¿Qué es una prueba de hipótesis?

Más información sobre Minitab 17 

Una prueba de hipótesis es una prueba estadística que se utiliza para determinar si
existe suficiente evidencia en una muestra de datos para inferir que cierta condición
es válida para toda la población.

Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la
hipótesis nula y la hipótesis alternativa. La hipótesis nula es el enunciado que se
probará. Por lo general, la hipótesis nula es un enunciado de que "no hay efecto" o
"no hay diferencia". La hipótesis alternativa es el enunciado que se desea poder
concluir que es verdadero.

Con base en los datos de la muestra, la prueba determina si se debe rechazar la

hipótesis nula. Para tomar la decisión se utiliza un valor p. Si el valor p es menor
que o igual al nivel de significancia, que es un punto de corte que usted define,
entonces puede rechazar la hipótesis nula.

Un error común de percepción es que las pruebas estadísticas de hipótesis están

diseñadas para seleccionar la más probable de dos hipótesis. En realidad, una
prueba mantendrá la validez de la hipótesis nula hasta que haya suficiente
evidencia (datos) en favor de la hipótesis alternativa.

Entre las preguntas que se pueden contestar con una prueba de hipótesis están las
siguientes:

 ¿Tienen las estudiantes de pregrado una estatura media diferente de 66

pulgadas?
 ¿Es la desviación estándar de su estatura igual a o menor que 5 pulgadas?
 ¿Es diferente la estatura de las estudiantes y los estudiantes de pregrado?

¿Qué pruebas de hipótesis se

incluyen en Minitab?
Más información sobre Minitab 17 

En este tema

 Pruebas paramétricas
 Pruebas de bondad de ajuste
 Pruebas de equivalencia
 Pruebas no paramétricas

Pruebas paramétricas
Utilice las pruebas paramétricas para determinar si un parámetro de población
difiere de un valor específico o de otro parámetro de población.

Prueba Z de 1 muestra
Determine si la media de un grupo difiere de un valor específico. En Minitab,
elija Estadísticas > Estadísticas básicas > Z de 1 muestra.

Utilice una prueba Z de 1 muestra cuando conozca la desviación estándar de

la población.

Prueba t de 1 muestra
Determine si la media de un grupo difiere de un valor específico. En Minitab,
elija Estadísticas > Estadísticas básicas > t de 1 muestra.

Prueba t de 2 muestras
Determine si las medias de dos grupos independientes difieren. En Minitab,
elija Estadísticas > Estadísticas básicas > t de 2 muestras.

Puede utilizarla para comparar mediciones realizadas en dos conjuntos

diferentes de elementos, como los niveles de satisfacción en dos hospitales
diferentes.

Prueba t pareada
Compare las mediciones realizadas en los mismos elementos bajo
condiciones diferentes. Por ejemplo, compare las mediciones del diámetro
de rodamientos de esferas realizadas por dos operadores. En Minitab,
elija Estadísticas > Estadísticas básicas > t pareada.

Prueba de 1 proporción
Determine si la proporción de un grupo difiere de un valor específico.
Utilícela cuando cada observación puede tener solo uno de dos valores,
como pasa o no pasa. En Minitab, elija Estadísticas > Estadísticas básicas > 1
proporción.

Prueba de 2 proporciones
Determine si las proporciones de dos grupos difieren. Utilícela cuando cada
observación puede tener solo uno de dos valores posibles, como pasa o no
pasa. En Minitab, elija Estadísticas > Estadísticas básicas > 2 proporciones.
 Prueba de tasa de Poisson para 1 muestra
Determine si la tasa de ocurrencia de un grupo difiere de un valor específico.
Utilícela cuando cuente ocurrencias, como el número de defectos por
unidad. En Minitab, elija Estadísticas > Estadísticas básicas > Tasa de Poisson
para 1 muestra.

Prueba de tasa de Poisson para 2 muestras

Determine si las tasas de ocurrencia de dos grupos difieren. Utilícela cuando
cuente ocurrencias, como el número de defectos por unidad. En Minitab,
elija Estadísticas > Estadísticas básicas > Tasa de Poisson para 2 muestras.

