INVESTIGAR Y ESTUDIAR DOS CASOS DE

PRUEBAS DE HIPOTESIS PARA LA MEDIA

ACHI LIMONES FIORELLA VALENTINA

Universidad de Guayaquil, Facultad de Ciencias Físicas y Matemáticas, Carrera de

Software.

Estadística.

SOF-S-VE-4-10.

Ing. Leili Lopezdomínguez.

12 de Septiembre del 2022.

Índice
PRUEBA DE HIPÓTESIS 3

Prueba de hipótesis respecto a la media. 4

Pasos para la prueba de hipótesis 4

3.3 Propósito de la prueba de hipótesis 16

3.4 Prueba de hipótesis para una media 16

3.5 Prueba de hipótesis para proporciones 27

 PRUEBA DE HIPÓTESIS

Una prueba de hipótesis es un procedimiento, con el que se busca tomar una decisión sobre

el valor de verdad de una hipótesis estadística. Al realizar una prueba de hipótesis decidimos

si rechazar o no rechazar esa hipótesis estadística. Basamos la decisión en la evidencia

muestral.

Una prueba de hipótesis es una regla que especifica cuando se puede aceptar o rechazar una

afirmación sobre una población dependiendo de la evidencia proporcionada por una muestra

de datos.

Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la hipótesis

nula y la hipótesis alternativa. La hipótesis nula es la afirmación que se está comprobando.

Normalmente la hipótesis nula es una afirmación de "sin efecto" o "sin diferencia". La

hipótesis alternativa es la afirmación que se desea ser capaz de concluir que es verdadera

basándose en la evidencia proporcionada por los datos de la muestra.

Basándose en los datos de la muestra, la prueba determina cuando rechazar la hipótesis nula.

Se utiliza un p-valor, para realizar esa determinación. Si el p-valor es menos que el nivel de

significación (conocido como α o alfa), entonces se puede rechazar la hipótesis nula.

Un error común suele ser que las pruebas de hipótesis estadísticas están diseñadas para

seleccionar la más probable de dos hipótesis. Sin embargo, al diseño una prueba de hipótesis,

se configura la hipótesis nula como la que se quiere rechazar. Dado que se fija que el nivel

de significación sea pequeño antes del análisis (normalmente, un valor de 0.05 funciona
correctamente), Cuando se rechaza la hipótesis nula, se tiene una prueba estadística de que

la alternativa es cierta. Por el contrario, si no se rechaza la hipótesis nula, no se tiene prueba

estadística de que la hipótesis nula sea cierta. Esto es debido a que no se ha fijado la

probabilidad de que se acepte falsamente que la hipótesis nula sea pequeña.

Ejemplos de algunas preguntas que se pueden responder con una prueba de hipótesis:

• ¿La altura media de las mujeres en secundaria difiere de 168 cm?

• ¿La desviación estándar de sus alturas es igual o menor que 13 cm?

• ¿Los estudiantes masculinos y femeninos difieren en su altura promedio?

• ¿Es la proporción de estudiantes masculinos de secundaria significativamente más

alta que la proporción de estudiantes femeninas de secundaria?

Prueba de hipótesis respecto a la media.

Consiste en calcular el estadístico de la prueba comparándola con el valor crítico y

tomar la decisión de rechazar o no la hipótesis nula. Se interpretan los resultados de la prueba.

Pasos para la prueba de hipótesis

Es un proceso en cinco pasos que siguen una secuencia lógica de acciones y

decisiones.

1. Plantear la hipótesis.
La prueba de hipótesis formula dos hipótesis estadísticas que deben anunciarse

explícitamente: hipótesis nula y alternativa. La primera, se designa por el símbolo

H0. Esta hipótesis se conoce también como la hipótesis de no diferencia, ya que es

una proposición de conformidad con (o sin diferencia respecto a) Características que

se suponen ciertas en la población de interés. Esta hipótesis siempre se opone a la

hipótesis del investigador.

La segunda, identificada mediante el símbolo H1, es una proposición que se creerá

cierta si los datos de la muestra siguieren que llevan al rechazo de la H0 es falsa. Por

lo general, la H1 y la hipótesis de investigación son la misma y, de hecho; se utilizan

los dos términos indistintamente.

