Prueba de Hipotesis Rivera Contreras Alejandro PDF

TECNOLÓGICO NACIONAL DE MÉXICO
INSTITUTO TECNOLÓGICO DE CIUDAD JUÁREZ
Elemento de Competencia 3: Pruebas de Hipótesis
Integrantes:
19111083 Rivera Contreras Alejandro
Ingeniería Industrial
Estadística Inferencial I
Grupo: E
Hora: 11:00 – 12:00
José García Sánchez
Ciudad Juárez, Chihuahua, 3 de noviembre del 2020

Elemento de Competencia 3: Pruebas de Hipótesis
3.1 Introducción
Utilidad e importancia de las pruebas de hipótesis en ingeniería industrial
El propósito del análisis estadístico es reducir el nivel de incertidumbre en el

proceso de toma de decisiones. Los gerentes pueden tomar mejores decisiones
solo si tienen suficiente información a su disposición. La prueba de hipótesis es
una herramienta analítica muy efectiva para obtener esta valiosa información.
La experiencia sobre el comportamiento de algún índice de un proceso, o la

exigencia del cumplimiento de alguna norma nos lleva a realizar proposiciones
sobre el valor de algún parámetro estadístico.
Estas proposiciones se deben contrastar con la realidad (mediante el muestreo

de datos) para tomar una decisión entre aceptar o rechazar la proposición. Estas
proposiciones se denominan Hipótesis y el procedimiento para decidir si se
aceptan o se rechazan se denomina Prueba de Hipótesis
Una prueba de hipótesis es una herramienta de análisis de datos que puede en

general formar parte de un experimento comparativo más completo. También
una hipótesis Estadística es una proposición sobre los parámetros de una
población o sobre la distribución de probabilidad de una variable aleatoria
Las investigaciones son diseñadas para responder a múltiples preguntas; sin

embargo, en el presente capítulo nos concentraremos en una de las preguntas
más simples: ¿existe una diferencia estadísticamente significativa entre un
estimador y el parámetro de la población o entre dos estimadores? Para
responder a esta pregunta recurrimos a la prueba de hipótesis o contrastes.
Al someter a prueba una hipótesis determinamos si dos valores numéricos

obtenidos de un diseño estadísticamente válido son diferentes a un nivel de
significancia dado. Por ejemplo, podemos preguntarnos ¿es la precipitación
media anual en Cartago diferente a la precipitación media de Liberia para el
periodo 1950-1980? o ¿es el tratamiento pregermínatelo “A” superior al “B”? En
estos casos, el objetivo del estudio es estimar las diferencias y su error, para
luego determinar si existe una diferencial estadística entre las variables medidas.
Con frecuencia a este tipo de estudios se les denomina comparativo ya que
involucran sólo dos grupos experimentales.
En el presente capítulo se trata el tema de prueba de significancia, prueba de

hipótesis o contrastes y se retoma del tema de intervalo de confianza y nivel de
significancia. Estos conceptos se utilizarán en los siguientes capítulos para
analizar datos provenientes de diseños más complejos.
A continuación, se presentan los supuestos y procedimientos estadísticos

utilizados para comparar una media con un estándar o norma, dos medias
independientes y dos medias dependientes. A lo largo del capítulo usted se
familiarizará con términos como distribución de referencia, distribución de
probabilidad, prueba de significancia, distribución de t, normal y F.
Imagen 1
Clasificación de variables aleatorias
Variable aleatoria: Es una variable que toma valores numéricos determinados

por el resultado de un experimento aleatorio.
Variable aleatoria discreta: Es una variable que toma un numero finito n un

infinito contable de valores, es decir números enteros positivos incluyendo el 0.
Variable aleatoria continua: Es una variable que toma un numero finito no

contable de valores, es decir los números reales.
Imagen 2
Definición de variables aleatorias discretas
Es una variable que toma un numero finito n un infinito contable de valores, es

decir números enteros positivos incluyendo el 0.
3.2 Confiabilidad Y Significancia
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
Términos ¿En qué Consiste?

