Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Una hipótesis estadística es una presunción relativa a una o varias poblaciones, que puede ser cierta o no. Las
hipótesis estadísticas se pueden comprobar con la información extraída de las muestras y tanto si se aceptan
como si se rechazan se puede cometer un error.
La prueba de hipótesis comienza con una suposición, llamada hipótesis, que hacemos con respecto a
un parámetro de población. Después recolectamos datos de muestra, producimos estadísticas de muestra y
usamos esta información para decidir qué tan probable es que la población se comporte igual que la muestra.
La hipótesis formulada con intención de rechazarla se llama hipótesis nula. Rechazar H0 implica aceptar una
hipótesis alterna.
hipótesis nula
Es la suposición, oración o reclamo que deseamos probar sobre un parámetro
de la población, la cual se asume cierta hasta que haya evidencia que es falsa
y se simboliza H 0, o "H subcero". El término hipótesis nula surge de las
primeras aplicaciones agrícolas y médicas de la estadística. Con el fin de
probar la efectividad de un nuevo fertilizante o de una nueva medicina, la
hipótesis que se probara era que no tuvo efecto, es decir, no hubo diferencia
entre las muestras tratadas y las no tratadas.
Prueba de hipótesis
hipótesis alterna
Es el reclamo sobre un parámetro de la población, el cual se asume cierta si
la hipótesis nula resulta falsa. Si los resultados de nuestra muestra no
respaldan la hipótesis nula, debemos concluir que se cumple alguna otra cosa,
la conclusión que sí aceptamos se llama hipótesis alternativa y se simboliza
como H1 ("H subuno").
Ejemplo: Supongamos que deseamos probar la hipótesis de que la media de población es igual a 500. Lo
simbolizaríamos y leeríamos "La hipótesis nula es que la media de población es: H0 : = 500 ".
500
Para la hipótesis nula: H0 : = 500 , existen tres hipótesis alternativas posibles: H1 : 500
500
Ejemplo:
Supongamos que una administradora de un centro comercial nos dice que la eficiencia de trabajo
promedio de sus empleados es de al menos 90%. ¿Cómo podemos probar la validez de su hipótesis?
Podríamos calcular la eficiencia de una muestra de sus empleados. Si hiciéramos esto y la estadística de
muestra resultara ser de 95%, aceptaríamos la afirmación de la administradora. Sin embargo, si la estadística
de muestra resultara ser de 46%, rechazaríamos su afirmación por falsa. Podemos interpretar estos dos
resultados, 95% y 46%, si utilizamos el sentido común. Ahora supongamos que nuestra estadística de muestra
revela una eficiencia de 88%. Este valor es relativamente cercano a 90%. ¿Pero es lo suficientemente cercano
para que aceptemos como correcta la hipótesis de la administradora? Ya sea que aceptemos o rechacemos su
hipótesis, no podemos estar absolutamente seguros de que nuestra decisión sea la correcta; por consiguiente,
tendremos que aprender cómo enfrentar la incertidumbre en nuestra toma de decisiones.
Evidentemente, la administración de compañía preferirá el error de tipo I sobre el de tipo II y, como resultado,
establecerá niveles de significancia muy altos en sus pruebas para obtener errores beta () bajas. Supongamos,
por otra parte, que cometer un error de tipo I implica desarmar todo un motor en la fábrica, pero cometer un
error de tipo II implica realizar reparaciones de garantía relativamente baratas por parte de los comerciantes.
Entonces es más probable que el fabricante prefiera el error de tipo II y que establezca menores niveles de
significancia en sus pruebas.
Ejemplo: Supongamos que un fabricante de focos eléctricos desea producirlos con una vida media de
= H0 = 1000 horas. Si el tiempo de vida es más corto, perderá clientes en favor de su competencia; si el tiempo
de vida es más largo, tendrá un costo de producción muy alto porque los filamentos serán excesivamente
gruesos. Para verificar que su proceso de producción esté operando adecuadamente, toma una muestra del
producto con el fin de probar la hipótesis Ho: = 1000 u. Como no quiere desviarse significativamente de 1000
horas en ninguna dirección, la hipótesis alternativa adecuada es H1: 1000 , y entonces utiliza una prueba de
dos extremos. Esto es, rechaza la hipótesis nula si la vida media de los focos de la muestra está muy por arriba
de 1000 horas o muy por abajo de 1000 horas.
Prueba de un extremo
Calcula el error estándar de la estadística demuestra. Usa el error estándar paro convertir el valor
observado de la estadística de muestra a un valor estandarizado.
En cada uno de los ejemplos dados anteriormente, los tomadores de decisiones están interesados en los
parámetros de dos poblaciones. En estas situaciones, no están tan interesados en el valor real de los
parámetros como en la relación entre los valores de dos parámetros; es decir, la forma en que éstos difieren.
¿Las empleadas ganan menos que los empleados por hacer el mismo tipo de trabajo? ¿Es la porción de
empleados susceptibles de promoción de una dependencia diferente a la porción de empleados de otra? ¿Un
grupo de animales para experimentación reacciona de manera diferente que otro grupo?.
MUESTRAS DEPENDIENTES
A menudo, el uso de muestras dependientes (o apareadas) nos permitirá llevar a cabo un análisis más preciso,
debido a que nos permitirán controlar factores externos
Los siguientes ejemplos muestran cuándo tratar dos muestras de igual tamaño como si fueran dependientes o
independientes:
1. Se pretende hacer un estudio de mercado de una empresa de refresco, y compararla con una empresa
competencia (MUESTRAS INDEPENDIENTES)
Se hace un estudio de mercado hoy en una empresa y se compara con el estudio de mercado de la
empresa hace 10 días (MUESTRAS DEPENDIENTES).
2. Un departamento de extensión agrícola del gobierno de Estados Unidos de América desea determinar
si una nueva semilla híbrida de maíz tiene una mayor producción que la vieja variedad estándar. Sí el
departamento le pide a diez granjeros que registren la producción de un acre plantado con la nueva
variedad de semilla y a otros diez que registren la producción de un acre plantado con la vieja variedad,
las dos muestras son independientes. Sin embargo, si le pide a 10 granjeros que planten un acre con
cada variedad de semilla y registren los resultados, entonces las muestras son dependientes, y la prueba
de diferencia apareada es la apropiada. En el último caso, se pueden controlar las diferencias debidas
al tipo de fertilizante e insecticida, la cantidad de lluvia, etc., debido a que cada granjero trata a sus
terrenos de la misma manera. En consecuencia, cualquier diferencia en la producción se puede atribuir
exclusivamente a la variedad plantada.
Recuerda que una prueba de muestras dependientes implica una hipótesis nula acerca de la media de las
diferencias individuales. Generalmente, se pueden detectar tales situaciones si uno no olvida que estas
pruebas son pruebas de "medidas repetidas.
Ejercicio 3.2
1. A un estadístico de recursos humanos se le pide que determine si los salarios por hora de los obreros
son los mismos en dos ciudades distintas. Suponga que la empresa desea el nivel de significancia 0.05
de que no hay diferencia entre los salarios por hora de los trabajadores de las dos ciudades:
Ciudad Salario medio por Desviación estándar Tamaño de la
hora de la muestra de la muestra muestra
Apex $8.95 $0.40 200
Eden $9.10 $0.60 175
2. La compañía fabricante de chips de memoria RAM para computadoras, está en proceso de decidir si
sustituye su línea de ensamblaje semiautomática, que tiene actualmente, por otra completamente