Prueba de Hipotesis II

Prueba de hipótesis
Parte II
Cuatrimestre II 2020 Dr. Osmar Vera !1

Prueba de hipótesis para la media
poblacional µ de una 
Distribución Normal
Establecer las hipótesis estadísticas:
H0: µ=µ0 (ó ≤µ0) contra H1: µ>µ0

H0: µ=µ0 (ó ≥µ0) contra H1: µ<µ0
H0: µ=µ0 contra H1: µ≠µ0
Nivel de significación de la prueba:

P(error de tipo I )= α

Estadístico de prueba
• Que relacione el parámetro y su estimador puntual.
• Que tenga distribución conocida.
Siendo X es N(µ,σ2 ) y σ2 conocida:
Siendo X es N(µ,σ2 ) y σ2 desconocida:

Región de rechazo
Región Crítica
Para Pruebas Unilaterales Con σ2 conocida
Z1-α Zα
Región crítica o Región de Rechazo
[Z1-α ;+∞) (-∞; -Zα ]
Región de rechazo
Región Crítica
Para Pruebas Bilaterales con σ2 es conocida
-Z1-α/2 Z1-α/2
(-∞;-Z1-α/2 ] U [Z1-α/2 ;+∞)
Región de rechazo
Región Crítica
Para Pruebas Unilaterales
Con σ2 desconocida se estima por S2
tn-1;α tn-1;1-α
[tn-1;1-α ;+∞) (-∞; -tn-1;α ]
Región de rechazo
Región Crítica
Para Pruebas Bilaterales con σ2 desconocida, se
estima por S2
-tn-1;1-α/2 tn-1;1-α/2
(-∞;-tn-1;1-α/2 ] U [tn-1;1-α/2 ;+∞)
Regla de decisión
Se rechaza H0 si:
El estadístico calculado bajo H0 en la muestra cae

en la zona de rechazo o Región crítica
Caso σ conocido Caso σ desconocido

Recordemos el siguiente Ejemplo 2:
Se sabe que el tiempo de secado de cierto tipo de pintura está normalmente
distribuido con valor medio 75 min y desviación estándar 9 min. Los técnicos
propusieron un nuevo aditivo para reducir el tiempo de secado. Sea µ el tiempo de
secado promedio verdadero cuando se utiliza el aditivo. Para poner a prueba el
aditivo se miden 25 tiempos de secado, dando por resultado una media muestral
de 70.1 min. Si se considera un nivel de significación de la prueba del 5%, plantee
una prueba para el uso del aditivo y establezca la regla de decisión respecto del
promedio muestral.
Datos:
1. Definir la variable aleatoria en estudio. X: tiempo de secado
2. Plantear la hipótesis de trabajo. X~ N(µ=75,σ =9)
3. Hacer las suposiciones necesarias. n=25
4. Plantear las hipótesis, H0 y H1. α = 0.05. (x = 70.1
5. Definir el Estadístico de prueba: E.
6. Dar la distribución del Estadístico si H0 es Verdadera.
7. Establecer la región de rechazo de la prueba fijado α.
8. Calcular el Estadístico Observado y decidir.
9. Interpretar el resultado.
Cuatrimestre I 2020 Dr. Osmar Vera !9

1. Definir la variable aleatoria en estudio.
X: Tiempo de secado de una pintura.
2. Plantear la hipótesis de trabajo:
Se desea poner a prueba que el nuevo aditivo disminuirá el
tiempo de secado.
3. Hacer las suposiciones necesarias.
X ~ N (µ=75 min,σ=9 min)
4. Plantear las hipótesis, H0 y H1.

H0: µ=75 min H1: µ<75 min
5. Definir el Estadístico de prueba: E.
6. Dar la distribución del Estadístico si H0 es Verdadera.

