Prueba de Hipótesis

Lic.
Vicente Sánchez y Ramírez

Prueba de hipótesis
___________________________________________________________________________________________
4. PRUEBA DE HIPÓTESIS
4.1 Prueba de hipótesis estadística, hipótesis nula e hipótesis alterna.
Una hipótesis estadística es una afirmación sobre el parámetro de una o más

poblaciones, la cual es posible evaluar mediante el análisis de una muestra aleatoria.
“Para probar una hipótesis es necesario formular dos de ellas que sean mutuamente
excluyentes, de tal manera que la verdad de una implica la falsedad de la otra. Dicha
investigación por lo general se lleva a cavo mediante la obtención de una muestra
aleatoria, de la cual se obtienen los estimadores de la población, los cuales se
convierten en evidencia experimental para decidir si se acepta o se rechaza la
hipótesis nula”.
Antes de empezar cualquier experimento el investigador selecciona dos hipótesis: la

hipótesis nula que se denota por H0 y la hipótesis alterna que se denota por H1.
La hipótesis nula especifica valores hipotéticos para uno o más parámetros de la

población, debe considerarse como verdadera a menos que exista suficiente
evidencia en su contra. Esta hipótesis puede ser: hipótesis sencilla o simple e
hipótesis compuesta.
La hipótesis sencilla o simple es cuando se refiere a un sólo valor en particular

ejemplo:
H 0 : 1   2 H0 : x   H 0 : f ( x)  f ( x)
La hipótesis compuesta es cuando se refiere a más de un valor en general ejemplo:
H 0 :   10 H 0 : 1   2  ... t
La hipótesis alterna afirma que el parámetro de la población es un valor diferente al

de la hipótesis nula, ésta hipótesis a su vez puede ser: hipótesis direccional o
unilateral e hipótesis no direccional o bilateral.
La hipótesis direccional o unilateral además de afirmar que el parámetro de la

población es diferente al hipotético, se especifica la dirección de esa diferencia por
ejemplo:
H 1 : 1   2
H1 : x  
La hipótesis bilateral o no direccional es cuando H1 afirma que el parámetro de la
población es diferente al hipotético ejemplo:
H1 : x   H 0 : f ( x)  f ( x)
Un análisis estadístico de la lógica de la inferencia estadística, revela que la

hipótesis nula nunca puede probarse; pero sí podemos afirmar, sin embargo, que
no existen bases para rechazarla.
1
Lic. Vicente Sánchez y Ramírez
___________________________________________________________________________________________
Ejemplo. Se lanza una moneda 100 veces al aire y salen 50 águilas, ¿podemos
afirmar que la moneda no está sesgada? la respuesta es no, ya que existe una
magnitud pequeña de sesgo que no podemos descubrirla.
No importa cuantas veces lancemos la moneda, jamás lograremos agotar la

población de resultados posibles. Podemos afirmar sin embargo que no existen
bases para rechazar la hipótesis H 0 .
Entonces ¿Podemos probar la hipótesis alterna? Una vez más no podemos probar la
hipótesis alterna directamente; se puede probar indirectamente rechazando la
hipótesis nula.
Ejemplo. Dibujemos dos líneas y determinemos a primera vista si son diferentes, al

compararlas vemos que no son iguales. Por lo que deben tener dimensiones
distintas, al rechazar la igualdad en este caso H 0 se está aceptando la hipótesis
alterna H 1 .
Veamos otro ejemplo. Un docente pone un examen para calificar una unidad, sus
hipótesis de trabajo son:
H 0 : El alumno no sabe.
H 1 : El alumno si sabe.
En función de la evidencia encontrada al revisar el examen podrá decidir si se acepta

o rechaza la hipótesis H 0 .
Un ejemplo paralelo que podríamos citar con respecto a ésta interpretación, son los
procesos judiciales, donde el acusado es inocente hasta que no se demuestre lo
contrario. Aquí las hipótesis serán:
H 0 : El acusado es inocente.
H1 : El acusado es culpable.
En este caso el juez no buscará evidencia de inocencia, sino de culpabilidad del

acusado, tales como: cuerpo del delito, arma homicida, testigos, huellas, etc. Si la
autoridad no encuentra evidencia contra el acusado, acepta la hipótesis H 0 , pero no
la prueba.
Pero, ¿Los resultados de estos dos ejemplos serán ciertos al 100 %? La respuesta
es un rotundo no. En el primer ejemplo pudo suceder que el alumno haya copiado
(no sabía), o en su defecto que si sabía pero se puso nervioso al resolver el examen
(lo realizó mal).
En el segundo ejemplo la toma de decisión puede haberse tomado mal, debido a: se

cometió el crimen perfecto (el presunto delincuente no dejo evidencia alguna), o cosa
que no sucede en México, la autoridad recibió dinero para sembrar u ocultar la
evidencia.
2
___________________________________________________________________________________________
Esto expresa que los errores son inevitables cuando las decisiones se toman
apoyándose en los resultados de una muestra aleatoria y además, estos errores son
de dos tipos diferentes.
4.2 Errores tipo I y II.
De manera general los tipos de errores que se comenten en una prueba de hipótesis
son:
H 0 es H 0 es
verdadera. falsa.
Rechazo Error Ningún

de H 0 . tipo I o α error.
Aceptación Ningún Error

de H 0 . error. tipo II o β
La probabilidad de rechazar H 0 , dado que H 0 es verdadera se define como la

probabilidad de error tipo I y se denota por , 0  α  1.
La probabilidad de aceptar H 0 dado que H 0 es falsa, se define como la

probabilidad de error tipo II y se denota por , 0    1.
Las probabilidades de los errores tipo I y II están dados por las proposiciones
siguientes:
α = P (error tipo I) = P (rechazar H 0 │ H 0 es cierta)
 = P (error tipo II) = P (aceptar H 0 │ H 0 es falsa).
Tanto α como  son probabilidades condicionales. No pueden obtenerse las

probabilidades de los errores tipo I y tipo II en el sentido absoluto. Más bien, pueden
calcularse las probabilidades de α de rechazar H 0 solo si se asume que H 0 es
cierta, o la probabilidad  de equivocarse al aceptar H 0 , si se asume que H 0 es
falsa.
Por ejemplo, si nuestro punto de rechazo se hace a un nivel α = 0.05 de significación

erróneamente rechazamos H 0 aproximadamente el 5% de las veces. Parecería
entonces que para evitar este tipo de error deberíamos elegir un nivel de rechazo lo
más bajo posible. Por ejemplo, si lo seleccionamos como α = 0.001, el riesgo de
cometer el error tipo I es solamente uno en mil.
3
___________________________________________________________________________________________
Sin embargo, mientras menor sea el nivel al que seleccionemos α, se requiere más
evidencia (muestras grandes) en los datos para rechazar H 0 .
1 – β se llama potencia de la prueba, y es la probabilidad de rechazar H 0 cuando

ésta es falsa, entre más grande sea la muestra, mayor es la potencia de la prueba.
Para decidir el nivel de significancia para  (riesgo de rechazar la hipótesis nula

cuando en realidad es verdadera) dependerá de la situación en la que estemos y las
consecuencias de cometer el error. Si al rechazar H 0 implica una inversión fuerte de
recursos, es recomendable emplear  = 0.01 para tener mayor confianza de que la
decisión será la adecuada.
Con el fin de ver los tipos de errores que se cometerían en los ejemplos expuestos
anteriormente de la evaluación de una unidad, y la detención de un presunto
delincuente.
H 0 : El alumno no sabe.
H1 : El alumno si sabe.
Supongamos que el alumno copió en el examen, ¿Qué error se comete? El error tipo
I, porque se está rechazando H 0 cuando esta es verdadera. Pero si el alumno se
puso nervioso al contestar el examen y si sabía, ¿Qué error se comete? El error tipo
II, porque se está aceptando H 0 cuando esta es falsa.
De manera análoga en el ejemplo de la detención del presunto delincuente, las

hipótesis de trabajo son:
H 0 : El acusado es inocente.
H 1 : El acusado es culpable.
Supongamos que se cometió el crimen perfecto, ¿Qué error se comete? El error tipo
II, porque se esta aceptando H 0 dado que H 0 es falsa. Pero si la autoridad recibe
dinero por la parte acusadora, ¿Qué error se comete? El error tipo I, porque se esta
rechazando H 0 dado que H 0 es verdadera.
4.3 Definiciones para mejor comprensión del tema.
Hipótesis. Es una suposición tentativa para explicar ciertos hechos y llevar a la

