INSTITUTO TECNOLOGICO

SUPERIOR DE PANUCO

ESTADISTICA ADMINISTRATIVA

Investigación

UNIDAD 5

DOCENTE:

M.E SAID NAVARRO MEZA

INTEGRANTE:

Citlali Guadalupe Banda Torres

CONTADOR PUBLICO
 INTRODUCCION
Cuando un investigador desea buscar una conclusión de un problema, siempre
utiliza métodos convenientes para el desarrollo y la búsqueda de esa conclusión.
Esos métodos utilizados por el investigador se los puede llamar hipótesis.
Muchas veces un problema posee muchas confusiones que hace que el
desarrollo de la conclusión se torne complicado de entender pero a través de
los pasos y los procedimientos adecuados, se puede llegar a obtener varias
conclusiones relacionadas al problema.

La importancia de una hipótesis bien elaborada es que en ella se puede

observar claramente la relación o vínculo entre dos o más variables y es
factible que el investigador pueda elaborar el conjunto de objetivos que
se desea alcanzar en el desarrollo de la. También uno puede seleccionar
los recursos, tanto humanos como materiales, que se emplearan a llevar a feliz
término la investigación planteada
 1.- ¿QUE ES UNA HIPOTESIS?

Es una suposición de algo posible o imposible para sacar de ello una

consecuencia
Es una idea que puede no ser verdadera, basada en información previa. Su valor
reside en la capacidad para establecer más relaciones entre los hechos y
explicar por qué se producen. Normalmente se plantean primero las razones
claras por las que uno cree que algo es posible y finalmente se pone, en
conclusión. Este método se usa en la rama científica para luego comprobar las
hipótesis a través de los experimentos
La hipótesis es aquella que se basa en una presunción de algo de lo investigado,
o puede la posibilidad de que algo se descubra o se crea de ése fenómeno o
cosa; al final son frases o enunciados que tratan sobre lo que se está
investigando, no son verdaderas y al final pueden o no comprobar los hechos
investigados, pero no por ello dejan de ser un elemento dentro del proceso de
investigación; pues, ya sea que en las conclusiones se afirme, se niegue, se
confirme, se rechace, se dé la razón o contradiga lo vertido como texto en la
hipótesis, ése resultado sigue siendo ciencia o conocimiento científico nuevo .
 2.- ¿QUE ES UN A HIPOTESIS ESTADISTICA Y QUE
CARACTERISTICAS DEBE CUMPLIR?

Las hipótesis estadísticas son la transformación de las hipótesis de

investigación, nulas y alternativas en símbolos estadísticos. Se pueden formular
solamente cuando los datos del estudio que se van a recolectar y analizar para
aprobar o desaprobar las hipótesis son cuantitativos (números, porcentajes,
promedios). Es decir, el investigador traduce su hipótesis de investigación y su
hipótesis nula (y cuando se formulan hipótesis alternativas, también éstas) en
términos estadísticos.
Básicamente hay tres tipos de hipótesis estadística, que corresponden a
clasificaciones de las hipótesis de investigación y nula:
1) hipótesis de estimación,
2) hipótesis de correlación
3) hipótesis de diferencias de medias.
Aquí se tratarán los tres tipos de hipótesis dando ejemplos de cada una de ellas.

CARACTERISTICAS QUE DEBE CUMPLIR

Deben referirse a una situación real o realizable, no a una situación que no puede
ocurrir bajo un cierto estado de hechos. Las variables de la hipótesis tienen que
ser comprensibles, estar bien definidas y ser lo más concretas posible. La
relación entre variables propuesta por una hipótesis debe ser clara y verosímil.
Los términos de la hipótesis y la relación planteada entre ellos, deben poder ser
observados y medidos. Las hipótesis deben estar relacionadas con técnicas
disponibles para probarlas. Asimismo, cada tipo de hipótesis tiene sus
características extra. Las hipótesis descriptivas del valor de variables que se van
a observar en un contexto. Las hipótesis correlacionales especifican las
relaciones entre dos o más variables y el orden de éstas no es importante.
Pueden alcanzar un nivel predictivo y parcialmente explicativo
 3.- ¿QUÉ ES LA PRUEBA DE HIPÓTESIS?