E~ N(0,1)
7. Establecer la región de rechazo de la prueba fijado α .
8. Calcular el Estadístico Observado y decidir.
9. Interpretar el resultado.
Región de Rechazo para nivel de significación α = 0.05
Respecto de Z
Zona de Rechazare H0 si resulta muy
Rechazo de H0 chico!
α = 0.05
µ=0
Rechazo H0!!
Con un nivel de significación del 5% existe suficiente evidencia muestral
para considerar que el aditivo va a disminuir el tiempo de secado de la
pintura.

Región de Rechazo para nivel de significación α = 0.05
Respecto de
Zona de Rechazare H0 si resulta muy
Rechazo de H0 chico!
α = 0.05
µ=75
Como Rechazo H0!!

PROBABILIDAD ERROR TIPO II
Calculemos el valor de β(72), es decir: β(72) =
= P(error tipo II, cuando μ = 72) = P(H0 no es rechazada cuando es falta porque μ = 72)
= P(X > 75 − 1.64 ⋅ 1.8, μ = 72) = P(X > 72.048, μ = 72) =
X − 72 72.048 − 72
= P( > ) = P(Z > 0.026) = 0.49
1.8 1.8
β(72) = 0.49
72.048 − 70.08
β(70.8) = 1 − ϕ( ) = 1 − ϕ(1.09) = 0.137
1.8
72.048 − 70
β(70) = 1 − ϕ( ) = 0.124
1.8
72.048 − 67
β(67) = 1 − ϕ( ) = 0.0025
1.8

CALCULO DEL TAMAÑO DE LA MUESTRA
Consideremos dos restricciones P(error tipo I ) = α y β(μ′) = β para α, μ′ y β especificadas.
Entonces para una prueba de cola inferior, el tamaño de la muestra n deberá ser elegido de forma
tal que satisfaga la siguiente igualdad:
β = β(μ′) = P(error tipo II, cuando μ = μ′) = P(H0 no es rechazada cuando es falsa porque μ = μ′)
X − μ′ (μ0 − μ′) zα ⋅ σ/ n
β = P(X > μ0 − zα ⋅ σ/ n, cuando μ = μ′) = P( > − )
σ/ n σ/ n σ/ n
μ0 − μ′
β = P(Z > − zα + ) la única incógnita de esta igualdad es n .
σ/ n
Si para el test anterior, H0: µ=75 ; H1: µ<75 se tiene α = 0.05, β = 0.60 y , μ′ = 72, se
tiene que n es tal que:
75 − 72 75 − 72
0.60 = P(Z > − z0.05 + ) ⟹ −1.64 + = − 0.25 ⟹ n = 18
9/ n 9/ n

Una empresa desea iniciar una campaña de ventas de aparatos de TV. Se considera
que la decisión de comenzar la campaña debe estar relacionada con los ingresos
medios mensuales por familia, de modo que será afirmativa si estos son iguales o
superiores a $5000 y negativa cuando los ingresos no lleguen a esa suma. Suponer el
desvío poblacional de $200 y que se extrae una muestra de 100 familias, dando un
promedio de ingresos mensuales de $4980. Decidir si se comienza la campaña de
venta de aparatos de TV, con un nivel de significación del 5% . Hallar el p – valor.
Calcular la probabilidad de cometer error de Tipo II cuando la verdadera media es
igual a 4970. Hallar el tamaño de la muestra, si se quiere que en las condiciones
anteriores, la probabilidad de error Tipo II sea del 53%.

Prueba de hipótesis para la Varianza
poblacional σ2 de una 
Distribución Normal con µ desconocida
Supongamos que un investigador quiere

probar que la variabilidad de un
proceso ha cambiado

Como conocemos los pasos de este procedimiento
Hipótesis de trabajo
Hipótesis estadísticas
Nivel de significación de la prueba
Zona de rechazo o región crítica
Regla de decisión
Conclusión

Hipótesis estadísticas

P(Error de tipo I) = α

Recordemos una propiedad importante de una
variable aleatoria con distribución Normal:
Si llamamos U a la variable aleatoria que tiene

distribución chi-cuadrado:

Veamos si cumple las caracteristicas para poder
ser un ESTADISTICO DE PRUEBA
Tiene distribución conocida? SI
Relaciona parámetro y estimador puntual?