En general H0, esta se establece con el propósito expreso de ser rechazada. Si no se

rechaza, esto no necesariamente significa que es verdadera, se dirá que los datos

sobre los cuales se basa la prueba no proporcionan evidencia suficiente que cause el

rechazo. Por el contrario, si se rechaza se concluye que los datos disponibles no son

compatibles con la H0, pero sirven como apoyo a alguna otra hipótesis. Rechazarla

entonces, sugiere que la hipótesis alternativa puede ser verdadera.

Aspectos importantes sobre H0 y H1

• H0 y H1 son mutuamente exclusivas y colectivamente exhaustivas, es

decir; son complementarias.

 • H0 siempre se presume ser cierta y es la que debe ser comprobada.

• H1 es la conclusión a la que se desea o espera llegar como resultado de

la En consecuencia, el complemento de la conclusión se convierte en

el enunciado de la H0.

• Se utiliza una muestra aleatoria (n) para “rechazar H0”.

• Siempre, la igualdad es parte de H0 (“=”, “≥”, “≤”).

• Mientras que “≠” “<” y “>” siempre es parte de H1.

2. Establecer un nivel de significancia

Se ha señalado que la clave para la inferencia estadística es la distribución muestral.

Es necesario recordar esto, en los casos en que sea necesario especificar la

distribución de probabilidad de la estadística de prueba. Por ejemplo, la distribución

de la estadística de prueba por lo general; sigue una distribución normal estándar

(ver unidad anterior) si la H0 es verdadera y si satisface las suposiciones. Todos los

valores posibles que la estadística de prueba puede asumir son puntos sobre el eje

horizontal de la gráfica de la distribución para esta estadística y se dividen en dos

grupos: uno de ellos constituye lo que se conoce como región de rechazo y el otro,

forma la región de no rechazo (figura 1).

Diagrama 1. Partes de una distribución en pruebas de hipótesis

Los valores de la estadística de prueba que forman la región de rechazo son aquellos

que tienen la menor probabilidad de ocurrir, mientras que los que forman la región

de no rechazo tienen la mayor probabilidad de ocurrencia, si la H0 es verdadera para

ambas regiones.

La decisión en cuanto a que valores van hacia qué región se toma con base en

el nivel de significancia deseado, designado por α. El nivel de significancia α,

designa el área bajo la curva de la distribución de la de prueba que está por encima

de los valores, sobre el eje horizontal; que constituyen la región de rechazo. Y un

valor calculado para la estadística de prueba que cae dentro de la región de rechazo

se dice que es significativo.

Ejemplo, si tuviéramos un nivel o grado de confianza del 95% (0.95) entonces el

nivel de significancia sería del 5% (0.05) donde:

Nivel de confianza = (1- α)

Análogamente si se tiene un nivel de confianza del 90% entonces el nivel de

significancia sería del 10%.

Dado que rechazar una H0 verdadera sería un error, parece razonable que se deba

hacer pequeña la probabilidad de cometerlo y, de hecho; esto es lo que se hace. Se

elige un valor pequeño de α para hacer que la probabilidad de rechazo para una

H0 sea pequeña. Los valores que se encuentran con más frecuencia son: 0.01, 0.05 y

0.10. La probabilidad de equivocarse al no rechazar un H0 verdadera generalmente

es de 95%, puede ser 90 y 99%, esto se conoce como el nivel de confianza.

Diagrama 2. Partes de una distribución en pruebas de hipótesis.

Por lo tanto, la probabilidad de no equivocarse al rechazar una H0 falsa generalmente

es de 80%, esto es el valor o grado predictivo cuyo valor de β más comúnmente

usado es 0.2. (figura 2).

Tipos de errores

El error que se comete cuando se rechaza una H0 verdadera se conoce como error del

tipo I (α). EI error del tipo II (β) se comete cuando no se rechaza una H0 falsa.

Siempre que se rechaza una H0 se tiene el riesgo de cometer un error del tipo I, al

rechazar una H0 verdadera; y siempre que no se rechaza, existe el riesgo de no

rechazar una H0 falsa. En general, aunque se dé un valor pequeño a α no se ejerce

control sobre β, aunque se sabe que en la mayoría de las situaciones practicas es

mayor que α. Es decir:

El error tipo I (error alfa) se comete cuando:

• Se concluye que hay diferencias cuando realmente no las hay.

