TRABAJO FINAL PROBABILIDAD Y ESTADISTICA

Reinaldo Colina

C.I: 27.247.356

IS4SA

Prueba de hipótesis

Es un procedimiento, con el que se busca tomar una decisión sobre el valor de

verdad de una hipótesis estadística. Al realizar una prueba de hipótesis decidimos
si rechazar o no esa hipótesis estadística, la decisión se basa en la evidencia
muestral.

¿Cómo realizar una prueba de Hipótesis?

Los pasos para realizar dicha prueba, son los siguientes:

1) Formulación de hipótesis
2) Especificación de un valor de probabilidad critico o nivel de significación
3) Elección de un estadístico de la muestra y de su distribución para someter a
prueba las hipótesis.
4) Establecimiento de una zona de rechazo y establecer la regla de decisión
5) Calcular el valor observado del estadístico de prueba
6) Decisión

Ejemplo:

Una empresa está interesada en lanzar un nuevo producto al mercado. Tras

realizar una campaña publicitaria, se toma la muestra de 1 000 habitantes, de los
cuales, 25 no conocían el producto. A un nivel de significación del 1% ¿apoya el
estudio la siguiente hipótesis?

a. Más del 3% de la población no conoce el nuevo producto

Datos:

n = 1000

x = 25

p = 25/1000 = 0,025

a = 1% = 0,01
z prueba = x/n – p0

p0 (1-p0)  La raíz es tanto de p0 como de n

√ n

Dónde:

x = ocurrencias

n = observaciones

x/n = proporción de la muestra

p0 = proporción propuesta

Solución:

p0 = 3% = 0,03

Hipótesis nula: Ho: p = p0

Hipótesis alternativa: H1: p>p0

a = 0,01  z tabla = 2,326

z prueba = x/n – p0 = 25/1000 – 0,03 = - 0,005 = -0,93

p0 (1-p0) 0,03 (1-0,03) 0,00539

√ n √ 1000

Ho es aceptada, ya que zprueba (-0,93) es menor que ztabla (2,326), por lo

que no es cierto que más del 3% de la población no conoce el nuevo producto.

¿Qué es una Hipótesis Nula y Alternativa?

La hipótesis nula indica que un parámetro de población (tal como la media, la

desviación estándar, etc.) es igual a un valor hipotético. La hipótesis nula suele
ser una afirmación inicial que se basa en análisis previos o en conocimiento
especializado. Ejemplo:

“La hiperactividad no está relacionada con el consumo de azúcar”

La hipótesis alternativa es lo que podríamos pensar que es cierto o esperar

probar que es cierto, ejemplo:
“El promedio de horas que los alumnos dedican a realizar la tarea en cierta
materia es 3 horas a la semana”

¿Qué son Hipótesis Unilaterales y Bilaterales?

Una hipótesis alternativa bilateral (también conocida como hipótesis no

direccional) sirve para determinar si el parámetro de población es mayor que o
menor que el valor hipotético. Una prueba bilateral puede detectar cuándo el
parámetro de población difiere en cualquier dirección, pero tiene menos
potencia que una prueba unilateral, ejemplo:

Un investigador tiene los resultados de una muestra de estudiantes que

presentaron un examen nacional en una escuela secundaria. El investigador
desea saber si las calificaciones de esa escuela difieren del promedio nacional
de 850. Una hipótesis alternativa bilateral es adecuada porque el investigador
está interesado en determinar si las calificaciones son menores que o mayores
que el promedio nacional. (H0: μ = 850 vs. H1: μ≠ 850)

Una hipótesis alternativa unilateral (también conocida como hipótesis

direccional) sirve para determinar si el parámetro de población difiere del valor
hipotético en una dirección específica. Una prueba unilateral tiene mayor
potencia que una prueba bilateral, pero no puede detectar si el parámetro de
población difiere en la dirección opuesta, ejemplo:

Un investigador tiene los resultados de una muestra de estudiantes que

tomaron un curso de preparación para un examen nacional. El investigador
desea saber si los estudiantes preparados tuvieron puntuaciones por encima
del promedio nacional de 850. Una hipótesis alternativa unilateral se puede
utilizar porque el investigador plantea la hipótesis de que las puntuaciones de
los estudiantes preparados son mayores que el promedio nacional. (H0: μ =
850 vs. H1: μ > 850)

Error de Tipo I y II

Error tipo I o Error de tipo alfa (α) o falso positivo: Cuando la hipótesis nula es
verdadera, pero se rechaza. Ejemplo: Se considera que el paciente esta
enfermo, a pesar de que esta sano (hipótesis nula: el paciente esta sano).

