Métodos Estadísticos para

la Investigación
Sesión 6
Departamento de estadística:
Dra. María Vallejos
1 Meditación
2 Validación de ejercicios
asincrónica
 3 Desarrollo de la sesión

Objetivos
Al final de esta sesión, deberías poder hacer lo siguiente:
1. Estructurar problemas de toma de decisiones de ingeniería como
pruebas de hipótesis
2. Probar hipótesis sobre la media de una distribución normal mediante
un procedimiento de prueba Z o prueba t
3. Probar hipótesis sobre la varianza o desviación estándar de una
distribución normal.
4. Probar hipótesis sobre una proporción de población
5. Utilice el enfoque del valor P para tomar decisiones en las pruebas de
hipótesis.

4
 Motiva

Introducción

https://www.youtube.com/watch?v=umsIT5h6Iks&t=89s
 Explora

Hipótesis

• Una hipótesis es la predicción y expectativa del investigador

de lo que mostrarán los resultados. Las hipótesis involucran
dos o más variables y se derivan de la teoría.

(Joyner, 2013, p.137)

6
 Explora

Hipótesis estadísticas

• En muchos problemas de ingeniería es necesario decidir si se

acepta o se rechaza un enunciado acerca de algún parámetro.
• Al enunciado se le llama hipótesis y al procedimiento de tomar
la decisiones acerca de la hipótesis se llama prueba de
hipótesis
• Una hipótesis estadística es un enunciado acerca de los
parámetros de una o más poblaciones
• En las pruebas de hipótesis se empieza por hacer un supuesto
tentativo acerca del parámetro poblacional. A este supuesto
tentativo se le llama hipótesis nula (Ho) y luego se plantea la
hipótesis alternativa (H1), que contradice lo que establece Ho
 Explora

Casos de comparación de una muestra

Si se desea comparar la media de los datos experimentales con un

valor conocido, se tiene cuatro casos:
1. Se desea verificar el control de calidad en un laboratorio. Las
muestras se prueban de acuerdo con un método y se hace una
comparación para determinar si los valores medidos se ajustan a
una concentración conocida.
2. Se conoce la calidad deseada de un producto, por especificación o
requisito, y se verifica si cumple las especificaciones.
3. Un proveedor afirma proporcionar material de cierta calidad y el
comprador realiza las mediciones para ver si se cumple el reclamo.
4. Se debe tomar una decisión con respecto al cumplimiento de un
estándar regulatorio en un sitio de desechos peligrosos (ASTM,
1998).
 Explora

Tipos de hipótesis

Para probar en la población Tipos de hipótesis La hipótesis que puede ser verdadera si
general que no hay cambio, no estadísticas el nulo es rechazado, sugiere un
hay relación, no hay diferencia cambio, una relación o una diferencia

Hipótesis Hipótesis
nula alternativa
La dirección de esta predicción
será positiva o negativa, o mayor
Direccional o menor

Hay diferencia (o
No relación) entre …
direccional
Como probar una hipótesis estadística

9
 Explora

Error Tipo I y Tipo II

• Siempre que se rechaza la hipótesis nula se corre el riego de cometer un
error del tipo I (α). El analista establece el error tipo I
• Siempre que no pueda rechazarse una hipótesis nula existe el riego de
cometer al error tipo II (β). Depende del valor verdadero del parámetro y
del tamaño de la muestra.

Se acepta la Ho se rechaza la Ho

Hipótesis Decisión Error de

verdadera correcta Tipo I (α)

Hipótesis Error de Decisión

falsa Tipo II (β) correcta

10
 Explora

Potencia de la prueba

• La potencia de una prueba estadística, es la probabilidad de

rechazar la hipótesis nula Ho cuando la hipótesis alternativa
es verdadera.
• La potencia de la prueba (P-valor) es una medida muy
descriptiva y concisa de la sensibilidad de la prueba
estadística, donde la sensibilidad es la habilidad de la prueba
detectar diferencias entre la muestra y Ho. Es decir, el P-
valor mide la factibilidad de Ho, así si P-valor es
suficientemente pequeño se rechaza la Ho.
• El P-valor se calcula como 1-β para pruebas unilaterales y
2(1-β) para pruebas bilaterales. Error tipo II=β=prob(función
de prueba)
 Explora