SI

Región de rechazo: Como siempre la forma de la
zona de rechazo depende de la hipótesis alternativa.
En este caso, estará dada por
Región de rechazo
(-∞; ]
Se rechazará H0 si:

Región de rechazo
( ;+∞]
Se rechazará H0 si:

Región de rechazo
(-∞; ]U[ ;+∞)
Se rechazará
H0 si:
Trabajo Practico 7, ejercicio 10. A veces los productos radioactivos de
desecho industrial van a dar a fuentes de agua que se utilizan para el
consumo de la población. Por eso las agencias estatales de salud vigilan en
forma periódica las fuentes naturales de agua mediante la toma y el análisis
de muestras de agua. La ley establece que la cantidad promedio de
radiación en el agua para beber no debe exceder el valor de 4 picocuries
por litro de agua. Se toma una muestra de tamaño 16 de una fuente
natural en una zona poblada y se obtiene una media muestral de 4.2 y un
desvío muestral de 1.2 picocuries por litro de agua. Suponiendo que la
cantidad de radiación por litro de agua se puede considerar normalmente
distribuida.
a.Existe evidencia significativa para un nivel de significación de 10 % para
suponer que la radiación en el agua de la zona no cumple la ley? Plantee el
teste adecuado, indique la decisión para el nivel pedido y acote el p-valor.
b.¿Existe razón para creer que la varianza en la cantidad de radiación en la
fuente de agua es mayor que 1.25 picocuries cuadrados, para un nivel del 5
%? Plantee el test indicado, la decisión y acote el p-valor

Hipótesis de trabajo: La varianza en la
cantidad de radiación en la fuente de agua
es mayor que 1.25?
Hipótesis estadísticas:
H0: σ2=1.25 pic2 contra H1: σ2>1.25 pic2

α = 0.05

Zona de rechazo o región crítica
α = 0.05
=24.996
Zona de rechazo o
región crítica = [24.996;+∞)

Regla de decisión: cálculo del estadístico Bajo H0
Zona de rechazo o
región crítica = [24.996;+∞)
Decisión:
17.28
NO SE RECHAZA H0
H0: σ2=1.25 pic2
24.996
P-valor=P(χ215>17.28) => 0.25<p-valor<0.5
Con R: > pchisq(c(17.28), df=15, lower.tail=FALSE)
[1] 0.3024034
Conclusión:
Con un nivel de significación del 5% no existe

suficiente evidencia muestral para rechazar la
Hipótesis Nula. Por lo tanto, la variabilidad en
la cantidad de radiación en la fuente, no es
mayor que 1.25 pic2
Esto es que a nivel poblacional la variabilidad

de la radiación es 1.25 pic2

Prueba de hipótesis para la Media
poblacional µ de una 
Población con distribución desconocida

Recordemos el Teorema Central del Límite
Sean X1, X2, ..., Xn vaiid tales que E(Xi) = µ y V (Xi) = σ2
(finita), cualquiera sea la distribución de Xi, si n es
suficientemente grande, se cumple que,
tiene una distribución APROXIMADAMENTE NORMAL con
parámetros:
Aproximadamente Normal

Prueba de hipótesis para la media
poblacional µ cuando se desconoce la
distribución de los datos
Establecer las hipótesis estadísticas:
H0: µ=µ0 (ó ≤µ0) contra H1: µ>µ0

H0: µ=µ0 (ó ≥µ0) contra H1: µ<µ0
H0: µ=µ0 contra H1: µ≠µ0
Nivel de significación de la prueba:

Probabilidad de cometer error de tipo I = α

Para valores de n>30,con σ2 conocida:
Además, si σ2 es desconocida:

