MIIN 6002 - Análisis de

datos
Prof. Pablo Burneo
Introducción a Pruebas de
Hipótesis
Inferencia estadística

Estimación Puntual

Estimaciones
Intervalo de Confianza

Inferencia Estadística

Pruebas de Hipótesis
Prueba de Hipótesis - Ejemplos

• Para el lanzamiento de una nueva droga al mercado se requiere la aprobación

del FDA. Se requiere una validación de que la droga es segura y efectiva, lo cual
debe efectuarse en base a información muestral. La FDA prefiere correr el
riesgo de rechazar una droga efectiva y segura, antes que aceptar como segura
y efectiva una droga que no lo es; formula su hipótesis en esa dirección, la cual
asume como el status quo:

“La droga no es ni segura ni efectiva”

En base a la data muestral tomará su decisión sobre rechazar o no la hipótesis.

Prueba de hipótesis - Ejemplos

• En el sistema legal se da el beneficio de la duda al acusado, para lo cual se

formula la hipótesis en esa dirección, la cual se considera el status quo:

“El acusado es inocente”

En base a las pruebas y evidencia el jurado y el juez deberán de rechazar o no esta

hipótesis. Se debe concluir que “más allá de una duda razonable” el acusado
cometió el crimen, rechazando la hipótesis. Si la evidencia no es suficientemente
fuerte, no se rechazará la hipótesis de inocencia.
¿Qué es Prueba de Hipótesis?

• Es una técnica de inferencia estadística.

– Permite el análisis de afirmaciones respecto de parámetros de la población, en
base a estadísticos muestrales.

• Un método analítico para la toma de decisiones.

– A través de la recolección de evidencia estadística, un enunciado acerca de una
población puede ser rechazado o no

• Debe haber suficiente evidencia para rechazar el enunciado, en caso contrario

no se rechaza.
– Un proceso que incorpora el error muestral
– Considerando el error muestral, nunca probamos algo al 100%.
¿Qué es una Hipótesis?

• Una hipótesis es un enunciado (supuesto) respecto a un parámetro

(población):

– Media poblacional

– Proporción poblacional

Ejemplo: La media de las cuentas mensuales de celulares en una ciudad es µ = $42

Ejemplo: La proporción de adultos con celulares en esa ciudad es π = 0.68

¿Qué es una Hipótesis?

• En la prueba de hipótesis se formulan dos hipótesis:

– La Hipótesis Nula: Ho
– La Hipótesis Alternativa: Ha

• En base a la data muestral

– se rechaza Ho  Ha se estima como cierta si se rechaza Ho

– no se rechaza la Ho
La Hipótesis Nula, H0

• Establece el supuesto o enunciado al cual se le desea dar el beneficio de la

duda.
Ejemplo: El número promedio de televisores enlos hogares de US. es al menos 3:

H0 : μ 3

• Es siempre respecto a un parámetro (población), y no respecto a un estadístico

(muestra)

H0 : μ 3 H 0 : x 3
La Hipótesis Nula, H0

• Se empieza asumiendo que la hipótesis nula es verdadera.

– Similar a la noción de inocencia hasta que la culpabilidad sea probada.

• Referido al status quo.

• Siempre contiene el signo “=” , “≤” o “”

• Puede ser o no rechazada.

– Basada en la evidencia estadística recolectada
– La hipotesis nula se “rechaza” o “no se rechaza”
La Hipótesis Alternativa, HA

• Es el opuesto de la hipótesis nula

ej.: El número promedio de televisores en los hogares de U.S. es menor que 3 ( HA: µ <
3)

• Desafía al status quo.

• Nunca contiene los signos “=” , “≤” o “”.

• Puede ser o no “aceptada”.

• Es generalmente la hipótesis que es presumida correcta (apoyada por el

investigador, lo que debe ser “demostrado”) es la llamada hipótesis de
investigación.
Formulación de Hipótesis

• Ejemplo 1: La compañía Ford ha trabajado para reducir el ruido de carretera en

la cabina de la camioneta rediseñada F150. Además desea anunciar en su
publicidad que la camioneta es más silenciosa. El promedio en el diseño original
fue de 68 decibeles en 60 mph.

¿Cuál es la prueba de hipótesis apropiada?

Formulación de Hipótesis

• ¿Cuál es la prueba de hipótesis apropiada?

– Ho: µ ≥ 68 (la camioneta no es silenciosa) status quo

– Ha: µ < 68 (la camioneta es silenciosa) se desea probar

• Si la hipótesis nula es rechazada, Ford tiene suficiente evidencia para

respaldar que la camioneta es más silenciosa.

