
 - Rechazar la hipótesis nula si el valor P es menor que el nivel de
significancia, o igual a él.
 - No rechazar la hipótesis nula si el valor P es mayor que el nivel de
significancia.
 Caso II. En el verano de 1997, el Congreso de USA aprobó un
presupuesto federal que contenía varias partidas para reducciones
de impuestos. Los analistas afirmaron que ahorraría al
contribuyente promedio US$800.00 dólares. Una muestra de 500
contribuyentes demostró una reducción promedio en los impuestos
de US$785.10 con una desviación estándar de US$277.70. Pruebe
la hipótesis a un nivel de significancia del 5%. Calcule e Interprete
el valor p.
 Paso 4: Interpretación y conclusiones.


 El paso final en la prueba de hipótesis es donde cae el valor del

estadístico para la muestra y determinar si la hipótesis nula debería
rechazarse o no. Como el valor de significancia es menor que
0.2302 para la muestra de Z = -1.20 cae en la zona de no rechazo.


 Interpretación:


 La hipótesis nula no se rechaza.

 En secciones anteriores determinamos (1) el estimado
puntual, (2) intervalo de confianza y (3) determinamos
el tamaño de la muestra para medias y proporciones,
en esta sección los aplicaremos a la varianza de
población ² o desviación estándar de población .

 Muchas situaciones reales, como el control de calidad

en un proceso de fabricación, requiere estimar valores
de varianzas o desviaciones estándar de población.
Además de fabricar productos cuyas mediciones
producen una media deseada, el fabricante debe
elaborar productos con una calidad uniforme que no
abarquen toda la gama desde extremadamente buenos
hasta extremadamente deficientes. Dado que tal
uniformidad a menudo se puede medir por la varianza
o la desviación estándar, estas se convierten en
estadísticas vitales para mantener la calidad de los
productos.
 En una población distribuida normalmente con
varianza ², seleccionamos aleatoriamente muestras
independientes de tamaño n y calculamos la varianza
de muestras s² para cada muestra. La estadística de
muestra ²=(n-1)s²/² tiene una distribución llamada
distribución Chi cuadrada.
 ²=(n-1)s²/²

 n = tamaño de muestra
 s²= varianza de muestra
 ²= varianza de población

 La distribución Chi cuadrada esta determinada por el

numero de grados de libertad, por el momento
usaremos n-1 grados de libertad.
 Propiedades de la Distribución de la estadística Chi
cuadrada.

 1.- La Distribución Chi cuadrada no es simétrica, a

diferencia de las distribuciones normal y t Student (A
medida que aumenta el número de grados de libertad,
la distribución se vuelve más simétrica).

 2.- Los valores de Chi cuadrada pueden ser cero o

positivos, pero no pueden ser negativos.

 3.- La distribución Chi cuadrada es diferente para cada

número de grados de libertad, que es gl=n-1. A
medida que aumenta el numero de grados de libertad,
la distribución Chi cuadrada se acerca a una
distribución normal.
 Caso I.
 Usando la tabla H Distribución Chi-cuadrado.
 Encuentre los valores críticos de ² que determinan
regiones críticas que contienen un área de 0.025 en
cada cola. Suponga que el tamaño de muestra
pertinente es de 10, de modo que el número de grados
de libertad es 10-1=9

 Solución: El valor crítico de la derecha (²=19.023) se

obtiene directamente localizando 9 en la columna de
grados de libertad de la izquierda y 0.025 en la fila
superior. El valor crítico de ²=2.700 de la izquierda
también corresponde a 9 en la columna de grados de
libertad, pero es preciso localizar 0.975 (que se
obtiene de restar 0.025 a 1) en la fila superior porque
los valores de esa fila siempre son áreas a la derecha
del valor critico.
 Al obtener valores críticos de Chi cuadrada de la Tabla
H Distribución Chi-cuadrado, obsérvese que los
números de grados de libertad son enteros
consecutivos del 1 al 30, seguidos de 40, 50, 60, 70,
80, 90 y 100. Si no se encuentra en la tabla un
número de grados de libertad (digamos 52), por lo
regular puede usarse el valor crítico más cercano. Por
ejemplo, si el número de grados de libertad es 52,
remítase a la tabla y use 50 grados de libertad. (Si el
número de grados de libertad esta exactamente a la
mitad entre dos valores de la tabla, como 55,
simplemente calcule la media de los dos valores de ².)
Para números de grados de libertad mayores que 100,
use la ecuación siguiente:
 ²=1/2 [Z+(2k-
1)]²

 donde k es el numero de grados de libertad.