Como se ha venido mencionando a lo largo de esta serie de artículos

sobre Hipótesis de Investigación, las hipótesis científicas son sometidas a
prueba o escrutinio empírico para determinar si son apoyadas o refutadas de
acuerdo con lo que el investigador observa. De hecho, para esto se formulan.
Ahora bien, en realidad no puede probarse que una hipótesis sea verdadera o
falsa, sino argumentar que fue apoyada o no de acuerdo con ciertos datos
obtenidos en una investigación particular. Desde el punto de vista técnico, no se
acepta una hipótesis a través de un estudio, sino que se aporta evidencia en su
favor o en su contra
Cuantas más investigaciones apoyen una hipótesis, más credibilidad tendrá; y
por supuesto es válida para el contexto (lugar, tiempo y sujetos u objetos) en el
cual se comprobó. Al menos lo es probabilísticamente. En una próxima entrega
de esta serie de artículos sobre Hipótesis de Investigación se desarrollará
detalladamente los pormenores de lo que son Las Pruebas de Hipótesis
Estadística
TIPOS SE MANEJAN
Hay diferentes tipos de hipótesis: la hipótesis de investigación o trabajo, la
hipótesis alternativa, la hipótesis nula o la hipótesis estadística.

Sin embargo, es posible que una investigación tenga más de una hipótesis. Esto
significa que los diferentes tipos de hipótesis también se relacionan entre sí. Por
ejemplo, una hipótesis de investigación puede actuar como la principal en un
trabajo, pero a su vez las hipótesis nula, alternativa y estadística contribuyen a
despejar la hipótesis central.

4.- EXPLICA QUE ES UN NIVEL DE

SIGNIFICANCIA
El nivel de significación es el límite para juzgar un resultado como
estadísticamente significativo. Si el valor de significación es menor que el nivel
de significación, se considera que el resultado es estadísticamente significativo.
El nivel de significación también se conoce como el nivel alfa.

El nivel de significación (o nivel de α) es un umbral que permite determinar si el

resultado de un estudio se puede considerar estadísticamente
significativo después de realizar las pruebas estadísticas planificadas. El nivel
de significación se suele establecer en un 5% (o 0,05), aunque se pueden usar
otros niveles en función del estudio. Esto representa la probabilidad de rechazar
la hipótesis nula cuando es verdadera. Por ejemplo, un nivel de significación de
0,05 indica un riesgo del 5% de concluir que existe una diferencia entre los
resultados del estudio y la hipótesis nula cuando en realidad no hay ninguna
diferencia.
El nivel de significación se debe especificar en el protocolo del ensayo como
parte de la sección de estadística. La probabilidad de que un resultado se deba
al azar en lugar de a un fármaco u otra intervención investigados, si la hipótesis
nula es verdadera (es decir, si en realidad no hay ninguna diferencia real), se
llama «valor p». Un resultado es estadísticamente significativo si se corresponde
con un valor p igual o inferior al nivel de significación y, por tanto, no se considera
una casualidad. Esto se suele expresar como p ≤ 0,05.

5.- ¿QUE DIFERENCIA EXISTE ENTRE UN ERROR

TIPO 1 Y TIPO 2?
La hipótesis nula y los errores de Tipo I y 2

Cuando los estadísticos se refieren a errores de Tipo I y Tipo II, nos referimos a
las dos maneras en que se pueden realizar errores respecto a la hipótesis nula
(Ho). La hipótesis nula es la posición por defecto, semejante a la idea de
“inocencia hasta que se pruebe la culpabilidad”. Cualquier test de hipótesis se
empieza con la asunción de que la hipótesis nula es correcta.

Cometemos un error de Tipo I si rechazamos la hipótesis nula cuando ésta es

cierta. Se trata de un falso positivo, como una alarma de fuego que suena cuando
no existe tal fuego.