• Se le da el beneficio de la duda a lo que se toma como status quo.

Formulación de Hipótesis
(continuación)

• Ejemplo 2: El ingreso promedio anual de los compradores de las camionetas

Ford F150 se considera que es $65,000. Se le desea dar el beneficio de la duda
a este enunciado.

¿Cuál es la prueba de hipótesis apropiada?

H0: µ = 65,000 (es lo considerado) status quo

HA: µ ≠ 65,000 (es diferente a lo considerado)

El analista creerá en lo considerado, a menos que encuentre evidencia suficiente para desacreditar esto
Formulación de Hipótesis

• La hipótesis alternativa carga con el peso de la prueba. En ese sentido, generalmente,

en investigación lo que se quiere probar constituye la hipótesis alternativa y suele
recibir la denominación de la Hipótesis de Investigación.

• Ejemplo. Goodyear ha desarrollado un nuevo neumático que aduce tiene una mayor
durabilidad que el de la competencia que, en promedio, se sabe que dura 60,000
millas de uso. El peso de la prueba pasa a ser que el nuevo neumático dura más de
60,000 millas, por lo tanto las hipótesis se plantean así:

H0: El nuevo neumático, en promedio, dura igual o menos de 60,000 millas

HA: El nuevo neumático dura más de 60,000 millas (Hipótesis de Investigación)

Solo si la data muestral produce una media muy superior a las 60,000 millas se aceptará la
hipótesis de investigación.
Errores en la Toma de Decisiones
• Tres resultados para una prueba de hipótesis:

• No hay error en la decisión.

• Error tipo I.

• Error tipo II.

Errores en la Toma de Decisiones

• Error Tipo I
– Rechazar la hipótesis nula cuando es verdadera.
– Considerado como un error grave.

• La probabilidad del Error Tipo I es 

– Llamado nivel de significancia de la prueba.
– Fijado por el investigador al inicio de la prueba.
– Un α de 0.05 indica que usted está dispuesto a aceptar una probabilidad de 5%
de estar equivocado al rechazar la hipótesis nula.
Errores en la Toma de Decisiones

• Error Tipo II
– No rechazar (aceptar) la hipótesis nula cuando es falsa.

– La probabilidad del Error Tipo II es β

– β es un valor calculado, la fórmula será discutida posteriormente.

Errores en la Toma de Decisiones
Decisiones

• Si la hipótesis nula no se rechaza, muchos profesionales de la estadística

argumentan que no se debe usar la frase “se acepta la hipótesis nula”, dado
que la prueba no puede ser así de concluyente, lo único que se tiene es que la
data muestral no ha permitido rechazar la hipótesis nula, pero no dice nada
respecto de su validez.

• Sin embargo, en muchas situaciones el no rechazo de la prueba nula implica

una decisión que, implícitamente, implica la aceptación de su validez.
Error Tipo I y Tipo II: Relación

• El error Tipo I y Tipo II no pueden suceder al mismo tiempo

– Error Tipo I puede ocurrir solamente si H0 es verdadera

– Error Tipo II puede ocurrir solamente si H0 es falsa
• Si la probabilidad del error tipo I () baja, entonces la probabilidad del error
tipo II (β) sube
Nivel de Significancia α y Valor Crítico
• Considere la siguiente prueba de hipótesis:
– H0: μ ≤ 25 días
– HA: μ > 25 días

• La prueba de hipótesis se basa en la media muestral ͞x:

– Valores de ͞x menores o iguales a 25 días tenderán a dar sustento a H0.
– Valores de x͞ por encima de los 25 días tenderán a rechazar H0

• Pero se sabe que se tiene error muestral, entonces a partir de que valor de ͞x se está
dispuesto a no rechazar Ho y a partir de qué valor se estará dispuesto a rechazar H0. Se
requiere un punto de corte, que defina dos regiones excluyentes y exhaustivas de rechazo y
de no rechazo.
• Este punto de corte, denominado Valor Crítico, se define en base a la definición de una
probabilidad máxima que se está dispuesto aceptar para cometer el Error tipo I. Esta
probabilidad recibe el nombre de Nivel de Significancia de la prueba α.
Razón para Rechazar la Ho
Distribución Muestral de x

x
20 μ = 50
Si H0 es ... entonces
Sería poco probable verdadera rechazamos la
obtener una media hipótesis nula
muestral de este ... si en realidad este valor fuera (μ = 50)
valor... la media poblacional…
Nivel de Significancia α y Valor Crítico

Distribución Muestral de x

H0: μ ≤ 25 Nivel de Significancia α

HA: μ > 25 Prob. cometer Error Tipo I = α

x
μ = 25

Punto de Corte:
Valor Crítico
Nivel de Significancia, 

• Define valores poco probables para el estadístico si la hipótesis nula es

verdader
– Define la región de rechazo de la distribución muestral.

