CAPÍTULO II

CONTRASTACIÓN DE HIPÓTESIS

Una hipótesis es una afirmación o teoría que intenta explicar comportamientos alrededor
de los cuales existen algunos factores desconocidos. En términos estadísticos, las hipótesis
de trabajo se plantean como dos opciones:
 La hipótesis inicial o sub cero  H 0  que se va a evaluar frente a

 La hipótesis alternativa o sub uno  H1  .

La hipótesis inicial, o sub cero,  H 0  es la hipótesis de igualdad, pues afirma que las

diferencias que se pueden observar en las muestras se deben a la variabilidad del

muestreo, pero que no son significativas y se puede afirmar que sus resultados son iguales
al parámetro.

La hipótesis alternativa, o sub uno,  H1  sostiene que las diferencias observadas no se

deben al error de muestreo, ya que evidencian diferencias reales o estadísticamente

significativas.

2.1. Pruebas de una y de dos colas

Cuando se realizan pruebas de significancia, el investigador debe preguntarse si las

desviaciones que interesan son en ambas direcciones o en una sola y, en caso de ser en
una sola dirección, cuestionarse si estas desviaciones se dan por debajo o por encima del
valor esperado. Considere algunos ejemplos al respecto:
 El productor de una variedad de frutas para exportación afirma que la primera
calidad de sus unidades tiene un diámetro de 15 centímetros. Las diferencias que hay
que cuidar son en ambas direcciones, puesto que tener significativamente más de lo
ofrecido (exceso) puede ocasionar que no quepan en los embalajes y tener menos
1
 diámetro (defecto) haría que el movimiento al transportarlas las dañara en forma
considerable. Por esas razones, esta es una prueba de dos colas que se plantea así:
H 0 :   15
H 1 :   15

Prueba de significancia de dos colas

 Cuando a un fabricante industrial se le promete que los repuestos para reparar su

maquinaria le llegarán en 15 min a partir del pedido telefónico, difícilmente se sentirá
defraudado si el promedio de entregas resulta ser de 12 min, razón por la que este es
un caso típico de prueba de significancia de una cola. El problema será cuando el
tiempo sobrepase significativamente los 15 min prometidos, por eso esta es una
prueba de cola derecha que se plantea así:
H 0 :   15
H1 :   15

2
 Prueba de significancia de cola derecha

 Si un biólogo afirma que el cebo sistémico desarrollado por él mata a 90 % de los

insectos, lo típico es que los clientes no se preocupen si extermina un porcentaje
mayor, aquí lo criticable sería un poder exterminador menor del ofrecido. En este
caso, se está frente a una prueba de significancia de cola izquierda que se plantea así:
H 0 : P  90%
H1 :   90%

Prueba de significancia de cola izquierda

3
En las ciencias naturales, se estila que las pruebas de significancia sean de dos colas
básicamente porque permiten el establecimiento de un intervalo de confianza.

2.2. Pruebas de significancia

Siempre que se prueban hipótesis cabe la posibilidad de cometer uno de dos tipos de
errores. El primero es igual a la probabilidad de rechazar H 0 cuando en realidad es
correcta. Este error es igual al nivel de significancia con que se realiza la prueba, se
representa con la letra griega alfa (  ) y se denomina error de tipo I.
  P(Rechazar H 0 H 0 correcta)

El error de tipo II es igual a la probabilidad de aceptar H 0 cuando en realidad es

incorrecta. La probabilidad de este error se representa con la letra griega beta (  ).
  P(Aceptar H 0 H 0 incorrecta)

Por supuesto que la probabilidad de que H 0 sea aceptada cuando es verdadera debe ser
alta, y también debe ser alta la probabilidad de rechazarla cuando sea incorrecta. Por lo
tanto, para cualquier prueba de significación existen 4 alternativas de decisión:

SITUACIÓN REAL
H 0 es H 0 es
correcta Incorrecta

H 0 es aceptada Decisión Error de tipo II -

correcta 

DECISIÓN
H 0 es rechazada Error de tipo I Decisión

 correcta

Esquema de los resultados de las cuatro alternativas de decisión

4
Cuando se toma una decisión, esta puede ser correcta o incorrecta. En el evento de que
H 0 sea aceptada, existe la probabilidad de incurrir en un error de tipo II (  ); mientras

que si H 0 es rechazada se corre el riesgo de cometer el error de tipo I (  ).