Prueba de 1 varianza
Determine si la varianza o la desviación estándar de un grupo difiere de un
valor específico. En Minitab, elija Estadísticas > Estadísticas básicas > 1
varianza.

Prueba de 2 varianzas
Determine si las varianzas o las desviaciones estándar de dos grupos
difieren. En Minitab, elija Estadísticas > Estadísticas básicas > 2 varianzas.

Pruebas de bondad de ajuste

Utilice las pruebas de bondad de ajuste para determinar si
una distribución estadística se ajusta a los datos.

Prueba de normalidad
Determine si los datos siguen una distribución normal. En Minitab,
elija Estadísticas > Estadísticas básicas > Prueba de normalidad.

Prueba de bondad de ajuste para Poisson

Determine si los datos siguen una distribución de Poisson. En Minitab,
elija Estadísticas > Estadísticas básicas > Prueba de bondad de ajuste para
Poisson.

Prueba de valores atípicos

Identifique un valor atípico individual en una muestra de datos. En Minitab,
elija Estadísticas > Estadísticas básicas > Prueba de valores atípicos.

Pruebas de equivalencia
Utilice las pruebas de equivalencia para determinar si
las medias de mediciones de productos o
 mediciones de procesos están lo suficientemente
cerca para ser consideradas equivalentes.

Prueba de equivalencia de 1 muestra

Compare la media de un producto o un proceso con un valor estándar. En
Minitab, elija Estadísticas > Pruebas de equivalencia > 1 muestra.

Prueba de equivalencia de 2 muestras

Compare las medias de dos productos o las medias de dos procesos
utilizando 2 muestras independientes. En Minitab,
elija Estadísticas > Pruebas de equivalencia > 2 muestras.

Prueba de equivalencia con datos pareados

Compare las medias de dos productos o las medias de dos procesos cuando
las observaciones estén pareadas, como cuando las mediciones de dos
tratamientos se toman de una misma persona o parte. En Minitab,
elija Estadísticas > Pruebas de equivalencia > Pareada.

Prueba de equivalencia para diseño

cruzado 2x2
Compare las medias de tratamiento para datos recopilados en un estudio de
diseño cruzado 2x2. Los estudios cruzados 2x2 se utilizan comúnmente para
evaluar si los participantes individuales experimentan efectos equivalentes
con 2 fármacos diferentes. En Minitab, elija Estadísticas > Pruebas de
equivalencia > Diseño cruzado 2x2.

Pruebas no paramétricas
Utilice las pruebas no paramétricas cuando
no pueda presuponer que los datos siguen
una distribución específica.

Prueba de signos de 1 muestra

Determine si la mediana de un grupo difiere de un valor específico. Utilícela
cuando tenga un tamaño de muestra pequeño y no esté seguro de que los
datos son simétricos. En Minitab, elija Estadísticas > No paramétrico > Signos
de 1 muestra.

Prueba Wilcoxon de 1 muestra

Determine si la mediana de un grupo difiere de un valor específico cuando
tenga datos que sean simétricos. En Minitab, elija Estadísticas > No
paramétrico > Wilcoxon de 1 muestra.
 Prueba de Mann-Whitney
Determine si las medianas de dos o más grupos difieren cuando los datos
de ambos grupos tienen distribuciones con forma similar. En Minitab,
elija Estadísticas > No paramétricos > Mann-Whitney.

Prueba de Kruskal-Wallis
Determine si las medianas de dos o más grupos difieren cuando tenga datos
que no sean simétricos, como datos sesgados. En Minitab,
elija Estadísticas > No paramétricos > Kruskal-Wallis.

Prueba de la mediana de Mood

Determine si las medianas de dos o más grupos difieren. Utilícela cuando no
esté seguro de que los grupos tienen distribuciones con forma similar. En
Minitab, elija Estadísticas > No paramétricos > Prueba de la mediana de
Mood.

Prueba de Friedman
Determine si los efectos de tratamientos difieren en un experimento de
diseño de bloques aleatorizado cuando tenga datos que no sean
necesariamente simétricos. En Minitab, elija Estadísticas > No
paramétricos > Friedman.

Prueba de corridas
Determinar si los datos son aleatorios en el tiempo. En Minitab,
elija Estadísticas > No paramétricos > Prueba de corridas.