investigación de otros.
Prueba de hipótesis. Proceso que nos lleva a tomar una decisión entre dos
hipótesis mutuamente excluyentes.
Hipótesis nula ( H 0 ). Es la teoría que especifica valores hipotéticos para uno o más
parámetros de la población.
4
___________________________________________________________________________________________
Hipótesis Alternativa ( H1 ). Es la hipótesis opuesta a la H 0 . Es aceptada de
manera indirecta al rechazar la hipótesis nula.
Estadístico de prueba. Función de los datos que se usa para tomar la decisión de
aceptar o rechazar la hipótesis H 0 .
Nivel de significación (). Es la probabilidad de rechazar la hipótesis nula ( H 0 ),

cuando esta es verdadera.
Región crítica. Área o región donde se rechaza la hipótesis nula ( H 0 ).
Valor crítico. Valor que define donde comienza la región crítica.
Error tipo I (  ). Es la probabilidad de rechazar de manera errónea la hipótesis H 0

cuando esta es verdadera.
Error tipo II (  ). Es la probabilidad de aceptar de manera errónea la hipótesis H 0

cuando esta es falsa.
4.4 Prueba de hipótesis sobre la media con varianza conocida.
Suponga que X es una variable aleatoria que representa alguna característica de

interés en la población (N) que estamos estudiando, la cual se encuentra
normalmente distribuida o si no, por lo menos se cumplen las condiciones del
teorema del límite central (en la medida que n   la transformación de una variable
a una distribución Z, tiende a una distribución normal).
Además suponemos que  es desconocida y 2 es conocida. Estamos interesados

en probar la hipótesis:
H 0 :   0
H1 :   0
Donde  0 es una constante especificada.
Se obtiene una muestra aleatoria de tamaño n donde x 1, x2,..., xn es la variable

aleatoria de interés, cada observación tiene una  desconocida y una 2 conocida. El
estadístico empleado para este tipo de prueba es:
x  0
Z
/ n
Dicho estadístico sigue una distribución normal con promedio   0 y varianza

 2  1 , donde x es igual a la media de la muestra y  0 es una constante
especificada.
Para este caso de hipótesis alterna bilateral, la hipótesis H 0 será rechazada sí:
5
___________________________________________________________________________________________
Z   Z / 2 o Z  Z / 2
Si probamos la hipótesis alterna unilateral.
H 0 :   0
H1 :   0
Se rechazará H 0 si el estadístico Z  Z  , para la otra alternativa de un lado.
H 0 :   0
H1 :   0
H 0 será rechazada si Z   Z 
Ejemplo 1. La compañía Fan San supone que la vida de su prensa rotativa más
grande es de 14,500 horas, con una desviación estándar conocida de 2,100 horas.
De una muestra de 25 prensas, la compañía encuentra una vida media de 15,500
horas. A un nivel de significancia de 0.05. ¿Debería concluir la empresa que la vida
promedio de las prensas es mayor que las hipotéticas 14,500 horas?
Planteamiento de hipótesis:
H 0 :   14500
H 1 :   14500
Prueba estadística: Se elige el estadístico Z dado que se supone que los datos
están normalmente distribuidos y se conoce la varianza.
Nivel de significación: α = 0.05 en una prueba bilateral, dado que H1 no tiene

dirección. (Un  = 0.05 significa rechazar de manera errónea la hipótesis H 0 el 5%
de las veces, cuando ésta es cierta)
Región crítica: Las fronteras de la región crítica son

 Z 0.05 / 2  Z 0.025  1.96 y Z 0.05 / 2  Z 0.025  1.96
Cálculo del estadístico de prueba:
15500  14500
Z  2.38
2100 / 25
-1.96 0 1.96
2.38
6
___________________________________________________________________________________________
Conclusión: Dado que el valor de Z cae en la región de rechazo por ser un valor
mayor que 1.96, por lo tanto rechazamos la hipótesis H 0 y se acepta la hipótesis
H 1 , con lo que se concluye que en base a la evidencia experimental, las prensa
rotativa efectivamente tienen un periodo de vida estadísticamente mayor a las 14,500
horas.
Ejemplo 2. Un fabricante de aviones necesita láminas de aluminio que midan 0.01

pulgadas de grueso en promedio, ni más ni menos. El inspector de calidad que
abastece a la compañía, probo una muestra de 100 láminas y encontró que el grosor
medio es de 0.009 pulgadas y una varianza de 0.0002 pulgadas 2. ¿Las laminas
satisfacen la necesidad del fabricante con un α = 0.05?
H 0 :   0.01
H 1 :   0.01
Prueba estadística: Se elige al estadístico Z dado que n es grande
Nivel de significación: α = 0.05 en una prueba unilateral, dado que H 1 es

direccional.
Región crítica: La frontera de la región crítica es  Z 0.05  1.65
0.009  0.01
Z   0.71
0.0141 100
Región de
rechazo Región de
aceptación
-1.65 0
-0.71
Conclusión: Dado que el estadístico Z se ubica en la región de aceptación, se

acepta la hipótesis H 0 ; con lo que se concluye que dado la evidencia experimental
el lote de láminas de donde se sacó la muestra si cumple con las necesidades del
fabricante.
4.5 Prueba de hipótesis sobre la media con varianza desconocida.
Cuando deseamos probar una hipótesis con relación a la media µ y no se conoce σ2,
el procedimiento de prueba es similar a cuando se conoce 2, siempre y cuando el
tamaño de la muestra sea grande (≥ 30). Este procedimiento es usado
independientemente de que la población no siga una distribución normal.
7
___________________________________________________________________________________________
Sin embargo, si el tamaño de n es pequeño debe hacerse una suposición en torno a

la distribución de los datos para hacer la prueba t.
Suponga que X es una variable aleatoria distribuida normalmente con media µ y

varianza σ2 desconocidas, y deseamos probar la hipótesis:
H 0 :   0 y H1 :   0
Suponga que se toma una muestra aleatoria de tamaño n, con x 1, x2,.., xn, y sea x y
S2 la media y la varianza de dicha muestra. El estadístico de prueba se define por:
x  0
t
S n
Que sigue una distribución t de Student con parámetro v  n  1 llamado grados de

libertad, H 0 será rechazada si:
t  t / 2 ,v o si t  t / 2,v
Si deseamos probar la hipótesis alterna de un lado
H 0 :   0
H1 :   0
Se rechaza H 0 si t  t ,v
Para la otra alternativa de un lado será:
H 0 :   0
H1 :   0
Se rechaza H 0 si t  t ,v
Ejemplo 1. La resistencia al rompimiento de una fibra textil, es una variable

aleatoria distribuida normalmente. Las especificaciones requieren que la resistencia
media al rompimiento sea igual a 150 psi. Se toma una muestra aleatoria de 15 fibras
textiles y se determina su resistencia al rompimiento dando un promedio de 152.18 y
una varianza de 25.
Tendrá la muestra un promedio mayor al requerido por las especificaciones, con un

α = 0.05.
H 0 :   150
H 1 :   150
Prueba estadística: Dado que n es pequeña y se desconoce la varianza, se elige el

cociente t.
8
___________________________________________________________________________________________
Nivel de significación: α= 0.05 en una prueba unilateral, dado que H 1 tiene

dirección.
Región crítica: La frontera de la región crítica es t 0.05,14  1.761
152.18  150
t  1.69
5 / 15
Conclusión: Dado que el estadístico t cae en la región de aceptación se acepta la

hipótesis H 0 , y se concluye que no hay evidencia suficiente para decir que el
promedio de la muestra es mayor al requerido por las especificaciones.
Ejemplo 2. Con el fin de montar motores de aviones, un fabricante necesita varillas

de acero especial con una resistencia media a la tensión de al menos 5,000 libras. El
inspector de calidad después de probar una muestra de 24 varillas, encontró que se
deforman a una resistencia media de 4,700 libras, siendo la desviación estándar de
la muestra de 800 libras. ¿Cumplen las varillas la necesidad del fabricante?
H 0 :   5000
H 1 :   5000
Prueba Estadística: Dado que n es pequeña, se desconoce la varianza y se supone

normalidad en los datos, se utiliza el estadístico t.
Nivel de Significación: α = 0.05 en una prueba unilateral.
Región Crítica: La frontera de la región crítica es t 0.05, 23  1.71
4700  5000
t  1.84
800 / 24
9
___________________________________________________________________________________________
Región de
rechazo Región de
aceptación
-1.71 0
-1.84
Conclusión: Dado que el estadístico de prueba cae en la región de rechazo se