Para disminuir la probabilidad del error de tipo I (  ), se puede reducir la zona de

rechazo, pero paralelamente se estaría aumentando la probabilidad de incurrir en el error
de tipo II (  ). La situación es tal que, mientras sea fijo el tamaño de muestra n , no se
puede reducir simultáneamente  y  , puesto que la reducción de uno de ellos conlleva
al aumento del otro. La única manera de reducir simultáneamente ambos tipos de error
es aumentando el tamaño de la muestra, pero en muchas situaciones prácticas esto no es
viable y se debe tomar una decisión tolerando un cierto porcentaje de error.

La importancia de cada tipo de error dependerá de las circunstancias y de las

consecuencias de cometerlo.

2.3. Contrastación de un promedio muestral respecto de una media

poblacional con varianza poblacional conocida (Prueba Z).

En general, si se conoce la variabilidad de la población, se deben seguir los siguientes

pasos para realizar pruebas de significancia para el promedio:
1. Plantear en términos estadísticos la hipótesis inicial  H 0  y la hipótesis alternativa

 H1  .
2. Establecer el tamaño de muestra, n , adecuado para recoger la información y calcular
las estadísticas.
3. Identificar la distribución de muestreo que se utilizará para evaluar los hallazgos.
Generalmente cuando el tamaño de la muestra es mayor que 30 observaciones se
utiliza la distribución normal, y cuando n  30 se utiliza la distribución t de Student.
4. Definir un nivel de significancia   conveniente.

5
5. Buscar en la tabla el o los valores críticos  Z vc  en términos de desviaciones estándar.

6. Calcular el error estándar de la muestra  x ).

7. Estandarizar el estadístico de prueba encontrado  Z p  .

8. Comprobar si el estadístico de prueba  Z p  está comprendido en el rango del valor

crítico   Zvc  o fuera de él; si el estadístico de prueba  Z p  está dentro de la zona de

aceptación se procede a confirmar  H 0  si está fuera se rechaza H 0 .

9. Otra forma de enunciar la regla de decisión es si el valor absoluto del estadístico de

prueba es menor que el valor crítico absoluto Z p  Zvc , entonces se acepta H 0 , caso


contrario Z p  Z vc  se rechaza H .
0

Por ejemplo: Expertos en genética animal sostienen que el peso al destete de cierta raza
de bovinos es 240 Kg. con desviación estándar de 24 Kg. Ante esta oferta, usted introduce
esta raza en su finca y, pasado un tiempo decide comprobar los resultados, para ello
seleccionan una muestra de 64 terneros recién destetados y obtienen un peso promedio
de 228 Kg. Se usa un nivel de significación de   0, 05 en ambas colas, determine si se
acepta o si se rechaza la hipótesis de que el peso promedio al destete es de 240 Kg.
1. Planteamiento de las hipótesis:
H 0 : μ = 240

H 0 : μ ≠ 240

2. El tamaño de muestra utilizado es n  64 , resultando un promedio de 228 Kg.

3. Se supondrá que la distribución muestral de promedios es normal puesto que el
tamaño de muestra es mayor que 30 y se conoce la desviación estándar poblacional
de   24 .

4. El nivel de significancia es   0, 05 en ambas colas o  0,025 en cada una.
2
5. Los valores críticos   Zvc  son –1,96σ y 1,96σ que se obtienen de la tabla normal

estándar de la siguiente forma:

6
Si se requiere una confianza de 1     95 % , deberá buscarse en valor de Z en la tabla

normal estándar. Note que hay 5 % de “desconfianza” o nivel de significancia   , 2,5 %

   
por exceso  2 y 2,5 % por defecto  2 ; áreas que, gráficamente, están localizadas en

las colas de la distribución, así:

Ubicación del valor de Z para una confianza de 95 %

Como usualmente las tablas están acumuladas en sentido “menos de”, para calcular el

valor de Z se tendrá que sumar a 95 % de la confianza requerida  2  2,5 % de una  

cola y así buscar 0,975.

