Unidad II.

Titulo
Prueba del material
de Hipótesis

https://www.google.com.pe/search?q=decisiones+en+pruebas+de+hipotesis&dcr=0&source=lnms&tbm=isch&sa=X&ved=0ahUKEwjn46uevPvXAhWLOiYKHdj1AOwQ_AUIC
ygC&biw=890&bih=613#imgrc=e9sdPXR2kDyDrM:

Ciclo: 2019-01. Semana 2.

Logro:

Al finalizar la sesión, usted será capaz de:

Tomar una decisión sustentada, por los resultados de la

aplicación de la Prueba de hipótesis -adecuada- de un
parámetro (PH de una media, PH de una proporción o PH de
una varianza), a problemas reales relacionado con su
especialidad.
 Tema
Prueba de Hipótesis para un parámetro
Temario

Prueba de Hipótesis para un parámetro.

- Introducción. Conceptos básicos.

- Tipos de Prueba de hipótesis. Etapas.
- Prueba de hipótesis para un parámetro.
 Prueba de Hipótesis. Concepto.

Es un procedimiento que Se establecen La hipótesis

nos permite verificar una dos hipótesis: alternativa -por lo
afirmación elaborada la hipótesis general- es la que el
sobre la distribución o nula (H0) investigador quiere
algún parámetro (µ, σ2 , P) verificar, mientras
de una o más poblaciones, y que la hipótesis nula
a partir de la información la hipótesis es la que se asume
proporcionada de una o alternativa como cierta (status
más muestras aleatorias. (H1). quo).
Una Prueba de Hipótesis:
Una empresa manufacturera produce bifenilo ploriclorado (PCB),
como aislante eléctrico. Como parte de su proceso de producción,
descarga pequeñas cantidades del mismo en un río. La gerencia de
calidad de la compañía, ha dado instrucciones de detener la
producción, si la cantidad media de PCB en el efluente, es superior
a 3 ppm. Se recoge 50 muestras de agua (del efluente), y se registra
una descarga promedio de 3.1 ppm y una desviación estándar de
0.5 ppm.
Del ejemplo anterior, Ho y H1 se plantearían de la siguiente forma:
Ho: El contenido de PCB no supera el valor 3 ppm.
H1: El contenido de PCB supera el valor 3 ppm.
Estas hipótesis se pueden formular estadísticamente de la siguiente forma:
H o: µ ≤ 3
H1: µ > 3
 Tipos de Errores
Al tomar una decisión sobre la hipótesis nula Ho, se pueden cometer
algunos de los siguientes errores:

Decisión de a partir de la muestra:

Rechazar No rechazar
Ho Ho
Error tipo I: Decisión correcta:
Ho: Verdadera
α 1-α
La realidad
Decisión correcta: Error tipo II:
Ho: Falsa
1-β β

Error tipo I = es la probabilidad de cometer el error de rechazar Ho, cuando Ho es

verdadera. Su notación es alfa (α)
α = P(Error I) = P(Rechazar Ho / Ho es verdadera)

Error tipo II = es la probabilidad de cometer el error de no rechazar Ho, cuando Ho

esta es falsa. Su notación es beta (β)
β = P(Error II) = P (No rechazar Ho / Ho es falsa)
Ejemplo (continuación):
Una empresa manufacturera produce entre otros productos bifenilo ploriclorado (PCB),
como aislante eléctrico. Como parte de su proceso de producción, descarga pequeñas
cantidades del mismo en un río. La gerencia de calidad de la compañía, en un intento por
controlar la cantidad de PCB en sus descargas, ha dado instrucciones de detener la
producción si la cantidad media de PCB en el efluente es superior a 3 ppm. Se recoge 50
muestras de agua, y se registra una descarga promedio de 3,1 ppm y una desviación
estándar de 0,5 ppm .