rechaza la hipótesis H 0 , y se acepta la hipótesis alterna, con lo que se concluye que
las varillas no cumplen con la necesidad del fabricante por tener una resistencia
menor a 5000 libras.
Ejemplo 3. Los siguientes datos representan el tiempo de armado en minutos de 15

unidades seleccionadas completamente al azar: 14.4, 11.9, 13.8, 15.0, 13.6, 13.9,
14.9, 14.2, 13.7, 13.2, 14.6, 15.3, 14.8, 13.9 y 14.7. Con base en esta muestra,
¿Existe alguna razón para creer a un nivel de 0.05, que el tiempo de armado
promedio es mayor a 13.7 minutos?
La media y desviación estándar de la muestra son x  14.13 y S = 0.858
Planteamiento de la hipótesis:
H 0 :   13.7
H 1 :   13.7
Prueba estadística: Se elige el estadístico t dado que el tamaño de muestra es

chico y se desconoce la varianza de la población.
Nivel de significación: α = 0.05 en una prueba unilateral, dado que H 1 es

direccional.
Región crítica: La frontera de la región crítica es t 0.05,14  1.761
14.13  13.7
t  1.94
0.858 15
1.761
Aceptar H0 Rechazo H0
HHhH
10
___________________________________________________________________________________________
Conclusión: Dado que el estadístico de prueba cae en la región de rechazo, se
rechaza la hipótesis H 0 y se acepta la hipótesis alterna H 1 , con lo que se concluye
que en base a la evidencia experimental, el tiempo de armado promedio de las
unidades si es mayor a 13.7 minutos.
4.6 Prueba de hipótesis de una proporción.
Los métodos de distribución normal para muestras grandes, que se emplean para
resolver problemas de estimación en el caso de p binomial, se pueden emplear
también para probar hipótesis con respecto a p, las técnicas de probar hipótesis de
que p tiene un valor fijo o de que dos proporciones son iguales, son muy similares a
las explicadas con anterioridad.
Si deseamos probar una proporción p contra un valor específico p 0 podemos tratar

este problema como prueba de hipótesis del tipo H 0 : p  p0 y H 1 : p  p 0 , el
estadístico de prueba para estos casos se define por:
p   p0
Z
p0 q / n
Donde:
p´ = proporción de la muestra.
p0 = proporción de la población o constante especificada.
q  1  p0
H 0 será rechazada si el estadístico Z   Z  / 2 o si Z  Z  / 2
Para el caso de pruebas de un solo lado (unilaterales), se sigue el procedimiento

análogo a los ya vistos.
Ejemplo 1. Se cree que un medicamento en el mercado, que por lo común se

prescribe para aliviar la tensión nerviosa es efectivo solo en el 60% de los casos.
Resultados experimentales con un nuevo medicamento administrado a una muestra
aleatoria de 100 adultos que sufrían de tensión nerviosa, mostraron que 70
experimentaron el alivio. ¿Es esto suficiente evidencia para concluir que el nuevo
medicamento es mejor que el que se prescribe comúnmente con α = 0.05?
En este ejemplo p0  0.6 , q  1  p0  0.4 y la proporción de la muestra es ρ ’ =

70/100 = 0.70, se considera una variable normal cuyo promedio es 0.6 y desviación
estándar es igual a  p  pq / n
Planteamiento de Hipótesis:
H 0 : p  0.6
H 1 : p  0.6
Prueba estadística: Se utilizará el cociente Z dado que n es grande.
11
___________________________________________________________________________________________
Nivel de Significación: α= 0.05 en una prueba unilateral.
Región crítica: La frontera de la región crítica es Z 0.05  1.64
0.70  0.60
Z   2.04
(0.6)(0.4) / 100
Conclusión: Como el estadístico de prueba cae en la región de rechazo, se rechaza

la hipótesis H 0 y se acepta la hipótesis alterna H 1 , concluyendo que el nuevo
medicamento es mejor estadísticamente al que se prescribe comúnmente.
Ejemplo 2. El administrador de un hospital necesita saber si es cierto que el 90%

de la dosis de medicamento, preparados por una máquina, pesan exactamente 100
miligramos; no es aceptable un porcentaje mayor ni menor. Para el caso se tomo
una muestra aleatoria de n = 120 dosis y se encontró que 96 de ellos pesan
exactamente 100 miligramos. ¿Se cumple la necesidad del administrador con un
α = 0.05?
En este caso p0  0.90 q = 0.10 y ρ ’ = 96/120 = 0.80 se considera como una variable
normal cuyo promedio es 0.90 y cuya desviación estándar es igual a σ ρ.
H 0 : p  0.9
H 1 : p  0 .9
Prueba estadística: Dado que n es grande se emplea el estadístico Z.
Nivel de significación: α = 0.05 es una prueba bilateral.
Región crítica: Las fronteras de la región crítica son  Z 0.05 / 2  1.96 y

Z 0.05 / 2  1.96
0.8  0.9
Z   3.65
0.9 0.1 120
12
___________________________________________________________________________________________
- 3.65 -1.96
0 1.96
Rechazo H0 Aceptar H0 Rechazo H0
Conclusión: Dado que el estadístico Z cae en la región de rechazo, se rechaza la

hipótesis H 0 y se acepta la hipótesis alterna, por lo que la evidencia experimental
indica que no se cumple la necesidad del administrador.
4.7 Prueba de hipótesis de la diferencia de dos proporciones.
Un problema de gran importancia que se presenta con frecuencia en el trabajo

estadístico, es determinar si dos poblaciones difieren con respecto a una cierta
característica común observable.
Los problemas de esta naturaleza se pueden tratar como problemas de prueba de

hipótesis de tipo H 0 : p1  p 2 o su forma equivalente H 0 : p1  p 2  d 0 ; este tipo de
hipótesis se conoce como hipótesis del valor nulo, debido a que se supone que no
existe diferencia.
Donde 1 y 2 son las dos proporciones de la población con la característica de

interés. Si n1 y n2 indican los tamaños de muestra y ´1 y ´2 las proporciones
obtenidas de las muestras, entonces la variable que debe emplearse para resolver
este problema es p1  p 2 . La diferencia p1  p 2 puede considerarse como variable
que está distribuida aproximadamente en forma normal, con promedio
 p1  p2  p1  p2 y con desviación estándar dada por  p1  p2  pq1 n1  1 n2  .
La prueba estadística para este tipo de casos se define por:
Z
 p1  p2    p1  p2 
1 1
pq  
 n1 n2 
Si deseamos probar la hipótesis H 0 : p1  p 2 y H 1 : p1  p 2 , H 0 será rechazada sí

Z   Z  / 2 o si Z  Z  / 2
Para la hipótesis alterna de un lado H 0 : p1  p 2 y H 1 : p1  p 2 , H 0 será rechazada

sí Z  Z  ; para la otra alternativa H 0 : p1  p 2 y H 1 : p1  p 2 , se rechazará H 0 sí
Z   Z .
13
___________________________________________________________________________________________
Ejemplo 1. Una muestra de 400 marineros se ha dividido en dos grupos iguales por
selección al azar. Un grupo ha tomado la marca A de pastillas de un preventivo
contra el mareo, y el otro grupo las pastillas B. El número de cada grupo que no se
ha mareado durante una tormenta intensa, ha sido 152 y 132. ¿Puede concluirse que
no existe diferencia real en efectividad de las pastillas con un α = 0.05?
Las proporciones de cada muestra son:
´1 = 152 / 200 = 0.76 ´2 = 132 / 200 = 0.66
Una buena estimación de  es la suma de los marineros que tuvieron éxito en el

experimento total, 152 + 132 = 284, por lo tanto  = 284 / 400 = 0.71, mientras que
q = 1 – 0.71 = 0.29
Planteamiento de hipótesis: H 0 : p1  p 2 ó H 0 : p1  p 2  0 , que nos indica que

no existe diferencia entre las proporciones de la población, del grupo que tomó la
marca A y los del grupo que tomara la marca B.
H 1 : p1  p 2 , indica que existe diferencia entre las proporciones de las poblaciones de

los dos grupos.
Prueba estadística: Dado que estamos comparando dos proporciones muéstrales

que suponemos que provienen de poblaciones normalmente distribuidas y con
tamaño de muestra grande, el cociente Z es el adecuado.
Nivel de significación: α = 0.05 en una prueba bilateral.
Región crítica: Las fronteras de la región crítica son  Z 0.05 / 2   Z 0.025  1.96 y
Z 0.05 / 2  Z 0.025  1.96
(0.76  0.66)  0
Z   2.20
0.71(0.29)(1 / 200  1 / 200)
-1.96 0 1.96
2.20
Conclusión: Dado que el estadístico Z cae en la región crítica se rechaza la