• Es identificado por , (nivel de significancia)

Los valores típicos son 0.01, 0.05, ó 0.10.

• Es establecido por el investigador al inicio.

• Proporciona valor(es) crítico(s) para la prueba.

Hipótesis Nula de Igualdad

H 0: μ = 3 HA:
μ¹3
Si x͞ resulta extremo, superior a x͞ max
o inferior a x͞ min, entonces rechazar H0
y considerar HA como cierta

Rechazar H0 No rechazar H0 Rechazar H0

͞ xmi µ=3 ͞ xmax

n
-zmin 0 zmax
Hipótesis Nula de Desigualdad
H 0: μ ≥ 3
Construcción de la a H A: μ < 3
prueba

Prob deseada de
rechazar H0
Rechazar H0 No rechazar H0

Aplicación real de la prueba

͞ xmi µ=¿3?
Uso de xmin n Suponga μ =
da menor Prob de rechazar H0 Menor 3.5
α
Postura conservadora en
términos de rechazar el status
quo
Error Tipo I menor que lo
especificado.
Rechazar H0 No rechazar H0

͞ xmi µ=3.5
 Pruebas de
Hipótesis para 

σ conocida

Pruebas de Hipótesis para la Media

 Asumir inicialmente que la desviación

estándar poblacional σ es conocida
Procedimiento General

1. Se formulan las hipótesis nula y alternativa:

2. La hipótesis nula contiene una afirmación sobre la media poblacional μ
3. Se toma como cierta la hipótesis nula y se considera la distribución muestral de
la media en base a μ y σ/√n
4. En base a la curva normal estandarizada se encuentra el valor o valores críticos
que definirán la región de rechazo:
Zα, -Zα, o Zα/2 y -Zα/2
5. Se toma la muestra y se calcula el estadístico de la prueba, el cual se
transforma a valor z y se ve si cae o no en la región de rechazo.
Procedimiento General

6. Se especifica el nivel de significancia

7. En base en la distribucion normal de la media muestral con:

8. Se estandarizan los valores y se encuentra el valor critico de la prueba

Nivel de Significancia y Región de Rechazo

Nivel de significancia = a

Prueba unilateral izquierda Prueba unilateral derecha Prueba bilateral

Ejemplo: Ejemplo: Ejemplo:

H0: μ ≥ 3 H0: μ ≤ 3 H0: μ = 3
H A: μ < 3 HA: μ > 3 HA: μ ≠ 3

a a a /2 a/2

-zα 0 0 zα -zα/2 0 zα/2

Rechazar H0 No rechazar H0 No rechazar H0 Rechazar H0 Rechazar H0 No rechazar H0 Rechazar H0

Valor Crítico para Prueba Unilateral Izquierda

H 0: μ ≥ 3
 El valor de corte, -zα o xα HA : μ < 3
es llamado valor crítico

a
Basado en a

Rechazar H0 No rechazar H0
-zα 0
xα µ=3
σ
x  μ  z
n
Valor Crítico para Prueba Unilateral Derecha

H 0: μ ≤ 3
HA : μ > 3

 El valor de corte, zα o xα
es llamado valor crítico a

No rechazar H0 Rechazar H0
0 zα
µ=3 xα

σ
x  μ  z
n
Valores Críticos para Prueba Bilateral
H0: μ = 3 HA :
 Hay dos valores de corte
μ¹3
(valores críticos):
± zα/2
o /2 /2
xα/2
Inferior
Rechazar H0 No rechazar H0 Rechazar H0
xα/2 -zα/2 0 zα/2
Superior µ=3
xα/2 xα/2
Inferior Superior

σ
x /2 μ z/2
n
Prueba de Hipótesis: Ejemplo

Probar el enunciado que el número medio de

televisores en los hogares de US. es al menos 3.
(Asumir σ = 0.8)

• 1. Especificar el parámetro poblacional de interés

– El número medio de televisores en los hogares de US.
• 2. Formular la hipótesis nula y alternativa
– H0: μ  3 HA: μ < 3 (Prueba Unilateral Izquierda)
• 3. Especificar el nivel de significancia deseado
– Suponer que se elige  = 0.05
Prueba de Hipótesis: Ejemplo

 4. Determinar la región de rechazo

 = .05

Rechazar H0 No rechazar H0

-zα= -1.645 0

Es una prueba unilateral con  = 0.05.