 Caso II.
 Encuentre los valores críticos ²L y ²R que
corresponden al grado de confianza y tamaño
de muestra dados.

 1. 95%; n=26 2. 99%; n=17

 3. 90%; n=60 4. 95%; n=50
 Estimadores de ².

 Dado que las varianzas de muestras s² (que se

obtienen con la formula s²=[(x-x')²]/(n-1)) tienden a
centrarse alrededor del valor de la varianza de la
población ², decimos que s² es un estimador no
predispuesto de ². Es decir, las varianzas de
muestras s² no tienden a sobreestimar
sistemáticamente ²; en vez de ello, tienden a
centrarse en el valor de ² mismo. Además, los
valores s² tienden a producir errores más pequeños al
estar mas cerca de ² que otras medidas de variación.
Por estas razones, el valor s² es el mejor valor
individual (o estimado puntual) de las diversas
estadísticas que podríamos usar para estimar ².
 La varianza de muestra s² es el mejor estimado
puntual de la variación de la población ².

 Dado que s² es el mejor estimado puntual de ², sería

natural esperar que s sea el mejor estimado puntual
de , pero no sucede así, porque s es un estimador
predispuesto de . Por otra parte, si el tamaño de
muestra es grande, la predisposición es tan pequeña
que podemos usar s como un estimado
razonablemente bueno de .

 Aunque s² es el mejor estimado puntual de ², no

tenemos una indicación de lo bueno que es realmente.
Para compensar esta deficiencia, deducimos un
estimado de intervalo (o intervalo de confianza) que es
más revelador.
 Intervalo de confianza (o estimado de intervalo) para la varianza
de población ².
 Despeje: ²=(n-1)s²/²
²=(n-1)s²/²
 El intervalo de confianza es:
 (n-1)s²/²R < ² < (n-
1)s²/²L
 El intervalo de confianza para la desviación estándar se obtiene
calculando la raíz cuadrada de cada componente anterior:

 [(n-1)s²/²R] <  < [(n-

1)s²/²L]

 Con un área total de dividida equitativamente  entre las dos

colas de una distribución Chi cuadrada, ²L denota el valor critico
de cola izquierda y ²R denota el valor critico de cola derecha.
 Los limites de intervalos de confianza para ² y  se
deben redondear aplicando la regla de redondeo
siguiente:


 1. Si usa el conjunto de datos original para construir

un intervalo de confianza, redondee los limites del
intervalo de confianza a una posición decimal más que
las empleadas en el conjunto de datos original.


 2. Si desconoce el conjunto de datos original y sólo

usa las estadísticas resumidas (n,s), redondee los
limites del intervalo de confianza al mismo número de
posiciones decimales que se usan para la desviación
estándar o varianza de muestra.
 Caso I.
 La Panificadora Pepin produce bizcochos que se empacan en
cajas cuyos rótulos dicen contienen 12 bizcochos con un total de
42 onzas. Si la variación entre los bizcochos es demasiado
grande, algunas cajas pesaran menos de lo debido (engañando a
los clientes) y otras pesaran más (reduciendo las utilidades). El
supervisor de control de calidad determino que puede evitar
problemas si los bizcochos tienen una media de 3.50 onzas y
una desviación estándar de 0.06 onzas o menos. Se seleccionan
aleatoriamente doce bizcochos de la línea de producción y se
pesan, con los resultados que se dan aquí (en onzas). Construya
un intervalo de confianza del 95% para ² y un intervalo de
confianza del 95% para , y luego determine si el supervisor de
control de calidad está en problemas.
 3.43 3.37 3.58 3.50 3.68 3.61
 3.42 3.52 3.66 3.50 3.36 3.42
 s²=[(x-x')²]/(n-1))
 X X-X' (X-X')^2
3.43 -0.074 0.005
3.37 -0.134 0.018 Descriptive statistics
3.58 0.076 0.006
3.5 -0.004 0.000
3.68 0.176 0.031 X
3.61 0.106 0.011
3.42 -0.084 0.007
count 12
3.52 0.016 0.000 mean 3.5042
3.66 0.156 0.024
3.5 -0.004 0.000
sample variance 0.0119
3.36 -0.144 0.021 sample standard deviation
0.1091
3.42 -0.084 0.007
42.05 0.131
MEDIA VARIANZA 0.012
3.504 DESVIACION 0.109
 f(Chisq)