• Se detecta significancia estadística p< 0.05 y se rechaza la H0 cuando

en realidad es verdadera.

La probabilidad de cometer este error es lo que mide el valor de p (P-Value)

El error tipo II (error beta) se comete cuando:

• Los resultados NO son significativos (p>0.05) y se concluye que no

hay diferencias, cuando realmente SI las hay y se acepta la H0 cuando

en realidad es falsa.

Nunca se sabe si se ha cometido o no uno de estos errores cuando se rechaza o no

una H0, ya que se desconoce el verdadero estado de las cosas. Si el procedimiento de

prueba conduce al rechazo de la H0, puede ser un consuelo el hecho de que al dar un

valor pequeño a α la probabilidad de cometer un error del tipo I también lo es. Si no

se rechaza la H0, no se conoce el riesgo concurrente de cometer un error del tipo II,

ya que por lo común se desconoce; pero como se ha señalado, en la mayoría de las

situaciones prácticas se sabe que es mayor que α.

El cuadro 1 muestra las posibles acciones que el investigador puede emprender para

varias condiciones de una prueba de hipótesis, así como las condiciones en las que

se produce cada uno de los dos tipos de error.

Tabla 1. Condiciones en la que es posible cometer un error de tipo I o de tipo II

Fuente: Modificado de Daniel, Wayne W. (2002).

En Resumen:

• Error Tipo I: es el nivel de significancia, denotado por la letra griega

“a”, se define como la probabilidad de “rechazar” la H0 cuando esta es

• Error Tipo II: es el valor predictivo, denotado por la letra griega “β”,

se define como probabilidad de “aceptar” la H0 cuando ésta es falsa.

El procedimiento busca fijar la probabilidad de cometer error Tipo I,

α, y minimizar la probabilidad de cometer error Tipo II, β.

Recomendaciones para disminuir el error tipo I, α:

• Disponer de una teoría que guíe la investigación, evitando el “salir de

pesca” con la computadora buscando asociaciones entre variables.

 • Disminuir el número de pruebas estadísticas llevados a cabo en el

estudio.

• Depurar la base de datos para evitar errores de valores extremos que

puedan producir hallazgos signicativos.

• Utilizar valores de alfa más reducidos (0.01 o 0.001).

• Reproducir el estudio. Si al reproducir el estudio se obtienen

resultados similares, estaremos más seguros de no estar cometiendo el

error de tipo I.

Recomendaciones para disminuir el error tipo II, β:

• Incrementar el tamaño de la muestra.

• Estimar el poder estadístico del estudio (1 – β).

• Incrementar el tamaño del efecto a detectar.

• Incrementar el valor de alfa.

• Utilizar pruebas paramétricas (más potentes) en lugar de pruebas no

paramétricas en la medida de lo posible.

3. Seleccionar el estadístico de prueba a aplicar

Es necesario comprender la naturaleza de los datos que forman la base de los

procedimientos de prueba, ya que esto determina la prueba particular que se ha de

utilizar. Se debe determinar, por ejemplo, si los datos constan de conteos o medidas.

A partir de los datos contenidos en la muestra, se calcula un valor de la estadística

de prueba y se compara contra las regiones de no rechazo y rechazo que ya fueron

especificadas. Luego entonces, aplicar el estadístico de prueba, previa comprobación

los supuestos (restricciones) estas incluyen, entre otras; suposiciones respecto a la

normalidad de la distribución de la población, igualdad de varianzas e independencia

de las muestras. Esto es importante ya que determina si se usan pruebas paramétricas

(para datos que siguen la distribución normal) o pruebas no paramétricas (para datos

cuya distribución es diferente a la normal). Hay que tener en cuenta que un

procedimiento general se modifica según las suposiciones. Los estadísticos de

prueba más comunes los veremos más adelante.

4. Establecer una regla de decisión

Esta señala que se debe ser rechazada H0 si el valor de la estadística de prueba que se

calcula a partir de la muestra es uno de los valores de la región de rechazo, y que no

se debe rechazar si el valor calculado es uno de los valores de la región de no

rechazo.