Dado que σ es conocida, el valor de corte es un valor z

Rechazar H0 si z < z = -1.645; caso contrario no rechazar H0

Prueba de Hipótesis: Ejemplo

 5. Tomar una muestra aleatoria y calcular el estadístico de

prueba.
Supongamos que el tamaño de la muestra es 100 y
su media es: x = 2.84 ( = 0.8 es conocida)
 Entonces el estadístico de prueba es:

x μ 2.84  3  .16
z      2.0
σ 0.8 0.08
n 100
9-37
Prueba de Hipótesis: Ejemplo

 6. Tomar una decisión e interpretar el resultado

 = .05

z
Rechazar H0 No rechazar H0

-1.645 0
-2.0

Dado que z = -2.0 < -1.645, rechazamos la hipótesis nula que el número
medio de televisores en los hogares de U.S. es al menos 3. Hay
suficiente evidencia que el número medio es menos de 3.
Prueba de Hipótesis a través del valor p
Valor p: Ejemplo

 Ejemplo: ¿Cuán probable es obtener una media muestral de 2.84 (o menor a

esta) si la media poblacional es   3?

 = 0.05
P(x  2.84)
valor p =0.0228
 
 2.84  3.0 
P z  
 0.8 
 100 
P(z   2.0) 0.0228 2.8684 3 x
2.84
-1.645 0 Z
-2.00
Valor p: Ejemplo

 Compare el valor p con 

 Si valor p <  , rechazar H0

 Si valor p   , no rechazar H0

 = 0.05
Aquí: valor p = 0.0228 valor p = 0.0228
 = 0.05
Como 0.0228 < 0.05, rechazamos la
hipótesis nula
2.8684 3
2.84
Prueba de Hipótesis a través del valor p

• Convertir el estadístico (x) al estadístico de prueba (valor z, si σ es

conocida)
• Determinar el valor p de una tabla o computadora
• Comparar el valor p con 

– Si el valor p < , rechazar H0

– Si el valor p  , no rechazar H0
Prueba de Hipótesis a través del valor p

• Valor p: Probabilidad de obtener una prueba estadística igual o más extrema

que el valor del estadístico (muestra) observado dado que Ho es verdadera.

– Llamado también nivel de significancia observado.

– El menor valor de  para que Ho pueda ser rechazada.

Prueba de Hipótesis a través del valor p

• Da un nivel de significancia al resultado de la prueba de hipótesis.

• Informa más que un simple rechazo.

• Puede determinar con qué seguridad se “rechaza” o “no rechaza” la H0.

• Mientras más distante sea el valor p de a, la decisión es más segura.

Prueba Unilateral Derecha para la Media (
conocida): Ejemplo

Un administrador de la industria de telecomu-nicaciones considera que la

cuenta promedio mensual de celulares se ha incrementado, y es mayor a
$52. Se desea probar este enunciado. (Asumir  = 10 es conocida)

Formulando las hipótesis:

H0: μ ≤ 52 el promedio no es mayor que $52

HA: μ > 52 el promedio es mayor que $52
Prueba Unilateral Derecha para la Media (
conocida): Ejemplo

Hallando la región de rechazo:

Rechazar H0
Para esta prueba se eligió  = 0.10
 = 0.10

No rechazar H0 Rechazar H0
0 zα

Rechazar H0 si z > zα
Prueba Unilateral Derecha para la Media (
conocida): Ejemplo
Hallando el valor crítico:
Dado a = 0.10. ¿Cuál es el valor z crítico?

0.90 0.10 Tabla Z

Z .07 .08 .09

a = 0.10
1.1 .3790 .3810 .3830
0.50 0.40
1.2 .3980 .3997 .4015
z 0 1.28
1.3 .4147 .4162 .4177
valor z crítico
= 1.28
Prueba Unilateral Derecha para la Media (
conocida): Ejemplo
Calculando el estadístico de prueba:
Obtener la muestra aleatoria y calcular el estadístico de prueba

Supongamos que la muestra tomada presenta los siguientes

resultados: n = 64, x = 53.1(=10 conocida)