Ho: μ ≤ 3 (La cantidad media de PCB es como máximo 3 ppm)

H1: μ > 3 (La cantidad media de PCB es superior a 3 ppm)

Error tipo I = es la probabilidad de cometer el error de rechazar Ho, cuando Ho es

verdadera. α = P(Rechazar Ho / Ho es verdadera)
Se comete el error tipo I, al afirmar que: La cantidad media de PCB es superior a 3 ppm,
cuando en realidad es menor o igual a 3 ppm.

Error tipo II = es la probabilidad de cometer el error de no rechazar Ho, cuando Ho es

falsa. β = P (No rechazar Ho / Ho es falsa)
Se comete el error tipo II, al afirmar que: La cantidad media de PCB es menor o igual a 3
ppm, cuando en realidad es mayor a 3 ppm.
Estadístico de Prueba:
Se calculan los
Los estadísticos de estadísticos de
Los estadísticos de prueba tienen prueba y luego se
las pruebas de distribuciones comparan con los
hipótesis se calculan conocidas valores críticos
a partir de los datos (Normal, T-Student, obtenidos de las
de una muestra. Chi-cuadrado, F- tablas estadísticas de
Snedecor) su respectiva
distribución.

Valores críticos:
Los valores críticos A partir de los
Los valores se obtienen a Los valores valores
críticos son partir de críticos críticos se
obtenidos a distribuciones dependen del construyen
partir de las conocidas nivel de las zonas de
tablas (Normal, T- significación y rechazo y no
estadísticas o Student, Chi- el tamaño de rechazo de la
usando Excel. cuadrado, F- muestra. hipótesis nula
Fisher) (H0).
 Paso1: H 1 : parámetro  Valor
Planteamientos H 1 : parámetro  Valor
de hipótesis:
H 1 : parámetro  Valor

Ejemplo 1: Una máquina de Ejemplo 2: Una máquina de

refrescos se ajusta para que la
cantidad de bebida que se sirve
en los vasos sea en promedio de
240 ml. Se ha recibido una serie
de quejas de que la cantidad de
bebida es inferior a dicho valor.
refrescos se ajusta para que la
cantidad de bebida que se sirve
en los vasos sea en promedio de
240 ml. Los usuarios indican que
la cantidad de bebida servida es
diferente de dicho valor.

Hipótesis a plantear: Hipótesis a plantear:

H0: μ ≥ 240 H0: μ = 240
H1: μ < 240 H1: μ ≠ 240
Paso 2: Nivel de significación = α

El nivel de significación o error tipo I (α), es la máxima

probabilidad con la que estamos dispuestos a correr el
riesgo de cometer el error tipo I. Es fijado por la persona
que realiza la investigación; generalmente se suele utilizar
valores entre: 1% y 10%.
 Paso 3: Estadísticos de prueba de un parámetro
𝑋ത − 𝜇
a) Si el parámetro evaluado es μ  𝑡𝑐𝑎𝑙 =
𝑆Τ 𝑛
Valor crítico de tabla T-Student:
• Si H1 unilateral izquierda o derecha, usar t(n-1; α) (aquí el signo
dependerá de H1)
• Si H1 es prueba bilateral: ± t(n-1; α/2)

Ejemplo valor crítico de tabla (unilateral izquierda < ):

Si en el ejemplo (1) anterior se realizan 10 mediciones
aleatorias y utilizamos un nivel de significación de 1%.

n= 10 ; α=0,01 y H1: u < 240  t(9; 0,01)= -2,82144

Ejemplo valor crítico de tabla (bilateral ≠ ):

Si en el ejemplo (2) anterior se realizan 10 mediciones
aleatorias y utilizamos un nivel de significación de 1%.

