3-PH MediaUnaPblacionFEN

Introducción Distribución poblacional normal Distribución poblacional desconocida Distribución poblacional Bernoulli
Pruebas de hipótesis sobre la media de una

población
Ignacio Vidal G.
Instituto de Matemática y Fı́sica.

Universidad de Talca, Chile.
Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

Contenido
1 Introducción
2 Distribución poblacional normal

Con σ conocida
Con σ desconocida
3 Distribución poblacional desconocida
4 Distribución poblacional Bernoulli

Con una muestra “grande”
Con una muestra “pequeña”

Nuestro objetivo general es:
Supondremos que se extrae una muestra aleatoria X1 , . . . , Xn con

función de densidad f (x |θ ), para algún parámetro θ.


Denotaremos a la media de estas variables aleatorias por µ, y
compararemos este valor de µ con otro valor hipotético para la
media de la población denotado por µ0 .


iid
En resumen, dada una muestra X1 , . . . , Xn ∼ f (x |θ ), veremos
tests para comparar uno de los siguientes 5 pares de hipótesis:

H 0 : µ = µ 0 H0 : µ ≤ µ 0
1 , .
H1 : µ > µ0 H1 : µ > µ0


iid

H 0 : µ = µ 0 H0 : µ ≤ µ 0
1 , .
H1 : µ > µ0 H1 : µ > µ0

H0 : µ = µ 0 H0 : µ ≥ µ 0
2 , .
H1 : µ < µ0 H1 : µ < µ0


iid

H 0 : µ = µ 0 H0 : µ ≤ µ 0
1 , .
H1 : µ > µ0 H1 : µ > µ0

H0 : µ = µ 0 H0 : µ ≥ µ 0
2 , .
H1 : µ < µ0 H1 : µ < µ0

H0 : µ = µ 0
3 .
H1 : µ 6= µ0

Este test es solamente útil en las salas de clases
Supongamos que la muestra proviene de una distribución normal

iid
con varianza conocida, o sea, X1 , . . . , Xn ∼ N µ, σ 2 , donde σ es

conocida y queremos comparar una de las 5 hipótesis sobre las

medias.


iid


medias.
De forma similar a como resolvimos el ejemplo del tiempo medio
de secado de las pinturas se puede deducir que un test para
comparar una de las 5 hipótesis sobre las medias es


iid


medias.
De forma similar a como resolvimos el ejemplo del tiempo medio
de secado de las pinturas se puede deducir que un test para
H1 Región de rechazo Valor-p

> z ≥ z1−α P (Z ≥ z)
< z ≤ −z1−α P (Z ≤ z)
6 = |z| ≥ z1− α2 2P (Z ≥ |z|)
x̄−µ0 √
Cuadro: donde z = σ n y Z ∼ N (0, 1).

Ejemplo con hipótesis de dos colas

Example
Un fabricante de alarmas para incendios afirma que el verdadero
promedio de temperatura de activación de las alarmas que fabrica
es de 130o F .
Una muestra de n = 9 alarmas por él fabricadas dió un promedio
muestral de x̄ = 131,08o F .
Si la distribución de las temperaturas de activación es normal con
σ = 1,5o F , ¿contradicen los datos la afirmación del fabricante a un
nivel de significación α = 0,01?

Ejemplo con hipótesis de dos colas

Example
Un fabricante de alarmas para incendios afirma que el verdadero
promedio de temperatura de activación de las alarmas que fabrica
es de 130o F .
Una muestra de n = 9 alarmas por él fabricadas dió un promedio
muestral de x̄ = 131,08o F .
Si la distribución de las temperaturas de activación es normal con
σ = 1,5o F , ¿contradicen los datos la afirmación del fabricante a un
nivel de significación α = 0,01?
Las hipótesis a comparar son:

H0 : µ = 130 (afirmación del fabricante)
H1 : µ 6= 130 (el fabricante está equivocado)
donde µ es la media de la temperatura de activación de las alarmas

hechas por este fabricante.
No hay evidencias suficientes en contra de H0
Example
√
El estadı́stico de prueba es z = 9 (131,08 − 130) /1,5 = 2,16.

Example
√
valor-p = 2P (Z ≥ |2,16|) = 2 (1 − 0,984614)

Example
√
valor-p = 2P (Z ≥ |2,16|) = 2 (1 − 0,984614)

= 0,030772 > 0,01 = α.