Promedios en pareja
Calcule los promedios de cada par de valores en una columna. En Minitab,
elija Estadísticas > No paramétricos > Promedios en parejas.

Diferencias en pareja
Calcule las diferencias entre todos los pares de valores. En Minitab,
elija Estadísticas > No paramétricos > Diferencias en pareja.

Pendientes en pareja
Calcule las pendientes entre cada par de valores de dos columnas. En
Minitab, elija Estadísticas > No paramétricos > Pendientes en pareja.
Ejemplo de cómo se realiza una
prueba de hipótesis básica
Más información sobre Minitab 17 

Usted puede seguir seis pasos básicos para configurar y realizar correctamente una
prueba de hipótesis. Por ejemplo, el gerente de una fábrica de tuberías debe
asegurarse de que el diámetro de los tubos sea de 5 cm. El gerente sigue los pasos
básicos para realizar una prueba de hipótesis.

NOTA
Debe determinar los criterios para la prueba y el tamaño de muestra necesario
antes de recolectar los datos.

1. Especificar las hipótesis.

En primer lugar, el gerente formula las hipótesis. La hipótesis nula es: la
media de la población de todos los tubos es igual a 5 cm. Formalmente, esto
se escribe como: H0: μ = 5

Luego, el gerente elige entre las siguientes hipótesis alternativas:

Hipótesis
Condición que se probará
alternativa

La media de la población es menor que el unilateral: μ < 5

objetivo.

La media de la población es mayor que el unilateral: μ > 5

objetivo.

La media de la población es diferente del bilateral: μ ≠ 5

objetivo.

Como tiene que asegurarse de que los tubos no sean más grandes ni más
pequeños de 5 cm, el gerente elige la hipótesis alternativa bilateral, que
establece que la media de la población de todos los tubos no es igual a
5 cm. Formalmente, esto se escribe como H1: μ ≠ 5
 2. Determinar la potencia y el tamaño de la muestra para la prueba.

El gerente utiliza un cálculo de potencia y tamaño de la muestra para

determinar cuántos tubos tienen que medir para tener una buena
probabilidad de detectar una diferencia de 0.1 cm o más con respecto al
diámetro objetivo.

3. Elegir un nivel de significancia (también denominado alfa o α).

El gerente selecciona un nivel de significancia de 0.05, que es el nivel de

significancia más utilizado.

4. Recolectar los datos.

Recogen una muestra de tubos y miden los diámetros.

5. Comparar el valor p de la prueba con el nivel de significancia.

Después de realizar la prueba de hipótesis, el gerente obtiene un valor p de

0.004. El valor p es menor que el nivel de significancia de 0.05.

6. Decidir si rechazar o no rechazar la hipótesis nula.

El gerente rechaza la hipótesis nula y concluye que el diámetro medio de

todos los tubos no es igual a 5 cm.

Datos que pueden analizarse con una

prueba de hipótesis
Más información sobre Minitab 17 

Las pruebas de hipótesis pueden utilizarse para evaluar muchos parámetros

diferentes de una población. Cada prueba está diseñada para evaluar un parámetro
asociado a un determinado tipo de datos. Conocer la diferencia entre los tipos de
datos, y los parámetros que están asociados con cada tipo de datos, puede
ayudarle a elegir la prueba más adecuada.

Datos continuos

Tendrá datos continuos cuando evalúe la media, la mediana, la desviación

estándar o la varianza.
Cuando usted mide una característica de una parte o proceso, como la
longitud, el peso o la temperatura, por lo general obtiene datos continuos.
Los datos continuos suelen incluir valores fraccionados (o decimales).

Por ejemplo, un ingeniero especializado en calidad desea determinar si el

peso medio difiere del valor indicado en la etiqueta del paquete (500 g). El
ingeniero toma una muestra de cajas de cereal y registra el peso de las
cajas.

Datos binomiales
Tendrá datos binomiales cuando evalúe una proporción o un porcentaje.

Cuando usted clasifica un elemento, evento o persona en una de dos

categorías, obtiene datos binomiales. Las dos categorías deben ser
mutuamente excluyentes, como si/no, pasa/no pasa o defectuoso/no
defectuoso.