hipótesis H 0 y se acepta la hipótesis H 1 , por lo que parece ser que la marca A da
una protección algo mejor que la marca B; por lo menos para marinos durante tiempo
tempestuoso.
14
___________________________________________________________________________________________
Ejemplo 2. En una muestra aleatoria de 75 ejes de árbol de leva, se encontró que
12 tienen un acabado superficial que es más rugoso que lo permitido por las
especificaciones, es decir tienen defectos. Con el fin de corregir tales anomalías, se
efectuó una modificación al proceso de acabado de la superficie, y en consecuencia
se tomo una nueva muestra aleatoria de 85 ejes, de los cuales 10 resultaron
defectuosos. ¿Podría decirse que se redujo estadísticamente la proporción de ejes
defectuosos con un α = 0.05?
Las proporciones para cada muestra son: ρ1’ = 12 / 75 = 0.16 y ρ2’ = 10 / 85 = 0.118
Una buena estimación de ρ es la suma de todos los ejes que tuvieron éxito en el
experimento total, 12 + 10 = 22; por lo tanto ρ = 22 / 160 = 0.137 y q = 1 - 0.137 =
0.863
H 0 : p1  p 2
H 1 : p1  p 2
Prueba estadística: Dado que n es grande se emplea el estadístico Z.
Nivel de significación: α=0.05 en una prueba bilateral.
Región crítica: Las fronteras de la región crítica son  Z 0.05 / 2  Z 0.025  1.96 y
Z 0.05 / 2  Z 0.025  1.96
Z 
 0.16  0.118   0  0.771
0.137 0.8631 75  1 85
-1.96 0 1.96
0.771
Conclusión: Dado que el estadístico Z cae en la región de aceptación se acepta la

hipótesis H 0 , y se concluye que en base a la evidencia experimental, no se redujo
estadísticamente la proporción de ejes de árbol de leva defectuosos.
4.8 Prueba de hipótesis de la diferencia de medias, con varianzas conocidas.
Un problema típico con el que se encuentra uno en la vida real, es determinar si dos
poblaciones difieren con respecto a una cierta característica de interés.
15
___________________________________________________________________________________________
Este tipo de suceso se puede tratar como problema de prueba de hipótesis de tipo
H 0 : 1   2 o su forma equivalente H 0 : 1   2  d 0 contra H 1 : 1   2 o su
equivalente 1 1H :    2  d 0 , donde d0 es un cierto valor
Este tipo de hipótesis se conoce como hipótesis del valor nulo, debido a que se
supone que no existe diferencia entre los promedios.
Si 1 y 2 son las medias poblacionales con la característica de interés. Si n 1 y n2

indican los tamaños de muestra y x1 y x2 los promedios obtenidos de esas
muestras, entonces la variable que se debe emplear para resolver este problema es
x1  x2
Si N1 y N2 poseen distribuciones normales independientes cuyos promedios son 1 y

2 y cuyas desviaciones estándar conocidas son 1 y 2, entonces la variable
aleatoria x1  x2 poseerá una distribución normal con promedio  x  x  1  2 y
1 2
2 2
desviación estándar  x  x  1  2
2
1 2
n1 n2
El estadístico de prueba para este tipo de casos se define por:
Z
 x1  x2    1  2 
 12  22

n1 n2
Se rechaza H 0 si Z  Z  / 2 o si Z   Z  / 2
Para probar la hipótesis alterna de un solo lado es:
H 0 : 1   2
H 1 : 1   2
Se rechaza H 0 si Z  Z 
Para probar la otra hipótesis alterna del otro lado será:
H 0 : 1   2
H 1 : 1   2
Se rechaza H 0 si Z   Z 
Ejemplo 1. La gerente de una fabrica enlatadora de jugo de naranja está interesada

en comparar el rendimiento de dos líneas de producción. Como la línea número uno
es relativamente nueva, sospecha que el número de cajas que se producen al día es
mayor que el correspondiente a la vieja línea dos, se toman datos al azar
durante diez días para cada línea, encontrando que x1  824.9 cajas por día y
x2  818.6 cajas por día. De la experiencia con la operación de este tipo de equipo
se sabe que 12 = 40 y 22 = 50. ¿Puede concluirse con un  = 0.05 que el
16
___________________________________________________________________________________________
número de cajas producidas por la línea uno es mayor que las producidas por la
línea dos?
H 0 : 1   2
H 1 : 1   2
Prueba estadística: Se elige el cociente Z dado que se conocen las varianzas de las
poblaciones y se supone normalidad en los datos.
Nivel de significación:  = 0.05 en una prueba unilateral.
Región crítica: La frontera de la región crítica es Z 0.05  1.65
(824.9  818.6)  0
Z  2.10
( 40 / 10)  (50 / 10)
Región de
rechazo
1.65
2.10
Conclusión: Dado que el estadístico de prueba cae en la región de rechazo se

rechaza H 0 y se acepta H 1 con lo que podemos concluir que el número de cajas
producidas diariamente por la línea uno es mayor que el número de cajas producidas
por la línea dos.
Ejemplo 2. Al gerente de recursos humanos se le pide que determine si los salarios

por hora de los obreros semiespecializados son los mismos en dos ciudades
distintas. El resultado de la investigación arrojó los siguientes valores:
Ciudad 1, n1 = 200, x1 = $ 8.95 y S1 = $ 0.40

Ciudad 2, n2 = 175, x2 = $ 9.10 y S2 = $ 0.60
El debe probar la hipótesis con un nivel de 0.05 de que no hay diferencia entre los
salarios.
H 0 : 1   2
H 1 : 1   2
Prueba estadística: Dado que n es grande se utiliza el cociente Z ya que se supone

normalidad en los datos.
17
___________________________________________________________________________________________
Nivel de significación:  = 0.05 en una prueba bilateral.
Región crítica: Las fronteras de la región crítica son  Z 0.05 / 2   Z 0.025  1.96 y
Z 0.05 / 2  Z 0.025  1.96
(8.95  9.10)  0
Z  2.8
0.40 2 / 200  0.60 2 / 175
- 2.8 -1.96 1.96

0
Rechazo H0 Aceptar H0 Rechazo H0
Conclusión: Dado que el estadístico Z cae en la región de rechazo, se rechaza la

hipótesis H 0 y se acepta H 1 , con lo que se concluye que los salarios de los
obreros de la ciudad dos son mayores estadísticamente a los de la ciudad uno.
4.9 Prueba de hipótesis de la diferencia de medias con varianzas

desconocidas. (Cuando las varianzas son iguales).
Sean N1 y N2 dos poblaciones normales independientes con medias desconocidas 1

y 2, y varianzas desconocidas pero iguales 12 = 22 = 2, y deseamos probar:
H 0 : 1   2
H 1 : 1   2
Se toman muestras aleatorias de tamaño n 1 y n2 de N1 y N2 respectivamente,

obteniéndose las medias y las varianzas de cada muestra. Puesto que S 12 y S22 son
estimadores de la varianza común 2, podemos obtener un estimado combinado de
la varianza común de ambas muestras de la siguiente forma:
(n1  1) S12  (n2  1) S 22

S P2 
n1  n2  2
18
___________________________________________________________________________________________
El estadístico de prueba para poblaciones normales cuando 1 = 2 =  es la prueba
t combinada, también llamado t de dos muestras la cual es:
( x1  x2 )  ( 1   2 )
t
1 1
SP 
n1 n2
Si H 0 : 1   2 es verdadera, t se distribuye como t n1  n2  2 en consecuencia se

rechaza H0 si:
t  t / 2, n1  n 2  2 ó t  t / 2, n1  n 2  2
Las alternativas de un lado se tratan de modo similar, así para probar:
H 0 : 1   2
H 1 : 1   2
Se rechaza H0 si t  t , n1  n2  2
Para la otra alternativa de un lado.
H 0 : 1   2
H 1 : 1   2
H0 será rechazada si t  t , n1  n2  2
Ejemplo 1. Un fabricante afirma que la resistencia promedio a la tensión de los

tornillos marca A exceden la de los tornillos marca B en 13 kg. Para probar esta
afirmación, se examinaron 25 piezas del tornillo marca A y se encontró una
resistencia promedio a la tensión de 86.7 kg, con una desviación estándar de 6.28
kg, mientras que otra muestra de 22 tornillos marca B tuvo una media de 77.8 kg y
una desviación estándar de 7.61 kg respectivamente. Compruebe la afirmación del
fabricante utilizando un nivel de significancia de 0.05, suponga que las varianzas son
iguales.
H 0 : 1   2  13
H 1 : 1   2  13
Prueba estadística: Dado que el valor de n es pequeño y no se conocen las