Example
√
valor-p = 2P (Z ≥ |2,16|) = 2 (1 − 0,984614)

= 0,030772 > 0,01 = α.
Por tanto, no se rechaza H0 .

Example
√
valor-p = 2P (Z ≥ |2,16|) = 2 (1 − 0,984614)

= 0,030772 > 0,01 = α.

Conclusión: Los datos no proporcionan una fuerte evidencia en
contra de la afirmación del fabricante.

Example
√
valor-p = 2P (Z ≥ |2,16|) = 2 (1 − 0,984614)

= 0,030772 > 0,01 = α.

Conclusión: Los datos no proporcionan una fuerte evidencia en
contra de la afirmación del fabricante.
No estamos diciendo que el fabricante tiene razón en lo que dice,
sólo estamos diciendo que su afirmación no es significativamente
diferente a la realidad mostrada por la muestra.

¿Cuál es la probabilidad de cometer el error de tipo II?
Example
Como en el ejemplo anterior no rechazamos H0 , esposible que
estemos cometiendo el error de tipo II.

Example
¿Cuál es la probabilidad de que esto haya sucedido?

Example
β µ0

= P (No rechazar H0 |H1 es cierta )

Example
β µ0

= P |Z | < z1−α/2 µ = µ0 ,


Example
β µ0

= P |Z | < z1−α/2 µ = µ0 ,

donde µ0 6= 130 y z1−α/2 = z1−0,01/2 = z0,995 = 2,58.

Otros cálculos de la probabilidad de cometer el error de

tipo II se hacen de manera similar
Example
Luego,
X̄ − µ0 √

0 0

β µ = P
n < 2,58 µ = µ

σ


Example
Luego,
X̄ − µ0 √

0 0

β µ = P n < 2,58 µ = µ

σ
X̄ − 130 √

0

= P −2,58 < 9 < 2,58 µ = µ
1,5


Example
Luego,
X̄ − µ0 √

0 0

β µ = P n < 2,58 µ = µ

σ
X̄ − 130 √

0

= P −2,58 < 9 < 2,58 µ = µ
1,5

2,58 2,58 0
= P 130 − 1,5 < X̄ < 130 + 1,5 µ=µ
3 3


Example
Luego,
X̄ − µ0 √

0 0

β µ = P n < 2,58 µ = µ

σ
X̄ − 130 √

0

= P −2,58 < 9 < 2,58 µ = µ
1,5

2,58 2,58 0
= P 130 − 1,5 < X̄ < 130 + 1,5 µ=µ
3 3
128,71 − µ0 √ X̄ − µ0 √ 131,29 − µ0 √

0
= P 9< 9< 9 µ = µ
1,5 1,5 1,5


Example
Luego,
X̄ − µ0 √

0 0

β µ = P n < 2,58 µ = µ

σ
X̄ − 130 √

0

= P −2,58 < 9 < 2,58 µ = µ
1,5

2,58 2,58 0
= P 130 − 1,5 < X̄ < 130 + 1,5 µ=µ
3 3
128,71 − µ0 √ X̄ − µ0 √ 131,29 − µ0 √

0
= P 9< 9< 9 µ = µ
1,5 1,5 1,5
P 257,42 − 2µ0 < Z < 262,58 − 2µ0 .

=

El gráfico del error de tipo II para µ0 6= 130 es

Example
1
0.9
0.8
0.7
0.6
β(µ′)
0.5
0.4
0.3
0.2
0.1
0
127 128 129 130 131 132 133
µ′

Ahora supondremos que σ es desconocida

iid
con varianza desconocida, o sea, X1 , . . . , Xn ∼ N µ, σ 2 , donde σ

es desconocida y queremos comparar una de las 5 hipótesis sobre

las medias.


iid


las medias.
De forma similar al caso anterior, pero sustituyendo a σ 2 por su
estimador insesgado S 2 se puede deducir que un test para


iid


las medias.
De forma similar al caso anterior, pero sustituyendo a σ 2 por su
estimador insesgado S 2 se puede deducir que un test para

> t ≥ t(ν),1−α P (T ≥ t)
< t ≤ −t(ν),1−α P (T ≤ t)
6 = |t| ≥ t(ν),1− α2 2P (T ≥ |t|)
x̄−µ0 √
Cuadro: donde t = s n, T ∼ t(ν) y ν = n − 1.