Pasos para las pruebas de hipótesis

1.Formular dos hipótesis mutuamente excluyentes

• Hipótesis nula (Ho): que especifica valores hipotéticos para uno o
más de los parámetros poblacionales.
• Hipótesis alternativa (H1): donde se afirma que el parámetro
poblacional tiene un valor distinto al hipotético, esta se acepta
cuando se rechaza la Ho.
2.Determinar el nivel de significancia a la probabilidad de cometer un
error α tipo I pueden ser:
α = 0.01 α = 0.05 α = 0.10
3. Determinar la prueba a utilizar (Zo, to,

12
 Explora

Pasos para las pruebas de hipótesis

4. Determinar la potencia de la prueba o probabilidad de aceptar la

hipótesis nula. p-valúe ó sig.
5. Tomar la decisión de aceptar o rechazar la Ho, o nos abstenemos de
tomar la decisión de acuerdo al criterio.
La decisión de una prueba estadística está asociada al nivel de
significación (α = 0.05, 0.01)
a) Si P < α Se rechaza la hipótesis nula, es decir existe significación en la
prueba
b) Si P >= α No se puede rechazar la hipótesis nula, es decir no existe
significación en la prueba
6. Formular las conclusiones finales.

13
 Explora

Tipos de pruebas

Tipos de pruebas

Paramétricas No paramétricas

Muestreo al azar
Varianzas iguales No tiene asunciones
Distribución normal
 Explora

Analisis preliminar

Pasos
• Identifique cualquier valor fuera de rango y valores faltantes
• Decidir cómo lidiar con valores fuera de rango y valores
perdidos
• Recodifica los datos si es necesario
• Comprobación de la fiabilidad de la escala
• Obtenga el total para cada dimensión
• Imputación múltiple
• Verificar los valores atípicos y la normalidad
 Explora

Valores perdidos y valores fuera de rango

• Detección de valores faltantes y valores fuera de rango:

• Variables categóricas: tablas de frecuencias
• Variables continuas: estadísticas descriptivas y gráficos
• Corrección de valores perdidos y fuera de rango
• Verifique si los datos se ingresaron correctamente y luego
reemplace los valores correctos en los valores faltantes o
fuera de rango.
• Elimine los casos que contengan más del 10% de los
valores faltantes.
• Imputación Múltiple
 Explora

Outlier

If there are some

outlier in the data,
these should be
deleted

Andrew Ainsworth

17
 Explora

Normalidad de los datos

• Prueba univariante normal:

• Gráfico Q-Q
• Asimetría y curtosis: igual "0" normal; El valor p <.01 no
es normal.
• Prueba de Komogorov-Smirnov: valor p <.01 no normal.

18
 Explora
Distribución de datos y transformaciones
sugeridas.

Pallant (2011, pp. 93)

19
 Explora

Análisis estadístico
Pruebas de comparación Pruebas de relación
Para una muestra - Correlación de Pearson
Pruebas no paramétricas Pruebas paramétricas

- Prueba t para una muestra - Modelos de regresión

Para dos muestras
- Prueba t para muestras independientes
- Prueba t para muestras relacionadas
Para más de dos muestras
- ANOVAS, ANCOVAS, MANOVAS
Para una muestra
- Prueba de signo, Prueba binomial
Para dos muestras
- Prueba U de Mann Whitney – M. Indep.
- Prueba Wilcoxon - M. relacionadas
Para más de dos muestras
- Prueba Kruskal Wallis – M. Indep.
- Prueba Friedman - M. relacionadas
- Analisis factorial exploratorio
- Analisis factorial confirmatorio
- Analisis discriminante
- Correlación de Spearman
- Correlación de Kendall
- Prueba chi-cuadrada
- Analisis de correpondencia
- Regresión logística
 Explora

Prueba de normalidad

Ho: La información dada se ajusta a una ley de distribución normal

Ha: La información dada no se ajusta a una ley de distribución normal

Fijar el nivel de significancia (α)

las más usadas son; α = 0,05; 0,01; 0,10
Función de prueba

Uo = máx |H(x) - P(x)| (Prueba de Kolmogorov)

donde: H(x) = Frec. rel. acum. Observada
P(x) = Probabilidad de la distribución normal
 Explora