varianzas de las poblaciones, se emplea el cociente t.
Nivel de significación:  = 0.05 en una prueba unilateral dado que H 1 tiene

dirección.
Región crítica: La frontera de la región crítica es  t0.05, ( 25  22  2 )  t0.05, 45  1.679
19
___________________________________________________________________________________________
Cálculo del estadístico de prueba: Primero calculemos la varianza común de
ambas muestras.
( 25  1)6.28 2  ( 22  1)7.612
S P2   48.06
( 25  22)  2
El estadístico t será:
(86.7  77.8)  13
t  2.02
6.93 (1 / 25)  (1 / 22)
Región de
rechazo Región de
aceptación
-1.68 0
-2.02
Conclusión: Dado que el estadístico t cae en la región de rechazo, se rechaza la

hipótesis H 0 y se acepta H 1 , concluyendo que es falsa la afirmación del
fabricante, ya que los tornillos marca A no exceden a los tornillos marca B en más de
13 kilogramos.
Ejemplo 2. Una empresa de ventas de acciones desea saber qué tanto éxito han
obtenido sus ejecutivos en la obtención de clientes después de haber terminado su
entrenamiento. Los nuevos ejecutivos pasan varias semanas haciendo llamadas a
posibles clientes. Los datos siguientes dan el número de cuentas nuevas que fueron
abiertas durante las primeras dos semanas por diez ejecutivas y ocho ejecutivos de
cuenta escogidos aleatoriamente.
Número de cuentas nuevas
Ejecutivas de cuenta 12 11 14 13 13 14 13 12 14 12
Ejecutivos de cuenta 13 10 11 12 13 12 10 12
Con un α = 0.08 ¿Son las mujeres más efectivas que los hombres para conseguir
nuevas cuentas? Suponga que las varianzas son iguales.
Los promedios y varianzas para cada una de las muestras son: x 1  12.8 , S12  1.07 ,
x 2  11 .6 y S 22  1.41
H 0 : 1   2
H 1 : 1   2
20
___________________________________________________________________________________________
Prueba estadística: Dado que n es pequeña se utiliza el cociente t.
Nivel de significación: α = 0.08 en una prueba unilateral
Región crítica: La frontera de la región crítica es t0.08,16  1.501
Cálculo del estadístico de prueba: Primero calculamos la varianza común.
91.07   71.41
S2p   1.219
16
(12.8  11.6)  0
t  2.29
1.104 (1 / 10)  (1 / 8)
Región de
rechazo
1.501
2.29
Conclusión: Dado que t cae en la región de rechazo se rechaza la hipótesis H 0 y

se acepta la hipótesis H 1 , con lo que se concluye que las mujeres son más
efectivas que los hombres en la obtención de nuevos clientes.
NOTA: En la práctica antes de llevar a cabo una prueba de hipótesis de diferencia de

promedios con varianzas desconocidas, lo primero que se tiene que hacer, es una
prueba de hipótesis de razón de varianza, para saber si las varianzas son iguales o
diferentes estadísticamente y proceder de acuerdo al resultado obtenido.
4.10 Prueba de hipótesis de la diferencia de medias con varianzas

desconocidas. (Cuando las varianzas son diferentes).
En algunas situaciones, no podemos suponer razonablemente que las varianzas

desconocidas  12 y  22 sean iguales. No hay una estadística exacta disponible para
probar H 0 : 1   2 en este caso. Sin embargo la estadística utilizada es:
( x1  x2 )  ( 1   2 )
t
S12 S 22

n1 n2
La cual se distribuye aproximadamente como t de Student con grados de libertad

dados por:
21
___________________________________________________________________________________________
2
 S12 S 22 
n  n 
v   12 2  2  2
 S12   S 22 
   
 n1    n2 
n1  1 n2  1
Este tipo de problema por lo general a menudo se le conoce como problema de

Behrens-Fisher.
Ejemplo 1. Un fabricante de pantallas de video, prueba dos diseños de

microcircuitos para determinar si ellos producen flujos de corriente equivalentes. La
ingeniería de desarrollo ha obtenido los siguientes datos.
Diseño 1 n1 = 15 x1 = 24.2 S12 = 10

Diseño 2 n2 = 10 x2 = 23.9 S22 = 40
Se supone que ambas poblaciones son normales, con varianzas desconocidas y a su

vez diferentes. ¿Podría pensarse que los microcircuitos producen flujos de corriente
iguales, con un  = 0.05?
H 0 : 1   2
H 1 : 1   2
Prueba Estadística: Dado que las muestras son pequeñas y las varianzas
desconocidas, se utiliza el estadístico t.
Nivel de significación: α = 0.05 en una prueba bilateral.
Región crítica: Aquí lo primero que tenemos que hacer es calcular los grados de
libertad v:
(10 / 15  40 / 10) 2
v  2  12.69  13
((10 / 15) 2 / 16)  ((40 / 10) 2 / 11)
Por lo tanto las fronteras de la región crítica son  t0.025,13  2.16 y

t 0.025,16  2.16
(24.2  23.9)  0
t  0.1388
(10 / 15)  ( 40 / 10)
22
___________________________________________________________________________________________
-2.16 0 2.16
0.1388
Conclusión: Dado que el estadístico de prueba cae en la región de aceptación, se

acepta la hipótesis H 0 , y se concluye que en base a la evidencia experimental, los
microcircuitos si producen flujos de corriente iguales.
Ejemplo 2. Se realizó un estudio para comparar los niveles de ácido ascórbico en el

plasma de las mujeres embarazadas entre fumadoras y no fumadoras. Para el
estudio se seleccionaron dos grupos de mujeres en los últimos tres meses de
embarazo, libres de cualquier padecimiento importante y con edades entre 20 y 32
años. En la primer muestra de 24 mujeres se encontró una media de 0.9158 gramos
por mililitro en el plasma de cada sujeto y una desviación estándar de 0.2144. La
segunda muestra compuesta por 8 mujeres dio un promedio de 0.2144, y una
desviación estándar de 0.3915 ¿Existe diferencia entre los niveles de ácido ascórbico
en la sangre de mujeres fumadoras y no fumadoras? Las muestras se tomaron de
poblaciones normales con varianzas diferentes.
H 0 : 1   2
H 1 : 1   2
Prueba estadística: Dado que n1 y n2 son pequeñas y las varianzas poblacionales

desconocidas, se emplea el estadístico t.
Nivel de significación: α = 0.05 en una prueba unilateral dado que H 1 tiene

dirección.
Región crítica: Primero calculamos los grados de libertad.
v
 0.0459 / 24  0.1533 / 8 2  2  8.85  9
(0.0459 / 24) 2 / 25  (0.1533 / 8) 2 / 9
Por lo tanto, la frontera de la región crítica es t0.05,9  1.833
t
 0.9158  0.2144  0  4.83
0.0459 / 24  0.1533 8
Región de
rechazo
23
1.8
3 4.8
___________________________________________________________________________________________
Conclusión: Dado que el estadístico t cae en la región de rechazo, se rechaza la

hipótesis H 0 y se acepta la hipótesis alterna, con lo que se concluye que en base a
la evidencia experimental las mujeres embarazadas que fuman tienen más niveles de
ácido ascórbico en la sangre que las que no fuman.
4.11 Prueba de hipótesis de una varianza.
La inferencia con respecto a una varianza es tan importante como una con respecto
a la media. En medios industriales, por ejemplo, la variabilidad de un producto puede
ser una medida más importante que el promedio del producto.
Aquí el interés se centra en probar la hipótesis que considera la uniformidad de una

población, tal vez, que compara la uniformidad de una población contra cierto valor.
Supóngase que deseamos probar la hipótesis de que las varianzas de una

distribución normal 2 es igual a un valor específico  0 . Sea N una población
2
normal N (, 2), donde  y 2 se desconocen, y sea x 1, x2,...,xn una muestra aleatoria
de esa población, y deseamos probar:
H 0 :  2   02
H 1 :  2   02
El estadístico de prueba para este tipo de casos es la distribución Ji-cuadrada cuyo

promedio y varianza son µ = v y σ2 = 2v.
(n  1) S 2
X 
2
 02
Donde S2 es la varianza de la muestra y  0 es la varianza de la población o la

2
constante especificada. Ahora bien si H 0 :    0 es cierta, entonces el estadístico de

2 2
prueba X2 sigue la distribución ji - cuadrada con parámetro v = n – 1 llamado grados

de libertad.
Se rechazará H 0 si X 2  X 12 / 2,v o si X 2  X 2 / 2,v
Para la hipótesis de un lado.