Por ejemplo, unos ingenieros examinan una muestra de pernos para verificar
si existen grietas notables que no permitan utilizarlos. Registran el número
de pernos inspeccionados y el número de pernos rechazados. Los ingenieros
quieren determinar si el porcentaje de pernos defectuosos es menor que
0.2%.

Datos de Poisson
Tendrá datos de Poisson cuando evalúe una tasa de ocurrencia.

Cuando usted cuenta la presencia de una característica, resultado o

actividad en cierta cantidad de tiempo, área u otra longitud de observación,
obtiene datos de Poisson. Los datos de Poisson se evalúan en conteos por
unidad, con unidades del mismo tamaño.

Por ejemplo, los inspectores de una empresa de autobuses cuentan el

número de averías de las unidades cada día durante 30 días. La empresa
desea determinar la tasa diaria de averías de los autobuses.

SUGERENCIA
Si puede elegir el tipo de datos que recogerá, recoja datos
continuos. Los datos continuos proporcionan información más
detallada y suelen dar más potencia a una prueba de
hipótesis.
Acerca de las hipótesis nula y
alternativa
Más información sobre Minitab 17 

Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la
hipótesis nula y la hipótesis alternativa. La manera en que se configuran estas
hipótesis depende de lo que se intenta demostrar.

Hipótesis nula (H0)

La hipótesis nula establece que un parámetro de población es igual a un

valor. La hipótesis nula suele ser una afirmación inicial que los
investigadores especifican basándose en investigaciones previas o en su
conocimiento.

Hipótesis alternativa (H1)

La hipótesis alternativa establece que el parámetro de población es diferente
del valor del parámetro de población en la hipótesis nula. La hipótesis
alternativa es lo que usted podría pensar que es cierto o espera probar que
es cierto.

¿Cuáles son algunas de las hipótesis comunes?

Las hipótesis para determinar si una media de población, μ, es igual a cierto
valor objetivo μ0 incluyen las siguientes:

 H0: μ = μ0
 H1: μ < μ0 (una prueba de cola inferior) o
 H1: μ > μ0 (una prueba de cola superior) o
 H1: μ ≠ μ0 (una prueba de dos colas)
Las hipótesis para determinar si una media de población, μ 1 es igual a otra
media de población μ2incluyen las siguientes:

 H0: μ1 = μ2
 H1: μ1< μ2 o
 H1: μ1> μ2 o
 H1: μ1≠ μ2
¿Qué son los errores de tipo I y tipo
II?
Más información sobre Minitab 17 

Cuando usted realiza una prueba de hipótesis, puede cometer dos tipos de errores:
tipo I y tipo II. Los riesgos de estos dos errores están inversamente relacionados y
son determinados por el nivel de significancia y la potencia de la prueba. Por lo
tanto, usted debe determinar qué error tiene consecuencias más graves para su
situación antes de definir sus riesgos.

Ninguna prueba de hipótesis es 100% cierta. Puesto que la prueba se basa en

probabilidades, siempre existe la posibilidad de sacar una conclusión incorrecta.

Error de Tipo I

Si rechaza la hipótesis nula cuando ésta es verdadera, usted comete un error

de tipo I. La probabilidad de cometer un error de tipo I es α, que es el nivel
de significancia que usted establece para su prueba de hipótesis. Un α de
0.05 indica que usted está dispuesto a aceptar una probabilidad de 5% de
que está equivocado cuando rechaza la hipótesis nula. Para reducir este
riesgo, debe utilizar un valor más bajo para α. Sin embargo, si utiliza un valor
más bajo para alfa, significa que tendrá menos probabilidades de detectar
una diferencia verdadera, si es que realmente existe.

Error de tipo II
Cuando la hipótesis nula es falsa y usted no la rechaza, comete un error de
tipo II. La probabilidad de cometer un error de tipo II es β, que depende de
la potencia de la prueba. Puede reducir su riesgo de cometer un error de
tipo II al asegurarse de que la prueba tenga suficiente potencia. Para ello,
asegúrese de que el tamaño de la muestra sea lo suficientemente grande
como para detectar una diferencia práctica cuando ésta realmente exista.