Error tipo II o Error de tipo beta (β) o falso negativo. Cuando la hipótesis nula
es falsa, pero se acepta. Ejemplo: Se cree que la bomba esta desactivada,
cuando sigue activada (hipótesis nula: la bomba esta desactivada).

Significancia estadística y Práctica

De acuerdo con Gall, Borg y Gall (1996), la prueba de significancia estadística
se ocupa de las inferencias que deseamos hacer de la(s) muestra(s) hacia la
población. Mientras que el concepto como tal se refiere a las probabilidades de
que un resultado específico se deba o no al azar. La significancia estadística
se ocupa de preguntas como “¿Son reales las diferencias que se obtienen de
este estudio, o es probable que éstas desaparezcan si el estudio se repite?”
(Heller y Klein, 2001).

Para los administradores que están tomando las decisiones, no sólo importa
ver si existe una diferencia (significancia estadística) sino ver que tanta
diferencia existe. La forma más simple y práctica de establecer la magnitud de
la diferencia en un estudio sería comparar las medias. Sin embargo, esto no
funciona cuando se están comparando los resultados de diferentes estudios
que utilizaron muestras y estadísticos diferentes. Para ello, es necesario
traducir los resultados en términos comparables. La significancia práctica de
los resultados de una investigación se juzga no con base en criterios
matemáticos, sino que con base en su utilidad práctica, importancia empírica,
base y aceptación teórica y comparación con otras investigaciones similares.

Intervalo y Nivel de Confianza

Un intervalo de confianza es una técnica de estimación que permite acotar un

par o varios pares de valores, dentro de los cuales se encontrará la estimación
puntual buscada (con una determinada probabilidad). Un intervalo de confianza
nos va a permitir calcular dos valores alrededor de una media muestral (uno
superior y otro inferior). Estos valores van a acotar un rango dentro del cual,
con una determinada probabilidad, se va a localizar el parámetro poblacional.

En conclusión, el intervalo de confianza no sirve para dar una estimación

puntual del parámetro poblacional, si nos va a servir para hacernos una idea
aproximada de cuál podría ser el verdadero de este. Nos permite acotar entre
dos valores en dónde se encontrará la media de la población.

El nivel de confianza es la probabilidad de que el parámetro a estimar se

encuentre en el intervalo de confianza. El nivel de confianza (p) se designa
mediante 1 − α, y se suele tomar en tanto por ciento. Los niveles de confianza
más usuales son: 90%; 95% y 99%.

Estadístico de Prueba

es una variable aleatoria que se calcula a partir de datos de muestra y se utiliza

en una prueba de hipótesis. Puede utilizar los estadísticos de prueba para
determinar si puede rechazar la hipótesis nula. El estadístico de prueba
compara sus datos con lo que se espera bajo la hipótesis nula. El estadístico
de prueba se utiliza para calcular el valor p. Un estadístico de prueba mide el
grado de concordancia entre una muestra de datos y la hipótesis nula. Su valor
observado cambia aleatoriamente de una muestra aleatoria a una muestra
diferente. Un estadístico de prueba contiene información acerca de los datos
que es relevante para decidir si se puede rechazar la hipótesis nula. La
distribución del muestreo del estadístico de prueba bajo la hipótesis nula se
denomina distribución nula. Ejemplo:

el estadístico de prueba para una prueba Z es el estadístico Z, que sigue la

distribución normal estándar bajo la hipótesis nula. Supongamos que usted
realiza una prueba Z de dos colas con un nivel de significancia (α) de 0.05 y un
obtiene un estadístico Z (también denominado valor Z) de 2.5 basado en sus
datos. Este valor Z corresponde a un valor p de 0.0124. Puesto que este valor
p es menor que α, usted declara significancia estadística y rechaza la hipótesis
nula.

ANALISIS DE CORRELACION

El análisis de correlación es un enfoque estadístico que se utiliza para

determinar la relación entre las variables cuantitativas o categóricas. Cuando
se quiere determinar la correlación a través del análisis de datos, hay dos tipos
de información con la que se debe trabajar: Datos univariados: Cuando se
quiere trabajar con una sola variable, es necesario medir la tendencia central a
preguntar por los datos representativos y conocer su desviación a través de la
dispersión, medir la forma y el tamaño de la distribución a través de la
asimetría y medir la concentración de datos en la posición central a través de la
curtosis. Por lo tanto, los datos relativos a una sola variable se denominan
datos univariados.

Datos bivariados: El análisis de correlación se trata más bien de estudiar la

relación entre dos variables al mismo tiempo. Por ejemplo, el precio de un
producto y sus ventas medias, o la edad y la presión arterial de una persona.
Así, dos caracteres de la misma entidad cuando se miden simultáneamente
con la ayuda de un análisis estadístico, los denominamos datos bivariados.