Error 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.
Error 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 esta
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.
3.4 Potencia de la prueba
La potencia de una prueba estadística se calcula como 1 − 𝛽 y se entiende 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 efecto. 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.
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.
Imagen 1
El tamaño muestral necesario para obtener un mismo valor de potencia de una

prueba estadística está negativamente relacionado con el tamaño de efecto que
queramos detectar. De este modo, para detectar diferencias significativas entre
las medidas de dos grupos usando la prueba de la t de Student, el tamaño
muestral necesario será muy elevado para un tamaño de efecto pequeño (0,20,
línea continua), intermedio para tamaño de efecto intermedios (0,50, línea
discontinua), o bajo para detectar tamaños de efecto grandes (0,80, línea de
puntos). Del mismo modo para obtener mayores potencias es necesario
aumentar el tamaño muestral de nuestros estudios.
Tamaño de efecto
El tamaño de efecto es la diferencia entre la hipótesis nula y la hipótesis

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. Lebratón. 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.
Formulas:
Imagen 2
Ejemplo 1:
Supongamos que la probabilidad verdadera de ocurrencia de "cara" es igual a

0.8. Tenemos:
Datos:
𝐻0: 𝜋 = 0.5
𝐻1: 𝜋 <> 0.5
𝛼 = 0.05
𝑅𝑒𝑔𝑖𝑜𝑛 𝑑𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑜: 0, 1, 9 𝑜 10 caras
Solución:
La probabilidad de ocurrencia de los valores de la región de rechazo bajo el

supuesto de que la Hipótesis Alternativa sea verdadera es igual a 0.38 (ver
columna verde en la siguiente tabla. 0.38 es igual a la suma de las probabilidades
de ocurrencia de 0, 1, 9 o 10 caras)
Imagen 3
En consecuencia, la probabilidad de rechazar 𝐻0 bajo el supuesto que 𝐻1 sea

verdadera es igual a 038. Si la Hipótesis Alternativa 𝑝 = 0.9 fuera verdadera 1 −
𝛽 sería igual a 0.74 puedes comprobarlo clicando en la imagen de la tabla e
introduciendo 0.9 en la casilla verde de 𝑝(𝑥). Puedes ver que la potencia de la
prueba es mayor a medida que la verdadera distribución muestral se aleja de la
distribución muestral definida en la Hipótesis Nula.
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
criterio de decisión consiste en aceptar la hipótesis alternativa si, al tomar

dos valores muestrales, en condiciones independientes, los dos valores son
iguales o mayores a 6 unidades, se pide el error tipo I y la potencia.
Datos:
𝐻0: 𝑃(3)
1
𝐻1: 𝑓(𝑥) =
9
x = 0, … , 8
Solución:
Imagen 4
Imagen 5
Observemos que lo importante aquí, de nuevo, es saber delimitar cuál es la zona

crítica W, la zona que se usará como criterio de decisión. Para el cálculo tanto
del error de tipo I como de la potencia debemos calcular el área de esa zona
crítica si es cierta la hipótesis nula (para el cálculo del error de tipo I) y si es cierta
la hipótesis alternativa (para el cálculo de la potencia).
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.
Imagen 1
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.
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.
Variables 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.
Una de los primeros pasos a realizar es delimitar el problema que queremos

investigar. Para ello debemos de tener en cuenta todas las variables del
fenómeno que queremos estudiar.
Formulación
Imagen 2
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).
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
¿Es mi hipótesis admisible? Esa es la pregunta que siempre nos realizamos al

acabar de plantear la hipótesis. Dudar en este caso es lo habitual y es un acto
positivo para el proceso de investigación. Por ello debemos de plantearnos
ciertas preguntas sobre la hipótesis a la que hemos llegado.
• ¿Son mis variables las adecuadas? Hemos de reflexionar sobre si

existen mejores variables que lleven a una mejor definición de la hipótesis
o si las variables dependiente e independiente están correctamente
ubicadas en el enunciado.
• ¿Son los enlaces entre variables correctos? Los enlaces pueden
cambiar el sentido de la hipótesis o definirla hacia el camino concreto
donde queremos llegar.
• ¿Debo cambiar las variables por otras que definan más el objeto de
estudio?
• ¿Realmente mi hipótesis y mi hipótesis nula tienen sentido? Puede
que tus hipótesis sean poco admisibles, debemos sentar siempre la
hipótesis más admisible que tengamos y que creamos con más opciones
de validarse.
Para lograr una buena hipótesis deberíamos partir de datos observados y

comprobados analíticamente. Para comprobarlo hemos de fijarnos en:
• Las variables son consecuencias lógicas. Parten de datos observados y

cuya experimentación ha ofrecido resultados comunes. Esto ayudará a
que las hipótesis planteadas tengan una mayor probabilidad de ser
validadas.
• Las predicciones que plantean nuestras hipótesis han de ser posibles,
han de partir de datos obtenidos y técnicas de verificación al alcance de
nuestras manos.
• La verificación de las hipótesis supondrá testar las predicciones a:
➢ Los experimentos necesarios
➢ Procedimientos de medición e instrumentos utilizables
➢ Hay que medir lo medible
➢ Crear escalas validadas para medir aquello que aún no lo es.
Elaboración de una hipótesis
A la hora de elaborar una hipótesis debemos de tener en cuenta los siguientes