Noten que H1 es la hipótesis que queremos demostrar
Example
La siguiente información es el peso máximo de levantamiento de
pesas en 4 intentos por minutos hechos por 5 hombres entre 18 y
30 años.
Los datos son 25,8, 36,6, 26,3, 21,8 y 27,4.
Si se supone que estos datos distribuyen normal, ¿sugiere esta

información que la media poblacional µ es mayor a 25 Kg.?

Noten que H1 es la hipótesis que queremos demostrar
Example
La siguiente información es el peso máximo de levantamiento de
pesas en 4 intentos por minutos hechos por 5 hombres entre 18 y
30 años.
Los datos son 25,8, 36,6, 26,3, 21,8 y 27,4.
Si se supone que estos datos distribuyen normal, ¿sugiere esta

información que la media poblacional µ es mayor a 25 Kg.?
En este caso debemos comparar

H0 : µ ≤ µ0 = 25
H1 : µ > µ0 = 25

Podemos acotar al valor-p
Example
27,54−25
√
El estadı́stico de prueba es t = 5,47 5 = 1,04.

Example
27,54−25
√
Por tanto,
valor-p = P (T ≥ t) = P (T ≥ 1,04) > P (T ≥ 1,533) = 0,1.

Example
27,54−25
√
Por tanto,
valor-p = P (T ≥ t) = P (T ≥ 1,04) > P (T ≥ 1,533) = 0,1.
Como este valor-p es demasiado grande, no se rechaza H0 y

concluı́mos que los datos no ofrecen evidencias suficientes para
afirmar que la media de los pesos máximos por levantamiento es
mayor a 25 Kg.

Como no conocemos la distribución de los datos,

tendremos un test aproximado
Ahora supondremos que no conocemos la distribución de los datos,
iid
o sea, observaremos una muestra X1 , . . . , Xn ∼ f (x), donde
E (Xi ) = µ y V (Xi ) < ∞ para todo i = 1, . . . , n.


iid
Por el Teorema del Lı́mite Central sabemos que
X̄ − µ √ ·
Z= n ∼ N (0, 1) .
s


iid
X̄ − µ √ ·
n ∼ N (0, 1) .
Z=
s
Luego, un test aproximado para comparar una de las 5 hipótesis
sobre las medias es
> z ≥ z1−α P (Z ≥ z)
< z ≤ −z1−α P (Z ≤ z)
6= |z| ≥ z1− α2 2P (Z ≥ |z|)
x̄−µ0 √
Cuadro: donde z = s n y Z ∼ N (0, 1).
Asumiremos que una muestra es “grande” si n ≥ 30
Example
El gerente de una cadena de tiendas desea saber si el saldo medio
no liquidado por mes en su propia tarjeta de crédito es mayor a
400 dólares.
Una verificación aleatoria de 172 saldos no liquidados reveló que la
media de la muestra era $407 y la desviación estandar muestral era
$38.
¿El gerente debe llegar a la conclusión de que la media del saldo
mensual no liquidado de sus clientes es mayor a $400, o es
razonable que la diferencia existente se deba a la casualidad?

Asumiremos que una muestra es “grande” si n ≥ 30
Example
El gerente de una cadena de tiendas desea saber si el saldo medio
no liquidado por mes en su propia tarjeta de crédito es mayor a
400 dólares.
Una verificación aleatoria de 172 saldos no liquidados reveló que la
media de la muestra era $407 y la desviación estandar muestral era
$38.
¿El gerente debe llegar a la conclusión de que la media del saldo
mensual no liquidado de sus clientes es mayor a $400, o es
razonable que la diferencia existente se deba a la casualidad?
Si µ es el saldo medio mensual no liquidado, entonces debemos
comparar,
H0 : µ ≤ $400
H1 : µ > $400

Es poco probable cometer el error de tipo I
Example
$407−$400
√
El estadı́stico de prueba es z = $38 172 = 2,42.

Example
$407−$400
√
Por tanto,
valor-p = P (Z ≥ 2,42) = 1 − P (Z ≤ 2,42) = 0,0078.

Example
$407−$400
√
Por tanto,
valor-p = P (Z ≥ 2,42) = 1 − P (Z ≤ 2,42) = 0,0078.
Como este valor-p es tan pequeño, se rechaza H0 y el gerente

puede llegar a la conclusión de que el saldo medio no liquidado por
mes es mayor a $400.

