Instituto Tecnológico Superior de Coatzacoalcos.

Ingeniería Industrial.

Asignatura:
Estadística Inferencial I.

Evidencia:
Investigación U3.

Alumna:
Gloria Itzel Martínez Pascual.

Facilitador:
ING. Bricio Jiménez Ventura.

Semestre:
3ero.

Coatzacoalcos, Veracruz, México.

SEPTIEMBRE – DICIEMBRE 2021.

1
ÍNDICE.

3.1 INTRODUCCIÓN..........................................................................03

3.2 CONFIABILIDAD Y SIGNIFICANCIA……………………………………...04

3.3 ERRORES TIPO I Y TIPO II……………………………………….…....06

3.4 POTENCIA DE LA PRUEBA………………..……………………..…....08

3.5 FORMULACIÓN DE HIPÓTESIS ESTADÍSTICAS.…………………………...11

3.6 PRUEBA DE HIPÓTESIS PARA LA MEDIA………………………………...14

3.7 PRUEBA DE HIPÓTESIS PARA LA DIFERENCIA DE MEDIAS..........................17

3.8 PRUEBA DE HIPÓTESIS PARA LA PROPORCIÓN……………………..…....22

3.9 PRUEBA DE HIPÓTESIS PARA LA DIFERENCIA DE PROPORCIONES…….…...25

3.10 PRUEBA DE HIPÓTESIS PARA LA VARIANZA………….…………..……..27

3.11 PRUEBA DE HIPÓTESIS PARA LA RELACIÓN DE VARIANZAS………….……29

CONCLUSIÓN…………………………………………….…………….32

GLOSARIO.…………………………………………………………….33

BIBLIOGRAFÍA..………………………………………………………...35

2
3.1 INTRODUCCIÓN.
Dentro del estudio de la inferencia estadística, se describe como se puede tomar una muestra
aleatoria y a partir de esta muestra estimar el valor de un parámetro poblacional en la cual se
puede emplear el método de muestreo y el teorema del valor central.

Lo que permite explicar cómo a partir de una muestra se puede inferir algo acerca de una
población, lo cual nos lleva a definir y elaborar una distribución de muestreo de medias
muéstrales que nos permite explicar el teorema del límite central y utilizar este teorema para
encontrar las probabilidades de obtener las distintas medias maestrales de una población.

Pero es necesario tener conocimiento de ciertos datos de la población como la media, la

desviación estándar o la forma de la población, pero a veces no se dispone de esta información.

En este caso es necesario hacer una estimación puntual que es un valor que se usa para
estimar un valor poblacional. Pero una estimación puntual es un solo valor y se requiere un
intervalo de valores a esto se denomina intervalo de confianza y se espera que dentro de este
intervalo se encuentre el parámetro poblacional buscado.

También se utiliza una estimación mediante un intervalo, el cual es un rango de valores en el

que se espera se encuentre el parámetro poblacional.

3
3.2 CONFIABILIDAD Y SIGNIFICANCIA.
Objetivo de la prueba de hipótesis.
El propósito de la prueba de hipótesis no es cuestionar el valor calculado del estadístico
(muestral), sino hacer un juicio con respecto a la diferencia entre estadístico de muestra y un
valor planteado del parámetro.

Prueba de Hipótesis:
Denominada también prueba de significación, tiene como objetivo principal
evaluar suposiciones o afirmaciones acerca de los valores estadísticos de la población,
denominados parámetros.
La palabra docimar significa probar, cuando se hace indispensable tomar una decisión sobre la
validez de la representación de una población, con base en los resultados obtenidos a través
de una muestra, se dicen que se toman decisiones estadísticas.
Para tomar una decisión es necesario, ante todo plantear posibilidades acerca de la
característica o características a estudiar en una población determinada. La suposición puede
ser cierta o falsa. Estas suposiciones se lama hipótesis estadísticas.

Hipótesis Estadística:
Es un supuesto acerca de un parámetro o de algún valor estadístico de una población. Con esta
definición encontramos que no todas las hipótesis son hipótesis estadísticas. Se de tomar con
referencia a un parámetro, ya sea una media aritmética, una proporción (porcentaje) o varianza
para que sea hipótesis estadística.
Una hipótesis estadística también puede considerarse, como la afirmación de una característica
ideal de una población sobre la cual hay inseguridad en el momento de formularla y que, a la
vez, es expresada de tal forma que puede ser realizada.

Paso 1: Plantear la hipótesis nula Ho y la hipótesis alternativa H1.

Cualquier investigación estadística implica la existencia de hipótesis o afirmaciones acerca de
las poblaciones que se estudian.
La hipótesis nula (Ho) se refiere siempre a un valor especificado del parámetro de población,
no a una estadística de muestra.

4
La letra H significa hipótesis y el subíndice cero no hay diferencia. Por lo general hay un "no"
en la hipótesis nula que indica que "no hay cambio" Podemos rechazar o aceptar Ho.
La hipótesis nula es una afirmación que no se rechaza a menos que los datos maestrales
proporcionen evidencia convincente de que es falsa.

El planteamiento de la hipótesis nula siempre contiene un signo de igualdad con respecto al

valor especificado del parámetro.
La hipótesis alternativa (H1) es cualquier hipótesis que difiera de la hipótesis nula. Es una
afirmación que se acepta si los datos maestrales proporcionan evidencia suficiente de que la
hipótesis nula es falsa. Se le conoce también como la hipótesis de investigación.
El planteamiento de la hipótesis alternativa nunca contiene un signo de igualdad con respecto
al valor especificado del parámetro.

Paso 2: Seleccionar el nivel de significancia.

Nivel de significancia: Probabilidad de rechazar la hipótesis nula cuando es verdadera. Se le
denota mediante la letra griega α, también es denominada como nivel de riesgo.