Z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09

0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
…
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817

Es así como el valor de Z para una confianza de 95 % es 1,96. La notación matemática

más precisa es:
 Nivel de significancia   0, 05

7
 Nivel de confianza 1     0,95

 Valor normal estandarizado Z  Z 0,05  Z0,975  1,96

1 1
2 2

Ese valor normal estandarizado indica una probabilidad de 95 % de que los resultados de
la investigación sean los correctos.
6. El cálculo del error estándar es el siguiente:
 24 24
x    3
n 64 8

7. Al estandarizar el resultado muestral se obtiene el estadístico de prueba  Z p  .

x 228  240  12

Zp     4
x 3 3
8. –4 está fuera del rango comprendido entre –1,96 y 1,96, por lo tanto debe rechazarse
H0 .

9. La comparación de los valores absolutos entre el estadístico de prueba y el valor

crítico absoluto indica  4 > 1,96 lo cual ratifica el rechazo de H 0 .

Prueba de significancia para el promedio de pesos al destete en terneros de la raza X

Por lo tanto, se concluye que existe evidencia suficiente para rechazar la hipótesis
inicial: “el peso promedio al destete de esta raza de bovinos es de 240 Kg”; se ha

8
 constatado que es más bajo, al distanciarse en 4 desviaciones estándar del promedio
ofrecido.

2.4. Contrastación de dos promedios muestrales con varianzas

poblacionales conocidas (Prueba Z).

Esta prueba se hace con dos muestras tomadas de poblaciones diferentes de las que se
conocen su variabilidad poblacional.

Se deben seguir los siguientes pasos para realizar este tipo de contrastación:
1. Obtener los datos de las desviaciones estándar de ambas poblaciones  1 y  2 .

2. Definir un nivel de significancia   conveniente.

3. Establecer el tamaño de cada muestra n1 y n 2 .

4. Calcular los promedios muestrales x1 y x 2 .

5. Plantear en términos estadísticos la hipótesis inicial  H 0  y la hipótesis alternativa

 H1  .
6. Calcular el error estándar de ambas poblaciones así:
 12  22
 x2  x  
1 2
n1 n2

 12  22
 x x  
1 2
n1 n2

7. Estandarizar el estadístico de prueba encontrado  Z p  .

x1  x 2
Zp 
 x x
1 2

8. Buscar en la tabla el o los valores críticos  Z vc  en términos de desviaciones estándar.

9. Comprobar si el estadístico de prueba  Z p  está comprendido en el rango del valor

crítico   Zvc  o fuera de él; si el estadístico de prueba  Z p  está dentro de la zona de

aceptación se procede a confirmar  H 0  si está fuera se rechaza H 0 .

9
10. Otra forma de enunciar la regla de decisión es si el valor absoluto del estadístico de
prueba es menor que el valor crítico absoluto Z p  Zvc , entonces se acepta H 0 , caso


contrario Z p  Z vc  se rechaza H .
0

Por ejemplo: Un industrial quiere realizar una prueba de significación al nivel del 5% para
constatar si existen diferencias significativas en el tiempo que se tardan dos tipos de
maquinaria en producir una determinada pieza. Para ello utilizó una muestra de 75 piezas
generadas por cada tipo de maquinaria, obteniendo los resultados siguientes:
ZONA Promedio Desviación Tamaño
En minutos estándar De muestra

Maquinaria 1 3,31 1,62 75

Maquinaria 2 2,27 1,79 75

1.  1  1,62 y  2  1,79 .
2.   0,05 .
3. n1  75 y n2  75 .
4. x1  3,31 y x2  2,27 .
5. H 0 : 1   2 ; H 1 : 1   2 .

 12  22 1,622 1,792
6.  x x   =  = 0,035  0,043 =0,279.
1 2
n1 n2 75 75
x1  x 2 3,31  2,27 1,04
7. Zp  =   3,73 .
 x x
1 2
0,279 0,279

8. Z vc  1,96 .

9. Comprobar si el estadístico de prueba  Z p  está comprendido en el rango del valor

crítico   Zvc  o fuera de él; si el estadístico de prueba  Z p  está dentro de la zona de

aceptación se procede a confirmar  H 0  si está fuera se rechaza H 0 .