 El estadístico de prueba es: x μ 53.1  52

z    0.88
σ 10
n 64
Prueba Unilateral Derecha para la Media (
conocida): Ejemplo
(continuación
Tomando una decisión e interpretando el resultado: )

Rechazar H0

 = 0.10

No rechazar H0 Rechazar H0
0
1.28
z = 0.88
No rechazar H0 dado que z = 0.88 ≤ 1.28 = zα
No hay suficiente evidencia para concluir que la cuenta
promedio mensual de celulares sea mayor a $52
Prueba Unilateral Derecha para la Media (
conocida): Ejemplo
Probando a través del valor p:
Calcular el valor p y compararlo con 
valor p = 0.1894

Rechazar H0 P(x 53.1)

 = 0.10  
 53.1  52.0 
P z  
 10 
0  64 
No rechazar H0 Rechazar H0
1.28 P(z 0.88) 0.5  0.3106
z = 0.88 0.1894

No rechazar H0 dado que el valor p = 0.1894 >  = 0.10

Pruebas de Hipótesis
para 

 desconocida

Pruebas de Hipótesis para ,  desconocida 

 Cuando σ es desconocida, convertir el estadístico (x) al

estadístico de prueba t
 Pruebas de Hipótesis
para 

 conocida  desconocida

El estadístico de prueba es:

x μ
t n 1 
(La población debe ser s
aproximadamente normal)
n
Proceso de Prueba de Hipótesis para , 
 
desconocida

1. Especificar el valor del parámetro de interés.

2. Formular la hipótesis nula y alternativa.
3. Especificar el nivel de significancia deseado.
4. Determinar la región de rechazo (los valores críticos corresponden a la
distribution t con n-1 grados de libertad).
5. Obtener una muestra aleatoria y calcular el estadístico de prueba.
6. Tomar una decisión e interpretar el resultado.
Prueba Bilateral para ,  desconocida:
 
Ejemplo

El costo promedio de una

habitación (hotel) en
Nueva York es $168 por
noche. Una muestra
aleatoria de 25 hoteles da
x = $172.5 y s = $15.4.
Probar para  = 0.05. H0: μ = 168
(Asumir que la población tiene distribución normal)
HA: μ ¹ 168
 Prueba Bilateral para μ,  desconocida:
Ejemplo
Solución:
H0: μ = 168 HA: μ ¹ 168
 es desconocida, usar la distribución t

a/2=0.025 a/2=0.025

Rechazar H0 No rechazar H0 Rechazar H0

Valores críticos: -tα/2 0 tα/2
t24 = ± 2.0639 -2.0639
1.46 2.0639

x μ 172.50  168
t n1   1.46
s 15.40
n 25

No rechazar Ho: No hay suficiente evidencia para concluir que el costo promedio de una
habitación (hotel) por noche en Nueva York sea diferente de $168
Prueba de Hipótesis: Proporciones
Prueba de Hipótesis: Proporciones

• Se ha visto el tema de prueba de hipótesis respecto de la media de una

población, se dan casos en que lo que interesa analizar son hipótesis respecto
de la proporción de objetos de una población que satisfacen un atributo.

• El atributo puede ser una variable categórica.

• Ejemplos:
– Proporción de artículos defectuosos por hora, en una línea de ensamblaje, para
decidir o no el ajuste de la misma.
– Evaluación del desempeño de los ejecutivos de ventas de seguros de vida
según la proporción de pólizas renovadas en un año.
Prueba de Hipótesis para Proporciones

• Considera valores categóricos

• Dos posibles resultados

– “Éxito” (posee cierta característica)
– “Fracaso” (no posee esa característica)

• La fracción o proporción de la población categorizada como “éxito” se denota

por π
 Proporciones
 La proporción muestral de éxitos es denotada por:

x Número de éxitos en la muestra

p 
n Tamaño de la muestra
 Cuando nπ y n(1- π) son mayores o iguales a 5, p se distribuye aproximadamente
como una normal con media y desviación estándar:

μp π π(1  π)
σp 
n
Pruebas de Hipótesis para Proporciones

 La distribución
Pruebas de Hipótesis para
muestral de p es π
normal, entonces el
estadístico de
prueba es z: nπ < 5
nπ  5
y
p π n(1-π)  5
o
z n(1-π) < 5
π(1  π)
n No será
discutido
Prueba de Hipótesis para π: Ejemplo

Una empresa de investi-

gación de mercado cree
que recibe como respues-
ta el 8% de los correos
que envía. Para probar
este enunciado, se tomó
una muestra aleatoria de Verificando:
500 y se obtuvo 25
n π = (500)(0.08) = 40 
respuestas. Además se ha
considerado  = 0.05. n(1-π) = (500)(0.92) = 460