0 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
Chisq
3.82 21.92

Chi-square distribution
df = 11
P(lower)
P(upper) Chi-square
.9750 .0250 21.92
.0250 .9750 3.82
 Solución:
 Con base en los datos de muestra, la media de
X'=3.504 parece excelente porque esta muy
cerca del valor deseado. Los puntajes dados
tienen una desviación estándar de s=0.109, que
podría parecer mayor que el valor deseado de
0.06 o menos. Procedamos a obtener el
intervalo de confianza para ².
 Con una muestra de 12 puntajes tenemos 11 grados de libertad. Con un
grado de confianza del 95%, dividimos =0.05 equitativamente entre las dos
colas de la distribución ² y nos remitimos a los valores de 0.975 y 0.025 en
la fila superior.
 Los valores críticos de ² son ²L=3.816 y ²R=21.920. Utilizando estos
valores críticos junto con la desviación estándar de muestra s=0.109 y el
tamaño de muestra de 12 construimos el intervalo de confianza del 95%
evaluando lo siguiente:

 (n-1)s²/²R < ² < (n-1)s²/²L

 (12-1)(0.109)²/21.920 < ² < (12-1)(0.109)²/(3.816)
 0.006 < ² < 0.034

 Si sacamos la raíz cuadrada de cada parte (antes de redondear) obtenemos:

 0.077 <  < 0.185

 Con base en el intervalo de confianza del 95% para , parece que la

desviación estándar es mayor que el valor deseado de 0.06 o menos, así que
el supervisor de control de calidad está en problemas y deberá tomar
medidas correctivas para hacer que el peso de los bizcochos sea más
uniforme.
 El intervalo de confianza de 0.077 <  < 0.185 también puede
expresarse como (0.077,0.185), pero el formato de =sE no
puede usarse porque el intervalo de confianza no tiene a s en su
centro.
 Caso II.
 Un recipiente anticongelante para automóvil supuestamente
contiene 3,785 ml del liquido. Consciente de que las
fluctuaciones son inevitables, la gerente de control de calidad
quiere estar muy segura de que la desviación estándar sea de
menos de 30 ml; De lo contrario, algunos recipientes se
desbordaran, mientras que otros no tendrán suficiente
anticongelantes. Ella selecciona aleatoriamente una muestra, con
los resultados que se dan aquí. Utilice estos resultados para
construir el intervalo de confianza del 99% para el verdadero
valor de . ¿Sugiere este intervalo de confianza que las
fluctuaciones están en un nivel aceptable?

 3,761 3,861 3,769 3,772 3,675 3,861
 3,888 3,819 3,788 3,800 3,720 3,748
 3,753 3,821 3,811 3,740 3,740 3,839
 N X X-X' (X-X')^2
1 3,761.00 -26.00 676.00
2 3,861.00 74.00 5,476.00
3 3,769.00 -18.00 324.00
4 3,772.00 -15.00 225.00
5 3,675.00 -112.00 12,544.00 Descriptive statistics
6 3,861.00 74.00 5,476.00
7 3,888.00 101.00 10,201.00
8 3,819.00 32.00 1,024.00 X
9 3,788.00 1.00 1.00 count 18
10 3,800.00 13.00 169.00
mean 3,787.0000
11 3,720.00 -67.00 4,489.00
12 3,748.00 -39.00 1,521.00 sample variance
3,066.8235
13 3,753.00 -34.00 1,156.00 sample standard55.3789
deviation
14 3,821.00 34.00 1,156.00 minimum 3675
15 3,811.00 24.00 576.00
maximum 3888
16 3,740.00 -47.00 2,209.00
17 3,740.00 -47.00 2,209.00 range 213
18 3,839.00 52.00 2,704.00
MEDIA 3,787.00 VARIANZA 3,066.82
DESVIACION 55.38
 Con una muestra de 18 puntajes tenemos 17 grados de libertad. Con
un grado de confianza del 99%, dividimos =0.01 equitativamente
entre las dos colas de la distribución ² y nos remitimos a los valores
de 0.995 y 0.005 en la fila superior.
 Los valores críticos de ² son ²L=5.697 y ²R=35.718. Utilizando
estos valores críticos junto con la desviación estándar de muestra
s=55.38 y el tamaño de muestra de 18 construimos el intervalo de
confianza del 99% evaluando lo siguiente:
 (n-1)s²/²R < ² < (n-1)s²/²L
 (18-1)(55.38)²/35.718 < ² < (18-1)(55.38)²/(5.697)
 1,459.66 < ² < 9,151.48