Si suponemos que la hipótesis planteada es verdadera, entonces, el nivel de significación

indicará la probabilidad de no aceptarla, es decir, estén fuera de área de aceptación. El nivel de
confianza (1-α), indica la probabilidad de aceptar la hipótesis planteada, cuando es verdadera
en la población.

La distribución de muestreo de la estadística de prueba se divide en dos regiones, una región

de rechazo (conocida como región crítica) y una región de no rechazo (aceptación). Si la
estadística de prueba cae dentro de la región de aceptación, no se puede rechazar la hipótesis
nula.
La región de rechazo puede considerarse como el conjunto de valores de la estadística de
prueba que no tienen posibilidad de presentarse si la hipótesis nula es verdadera. Por otro lado,
estos valores no son tan improbables de presentarse si la hipótesis nula es falsa. El valor crítico
separa la región de no rechazo de la de rechazo.

5
3.3 ERRORES TIPO I Y TIPO II. 3.4 POTENCIA DE LA PRUEBA.

El error de tipo I también denominado error de tipo alfa (α) o falso positivo, es el error que se
comete cuando el investigador no acepta la hipótesis nula siendo ésta verdadera en la
población. Es equivalente a encontrar un resultado falso positivo, porque el investigador llega a
la conclusión de que existe una diferencia entre las hipótesis cuando en realidad no existe. Se
relaciona con el nivel de significancia estadística.

El error de tipo II también llamado error de tipo beta (β) o falso negativo, es el error que se
comete cuando el investigador no rechaza la hipótesis nula siendo ésta falsa en la población.
Es equivalente a la probabilidad de un resultado falso negativo, ya que el investigador llega a la
conclusión de que ha sido incapaz de encontrar una diferencia que existe en la realidad.

Contrariamente al error tipo I, en la mayoría de los casos no es posible calcular la probabilidad

del error tipo II. La razón de esto se encuentra en la manera en que se formulan las hipótesis
en una prueba estadística. Mientras que la hipótesis nula representa siempre una afirmación
enérgica.

Los errores tipo I y tipo II están relacionados. Una disminución en la probabilidad de uno por lo
general tiene como resultado un aumento en la probabilidad del otro.

Al tomar una decisión en una prueba de hipótesis, hay cuatro posibles resultados que pueden
ocurrir; como se ilustra en el siguiente diagrama:

6
Dos de los resultados involucran decisiones correctas y dos de las decisiones involucran
decisiones incorrectas. Rechazar Ho cuando es verdadera y no rechazar Ho cuando es falsa,
son decisiones incorrectas. Rechazar Ho cuando es cierta se llama error Tipo I, y no rechazar
Ho, cuando es falsa, se llama error Tipo II. La probabilidad de no rechazar Ho, dado que Ho es
falsa, se define como la probabilidad del error tipo II y se denota por:

Propiedades de y.

1. El valor de se fija al escoger la zona de rechazo.

2. El valor de dependerá de la hipótesis alternativa que se escoja.

3. Para un tamaño muestral fijo, al aumentar la región de rechazo y por lo tanto , disminuye. Si
decrece, aumentará.

4. Al aumentar el tamaño de la muestra y decrecen a la vez

Ejemplo. Suponga que un método nuevo y más caro, para detectar el cáncer de la matriz en
las mujeres, se está probando para ver si es superior al método usado generalmente.

Las hipótesis estadísticas son:

Ho: El nuevo tratamiento no es mejor que el comúnmente usado

Ha: El nuevo tratamiento es mejor que el comúnmente usado

Se tiene un error tipo I cuando se rechaza la Ho siendo verdadera; las consecuencias de este
error incrementarían los costos médicos. Un error del Tipo II se tiene cuando Ho no se rechaza
siendo falsa; sus consecuencias serían una menor eficacia del tratamiento y, posiblemente, una
mayor proporción de muertes por cáncer en la matriz. Aquí el error más serio es el error Tipo II.
Suponga que un investigador médico se interesa en probar los efectos de un nuevo
medicamento. Las hipótesis estadísticas:

Ho: El medicamento es peligroso. Ha: El medicamento es inofensivo

Un error Tipo I es concluir que el medicamento peligroso es inofensivo, y un error del Tipo II es
concluir que el medicamento inofensivo es peligroso.

7
3.4 POTENCIA DE LA PRUEBA.
La potencia de una prueba estadística se calcula como 1-β y se entien¬de como la probabilidad
de afirmar que la H1 es verdadera. También se puede entender como la probabilidad de
rechazar H0 cuando de hecho es falsa.

El interés de la potencia de una prueba estadística estriba en que los análisis estadísticos más
comúnmente usados están diseñados para “controlar” el error de tipo I obviándose
tradicionalmente el error de tipo II, por lo que el cálculo de la potencia de una prueba estadística.

También se puede entender como una medida de confianza del análisis que hemos realizado,
principalmente cuando no hemos obtenido un resultado significativo. Así, si disminuimos el error
de tipo II estaremos aumentando la potencia de la prueba estadística.

Al igual que el convenio de la p, se entiende que una potencia es adecuada para una prueba
estadística cuando es superior a 0,80 (80%), o lo que es lo mismo, fijamos el error β = 0,20.

Este convenio (llamado “five-eighty convention”) es el más utilizado debido a Jacob Cohen quien
escribió un libro sobre el análisis de la potencia de pruebas estadísticas frecuentemente citado
en ciencias naturales.

Sin embargo, en los últimos años el uso de esa convención se ha cuestionado ya que, por una
parte, el libro de Cohen estaba enfocado a estudios de psicología, y por otra, debido a una mala
interpretación del texto.

Este convenio está pensado para estudios en los que no haya ninguna base lógica para elegir
otra combinación de α:β para una discusión más profunda e intuitiva de esta cuestión).

El cálculo de la potencia de una prueba estadística se basa en una fórmula general que
relaciona cuatro parámetros: la potencia estadística (1- β), el nivel de significación (α), el tamaño
maestral y el tamaño de efec¬to. Sin embargo, según el estadístico que estemos utilizando
deberemos emplear una fórmula diferente.

Conocidos tres parámetros de esta fórmula se puede determinar el cuarto, si bien los más útiles
son la potencia de una prueba estadística y el tamaño muestral.

8
La potencia de una prueba estadística depende básicamente del:

Tamaño muestral.
Tamaño de efecto.
Nivel de significación.

Tamaño muestral:

Cuando realizamos una prueba estadística lo que estamos haciendo es realmente coger una
muestra e inferir que lo que obtenemos con ella es lo que en realidad está ocurriendo en toda
la población, ya que la totalidad de la población frecuentemente es imposible de medir. Para
que podamos obtener conclusiones y determinar que lo mismo ocurre en esa población, la
muestra indudablemente ha de ser representativa de la población.

Así, cuanto mayor tamaño muestral tengamos mayor representatividad tendrá la población que
medimos, más fiable será nuestro análisis, y por lo tanto la potencia de la prueba estadística
aumentará. Por ejemplo, podríamos fiarnos más de una correlación positiva entre la abundancia
de endoparásitos en los ciervos de una población y la masa de la cuerna si tuviéramos una
muestra de 60 individuos que si hubiéramos hecho la correlación tan sólo con cinco.

Si lo planteamos al revés, para una potencia dada (80%), podremos definir el tamaño muestral
necesario para que la potencia de nuestra prueba estadística sea alta de manera que nuestro
análisis sea fiable y por tanto representativo de la población.

En un diseño óptimo el número de individuos es el mismo para cada uno de los grupos
considerados (diseño balanceado). Sin embargo, si consideraciones prácticas limitan el tamaño
muestral alcanzable, es más práctico aumentar el número de individuos dentro del grupo más
fácil o económico de capturar-manipular.

9
Tamaño de efecto:

El tamaño de efecto es la diferencia entre la hipótesis nula y la hipó¬tesis alternativa o también

el grado en el que el fenómeno se da en la población. Intuitivamente, el tamaño de efecto
vendría a ser como una medida del “grado de diferencia” entre los dos grupos (sexo: macho y
hembra; localidad: Lleida, Girona) que queremos detectar (si hablamos de pruebas que analizan
diferencias), o bien el “grado de relación” entre dos variables que estamos midiendo

Nivel de significación (α):

Es el porcentaje de error que asumimos para decir que rechazamos la hipótesis nula, es decir,
el error de tipo I.

Como comentamos al principio este error lo definimos nosotros en base a un convenio. Para
niveles de significación más estrictos (α = 0,001) y con un tamaño muestral fijado, la potencia
de la prueba estadística disminuye, ya que es más difícil demostrar que la hipótesis nula es
cierta (recordemos que la potencia de una prueba estadística es la probabilidad de aceptar H1
por lo que al ser más estrictos al poner el límite para rechazar H0 también necesariamente
seremos más estrictos para aceptar la hipótesis alternativa).

Un ejemplo de incrementos en el valor de α para aumentar el poder estadístico lo tenemos en

el uso de métodos de captura-recaptura para la estimación de parámetros poblacionales.
Lebreton et al. Recomendaron el uso de α = 0,10 como criterio para excluir o incluir variables
predictoras en un modelo debido al bajo poder estadístico de este tipo de modelos.

10
3.5 FORMULACIÓN DE HIPÓTESIS ESTADÍSTICAS.

Definición.

Es un enunciado que relaciona dos o más variables, que son utilizadas para plantear una idea
a la que se someterá a juicio. La hipótesis y su resultado nos sirven de guía en la investigación
de manera que vamos comprobando la validez de las afirmaciones o ideas que planteamos
durante la misma.

Objetivo.

El objetivo de nuestra hipótesis ha de ser el logro del conocimiento científico en un tema de

estudio y las posibles limitaciones que existen en el mismo y de las que pueden surgir nuevas
hipótesis e investigaciones. Todo ello basado en aquello que la ciencia ya ha producido
mediante el método científico (sistemas y teorías actuales de la ciencia).

¿Qué es una variable?

Son cualidades, características o propiedades de la realidad que tengan la capacidad de

adquirir diferentes grados o valores, que pueden estar presentes o ausentes en el grupo de
estudio o individuo.

Su validez depende del marco teórico en el que se fundamenta el problema y su relación directa
con la hipótesis de estudio. n ser de valor fijo (Variables independientes) o de valor cambiante
(Variables dependientes). La variable es la relación causa - efecto de los fenómenos estudiados.

Tipos de Variables.

VARIABLE INDEPENDIENTE: Es la que se supone la causa del fenómeno estudiado. Puede

ser manipulada por el investigador.

VARIABLE DEPENDIENTE: Es consecuencia de una variable antecedente. Su valor es

cambiante en función de la variable independiente.

VARIABLES CUANTITATIVAS: Son aquellas que se pueden presentar en diferentes grados y

que admiten una escala numérica de medición.

11
VARIABLES CUALITATIVAS: Son aquellas que se refieren a atributos o cualidades de un
fenómeno. No pudiendo ser numéricamente definidas.

VARIABLES CONTINUAS: Son aquellas que acogen los fenómenos cuyos indicadores de
variable son continuos, pudiendo tomar puntos de referencias intermedios entre dos números.

VARIABLES DISCRETAS: Son aquellas que no pueden acoger posiciones intermedias entre
dos números, por lo tanto no son variables continuas.

VARIABLE DE CONTROL: Variable controlada por el investigador que neutralizan otros efectos
sobre el fenómeno observado.

Operacionalización de variables.

Una vez identificadas las variables con las que queremos trabajar debemos de
operacionalizarlas, de manera que sean efectivas en la construcción de la hipótesis. Para ello
debemos:

Nominar las variables: definir las variables con las que vamos a crear la hipótesis.

Dimensionar: determinar las dimensiones de las variables nominales.

Operacional: Establecer las medidas de las variables y definir los indicadores de cada variable.
Desde donde se procederá a construir el instrumento de recogida de la información.

¿Cómo se hace una hipótesis?

Hemos de saber que la hipótesis es la idea de apoyo a una idea general que queremos lograr,
es decir, es un paso hacia la cima de la montaña. La hipótesis no resolverá un gran tema, es
sólo un escalón más en el proceso del conocimiento de algo concreto.

La hipótesis debe de ser una predicción donde se describa de manera concreta, precisa y clara,
lo que sucederá si se cumplen los condicionantes expuestos. Deberíamos partir siempre de una
base de conocimientos previos, respecto al tema de estudio, por lo que es importante el
conocimiento de estudios previos del tema a investigar. Sería ideal partir de datos observados
y junto con un par de variables construir una hipótesis fundamentada en estudios anteriores y
teorías aceptadas en la comunidad.

12
Durante la formulación de la hipótesis esta sufre un proceso de definición, puntualización y
rectificación, con el fin de concretar y mejorarla de cara al método científico. Al concluir un
estudio las hipótesis habrán sido finalmente validadas, rechazadas o sustituidas por nuevas
hipótesis. De la misma manera cuando acabamos un estudio de investigación podemos lanzar
nuevas ideas en forma de hipótesis para futuros estudios, de manera que nos encontramos en
un bucle de investigación.

Los términos de la hipótesis deben ser claros y concretos, para facilitar su comprensión.
Además, deberían incluir términos que puedan ser definidos de momo operacional, de manera
que la recuperación del estudio sea accesible para su crítica o análisis por parte de la
comunidad científica.

Una de las ideas básicas que debemos de tener en cuenta para elaborar la hipótesis es que
sirve para apoyar la explicación de fenómenos estudiados a partir de las relaciones que
establecen las variables con las que los relacionamos.

La redacción de la hipótesis ha de ser en forma expositiva o declarativa, de manera lógica y

utilizando siempre un condicional que nos sirve de nexo entre las variables. Creando una
relación cuantitativa o cualitativa entre las variables expuestas.

La base de la hipótesis debería estar también basada en referencias y contrastaciones

científicas que le dieran solidez. Hay que partir siempre de lo existente para llegar a algo nuevo.
Como se define la hipótesis: una conjetura basada en hechos, por lo que, además, la hipótesis
debe de estar fundamentada en un marco teórico adecuado.

Una mala idea es poner juicios de valor en la hipótesis, tales como: El compuesto ABC tiene
MEJORES resultados que el compuesto DEF. Esto no es muy científico, ni serio, sino más bien
una afirmación cualquiera. Sin embargo, podemos presentar esta hipótesis como: el compuesto
ABC presenta una adherencia terapéutica significativa, frente al compuesto DEF.

En este caso definimos y somos muy concretos e indicamos una variable en la que se basará
el juicio de la investigación (adherencia terapéutica). En este sentido es necesario que la
hipótesis sea específica, es decir hay que determinar los indicadores que se van a emplear para
medir las variables estudiadas (adherencia terapéutica).

13
3.6 PRUEBA DE HIPÓTESIS PARA LA MEDIA.
Una hipótesis es un enunciado acerca del valor de un parámetro (media, proporción, etc.).

Prueba de Hipótesis es un procedimiento basado en evidencia muestral (estadístico) y en

la teoría de probabilidad (distribución muestral del estadístico) para determinar si una
hipótesis es razonable y no debe rechazarse, o si es irrazonable y debe ser rechazada.

La hipótesis de que el parámetro de la población es igual a un valor determinado se conoce

como hipótesis nula. Una hipótesis nula es siempre una de status quo o de no diferencia.

En toda prueba de hipótesis se presentan 3 casos de zonas críticas o llamadas también zonas
de rechazo de la hipótesis nula, estos casos son los siguientes:

Prueba media de una muestra.

Se utiliza una prueba de una muestra para probar una afirmación con respecto a una media de
una población única.

14
Prueba media de dos muestras.

Las pruebas de dos muestras se utilizan para decidir si las medias de dos poblaciones son
iguales. Se requieren dos muestras independientes, una de cada una de las dos poblaciones.

Considérese, por ejemplo, una compañía investigadora que experimentan con dos diferentes
mezclas de pintura, para ver si se puede modificar el tiempo de secado de una pintura para uso
doméstico.

Cada mezcla es probada un determinado número de veces, y comparados posteriormente los

tiempos medios de secado de las dos muestras.

Una parece ser superior, ya que su tiempo medio de secado (muestra) es 30 minutos menor
que el de la otra muestra.

Pero, ¿son realmente diferentes los tiempos medios de secado de las dos pinturas, o esta
diferencia muestral es nada más la variación aleatoria que se espera, aun cuando las dos
fórmulas presentan idénticos tiempos medios de secado? Una vez más, las diferencias casuales
se deben distinguir de las diferencias reales.

Con frecuencia se utilizan pruebas de dos muestras para comparar dos métodos de enseñanza,
dos marcas, dos ciudades, dos distritos escolares y otras cosas semejantes.

15
16
3.7 PRUEBA DE HIPÓTESIS PARA LA DIFERENCIA DE MEDIAS.

Existen variedades de problemas estadísticos en los que se deben decidir si una diferencia
observada entre dos medias muestrales se puede atribuir a la casualidad.

Por ejemplo, se desea saber si hay en realidad una diferencia en el consumo de gasolina
promedio de dos tipos de automóviles.

Si datos de muestras indican que un tipo de auto promedia un consumo de un litro por cada
13 Km., mientas que, con las mismas condiciones otro tipo de automóvil dio un promedio de
un litro cada 15 Km.

De la misma forma, a lo mejor nos interesa saber con base a muestras si hay en realidad una
diferencia en la magnitud de cuentas atrasadas en dos sucursales de una tienda por
departamentos, si los hombres pueden realizar una tarea más rápida que las mujeres, si una
marca de televisor es más duradera que otra, etc.

El método que se utiliza para demostrar si una diferencia observada entre dos medias
muestrales se puede atribuir a la casualidad se basa en la siguiente teoría:

𝑥̅1 … 𝑦 … 𝑥̅2 son las medias de dos muestras aleatorias independientes de tamaño 𝑛1 … 𝑦 … 𝑛2 ,
la distribución de los muestreo de los estadísticos 𝑥̅1 … 𝑦 … 𝑥̅2 se pueden calcular con bastante
𝜎2 𝜎2
aproximación con una curva normal que tenga𝜇1 − 𝜇2 y desviación estándar igual a √𝑛1 + 𝑛2
1 2

donde 𝜇1 𝜇1 𝜎1 𝜎2 son las medias y las desviaciones típicas de las dos poblaciones de donde
provinieron las dos muestras, entonces el estadístico para la prueba de hipótesis ser𝑧𝐶 =
𝑥̅ 1 −𝑥̅ 2
á en la mayoría de los casos prácticos 1 y 2 son incógnitas, pero si se utilizan
𝜎2 𝜎2
√ 1+ 2
𝑛1 𝑛2

muestras grandes que sean mayores a 30 se pueden utilizar la desviación estándar S1 y S2

de las muestras como estimaciones de 1 y 2 y basar la prueba de hipótesis nula 𝜇1 − 𝜇2 =0
𝑥̅ 1 −𝑥̅ 2
en el estadístico 𝑧𝐶 = que se aproxima bastante a la distribución normal estándar
𝑆2 𝑆2
√ 1+ 2
𝑛1 𝑛2

17
Ejemplos:

1.- Se realizó una prueba de Estadística II en las secciones 1 y 2 de IUTJAA las cuales estaban
integradas por40 y 50 estudiantes respectivamente. En la sección 1 los estudiantes
obtuvieron una puntuación promedio de 74 puntos con una desviación estándar de 8, mientras
que en la sección 2 los estudiantes alcanzaron una puntuación promedio 78 puntos con una
desviación estándar de 7 puntos. Se desea saber si hay una diferencia significativa entre el
resultado obtenido por las dos secciones utilizando para ello un nivel de significación de: a) 1
%, b) 5 %. ¿Cuáles son sus conclusiones?

Se supone que las dos poblaciones tienen medias respectivas determina Z de la tabla para
un nivel de significancia de 0.01.

Muestra...1............................................Muestra...2

n1 = 40..................................................n2 = 50
X1 = 74...............................................X 2 = 78
S1 = 8...................................................S 2 = 7
El...valor...Según.tabla.de...Z ...al.1%...es...Zα 2 = ±2.58

Hipótesis:

H 0: μ1 = μ 2

H1: μ1 ≠ μ 2

Regla de decisión o Región crítica: Se rechaza la Hipótesis nula si: Z c < −Zα 2 ...o.…Z c >
Zα 2 es decir Z c < −2. 58…o....Z c > 2.58

18
Como Z c es mayor que Zα 2, es decir, Z c = −2.48 > −2.58, se acepta H 0: μ1 = μ 2 con un
nivel de significancia de 0.01. Esto se puede observar en la gráfica D en donde Z c = −2.48
cae dentro del área de aceptación, por lo tanto, las puntuaciones promedias obtenidos en la
prueba de las dos secciones de Estadística II no hay diferencias significativas entre ambas,
por lo tanta μ1 = μ 2.

2.- Horas extras promedio laboradas en el 2000 por 50 obreros de una petrolera de la región
fue de 68.2 horas con una desviación estándar de 2.5 horas, mientras que 50 obreros de la
misma petrolera en el 2001 tenían un promedio de horas extras laboradas igual a 67.5 horas
con una desviación tipita de 2.8 horas. El Gerente de Recursos Humanos de la empresa
mantiene que el promedio de horas extras laboradas por los obreros de la empresa en el
2000 es más alto que el promedio de horas extras laboradas por los obreros en el 2001, para
ello se utiliza un nivel de significancia de: a) 0.05, b) 0.01. ¿Cuál es la conclusión?

Se supone que las dos poblaciones tienen medias respectivas μ1...y..μ 2. Se organizan los
datos y se determina Z de la tabla para un nivel de significancia de 0.05 de una cola por la
derecha.

Muestra...1............................................Muestra...2

n1 = 50..................................................n2 = 50
X1 = 68.2...............................................X 2 = 67.5
S1 = 2.5...................................................S 2 = 2.8
El...valor...según.tabla.de...Z ...al.5%...es...Zα 2 = 1,645

Hipótesis:

H 0: μ1 = μ 2

H1: μ1 ≠ μ 2

Regla de decisión o Región crítica: Se rechaza la Hipótesis nula si: Z c > Zα , es decir, Z c >
1,645 .

19
Conclusión: Como Z c es menor que Zα, es decir, Z c = 1.32 < 1,645, se acepta H 0: μ1 = μ 2
con un nivel de significancia de 0.05.

Esto se puede observar en la gráfica.

A en donde Z c = 1.32 cae dentro del área de aceptación, por lo tanto, las horas extras
promedios laboradas por los obreros en el 2000 no presentan diferencias significativas con
respecto a las laboradas en 2001, por lo tanta μ1 = μ 2

3.- El salario promedio semanal para una muestra de n1 = 30 empleados de la empresa

petrolera Lasmo es de X1 = 280000 Bs., con una desviación típica muestral de S1 = 14000
Bs.

En otra empresa petrolera grande, una muestra aleatoria de n2 = 40 empleados tienen un

salario promedio semanal de X 2 = 270000 Bs., con una desviación estándar muestral de S 2 =
10000 Bs.

Se prueba la hipótesis de que no existe diferencia entre los salarios promedio semanal de las
dos empresas, utilizando un nivel de significancia de: a) 5 %, b) 1 %.

Lo primero que se hará será ordenar los datos y luego determinar el valor Zα 2 al 5%, de la
tabla

Muestra...1............................................Muestra...2

n1 = 30..................................................n2 = 40
X1 = 280000.............................................X 2 = 270000
S1 = 14000..................................................S 2 = 10000
El...valor...según.tabla.de...Z ...al.5%...es...Zα 2 ±1.96

20
 Hipótesis:

H 0: μ1 = μ 2

H1: μ1 ≠ μ 2

Regla de decisión o Región crítica: Se rechaza la Hipótesis nula si: Z c < −Zα 2 ...o.…Z c >
Zα/2, es decir, Z c < −1. 96…o....Z c > 1.96.

Conclusión: Como Z c es mayor que Zα 2, es decir, Z c = 3.33 > 1.96, se rechaza H 0: μ1 = μ 2

con un nivel de significancia de 0.05. Esto se puede observar en la gráfica 1B en donde Z c
= 3.33 cae fuera del área de aceptación, por lo tanto, los salarios promedios semanales de las
dos empresas petroleras son diferentes.

21
3.8 PRUEBA DE HIPÓTESIS PARA LA PROPORCIÓN.

Frecuentemente se desea estimar la proporción de elementos que tienen una característica

determinada, en tal caso, las observaciones son de naturaleza cualitativa. Cuando se analiza
información cualitativa y se está interesado en verificar un supuesto acerca de la proporción
poblacional de elementos que tienen determinada característica, es útil trabajar con la prueba
de hipótesis para la proporción.

HIPÓTESIS.

Como en el caso de la media, se puede plantear uno de los siguientes tres tipos de hipótesis:

- Prueba de hipótesis a dos colas.

H0 : =k

H1 : k

- Prueba de hipótesis a una cola superior.

H0 : =k ó H0 : k

H1 : > k ó H1 : >k

- Prueba de hipótesis a una cola inferior.

H0 : =k ó H0 : k

H1: <k ó H1 : <k

Cuando se va a estimar una proporción el tamaño de la muestra (n) siempre debe ser mayor a
30, por lo tanto se tiene un solo caso.

La estadística de trabajo a utilizar es la expresión (1.13):(3.5).

22
REGLA DE DECISIÓN.

Si se ha planteado la hipótesis alternativa como:

H1: k se tiene una prueba de hipótesis a dos colas, por lo tanto, el nivel de significancia ( )
se divide en dos partes iguales, quedando estos valores en los extremos de la distribución.

y pertenecen a una distribución normal estándar. Si el valor de la estadística de trabajo

(Zp) está entre y no se rechaza la hipótesis nula, en caso contrario se rechaza H0 lo
cual implica aceptar H1 . Es decir, si < Zp < no se rechaza H0 .

- Si se ha planteado la hipótesis alternativa como:

H1 : > k, se tiene una prueba de hipótesis a una cola superior, quedando el nivel de
significancia ( ) en la parte superior de la distribución.

pertenece a una distribución normal estándar. Si el valor de la estadística de trabajo (Z p ) es

menor que no se rechaza la hipótesis nula, en caso contrario se rechaza H0 lo cual implica
aceptar H1 . Es decir, si Zp < no se rechaza H0 .

- Si se ha planteado la hipótesis alternativa como:

H1 : < k, se tiene una prueba de hipótesis a una cola inferior, quedando el nivel de significancia
( ) en la parte inferior de la distribución.

Z pertenece a una distribución normal estándar. Si el valor de la estadística de trabajo (Zp ) es

mayor que Z no se rechaza la hipótesis nula, en caso contrario se rechaza H 0 lo cual implica
aceptar H1 . Es decir, si Zp > Z no se rechaza H0 .

EJEMPLO.

23
Un fabricante afirma que por lo menos el 90 por ciento de las piezas de una maquinaria que
suministra a una fábrica guardan las formas especificadas. Un exámen de 200 de esas piezas
reveló que 160 de ellas no eran defectuosas. Pruebe si lo que afirma el fabricante es cierto.

Solución.

H0 : 0,9

H1 : < 0,9

Para realizar una prueba de hipótesis para la proporción se utiliza la expresión 3.5.

Asumiendo una confiabilidad del 95 por ciento, el valor correspondiente a Z en la distribución

normal es -1,64.

Como puede observarse en la figura 3.7, el valor de la estadística de trabajo se encuentra en la

zona de rechazo de la hipótesis nula, por consiguiente, con una confiabilidad del 95 por ciento
se concluye que la afirmación del fabricante no es cierta.

24
3.9 PRUEBA DE HIPÓTESIS PARA LA DIFERENCIA DE PROPORCIONES.

Cuando se tienen dos poblaciones y se han tomado muestras aleatorias de tamaños n 1 y n 2,

para observar una característica o cualidad, se puede comparar el comportamiento de dicha
característica en las poblaciones a través de la diferencia de proporciones.

Hipótesis.

Como en los casos anteriores se puede plantear uno de los siguientes tres tipos de hipótesis:

- Prueba de hipótesis a dos colas.

H0 : 1 = 2 ó H0 : 1 - 2 = k

H1 : 1 2 H1 : 1 - 2 k

- Prueba de hipótesis a una cola superior.

H0 : 1 = 2 ó H0 : 1 - 2 k

H1 : 1 > 2 H1 : 1 - 2 > k

- Prueba de hipótesis a una cola inferior.

H0 : 1 = 2 ó H0 : 1 - 2 k

H1 : 1 < 2 H1 : 1 - 2 < k

La estadística de trabajo es la expresión 1.14:

(3.14)

25
REGLA DE DECISIÓN.

Si se ha planteado la hipótesis alternativa como:

H1 : 1 2 ó H1 : p 1 - p 2 ¹ k se tiene una prueba de hipótesis a dos colas, por lo tanto, el nivel

de significancia ( ) se divide en dos partes iguales, quedando estos valores en los extremos
de la distribución.

y pertenecen a una distribución Normal estándar. Si el valor de la estadística de trabajo

(Zp1-p2 ) está entre y no se rechaza la hipótesis nula, en caso contrario se rechaza H0 lo
cual implica aceptar H1 . Es decir, si < Zp1-p2 < no se rechaza H0 .

- Si se ha planteado la hipótesis alternativa como:

H1 : 1 > 2 ó H1 : 1 - 2 > k, se tiene una prueba de hipótesis a una cola superior, quedando
el nivel de significancia ( ) en la parte superior de la distribución.

pertenece a una distribución Normal estándar. Si el valor de la estadística de trabajo es

menor que no se rechaza la hipótesis nula, en caso contrario se rechaza H0 lo cual implica
aceptar H1 . Es decir, si Zp1-p2 < no se rechaza H0 .

- Si se ha planteado la hipótesis alternativa como:

H1 : 1 < 2 ó H1 : 1 - 2 < k, se tiene una prueba de hipótesis a una cola inferior, quedando
el nivel de significancia ( ) en la parte inferior de la distribución.

Z pertenece a una distribución Normal estándar. Si el valor de la estadística de trabajo (Zp1-p2)

es mayor que Z no se rechaza la hipótesis nula, en caso contrario se rechaza H o lo cual
implica aceptar H1 . Es decir, si Zp1-p2 > Z no se rechaza H0 .

26
3.10 PRUEBA DE HIPÓTESIS PARA LA VARIANZA.

Hipótesis.

Se puede plantear uno de los siguientes tres tipos de hipótesis:

- Prueba de hipótesis a dos colas.

H0 : =k

H1 : k

- Prueba de hipótesis a una cola superior.

H0 : =k ó H0 : k

H1 : >k ó H1 : >k

- Prueba de hipótesis a una cola inferior.

H0 : =k ó H1 : k

H1 : <k ó H1 : <k

En este caso se tienen dos situaciones, dependiendo de si se utiliza la varianza muestral sin
corregir o corregida.

• Si se utiliza la varianza sin corregir ( ) la estadística de trabajo es la expresión (1.4):

• Si se utiliza la varianza corregida, la estadística de trabajo es la expresión (1.5):

27
EJEMPLO.

Se supone que los diámetros de cierta marca de válvulas están distribuídos normalmente con
una varianza poblacional de 0,2 pulgadas 2 , pero se cree que últimamente ha aumentado. Se
toma una muestra aleatoria de válvulas a las que se les mide su diámetro, obteniéndose los
siguientes resultados en pulgadas:

5,5 5,4 5,4 5,6 5,8 5,4 5,5 5,4 5,6 5,7

Con ésta información pruebe si lo que se cree es cierto.

Solución.

Se cree que la varianza poblacional ha aumentado, es decir es superior a 0,2; por lo tanto:

H0 : = 0,2

H1 : > 0,2

Para realizar esta prueba de hipótesis se utiliza la expresión 3.6

Asumiendo un nivel de confianza del 95 por ciento, en la tabla de la distribución chi-cuadrado

con 9 grados de libertad, se obtiene un valor para Z de 16,919. Como puede observarse, el
valor de la estadística de trabajo se ubica en la zona de no rechazo de la hipótesis nula, por
consiguiente, con una confiabilidad del 95 por ciento se puede afirmar que la varianza
poblacional no ha aumentado.

28
3.11 PRUEBA DE HIPÓTESIS PARA LA RELACIÓN DE VARIANZAS.
Si de dos poblaciones con distribución normal se seleccionan dos muestras aleatorias
independientes de tamaños n1 y n2, se puede comparar la homogeneidad o variabilidad de
dichas poblaciones a través de una prueba de hipótesis para el cociente de varianzas.

Cuando se planteen las hipótesis debe quedar en el numerador la población cuya muestra tenga
mayor varianza. Es decir que la población 1 será la que tenga mayor varianza muestral.

Hipótesis.

Se puede plantear uno de los siguientes tres tipos de hipótesis:

- Prueba de hipótesis a dos colas

H0: = ó H0: / =1

H1: ó H1: / 1

- Prueba de hipótesis a una cola superior

H0: = ó H0: / 1

H1 : > ó H1 : / >1

- Prueba de hipótesis a una cola inferior

H0: = ó H0 : / 1

H1 : < ó H1 : / <1

La estadística de trabajo es la expresión.

29
Regla de decisión.

Si se ha planteado la hipótesis alternativa como:

H1 : ó H1 : / 1 se tiene una prueba de hipótesis a dos colas, por lo tanto, el nivel de

significancia ( ) se divide en dos partes iguales, quedando estos valores en los extremos de la
distribución.

y pertenecen a una distribución F con (n1 -1) grado de libertad en el numerador y (n2-1) grado
de libertad en el denominador. Si el valor de la estadística de trabajo (T) está entre y no se
rechaza la hipótesis nula, en caso contrario se rechaza H0 lo cual implica aceptar H1 . Es decir,
si < T < no se rechaza H0 .

Si se ha planteado la hipótesis alternativa como:

H1 : > ó H1 : / > 1 , se tiene una prueba de hipótesis a una cola superior, quedando el nivel
de significancia ( ) en la parte superior de la distribución.

Z 1- a pertenece a una distribución F con (n 1 -1) grado de libertad en el numerador y (n 2 -1)

grado de libertad en el denominador. Si el valor de la estadística de trabajo (T) es menor que Z
1- a no se rechaza la hipótesis nula, en caso contrario se rechaza H o lo cual implica aceptar H
1. Es decir, si T < Z 1- a no se rechaza Ho.

-Si se ha planteado la hipótesis alternativa como:

H1 : < ó H1 : / < 1 , se tiene una prueba de hipótesis a una cola inferior, quedando el nivel
de significancia ( ) en la parte inferior de la distribución, como se aprecia en la figura 3.10

Z a pertenece a una distribución F con (n1 -1) grado de libertad en el numerador y (n2 -1) grado
de libertad en el denominador. Si el valor de la estadística de trabajo (T) es mayor que Z a no
se rechaza la hipótesis nula, en caso contrario se rechaza H o lo cual implica aceptar H 1 . Es
decir, si T > Z a no se rechaza H0.

30
EJEMPLO.

Dos fuentes de materias primas están siendo consideradas. Ambas fuentes parecen tener
características similares, pero no se está seguro de su homogeneidad. Una muestra de 10
grupos de la fuente A produce una varianza de 250 y una muestra de 11 grupos de la fuente B
produce una varianza de 195. Con base en ésta información se puede concluir que la varianza
de la fuente A es significativamente mayor que la de la fuente B?. Asuma un nivel de confianza
del 99 por ciento.

Solución

H0: A= B

H1 : A > B

Con un nivel de confianza del 99 por ciento, en la tabla de la distribución F con 9 grados de
libertad en el numerador y 10 grados de libertad en el denominador, se obtiene un valor para Z
de 4,94. Como puede observarse, el valor de la estadística de trabajo está en la zona de no
rechazo de la hipótesis nula, por lo tanto, con una confiabilidad del 99 por ciento, no se puede
rechazar que la variabilidad de las dos fuentes de materia prima es igual.

31
CONCLUSIÓN.
Para finalizar, se afirmando que la utilización y formulación correcta de las hipótesis permiten al
investigador o especialista de la salud poner a prueba aspectos de la realidad, disminuyendo la
distorsión que pudieran producir sus propios deseos o gustos. Debido a que pueden ser
sometidas a prueba y demostrarse como probablemente correctas o incorrectas sin que
interfieran los valores o creencias de la persona.

Ya que los investigadores se interesan en dos tipos de hipótesis: de investigación y estadísticas

ya antes mencionada. La primera es una conjetura que motivó la investigación y la segunda son
establecidas o enunciadas de tal manera que puedan ser contrastadas por medio de pruebas
estadísticas adecuadas. Una hipótesis estadística es una proposición o supuesto sobre los
parámetros de una o más poblaciones.

32
GLOSARIO.
Confiabilidad:
Se refiere a la constitución interna de las personas, a la mayor o menor acescencia de errores
de medida. Un instrumento confiable significa que si lo aplicamos por más de una vez a un
mismo elemento entonces obtendríamos iguales resultados.

Error Tipo I:

Es el nivel de significancia, denotado por la letra griega “a”, se define como la probabilidad de
“rechazar”.

Error Tipo II:

Es el valor predictivo, denotado por la letra griega “β”, se define como probabilidad de “aceptar”
la H0 cuando ésta es falsa. El procedimiento busca fijar la probabilidad de cometer error Tipo I,
α, y minimizar la probabilidad de cometer error Tipo II, β.

Fuente:

Es aquello que es origen de otra cosa, su causa, o de donde surge. Así, un manantial es una
fuente de agua, la pobreza es fuente de injusticias, la ignorancia es la fuente de todos los males,
las noticias se basan en distintas fuentes de información, o sea que surgen de ellas.

Hipótesis:

Enunciado que expone supuestos, sujetos a verificación que orientan la búsqueda de la

información y su relación esperada con las variables.

Homogeneidad:

Es una sociedad en la que todos sus individuos comparten tanto una misma etnicidad racial,
como una misma lengua y una serie de creencias y comunes o muy similares. Se trata de una
sociedad donde sus miembros comparten una cultura, costumbres y modo de pensar.

Nula:

Falto de valor y fuerza para obligar o tener efecto, por ser contrario a las leyes, o por carecer
de las solemnidades que se requieren en la sustancia o en el modo.

33
Proporción:

Relación de igualdad que existe entre dos razones, es decir, entre dos comparaciones entre
dos cantidades determinadas. O sea: si a/b es una razón, entonces la igualdad a/b = c/d será
una proporción.

Significancia:

Hace alusión a una importancia, competencia, talento, mérito, capacidad, aptitud, inteligencia,
interés, trascendencia, provecho, consideración, repercusión, magnitud o calidad de alguno o
alguna cosa.

Válvula:

Son dispositivos mecánicos que controlan el caudal y la presión de un fluido en un circuito

hidráulico o de aire. Son componentes esenciales de los sistemas de tuberías que transportan
líquidos, gases, vapores, lodos, etc.

Varianza:

Es una medida de dispersión que se utiliza para representar la variabilidad de un conjunto de

datos respecto de la media aritmética de los mismo. Así, se calcula como la suma de los
residuos elevados al cuadrado y divididos entre el total de observaciones.

34
BIBLIOGRAFÍA.

https://es.scribd.com/doc/112531651/3-Unidad-Pruebas-de-Hipotesis

https://www.academia.edu/43118510/UNIDAD_3_PRUEBA_DE_HIP%C3%93TESIS

https://blogs.ugto.mx/enfermeriaenlinea/unidad-didactica-3-las-pruebas-de-hipotesis/

https://dmd.unadmexico.mx/contenidos/DCEIT/BLOQUE2/MT/03/MEST1/U3/descargables/
MEST1_U3_contenido.pdf

https://www.google.com/search?q=DOCIMAR&oq=DOCIMAR&aqs=chrome..69i57j0i512l2j
0i30l3j0i10i30j0i30l3.3127j0j7&sourceid=chrome&ie=UTF-8

35