La probabilidad de rechazar la hipótesis nula cuando es falsa es igual a 1–β.

Este valor es la potencia de la prueba.

  Hipótesis nula

Decisión Verdadero Falso

No Decisión correcta (probabilidad Error de tipo II - no rechazar la

rechazar = 1 - α) hipótesis nula cuando es falsa
 (probabilidad = β)

Rechazar Error de tipo I - rechazar la Decisión correcta (probabilidad

hipótesis nula cuando es = 1 - β)
verdadera (probabilidad = α)

Ejemplo de error de tipo I y tipo II

Para entender la interrelación entre los errores de tipo I y tipo II, y para
determinar cuál error tiene consecuencias más severas según sea su caso,
considere el siguiente ejemplo.

Un investigador médico desea comparar la eficacia de dos medicamentos. Las

hipótesis nula y alterna son:

 Hipótesis nula (H0): μ1= μ2

Los dos medicamentos tienen la misma eficacia.
 Hipótesis alternativa (H1): μ1≠ μ2
Los dos medicamentos no tienen la misma eficacia.
Un error de tipo I se produce si el investigador rechaza la hipótesis nula y
concluye que los dos medicamentos son diferentes cuando, en realidad, no lo
son. Si los medicamentos tienen la misma eficacia, el investigador podría
considerar que este error no es muy grave, porque de todos modos los
pacientes se beneficiarían con el mismo nivel de eficacia independientemente
del medicamento que tomen. Sin embargo, si se produce un error de tipo II, el
investigador no rechaza la hipótesis nula cuando debe rechazarla. Es decir, el
investigador concluye que los medicamentos son iguales cuando en realidad
son diferentes. Este error puede poner en riesgo la vida de los pacientes si se
pone en venta el medicamento menos efectivo en lugar del medicamento más
efectivo.

Cuando realice las pruebas de hipótesis, considere los riesgos de cometer

errores de tipo I y tipo II. Si las consecuencias de cometer un tipo de error son
más graves o costosas que cometer el otro tipo de error, entonces elija un
nivel de significancia y una potencia para la prueba que reflejen la gravedad
relativa de esas consecuencias.
Comparación de hipótesis
direccionales e hipótesis no
direccionales
Más información sobre Minitab 17 

Una hipótesis alternativa no direccional establece que la hipótesis nula está

equivocada. Una hipótesis alternativa no direccional no predice si el parámetro de
interés es mayor o menor que el valor de referencia especificado en la hipótesis
nula.

Una hipótesis alternativa direccional establece que la hipótesis nula está

equivocada y también especifica si el verdadero valor del parámetro es mayor o
menor que el valor de referencia especificado en la hipótesis nula.

La ventaja de usar una hipótesis direccional es una mayor potencia para detectar el
efecto específico en el que usted está interesado. La desventaja es que no hay
potencia para detectar un efecto en la dirección opuesta.

Ejemplo de hipótesis direccionales y no direccionales

No direccional

Un investigador tiene resultados de una muestra de estudiantes que

presentaron un examen nacional en una escuela secundaria. El investigador
desea saber si las puntuaciones en esa escuela difieren del promedio
nacional de 850. Una hipótesis alternativa no direccional es apropiada
porque el investigador está interesado en determinar si los resultados son
menores o mayores que el promedio nacional. (H0: μ = 850 vs. H1: μ≠ 850).

Direccional
Un investigador tiene los resultados de un examen nacional
correspondientes a una muestra de estudiantes que asistieron a un curso de
preparación para el examen. El investigador desea saber si los estudiantes
que tomaron el curso lograron mejores puntuaciones que el promedio
nacional de 850. Se puede usar una hipótesis alternativa direccional, porque
el investigador plantea específicamente la hipótesis de que las puntuaciones
de los estudiantes que asistieron al curso son mayores que el promedio
nacional. (H0: μ = 850 vs. H1: μ > 850).

¿Qué es un estadístico de prueba?

Más información sobre Minitab 17 

Un estadístico de prueba es un valor estandarizado que se calcula a partir de los

datos de la muestra durante 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 según la hipótesis nula. El
estadístico de prueba se utiliza para calcular el valor p. Cuando los datos muestran
una clara evidencia en contra de los supuestos de la hipótesis nula, la magnitud del
estadístico de prueba será grande y el valor p de la prueba puede ser lo
suficientemente pequeño como para rechazar la hipótesis nula.