Entonces se construyen los siguientes test de
nivel aproximado α $
ó Asintótico de nivel $α
H0: µ=µ0 ; H1: µ>µ0 , rechazamos H0 si Wobs ≥ Zα
H0: µ=µ0 ; H1: µ<µ0 , rechazamos H0 si Wobs < -Zα
H0: µ=µ0 ; H1: µ≠µ0 ,

rechazamos H0 si Wobs ≥ Zα/2 ó Wobs < - Zα/2

Ejemplo:
Un procedimiento para producir cemento tiene una resistencia
media a la compresión de 5000 kg/cm2. Se pone a prueba un
nuevo procedimiento para producir cemento que se supone
disminuirá la resistencia a la compresión. Plantear la hipótesis
del problema. Una muestra de 50 probetas de hormigón a las
que se sometió al ensayo y resultó una media de 4970 y un
desvió estandar de 120 kg/cm2. ¿Existe evidencia muestral
para concluir que el nuevo procedimiento disminuirá la
resistencia a la compresión? Considerar un nivel de
significación del 5% Datos
n = 50
=4970 kg/cm2
S= 120 kg/cm2

Hipótesis del problema
H0: µ = 5000 H1: µ < 5000
Para valores de n>30, con σ2 desconocida:
Región crítica
Región de Rechazo (-∞;-1.64]
Zα =Z 0.05=-1.64
Decisión:
P-valor=P(Z<-1.7677) =0.0384 SE RECHAZA H0
P-valor=P(Z<-1.7677) =0.0384<5%
Si α = 1% = 0.01???
Conclusión:
Con un nivel de significación aproximado

del 5%, existe suficiente evidencia para
rechazar la Hipótesis Nula (H0: µ=5000). Por
lo tanto, se puede afirmar que con el nuevo
procedimiento la resistencia media a la
compresión del cemento será menor a 5000
kg/cm2.
Prueba de hipótesis para el parámetro p
poblacional 
de la distribución binomial

Corolario del Teorema Central del Límite
Teorema Central del Límite De-Moivre Laplace
Si n es suficientemente grande por el TCL,

Un test de nivel aproximado α para las hipótesis:
H0: p = p0 contra H1: p > p0
H0: p = p0 contra H1: p < p0
H0: p = p0 contra H1: p ≠ p0
Puede construirse a partir del estadístico, el cual,

suponiendo cierta H0, tiende en distribución a la
normal estándar.

Ejemplo
La proporción de alumnos que recursan alguna de las
materias del CBC es de aproximadamente 35%. Se ha
implementado una nueva estrategia de apoyo y se
cree que es probable que esta proporción haya
disminuido.
Para contrastar esta hipótesis se ha tomado una
muestra aleatoria de 500 alumnos entre los que han
tenido oportunidad de aprovechar la nueva estrategia
y se ha encontrado que 160 han recursado alguna de
las materias.
Considera que hay evidencia de la efectividad del
método utilizando un nivel de significación del 0,05.

Datos del problema
X:numero de alumnos que recursan CBC
La proporción poblacional de alumnos que recursan
alguna de las materias del CBC es de
aproximadamente 35%.
X~B(n,p=0.35)
Muestra de 500 alumnos con nueva estrategia

n=500
Cantidad de alumnos en la muestra, que
recursaron= 160. Entonces
Nivel de significación del α = 0,05.

H0: p = 0,35 contra H1: p < 0,35
Se construye el test de la misma forma que los
tests de nivel exacto, con distribucion Normal.
Pero en este caso el test es ASINTOTICO O DE

NIVEL APROXIMADO α $ .
Estadístico de la prueba, de contraste o

pivotal:

Región crítica o Región de Rechazo:
(-∞; -1.65 ]
La que corresponde a la H1: p<0.35
Z0.05=-1.65
Decisión:
No rechazo H0
P-valor=P(Z<-1.406) =0.0808 ; 8%>5%

Conclusión:
Con un nivel de significación aproximado del

5%, NO existe suficiente evidencia para
rechazar la Hipótesis Nula (H0: p=0.35). Por
lo tanto, NO se puede afirmar que el nuevo
método utilizado para mejorar el porcentaje
de recursantes en el CBC, sea efectivo a nivel
poblacional.

