Tema0012 Resaltado

ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E

INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL
TEMA 12.- CONTRASTES DE HIPÓTESIS

- Contrastes de hipótesis paramétricos.
- Hipótesis nula y alternativa
- Regla de decisión estadística o Test.
- Riesgos de error en un contraste de hipótesis.
- Estrategia de Neyman-Pearson.
- Método general de construcción de Tests.
- Error de Tipo II, Curvas CO y función de potencia.
- Elección del tamaño muestral.
- El p-valor.
Tema 12. Contrastes de Hipótesis. 208

ESTADÍSTICA
CONTRASTES DE HIPÓTESIS PARAMÉTRICOS

El objetivo de un estudio inferencial no siempre es la búsqueda de un valor aproximado para un
parámetro (estimación) con una determinada precisión y garantía (IC).
En ocasiones lo que se nos pide es una decisión sobre la validez de unas hipótesis o afirmaciones
realizadas sobre el parámetro, así como una valoración del riesgo de equivocarnos con la decisión.
La metodología de contrastes de hipótesis se puede ver como un procedimiento alternativo a la
estimación para realizar inferencias sobre la población. Los mismos supuestos de interés inferencial
que resolvimos mediante I.C. serán abordados desde una nueva perspectiva.
Esta metodología del contraste de hipótesis consiste en
a) formular dos hipótesis contrapuestas sobre la población (generalmente sobre un parámetro)
b) decidir a la luz de la muestra cuál de las dos creemos que es la correcta.
Ejemplos:
1. En un proceso industrial se quiere estudiar si el producto obtenido contiene por término medio al
menos un 25% de cierta sustancia frente a que dicho contenido es inferior al 25%.
2. Se quiere estudiar si la tasa de defectos de un proceso es a lo sumo el 1% frente a que es mayor.
3. Se quiere contrastar si dos proveedores suministran pilas con la misma vida media frente a que
hay diferencias en la vida media.
Las decisiones estadísticas se traducirán habitualmente en decisiones operativas (en este caso, de
carácter industrial): Parar o no un proceso industrial para revisarlo; rechazar o no un envío de
mercancía; introducir o no un nuevo material en la fabricación; cambiar o no de proveedor de un
suministro; etc.

ESTADÍSTICA
HIPÓTESIS NULA VS. HIPÓTESIS ALTERNATIVA

Las dos hipótesis que se formulan para ser contrastadas se llaman:
Hipótesis nula: H 0:   0 Hipótesis alternativa: H 1 :   1
Las dos hipótesis tienen que ser incompatibles (solo puede ser cierta una de ellas)
Alguna de las dos hipótesis tiene que ser cierta (los valores del parámetro no incluidos en ninguna
de las dos hipótesis se dan por descartados de antemano).
Los contrastes de hipótesis no tienen un carácter “simétrico”, es decir, las dos hipótesis no juegan el
mismo papel. Este hecho se justificará más adelante. Mientras tanto, conviene ir sabiendo que:
Hipótesis nula H0: Hipótesis alternativa H1:
 Es la que nosotros asumimos inicialmente  Estamos dispuestos a asumirla sólo si los
como válida. datos rechazan H0 con fuerza suficiente.

 Representa el "statu quo" habitual, es decir "no  Representa una postura crítica frente a H0,
pasa nada", “todo sigue igual” ... generalmente a partir de indicios previos:
 Habitualmente se formula de manera sencilla y "pasa algo", “las cosas han cambiado” …
bajo ella el modelo es más simple.  Suele representar un modelo más complejo,
 La mantendremos si los datos no aportan consecuencias o costes importantes

evidencias suficientemente fuertes en su contra
 H 0 :   25%  H 0 : p  0.01  H 0 : 1   2
En los ejemplos anteriores sería: Ej. 1:  H :   25% Ej. 2:  H : p  0.01 Ej. 3:  H :   
 1  1  1 1 2
Las hipótesis se plantean antes de obtener la muestra. Si se plantean las hipótesis a la medida de la
muestra obtenida previamente, las decisiones serán sesgadas y los riesgos no se pueden evaluar.
ESTADÍSTICA
Ejemplo: La tasa de defectos en un proceso de fabricación en serie venía siendo habitualmente

pcuando el proceso está bajo control (funciona correctamente). Se han observado algunos
desajustes en las máquinas que nos hacen sospechar que esa proporción puede haber aumentado.
Las hipótesis a contrastar serán:
H0: p se mantiene si los datos no ofrezcan evidencias suficientemente fuertes del aumento de p)
H1: p
Extrayendo una muestra de la producción y midiendo en ella la proporción de defectos estudiaremos
si podemos seguir sosteniendo H0 o si por el contrario pasamos a pensar que H1 es cierto.
Ejemplo: Se estudia el lanzamiento de un nuevo medicamento para el tratamiento de una
enfermedad. El Ministerio de Sanidad sólo autorizará ese lanzamiento si el Laboratorio creador del
medicamento “demuestra” (léase justifica suficientemente) que es más eficaz que otro ya existente.
Para ello autoriza la realización de un ensayo en una muestra controlada de pacientes de esa
enfermedad. Las hipótesis serán:
 El medicamento nuevo no es más eficaz que el existente y no se autoriza.
H1: El medicamento nuevo es más eficaz y se autoriza.
En este caso, el estudio estadístico puede adoptar la forma de un problema de dos muestras, para
comparar las poblaciones hipotéticas de pacientes tratados con cada uno de los medicamentos a
través de los parámetros de alguna v. a. X correspondiente a una característica crítica relacionada
con la enfermedad. Por ejemplo, si valores altos de X indican mayor gravedad de la enfermedad:
Nuevo ≥ Antiguo
H1: Nuevo < Antiguo
ESTADÍSTICA
CONTRASTES DE HIPÓTESIS UNILATERALES Y BILATERALES:

Atendiendo a la posición relativa de H1 respecto a H0 distinguiremos:
1. Contrastes Bilaterales: No sabemos en qué dirección puede producirse la discrepancia con H0
H 0 :    0

 H 1:    0
2. Contrastes Unilaterales: Sabemos la dirección de la posible discrepancia con H0
H 0 :    0 H 0 :    0
 ó 
H
 1 :    0  H 1:    0
Además, en lo que se refiere a sólo se va a tener en cuenta la frontera con H1.
Los contrastes unilaterales anteriores se formulan equivalentemente como:
H 0 :    0 H 0 :    0
 ó 
 H 1:    0  H 1:    0
y se resuelven también de manera equivalente.
El principio que se aplica para justificar esta simplificación es que si una regla de decisión es capaz de
distinguir la frontera de H0,    0 , frente a los valores de H1, por ejemplo    0 , la misma regla
distinguiría más fácilmente el resto de valores de H0 por estar más alejados de H1 que el valor
frontera.

ESTADÍSTICA
REGLA DE DECISIÓN ESTADÍSTICA

X variable aleatoria de interés definida sobre la población.
 parámetro de interés desconocido de la población (de la distribución de la variable X).
H 0 :    0

H 1:   1
Queremos contrastar las hipótesis:
X1, …, Xn muestra aleatoria simple representativa de la población.

Buscaremos un estadístico T, llamado Estadístico de Contraste, en el que basaremos la decisión.
En los contrastes paramétricos, este estadístico se basa normalmente en un estimador del parámetro.
Elaboraremos un criterio basado en T para clasificar las posibles muestras en dos conjuntos:
 Región crítica o de rechazo C :
Muestras “contrarias” a H0 y cuya obtención sería significativamente más probable bajo H1.
 Región de aceptación C :
Muestras “favorables” o mejor dicho, “no suficientemente contrarias” a H0.
Regla de decisión:
 Rechazamos H0 si T  C
 No rechazamos H0 si T  C
Conocer la distribución de T para cada valor de θ nos permitirá valorar los riesgos de fallar con la
decisión, que puede errar en los dos casos, tanto si rechaza cuando no debe hacerlo como si no
rechaza cuando debe.
ESTADÍSTICA
Ejemplo: El departamento de marketing de un canal de TV sabe por estudios anteriores que su

programación le parece aceptable o buena al 50% de la población. Sin embargo, tras las últimas
inversiones y mejoras efectuadas, tienen indicios de que esa proporción ha aumentado. Para
comprobarlo se lleva a cabo una encuesta preguntando a una muestra de personas su opinión sobre
la nueva programación. Tenemos entonces el contraste de hipótesis:
 H 0 : p  0.5  todo sigue igual que antes

 H1 : p  0.5  ha habido un aumento significativo
El estadístico de contraste será la proporción muestral p̂ , estimador habitual de p.
La región crítica estará formada por valores grandes de p̂
C  pˆ  k
ya que cuanto más grande sea p̂ más indicios hay para pensar que p ha aumentado (H1) y, por tanto,
para rechazar H0 .
Habrá que ver cómo se determina el valor crítico k a partir del cuál dejamos de sostener que el
cambio NO ha producido un aumento de audiencia significativo.
Como conocemos la distribución de p̂ para cada valor de p, podremos valorar los riesgos asociados
a la toma de decisiones.
Por ejemplo, la probabilidad de confundirnos rechazando H0 cuando realmente es cierta es
  P C H   P pˆ  k p  0.5 
 0  
 depende del valor k y podemos elegir k para obtener un  determinado
ESTADÍSTICA
Ejemplo: Un producto limpiador debe contener en promedio al menos 25 gr. por unidad de un
determinado componente para ser eficaz, pero se sospecha por las muchas quejas de los
consumidores que el proceso de fabricación sufre algún desajuste y que esa cantidad está siendo
menor en promedio. Para estudiar la veracidad de esta sospecha, se toman n muestras del producto y
en cada caso se mide la cantidad de ese componente X i , i  1, 2 ,  , n . En este caso, el contraste de
hipótesis es:
 H 0 :   25  el peso está bien; la sospecha es infundada y no hace falta actuar

 H 1 :   25  el peso efectivam ente ha caído; es necesario m odificar el proceso
y, lógicamente, como estadístico de contraste utilizaremos X .
La región crítica estará formada por valores bajos de X
C  X  k
Cuanto menor sea X más indicios hay para creer que  ha disminuido (H1) y poder rechazar H0.
Habrá que ver cómo se determina el valor crítico k.
Como conocemos la distribución de X para cada valor de , podremos valorar los riesgos asociados
a la toma de decisiones. Por ejemplo
  P C H   P X  k   25
 0  

ESTADÍSTICA
Ejemplo: Dos líneas de envasado de embutido, A y B, están destinadas a la fabricación del mismo
producto. Recientemente se han observado ciertas diferencias llamativas de peso entre los embutidos
y se achaca a una posible deficiencia en la presión que aplica alguna de las máquinas envasadoras.
Se toman muestras de ambas máquinas y se pesan los embutidos.
El contraste a realizar es
 H 0 :  A  B  las dos líneas van igual

 H1 :  A   B  hay diferencias significativas entre la dos líneas; hay que revisar los procesos
Lógicamente, como estadístico de contraste utilizaremos X A  X B
La región crítica estará formada por valores

C  XA  XB k 
Cuanto más alejado de 0 esté X A  X B más indicios hay para pensar que  A  B y rechazar H0.
De nuevo habrá que ver cómo se determina el valor crítico k.
Como conocemos las distribuciones de X A  X B , podremos valorar los riesgos asociados a la toma
de decisiones. Por ejemplo
 X  XB  k 
  P C H   P A  

 0  2
 1


ESTADÍSTICA
TIPOS DE ERROR (RIESGOS) EN UN CONTRASTE DE HIPÓTESIS

La aleatoriedad de la muestra hace inevitable que los tests estadísticos puedan cometer errores.
Realidad
Decisión H0 cierta H0 falsa
Error de tipo I Acierto
Rechazar H0
 
Acierto Error de tipo II
No rechazar H0
 
La probabilidad de cometer estos errores es una medida de la calidad de cada test:

  PError I   P Re chazar H 0 H cierta  P C H 
 0   0
  PError II   P  Aceptar H 0 H falsa   P C H 

 0   1
Una regla de decisión ideal cumpliría:  = = 0, pero tal regla no existe. Tenemos que conformarnos
con tratar de que  y  sean pequeños.
Problema:  y  no se pueden hacer pequeños a la vez para una muestra fija. Si disminuimos uno
de ellos, el otro necesariamente aumenta.
La elección adecuada del tamaño muestral SÍ nos permite conseguir que ambos errores sean tan
pequeños como queramos.
ESTADÍSTICA
Ejemplo: Retomamos el ejemplo del producto limpiador.

 H 0 :   25
En este caso, el contraste de hipótesis es: 
 H 1 :   25
Estadístico de contraste: X
Región crítica: C  X  k
Ilustración de la imposibilidad de controlar a la vez los dos riesgos para una muestra fija.
Distribución de X bajo Distribución de X bajo

H1 (=23), N ( 1 ,  / n ) H0 (=25), N (  0 ,  / n )
  PError II   P C H    PError I   P C H 

 1  0 
 
  23   25
C  X  k  k C  X  k 
R.C. rechazo H0 | R.A. no rechazo H0

ESTADÍSTICA
Ilustración del efecto de alejar H1 de H0

H1 (=21), N ( 1 ,  / n ) H0 (=25), N (  0 ,  / n )

 1  0 
  21   25
C  X  k  k C  X  k 
Observar que cuanto más separado está el posible valor de H1 de H0 más fácil es realizar el
contraste con éxito. Es decir, se puede encontrar un valor crítico k que defina una Región Crítica C
con errores  y  pequeños simultáneamente.

ESTADÍSTICA
Ilustración del efecto de aumentar el tamaño muestral

H1 (=23), N ( 1 ,  / n ) H0 (=25), N (  0 ,  / n )

 1  0 
  23   25
C  X  k  k C  X  k 
Observar que el aumento del tamaño muestral disminuye la varianza del estadístico, lo que hace más
fácil realizar el contraste con éxito. Es decir, aumentando n se puede conseguir que la Región Crítica
asociada, C, tenga  y  pequeños simultáneamente.

ESTADÍSTICA
ESTRATEGIA DE ACTUACIÓN (NEYMAN-PEARSON)

Ante la imposibilidad de minimizar para un n dado los dos errores a la vez se adopta la siguiente
estrategia:
Dar más importancia al Error de tipo I y controlar su probabilidad de ocurrencia.
¿Cómo se lleva a cabo esta estrategia?
1. Se fija un valor pequeño (habitualmente 0.01 ó 0.05) que se llama Nivel de significación.
2. Se establece la región crítica C de tal modo que la probabilidad de Error de tipo I, , sea a lo
sumo el nivel de significación fijado. Generalmente se tendrá  = Nivel de significación.
3. La región crítica C se elige teniendo en cuenta H1, de modo que el riesgo de Error de Tipo II, ,
sea lo menor posible, pero este riesgo puede ser alto porque el Error de tipo II no se controla.
Consecuencias de la estrategia sobre el carácter de las decisiones:
 Rechazar H0: Decisión fuerte (Riesgo de error controlado, ).
 No rechazar H0: Decisión débil (Riesgo de error no controlado, ).
En otras palabras:
 Si se rechaza H0 decimos que hemos “demostrado” H1:
Los datos presentan evidencias fuertes en contra de H0 frente a H1
 H0 no se “demuestra”. Sólo se mantiene H0, por ser el statu quo habitual, mientras no aparezcan
evidencias fuertes en su contra. Podrían igualmente no rechazarse otros valores diferentes del
parámetro próximos a H0. Por ello diremos "No rechazamos H0" en lugar de "Aceptamos H0".
Consecuencia de la estrategia sobre el planteamiento de las hipótesis:
 Lo que se quiere "probar" (mediante una decisión fuerte) se pone en H1.
ESTADÍSTICA
MÉTODO PARA CONTRASTAR HIPÓTESIS PARAMÉTRICAS

X variable aleatoria de interés definida sobre la población.
 parámetro de interés desconocido de la población (de la distribución de la variable X).
Queremos contrastar las hipótesis:
H 0 :    0  H 0 :   175
 Ejemplo:  H :   175
 H 1 :   1  1
X1, …, Xn muestra aleatoria simple representativa de la población.
 fijado de antemano. Ejemplo: =0.05
El método general para contrastar las hipótesis se basa en los siguientes pasos:
1. Elegir un buen estimador ˆ del parámetro  para usarlo como estadístico de contraste T. Ej. X n
2. Obtener la distribución muestral del estimador ˆ =T bajo H0. (Ej. X n  N(175,10))
H o
3. Fijar como región crítica C una región de probabilidad  en las colas de distribución muestral
de T bajo H0, en la dirección que favorezca la validez de H1:
 Contraste bilateral: /2 en cada una de las colas.
 Contraste unilateral:  en una cola, la derecha o la izquierda en función de H1. (Ej. X n  176.25 )
4. Calcular el valor del estadístico de contraste con la muestra obtenida y decidir en consecuencia:
 T  C : Rechazamos H0. (Ej. X n  176.71  176.25  Rechazo Ho )
 T  C : No rechazamos H0.

ESTADÍSTICA
Aplicación al Contraste de Hipótesis sobre  en el modelo N() con  conocida:

 H 0:    0  H 0:    0
Contraste unilateral:  (Se trabaja análogamente con  )
 H 1:    0 H
 1 :    0
X1, …, Xn muestra aleatoria simple de la población.  fijado de antemano.

1. Estadístico de Contraste: T  X .
X  0
2. Distribución del estadístico de contraste bajo H0: X  N ( 0 , n)  Z0   N (0,1).
 n
3. Región Crítica de probabilidad  en la cola derecha de la distribución bajo H0:
0,4
 Rechazo H0 si Z0 grande ( X grande)

0,3
 X  0 
 C   Z0  z     z   [ X  0  z  n]
densidad
0,2   n 
0,1
 X  0 

   P C   P0   z   
 H0 
0
 z
 n 
C  No Rechazar H0 C  Rechazar H0
4. Calcular el valor de Z0 a partir de la muestra y decidir en consecuencia (según supere z o no).

ESTADÍSTICA
H 0:   0
Contraste bilateral: H :   
 1 0
X1, …, Xn muestra aleatoria simple de la población.  fijado de antemano.

1. Estadístico de Contraste: T  X .
2. Distribución del Estadístico de Contraste bajo H0:
X  0
X  N ( 0 , n)  Z0   N (0,1).
 n
3. Región Crítica de probabilidad  entre las dos colas de la distribución muestral:
0,4
 Rechazo H0 si |Z0 | grande ( X lejos de 0)

0,3  X  0 
 C   Z0  z /2     z /2   [ X 0  z /2  n]
  n
densidad
0,2 
 X  0 
0,1
P C   P0   z /2   
    H0 
0   n 
zz
C  Rechazar H0 C C  Rechazar H0
4. Calcular el valor de Z0 a partir de la muestra y decidir en consecuencia.

ESTADÍSTICA
ERROR DE TIPO II Y POTENCIA DE UN TEST

La estrategia seguida, basada en primar el control del Error de tipo I, hace que no tengamos ninguna
garantía de que el Error de tipo II, , sea pequeño para una tamaño de muestra fijo.
Como H1 no es generalmente un único punto, 

depende del valor de la alternativa que  0
  
  P  Error II   P Norechazar H 0 H falsa  P C H
1
consideremos, es decir es  una función. Como
norma general:
  crece cuando nos acercamos a H0: Si H0 es 1 1
falsa y es cierto un valor de H1 cercano a H0, será
muy probable que el test no lo detecte y no
rechace H0. Si el valor cierto de H1 es muy lejano
n=100
a H0 será más fácil detectarlo con el test.
 Para  fijo,  decrece cuando aumentamos el n=1000
n=50 n=10
n=5
tamaño muestral: Cuanta más información
tengamos, más probable es que el test de nivel 
detecte un valor 1 diferente de 0. 
 Para modelos normales,  se obtiene en las 0

0 1
Curvas Características de Operación o Curvas
CO, que son una herramienta estadística genuina H0 H1
del ámbito de la Ingeniería Industrial.
ESTADÍSTICA
Alternativamente y de manera equivalente se puede trabajar con la potencia, , en lugar de con el

riesgo de Error de tipo II, . La potencia  se define como:
  1    P  Rechazar H 0 H falsa   P C H 

 0   1
La potencia de un test representa su capacidad para detectar cuándo H0 es falsa y, por tanto,
rechazarla. Por eso también se conoce como capacidad de detección del test e interesaría que fuera
lo mayor posible. Al igual que ,  es también una función del valor de la alternativa.
decrece cuando nos acercamos a H0 y crece cuando aumentamos el tamaño muestral.
1
n=1000 n=100 n=50 n=10

0,8
n=5
Potencia (1 - beta)
0,6
0,4
0,2

0



ESTADÍSTICA
Aplicación a los Contrastes de Hipótesis sobre  en el modelo N() con  conocida:

H :   0  X  0 
Contraste unilateral:  0 Región crítica: C  Z0  z     z 
 H 1:    0  n 
Supongamos que H0 es falsa y que es cierto un valor mayor que .
 X  0     X   0     0   
 ()  PC    P   z   P  X  0  z  P
    z  
  z 

    n   n  n
  n   n 
 C   0     0     0   
 ( )  1   ( )  P   1     z     (  z )      z 
    n    n    n 
Se puede observar que para  fijo:
 Si alejamos de disminuye es decir, aumenta 
 Si aumenta el tamaño muestral disminuye es decir, aumenta 
 Si se fija un valor para  y se desea alcanzar en una alternativa  una potencia  entonces
el tamaño muestral necesario es:
 0    0   ( z  z  ) 2  2
1     ( )    z    z  z   n
 n   n (  0 ) 2
 X  0 
 H 0:    0
Contraste unilateral:  Región crítica: C  Z0  z     z 
 H 1:    0   n 
 0    ( z  z  ) 2  2
Las mismas expresiones son validas por simetría:  (  )    z  n
 n  
(0   ) 2 .
 
ESTADÍSTICA
H 0:   0  X  0 
Contraste bilateral: H :    C   Z0  z / 2     z / 2 
 1 0   n 
Supongamos que H0 es falsa y que es cierto un valor distinto de .

 X  0     
 ()  P C    P z / 2   z / 2   P 0  z / 2  X  0  z / 2 
   n  n n 
 
  X   0           
 P  0  z / 2    z / 2     0  z / 2    0  z / 2 
 n  n  n   n   n 
 0                   
 ()  1   ()  P C    1     z / 2     0  z / 2      0  z / 2     0  z / 2     0  z / 2 
   n   n    n   n   n 
Nota: En la aproximación final para  se ha despreciado la cola pequeña.
Se puede observar que para  fijo:

 Si alejamos de (en cualquiera de las dos direcciones) disminuye es decir, aumenta 
 Si aumenta el tamaño muestral disminuye es decir, aumenta 
 Si se fija un valor para  y se desea alcanzar en una alternativa  una potencia  entonces
el tamaño muestral necesario es aproximadamente:
 0    0   ( z / 2  z  ) 2  2

1     ( )    z / 2    z / 2  z   n
 n   n (0   ) 2
ESTADÍSTICA
Ejemplo: El porcentaje de desperdicio de mineral en un proceso de fundición sigue una ley normal
con =1 conocido. El valor medio tiene que ser a lo sumo del 10% para que el proceso funcione
satisfactoriamente. Para verificar la sospecha de que en la última remesa de mineral el porcentaje
medio de desperdicio ha aumentado significativamente sobrepasando este límite del 10%, se toman
datos de 25 coladas de mineral y se obtiene X  10.23% .
a) Plantear y contrastar las hipótesis apropiadas para =0.05.
b) Si un aumento del porcentaje de desperdicio medio al 10.5% se considera muy preocupante,
hallar la capacidad de la prueba utilizada en a) para detectarlo.
c) Obtener el tamaño muestral necesario para detectar dicho aumento con potencia 0.9.
Solución:
 H 0 :   10  X  0  X  0 10.2310
a)  C  z    1.15  1.645 z0.05  No Rechazamos H0.
 H 1:   10   n
 n 
1 25
No queda probado a nivel =0.05 que el desperdicio medio sobrepase el máximo tolerado.
b) Nos piden calcular la potencia para =10.5%. En una situación como la actual nos preocupa
especialmente el riesgo  ya que no hemos rechazado H0.
 0     10  10.5 
 ()  1   ()    z    (10.5)    1.645  0.855  0.8037.
 n   1 25 
c) El tamaño muestral necesario para conseguir (10.5)=0.9 es
( z  z  ) 2  2 (1.645  1.28) 212
n   34.22.
(   0 ) 2 (0.5) 2
n=35 observaciones habrían sido suficientes.
ESTADÍSTICA
Ejemplo: Se fabrican anillos de pistón en un proceso industrial programado para que el diámetro
sea lo más próximo posible al valor nominal de 74mm. El diámetro sigue una ley N(74mm,0.1mm)
cuando el proceso está bajo control. Se realiza un control rutinario sobre el estado del proceso en
cuanto a la media . Una muestra de 10 anillos arroja X  74.08mm ¿La media sigue bajo control?
a) Plantear y contrastar las hipótesis apropiadas para =0.05.
b) Si una desviación de 0.1mm de la media respecto a su valor nominal se considera un problema
grave, hallar la capacidad de la prueba utilizada en a) para detectarlo.
c) Obtener el tamaño muestral necesario para detectar dicha desviación con potencia 0.9.
Solución:
 H 0 :   74
 X  0  X  0 74.08 74
a)  C  z / 2    2.53  1.96  z0.025  Rechazamos H0.
 H 1 :   74   n   n 0.1 10
A nivel =0.05 podemos afirmar que el proceso se ha desajustado.

b) Nos piden calcular la potencia para =0.1mm.
 0     0.1 
 ()  1   ()    z / 2       1.96  1,20  0.8849.
 n   0.1 10 
c) El tamaño muestral necesario para conseguir (74.1)=0.9 es
( z / 2  z  ) 2  2 (1.96  1.28) 2 0.12
n   10.5.
(  0 ) 2 (0.1) 2
n=11 observaciones habrían sido suficientes.

ESTADÍSTICA
EL P-VALOR
Rechazar o no H0 puede depender del nivel de significación  elegido.
Ejemplo: La longitud de unas barras metálicas fabricadas en serie sigue una ley normal. Se sabe que
=0.075. El proceso está bajo control si la media es  = 3, pero se sospecha que ha aumentado.
Para contrastarlo estadísticamente, se toma una muestra de 10 barras y se obtiene X  3.05 .
 H 0 :  3 X  0 3.05  3 z 0.05  1.645  Rechazo H 0
 C  Z 0  z  Z 0    2.108
 H 1 :  3  n 0.075 10 z 0.01  2.33  No Rechazo H 0
En lugar de fijar a priori el valor de  podemos preguntarnos para qué valores de  se rechazaría
H0 y para cuáles no, con los datos de que se dispone en la muestra.
Distribución
del estadístico de
contraste Z0 bajo H0
p-valor = P(Z 0  2.108)  0.0175 

0
 C (  0.01)
z0=2.108
C (  0.05)
ESTADÍSTICA
El p-valor es el mínimo nivel de significación al que rechazaríamos H0 con la muestra obtenida.

Dicho de otra manera: El p-valor es la probabilidad, siendo cierta H0, de obtener una muestra tan
extrema o más (en la dirección de H1) que la que hemos obtenido.
Calculado el p-valor, tenemos la solución del contraste de hipótesis a todos los niveles :
 Si p-valor: Rechazamos H0.
 Si p-valor: No Rechazamos H0.
Interpretación práctica:
 Si p-valor  0 (p-valor<0.01), se rechazaría H0 a todos los niveles de significación habituales y se
interpreta como una “demostración” concluyente de la validez de H1.
 Si p-valor > 0.1, no se rechazaría H0 a ninguno de los niveles de significación habituales y se
interpreta que no hay evidencias suficientemente fuertes contra H0 y puede ésta mantenerse.
 Si 0.01 < p-valor < 0.1, la decisión es comprometida y depende del nivel de significación elegido
para el contraste, es decir del riesgo de error de Tipo I que estemos dispuestos a asumir.
En el caso de los contrastes de hipótesis bilaterales hay que tener en cuenta que, al tener dos colas
la región crítica, para calcular el p-valor hay que multiplicar por 2 la probabilidad de la cola formada
por los valores más extremos que el valor observado.
En el ejemplo anterior, si el contraste hubiera sido bilateral tendríamos:
p-valor = P( Z 0  2.108)  2  P(Z 0  2.108)  2  0.0175  0.0350

ESTADÍSTICA
PLANTEAMIENTO DE LOS CONTRASTES UNILATERALES

Ejemplo: En un proceso de fabricación de envases de vidrio interesa controlar la Presión (en psi)
que soportan dichos envases, que es una v. a. normal. Un valor medio de la presión por debajo de 25
psi se consideraría inadecuado, mientras que por encima de 25 psi sería satisfactorio. Se toma una
muestra de n envases para estudiar el estado del proceso mediante un contraste de hipótesis.
La pregunta es:¿Cuál de los dos planteamientos siguientes es el apropiado? (suponer  conocida)
 H 0A:   25  X  25   H 0B :   25  X  25 
(A)  A CA     z  (B)  B CB    z 
 H 1 :   25  n   H 1 :   25  n 
La pregunta no tiene respuesta mientras no decidamos qué posición adoptamos al hacer el estudio:
 Si se trata de un control rutinario del fabricante para verificar que el proceso continua funcionando
correctamente, tal y como fue diseñado, el planteamiento sería el (A). El statu quo es que el
proceso funciona bien y solo lo pararemos si tenemos evidencias de que tenemos problemas.
 Si se trata de un control de recepción que hace un cliente, lo normal es que adopte una actitud
vigilante y exija al fabricante “demostrar” que cumple las especificaciones. El planteamiento sería
entonces el (B). Sólo aceptará el envío si se demuestra que la calidad de los envases es la exigida.
 Si Z0<-z, entonces en (A) se Rechaza H0 (“demostramos” <25) y en (B) No se rechaza H0 (no
demostramos  >25), por lo que no hay ninguna contradicción.
 Si Z0>z, entonces en (A) No se rechaza H0 (no demostramos  <25) y en (B) se Rechaza H0
(demostramos >25) y no hay ninguna contradicción.
 Si -z<Z0<z, entonces No se rechaza H0 ni en (A) ni en (B), lo cual tampoco es contradictorio ya
que ambas son decisiones débiles: No queda demostrado ni que <25 ni que  >25.

Tema0012 Resaltado

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

Tema0012 Resaltado

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA

GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E

TEMA 12.- CONTRASTES DE HIPÓTESIS

Tema 12. Contrastes de Hipótesis. 208

CONTRASTES DE HIPÓTESIS PARAMÉTRICOS

Tema 12. Contrastes de Hipótesis. 209

HIPÓTESIS NULA VS. HIPÓTESIS ALTERNATIVA

como válida. datos rechazan H0 con fuerza suficiente.

 La mantendremos si los datos no aportan consecuencias o costes importantes

Ejemplo: La tasa de defectos en un proceso de fabricación en serie venía siendo habitualmente

CONTRASTES DE HIPÓTESIS UNILATERALES Y BILATERALES:

Tema 12. Contrastes de Hipótesis. 212

REGLA DE DECISIÓN ESTADÍSTICA

X1, …, Xn muestra aleatoria simple representativa de la población.

Ejemplo: El departamento de marketing de un canal de TV sabe por estudios anteriores que su

Habrá que ver cómo se determina el valor crítico k.

Tema 12. Contrastes de Hipótesis. 215

De nuevo habrá que ver cómo se determina el valor crítico k.

Tema 12. Contrastes de Hipótesis. 216

TIPOS DE ERROR (RIESGOS) EN UN CONTRASTE DE HIPÓTESIS

La probabilidad de cometer estos errores es una medida de la calidad de cada test:

  PError II   P  Aceptar H 0 H falsa   P C H 

Ejemplo: Retomamos el ejemplo del producto limpiador.

Distribución de X bajo Distribución de X bajo

  PError II   P C H    PError I   P C H 

Tema 12. Contrastes de Hipótesis. 218

Ilustración del efecto de alejar H1 de H0

Distribución de X bajo Distribución de X bajo

  PError II   P C H    PError I   P C H 

Tema 12. Contrastes de Hipótesis. 219

Ilustración del efecto de aumentar el tamaño muestral

Distribución de X bajo Distribución de X bajo

  PError II   P C H    PError I   P C H 

Tema 12. Contrastes de Hipótesis. 220

ESTRATEGIA DE ACTUACIÓN (NEYMAN-PEARSON)

MÉTODO PARA CONTRASTAR HIPÓTESIS PARAMÉTRICAS

Tema 12. Contrastes de Hipótesis. 222

Aplicación al Contraste de Hipótesis sobre  en el modelo N() con  conocida:

X1, …, Xn muestra aleatoria simple de la población.  fijado de antemano.

 Rechazo H0 si Z0 grande ( X grande)

4. Calcular el valor de Z0 a partir de la muestra y decidir en consecuencia (según supere z o no).

Tema 12. Contrastes de Hipótesis. 223

X1, …, Xn muestra aleatoria simple de la población.  fijado de antemano.

 Rechazo H0 si |Z0 | grande ( X lejos de 0)

4. Calcular el valor de Z0 a partir de la muestra y decidir en consecuencia.

Tema 12. Contrastes de Hipótesis. 224

ERROR DE TIPO II Y POTENCIA DE UN TEST

Como H1 no es generalmente un único punto, 

 Para modelos normales,  se obtiene en las 0

Alternativamente y de manera equivalente se puede trabajar con la potencia, , en lugar de con el

  1    P  Rechazar H 0 H falsa   P C H 

Tema 12. Contrastes de Hipótesis. 226

Aplicación a los Contrastes de Hipótesis sobre  en el modelo N() con  conocida:

Supongamos que H0 es falsa y que es cierto un valor distinto de .

Nota: En la aproximación final para  se ha despreciado la cola pequeña.

Se puede observar que para  fijo:

A nivel =0.05 podemos afirmar que el proceso se ha desajustado.

n=11 observaciones habrían sido suficientes.

Tema 12. Contrastes de Hipótesis. 230

p-valor = P(Z 0  2.108)  0.0175 

El p-valor es el mínimo nivel de significación al que rechazaríamos H0 con la muestra obtenida.

Tema 12. Contrastes de Hipótesis. 232

PLANTEAMIENTO DE LOS CONTRASTES UNILATERALES