Como son mayores a 5 se

asume distribución normal
Prueba de Hipótesis para π: Ejemplo (continuación
)
Solución: H0: π = 0.08 HA: π ¹ 0.08
a = 0.05 n = 500, p = 0.05

Rechazar Rechazar

0.025 0.025
z
Valores críticos: ± 1.96 -1.96 0 1.96

Estadístico de prueba:
p π 0.05  0.08
z   2.47
π(1  π) 0.08(1  0.08)
n 500

Decision: Rechazar H0 para  = 0.05

Conclusión: Hay suficiente evidencia para concluir que la proporción de
respuestas a los correos enviados es diferente de 8%
Prueba de Hipótesis para π: Ejemplo
(continuación
Solución (valor p): )
Calcular el valor p y compararlo con 
(Para una prueba bilateral el valor p es siempre a dos colas)

Rechazar H0 No rechazar H0 Rechazar H0

/2 = 0.025 /2 = 0.025

0.0068 0.0068

-1.96 0 1.96
z = -2.47 z = 2.47
Obtención del valor p:
P(Z  2.47)  P(Z 2.47) 2(0.5  0.4932) 2(0.0068) 0.0136

Rechazar H0 dado que el valor p = 0.0136 <  = 0.05

Determinar el error tipo II - Betha
Pasos para Calcular b

• Especificar el parámetro de interés.

• Formular las hipótesis.
• Especificar el nivel de significancia.
• Determinar el(los) valor(es) crítico(s), prueba unilateral o bilateral.
• Especificar el valor estipulado del parámetro de interés.
• Calcular el valor z considerando el valor estipulado del parámetro.
• Usar la tabla Z para hallar b
 Error Tipo II:

• Error Tipo I (falso positivo)

– Se comete cuando se rechaza Ho siendo esta cierta.
– Se define a través del nivel de significancia α, la probabilidad de rechazar H0 cuando
esta es cierta.
– El costo de cometer el Error Tipo I es un criterio para fijar el nivel de significancia.

• ¿Pero qué del error de no rechazar Ho siendo esta falsa?

• Error Tipo II (falso negativo): Prob(No rechazar Ho / Ho es falsa) = β

– A menor Error Tipo I, mayor Error Tipo II, sin embargo no son proporcionales, no suman
1.
– El costo de cometer este error también es un elemento en la determinación del nivel de
significancia.
– Para cada valor de α, y un valor dado al interior del rango definido por HA, se tendrá un
valor de β. Esto es, β es condicional al valor que se considere del rango definido por HA.
Error Tipo II
 El error tipo II es la probabilidad de no rechazar la H0 cuando es falsa

Supongamos que no rechazamos H0: μ  52 cuando en

realidad la media poblacional es μ = 50

50 52
Rechazar No rechazar
H H0 : μ  52
520: μ 
Error Tipo II

 Supongamos que no rechazamos H0:   52 cuan-do

en realidad la media poblacional es  = 50

Este es el rango de x donde

Esta es la H0 no es rechazada
verdadera
distribución para x
si  = 50

50 52
Rechazar No rechazar
H H0 :   52
520:  
Error Tipo II

 Supongamos que no rechazamos H0:   52 cuan-

do en realidad la media poblacional es  = 50
Aquí,
β = P( x  “valor crítico”) si μ = 50

 β

50 52
Rechazar No rechazar
H H0 : μ  52
520: μ 
Calculando β
 Suponer n = 64 , σ = 6 y  = 0.05

σ 6
Valor crítico  x μ  z 52  1.645 50.766
(para H0 : μ  52) n 64

β = P(x  50.766) si μ = 50)

50 50.766 52
Rechazar No rechazar
H H0 : μ  52
520: μ 
Calculando β
(continuación)
 Suponer n = 64, σ = 6 y  = 0.05

 
 50.766  50 
P( x 50.766) P z   P(z 1.02) 0.5  0.3461 0.1539
 6 
 64 

Probabilidad
del error tipo II:
 β = 0.1539

50 52
Rechazar No rechazar
H H0 : μ  52
520: μ 
Referencias

• Montgomery, Douglas, Applied Statistics and Probability for Engineers

5th ed.
• Navidi, William, Estadística para Ingenieros y Científicos ,1ra edición
• Devore, Jay, Probabilidad y Estadistica Para Ingenieria y Ciencias 7ma
edición