 Si sacamos la raíz cuadrada de cada parte (antes de redondear)

obtenemos:
 38.21 <  < 95.6
 Con base en el intervalo de confianza del 99% para , parece que la
desviación estándar es mayor que el valor deseado de 30 ml, y
algunos recipientes se desbordaran, así que el supervisor de control
de calidad está en problemas y deberá tomar medidas correctivas.
 En la practica, surgen muchas situaciones en las
cuales simplemente no es posible hacer de forma
segura ningún supuesto sobre el valor de un
parámetro o sobre la forma de la distribución
poblacional. Mas bien se deben utilizar otras pruebas
que no dependan de un solo tipo de distribución o de
valores de parámetros específicos. Estas pruebas se
denominan Pruebas no paramétricas o libres de
distribución.

 Pruebas no paramétricas.
Son procedimientos estadísticos que pueden
utilizarse para contrastar hipótesis cuando no son
posibles los supuestos respecto a los parámetros o a
las distribuciones poblacionales.
 Experimento multinomial.
 Es un experimento que satisface las siguientes condiciones.

 1. El número de ensayos es fijo.

 2. Los ensayos son independientes.
 3. Todos los resultados de ensayos individuales se deben
clasificar en una y sólo una de varias categorías distintas.
 4. Las probabilidades de las diferentes categorías se mantienen
constantes para cada ensayo.

 Distribución Chi-cuadrado

 Las dos aplicaciones más comunes de Chi-cuadrado son:

 1. Pruebas de bondad de ajuste.
 2. Pruebas de independencia.
 Prueba de bondad de ajuste.

 Sirve para probar la hipótesis de que una distribución de

frecuencia observada se ajusta a (o concuerda con) alguna
distribución propuesta.

 Medidas sobre que tan cerca se ajustan los datos muestrales

observados a una forma de distribución particular planteada
como hipótesis. Si el ajuste es razonablemente cercano, puede
concluirse que si existe la forma de distribución planteada como
hipótesis.

 Por ejemplo, se puede plantear la hipótesis que la distribución

poblacional es normal y que todos los valores posibles tienen la
misma probabilidad de ocurrir. Las hipótesis que se probarían
son:

 Ho: La distribución poblacional es normal.
 Ha: La distribución poblacional no es normal.
 Prueba de bondad de ajuste.

Si existe una gran diferencia entre lo que

realmente se observa en la muestra y lo que se
esperaría observar si la hipótesis nula fuera
correcta, en tal caso es menos probable que la
hipótesis nula sea verdadera. Es decir, la
hipótesis nula debe rechazarse cuando las
observaciones obtenidas en la muestra
difieren mucho del patrón que se espera que
ocurra si la distribución planteada como
hipótesis si se presenta.
 En las pruebas de bondad de ajuste usaremos la
siguiente notación:

 Oi representa la frecuencia observada de un resultado.

 Ei representa la frecuencia esperada de un resultado.

 k representa el número de diferentes categorías o

resultados.

 n representa el número de ensayos total.

 La prueba Chi-cuadrado tiene k-m-1 grados de

libertad, en donde m es el número de parámetros a
estimar.
 En muchos casos, podemos determinar una frecuencia
esperada multiplicando la probabilidad p de una
categoría por el número de ensayos distintos n:

 E = np

 Por ejemplo, si probamos la aseveración de que un

dado es equitativo lanzándolo 60 veces, tendremos n
= 60 (porque hay 60 ensayos) y p = 1/6 (porque un
dado es equitativo sí los seis posibles resultados son
igualmente probables, con la misma probabilidad de
1/6). Por tanto, la frecuencia esperada para cada
categoría o celda es:
 E = np
 E = 60(1/6) = 10
 Supuestos.

 Los supuestos siguientes aplican cuando probamos una hipótesis

de que la proporción de población para cada una de las k
categorías (de un experimento multinomial) es la que se asegura.

 1. Los datos constituyen una muestra aleatoria.

 2. Los datos de muestra consisten en conteos de frecuencia para
las k diferentes categorías.
 3. Para cada una de las k categorías, la frecuencia esperada es
por lo menos 5.
 La prueba de Chi-cuadrado de bondad de ajuste es confiable solo
si todo Ei es por lo menos 5.

 Estadística de prueba para pruebas de bondad del ajuste en
experimentos multinomiales.
 ² = [(Oi-Ei)^2/Ei]
 Valores Críticos.
 1. Los valores críticos se encuentran en la tabla de Chi-cuadrado
usando k-1 grados de libertad, donde k es el número de
categorías.