ítems:
Imagen 4
Tipos de Hipótesis
CONCEPTUAL (H1):
• Se formula en base al marco teórico aplicado al problema de

investigación.
• Debe de explicar el fenómeno estudiado.
• Focaliza el problema como base para la búsqueda de datos que
corroboren o refunden la hipótesis.
• Debe de ser acorde con los objetivos propuestos.
• Debe enunciar:
• Una relación causal.
• Debe implicar variaciones en el marco teórico.
ESTADÍSTICA (H1):
• Se expresa en función de los parámetros estadísticos, aceptando o

negando una alternativa lógica. Se busca un número mayor de fenómenos
o de población, para que su significado sea mayor.
• Condiciones de la hipótesis estadística:
o Gran masa de elementos.
o Independencia de ellos entre sí.
o Establecimiento de una relación de causalidad.
CASUAL (H1):
• Cuando una variable produce un efecto determinado sobre otra variable.

o Variable independiente: Causa efecto sobre otra variable.
o Variable dependiente: sobre la que otra produce el efecto.
• La modificación de la variable independiente produce un cambio en el
parámetro (probabilidad, magnitud o frecuencia) en la dependiente.
• Cuando se pretende controlar una H causal, se deben modificar los
valores de la primera variable (Variable independiente), registrando así
los cambios que se producen en la variable dependiente.
CORRELACIONAL (H1):
• Comprueba dos conjuntos de características para examinar si existe o no

una correlación entre dos variables.
• Cuando las variaciones de una variable se relacionan de algún modo con
las variaciones de otra.
• Sirve para evaluar la relación entre variables (puede ser múltiple)
• No es necesario saber cómo se relacionan las variables.
• En determinadas condiciones se busca ver cómo se comportan las
variables de objeto de estudio.
NULA (H0):
• Se establece en investigaciones que estudian dos o más grupos.

Establece que no existen diferencias significativas entre los grupos
(Contraria la H1). Se trata por tanto de una hipótesis de comprobación
directa: si no H1, entonces H0.
ALTERNATIVA (HA):
• Es una hipótesis diferente que también explicaría el fenómeno de estudio

con otras variables.
• Debe incluir variables independientes diferentes a las que aparecen en la
hipótesis de trabajo.
• Debe ser una respuesta alternativa al problema de investigación, con
otras variables y condicionamientos a comprobar.
Imagen 5
3.6 Prueba de hipótesis para la media

Problema 1:
Un documental de televisión acerca de la alimentación excesiva afirmaba que
los habitantes de un poblado tienen un sobre peso aproximado de 10 lb. en
promedio. Para probar esta afirmación se examinó a 18 individuos elegidos
aleatoriamente, y se encontró que sus sobre peso es de 12.4 lb. Con una
desviación estándar de muestra 2.7 lb; a un nivel de significancia de 0.05, hay
alguna razón para dudar de la validez del valor afirmado de 10 lb.
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
Nivel de significancia y Tipo de prueba:
α = 5%
Tipo de prueba: Prueba de dos extremos
Selección del estadístico de prueba:
𝑋̅ −𝜇 𝑆
𝑡= 𝜎𝑥 =
𝜎𝑋
̅ √𝑛
12.4−10 2.7
𝑡= 𝜎𝑥 =
0.63 √18
𝑡 = 3.8 𝜎𝑥 = 0.63
Valores críticos de la prueba:

Imagen 1
Toma de decisión: Se acepta 𝐻0
Conclusión de la prueba: Hay evidencia de que la afirmación del documental

televisivo no es cierta, ya que su aseveración no es válida
Problema 2:
Una cadena regional de tiendas de abarrotes ha instalado cajas automáticas