Ejemplo

Un articulo de la revista Materials Engineering (Vol. II, No. 4,

pp.275-281) describe los resultados de las pruebas por
tracción para la adhesión en 22 muestras de la aleación U-
700. Las cargas en que fallaron las muestras (en Mpa) son las
siguientes:
19.8 15.4 11.4 19.5 10.1 18.5 14.1 8.8 14.9 7.9 15.4
17.6 13.6 7.5 12.7 16.7 11.9 15.4 11.9 15.8 11.4 11.4

Probar la normalidad de la carga para la falla.

 Explora

Prueba de normalidad
H0: La variable se distribuye normalmente
H1: La variable no se distribuye normalmente
Sig = .000 < .05
Decisión: No se puede aceptar H0
Por lo tanto concluimos que la variable carga para la falla sigue una
distribución normal

En SPSS: Analizar/estadísticos descriptivos/explorar/gráficos/gráficos de normalidad

con test/continuar/ok.
23
 Explora
Prueba de hipótesis referida a la media
poblacional
Ho: µ = µo Prueba bilateral Función de prueba:

H1: µ ≠ µo a) Si la desviación estándar poblacional

es conocida o n≥30

Ho: µ ≤ µo Prueba unilateral x - µo

zo = → z( 1−α / 2 )
H1: µ > µo σ/ n
b) Si la desviación estándar poblacional
Ho: µ ≥ µo Prueba unilateral no es conocida o n<30
H1: µ < µo
x - µo
to = → t(1−α ,n −1)
s/ n
Nota: para los hallar los valores tabulados, se usa la probabilidad de 1-α/2, para las pruebas
bilaterales, y 1-α para la prueba unilateral derecha y α para la prueba unilateral izquierda
 Explora
Prueba de hipótesis referida a la varianza
poblacional
Ho: σ2 = σ2o Prueba bilateral Función de prueba:

H1: σ2 ≠ σ2o a) Para muestras grandes (n ≥ 30)

s −σo
zo = → z(1−α / 2 )
Ho: σ2 ≤ σ2 o Prueba unilateral σo
H1: σ2 > σ2o 2n

b) Para muestras pequeñas (n < 30)

Ho: σ2 ≥ σ2o Prueba unilateral
2 (n − 1) s 2
H1: σ2 < σ2o χ =
o → χ 2
(1−α / 2 , n −1)
σ o2

Nota: para los hallar los valores tabulados, se usa la probabilidad de 1-α/2, para las pruebas
bilaterales, y 1-α para la prueba unilateral derecha y α para la prueba unilateral izquierda
 Explora
Prueba de hipótesis referida a la
proporción poblacional
Ho: P = Po Prueba bilateral Función de prueba:

H1: P ≠ Po a) Para muestras grandes (n ≥ 30)

p − Po
zo = → z(1−α / 2 )
Ho: P ≤ Po Prueba unilateral Po (1 - Po )/n
H1: P > Po

b) Para muestras pequeñas (n < 30)

Ho: P ≥ Po Prueba unilateral
p − Po
H1: P < Po to = → t (1−α / 2,n −1 )
Po (1 - Po )/n

Nota: para los hallar los valores tabulados, se usa la probabilidad de 1-α/2, para las pruebas
bilaterales, y 1-α para la prueba unilateral derecha y α para la prueba unilateral izquierda
 Explora

Ejemplo 1

Estudio de caso: estudio interlaboratorio de mediciones de

concentraciones de OD. Este ejemplo se basa en un estudio de
Wilcock et al. (1981). A catorce laboratorios se les enviaron
soluciones estandarizadas que fueron preparadas para contener 1.2
mg / L de oxígeno disuelto (OD). Se les pidió que midieran la
concentración de OD utilizando el método de titulación de Winkler.
Las concentraciones, en mg / L de DO, informadas por los
laboratorios participantes fueron:
1.2, 1.4, 1.4, 1.3, 1.2, 1.35, 1.4, 2.0, 1.95, 1.1, 1.75, 1.05, 1.05, 1.4
Los laboratorios, en promedio, miden 1.2 mg / L o hay algún sesgo?
 Explora