 2. Las pruebas de hipótesis de bondad del ajuste siempre son de
cola derecha.

 La forma de la estadística de prueba ² es tal que una
concordancia cercana entre los valores observados y los
esperados produce un valor pequeño de ². Un valor grande de
² indica una fuerte discrepancia entre los valores observados y
los esperados. Por tanto, un valor significativamente alto de ²
hará que se rechace la hipótesis nula de que no hay diferencia
entre las frecuencias observadas y esperadas. Entonces, la
prueba es de cola derecha porque el valor crítico y la región
crítica se encuentran a la extrema derecha de la distribución.
 A diferencia de pruebas de hipótesis previas en las que
teníamos que determinar si la prueba era de cola izquierda, de
cola derecha o de dos colas, todas estas pruebas de bondad del
ajuste son de cola derecha.
 Caso I.
 Jennifer Calcaño gerente de crédito del BHD, en la
torre Principal en Santo Domingo, trata de seguir una
política de extender un 60% de sus créditos a
empresas comerciales, un 10% a personas naturales y
un 30% a prestatarios extranjeros.
 Para determinar si la política se estaba siguiendo, José
Rondón, vicepresidente de mercadeo, selecciona 85
créditos que se aprobaron recientemente. Encuentra
que 62 de tales créditos se otorgaron a negocios, 10 a
personas naturales, y 13 a prestatarios extranjeros.
Al nivel del 10%, ¿parece que el patrón de cartera
deseado se preserva? Pruebe la hipótesis de que:
 Ho: Se mantuvo el patrón deseado: 60% son créditos
comerciales, 10% son prestamos personales y 30% son
créditos extranjeros.
 Ha: El patrón deseado no se mantuvo.
Tabla de Tipo de
Crédito

Tipo de Credito Oi p Ei=n*p

Comercial 62.00 0.60 51.00

Personal 10.00 0.10 8.50

Extranjero 13.00 0.30 25.50

Total = n 85.00 85.00

Tabla de Tipo de
Crédito

Tipo de Credito Oi p Ei=n*p

Comercial 62.00 0.60 51.00

Personal 10.00 0.10 8.50

Extranjero 13.00 0.30 25.50

Total = n 85.00 85.00

Tipo de Credito p Oi Ei =np (Oi-Ei) (Oi-Ei)^2 (Oi-Ei)^2/Ei
Comercial 0.60 62.00 51.00 11.00 121.00 2.37
Personal 0.10 10.00 8.50 1.50 2.25 0.26
Extranjero 0.30 13.00 25.50 -12.50 156.25 6.13
Total 1.00 85,00 85,00 CHI-CUADRADA 8.76
 Estadística de prueba para pruebas de bondad del ajuste en
experimentos multinomiales.
El valor ² es ²= [(Oi-Ei)²/Ei]
 ²=[(62-51)²/51]+[(10-8.5)²/8.5]+[(13-25.5)²/25.5] = 8.76

 Valores Críticos.
 1. Los valores críticos se encuentran en la tabla de Chi-cuadrado
usando k-1 grados de libertad, donde k es el numero de categorías.
 2. Las pruebas de hipótesis de bondad del ajuste siempre son de
cola derecha.

 Con un  = 10% y k = 3 categorías de crédito (comerciales,

privados y extranjeros), existen k-m-1= 3-0-1=2 grados de
libertad, el valor critico es
 ² 0.10, 2 = 4.605
 Regla de decisión: "No rechazar la hipótesis nula ²  4.605.
Rechazar sí la hipótesis nula ² > 4.605.
f(Chisq)

0 1 2 3 4 5 6 7 8 9 10
Chisq
4.61
I PLANTIAMIENTO DE HIPOTES
Goodness of Fit Test HO: SE MANTUVO EL PATRON DESEADO: 60%
COMERCIAL - 10% PERSONAL - 30%
EXTRANJERO
HA: NO SE MANTUVO EL PATRON DESEADO
observed expected O - E (O - E)² / E % of chisq
II ESTADISTICA DE PRUEBA - CHI CUADRADA
62 51.000 11.000 2.373 27.07 CHI C. = 8.76
10 8.500 1.500 0.265 3.02
13 25.500 -12.500 6.127 69.91 III REGLA DE DECISION.
SE ACEPTA SI CHI ES MENOR QUE
85 85.000 0.000 8.765 100.00 4.61
SE RECHAZA SI CHI ES MAYOR QUE 4.61
chi-
SE RECHAZA LA HO
8.76square
1df IV INTERPRETACION
.0031p-value NO SE ESTA CUMPLIENDO CON LA POLITICA DE
CREDITO DEL BANCO
 Caso II. Prueba de normalidad.

 Las especificaciones para la producción de tanques de aire

utilizados en inmersión requieren que los tanques se llenen a una
presión de 600 libras por pulgadas cuadradas (psi). Se permite una
desviación de 10 psi. Las especificaciones de seguridad permiten
una distribución normal en los niveles de llenado. Usted acaba de
ser contratado por Aqua Lung, un importante fabricante de equipos
de inmersión. Su primera tarea es determinar si los niveles de
llenado se ajustan a una distribución normal. Aqua Lung esta
seguro de que media de 600 psi y la desviación estándar de 10 psi
prevalecen. En este esfuerzo se miden n=1000 tanques y se halla
la distribución presentada en la siguiente tabla.
 Sus hipótesis son:
 Ho: Los niveles de llenado están distribuidos normalmente.
 Ha: Los niveles de llenado no están distribuidos normalmente.
 Frecuencia Probabilidades Frecuencias
PSI Real Oi pi Esperadas Ei O-E (O-E)^2 [(O-E)^2]/E
0 y por debajo de 580 20
580 y por debajo de 590 142
590 y por debajo de 600 310
600 y por debajo de 610 370
610 y por debajo de 620 128
6200 y por encma 30
Totales 1000
 Determine la probabilidad para cada clase
mediante la formula Z y complete la tabla de
probabilidades y frecuencias esperadas.
 X => viene dado por cada valor del rango de
los PSI.
 Media = 600 psi
 Desviación = 10 psi
 Por ejemplo Z = (580 – 600) / 10 = - 2
 P(z=2) = 0.4772
 P(z<2) = P(por debajo de 580)= 0.5 – 0.4772
= 0.0228
 Frecuencia Probabilidades Frecuencias
PSI Real Oi pi Esperadas Ei O-E (O-E)^2 [(O-E)^2]/E
0 y por debajo de 580 20 0.0228 22.80 -2.80 7.84 0.344
580 y por debajo de 590 142 0.1359 135.90 6.10 37.21 0.274
590 y por debajo de 600 310 0.3413 341.30 -31.30 979.69 2.870
600 y por debajo de 610 370 0.3413 341.30 28.70 823.69 2.413
610 y por debajo de 620 128 0.1359 135.90 -7.90 62.41 0.459
620 y por encma 30 0.0228 22.80 7.20 51.84 2.274
Totales 1000 1 CHI CUADRADA 8.634
Goodness of Fit Test

observe expecte
d d O - E (O - E)² / E % of chisq
20 22.800 -2.800 0.344 3.98
142 135.900 6.100 0.274 3.17
310 341.300 -31.300 2.870 33.24
370 341.300 28.700 2.413 27.95
128 135.900 -7.900 0.459 5.32
30 22.800 7.200 2.274 26.33
1000 1000.000 0.000 8.634 100.00

chi-
8.63square
5df
 Valor Critico. Se desea probar la hipótesis al nivel del 5%.
Debido a que tanto la media poblacional como la desviación
estándar son dadas y no tienen que estimarse, m = 0. Existe k =
6 clases en la tabla de frecuencias, de manera que los grados de
libertad son k-1=5. Se encuentra que el valor critico es ² 0.05,5
=11.070
 Regla de decisión: "No rechazar la hipótesis nula si ² es menor
que 11.070. Rechazar la hipótesis nula si ² es mayor que
11.070"

 Determine el valor ² = [(Oi-Ei)/Ei]
 Interpretación: La hipótesis nula se acepta. Las diferencias entre
lo que se observo y lo que se espera observar si los contenidos
estuvieran distribuidos normalmente con una media de 600 y una
desviación estándar de 10 pueden atribuirse al error de
muestreo.

 Si la media poblacional y la desviación estándar no fueran
conocidas, se hubieran tenido que estimar de los datos
muestrales de la tabla. Entonces m=2, y los grados de libertad
serian k-2-1 o 6-2-1=3.
f(Chisq)

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Goodness
Chisq of Fit Test
11.07

I PLANTIAMIENTO DE HIPOTES
HO: LOS NIVELES DE LLENADO ESTAN
observexpecte (O - E)² / % of DISTRIBUIDO NORMALMENTE
ed d O-E E chisq HA: LOS NIVELES DE LLENADO ESTAN
DISTRIBUIDO NORMALMENTE
20 22.800 -2.800 0.344 3.98
142 135.900 6.100 0.274 3.17 II ESTADISTICA DE PRUEBA - CHI CUADRADA
310 341.300 -31.300 2.870 33.24 CHI C. = 8.63
370 341.300 28.700 2.413 27.95
III REGLA DE DECISION.
128 135.900 -7.900 0.459 5.32 SE ACEPTA SI CHI ES MENOR QUE 11.07
30 22.800 7.200 2.274 26.33 SE RECHAZA SI CHI ES MAYOR QUE 11.07
1000.00
1000 0 0.000 8.634 100.00 SE ACEPTA LA HO

IV INTERPRETACION
chi- LOS NIVELES DE LLENADOS ESTAN
8.63square DISTRIBUIDOS NORMALMENTE
 Tablas de contingencia. Una prueba de independencia.

 Tabla de Contingencia o tabla de frecuencia bidireccional.
 Es una tabla en la que las frecuencias corresponden a dos
variables. (Se utiliza una variable para clasificar las filas y otra
para clasificar las columnas).
 Las tablas contingencias son aquellas que sirven para
comparar dos variables.

 Prueba de independencia.
 Una prueba de independencia prueba la hipótesis nula de
que la variable de fila y la variable de columna de una tabla de
contingencia no están relacionadas. (La hipótesis nula es la
declaración de que las variables de fila y de columna son
independientes.)
 Es muy importante reconocer que, en este contexto, la
palabra contingencia se refiere a dependencia, pero sólo se trata
de una dependencia estadística y no puede usarse para
establecer un vínculo directo de causa y efecto entre las dos
variables en cuestión.
 Supuestos.
 Al probar la hipótesis nula de independencia entre las variables
de fila y de columna de una tabla de contingencia, aplican los
supuestos siguientes (Obsérvese que estos supuestos no exigen
que la población padre tenga una distribución normal ni alguna
otra distribución especifica.)

 1. Los datos de muestra se escogen aleatoriamente.
 2. La hipótesis nula Ho es la declaración de que las variables de
fila y de columna son independientes; la hipotesis alternativa Ha
es la declaracion de que las variables de fila y de columna son
dependientes.
 3. Para cada celda de la tabla de contingencia, la frecuencia
esperada E es de por lo menos 5.

 Estadística de prueba para prueba de independencia.


 ² = [(Oi-Ei)^2/Ei]
 Valores críticos.
 1. Los valores críticos se encuentran en la tabla usando:
 grados de libertad = (r-1)(c-1)
 2. Las pruebas de independencia con tablas de contingencia solo
implican regiones criticas de cola derecha.
 Frecuencia esperada para una tabla de contingencia.
 Frecuencia esperada (E)= [(Total de fila)*(Total de columna)]/Gran
Total

 La estadística de prueba nos permite medir el grado de discrepancia

entre las frecuencias observadas y las que esperaríamos en teoría si
las dos variables son independientes. Valores pequeños de la
estadística de prueba ² indican coincidencia entre las frecuencias
observadas y las frecuencias esperadas con variables de fila y de
columna independientes. Los valores grandes de la estadística de
prueba ² están a la derecha de la distribución Chi-cuadrada y
reflejan diferencias significativas entre las frecuencias observadas y
las esperadas. En muestreos grandes repetidos, la distribución
de la estadística de prueba ² se puede aproximar con la distribución
Chi-cuadrada, siempre que todas las frecuencias esperadas sean de
por lo menos 5.
 Caso I.
 Santo Domingo Motors desea determinar si existe
alguna relación entre el ingreso de los clientes y la
importancia que dan al precio de los automóviles de
lujo. Los gerentes de la compañía desean probar la
hipótesis de que:

 Ho: Ingreso e importancia del precio son

independientes.

 Ha: Ingreso e importancia del precio no son

independientes.

 Los clientes están agrupados en tres niveles de

ingreso y se les pide asignar un nivel de significancia
para poner precio a la decisión de compra. Los
resultados se muestran en la siguiente tabla de
contingencia.
 Atributo b: Ingresos
Atributo a: Nivel de Importancia Bajo Medio Alto Total
Grande 83 62 37 182
Frecuencia Esperada
Moderado 52 71 49 172
Frecuencia Esperada
Poco 63 58 63 184
Frecuencia Esperada
Totales 198 191 149 538
 Atributo b: Ingresos
Atributo a: Nivel de Importancia Bajo Medio Alto Total
Grande 83 62 37 182
Frecuencia Esperada 66.98 64.61 50.41
Moderado 52 71 49 172
Frecuencia Esperada 63.30 61.06 47.64
Poco 63 58 63 184
Frecuencia Esperada 67.72 65.32 50.96
Totales 198 191 149 538
 (Oi-Ei)^2/Ei Atributo b:
Ingreso
Atributo a: s