n= 10 ; α=0,01 y H1: u ≠ 240  t(9; 0,005)= ± 3,24984

 Paso 3: Estadísticos de prueba de un parámetro
𝑛 − 1 𝑆2
b) Si el parámetro evaluado es σ  𝜒 𝑐𝑎𝑙𝑐 =
2 2
2 𝜎
Valor crítico de tabla Chi-cuadrada: datos n = 10 y α = 0,01
• Si H1 es prueba bilateral ( ≠ ):
𝛼 2
Chi-critico(1) = 𝜒12 𝑛 − 1; = 𝜒𝑐𝑟𝑖𝑡𝑖𝑐𝑜1 9; 0,005 = 23,589
2
𝛼 2
Chi-critico(2) = 𝜒22 𝑛 − 1; 1 − = 𝜒𝑐𝑟𝑖𝑡𝑖𝑐𝑜1 9; 0,995 = 1,735
2
• Si H1 es prueba unilateral izquierda ( < ):
2
Chi-critico(1) = 𝜒12 𝑛 − 1; 1 − 𝛼 = 𝜒𝑐𝑟𝑖𝑡𝑖𝑐𝑜1 9; 0,99 = 2,088
• Si H1 es prueba unilateral derecha ( > ):
2
Chi-critico(1) = 𝜒12 𝑛 − 1; 𝛼 = 𝜒𝑐𝑟𝑖𝑡𝑖𝑐𝑜1 9; 0,01 = 21,666

(*) Ejemplo valor crítico de tabla Chi cuadrada:

Si en el ejemplo (1) la variabilidad del contenido en
los vasos es inferior a 8 ml2. Suponga que se realizan
10 mediciones aleatorias y utilizamos un nivel de
significación de 1%.
n= 10 ; α=0,01 y H1: σ2 < 8  𝜒12 (9; 0,99) = 2.088
Paso 3: Estadísticos de prueba de un parámetro
𝑝Ƹ − 𝑝
c) Si el parámetro evaluado es p  𝑍𝑐𝑎𝑙𝑐 =
𝑝(1 − 𝑝)
𝑛
Ejemplo:
Si la proporción de vasos que no contienen los 240 ml es menor
a 0.1. Se reajustará la máquina. Utilizar un nivel de significación
de 0.025.
Las Hipótesis a plantear son:
Ho: P ≥ 0.1
H1: P < 0.1
Valor crítico de tabla Dist. Normal
Ztabla= Z(0.025) = -1.96

En este caso buscar en el centro de

la tabla, el valor α = 0.025
Paso 4: Regiones de rechazo o críticas

Unilateral izquierda o Unilateral derecha o

Bilateral
inferior superior
H1 : parámetro  valor H1 : parámetro  valor H1 : parámetro  valor

-Valor -Valor +Valor +Valor

critico critico critico critico

Paso 5: Criterios de decisión:

Paso 6: Conclusión:
 Prueba de hipótesis para la media: µ
cuando σ 2 (varianza poblacional) es desconocida
 Hipótesis:

Unilateral Unilateral
Bilateral
izquierda derecha

H0: µ ≥ µ0 H0: µ = µ0 H0: µ ≤ µ0

H1: µ < µ0 H1: µ ≠ µ0 H1: µ > µ0

 Estadístico de prueba:
X 
Tcalc  ~ t (n  1)
S
n

 Supuestos: población normal, muestra al azar.

Ejemplo

Una empresa manufacturera

importante produce bifenilo
ploriclorado (PCB), como aislante
eléctrico. Como parte de su proceso
de producción, descarga pequeñas
cantidades del mismo en un río. La
gerencia de calidad de la compañía,
en un intento por controlar la
cantidad de PCB en sus descargas, ha
dado instrucciones de detener la
producción si la cantidad media de
PCB en el efluente es superior a 3
ppm.
Un muestreo aleatorio de 50 especímenes de agua produjo las siguientes
estadísticas: promedio de 3.1 ppm y desviación estándar de 0.5 ppm.
¿Proporcionan tales estadísticas suficientes pruebas para detener el
proceso? Utilice nivel de significación de 1%?
Solución:
Interpretación:
¿Se detendrá la producción si la cantidad media de PCB en el efluente es superior a 3
ppm?
Representación:
Se define la variable para el análisis,
X1: cantidad media de PCB en el efluente
Para responder el problema de investigación, se utilizará el análisis de la prueba de
hipótesis para una media.
1) H0:  ≤ 3
H 1:  > 3
2)  = 0,01