computarizadas para reducir la espera del usuario, así como también para
ayudar en el control de inventarios. Los 36 empleados entrenados en las nuevas
máquinas promediaron 12.4 intentos antes de lograr una transacción libre de
errores. La larga experiencia con cajeros entrenados para manejar las antiguas
cajas registradoras mostraba un promedio de 11.6 intentos antes de lograr una
operación perfecta, con una desviación estándar de 2.7 intentos. Con un nivel de
significancia de 0.01 Debería la cadena concluir que las nuevas registradoras
computarizadas son más difíciles de aprender a manejar?
Formulas:
𝑋̅ − 𝜇
t=
𝑆
√𝑛
𝑋̅ − 𝜇
t=
𝜎𝑋̅
𝑆
𝜎𝑥 =
√𝑛
Datos:
̅
X = 11.6
S = 2.7
n = 36
α = 1%
𝐻0 : 𝜇 > 12.4
𝐻1 : 𝜇 ≤ 12.4
α = 1%
Tipo de prueba: Prueba de extremo izquierdo
𝑋̅ −𝜇 𝑆
𝑡= 𝜎𝑥 =
𝜎𝑋
̅ √𝑛
11.6−12.4 2.7
𝑡= 𝜎𝑥 =
0. √36
𝑡 = −1.77 𝜎𝑥 = 0.45
𝑍𝑐 → 𝑓(𝛼) → 𝑍𝑐 (𝛼 = 1%) Extremo Izquierdo

Imagen 2
Conclusión de la prueba: Hay evidencias de que la cadena debería
concluir que las nuevas registradoras computarizadas son más difíciles de
aprender a manejar.
3.7 Prueba de hipótesis para la diferencia de medias

Problema 1:
El salario promedio mensual para una muestra de 𝑛1 = 30 empleados de una
empresa manufacturera grande 𝑋̅1 = $280000, con desviación estándar muestral
de 𝑆1 = $14000. En otra empresa grande, una muestra aleatoria de 𝑛2 = 40
empleados tienen un salario promedio de 𝑋̅2 = $270000, con una desviación
estándar muestral de 𝑆2 = $10000. No se supone que las desviaciones estándar
de las dos poblaciones de salarios sean iguales. Se prueba la hipótesis de que
no existe diferencia entre los salarios promedio mensuales de las dos empresas,
utilizando un nivel de significancia del 5%,
de la siguiente manera:
Formulas:
(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )0

Z=
𝜎𝑋̅1 −𝑋̅2
(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )0

Z=
𝑆𝑋̅1−𝑋̅2
Datos:
𝑛1 = 30
𝑋̅1 = $280 000
𝑆1 = $14 000
𝑛2 = 40
𝑋̅2 = $270 000
𝑆2 = $10 000
𝛼 = 5%
𝐻0 : (𝜇1 − 𝜇2 ) = 0 𝑜, 𝑑𝑒 𝑚𝑎𝑛𝑒𝑟𝑎 𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒 𝜇1 = 𝜇2
𝐻1 : (𝜇1 − 𝜇2 ) ≠ 0 𝑜, 𝑑𝑒 𝑚𝑎𝑛𝑒𝑟𝑎 𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒 𝜇1 ≠ 𝜇2
α = 0.05
Tipo de prueba: Prueba bilateral de dos extremos
Imagen 1
Imagen 2
Toma de decisión: Se rechaza 𝐻0 y se acepta la hipótesis alternativa
Conclusión de la prueba: El valor calculado de z, +3.32, se encuentra en la

región de rechazo de la hipótesis, tal como puede observarse en el modelo que
se ilustra en la figura 11-1. Por ello, se rechaza la hipótesis nula, y se acepta la
hipótesis alternativa de que el salario promedio mensual de las dos empresas es
diferente.
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:
(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )0

Z=
𝜎𝑋̅1 −𝑋̅2
(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )0

Z=
𝑆𝑋̅1−𝑋̅2
Datos:
𝑛1 = 30
𝑋̅1 = $280 000
𝑆1 = $14 000
𝑛2 = 40
𝑋̅2 = $270 000
𝑆2 = $10 000
𝛼 = 1%
Imagen 3
α = 0.01
Tipo de prueba: Prueba unilateral de extremo derecho
Imagen 4
Valores críticos de la prueba
Imagen 5
Conclusión de la prueba: El valor calculado de z de + 3.32 es mayor que el

valor crítico de +2.32 para esta prueba del extremo superior, tal como se ilustra
en la figura 11 -2. Por ello, se rechaza la hipótesis nula y se acepta la alternativa
de que el salario promedio de la primera empresa es mayor que el salario
promedio de la segunda empresa.
3.8 Prueba de hipótesis para la proporción

Problema 1:
El expendio Pollos Deliciosos asegura que 90% de sus órdenes se entregan en
menos de 10 minutos. En una muestra de 100 órdenes, 82 se entregaron dentro
de ese lapso. Puede concluirse en el nivel de significancia 0,01, que menos de
90% de las órdenes se entregan en menos de 10 minutos?
Formula:
𝑃−𝜋
Z=
√𝜋(1 − 𝜋)
𝑛
Datos:
𝑛 = 100
𝑃 = 0.82
𝜋 = 0.90
𝛼 = 0.01
Solución:
𝐻0 : 𝜋 ≥ 0.90
𝐻1 : 𝜋 < 0.90
α = 0.01
El estadístico adecuado es Z que se obtiene:
𝑃−𝜋 0.82 − 0.90 −0.08