H 0 :  2   02
H 1 :  2   02
24
___________________________________________________________________________________________
2 2
Se rechazará H 0 si X  X  ,v
Para la otra hipótesis unilateral:

H 0 :  2   02
H 1 :  2   02
Rechazaremos H0 si X 2  X 12 ,v
Ejemplo1. Se afirma que una máquina despachadora de refrescos esta fuera de

control, si la varianza de los contenidos excede a 1.15 decilitros. Si una muestra
aleatoria de 25 refrescos de esta máquina tiene una varianza de 2.03 decilitros,
¿Indica esto a un nivel de significancia de 0.05 que la máquina está fuera de control?
H 0 :  2  1.15
H 1 :  2  1.15
Prueba estadística: Por tratarse de la comparación de una varianza contra una

constante especificada se elige el estadístico Ji-cuadrada.
Nivel de significación: α=0.05 es una prueba bilateral, porque H 1 no tiene

dirección.
Región crítica: Las fronteras de la región crítica son X 10.05 / 2, 24  X 0.975, 24  12.40 o
2 2
si X 0.05 / 2, 24  X 0.025, 24  39.38

2 2
X2 
 25  1 2.03  42.37
1.15
Región de Región de
Región de rechazo
rechazo
aceptación
0 12.4 µ=24 39.38

42.37
Conclusión: Dado que el estadístico X2 cae en la región de rechazo, se rechaza la
hipótesis H 0 y se acepta la hipótesis alterna, concluyendo en base la evidencia
experimental que la varianza de los contenidos de refrescos es mayor de 1.15
decilitros; o lo que es lo mismo la máquina esta fuera de control.
Ejemplo 2. La empresa Precisión Analytics fabrica una línea amplia de instrumentos

de precisión. Con el fin de conservar su buena reputación, mantiene un estricto
control de calidad en todos sus productos. No pondrá a la venta una balanza
analítica, por ejemplo, a menos que dicha balanza muestre una variabilidad que este
significativamente por debajo de un microgramo, cuando se pesan cantidades de
25
___________________________________________________________________________________________
aproximadamente 500 gramos. Una nueva balanza acaba de ser entregada a la
división de control de calidad por parte de la línea de producción. Se prueba la nueva
balanza utilizándola para pesar el mismo peso estándar de 500 gramos 30 veces
distintas. La desviación estándar de la muestra resulta ser de 0.73 microgramos ¿Se
debe vender la balanza?
H 0 :  2  1.0
H 1 :  2  1.0
Prueba estadística: Como se compara la varianza de una muestra contra una

constante especificada, se emplea el estadístico Ji-cuadrada.
Nivel de significación: α=0.05 en una prueba unilateral, dada que H 1 es direccional.
Región crítica: La frontera de la región crítica es X 10.05, 29  X 0.95, 29  17.70

2 2
X2 
 30  1 0.732  15.45
1.0
Región de
rechazo Región de
aceptación
17.7 µ=29
15.45
Conclusión: Dado que el estadístico de prueba cae en la región de rechazo, se

rechaza la hipótesis H 0 y se acepta la hipótesis H 1 , con lo que se concluye que la
balanza si puede ser vendida.
4.12 Prueba de hipótesis de una razón de varianzas.
Si N1 y N 2 son dos poblaciones normales independientes con medias 1 y  2 y

varianzas desconocidas  12 y  22 , y deseamos probar:
H 0 :  12   22
H 1 :  12   22
Si de N1 y N 2 tomamos una muestra aleatoria independiente de tamaño n1 y n2 ,

y obtenemos sus correspondientes medias y varianzas. El estadístico que nos sirve
para probar la hipótesis H 0 :  1   2 es la función de distribución F de Fisher que
2 2
tiene como promedio µ = 1 y se define por:
26
___________________________________________________________________________________________
S12
F 2
S2
Donde S12 y S 22 son las varianzas de las dos muestras. Si H 0 :  1   2 es

2 2
verdadera, la relación F es un valor de la distribución F con parámetros

v1  n1  1 llamado grados de libertad del numerador y v2  n2  1 llamado grados
de libertad del denominador. En consecuencia se rechaza H 0 si:
F  F1 2, v1 ,v2  o si F  F 2 ,  v1 , v 2 
Dado que la tabla F solo proporciona valores para la cola derecha, por lo tanto para
poder determinar F1 2, v1 ,v2  se debe emplear 1 / F 2, v1 ,v2 
Para probar la hipótesis alterna de un lado:
H 0 :  12   22
H 1 :  12   22
Rechazamos H 0 si F  F , v1 ,v2 
Para la otra alternativa de un lado:
H 0 :  12   22
H 1 :  12   22
Se rechazará H 0 si F  F1 , v1 ,v2 
NOTA: En general se aplica este tipo de prueba de hipótesis, antes de realizar una
prueba de hipótesis de diferencia de medias con varianzas desconocidas.
Ejemplo 1. Existen en experimentación dos superconductores que se cree serán

claves para el siglo XXI. Uno de ellos ha sido desarrollado en Tokio y el otro en los
Estados Unidos. Se hacen 11 pruebas con el superconductor de Tokio y 12 con el de
E. U. midiendo su eficiencia, los resultados son:
Tokio: 129, 121, 117, 113, 109, 102, 104, 110, 116, 119, 126.
E. U. 101, 108, 121, 130, 107, 118, 126, 142, 107, 120, 128, 143.
¿Existe suficiente evidencia para decir que las varianzas de los superconductores
son iguales estadísticamente?
Las varianzas para cada una de las muestras son: n1  11 , S12  72.89 , n2  12 y
S 22  186.45
H 0 :  12   22
27
___________________________________________________________________________________________
H 1 :  12   22
Prueba Estadística: Dado que se supone independencia en las varianzas se

utilizará la prueba F.
Nivel de significación:  = 0.10 en una prueba bilateral.
Región crítica: Antes de definir las fronteras debemos plantear el cociente F para
saber quien será v1 y v2 , en nuestro caso será F = 72.89/186.45. Como la
varianza del numerador de la razón F es 72.89 y proviene de una muestra de
tamaño 11, por lo tanto v1  10 . Como la varianza del denominador es 186.45 y
proviene de una muestra de tamaño 12, por lo tanto los grados de libertad del
denominador son v2  11 .
Ahora bien las fronteras de la región crítica son:
Cola derecha F0.10 2 ,  10 ,11   F0.05, (10,11)  2.85 y

Cola izquierda F1 0.10 2 ,  10 ,11   F0.95, (10 ,11 )  1 / F0.05, (10,11 )  1 / 2.85  0.35
Cálculo estadístico de prueba:
72.89
F  0.3909
186.45
0.35 0.39 1 2.85
Conclusión: Dado que el estadístico F cae en la zona de aceptación se acepta la

hipótesis nula, y se concluye que no hay evidencia suficiente para decir que las
varianzas son diferentes estadísticamente.
Ejemplo 2. La empresa Bruce S.A. ensambla componentes eléctricos. Una muestra

en 10 días tomada al azar del último mes dio un promedio de 9 productos
defectuosos y una desviación estándar de 1.5. En una muestra de 15 días tomadas
también del último mes de la compañía Sacra mostró un promedio de 8.5
componentes con defectos y una desviación estándar de 2. ¿Es posible concluir que
hay más variación en el número de componentes defectuosos al día que se atribuyen
a Sacra?, con un α = 0.05.
28
___________________________________________________________________________________________
Como la tabla F de Fisher por lo general solo proporciona probabilidades para
valores de  de 0.10, 0.05 y 0.01, aquí estamos obligados a plantear la hipótesis
alterna con dirección, para poder manejar un valor de  de 0.05
H 0 :  12   22
H 1 :  12   22
El planteamiento de la hipótesis alterna con dirección, nos indica que debemos
trabajar con la cola izquierda de la distribución F. Por lo tanto el cociente F debe
tener en el numerador la varianza chica y en el denominador la varianza grande,
esto nos dará un cociente menor que uno (recuerde que µ = 1 en la distribución F).
Prueba estadística: Dado que se compararan dos varianzas se emplean el

estadístico F.

