Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Integrantes:
19111083 Rivera Contreras Alejandro
Ingeniería Industrial
Estadística Inferencial I
Grupo: E
3.1 Introducción
Imagen 1
Términos Características
Confiabilidad Y Significancia 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.
3.3 Errores tipo I y tipo II
Imagen 1
Tamaño de efecto
Formulas:
Imagen 2
Ejemplo 1:
Datos:
𝐻0: 𝜋 = 0.5
𝛼 = 0.05
Solución:
Imagen 3
Ejemplo 2:
Se desea realizar un contraste en que la hipótesis nula es que una variable sigue
una distribución Poisson de parámetro 3, mientras que la alternativa es que esa
1
variable tiene por densidad la siguiente función: f(x) = 9 si x = 0, 1, … , 8. Si el
Datos:
𝐻0: 𝑃(3)
1
𝐻1: 𝑓(𝑥) =
9
x = 0, … , 8
Solución:
Imagen 4
Imagen 5
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:
Imagen 1
Tipos de Variables
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.
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.
Formulación
Imagen 2
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.
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.
Otros de los problemas con los que nos encontramos es que las expectativas de
la hipótesis distan mucho de la realidad en medios que tenemos para lograr la
comprobación de la misma. Así debemos de ser realistas a los recursos, medios
y técnicas de investigación de los que disponemos a la hora de plantear la
hipótesis.
Imagen 3
Imagen 4
Tipos de Hipótesis
CONCEPTUAL (H1):
CASUAL (H1):
CORRELACIONAL (H1):
NULA (H0):
Imagen 5
Formulas:
𝑋̅ − 𝜇
t=
𝑆
√𝑛
𝑋̅ − 𝜇
t=
𝜎𝑋̅
𝑆
𝜎𝑥 =
√𝑛
Datos:
̅ = 12.4
X
S = 2.7
n = 18
α = 5%
Solución:
Planteamiento de la hipótesis:
𝐻0 : 𝜇 = 10
𝐻1 : 𝜇 ≠ 10
α = 5%
𝑋̅ −𝜇 𝑆
𝑡= 𝜎𝑥 =
𝜎𝑋
̅ √𝑛
12.4−10 2.7
𝑡= 𝜎𝑥 =
0.63 √18
𝑡 = 3.8 𝜎𝑥 = 0.63
Problema 2:
Formulas:
𝑋̅ − 𝜇
t=
𝑆
√𝑛
𝑋̅ − 𝜇
t=
𝜎𝑋̅
𝑆
𝜎𝑥 =
√𝑛
Datos:
̅
X = 11.6
S = 2.7
n = 36
α = 1%
Planteamiento de la hipótesis:
𝐻0 : 𝜇 > 12.4
𝐻1 : 𝜇 ≤ 12.4
α = 1%
𝑋̅ −𝜇 𝑆
𝑡= 𝜎𝑥 =
𝜎𝑋
̅ √𝑛
11.6−12.4 2.7
𝑡= 𝜎𝑥 =
0. √36
𝑡 = −1.77 𝜎𝑥 = 0.45
aprender a manejar.
de la siguiente manera:
Formulas:
𝑛1 = 30
𝑆1 = $14 000
𝑛2 = 40
𝑆2 = $10 000
𝛼 = 5%
Planteamiento de la hipótesis:
α = 0.05
Imagen 1
Valores críticos de la prueba:
Imagen 2
Problema 2:
Antes de observar los resultados del ejemplo 1, un analista de sueldos
consideraba que el salario promedio de la primera empresa era mayor que en
la segunda empresa. Con el objeto de someter su suposición a una prueba
crítica, le da el beneficio de la duda a la posibilidad contraria y plantea la
hipótesis nula de que el salario promedio de la primera empresa es igual o
menor que el de la segunda. Se prueba la hipótesis, con nivel de significancia
del 1 %, de nueva cuenta sin suponer que las desviaciones estándar de las dos
poblaciones son iguales:
Formulas:
Datos:
𝑛1 = 30
𝑆1 = $14 000
𝑛2 = 40
𝑆2 = $10 000
𝛼 = 1%
Planteamiento de la hipótesis:
Imagen 3
α = 0.01
Imagen 4
Valores críticos de la prueba
Imagen 5
Formula:
𝑃−𝜋
Z=
√𝜋(1 − 𝜋)
𝑛
Datos:
𝑛 = 100
𝑃 = 0.82
𝜋 = 0.90
𝛼 = 0.01
Solución:
Planteamiento de la hipótesis:
𝐻0 : 𝜋 ≥ 0.90
𝐻1 : 𝜋 < 0.90
α = 0.01
𝜋 × 𝑛 = 100 × 0.90 = 90
𝜋(1 − 𝜋) = 100(0.1) = 10
El valor de z = -2.66
Imagen 1
Conclusión de la prueba: Esto quiere decir que menos del 90% de los clientes
recibieron sus pedidos en 10 minutos.
Problema 2:
Un artículo reciente, publicado en el diario USA today, indica que solo a uno de
cada tres egresados de una universidad les espera un puesto de trabajo. En una
investigación a 200 egresados recientes de su universidad, se encontró que 80
tenían un puesto de trabajo. Puede concluirse en el nivel de significancia 0,02,
¿que en su universidad la proporción de estudiantes que tienen trabajo es
mayor?
Formula:
𝑃−𝜋
Z=
√𝜋(1 − 𝜋)
𝑛
Datos:
𝑛 = 200
𝑃 = 0.40
𝜋 = 0.33
𝛼 = 0.02
Solución:
Planteamiento de la hipótesis:
𝐻0 : 𝜋 ≤ 0.33
𝐻1 : 𝜋 > 0.33
α = 0.02
𝜋 × 𝑛 = 200 × 0.33 = 66
El valor de z = 2.12
Imagen 2
𝐻0 : 𝑃2015 = 𝑃2000
α = 10 o 0.1
132
𝑃1 = 400 = 0.33
228
𝑃2 = = 0.38
600
132+228 360
P = 400+600 = 1000 = 0.36
𝑃𝑜 = 0.36
𝑞𝑜 = 1 − 0.36 = 0.64
228 132
𝑍𝑝 = 600 + 400 = 1.61
√ 0.36(0.64) 0.36(0.64)
+
600 400
Valores críticos de la prueba:
Imagen 1
Problema 2:
Se tienen dos protocolos (A y B) de atención al cliente que buscan reducir el
tiempo de atención. El protocolo A se aplicó a una muestra de 100 clientes y
obtuvo que el 70% redujeron su tiempo de atención al ser atendidos. En cambio,
el protocolo B (el protocolo más costoso de implementar) aplicado a una muestra
de 120 clientes obtuvo que el 80% redujeran su tiempo al ser atendidos.
Si se comprueba que el protocolo mas costoso es mas eficiente que el otro
protocolo, entonces se decidirá por implementar el protocolo mas costoso. ¿Cuál
es el protocolo que debe implementarse? Utilice un nivel de significancia del 0.01
Formula:
𝑃2 + 𝑃1
𝑍𝑒 =
1 1
√(
𝑛1 + 𝑛2 )
Datos:
𝑛1 = 100
𝑛2 = 120
𝑃1 = 70%
𝑃2 = 80%
𝛼 = 0.01
Solución:
Planteamiento de la hipótesis:
𝐻0 : 𝑃1 ≥ 𝑃2
𝐻1 : 𝑃1 < 𝑃2
α = 0.01
𝑃1 − 𝑃2 0.7 − 0.8
𝑍𝑒 = =
1 1
√𝑃(1 − 𝑃) ( + ) √0.75(1 − 0.75) ( 1 + 1 )
𝑛1 𝑛2 100 120
−0.1 −0.1
= =
√0.75(0.25)(0.01 + 0.0083) √0.1875(0.0183)
−0.1 −0.1 −0.1
= = = = −1.7071
√0.1875(0.0183) √0.00343125 0.058576872
𝐻0 : 𝜎 2 = 6.5
𝐻1 : 𝜎 2 ≠ 6.5
Nivel de significancia y Tipo de prueba:
α = 0.05
Imagen 1
𝐻0 : 𝜎 2 = 0.1
𝐻1 : 𝜎 2 < 0.1
α = 0.05
2
(𝑛 − 1)𝑆 2 (10 − 1)(0.043)2 (9)001849 (9)0.001849 0.016641
𝑋 = = = = =
𝜎2 (0.1)2 0.01 0.01 0.01
= 1.6
Valores críticos de la prueba:
Imagen 2
Formula:
𝑆12
𝐹= 2
𝑆2
Datos:
𝑛1 = 12
𝑛2 = 10
𝑆12 = 16
𝑆22 = 25
𝛼 = 0.05
Solución:
Planteamiento de la hipótesis:
𝐻0 : 𝜎12 = 𝜎22
𝐻1 : 𝜎12 ≠ 𝜎22
α = 0.05
𝑆12 16
𝐹= = = 0.64
𝑆22 25
Valor de p:
𝑝 = 2(𝑃(𝐹 ≤ 0.64))
𝑝 = 2(0.239325) = 0.479
Problema 2:
La variabilidad en la cantidad de impurezas presentes en un lote de productos
químicos, utilizada para un proceso en particular, depende del tiempo que tarda
el proceso. Un fabricante que emplea dos líneas de producción 1 y 2, hizo un
pequeño ajuste al proceso 2, con la esperanza de reducir la variabilidad, así
como la cantidad media de impurezas en los productos químicos. Muestras de
𝑛1 = 25 y 𝑛2 = 20 mediciones de dos lotes produjeron las siguientes medias y
varianzas:
Formula:
𝑆12
𝐹= 2
𝑆2
Datos:
𝑛1 = 25
𝑛2 = 20
𝑆12 = 1.04
𝑆22 = 0.51
𝑋̅1 = 3.2
𝑋̅2 = 3.0
𝛼 = 0.05
Solución:
Planteamiento de la hipótesis:
𝜎12
𝐻0 : =1
𝜎22
𝜎12
𝐻1 : >1
𝜎22
α = 0.05
Regla de decisión:
Si Fc 2.11 No se rechaza Ho
𝑆12 1.04
𝐹= = = 2.04
𝑆22 0.51
𝐹𝛼,(𝑉1,𝑉2) = 𝐹(0.95,24,19)
Valor de p:
𝑝 = 2(𝑃(𝐹 ≤ 2.04))
𝑝 = 2(2.04) = 4.08
Valores críticos de la prueba:
Imagen 2