Z= = = = −2.66
0.03
√𝜋(1 − 𝜋) √0.90(1 − 0.90)
𝑛 100
𝜋 × 𝑛 = 100 × 0.90 = 90
𝜋(1 − 𝜋) = 100(0.1) = 10
El valor de z = -2.66
Valor critico = -2.05
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:
𝐻0 : 𝜋 ≤ 0.33
𝐻1 : 𝜋 > 0.33
α = 0.02
El estadístico adecuado es Z que se obtiene:
𝑃−𝜋 0.40 − 0.33 0.07

Z= = = = 2.12
0.033
√𝜋(1 − 𝜋) √0.33(1 − 0.33)
𝑛 200
𝜋 × 𝑛 = 200 × 0.33 = 66
𝜋(1 − 𝜋) = 200(0.67) = 134
El valor de z = 2.12
Valor critico = 2.05

Imagen 2
Conclusión de la prueba: La proporción de estudiantes egresados de la

universidad que tienen trabajo es mayor que 0.33
3.9 Prueba de hipótesis para la diferencia de proporción

Problema 1:
Unos investigadores sospechan que la miopía es cada vez más común. Un
estudio del año 2000 mostro 132 casos de miopía en 400 personas
seleccionadas aleatoriamente. Un estudio separado del 2015 mostro 228 casos
de miopía en 600 personas seleccionadas aleatoriamente. ¿Con un nivel de
confianza del 90% y un nivel de significancia del 10% se puede, sugerir que la
miopía es cada vez más común?
Formulas:
𝑃1 − 𝑃2
𝑍𝑒 =
1 1
√𝑃(1 − 𝑃) ( + )
𝑛1 𝑛2
𝑋2 𝑋1
𝑛2 + 𝑛1
𝑍=
𝑃 (𝑞 ) 𝑃 (𝑞 )
√ 𝑜 𝑜 + 𝑜 𝑜
𝑛1 𝑛1
𝑋1
𝑃1 =
𝑛1
𝑋2
𝑃2 =
𝑛2
Datos:
𝑛1 = 400
𝑛2 = 600
𝑋1 = 132
𝑋2 = 228
𝑃1 = 33%
𝑃2 = 38%
𝛼 = 10%
Solución:
𝐻0 : 𝑃2015 = 𝑃2000
𝐻0 : 𝑃2015 > 𝑃2000
α = 10 o 0.1
Tipo de prueba: Prueba de dos extremos
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
Imagen 1
Conclusión de la prueba: Como conclusión se tiene suficiente evidencia con

un nivel de significancia del 10% para aceptar la hipótesis nula (𝐻0 ), es decir,
para sugerir que la miopía es cada vez mas común.
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:
𝐻0 : 𝑃1 ≥ 𝑃2
𝐻1 : 𝑃1 < 𝑃2
α = 0.01
Tipo de prueba: Prueba unilateral de extremo izquierdo
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
(n1 )(P1 ) + (n2 )(P2 ) (100)(0.7) + (120)(0.8) 70 + 96

p= = =
n1 + n2 100 + 120 100 + 120
166
= = 0.75
220

Imagen 2
Conclusión de la prueba: El porcentaje de clientes que reducen su tiempo de

atención con el protocolo A (𝑃1 ) es mayor e igual que del protocolo B (𝑃2 ).
3.10 Prueba de hipótesis para la varianza

Problema 1:
Se sabe que el contenido en gramos de un producto fabricado por una compañía,
no reúne las especificaciones si la varianza de un lote de producción se aleja
demasiado hacia arriba o hacia abajo de 6.5. Comprobar si un gran lote de
producción reúne las especificaciones, si una muestra aleatoria de 20 unidades
extraída aleatoriamente de dicho lote arrojó una varianza de 7.3. Utilizar un nivel
de significación del 5%. Se sabe que el contenido del producto se distribuye
normalmente.
Formula:
(𝑛 − 1)𝑆 2
𝑋2 =
𝜎2
Datos:
𝑛 = 20
𝑆 2 = 7.3
𝜎 2 = 6.5
𝛼 = 0.05
Solución:
𝐻0 : 𝜎 2 = 6.5
𝐻1 : 𝜎 2 ≠ 6.5
α = 0.05
El criterio de decisión será el siguiente: “Si el valor de 𝑋 2 calculado es menor que