Example
$407−$400
√
Por tanto,
valor-p = P (Z ≥ 2,42) = 1 − P (Z ≤ 2,42) = 0,0078.
Como este valor-p es tan pequeño, se rechaza H0 y el gerente

puede llegar a la conclusión de que el saldo medio no liquidado por
mes es mayor a $400.
Observemos que al llegar a esta conclusión, podemos estar

cometiendo un error de tipo I, pero el bajo valor-p hace que este
error sea poco probable.

Expresamos las hipótesis de las medias en función de π
Denotemos por π a la proporción de individuos u objetos de una

población que posee una propiedad especı́fica.


Al observar una muestra de n individuos tendremos entonces
iid
X1 , . . . , Xn ∼ Bernoulli (π).


Al observar una muestra de n individuos tendremos entonces
iid
X1 , . . . , Xn ∼ Bernoulli (π).
Supongamos que ahora queremos comparar uno de los 5 pares de
hipótesis sobre las medias, que expresados con la notación de
proporciones son equivalentes a comparar las hipótesis,

H0 : π = π0 H0 : π ≤ π0
1 , .
H1 : π > π 0 H1 : π > π 0

H0 : π = π0 H0 : π ≥ π0
2 , .
H1 : π < π 0 H1 : π < π 0

H0 : π = π0
3 .
H1 : π 6= π0

Nuevamente utilizaremos el Teorema del Lı́mite Central

π̂ − π √ ·
Z=p n ∼ N (0, 1) ,
π (1 − π)
donde
n
1X número de éxitos en la muestra
π̂ = Xi = .
n n
i=1

Para usar este test aproximado es recomendable que

nπ0 ≥ 5 y n (1 − π0 ) ≥ 5
De acuerdo al pivote anterior las decisiones se toman de acuerdo a

la siguiente tabla
H1 Región de rechazo Valor-π

> z ≥ z1−α P (Z ≥ z)
< z ≤ −z1−α P (Z ≤ z)
6 = |z| ≥ z1− α2 2P (Z ≥ |z|)
√
Cuadro: donde z = √ π̂−π0 n y Z ∼ N (0, 1).
π0 (1−π0 )

Un problema muy común es el siguiente
Example
Las últimas elecciones en un estado indican que es preciso que un
candidato a gobernador reciba por lo menos el 80 % de los votos
en la parte norte del mismo para alcanzar la victoria.
A este gobernador le interesa saber si tendrá problemas en las
próximas elecciones y para eso realizó una encuesta a 2000
votantes de la parte norte del estado que reveló un favoritismo de
1550 votantes.

Un problema muy común es el siguiente
Example
Las últimas elecciones en un estado indican que es preciso que un
candidato a gobernador reciba por lo menos el 80 % de los votos
en la parte norte del mismo para alcanzar la victoria.
A este gobernador le interesa saber si tendrá problemas en las
próximas elecciones y para eso realizó una encuesta a 2000
votantes de la parte norte del estado que reveló un favoritismo de
1550 votantes.
En este caso las hipótesis a comparar son:

H0 : π ≥ 0,8
H1 : π < 0,8
donde π es la proporción de votantes en el norte del estado que

están a favor del candidato.
Lo recomendable es siempre utilizar el valor-p
Example
Como nπ0 = 2000 × 0,8 = 1600 ≥ 5 y
n (1 − π0 ) = 2000 × (1 − 0,8) = 400 ≥ 5, entonces el estadı́stico
de prueba calculado es
1550
− 0,8 √
z = p 2000 2000 = −2,8
0,8 (1 − 0,8)

Example
Como nπ0 = 2000 × 0,8 = 1600 ≥ 5 y
1550
− 0,8 √
z = p 2000 2000 = −2,8
0,8 (1 − 0,8)
El correspondiente valor-p es
valor-p = P (Z ≤ z) = P (Z ≤ −2,8) = 0,001988

Example
Como nπ0 = 2000 × 0,8 = 1600 ≥ 5 y
1550
− 0,8 √
z = p 2000 2000 = −2,8
0,8 (1 − 0,8)
El correspondiente valor-p es
valor-p = P (Z ≤ z) = P (Z ≤ −2,8) = 0,001988
Por tanto, se rechaza la hipótesis nula concluyendo que lo mejor

para este candidato a gobernador es que intente su elección por
otro estado.