10
Se rechaza la hipótesis original H 0 : 1   2 .

10. Otra forma de enunciar la regla de decisión es si el valor absoluto del estadístico de
prueba es menor que el valor crítico absoluto Z p  Zvc , entonces se acepta H 0 , caso


contrario Z p  Z vc  se rechaza H .
0

|3,73| > | 1,96|

Existe evidencia suficiente a un 5% de significancia que los tiempos de producción
difieren entre sí.
La maquinaria 2 fabrica la pieza en un tiempo promedio menor.

2.5. Contrastación de dos medias muestrales con varianza poblacional

desconocida (Prueba Z).

Por desconocerse la variabilidad poblacional, esta prueba Z requiere de dos muestras

mayores de 30 observaciones para trabajarlas como si fueran poblaciones, y la
contrastación se hará de la siguiente manera:

1. Se define un nivel de significancia   conveniente.

2. Se establece el tamaño de cada muestra N 1 y N 2 , ya se ha dicho que cada una será

mayor de 30 observaciones.

11
3. Se obtienen los promedios  1 y  2 y las desviaciones estándar de ambas poblaciones
1 y 2 .
4. Se plantea en términos estadísticos la hipótesis inicial H 0 : 1   2  y la hipótesis
alternativa H 1 : 1   2  .
5. Calcular la varianza ponderada de las poblaciones, si los tamaños de muestra son
iguales, se procederá así:
 12   22
2 
2
Si los tamaños de muestra son diferentes la varianza ponderada de la población se
calcula de la siguiente forma:
N1  1   12  N 2  1   22
  2

N1  N 2  2
6. Establecer el error estándar de la diferencia poblacional  x1  x2 , si las muestras son del

mismo tamaño N1  N1  N  se hará así:

2 2
 x x 
1 2
N
Si los tamaños de muestra no son iguales se hará una ponderación:
2
 x x 
1 2
N1  N 2

7. Estandarizar el estadístico de prueba encontrado  Z p  .

x1  x 2
Zp 
 x x
1 2

8. Buscar en la tabla el o los valores críticos  Z vc  en términos de desviaciones estándar.

9. Comprobar si el estadístico de prueba  Z p  está comprendido en el rango del valor

crítico   Zvc  o fuera de él; si el estadístico de prueba  Z p  está dentro de la zona de

aceptación se procede a confirmar  H 0  si está fuera se rechaza H 0 .

12
10. Otra forma de enunciar la regla de decisión es si el valor absoluto del estadístico de
prueba es menor que el valor crítico absoluto Z p  Zvc , entonces se acepta H 0 , caso


contrario Z p  Z vc  se rechaza H . 0

Por ejemplo: Un ingeniero forestal quiere medir la eficacia de la poda en ciertos árboles
maderables, para lo cual selecciona 60 especímenes que se someterán a un tratamiento de
poda y 60 que no se les aplicará poda alguna. Al cabo de un tiempo, mide el diámetro de
los troncos y obtiene un incremento promedio de 0,3079 cm. con desviación estándar de
0,019 para los árboles sometidos a tratamiento de poda; mientras que observa incrementos
promedio de 0,2984 con desviación estándar de 0,013 para los que no tuvieron poda. Para
un nivel de significancia de 5%, ¿Qué conclusiones obtiene?

1.   0,05 .
2. N 1 = N 2 = N = 60 > 30 se recomienda prueba Z.
3. 1  0,3079 y  2  0,2984 ;  12  0,019 2 y  22  0,013 2 .

4. H 0 : 1   2 y H 1 : 1   2 .
 12   22 0,019 2  0,013 2
5. 2    0,01628 2  0,000265
2 2
2 2 2  0,016282
6.  x x    0,00297
1 2
N 60
x1  x2 0,3079  0,2984
7. Zp    3,196
 x x
1 2
0,00297

8. Z tab  1,96 .

9. El estadístico de prueba  Z p  está fuera del valor crítico tabular por lo que se rechaza

H0 .