dirección.
Región crítica: Como la varianza del numerador de la razón F es 1.52 y proviene

de una muestra de tamaño 10, por lo tanto v1  9 , mientras que los grados de
libertad del denominador son v 2  14 .
F1-0.05,(9,14) = F0.95,(9,14) = 1 / F0.05,(9,14) = 1 / 2.65 = 0.377
1. 5 2
F  0.5625
22
Región de
rechazo Región de
aceptación
0 0.37 µ=1
0.56
Conclusión: Dado que el estadístico F cae en la región de aceptación se acepta la

hipótesis H 0 , con lo que se concluye que no existe mayor variación en los
componentes fabricados por la compañía Sacra. Estadísticamente la variación en el
número de componentes es igual en las dos empresas.
Ejemplo 3. En su incansable búsqueda de un sistema de llenado adecuado, cierta

empresa prueba dos máquinas. Robo-fill se usa para llenar seis tarros y da una
desviación estándar de 1.9 onzas de llenado. Con Automat.-fill se llenan 21 frasco y
dan una desviación estándar de 2.1 onzas. Si la empresa tiene que elegir uno de
29
___________________________________________________________________________________________
estos sistemas en función de la uniformidad de llenado, cual recomienda usted
previendo un 95% de probabilidad.
H 0 :  12   22
H 1 :  12   22
Prueba estadística: Dado que se compararan dos varianzas se emplean el
estadístico F.

dirección.
Región crítica: Como la razón F  1.9 2 / 2.12 , por lo tanto v1  5 y los grados de
libertad del denominador son v2  20 .
F10.05, 5, 20   F0.95,( 5, 20 )  1 / F0.05,( 5, 20 )  1 / 2.71  0.37
1.9 2
F  0.82
2.12
Región de
rechazo Región de
aceptación
0.37 µ=1
0
0.82
Conclusión: Dado que el estadístico F cae en la región de aceptación se acepta la

hipótesis H 0 , con lo que se puede concluir que la empresa puede elegir cualquiera
de los dos sistemas de llenado, ya que tienen estadísticamente la misma
uniformidad.
Apéndice 4.1 Empleo del software Minitab en el tema de prueba de hipótesis.
Prueba de hipótesis sobre la media con varianza conocida.
Para ilustrar el empleo de Minitab en el tema, tomaremos el ejemplo 2 de la página 7

del fabricante de aviones que necesita láminas de aluminio que midan 0.01 pulgadas
de grueso. Los pasos a seguir son los siguientes.
1. Seleccione el menú Estadísticas.
2. Elegir Estadísticas básicas.

30
___________________________________________________________________________________________
3. Hacer clic 1Z.
4. Cuando aparezca el cuadro de diálogo Z de 1 muestra (prueba e intervalo de

confianza)
Hacer clic en Datos resumidos.
Ingresar 100 en el cuadro Tamaño de muestra.
Ingresar 0.009 en el cuadro Media.
Ingresar 0.01 en el cuadro Desviación estándar.
Hacer clic en Realizar prueba de hipótesis.
Ingresar 0.01 en el cuadro Media hipotética.
Hacer clic en Opciones.
5. Cuando aparezca el cuadro de diálogo Z de 1 muestra-opciones.

Ingresar 95.0 en el cuadro Nivel de confianza.
Elegir la opción menor que en el cuadro Hipótesis alterna.
Hacer clic en Aceptar.
Minitab le da el resultado de Z = -1.00 con una probabilidad de P = 0.159. Para

decidir si se acepta o rechaza la hipótesis H 0 se toma la regla siguiente. Si la
probabilidad de tener una media igual a la de la muestra es menor a 5 % se
rechaza la hipótesis H 0 .
En el ejemplo que analizamos, vemos que la probabilidad de tener una Z = -1.00 es

de 15.9 %, lo que implica que la probabilidad es mayor a 5 %, por lo tanto para este
caso aceptamos la hipótesis H 0 .
Prueba de hipótesis sobre la media con varianza desconocida.
Para ilustrar el empleo de Minitab en el tema, tomemos el ejemplo 3 de la página 10

del tiempo de armado en minutos de 15 unidades seleccionadas al azar. En este
caso se puede trabajar con los datos resumidos de la media aritmética y la
desviación estándar, o capturando los 15 tiempos en minutos en la primer columna
de la hoja de cálculo. Mostraremos ambos casos.
3. Hacer clic 1t.
4. Cuando aparezca el cuadro de diálogo t de 1 muestra (prueba e intervalo de

confianza)
Ingresar 14.13 en el cuadro Media.
Ingresar 0.858 en el cuadro Desviación estándar.
31
___________________________________________________________________________________________
5. Cuando aparezca el cuadro de diálogo t de 1 muestra-opciones.

Elegir la opción mayor que en el cuadro Hipótesis alterna.
Minitab le da el resultado de t = 1.94 con una probabilidad de P = 0.036. Para decidir

si se acepta o rechaza la hipótesis H 0 se toma la regla siguiente. Si la probabilidad
de tener una media igual a la de la muestra es menor a 5 % se rechaza la
hipótesis H 0 .
En el ejemplo que analizamos, vemos que la probabilidad de tener una t = 1.94 es de

3.6 %, lo que implica que la probabilidad es menor a 5 %, por lo tanto rechazamos
la hipótesis H 0 .
Si desea que Minitab haga los cálculos de la media, desviación estándar y obtenga la
probabilidad correspondiente, capture los tiempos de armado en minutos de las
unidades y proceda de la siguiente forma.
1. Capture los 15 valores en La columna C1
4. Hacer clic en 1t.
5. Cuando aparezca el cuadro de diálogo t de 1 muestra (prueba e intervalo de

confianza).
Hacer clic en el cuadro Muestras en columnas.
Ingresar C1 en el cuadro Muestras en columnas.
Hacer clic en el cuadro Realizar prueba de hipótesis.
6. Cuando aparezca el cuadro de diálogo t de 1 muestra-opciones.

Minitab le da el resultado de t = 1.93 con una probabilidad de P = 0.037.
Prueba de hipótesis sobre una proporción.
32
___________________________________________________________________________________________
Para ilustrar la aplicación tomemos el ejemplo 1 de la página 11, sobre un
medicamento que es efectivo en el 60 % de los casos para aliviar la tensión nerviosa.
Los pasos a seguir son:
3. Hacer clic 1P.
4. Cuando aparezca el cuadro de diálogo 1 proporción (prueba e intervalo de

confianza)
Ingresar 70 en el cuadro Número de eventos.
Ingresar 100 en el cuadro Número de ensayos.
Ingresar 0.60 en el cuadro Proporción hipotética.
5. Cuando aparezca el cuadro de diálogo 1 proporción-opciones.

Hacer clic en Utilice la prueba y el intervalo basado en la distribución normal.
Minitab le da el resultado de Z = 2.04 con una probabilidad de P = 0.021. Para decidir

de tener una proporción igual a la de la muestra es menor a 5 % se rechaza la
hipótesis H 0 .
En el ejemplo que analizamos, vemos que la probabilidad de tener una Z = 2.04 es

de 2.1 %, lo que implica que la probabilidad es menor a 5 %, por lo tanto
rechazamos la hipótesis H 0 .
Prueba de hipótesis de la diferencia de dos proporciones.
Para ver el empleo de Minitab tomemos el ejemplo 2 de la página 15, de una

máquina que produce ejes de árbol de leva y que fue ajustada para disminuir el
porcentaje de artículos defectuosos.
3. Hacer clic 2P.
4. Cuando aparezca el cuadro de diálogo 2 proporciones (prueba e intervalo de

confianza)
33
___________________________________________________________________________________________
Ingresar 12 en el cuadro Primera Eventos.
Ingresar 75 en el cuadro Primera Ensayos.
Ingresar 10 en el cuadro Segunda Eventos.
Ingresar 85 en el cuadro Segunda Ensayos.
5. Cuando aparezca el cuadro de diálogo 2 proporciones-opciones.