Por ejemplo, el estadístico de prueba para una prueba Z es el valor Z. Supongamos

que usted realiza una prueba Z de dos colas con un nivel de significancia (α) de
0.05 y obtiene un valor Z de 2.5. Este valor Z corresponde a un valor p de 0.0124.
Debido a que este valor p es menor que α, usted declara significancia estadística y
rechaza la hipótesis nula.

Las diferentes pruebas de hipótesis utilizan diferentes estadísticos de prueba según

el modelo de probabilidad asumido en la hipótesis nula. Las pruebas comunes y sus
respectivos estadísticos de prueba incluyen:
Prueba de hipótesis Estadístico de prueba

Prueba Z Valor Z

Pruebas t Valor t

ANOVA Valor F

Pruebas de chi-cuadrada Chi-cuadrada

¿Qué es un valor crítico?

Más información sobre Minitab 17 

En las pruebas de hipótesis, un valor crítico es un punto en la distribución de la

prueba que se compara con el estadístico de prueba para determinar si puede
rechazarse la hipótesis nula. Si el valor absoluto del estadístico de prueba es mayor
que el valor crítico, usted puede declarar significancia estadística y rechazar la
hipótesis nula. Los valores críticos están asociados con el nivel de significancia (α),
así que sus valores se fijan cuando se elige el α de la prueba.
Figura A

Figura B
Valores críticos en la distribución normal estándar para α = 0.05
La Figura A muestra que los resultados de una prueba Z de una cola son significativos si el
estadístico de prueba es igual a o mayor que 1.64, el valor crítico en este caso. El área
sombreada representa el 5% (α) del área por debajo de la curva. La Figura B muestra que los
resultados de una prueba Z de dos colas son significativos si el valor absoluto del estadístico de
prueba es igual a o mayor que 1.96, el valor crítico en este caso. Las dos áreas sombreadas
suman el 5% (α) del área por debajo de la curva.

Ejemplos del cálculo de valores críticos

En las pruebas de hipótesis, hay dos maneras de determinar si existe suficiente

evidencia con base en la muestra para rechazar H0 o para no rechazar H0. La forma
más común es comparando el valor p con un valor pre-especificado de α, donde α
es la probabilidad de rechazar H0 cuando H0 es verdadera. Sin embargo, también
puede comparar el valor calculado del estadístico de prueba con el valor crítico. Los
siguientes son ejemplos de cómo calcular el valor crítico para una prueba t de 1
muestra y un ANOVA de un solo factor.

Uso de una prueba t de 1 muestra para calcular un valor crítico

Supongamos que usted está realizando una prueba t de 1 muestra con diez
observaciones, tiene una hipótesis alternativa bilateral (es decir, H 1 no es igual a) y
está utilizando un nivel de significancia de 0.10:

1. Seleccione Calc > Distribuciones de probabilidad > t.
 2. Seleccione Probabilidad acumulada inversa.
3. En Grados de libertad, ingrese 9 (el número de observaciones menos uno).
4. En Constante de entrada, ingrese 0.95 (uno menos la mitad del nivel de
significancia).
Esto da un valor crítico de 1.83311. Si el valor absoluto del estadístico t es mayor
que este valor crítico, entonces usted puede rechazar la hipótesis nula, H 0, en el
nivel de significancia de 0.10.

Uso de un análisis de varianza (ANOVA) para calcular un valor crítico

Supongamos que usted está realizando un ANOVA de un solo factor con doce
observaciones, el factor tiene tres niveles y usted está usando un nivel de
significancia de 0.05:

1. Elija Calc > Distribuciones de probabilidad > F.
2. Seleccione Probabilidad acumulada inversa.
3. En Grados de libertad del numerador, ingrese 2 (el número de niveles del
factor menor uno).
4. En Grados de libertad del denominador, ingrese 9 (los grados de libertad para
el error).
5. En Constante de entrada, ingrese 0.95 (uno menos el nivel de significancia).
Esto da un valor crítico de 4.25649. Si el estadístico F es mayor que este valor
crítico, entonces usted puede rechazar la hipótesis nula, H 0, en el nivel de
significancia de 0.05.