8.906520 o mayo que 32.8523, se rechaza la hipótesis nula de que la varianza
sigue siendo 6.5 con un nivel de significancia del 5%
El estadístico de prueba se calcula teniendo en cuenta 𝑛 = 20, 𝑆 2 = 7.3 y
utilizando la fórmula:
(𝑛 − 1)𝑆 2 (20 − 1)7.3 (19)7.3 138.7
𝑋2 = = = = = 21.3384
𝜎2 6.5 6.5 6.5
Imagen 1
Conclusión de la prueba: Como el estadístico de prueba 21.3384 se encuentra

en la región de confianza o de aceptación. Entonces podemos afirmar que tiene
un nivel de significancia del 5% que evidencia estadística para aceptar que la
varianza del contenido del producto es el mismo.
Problema 2:
Un supervisor de control de calidad en una enlatadora sabe que la cantidad
exacta contenida en cada lata varia, pues hay ciertos factores imposibles de
controlar que afectan la cantidad de llenado. El llenado medio por lata es
importante pero igualmente importante es la variación 𝜎 2 de la cantidad de
llenado. Si 𝜎 2 es grande, algunas latas contendrán muy poco y otras,
demasiado. Las agencias reguladoras especifican que la desviación estándar
de la cantidad de llenado debe ser menor que 0.1 onzas. El supervisor de
control de calidad muestreo 𝑛 = 10 y midió la cantidad de llenado en cada una.
Los datos se reproducen a continuación:
7.96, 7.9, 7.98, 8.01, 7.97, 7.96, 8.03, 8.02, 8.04 y 8.02
¿Esta información proporciona con un nivel de significancia del 0?05 pruebas
suficientes de que la desviación estándar 𝜎 de las mediciones de llenado es
menor que 0.1 onzas?
Formula:
(𝑛 − 1)𝑆 2
𝑋2 =
𝜎2
Datos:
𝑛 = 10
𝑆 = 0.043
𝜎 2 = 0.1
𝛼 = 0.05
Solución:
𝐻0 : 𝜎 2 = 0.1
𝐻1 : 𝜎 2 < 0.1
α = 0.05
Tipo de prueba: Prueba unilateral de extremo izquierdo

El estadístico de prueba se calcula utilizando la desviación estándar de la
muestra 𝑆 = 0.043 y 𝑛 = 10
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
Imagen 2
Toma de decisión: Se rechaza 𝐻0
Conclusión de la prueba: Como el estadístico de prueba 1.66 es menor que

3.325 y cae en la región de rechazo, existe evidencia estadística para rechazar
la hipótesis nula. Entonces el supervisor puede llegar a la conclusión con un
nivel de significancia del 0.05 de que la varianza de la población de todas las
cantidades de llenado es menor que 0.01, o sea 𝜎 < 0.1.
3.11 Prueba de hipótesis para la razón de varianza
Problema 1:
Retomando el ejemplo donde se desea comparar el deterioro abrasivo de dos
materiales. Se tomó una muestra de 12 piezas del material A y 10 piezas del
material B, donde se obtuvo una desviación estándar muestral de 4 para A y 5
para B. Determine si se cuenta con varianzas iguales, a un nivel de significancia
del 5%.
Formula:
𝑆12
𝐹= 2
𝑆2
Datos:
𝑛1 = 12
𝑛2 = 10
𝑆12 = 16
𝑆22 = 25
𝛼 = 0.05
Solución:
𝐻0 : 𝜎12 = 𝜎22
𝐻1 : 𝜎12 ≠ 𝜎22
α = 0.05
𝑆12 16
𝐹= = = 0.64
𝑆22 25
𝐹𝛼,(𝑉1,𝑉2) < 𝐹 < 𝐹1−𝛼,(𝑉1,𝑉2)
Valor de p:
𝑝 = 2(𝑃(𝐹 ≤ 0.64))
𝑝 = 2(0.239325) = 0.479

Imagen 1
Toma de decisión: No rechazar 𝐻0
Conclusión de la prueba: Ambas varianzas son iguales, es decir, no existe

evidencia estadística (P = 0.479) para determinar que la variabilidad en el
deterioro abrasivo en ambos materiales es distinta.
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:
𝑋̅1 = 3.2, 𝑆12 = 1.04, 𝑋̅2 = 3.0 𝑦 𝑆22 = 0.51