Cálculo:

3) Valor de la Estadística de prueba: Análisis:

4) Zona de rechazo:
( X   ) (3,1  3)
tcal    1,4142 tcalc = 1,41 42 < tcrítico = t (49; 0,01) = 2,40489
S 0,5
n 50 5) Decisión: No se Rechaza H0
Solución (continuación):
6) Conclusión: Al 1% de significación, no puede afirmar cantidad media de PCB en el
efluente es superior a 3 ppm.

Comunicación/Argumentación:
La gerencia no debe detener la producción de PCB.
 Prueba de hipótesis para  2
(varianza poblacional)
Hipótesis: Estadístico de prueba:

Supuestos:
- Población normal
- Muestra al azar
Regiones críticas:
Ejemplo

Un químico ha desarrollado un material plástico que, según

él, tiene una resistencia media a la ruptura superior a 29
onzas por pulgada cuadrada. Para comprobar la bondad del
método se tomaron 20 láminas de plástico y se mide la
resistencia a la ruptura de cada lámina. Los resultados se
muestran a continuación:
30,1 22,5 28,9 29,8 31,4 27,0 24,3 22,8 22,3 33,4
32,7 27,5 27,7 28,9 30,4 31,2 26,4 29,4 29,1 23,5

Al nivel de significación 5% y suponiendo normalidad. ¿Será

correcto afirmar que la variabilidad de la resistencia es
diferente de 4,8 onzas?
Solución:
Interpretación:
Se quiere comprobar que la variabilidad de la resistencia es diferente de 4,8 onzas
Representación:
X1: resistencia a la ruptura de las láminas de plástico
Para responder el problema de investigación, se utilizará el análisis de la prueba de
hipótesis para una varianza.
1) H0: 2 = 4,82
H1: 2 ≠ 4,82
2)  = 0,05
Cálculo:
3) Valor del Estadístico de prueba:

(20  1) * 3,39382
 2
cal   9,4982 Chi-crítico = χ2(19; 0,975) = 8,907
4,82 Chi-crítico = χ2(19; 0,025) = 32,852
Análisis:
4) Establecer regiones críticas: Como 8,907 < Chicalc = 9.4982 < 32,852

5) Decisión: No se Rechaza H0
Solución (continuación):

6) Conclusión: Al 5% de significación, no se puede afirmar que la variabilidad de la

resistencia a la ruptura del plástico es diferente a 4,8 onzas.

Comunicación/Argumentación:
No es correcto realizar la afirmación.
 Prueba de hipótesis para la proporción
poblacional (P)
Hipótesis: Estadístico de prueba:
Unilateral Unilateral pˆ  p0
Bilateral Zcalc   N (0,1)
izquierda derecha p0 (1  p0 )
n
H0: p ≥ p0 H0: p = p0 H0: p ≤ p0
Supuestos:
H1: p < p0 H1: p ≠ p0 H1: p > p0 - Muestra al azar (n ≥ 50)
- np ≥ 5 y n(1 - p) ≥ 5
Regiones críticas:
Ejemplo

Se debe decidir si los lotes que llegan a una fábrica deben

ser aceptados o devueltos al proveedor. Los artículos de
este lote vienen con una garantía de 10% de artículos
defectuosos. Si hay evidencia que es más de 10% se
rechazará el lote. Para tomar una decisión se elige una
muestra aleatoria de 625 artículos y se encuentran que
550 no son defectuosos.