Valor de p en pruebas de hipótesis

Un aspecto, aquí importante es el valor de p (P-Value) que es el valor del estadístico

de prueba que se aplique. Indica que tan significante son los resultados de la

muestra, considerando que la H0 sea verdadera.

Los valores de p son comúnmente utilizados para probar (y descartar) una H0, que

por lo general indica que no existe una diferencia entre dos grupos, o que no hay
ninguna correlación entre un par de características; por lo tanto, ofrece la

justificación para dudar de la certeza de la H0, si esta es verdadera.

Cuanto menor sea el valor de p, menor es la probabilidad de que un conjunto de

valores observados ocurra por casualidad. Un valor p de 0.05 o menos suele

entenderse en el sentido de que las observaciones son estadísticamente significativas

y justifica los resultados de un estudio. Pero eso no es necesariamente cierto, la

distancia entre la significación estadística y la relevancia clínica se debe analizar con

cuidado por parte de los investigadores por lo que hay que evitar sacar conclusiones

científicas o tomar decisiones basadas solo en los valores de p.

Un valor p de 0.05, no significa que hay una posibilidad del 95% que una

determinada hipótesis es correcta. Más bien, significa que, si la H0 es verdadera, y

todas las demás suposiciones hechas son válidas, hay una probabilidad del 5 % de

obtener un resultado al menos tan extremo como el observado. Y un valor de p no

puede indicar la importancia de un hallazgo; por ejemplo, un medicamento puede

tener un efecto estadísticamente significativo en los niveles de glucosa en la sangre

del paciente sin tener un efecto terapéutico, en este caso hay relevancia estadística

pero el hallazgo clínico también es importante dado que dicho medicamento no es

eficaz en el tratamiento de la diabetes, por ejemplo.

Por lo tanto, el valor de p es la probabilidad de observar un valor muestral tan

extremo como, o más extremo que, el valor observado, dado que la H0 es verdadera.
En prueba de hipótesis, podemos también comparar el valor de p con el nivel de

significancia α. Si el valor de p < α, H0 se rechaza, de otro modo H0 no se rechaza.

Pero ¿qué significa esto? veamos lo que puede ocurrir, si:

p = 0.10, tenemos alguna evidencia que H0 no es verdadera.

p = 0.05, tenemos fuerte evidencia que H0 no es verdadera.

p = 0.01, tenemos muy fuerte evidencia que H0 no es verdadera.

p = 0.001, tenemos una extremadamente fuerte evidencia que H0 no es verdadera.

5. Tomar una decisión o conclusión

Esto no es otra cosa que decidir si H0 se rechaza, entonces se concluye que H1 es

verdadera. Si H0 no se rechaza, se concluye que H0 puede ser verdadera. Es

importante aclarar que cuando la H0 no es rechazada, tampoco se puede decir que se

acepta. Se debe decir que «no se rechaza«. Se evita el uso de la palabra «aceptar»

en este caso porque pudiera haberse cometido el error de tipo II. Dado que,

frecuentemente; la probabilidad de cometer un error de tipo II puede ser realmente

alta, no se pretende cometerlo al aceptar la H0.

Finalmente, la interpretación está en función de la pregunta de investigación y tiene

relación con la H1, pero la interpretación no necesariamente es igual a dicha

hipótesis.
 3.3 Propósito de la prueba de hipótesis

Uno de los propósitos de la prueba de hipótesis es ayudar en la toma de decisiones.

En general, la decisión práctica (la razón por la cual se hizo la prueba) depende de la

decisión estadística. Si se rechaza H0, la decisión práctica generalmente refleja el

hecho de que la H1 es compatible. Se cumple lo opuesto si no se rechaza la H0. Sin

embargo, en la práctica esto puede tener otras alternativas, como la decisión de

reunir más datos.

Sin embargo, en este punto es necesario destacar que el resultado de la estadística de

prueba sólo es una parte de la evidencia que influye sobre la decisión final, es decir;

la decisión práctica. La decisión estadística no debe interpretarse como definitiva,

sino considerarse junto con toda la demás información importante de que disponga

el experimentador. Con base en estos comentarios se estudian a continuación

pruebas de hipótesis especificas más comunes.