¿Presentan los datos evidencia suficiente para indicar que las variaciones del
proceso son menores para el 2? Realice una prueba con un 𝛼 = 0.05.
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:
𝜎12
𝐻0 : =1
𝜎22
𝜎12
𝐻1 : >1
𝜎22
α = 0.05
Regla de decisión:
Si Fc 2.11 No se rechaza Ho
Si la Fc > 2.11 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
Imagen 2
Toma de decisión: Como 2.04 es menor que 2.11 no rechazar 𝐻0
Conclusión de la prueba: Se concluye con un α = 0.05 que no existe suficiente

evidencia para decir que la varianza del proceso 2 es menor que la del proceso
1.
Fuente Bibliográfica
3.1 Introducción
Allen, W. (2000). Prueba de Hipótesis. En Estadística aplicada a los

negocios y la economía (640). Colombia: McGRAW-HILL
INTERAMERICANA, S.A.
Calvario, J. (5/enero/2012). UNIDAD III PRUEBAS DE HIPÓTESIS.

15/octubre/2020, de Sites Sitio web:
https://sites.google.com/site/calvariospecial2012/unidad-iii-pruebas-de-
hipotesis
Fallas, J. (2012). PRUEBA DE HIPÓTESIS. 15/octubre/2020, de PDF Sitio

web: https://www.ucipfg.com/Repositorio/MGAP/MGAP-05/BLOQUE-
ACADEMICO/Unidad-2/complementarias/prueba_hipotesis_2012.pdf
Anónimo. (S/F). Definición y Clasificación. 22/septiembre/2020, de

cidecame Sitio web:
http://cidecame.uaeh.edu.mx/lcc/mapa/PROYECTO/libro19/31definicin_y_cl
asificacin.html
3.2 Confiabilidad Y Significancia
Pech, G. (2020). ESTADISTICA INFERENCIAL I. 15/octubre/2020, de

ITESCAM Sitio web:
https://www.itescam.edu.mx/portal/asignatura.php?clave_asig=AEF-
1024&carrera=IIND-2010-227&id_d=196
3.3 Errores tipo I y tipo II

ITESCAM Sitio web:
3.4 Potencia de la prueba

ITESCAM Sitio web:
Anónimo. (S/F). Potencia. 17/octubre/2020, de HTML Sitio web:

https://www.uv.es/webgid/Inferencial/51_potencia.html
Pérez, J. (21/abril/2015). Tres problemas de error de tipo I, error de tipo II,

potencia y de determinación del tamaño de muestra. 20/octubre/2020, de
Word Press Sitio web: https://jllopisperez.com/2015/04/21/tres-problemas-
de-errores-de-tipo-i-y-de-tipo-ii-y-de-determinacion-del-tamano-de-muestra/
3.5 Formulación de hipótesis estadísticas

ITESCAM Sitio web:
3.6 Prueba de hipótesis para la media
Montenegro, A. (03/junio/2013). ESATDÍSTICA EJERCICIOS DE PRUEBA

DE HIPOTESIS. 20/octubre/2020, de Scribd Sitio web:
https://es.scribd.com/doc/118833247/ESATDISTICA-EJERCICIOS-DE-
PRUEBA-DE-HIPOTESIS
3.7 Prueba de hipótesis para la diferencia de medias

Kazmier, L. (1991). Otras Pruebas de Hipótesis. En Estadística Aplicada a Administración y
Economía (441). México: McGRAW-HILL INTERAMERICANA DE MÉXICO, S.A. de C.V.
3.8 Prueba de hipótesis para la proporción
Anónimo. (2020). Ejercicios Prueba de hipótesis para proporciones.

22/octubre/2020, de stad center ecuador Sitio web:
https://www.stadcenterecuador.com/estadisticas/ejercicios/17-sp-762/26-
ejercicios-resueltos-prueba-de-hipotesis-para-proporciones
3.9 Prueba de hipótesis para la diferencia de proporción
Tarefa. (12/febrero/2020). Prueba de hipótesis para una diferencia de

proporciones. 22/octubre/2020, de YouTube Sitio web:
https://www.youtube.com/watch?v=6dC839PyLAE
Anonimo. (22/junio/2018). Prueba de Hipótesis para la diferencia de
proporciones. 22/octubre/2020, obtenido del canal de YouTube de Segundo
Eloy Soto Abanto Sitio Web:
https://www.youtube.com/watch?v=9M4TLr8KYig
3.10 Prueba de hipótesis para la varianza
Cerrón, C. (S/F). Manual auto formativo Estadística II. 23/octubre/2020, de

Calaméo Sitio web: https://es.calameo.com/books/003354746a5fc8b2222ce
3.11 Prueba de hipótesis para la razón de varianza
Córdoba, M. (10/noviembre/2014). Unidad III - 3.4 Prueba de Hipótesis

Varianza y Razón de Varianzas. 23/octubre/2020, de Scribd Sitio web:
https://es.scribd.com/document/246161934/Unidad-III-3-4-Prueba-de-
Hipotesis-Varianza-y-Razon-de-Varianzas
Anónimo. (S/F). DISTRIBUCION "F" FISHER. 23/octubre/2020, de

INSTITUTO TECNOLOGICO DE CHIHUAHUA Sitio web:
http://www.chihuahua.tecnm.mx/academic/industrial/estadistica1/cap03c.ht
ml

Prueba de Hipotesis Rivera Contreras Alejandro PDF

Cargado por

Información del documento

Título original

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 Rivera Contreras Alejandro PDF

Cargado por

Copyright:

Formatos disponibles

TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE CIUDAD JUÁREZ

Elemento de Competencia 3: Pruebas de Hipótesis

Hora: 11:00 – 12:00

José García Sánchez

Ciudad Juárez, Chihuahua, 3 de noviembre del 2020

Utilidad e importancia de las pruebas de hipótesis en ingeniería industrial

El propósito del análisis estadístico es reducir el nivel de incertidumbre en el

La experiencia sobre el comportamiento de algún índice de un proceso, o la

Estas proposiciones se deben contrastar con la realidad (mediante el muestreo

Una prueba de hipótesis es una herramienta de análisis de datos que puede en

Las investigaciones son diseñadas para responder a múltiples preguntas; sin

Al someter a prueba una hipótesis determinamos si dos valores numéricos

En el presente capítulo se trata el tema de prueba de significancia, prueba de

A continuación, se presentan los supuestos y procedimientos estadísticos

Clasificación de variables aleatorias

Variable aleatoria: Es una variable que toma valores numéricos determinados

Variable aleatoria discreta: Es una variable que toma un numero finito n un

Variable aleatoria continua: Es una variable que toma un numero finito no

Definición de variables aleatorias discretas

Es una variable que toma un numero finito n un infinito contable de valores, es

3.2 Confiabilidad Y Significancia

Términos ¿En qué Consiste?

Error Tipo II También llamado error de tipo beta (β)

3.4 Potencia de la prueba

La potencia de una prueba estadística se calcula como 1 − 𝛽 y se entiende como

El cálculo de la potencia de una prueba estadística se basa en una fórmula

La potencia de una prueba estadística depende básicamente del:

El tamaño muestral necesario para obtener un mismo valor de potencia de una

El tamaño de efecto es la diferencia entre la hipótesis nula y la hipótesis

Nivel de significación (α):

Es el porcentaje de error que asumimos para decir que rechazamos la hipótesis

Supongamos que la probabilidad verdadera de ocurrencia de "cara" es igual a

𝐻1: 𝜋 <> 0.5

𝑅𝑒𝑔𝑖𝑜𝑛 𝑑𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑜: 0, 1, 9 𝑜 10 caras

La probabilidad de ocurrencia de los valores de la región de rechazo bajo el

En consecuencia, la probabilidad de rechazar 𝐻0 bajo el supuesto que 𝐻1 sea

criterio de decisión consiste en aceptar la hipótesis alternativa si, al tomar

Observemos que lo importante aquí, de nuevo, es saber delimitar cuál es la zona

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

¿Qué es una variable?

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

Su validez depende del marco teórico en el que se fundamenta el problema y su

Variable Independiente: Es la que se supone la causa del fenómeno estudiado.

Variable Dependiente: Es consecuencia de una variable antecedente. Su valor

Variables Cualitativas: Son aquellas que se refieren a atributos o cualidades de

Variables Continuas: Son aquellas que acogen los fenómenos cuyos

Variables Discretas: Son aquellas que no pueden acoger posiciones

Variables de Control: Variable controlada por el investigador que neutralizan

Dimensionar: determinar las dimensiones de las variables nominales.

Operacional: Establecer las medidas de las variables y definir los indicadores

¿Cómo se hace una hipótesis?

La hipótesis debe de ser una predicción donde se describa de manera concreta,

Una de los primeros pasos a realizar es delimitar el problema que queremos

Durante la formulación de la hipótesis esta sufre un proceso de definición,

Los términos de la hipótesis deben ser claros y concretos, para facilitar su

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

En este caso definimos y somos muy concretos e indicamos una variable en la

¿Es mi hipótesis admisible? Esa es la pregunta que siempre nos realizamos al

• ¿Son mis variables las adecuadas? Hemos de reflexionar sobre si

Para lograr una buena hipótesis deberíamos partir de datos observados y

• Las variables son consecuencias lógicas. Parten de datos observados y

Elaboración de una hipótesis