Uso de un intervalo de confianza para

decidir si rechazar la hipótesis nula
Más información sobre Minitab 17 

Supongamos que usted realiza una prueba de hipótesis. Recuerde que la decisión
de rechazar la hipótesis nula (H0) o no rechazarla puede depender del valor p y del
nivel de significancia elegido (también denominado α). Si el valor p es menor que o
igual al nivel de significancia (α), usted rechaza H 0; si es mayor que α, usted no
puede rechazar H0.
 Su decisión también puede basarse en el intervalo de confianza (o límite) que se
calcula usando el mismo nivel α. Por ejemplo, la decisión para una prueba al nivel
de significancia 0.05 puede basarse en el intervalo de confianza de 95%:

 Si el valor de referencia especificado en H0 está fuera del intervalo (es decir,

es menor que el límite inferior o mayor que el límite superior), usted puede
rechazar H0.
 Si el valor de referencia especificado en H0 está dentro del intervalo (es decir,
no es menor que el límite inferior ni mayor que el límite superior), usted no puede
rechazar H0.

Uso de gráficas para entender los

resultados de una prueba de
hipótesis
Más información sobre Minitab 17 

Cuando usted realiza una prueba de hipótesis en Minitab, puede optar por mostrar
una gráfica de valores individuales, una gráfica de caja y un histograma con los
resultados. Estas y otras gráficas pueden ayudarle a resumir los resultados e
interpretar más plenamente los resultados estadísticos de una prueba de hipótesis.

IMPORTANT
Las escalas que se utilizan para una gráfica pueden afectar considerablemente la
apariencia de los resultados. Por lo tanto, cuando sea posible, utilice los resultados
numéricos calculados que se incluyen en la salida para confirmar lo que muestran
las gráficas.
En este tema

 Examinar los resultados de las pruebas y los intervalos de confianza

 Examinar las medidas del centro
 Distribución multimodal
 Examinar la dispersión de los datos

Examinar los resultados de las pruebas y los intervalos de confianza

Puede utilizar una gráfica para comparar el estadístico de la muestra con el

parámetro de población e ilustrar los resultados de la prueba de hipótesis. La
siguiente gráfica de valores individuales ilustra la diferencia entre las medias de dos
muestras, A y B.
La gráfica ilustra la diferencia en las medias de las dos muestras, A y B. Usando una prueba t de
2 muestras, se determinó que esta diferencia era estadísticamente significativa.

Examinar las medidas del centro

Puede utilizar una gráfica para mostrar el centro de los datos, que es el valor o
rango de valores del cual la mayoría de los datos está cerca, como la media y
mediana.

La línea en el medio de la gráfica de caja muestra la mediana de los datos. La X que aparece
sobre la línea azul debajo de la gráfica de caja muestra la media.

Distribución multimodal

A veces un conjunto de datos puede tener más de un conglomerado de datos y,

por lo tanto, más de un valor central. Para identificar y mostrar estas distribuciones
multimodales, utilice una gráfica de valores individuales, un histograma o una

gráfica de puntos.

Los dos picos en este histograma muestran que hay dos centros en los datos.
NOTA
Una gráfica de caja no puede mostrar una distribución multimodal, porque hay dos
centros en los datos.

Examinar la dispersión de los datos

Utilice gráficas para mostrar el rango de los datos y para ver qué tan lejos están los
datos de su centro. Si los datos tienen una gran dispersión, su variabilidad puede
hacer que la estimación del valor central sea menos precisa.

Los histogramas, las gráficas de caja y las gráficas de valores individuales pueden
ayudarle a ver fácilmente la dispersión de los datos. Para evaluar más la dispersión,
las gráficas de caja muestran cuartiles que permiten estimar fácilmente los rangos
intercuartiles.

El rango de los datos es aproximadamente de 62-98. Aproximadamente el 50% de los datos se

encuentra entre 71 y 84, que es la región definida por la región coloreada de la caja.
También puede utilizar gráficas para explorar los datos y evaluar la validez de los
supuestos estadísticos para la prueba.