Test de Shapiro Wilks
Para hacer al final del TP de Descriptiva
En muchas ocasiones es imposible sostener el

supuesto de normalidad para una determinada
muestra aleatoria X1, X2, ..., Xn
En este contexto, se utilizan otro tipo de tests

llamados tests de bondad de ajuste que comparan la
distribución empírica con una distribución teórica, en
particular es de interés la comparación con la
distribución normal. Uno de ellos es el test de
Shapiro Wilks, en el que se plantea:
Test de Shapiro Wilks
H0: X ~ N (µ , σ2)
H1: X no tiene distribución normal con parámetros µ y σ2
En R para el ejemplo 08.08 >: Estadisticos – resumenes
– test de Normalidad de Shapiro - Wilks
> data(xmp08.08)
> shapiro.test(xmp08.08$DCP)
Shapiro-Wilk normality test
data: xmp08.08$DCP
W = 0.8901, p-value = 0.0001731
Como el p-valor (0.0001731) es menor que 0.05,

SE RECHAZA LA H0 => X no es N (µ , σ2)
H0: X ~ N (µ , σ2)
H1: X no tiene distribución normal con parámetros µ y σ2
En R para el Ejercicio 01.24 >: Estadisticos –
resumenes – test de Normalidad de Shapiro - Wilks
> data(ex01.24)
> shapiro.test(ex01.24$ShearStr)
Shapiro-Wilk normality test
data: ex01.24$ShearStr
W = 0.9935, p-value = 0.9158
Como el p-valor (0.9158) es mayor que 0.05,

NO SE RECHAZA LA H0 => X ~ N (µ , σ2)
Similitud entre Intervalos de Confianza
y Test Bilaterales

Una prueba de hipótesis bilateral está relacionada
con una estimación estadística por intervalos de
confianza.
Podemos aproximar el procedimiento de prueba

de hipótesis construyendo primero el intervalo de
confianza de nivel (1-α)%

En una planta química industrial se registra diariamente la producción. En
los últimos 20 días se obtuvo una media muestral de 871 toneladas y un
desvío muestral de 12 toneladas. El fabricante afirma que la producción
promedio no es más la obtenida en los últimos años, de 880 toneladas.
Tomar α=0.05 y suponer normalidad.
H0:µ=880 H1:µ≠880
Datos:
X: producción diaria en una planta
X~ N(µ=880,σ2)
n=20
α = 0.05
-tα/2; 19 tα/2;19
Región de Rechazo=(-∞;-tα/2;19 ]U[tα/2;19 ;+∞)
H0:µ=880 H1:µ≠880
Datos:
X: producción diaria en una planta
X~ N(µ=880,σ2 =2480)
n=20
α = 0.05
-tα/2; 19 = -2.093 tα/2;19=2.093
Región de Rechazo=(-∞;-2.093]U[2.093;+∞)
Rechazo H0!!
P- valor = 2*P(t19<-3.358) = 2*0.001 = 0.002

Como α = 0.05 > p – valor, entonces RECHAZO H0
Intervalo de Confianza del 95% para µ
H0: µ=880
µ0
H1: µ≠880 No Pertenece al IC
SE RECHAZA H0

Rechazamos H0
No rechazamos H0
µ0
µ0 1-α
H0: µ = µ0 contra H1: µ ‡ µ0


Prueba de Hipotesis II

Cargado por

Información del documento

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

Prueba de Hipotesis II

Cargado por

Copyright:

Formatos disponibles

Prueba de hipótesis

Cuatrimestre II 2020 Dr. Osmar Vera !1

H0: µ=µ0 (ó ≤µ0) contra H1: µ>µ0

Nivel de significación de la prueba:

Cuatrimestre II 2020 Dr. Osmar Vera !2

• Que tenga distribución conocida.