Elegir la opción no es igual a en el cuadro Hipótesis alterna.
Hacer clic en Utilice el cálculo agrupado de p para la prueba.
Minitab le da el resultado de Z = 0.78 con una probabilidad de P = 0.438. Para decidir

de tener una diferencia de proporciones igual a la de la muestra es menor a 5 %
se rechaza la hipótesis H 0 .
En el ejemplo que analizamos, vemos que la probabilidad de tener una Z = 0.78 es

de 43.8 %, lo que implica que la probabilidad es mayor a 5 %, por lo tanto
aceptamos la hipótesis H 0 .
Prueba de hipótesis de la diferencia de medias con varianzas desconocidas

(cuando las varianzas son iguales)
Para ilustra el caso tomemos el ejemplo 1 de la página 19, sobre la comparación de

la resistencia a la tensión de los tornillos marca A contra los tornillos marca B.
3. Hacer clic 2t.
4. Cuando aparezca el cuadro de diálogo t de 2 muestras (prueba e intervalo de

confianza)
Ingresar 25 en el cuadro Primera Tamaño de muestra.
Ingresar 86.7 en el cuadro Primera Media.
Ingresar 6.28 en el cuadro Primera Desviación estándar.
Ingresar 22 en el cuadro Segunda Tamaño de muestra.
Ingresar 77.8 en el cuadro Segunda Media.
Ingresar 7.61 en el cuadro Segunda Desviación estándar.
Hacer clic en Asumir varianzas iguales.
5. Cuando aparezca el cuadro de diálogo t de 2 muestras-opciones.

Ingresar 13 en el cuadro diferencia de la prueba.
34
___________________________________________________________________________________________
Elegir la opción menor que en el cuadro Hipótesis alterna.
Minitab le da el resultado de t = -2.02 con una probabilidad de P = 0.025. Para decidir

de tener una diferencia de medias igual a la de la muestra es menor a 5 % se
En el ejemplo que analizamos, vemos que la probabilidad de tener una t = -2.02 es

de 2.5 %, lo que implica que la probabilidad es menor a 5 %, por lo tanto
Para una prueba de hipótesis de la diferencia de medias con varianzas desconocidas

(cuando las varianzas son diferentes), únicamente en el paso 4 no hacer clic en el
cuadro Asumir varianzas iguales. Si la hipótesis nula se plantea H 0 : 1   2 , en el
paso 5 ingrese 0 en el cuadro diferencia de la prueba, ya que la diferencia de dos
números iguales da cero.
Prueba de hipótesis de una varianza.
Para ilustra el empleo de Minitab tomemos el ejemplo 1 de la página 25, sobre una
máquina despachadora de refrescos que se sospecha que está fuera de control.
3. Hacer clic  2 .
4. Cuando aparezca el cuadro de diálogo 1 varianza.

Ingresar 1.425 en el cuadro Desviación estándar de la muestra.
Ingresar 1.072 en el cuadro Desviación estándar hipotetizada.
5. Cuando aparezca el cuadro de diálogo 1 varianza-opciones.

Elegir la opción no es igual a en el cuadro Hipótesis alterna.
Minitab le da el resultado de chicuadrada = 42.41 con una probabilidad de P = 0.023.

Para decidir si se acepta o rechaza la hipótesis H 0 se toma la regla siguiente. Si la
probabilidad de tener una X 2 igual a la de la muestra es menor a 5 % se
35
___________________________________________________________________________________________
En el ejemplo que analizamos, vemos que la probabilidad de tener una X 2  42.41

es de 2.3 %, lo que implica que la probabilidad es menor a 5 %, por lo tanto
Prueba de hipótesis de una razón de varianzas.
Para ilustra el empleo de Minitab tomaremos el ejemplo 1 de la página 28, sobre la

comparación de varianzas de dos superconductores que serán claves para el siglo
XXI.
3. Hacer clic  12 /  22 .
4. Cuando aparezca el cuadro de diálogo 2 varianzas.

Ingresar 11 en el cuadro Primera Tamaño de muestra.
Ingresar 72.89 en el cuadro Primera Varianza.
Ingresar 12 en el cuadro Segunda Tamaño de muestra.
Ingresar 186.45 en el cuadro Segunda Varianza.
5. Cuando aparezca el cuadro de diálogo 2 varianzas-opciones.

Minitab le da el resultado de F = 0.39 con una probabilidad de P = 0.15. Para decidir

de tener una razón de varianzas igual a la de la muestra es menor a 5 % se
En el ejemplo que analizamos, vemos que la probabilidad de tener una F = 0.39 es

de 15 %, lo que implica que la probabilidad es mayor a 5 %, por lo tanto se acepta la
hipótesis H 0 .
36

Prueba de Hipótesis

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Prueba de Hipótesis

Cargado por

Copyright:

Formatos disponibles

Lic.

Vicente Sánchez y Ramírez

4.1 Prueba de hipótesis estadística, hipótesis nula e hipótesis alterna.

Una hipótesis estadística es una afirmación sobre el parámetro de una o más

Antes de empezar cualquier experimento el investigador selecciona dos hipótesis: la

La hipótesis nula especifica valores hipotéticos para uno o más parámetros de la

La hipótesis sencilla o simple es cuando se refiere a un sólo valor en particular

La hipótesis compuesta es cuando se refiere a más de un valor en general ejemplo:

La hipótesis alterna afirma que el parámetro de la población es un valor diferente al

La hipótesis direccional o unilateral además de afirmar que el parámetro de la

Un análisis estadístico de la lógica de la inferencia estadística, revela que la

No importa cuantas veces lancemos la moneda, jamás lograremos agotar la

Ejemplo. Dibujemos dos líneas y determinemos a primera vista si son diferentes, al

En función de la evidencia encontrada al revisar el examen podrá decidir si se acepta

En este caso el juez no buscará evidencia de inocencia, sino de culpabilidad del

En el segundo ejemplo la toma de decisión puede haberse tomado mal, debido a: se

4.2 Errores tipo I y II.

Rechazo Error Ningún

Aceptación Ningún Error

La probabilidad de rechazar H 0 , dado que H 0 es verdadera se define como la

La probabilidad de aceptar H 0 dado que H 0 es falsa, se define como la

α = P (error tipo I) = P (rechazar H 0 │ H 0 es cierta)

 = P (error tipo II) = P (aceptar H 0 │ H 0 es falsa).

Tanto α como  son probabilidades condicionales. No pueden obtenerse las

Por ejemplo, si nuestro punto de rechazo se hace a un nivel α = 0.05 de significación

1 – β se llama potencia de la prueba, y es la probabilidad de rechazar H 0 cuando

Para decidir el nivel de significancia para  (riesgo de rechazar la hipótesis nula

De manera análoga en el ejemplo de la detención del presunto delincuente, las

4.3 Definiciones para mejor comprensión del tema.

Hipótesis. Es una suposición tentativa para explicar ciertos hechos y llevar a la

Nivel de significación (). Es la probabilidad de rechazar la hipótesis nula ( H 0 ),

Región crítica. Área o región donde se rechaza la hipótesis nula ( H 0 ).

Valor crítico. Valor que define donde comienza la región crítica.

Error tipo I (  ). Es la probabilidad de rechazar de manera errónea la hipótesis H 0

Error tipo II (  ). Es la probabilidad de aceptar de manera errónea la hipótesis H 0

4.4 Prueba de hipótesis sobre la media con varianza conocida.

Suponga que X es una variable aleatoria que representa alguna característica de

Además suponemos que  es desconocida y 2 es conocida. Estamos interesados

Donde  0 es una constante especificada.

Se obtiene una muestra aleatoria de tamaño n donde x 1, x2,..., xn es la variable

Dicho estadístico sigue una distribución normal con promedio   0 y varianza

Si probamos la hipótesis alterna unilateral.

Nivel de significación: α = 0.05 en una prueba bilateral, dado que H1 no tiene

Región crítica: Las fronteras de la región crítica son

Cálculo del estadístico de prueba:

Ejemplo 2. Un fabricante de aviones necesita láminas de aluminio que midan 0.01

Prueba estadística: Se elige al estadístico Z dado que n es grande

Nivel de significación: α = 0.05 en una prueba unilateral, dado que H 1 es

Región crítica: La frontera de la región crítica es  Z 0.05  1.65

Cálculo del estadístico de prueba:

Conclusión: Dado que el estadístico Z se ubica en la región de aceptación, se

4.5 Prueba de hipótesis sobre la media con varianza desconocida.

Sin embargo, si el tamaño de n es pequeño debe hacerse una suposición en torno a

Suponga que X es una variable aleatoria distribuida normalmente con media µ y

Que sigue una distribución t de Student con parámetro v  n  1 llamado grados de

Si deseamos probar la hipótesis alterna de un lado

Para la otra alternativa de un lado será:

Ejemplo 1. La resistencia al rompimiento de una fibra textil, es una variable

Tendrá la muestra un promedio mayor al requerido por las especificaciones, con un

Prueba estadística: Dado que n es pequeña y se desconoce la varianza, se elige el

Nivel de significación: α= 0.05 en una prueba unilateral, dado que H 1 tiene

Región crítica: La frontera de la región crítica es t 0.05,14  1.761

Cálculo del estadístico de prueba: