Intervalos de Confianza y Prueba de Hipótesis

Antes de iniciar estudiaremos lo relacionado a probar diferentes tipos de hipótesis, empezando por
definir que es una hipótesis y una prueba de hipótesis, enlistaremos los pasos para probar una
hipótesis, y realizaremos pruebas de hipótesis relativas a la media de una población y a las medias
de dos poblaciones.

Aunque se pueden establecer pruebas de hipótesis para la proporción, para la varianza de una
población o para dos poblaciones. Esto último ya se presentó en clase.

En lo que respecta a Intervalos de confianza ya se presentó un documento similar

¿Qué es una hipótesis?

Hipótesis es una afirmación o suposición respecto al valor de un parámetro poblacional

Son ejemplos de hipótesis, o afirmaciones hechas sobre un parámetro poblacional las siguientes:

 El ingreso mensual promedio de los trabajadores de la Ciudad de Puebla es $4500.00

 El rendimiento de una reacción es del 80%

 El 20% de los delincuentes capturados son sentenciados a prisión

 El consumo de gasolina promedio por auto es de 10 litros diarios

Todas estas hipótesis tienen algo en común, las poblaciones de interés son tan grandes que no es
factible estudiar todos sus elementos. Como ya sabemos, una alternativa a estudiar la población
entera es tomar una muestra de la población de interés. De esta manera podemos probar una
afirmación para determinar si la evidencia soporta o no la afirmación.

¿Qué es una prueba de hipótesis?

Una prueba de hipótesis comienza con una afirmación o suposición acerca de un parámetro
poblacional, tal como la media poblacional. Una hipótesis podría ser que la colegiatura que pagan los
estudiantes universitarios de la República Mexicana es en promedio de 3000 pesos. Para comprobar
esta hipótesis no podríamos contactar a todos los estudiantes universitarios de la república, el costo
sería exorbitante. Para probar la validez de esta afirmación podríamos seleccionar una muestra de la
población de estudiantes y basados en ciertas reglas de decisión, aceptar o rechazar la hipótesis. Si
la media muestral fuera de 1000 pesos ciertamente tendríamos que rechazar la hipótesis, pero si la
media muestral fuera 2990 pesos ¿podríamos asumir que la media poblacional si es de 3000 pesos?,
¿podemos atribuir al error de muestreo la diferencia de 10 pesos entre las dos medias, o es una
diferencia significativa?

Prueba de hipótesis es un procedimiento basado en una evidencia muestral (es decir en el

estudio de una muestra) y la teoría de la probabilidad. Este procedimiento se usa para
determinar si la hipótesis es una afirmación razonable para no ser rechazada, o es una
afirmación poco razonable y ser rechazada.

Procedimiento de 4 pasos para probar una hipótesis

Hay un procedimiento de cuatro pasos que sistematizan la prueba de hipótesis. Para ilustrar el
procedimiento, completemos el ejemplo anterior. Supongamos que la muestra es de 20 estudiantes y
el nivel de significancia es de .05. Los cuatro pasos son los siguientes:

Paso 1. Establecer las hipótesis nula y alternativa

El primer paso es establecer la hipótesis a ser probada. Esta es llamada la hipótesis nula,
simbolizada por H0, el subíndice cero implica “cero diferencia”. Usualmente el término “no” es
encontrado en la hipótesis nula significando “no cambio”. La hipótesis nula de la introducción podría
ser “la colegiatura mensual promedio de los estudiantes universitarios no es diferente de 3000 pesos”.
Esto es lo mismo que decir “…es igual a 3000 pesos”. La hipótesis nula se puede simbolizar H0: µ =
3000.

La hipótesis nula es una afirmación que será aceptada si los datos de la muestra no nos proveen de
evidencia convincente de que es falsa, es decir, si se acepta la hipótesis nula decimos que la
evidencia no es suficiente para rechazarla pero no podemos afirmar que es verdadera.

La hipótesis alterna es la afirmación que se acepta si se rechaza la hipótesis nula. Esta hipótesis,
también llamada hipótesis de investigación, se simboliza con Ha. La hipótesis alterna es aceptada si
la evidencia proporcionada por la muestra es suficiente para afirmar que la Ho es falsa.

En este ejemplo las hipótesis serían las siguientes:

Ho: La colegiatura promedio de los estudiantes no es diferente de 3000 pesos

Ho: µ = 3000

Ha: La colegiatura promedio de los estudiantes es diferente de 3000 pesos

Ha: µ ≠ 3000

Paso 2. Determinar el criterio de decisión o de contraste

Determinar el criterio de decisión o de contraste consiste en especificar el nivel de significancia, el

tipo de distribución, y los valores críticos.

Existen cuatro posibilidades al tomar una decisión respecto a una hipótesis:

Aceptar Ho Rechazar Ho
Error
Decisión
Ho verdadera
correcta
Tipo I
Error
Decisión
Ho falsa
correcta
Tipo II

Nivel de significancia es la probabilidad de rechazar una hipótesis nula verdadera

El nivel de significancia es simbolizado por α, y también es conocido como nivel de riesgo. Este
último término es más apropiado porque es el riesgo que se toma de rechazar una hipótesis
verdadera.

No hay un nivel de significancia para todos los estudios, se puede utilizar cualquier valor de
probabilidad entre 0 y 1. Tradicionalmente, el nivel de .05 es aplicado a proyectos de investigación, el
nivel .01 a control de calidad, y .10 a sondeos políticos. Tú como investigador debes decidir el nivel
de significancia antes de colectar la muestra de datos.

El tipo de distribución se determinará dependiendo de la naturaleza de la hipótesis y del tamaño de

la muestra. Cuando la hipótesis es relativa a medias poblacionales o proporciones y las muestras son
grandes (n>30) se utiliza la distribución normal. Cuando es relativa a la media y la muestra es
pequeña (n≤30) se utiliza la distribución t de student.

Cuanto se trata de hipótesis sobre la varianza se usa la distribución Chi2 y cuando se trata de
hipótesis entre varianzas de dos poblaciones se usa la distribución F.

Los valores críticos se determinan con el nivel de significancia y la distribución

correspondiente. Estos son los valores de la variable de la distribución que limitan el área crítica,
que es la parte de la curva que corresponde al nivel de significancia.

En este ejemplo de la colegiatura el nivel de significancia es de .05, se utiliza la distribución t de

student porque la muestra es pequeña, los valores críticos se encontraron de la siguiente manera

El área crítica cuando la hipótesis alterna tiene el símbolo ( ≠ ) se divide en dos y se dice que el
problema es de dos colas, y cada cola vale α/2. Si la Ha tiene el signo (<) el problema es de la cola
izquierda, si tiene el signo(>) es de la cola derecha, y en ambos casos la cola vale α. Este problema
es de dos colas:

Paso 3. Calcular el estadístico de prueba

El estadístico de prueba es un valor obtenido de la información de la muestra para compararlo con el

criterio de contraste y rechazar o aceptar la hipótesis. El estadístico de prueba cambia de acuerdo a
la distribución que se utilice. En este problema el estadístico de prueba es t y se simboliza t*
Supongamos que en una muestra las colegiaturas de los estudiantes universitarios entrevistados son
las siguientes:

2821 3102 2398 2511 3222

2329 3109 2725 3627 2933
3822 3044 3125 2650 2741
3054 3281 2292 2952 2462

La media y la desviación estándar de la muestra son 2910 y 411.95 respectivamente, se procede

enseguida a calcular el error estándar y la t*

Paso 4. Tomar decisión y conclusión

Una regla de decisión es establecer las condiciones sobre las cuales la hipótesis nula es rechazada o
no rechazada. Si el estadístico de prueba queda dentro de la zona crítica la hipótesis nula deberá ser
rechazada. Si el estadístico de prueba queda fuera de la zona crítica la hipótesis nula no deberá ser
rechazada.

En el ejemplo de las colegiaturas, como el estadístico de prueba quedó fuera de la zona crítica la
hipótesis nula no puede ser rechazada. La conclusión podría ser la siguiente:
“No hay evidencia suficiente para afirmar que la colegiatura que pagan en promedio los estudiantes
universitarios es diferente de 3000 pesos, en un nivel de significancia de .05”

Sin embargo en la clase se presentó otra forma de tomar la conclusión usando el valor p o p value.
En este ejemplo se trata de una hipótesis bilateral y el valor de referencia es alfa = 0.05. A partir del
resultado del estadístico de prueba t = -0.097 (menos cero punto noventa y siete) se obtiene en R el
p value correspondiente con la instrucción pt(-0.097,19) de donde resulta un p value de 0.4618711
(observe que esta es un area bajo la curva hacia la derecha)

Dado que le valor p es mayor que el valor de referencia, entonces se dice que no existe evidencia
para rechazar la Hipótesis nula. Es decir que

“No hay evidencia suficiente para afirmar que la colegiatura que pagan en promedio los estudiantes
universitarios es diferente de 3000 pesos, en un nivel de significancia de .05”

Prueba de hipótesis relativas a dos medias

El siguiente ejemplo nos muestra el procedimiento de prueba de hipótesis relativas a la media de dos
poblaciones.

Ejemplo

Se realizó un estudio con un nivel de significancia de .05 para investigar si el número de u.e.a´s que
se dan de baja en la quinta semana es diferente entre los estudiantes de ingeniería de la UAM
iztapalapa y los estudiantes de ingeniería de la UAM Azcapotzalco. Se obtuvieron dos muestras
representativas de 40 estudiantes. La muestra 1 (UAM I) tuvo un puntaje medio de 3.5 (es decir dan
de baja en promedio 3.5 u.e.a´s) con una desviación estándar de 2, mientras que la muestra 2 (UAM
A) tuvo una media de 3 con una desviación de 2.2.

1.- Establecer las hipótesis

Ho: µ1 ≤ µ2

Ho: « El número de u.e.aás que dan de baja no es mayor en la UAM I que en la UAM A »

Ha: µ1 > µ2

Ha: « El número de u.e.a´s que dan de baja en la UAM I es mayor que en la UAM A ».

2.- Establecer el criterio de ecisión o contraste

Como en este problema, la hipótesis alternativa o alterna contiene el signo (>) el problema es de una
cola, es decir, la región crítica se ubica en el extremo derecho de la curva. Para determinar que tipo
de distribución se utilizará primero deberiamos estudiar si la muestra es pequeña o grande, vamos a
suponer que 30 es el limite:

 Si n1 + n2 - 2 > 30 entonces se busca en la tabla el valor de z correspondiente a α/2.

 Si n1 + n2 - 2 ≤ 30 se busca en la tabla el valor t correspondiente a Φ = n1+n2-2 y a α/2.

En este ejemplo, Φ = n1 + n2 - 2 = 40 + 40 - 2 = 78 entonces Φ > 30 y por lo tanto se utiliza la
distribución normal con α = .05

El valor .05 no está en la tabla, pero debería encontrarse entre estas dos cantidades

Z 4 ? 5
1.6 .05050 .05 .04947

Se procede entonces con un procedimiento llamado interpolación, identificando la primera z como z1

y la segunda como z2. Las áreas como A1 y A2 respectivamente.

Z1 Z Z2
Z 4 ? 5
1.6 .05050 .05 .04947
Α1 A Α2

Luego se aplica la fórmula de interpolación:

(A1 - A) (.05050-.05)
Z= Z1 + ( Z2 – Z1) = 1.64 + (1.65 -1.64) = 1.6448
(A1 – A2) (.05050-.04947)

Pero usted tiene suerte pues con R puede obtener el valor exacto con la instrucción qnorm(0.05,
lower.tail = F) ide donde resulta1.644854

3.- Calcular el valor del estadístico de prueba

En este ejemplo vamos a suponer que las varianzas de las dos poblaciones son iguales (aunque en
el examen usted deberá probar si esta hipótesis es plausible o valida).

Entonces si esta hipótesis de igualdad de varianzas es válida, se calcula el error estándar de la

diferencia de las medias

Se calcula el valor del estadístico de prueba, en este caso Z*

Usted tiene las formulas que quizas no corresponden a la anterior, pero puede verificar si dan
resultados semejantes o no

4.- Tomar una decisión e interpretar

El estadístico de prueba queda localizado fuera de la zona crítica, entonces no podemos rechazar la
hipótesis nula ( Ho), de tal suerte que se concluye lo siguiente:

No hay evidencia suficiente, con un nivel de significancia de .05, de que la prensa popular
tenga una mayor orientación al tema sexual que la prensa de clase media

Ejemplo:
Supongamos que queremos probar la hipótesis de que la probabilidad de obtener un as al
arrojar un dado, es de 1/6 , y con tal fin arrojamos un dado 600 veces .
Si se obtienen 600 ases, este resultado es improbable bajo la hipótesis supuesta, lo cual nos lleva
a rechazarla pues la evidencia indica que ella es falsa.
Si se obtienen 100 ases, este resultado no sería improbable bajo la hipótesis supuesta, y sin duda
la hipótesis no será rechazada, por falta de evidencia.
Obteniendo resultados como éstos, la intuición y el sentido común son suficientes para tomar una
decisión. Sin embargo, en la práctica los experimentos no conducen a conclusiones tan obvias, de
donde surge la necesidad de un método para probar la hipótesis, y esto implica establecer reglas
de decisión.
El hecho de rechazar una hipótesis no significa que ésta sea falsa, como tampoco el no rechazarla
significa que sea verdadera. La decisión tomada no está libre de error. Se pueden cometer dos
tipos de error que los denominaremos error de tipo I y error de tipo II, y que consisten en:
Error I :Rechazar una hipótesis que es verdadera .
Error II : No rechazar una hipótesis que es falsa .
La forma de medir estos errores es mediante la probabilidad. Es deseable que estas dos
probabilidades de error sean pequeñas. Una forma cómoda de especificar lo que se requiere de
un procedimiento de prueba es concentrar la atención en dos conjuntos posibles de valores del
parámetro, es decir, en dos hipótesis estadísticas, a las cuales llamaremos hipótesis nula
designada por H0 e hipótesis alternativa designada por H1 .
La prueba de hipótesis es un procedimiento de toma de decisiones, relacionada
principalmente con la elección de una acción entre dos posibles. Por lo tanto, cada hipótesis (nula
y alternativa) la asociaremos con una de las acciones. Esta designación, en principio, es arbitraria,
pero típicamente la hipótesis nula corresponde a la ausencia de una modificación en la variable de
la población investigada, pudiendo considerar que nulifica el efecto de un tratamiento , y por lo
tanto se especifica de una forma exacta : H0 : θ = θ 0 ; en tanto que la hipótesis alternativa
generalmente indica una variación de valores que prevalecería si la variable de la población sufre
alguna modificación, pudiendo pensar que el tratamiento fue efectivo , por lo cual esta hipótesis
(alternativa) se especifica de manera más general :
H1: θ ≠ θ 0 ó H1 : θ > θ 0 ó H1 : θ < θ 0.
Observemos que en general la hipótesis alternativa es compuesta. Raramente la hipótesis
alternativa es una hipótesis simple, como por ejemplo: H1: θ = θ 1, sino que, normalmente ésta
es el complemento de la hipótesis nula.

ERRORES Y RIESGOS DE LA PRUEBA

La práctica de probar la hipótesis nula contra una alternativa, sobre la base de la información de
la muestra, conduce a dos tipos posibles de error, debido a fluctuaciones al azar en el muestreo.
Es posible que la hipótesis nula sea verdadera pero rechazada debido a que los datos obtenidos en
la muestra sean incompatibles con ella; como también puede ocurrir que la hipótesis nula sea
falsa pero no se la rechace debido a que la muestra obtenida no fuese incompatible con ella.

Cuadro de decisiones y errores

Estado Naturaleza θ ∈ Ho θ ∉Ho

Decisión
Rechazar Ho error I – incorrecto Correcto
No Rechazar Ho Correcto error II - incorrecto

Las probabilidades de cometer errores de tipo I y II se consideran los "riesgos" de decisiones

incorrectas. Así, la probabilidad de cometer un error de tipo I se llama nivel de significación de la
prueba y se simboliza con α . .
∴ α . = P( error I ) = P( rechazar Ho / H0 es verdadera )
y la probabilidad de cometer un error de tipo II se designa por β . Entonces:
β = P( error II ) = P( no rechazar Ho / Ho es falsa )

Prueba de hipótesis simple contra alternativa única

Consideremos el caso de una hipótesis nula simple contra una hipótesis alternativa también
simple.
H0 : θ = θ 0 ; H1 : θ = θ 1

Sea la variable aleatoria X con distribución conocida: X ~ f(x , θ ) , y sea

 
θ = f ( x1 , x2 ,...., xn ,θ ) un estimador de θ . Entonces, la estadística de prueba θ tiene
distribución conocida siempre que se conozca el valor del parámetro θ . Luego, dicha
distribución queda completamente definida suponiendo verdadera la hipótesis nula H0 : θ = θ
0. Las reglas de decisión sobre el rechazo o no de Ho se establecen respecto a la amplitud de
 
θ y el resultado particular de la muestra. Se clasifica la amplitud de θ en dos subconjuntos que
son : R = región de rechazo o región crítica que contiene los resultados menos favorables a
Ho , y A = región de aceptación o región de no rechazo que contiene los resultados más
  
favorables a Ho . De esta forma, si θ ∈ R rechazamos Ho y si θ ∈ A no rechazamos Ho . El

valor de θ que separa R de A se denomina valor critico de la estadística de prueba, y se
representa por c .

Si suponemos θ 1 >θ 0 , entonces

ˆ)
f1 (θ
f 0 (θˆ)

α =P (eI ) = P (θ >c /θ =θo )

β =P (eII ) = P (θ <c /θ =θ1 )
θ0 θ1 θ̂


α=P (eI ) =P (θ>c /θ=θo ) =P ( rech .H o / H o es verd
adera

β=P (eII )= P (θ < c /θ = θ1) =P(n
o rech .H o / H o es fa
lso
 
d
ond
e f o (θ
) y f 1 (θ ) so
n la
s fu
ncio
nes d
e d
ensid
ad d
e la
o θ=θ1 r
esp
ectiva m
ente .

UBICACION DE LA REGION CRITICA

Fijado el nivel de significación α = P ( rech. H o / H o es verdadera) ,debemos dividir (separar) el


recorrido de θ en dos subconjuntos disjuntos : R = región de rechazo (o región crítica) y A =
región de no rechazo (o de aceptación) , siendo A el complemento de R . Luego, se verifica que:
 
P (θ∈R / H o es verdadera )=P (θ∈R / θ=θo )=α
Dónde ubicamos esta región crítica R?
Dada nuestra preocupación de cometer un error de tipo II , deberemos escoger para R una
ubicación donde la probabilidad de este error sea mínima :
β
=P (e
II ) =P(n
o r
ech .H o / H o e
s f
als
o )
l
o c
ual e
qui
val
e P (µ
ˆ ∈ Ao / H o e
s f
als
o ) =
La región de aceptación A es el complemento de la región de rechazo R , y la ubicación de R
depende de la naturaleza de la hipótesis alternativa H .

Caso I

H o :µ = µo
H 1 :µ > µo

c
pa ra µ 1 > µ o : β = P ( µ ∈ A / µ = µ 1) = P( µ < c / µ = µ 1 ) = ∫ f1 ( µ / µ 1 ).dµ
−∞

Caso II
Ho : µ = µ o
H1: µ < µ o

∞
p a ra µ 1 < µ o : β = P( µ ∈ A / µ = µ 1 ) = P ( µ > c / µ = µ 1 ) = ∫ f1 ( µ / µ 1 ).dµ
c

Caso III

Ho : µ = µ o
H1: µ ≠ µ o

c2
p a r a µ1 ≠ µ o : β = P( µ ∈ A / µ = µ 1 ) = P(c1 < µ < c2 / µ = µ 1) = ∫ f1( µ / µ 1).dµ
c1

PASOS A SEGUIR PARA PROBAR UNA HIPOTESIS

1. Formular las hipótesis de acuerdo con el problema.

2. Escoger un nivel de significación ( α ) dependiendo de los costos de cometer errores de tipo
I y tipo II.
3. Escoger el estimador del parámetro cuya distribución por muestreo sea conocida en el
supuesto de que la hipótesis nula sea verdadera, es decir, se conoce
f o ( x ) ; o sea f ( x ) dado que µ = µo .
4. Establecer la regla de decisión, que depende de la forma de la hipótesis alternativa y del nivel
de significación. Esto se refiere a hallar los valores críticos.
5. En base a una muestra seleccionada al azar, calcular el valor del estadístico. Luego, comparar
con el valor crítico (o los valores críticos).
6. Decidir si rechazar o no la hipótesis nula.

Observaciones:
Sólo se toma en cuenta el error de tipo I. Por lo tanto, el test es significativo si se rechaza la
hipótesis nula, pues en este caso se conoce la probabilidad de haber cometido un error. En
función de esto, se deberá decidir cuál de las hipótesis debe ser la nula y cuál la alternativa,
como también cuál debe ser el nivel de significación.
Prueba de hipótesis de la media en poblaciones normales
Sea ( X1 , X2 , ... , Xn ) una muestra aleatoria extraída de una población normal, luego, ∀ i =
1 .. n :
Xi ~ N( µ , σ ) .
Por lo tanto tenemos que: X1, X2, ... , Xn iid N( µ , σ ).

1 σ X−µ
X= ∑ X i ~ N ( µ, ) , ∴ ~ N (0 , 1)
n n σ
n

H0 : µ = µ 0 vs H1 : µ ≠ µ 0

X − µ0
Si la hipótesis nula H0 es verdadera, entonces µ =µ y por lo tanto ~ N (0 , 1)
0
σ
n

Como la prueba es bilateral, se rechazará la hipótesis nula tanto cuando se tenga evidencia de
que la media poblacional sea mayor que el valor postulado o bien cuando se tenga evidencia de
que sea menor que el valor postulado. Luego, se calculan dos valores críticos (z1 y z2) para la
variable pivotal o estadístico de prueba, que son los valores de la distribución Normal que dejan
una probabilidad de α/2 por debajo y por encima respectivamente: z1 es tal que Φ (z1) = α/2
y z2 es tal que Φ (z2) = 1 - α/2

Prueba de hipótesis de la proporción

Sean X1 , X2 , ... , Xn iid Bi ( p ) .
A través de las propiedades de la Función Generatriz de Momentos se demuestra que
X = Σ Xi ~ B ( n , p ) .

Para n suficientemente grande, la variable binomial se distribuye aproximadamente normal ,

∴ aproximadamente : X ~ N( n.p , npq ) .

X ∑ Xi
De donde se deduce que la proporción muestral h= =
n n
también tiene una distribución aproximadamente normal :
h−p
1  pq  ~ N( 0 , 1 )
h = ∑ X i ~ N  p,  , ∴ pq
n  n 
n

H0 : p = p0 vs H1 : p ≠ p0

h − p0
~ N( 0 , 1 )
Si la hipótesis nula H0 es verdadera, entonces p = p0 y por lo tanto p 0 (1 − p 0)
n

Como la prueba es bilateral, se rechazará la hipótesis nula tanto cuando se tenga evidencia de
que la proporción poblacional sea mayor que el valor postulado o bien cuando se tenga evidencia
de que sea menor que el valor postulado. Luego, se calculan dos valores críticos (z1 y z2) para la
variable pivotal o estadístico de prueba, que son los valores de la distribución Normal que dejan
una probabilidad de α/2 por debajo y por encima respectivamente: z1 es tal que Φ (z1) = α/2
y z2 es tal que Φ (z2) = 1 - α/2

Prueba de hipótesis de la media en poblaciones normales con variancia desconocida.

Sean (X1 , X2 , ... , Xn ) una muestra aleatoria extraída de una población normal, luego ∀
i=1,.,n
Xi ~ N(µ , σ ).
Por lo tanto tenemos que X1 , X2 , ... , Xn iid N(µ , σ ). de donde se deduce que:


X  ~ N μ ,
σ
n             que  implica
 −μ
X
σ
~ N  0,1 

n
2

 
n
X i− μ
y  ∑ ~ χ 2n
i =1 σ

Reemplazando en esta expresión, la media poblacional por la muestral (es decir, por su
estimador), obtenemos la distribución de la variancia muestral :

2
χ (n −
1) S ( x )
χ
n 2
X i −X  2 2
1 ⇔
∑

1
i=

 σ ~ n−
σ2
~ n− 1

µ
Puede demostrarse que X y S2(x) son independientes, y por lo tanto también lo son

− 1) S (2x )
(n −
σ
X
σ n
y 2
, de distribución normal y

chi cuadrado respectivamente.

Luego, realizando el cociente entre ellas, obtenemos una nueva variable de distribución
también
conocida:

X −µ
σ
n
~ t n −1
(n−1) S (2x )
σ2 ( n −1)

Simplificando esta expresión obtenemos:

(X − ) µσ
n
=
X − µ~ t n−
S ( x) 1
S( x )
n
σ
H0 : µ = µ 0 vs H1 : µ ≠ µ 0
Si la hipótesis nula H0 es verdadera, entonces µ =µ 0 y por lo tanto

X −0
S ( x)
µ~ t n−
1
n

Como la prueba es bilateral, se rechazará la hipótesis nula cuando se tenga evidencia de que la
media poblacional sea mayor que el valor postulado como cuando se tenga evidencia de que sea
menor que el valor postulado. Luego, se calculan dos valores críticos (tc1 y tc2) para la variable
pivotal o estadístico de prueba, que son los valores de la distribución t-Student con n-1
grados de libertad que dejan una probabilidad de α/2 por debajo y por encima respectivamente
: tc1 es tal que P(tn-1 < tc1) = α/2 y tc2 es tal que P(tn-1 > tc2) = α/2 .

Nota: Para tamaños grandes de muestra, esta distribución tiende a la distribución normal con
parámetros µ =0 y σ =1.

X −0 µ~ N (0,1) (n →
∞)
S ( x)
n