¿Cuál será la decisión? Utilizar un nivel de significación

del 5%.
Solución:
Interpretación:
Se rechazará el lote si hay evidencia que es más de 10% son defectuosos
Representación:
X1: Cantidad de artículos defectuosos en la muestra
Para responder el problema de investigación, se utilizará el análisis de la prueba de
hipótesis para una proporción.
1) H0: p ≤ 0,1
H1: p > 0,1 Se rechaza
Ho
2)  = 0,05 No se
Cálculo: rechaza Ho

3) Valor de la Estadística de prueba:

 75 Análisis:
p muestra   0,12 4) Establecer regiones críticas:
625
Zona de rechazo:
0,12  0,10
Z calc   1,6667 Zcalc = 1,6667 > Zcritico ( 0,95) = 1,64
0,10 (1  0,10)
625 5) Decisión: Se Rechaza H0
Solución (continuación):
6) Conclusión: Al 5% de significación, se puede afirmar que la proporción de artículos
defectuosos es superior a 0,1.

Comunicación/Argumentación:
Se recomendaría rechazar el lote.
Resumen de tipos de pruebas de hipótesis medias o proporciones
(θ : parámetro)
Caso A Caso B Caso C
Prueba de Hipótesis Prueba de Hipótesis Prueba de Hipótesis
Unilateral Izquierda Bilateral Unilateral Derecha
Planteamiento:
𝑯𝟎 : 𝜽 ≥ 𝒗𝒂𝒍𝒐𝒓 𝑯𝟎 : 𝜽 = 𝒗𝒂𝒍𝒐𝒓 𝑯𝟎 : 𝜽 ≤ 𝒗𝒂𝒍𝒐𝒓
𝑯𝟏 : 𝜽 < 𝒗𝒂𝒍𝒐𝒓 𝑯𝟏 : 𝜽 ≠ 𝒗𝒂𝒍𝒐𝒓 𝑯𝟏 : 𝜽 > 𝒗𝒂𝒍𝒐𝒓
Nivel de significación: 𝜶
Supuestos: Población normal y muestra tomada al azar
Estadístico de prueba:
Fórmula a usar según el parámetro planteado en las hipótesis.
Regiones de rechazo y no rechazo:

Decisión: Según sea rechazar Ho ó No rechazar Ho

Conclusión:
Con un nivel de Con un nivel de Con un nivel de
significación de α%, significación de α%, significación de α%,
………………. ………………. ……………….
 Reflexiona un momento

Caso 1 Caso 2 Caso 3 Caso 4

Ho: µ = 500 Ho: µ ≥ 1500 Ho: p ≤ 0,1 Ho: σ2 = 3,55
H1: µ ≠ 500 H1: µ < 1500 H1: p > 0,1 H1: σ 2 ≠ 3,55

α = 0,01 α = 0,04 α = 0.05 α = 0,05

n = 50 n = 25 n = 200 n = 15
tcal = 1,25 Tcal = -1,94 Zcal = 3,12 Χ2cal = 36,22

En cada caso contestar lo siguiente:

a) El tipo de prueba:
________ ________ ________ ________

b) Valor crítico es:

________ ________ ________ _______

c) La decisión es:
________ ________ ________ _______
Bibliografía

• Montgomery, D. y Runger, G. (2005) Probabilidad y estadística

aplicadas a la ingeniería. México, D.F. : Limusa Wiley. Capítulo 8.
• Anderson, D., Sweeney, D., Williams T., Camm, J. y Cochran, J.
(2016) Estadística para negocios y economía. México, D.F.:
Cengage Learning. Capítulo 9.
• Triola, M. (2013) Estadística. México, D.F.: Pearson Educación.
Capítulo 8.
• https://https://www.youtube.com/watch?v=OTfUrPNyoZE
Preguntas…
Si, luego del estudio de este material, tienes dudas sobre alguno de los temas,
ingresa al Aula Virtual y participa en el foro de dudas académicas de la unidad.
 Continúa con las
actividades propuestas
en la sesión.

Material producido para la Universidad Peruana de Ciencias Aplicadas

COPYRIGHT ©UPC 2019 – Todos los derechos reservados