3.4 Prueba de hipótesis para una media

A este respecto, pueden darse 3 casos a saber:

1. Cuando el muestreo se realiza a partir de una población de valores que

siguen una distribución normal con varianza conocida;

 2. Cuando el muestreo se realiza a partir de una población con

distribución normal y con varianza desconocida, y

3. Cuando el muestreo se realiza a partir de una población que no

presenta una distribución normal (no la veremos, por ahora).

Aunque la teoría para las condiciones 1 y 2 depende de poblaciones con distribución

normal, es una práctica común aplicar la teoría cuando las poblaciones importantes

solo están distribuidas en forma aproximadamente normal. Esto es satisfactorio

siempre que la desviación de la normalidad es moderada.

Diagrama 3. Planteamiento de una hipótesis para probar una media (µ).

Cuando la desviación estándar (σ) es desconocida, se utiliza la desviación estándar

muestral (s) en su lugar. Y la distribución de t de Student se utiliza como estadístico

de prueba.

Vea la figura:

Diagrama 4. Estadísticos de prueba según la varianza, cuando esta es conocida se

usa la distribución z, cuando no lo es; se usa la distribución t de Student.

Gráficamente tenemos:
Diagrama 5. Prueba de una cola y prueba de dos colas.

¿Pruebas de cola izquierda o de cola izquierda?

La dirección de la prueba involucra proposiciones que comprenden las palabras “ha

mejorado”, “es mejor que”, y el cómo dependerá sobre la variable que esté siendo

medida. Por ejemplo, si la variable involucra tiempo para que un cierto

medicamento haga efecto, las palabras “mejor” “mejore” “o más efectivo” se

traducen como “<” (menos que, i.e. alivio menos rápido). Por otro lado, si la

variable se refiere a un resultado de una prueba, entonces las palabras “mejor” “se

mejora” o “más efectiva” se traducen como “>” (más grande que, i.e. resultados del

examen más altos).

3.4.1 Prueba para una Media de una Población con una Desviación

Estándar

Ejemplo:

Los servicios coordinados de salud de un municipio de alta marginación reportan en

la época de verano (cuando hace más calor), un número promedio de 200 niños,

menores de cinco años, con problemas de deshidratación por diarrea. Supongamos

que la incidencia de niños deshidratados sigue la distribución de probabilidad

normal con una media de 200 y una desviación estándar de 16. Recientemente, se

realizó una campaña de información sobre hábitos de higiene, que duró 50 semanas.

Se quiere investigar si ha habido un cambio en la incidencia de casos de

deshidratación infantil semanal en el municipio de alta marginación.

Solución:

Paso 1: Establezca la hipótesis nula y la hipótesis alternativa.

Paso 2: Seleccione el nivel de significancia.

α = 0.01 en este caso

Paso 3: Seleccione el estadístico de prueba.

Use la distribución de Z en virtud de que σ es conocida (recuerde que en la unidad

anterior esta la tabla de z en anexos, úsela para este ejemplo).

Paso 4: Formule la regla de decisión.

Rechace H0 si |Z| > Zα/2

Cálculos:
Diagrama 6. Haga una decisión e interprete el resultado.

Debido a que 1.98 no cae en la región de rechazo, H0: μ = 200 no se rechaza.

Concluimos que la media poblacional no es diferente de 200. Así que reportaríamos

que la incidencia de deshidratación por diarrea, en niños menores de cinco años, en

el municipio de alta marginación no ha cambiado con una campaña de salud e

higiene en las últimas 50 semanas.

Recuérdese contrastar esto con el valor de p:

Concluimos: No se rechaza H0

3.4.2 Prueba para una Media de una Población con una Desviación

Estándar

Ejemplo:

El Departamento de Reclamaciones de Seguros Médicos de MetLife reporta que el

costo medio para procesar una reclamación es de $60 pesos. Una encuesta mostró

que esta cantidad es más grande que cualquier otra compañía de seguros, así que la

aseguradora instituyó medidas para reducir costos. Para evaluar el efecto de las

medidas de reducción de costos, el supervisor del Departamento seleccionó una

muestra aleatoria de 26 reclamaciones procesadas el último mes. La información

muestral se reporta en el recuadro inferior. ¿Con un nivel de significancia de

p=0?01, es razonable afirmar que el costo de una reclamación es actualmente menor

de $60?
Paso 1: Establezca las hipótesis nula y alternativa.