10. 3,196 > 1,96 razón por la que se acepta la hipótesis alternativa que el tratamiento con

poda permite obtener mayores circunferencias en los troncos maderables.

13
2.6. Contrastación de dos promedios muestrales con varianzas
poblacionales desconocidas y n<30 (Prueba t de Student).

Con mucha frecuencia no se conoce la desviación estándar de la población, entonces se

tiene que utilizar como estimador la desviación estándar muestral y, en estas
circunstancias la distribución t de Student viene a ser la distribución de muestreo más
adecuada.

Recuerde que la distribución t de Student es una distribución simétrica con respecto de

su promedio, muy parecida a la normal, pero un poco más extendida, lo que hace que el
área bajo la curva sea mayor en las colas y menor en la parte central, si la comparamos
con las áreas bajo la curva normal. Además, su forma depende del tamaño de la muestra,
por lo cual siempre se deben tomar en cuenta los grados de libertad (n – 1) asociados a la
varianza. Esto hace que no exista una distribución general de t, sino una para cada tamaño
de muestra. También es cierto, que a medida que aumenta el tamaño de la muestra, la
distribución t tiende a aproximarse a la normal estándar, por lo que cuando n > 30 se
puede utilizar la normal con resultados bastante satisfactorios.

Se utilizará la t de Student cuando no se conoce la varianza poblacional y el tamaño de la

muestra es menor que 30, pero es necesario que la población de donde se ha tomado la
muestra tenga una distribución normal o muy cercana a la normal.

La contrastación se hará de la siguiente manera:

1. Se define un nivel de significancia   conveniente.

2. Se establece el tamaño de cada muestra n1 y n 2 .

3. Se obtienen los promedios x1 y x 2 , además las desviaciones estándar de ambas
poblaciones s1 y s 2 .
4. Se plantea en términos estadísticos la hipótesis inicial H 0 : x1  x 2  y la hipótesis
alternativa H 1 : x1  x 2  .
5. Calcular la varianza ponderada de las muestras, si los tamaños de muestra son
iguales, se procederá así:

14
 s12  s 22
s2 
2
Si los tamaños de muestra son diferentes la varianza pondera de la muestras se calcula
de la siguiente forma:
n1  1  s12  n2  1  s22
s 
2

n1  n2  2
6. Establecer el error estándar de la diferencia muestral s x1  x2 , si las muestras son del

mismo tamaño (𝑛1 = 𝑛2 = 𝑛) se hará así:

2s 2
s x1  x2 
n
Si los tamaños de muestra no son iguales se hará una ponderación:
1 1 
s x1  x2  s 2   
 n1 n 2 
7. Estandarizar el estadístico de prueba encontrado t p .  
x1  x2
tp 
s x1  x2

8. Buscar en la tabla t de Student el o los valores críticos t vc  en términos de desviaciones

estándar.
9.  
Comprobar si el estadístico de prueba t p está comprendido en el rango del valor

 
crítico  t vc  o fuera de él; si el estadístico de prueba t p está dentro de la zona de

aceptación se procede a confirmar  H 0  si está fuera se rechaza H 0 .

10. Otra forma de enunciar la regla de decisión es si el valor absoluto del estadístico de
prueba es menor que el valor crítico absoluto t p < t vc , entonces se acepta H 0 , caso

contrario t p > t vc se rechaza H 0 .

Por ejemplo: Un productor pecuario ceba novillos bos Taurus y bos indicus, y tiene la
información siguiente sobre los precios obtenidos por kilo en pie:

15
 Bos taurus Bos indicus

Precio del kilo en pie ¢ 2,100.00 ¢ 1,885.00

Desviación estándar ¢ 300.00 ¢ 450.00

Tamaño de la muestra 12 12
Usando   0,05 , determine si los precios promedio son significativamente diferentes.
1.   0,05 .
2. Sea n1 =12 y n 2 =12, ambos menores que 30 observaciones.
3. Los precios promedio son x1 =2,100 y x 2 =1,885 y las desviaciones estándar s1 =300 y
s 2 =450.
4. H 0 : x1  x 2 y H 1 : x1  x 2 .
s12  s 22 300 2  450 2
5. s2    146250
2 2
2𝑠 2 2∙146250
6. 𝑠𝑥̄ 1−𝑥̄ 2 = √ =√ = 156,12
𝑛 12

x1  x2 2100  1885 215

7. tp     1,38
s x1 x2 156,12 156,12

8. 𝑡𝑣𝑐 = 2,074.