Siendo X es N(µ,σ2 ) y σ2 conocida:

Siendo X es N(µ,σ2 ) y σ2 desconocida:

Cuatrimestre II 2020 Dr. Osmar Vera !3

El estadístico calculado bajo H0 en la muestra cae

Caso σ conocido Caso σ desconocido

Cuatrimestre II 2020 Dr. Osmar Vera !8

Cuatrimestre I 2020 Dr. Osmar Vera !9

4. Plantear las hipótesis, H0 y H1.

6. Dar la distribución del Estadístico si H0 es Verdadera.

Cuatrimestre I 2020 Dr. Osmar Vera !11

Como Rechazo H0!!

Cuatrimestre I 2020 Dr. Osmar Vera !12

Cuatrimestre I 2020 Dr. Osmar Vera !13

β = β(μ′) = P(error tipo II, cuando μ = μ′) = P(H0 no es rechazada cuando es falsa porque μ = μ′)

Cuatrimestre I 2020 Dr. Osmar Vera !14

Cuatrimestre I 2020 Dr. Osmar Vera !15

Supongamos que un investigador quiere

Cuatrimestre II 2020 Dr. Osmar Vera !16

Cuatrimestre II 2020 Dr. Osmar Vera !17

Nivel de significación de la prueba

Cuatrimestre II 2020 Dr. Osmar Vera !18

Si llamamos U a la variable aleatoria que tiene

Cuatrimestre II 2020 Dr. Osmar Vera !19

Tiene distribución conocida? SI

Relaciona parámetro y estimador puntual?

Cuatrimestre II 2020 Dr. Osmar Vera !20

Cuatrimestre II 2020 Dr. Osmar Vera !21

Cuatrimestre II 2020 Dr. Osmar Vera !22

Cuatrimestre II 2020 Dr. Osmar Vera !24

Nivel de significación de la prueba

Cuatrimestre II 2020 Dr. Osmar Vera !25

Cuatrimestre II 2020 Dr. Osmar Vera !26

H0: σ2=1.25 pic2

Con un nivel de significación del 5% no existe

Esto es que a nivel poblacional la variabilidad

Cuatrimestre II 2020 Dr. Osmar Vera !28

Cuatrimestre II 2020 Dr. Osmar Vera !29

Cuatrimestre II 2020 Dr. Osmar Vera !30

H0: µ=µ0 (ó ≤µ0) contra H1: µ>µ0

Nivel de significación de la prueba:

Cuatrimestre II 2020 Dr. Osmar Vera !31

Para valores de n>30,con σ2 conocida:

Cuatrimestre II 2020 Dr. Osmar Vera !32

H0: µ=µ0 ; H1: µ>µ0 , rechazamos H0 si Wobs ≥ Zα

H0: µ=µ0 ; H1: µ<µ0 , rechazamos H0 si Wobs < -Zα

H0: µ=µ0 ; H1: µ≠µ0 ,

Cuatrimestre II 2020 Dr. Osmar Vera !33

Cuatrimestre II 2020 Dr. Osmar Vera !34

Con un nivel de significación aproximado

Cuatrimestre II 2020 Dr. Osmar Vera !37

Si n es suficientemente grande por el TCL,

Cuatrimestre II 2020 Dr. Osmar Vera !38

Puede construirse a partir del estadístico, el cual,

Cuatrimestre II 2020 Dr. Osmar Vera !40

Cuatrimestre II 2020 Dr. Osmar Vera !41

Muestra de 500 alumnos con nueva estrategia

Nivel de significación del α = 0,05.

Pero en este caso el test es ASINTOTICO O DE

P- valor = 2P(t19<-3.358) = 20.001 = 0.002