Paso 2: Seleccione el nivel de significancia.

α = 0.01 como se estableció en el problema

Paso 3: Seleccione el estadístico de prueba.

Use la distribución t de Student en virtud de que σ es desconocido

Tabla 2. Porción de una tabla t de Student (vea la tabla completa en el anexo de

esta unidad).

Paso 4: Formule la regla de decisión.

Rechace H0 si t < -tα, n-1

Cálculos:

Diagrama 7. Haga una decisión e interprete el resultado.

Debido a que -1.818 no cae en la zona de rechazo, no se rechaza H0 al nivel de

significancia de p=0.01. No hemos demostrado que las medidas para reducir el costo

medio por reclamación de un seguro de gastos médicos de MetLife sean menos de

$60.

La diferencia de $3.58 ($56.42 – $60) entre la media muestral y la media

poblacional podría deberse a error de muestreo.

 3.5 Prueba de hipótesis para proporciones

Una proporción es la fracción o porcentaje que indica la parte de la población o muestra

que presenta una característica particular o de interés. La proporción muestral se denota

por p y se determina por x/n.

Supuestos en la prueba de una proporción poblacional utilizando la distribución de z

De una población se selecciona una muestra

Se supone que se cumplen los supuestos de la distribución binomial:

los datos obtenidos son el resultado de conteos;

los eventos de un experimento se clasifican en una de dos categorías mutuamente exclusivas:

un “éxito” o un “fracaso”;

la probabilidad de un éxito es la misma en cada ensayo; y

los ensayos son independientes.

El procedimiento de prueba es apropiado cuando ambos nπ y n (1- π) son al menos de 5.

Cuando las condiciones anteriores se cumplen, la distribución normal se puede utilizar como

una aproximación a la distribución

Estadístico de prueba para probar una proporción poblacional:

Donde:

z = porcentaje de individuos

p = proporción muestral

π = proporción poblacional hipotética

n = tamaño de la muestra
Diagrama 8. Planteamiento de una hipótesis para probar proporciones (π).

Nota: los casos son similares a los expuestos para medias

De igual modo, gráficamente se puede representar como la figura 5. Prueba de Hipótesis

para la Proporción de una Población.

Ejemplo:

Supóngase que antes de una elección en cierto estado es necesario para ser elegido

candidato a gobernador contar al menos con el 80% del voto en la sección del norte del

estado. Un prospecto a candidato a gobernador está interesado en evaluar su posibilidad de

llegar a competir y planea realizar un muestreo en 2,000 votantes registrados en la sección

norte del estado. De estos entrevistados 1,550 apoyan la candidatura del prospecto a

candidato. Utilizando el procedimiento de pruebas de hipótesis, evalué la posibilidad del

precandidato a gobernador a ser postulado.

Paso 1: Establezca la hipótesis nula y la alternativa.

Paso 2: Seleccione el nivel de significancia.

α = 0.01 como se estableció en el problema

Paso 3: Seleccione el estadístico de prueba.

Utilice la distribución de Z en virtud de que se cumplen los supuestos y nπ y n(1-π) ≥

5.

Paso 4: Formule la regla de decisión.

Rechace H0 si Z < – Z α

Cálculos:

Diagrama 9. Haga una decisión e interprete el resultado.

El valor calculado de z (-2.80) está en la región de rechazo, así que la hipótesis nula

se rechaza al nivel de significancia de p=0.05. La diferencia de 2.5 puntos

porcentuales entre el porcentaje muestral (77.5 %) y el porcentaje de la hipótesis de

la población (80%) es estadísticamente significativo. La evidencia en este punto no

soporta la afirmación que el candidato a gobernador sea postulado para elección.

Bibliografía.
Daniel, Wayne (2005). Bioestadística: base para el análisis de las ciencias de la salud.

4a ed., México: Limusa-Wiley.