16
17
9. |1,38| < | 2,074|.
Que lleva a aceptar la H 0 : x1  x 2 , pues no se encontró evidencia significativa que los
precios promedio pagados por la carne de bos taurus y bos indicus sean estadísticamente
diferentes.

2.7. Contrastación de dos varianzas muestrales (prueba F).

La prueba F sirve para determinar si la variabilidad entre dos muestras son

significativamente diferentes a un nivel de α. En este caso las varianzas pueden ser
calculadas o se conocen de previo.

La contrastación se hará de la siguiente manera:

1. Se establece el tamaño de cada muestra n1 y n 2 a partir de las cuales se calculan las
varianzas muestrales s12 y s 22 .
2.  
Plantear la hipótesis inicial H 0 : s12  s22 y la hipótesis alternativa H 1 : s12  s 22 .
3. Se define un nivel de significancia α.
4. Calcular el estadígrafo “F” de la manera siguiente:

18
 s12
F 2
s2
Considerando s12 como la mayor de las dos varianzas, de forma que F≥1.
5. Buscar el valor de F tabular según los grados de libertad del numerador y del
denominador, de acuerdo con el nivel de significancia requerido.
6. Si Fcalc ≤ Ftab se acepta la hipótesis de igualdad de varianzas; caso contrario, si Fcalc ≥
Ftab se rechaza la hipótesis H 0 y se acepta la hipótesis alternativa.

Ejemplo: Un Ingeniero somete a prueba dos máquinas de llenado de granos básicos. De

la máquina uno toma 12 paquetes y obtiene una desviación estándar de 0,72 gramos.
Luego, toma 12 paquetes llenados con la máquina dos y observa una desviación estándar
de 0,9 gramos. ¿Cuál de las dos máquinas presenta mejor uniformidad de llenado con un
95% de confianza?

1. n1  12 y n2  12 ; s12  0,72 2  0,5184 y s 22  0,9 2  0,81 .

2. H 0 : s12  s22 y H 1 : s12  s 22 .
3. Nivel de significancia   0,05 .
s12 0,81
4. F  2
  1,56
s 2 0,5184
5. F = 2,818, para 11 grados de libertad en el numerador, 11 grados de libertad en el
denominador y un nivel de significancia del 5%.

19
6. Puesto que Fcalc ≤ Ftab se acepta la hipótesis de igualdad de varianzas 1,56 ≤ 2,818.

Se concluye con un 95% de confianza que la variación en el llenado no es

significativamente diferente para ambas máquinas; por lo que el proceso se puede
llevar a cabo con cualquiera de las máquinas o con ambas.

2.8. Contrastación de una varianza muestral respecto de una poblacional

(prueba Chi-cuadrado  2 ).

20
Cuando se conoce la varianza poblacional y se puede calcular la varianza muestral, es
posible contrastar la existencia de diferencias significativas entre ellas, utilizando la
distribución chi-cuadrado (  ) a un nivel de significancia  .
2

La contrastación se hará de la siguiente manera:

1. Se establece el tamaño de la muestra n y con ello los grados de libertad n  1 .
2. Se calcula la varianza muestral s 2 para poder contrastar con la varianza poblacional
 2 conocida.
3. Se define un nivel de significancia α.
4.    
Plantear la hipótesis inicial H 0 :  2  s 2 y la hipótesis alternativa H1 :  2  s 2 .

5. Calcular  Calc
2
:

 Calc
2

n  1s 2
2
6. Buscar en la tabla  tabular
2
, el dato se encuentra en la intercepción del nivel de
significancia y los grados de libertad, como en el siguiente ejemplo de   0,05 y
n  1  19 .

21
 7. Si  tabular
2
>  Calc
2
se acepta la hipótesis de igualdad H 0 ; caso contrario se rechaza H 0
y se acepta la hipótesis de diferencia H 1 .