Este caso ya lo vimos de manera intuitiva

En el ejemplo donde π era la proporción de todos los choques que
resultaban sin daño visible y comparábamos

H0 : π = 0,25
H1 : π > 0,25



H0 : π = 0,25
H1 : π > 0,25
lo que hicimos fue calcular el valor-p:
valor-p = P (X ≥ 9 |H0 ) = 0,040925
ya que la cantidad de choques sin daño visible, X , tenı́a una
distribución Binomial (n = 20, π = 0,25) cuando H0 era cierta y se
observó x = 9.



H0 : π = 0,25
H1 : π > 0,25
valor-p = P (X ≥ 9 |H0 ) = 0,040925
observó x = 9.
En esa oportunidad rechazamos H0 ya que valor-p < 0,05.



H0 : π = 0,25
H1 : π > 0,25
valor-p = P (X ≥ 9 |H0 ) = 0,040925
observó x = 9.
Para las otras hipótesis se procede de manera análoga.



H0 : π = 0,25
H1 : π > 0,25
valor-p = P (X ≥ 9 |H0 ) = 0,040925
observó x = 9.
Este es un test exacto, ya que calcula el valor-p utilizando la
verdadera distribución de los datos.



H0 : π = 0,25
H1 : π > 0,25
valor-p = P (X ≥ 9 |H0 ) = 0,040925
observó x = 9.
Este es un test exacto, ya que calcula el valor-p utilizando la
verdadera distribución de los datos.
Este test es también conocido como prueba binomial.

3-PH MediaUnaPblacionFEN

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

3-PH MediaUnaPblacionFEN

Cargado por

Copyright:

Formatos disponibles

Introducción Distribución poblacional normal Distribución poblacional desconocida Distribución poblacional Bernoulli

Pruebas de hipótesis sobre la media de una

Instituto de Matemática y Fı́sica.

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

2 Distribución poblacional normal

3 Distribución poblacional desconocida

4 Distribución poblacional Bernoulli

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

Nuestro objetivo general es:

Supondremos que se extrae una muestra aleatoria X1 , . . . , Xn con

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

Nuestro objetivo general es:

Supondremos que se extrae una muestra aleatoria X1 , . . . , Xn con

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

Nuestro objetivo general es:

Supondremos que se extrae una muestra aleatoria X1 , . . . , Xn con

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

Nuestro objetivo general es:

Supondremos que se extrae una muestra aleatoria X1 , . . . , Xn con

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

Nuestro objetivo general es:

Supondremos que se extrae una muestra aleatoria X1 , . . . , Xn con

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

Este test es solamente útil en las salas de clases

Supongamos que la muestra proviene de una distribución normal

conocida y queremos comparar una de las 5 hipótesis sobre las

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

Este test es solamente útil en las salas de clases

Supongamos que la muestra proviene de una distribución normal

conocida y queremos comparar una de las 5 hipótesis sobre las

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

Este test es solamente útil en las salas de clases

Supongamos que la muestra proviene de una distribución normal

conocida y queremos comparar una de las 5 hipótesis sobre las

H1 Región de rechazo Valor-p

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

Ejemplo con hipótesis de dos colas

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

Ejemplo con hipótesis de dos colas

donde µ es la media de la temperatura de activación de las alarmas

No hay evidencias suficientes en contra de H0

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

No hay evidencias suficientes en contra de H0

valor-p = 2P (Z ≥ |2,16|) = 2 (1 − 0,984614)

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

No hay evidencias suficientes en contra de H0

valor-p = 2P (Z ≥ |2,16|) = 2 (1 − 0,984614)

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

No hay evidencias suficientes en contra de H0

valor-p = 2P (Z ≥ |2,16|) = 2 (1 − 0,984614)

Por tanto, no se rechaza H0 .

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

No hay evidencias suficientes en contra de H0

valor-p = 2P (Z ≥ |2,16|) = 2 (1 − 0,984614)

Por tanto, no se rechaza H0 .

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

No hay evidencias suficientes en contra de H0

valor-p = 2P (Z ≥ |2,16|) = 2 (1 − 0,984614)

Por tanto, no se rechaza H0 .

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

¿Cuál es la probabilidad de cometer el error de tipo II?

Ignacio Vidal G. Pruebas de hipótesis sobre la media de una población

¿Cuál es la probabilidad de cometer el error de tipo II?