Nivel de Importancia Bajo Medio Alto Total

Grande 3.83 0.11 3.57 7.50

Moderado 2.02 1.62 0.04 3.67

Poco 0.33 0.82 2.85 3.99

Totales 6.18 2.54 6.45 15.17

 Atributo b: Ingre sos
Oi-E i Oi-E i Oi-E i
Atributo a : N ive l de Importa ncia Ba jo Me dio Alto
Gra nde 16.02 -2.61 -13.41
Mode ra do -11.30 9.94 1.36
P oco -4.72 -7.32 12.04

Atributo b: Ingre sos

(Oi-Ei)^2/ Ei (Oi-Ei)^2/ Ei (Oi-Ei)^2/ Ei
Atributo a : N ive l de Importa ncia Ba jo Me dio Alto
Gra nde 3.83 0.11 3.57
Mode ra do 2.02 1.62 0.04
P oco 0.33 0.82 2.85
T OT ALE S 6.18 2.54 6.45
CHI CUADRADO 15.17
Chi-square Contingency Table Test for Independence

Bajo Medio Alto Total

Grande 83 62 37 182
Moderad
o 52 71 49 172
Poco 63 58 63 184
Total 198 191 149 538

15.17chi-square
4df
.0044p-value
Chi-square Contingency Table Test for Independence

Bajo Medio Alto Total

Grande Observed 83 62 37 182
Expected 66.98 64.61 50.41 182.00
O- E 16.02 -2.61 -13.41 0.00
(O - E)² / E 3.83 0.11 3.57 7.50
Moderado Observed 52 71 49 172
Expected 63.30 61.06 47.64 172.00
O- E -11.30 9.94 1.36 0.00
(O - E)² / E 2.02 1.62 0.04 3.67
Poco Observed 63 58 63 184
Expected 67.72 65.32 50.96 184.00
O- E -4.72 -7.32 12.04 0.00
(O - E)² / E 0.33 0.82 2.85 3.99
Total Observed 198 191 149 538
Expected 198.00 191.00 149.00 538.00
O- E 0.00 0.00 0.00 0.00
(O - E)² / E 6.18 2.54 6.45 15.17

15.17 chi-square
4 df
.0044 p-value
 El valor ²= [(Oi-Ei)/Ei]
 Valores críticos.
 1. Los valores críticos se encuentran en la tabla usando: grados de
libertad = (r-1)(c-1)
 2. Las pruebas de independencia con tablas de contingencia solo
implican regiones criticas de cola derecha.
 Si se determina en 1%, y con (f-1)(c-1) = (3-1)(3-1) = 4 grados de
libertad ²0.01,4 = 13.277.

 Regla de decisión: "No rechazar la hipotesis nula si ² es menor que

13.277. Rechazar la hipótesis nula si ² es mayor que 13.277"

 Interpretación. La hipótesis nula se rechaza. Existe solo 1% de

probabilidad de que si no existe relación entre ingreso y significancia
del precio, las diferencias entre Oi y Ei serian lo suficientemente
grandes como para producir un Chi-cuadrado más grande que 13.277.
Existe evidencia de una relación entre el ingreso de los clientes y la
importancia dada al precio de un auto de lujo.
 Chi-square Contingency Table Test for Independence

Bajo Medio Alto Total

Grande 83 62 37 182
Modera
do 52 71 49 172
f(Chisq) Poco 63 58 63 184
Total 198 191 149 538

chi-
15.17square
4df
.0044p-value

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Chisq
13.28
Caso V. En un análisis de segmentación de mercado para
tres cervezas, el grupo de investigación encargado ha
planteado la duda de si las preferencias para las tres
cervezas son diferentes entre los consumidores hombres
y mujeres. Si la preferencia de las cervezas fuera
independiente del sexo del consumidor, se iniciaría una
campaña publicitaria para todas las cervezas. Sin
embargo, si la preferencia depende del sexo del
consumidor, se ajustarán los promociones para tener en
cuenta los distintos mercados metas. Pruebe el supuesto
a un nivel de significancia de un 5%.
Los datos de la tabla constituyen las frecuencias
observadas para las seis clases o categorías.
CERVEZA PREFERIDA
SEXO LIGERA CLARA OSCURA
HOMBRE 20 40 20
MUJER 30 30 10