Ejemplo 2

• Una muestra aleatoria de 36 concentraciones atmosféricas

de óxidos de nitrógeno (NOx), en mg/L, mostró un promedio
estadístico o de la muestra de X =74.0 mg/L. Suponiendo
que σ2 = 81.0 mg/L, ¿indicaría esto que un límite de
concentraciones de NOx esté arriba de 70 mg/L? Usar α =
0.05.
 Explora

Ejemplo 3

Un fabricante de medidores de CO afirma que la desviación

estándar poblacional de estos aparatos es menor que 3 ppt.
Se saca una muestra aleatoria de 10 aparatos, y la desviación
estándar muestral fue de 1.6. ¿Existe suficiente evidencia con
α = 0.05 para apoyar la contención del fabricante?
 Explora

Ejemplo 4

• Un investigador cree que más del 60% de los residentes de

una ciudad están a favor de la separación de la basura
doméstica en orgánicos e inorgánicos. En una muestra
aleatoria de 120 adultos, 75 dijeron que estaban a favor.
¿Proporcionan estos datos evidencia suficiente como para
apoyar la opinión del investigador? Use 5% de significación.
Reflexiona

1. ¿Por qué es importante

verificar el supuesto de
normalidad antes de
probar una hipótesis?

2. ¿Por qué es importante

las pruebas de hipótesis en
proyectos ambientales?
t.ly/WUUb
 Crea

Sincrónico

• Se asignan ejercicios a desarrollar individualmente en el

salón de clases. Para la validación, se elegirá al azar dos
estudiantes que presentarán el desarrollo del ejercicio a
toda la clase. Esta participación será considerada en el rubro
de evaluación sumativa

Estimación
Interválica
para la
diferencia de
medias
EJEMPLO 2-4
Evalúa

Qué aprendimos hoy:

1. ¿cuáles son los supuestos que

se deben verificar antes de
realizar una prueba de
hipótesis?
2. ¿Qué pruebas de hipótesis se
realizan con una muestra?

t.ly/WUUb
 Evalúa

Asincrónico
• Complete los ejercicios de aplicación de la sección asincrónica
• Leer el libro. García, J.E., Bachero Nebot, J. M., Escortell, A.I., López Rodriguez,
M. I., Rojo Olivas, C. y Ponce, F. R (2018). Inferencia Estadística (2a ed.).
Ibergarceta Publicaciones, S.L. Capítulo 6. Tema 6.5. Contrastes en dos
poblaciones normales
• Ver los siguientes videos
- 004 PH para dos medias B
https://www.youtube.com/watch?v=oxdhfHxi1n0
- 004 PH para dos varianzas
https://www.youtube.com/watch?v=V4rSNXx2J8s
Referencias
• Anderson, D., Sweeney, D. & Williams, T. (2008). Estadística para administración y
economía. (10ma ed.). Cengage Learning. t.ly/0aVW
• Berthouex, P. M. & Brown, L. C. (2002). Statistics for Environmental Engineers (2nd
ed.). Lewis Publishers. t.ly/JufC
• García, J.E., Bachero Nebot, J. M., Escortell, A.I., López Rodriguez, M. I., Rojo Olivas,
C. y Ponce, F. R (2018). Inferencia Estadística (2a ed.). Ibergarceta Publicaciones,
S.L. t.ly/ojRH
• Montgomery, D. C. & Ruger G. C. (2002). Applied Statistics and Probability for
Engineers (3th ed.). t.ly/3oVH
• Montgomery, D. C. y Hines, W. W. (2002). Probabilidad y estadística para ingeniería
y administración (2a ed.). Compañía Editorial Continental, S.A. DE C.V. t.ly/cc4j
• Pallant, J. (2011). SPSS Survival Manual: A step by step guide to data analysis using
SPSS. (4th ed.) Sydney, Australia: Allan & Udwin. t.ly/ZhF4
 Próxima Clase:

Prueba de hipótesis para la diferencia

de muestras y comparación de
varianzas

36