Ejemplo:
A un ganadero se le ha explicado de la varianza máxima en la producción diaria de leche
de vaca es 4. Pone en evaluación un lote de 20 animales y obtiene una varianza muestral
de 4,12. Determine a un nivel de significancia del 5% si estas vacas deben tenerse en
producción o ser llevadas al matadero.

1. n  20 por lo tanto los grados de libertad son n  1  19 .

2. Varianza muestral s 2  4,12 ; varianza poblacional  2  4 .

3. Nivel de significancia   0,05 .

4. H 0 :  2  s 2 ; H1 :  2  s 2 .

5.  Calc
2

n  1s 2 
19  4,12 78 ,28
  19 ,57
 2
4 4
6.  tabular
2
 30,14
7.  tabular
2
>  Calc
2
; 30,14 > 19,57, por lo que se acepta la hipótesis de igualdad de varianzas
H0 .
El lote de vacas puede seguir produciendo.

Glosario de términos y fórmulas

diferencia significativa. Consiste en un alejamiento del dato muestral con respecto del parámetro
de tal forma que se asume que la probabilidad de que ocurra por azar es muy baja.

error de tipo I (  ). Es igual a la probabilidad de rechazar H 0 cuando en realidad es correcta. Se

denota de la siguiente forma:   P (Rechazar H 0 H 0 correcta) .

22
error de tipo II (  ). Es igual a la probabilidad de aceptar H 0 cuando en realidad es incorrecta.

Se denota de la siguiente forma:   P (Aceptar H 0 H 0 incorrecta) .

estadístico de prueba  Z  . Dato que indica cuánto difiere una estadística respecto de su
p

parámetro, considerando la variabilidad y el tamaño de la muestra que se expresan como

error estándar. El estadístico de prueba es el valor estandarizado de un valor empírico
x
muestral y se expresa como: Z p  .
x

estimación. Proceso que busca calcular los parámetros a partir del análisis que se hace de una
muestra. La estimación consiste en basarse en las estadísticas empíricas para inferir los
valores poblacionales, llamados también parámetros.

hipótesis. Es una afirmación o teoría que intenta explicar comportamientos alrededor de los
cuales existen algunos factores desconocidos.

hipótesis alternativa H 1 . Es la hipótesis de desigualdad que invita a rechazar lo originalmente

planteado puesto que la diferencia encontrada es tan grande que no puede deberse al azar.

hipótesis inicial H 0 . Es la hipótesis de igualdad del parámetro con los datos muestrales. La

hipótesis inicial sostiene que las diferencias observadas son aleatorias, es decir, que se deben
al azar en razón del error de muestreo. Su planteamiento sugiere que no hay evidencia
significativa entre lo observado y lo supuesto como valor poblacional.

nivel de confianza. Evaluación probabilística del intervalo en que pueda estar el verdadero valor
poblacional. Se designa como 1    .

nivel de significancia (  ). Mide la probabilidad de rechazar la hipótesis inicial siendo verdadera.

Es el investigador quien establece cuál es la probabilidad máxima que se permite de cometer
un error del tipo I.

23
pruebas de dos colas. Son pruebas bilaterales en los cuales la probabilidad de rechazar una
hipótesis puede ser por exceso o por defecto; esto es por sobrepasar algún límite o por no
llegar a un mínimo requerido.

pruebas de significancia. Evalúan si los datos muestrales confirman o desmienten alguna

hipótesis preestablecida, en otras palabras, las pruebas de significancia van a probar si las
estadísticas son consistentes o no con lo que se afirma sobre la población

pruebas de una cola. Son pruebas unilaterales en donde el rechazo se hace o bien por exceso o
bien por defecto.

valor crítico ( Z vc ). Es un valor teórico derivado de una distribución de probabilidades tipo, sea

normal estándar, t de Student, chi cuadrado o binomial. Marca el límite entre la zona de
aceptación y la zona de rechazo para la prueba de hipótesis.

zona de aceptación. Intervalo que indica la variabilidad aceptada para los valores muestrales. La
zona de aceptación tiene una probabilidad conocida y definida por el nivel de confianza que
merece el estadístico de prueba.

24