Un error de Tipo II ocurre si nos equivocamos al rechazar el nulo cuando no es

cierto. Es el caso de un falso negativo—como una alarma que falla y no suena
cuando existe un fuego.

Es más fácil de comprenderlo en la tabla siguiente, semejante a la que se puede

encontrar en cada texto sobre estadística:

Realidad Hipótesis nula (H0) no rechazada Hipótesis nula (H0) rechazada

H0 es cierta. Conclusión correcta. Error Tipo I
H0 es falsa. Error Tipo II Conclusión correcta.

Estos errores están relacionados con los conceptos estadísticos de riesgo,

significancia y potencia.

Reducir el riesgo de errores estadísticos

Los estadísticos llaman al riesgo, o probabilidad, de cometer un error de Tipo I

“alfa,” igual que el “nivel de significación”. En otras palabras, es la voluntad de
arriesgarse rechazando la hipótesis nula cuando es cierta. Alfa normalmente se
pone a 0.05, que es una posibilidad del 5 por ciento de rechazar la hipótesis nula
cuando es cierta. Cuanto más pequeña sea alfa, menor es el riesgo de rechazar
la hipótesis nula incorrectamente. En situaciones de vida o muerte, por ejemplo,
una alfa de 0.01 reduce la probabilidad de un error Tipo I a justo un 1 por ciento.
Un error de Tipo II está relacionado con el concepto de “potencia”, y la
probabilidad de cometer este error se refiere como “beta”. Podemos reducir
nuestro riesgo de cometer un error Tipo II asegurando que nuestro test tiene
suficiente potencia—lo que depende de si el tamaño de la muestra es
suficientemente grande para detectar una diferencia cuando ésta existe.

6.- ¿QUE DIFERENCIA EXISTE ENTRE UNA

HIPÓTESIS NULA Y UNA HIPÓTESIS
ALTERNATIVA?
Frente a cualquiera de los casos citados en la última entrega es posible formular
la hipótesis de que no hay diferencia entre el valor hallado y el de referencia,
entre el valor de la media o proporción de una muestra y el de la población; o
entre el valor en un grupo y en otro con el que se compara. No porque
numéricamente sean lo mismo 1.18mg% y 1.35 mg% en el caso de las
creatininas, o 40% y 33% en el de las prevalencias de hipertensión, sino porque
se entiende que en cada situación forman parte de la misma distribución de
probabilidades, y que por lo tanto es el azar el responsable de que hayamos
encontrado valores diferentes. Si el azar nos llevó al hallazgo de valores
diferentes dentro de la misma distribución, podemos concluir que no hay
diferencia significativa entre los mismos. Esta hipótesis es la llamada hipótesis
nula (H0).

Frente a la misma se alza la hipótesis alternativa (HA), que afirma que sí hay
diferencia entre el valor hallado y el de referencia, o entre el de uno y otro grupo.
Para esta hipótesis, entonces, los valores de creatinina de los internados con
IAM o insuficiencia cardíaca son diferentes, no forman parte de la misma
distribución, no son valores esperables de un mismo grupo, sino que
corresponden a poblaciones diferentes

7.- ¿QUE ES UN VALOR CRITICO?

Un valor crítico es un punto en la distribución del estadístico de prueba bajo la
hipótesis nula que define un conjunto de valores que apoyan el rechazo de la
hipótesis nula. Este conjunto se denomina región crítica o de rechazo. Por lo
general, las pruebas unilaterales tienen un valor crítico y las pruebas bilaterales
tienen dos valores críticos. Los valores críticos se determinan de manera que la
probabilidad de que el estadístico de prueba tenga un valor en la región de
rechazo de la prueba (cuando la hipótesis nula sea verdadera) sea igual al nivel
de significancia (denotado como α o alfa).
Valores críticos en la distribución normal estándar para α = 0.05
La Figura A muestra que los resultados de una prueba Z de una cola son
significativos si el valor del estadístico de prueba es igual a o mayor que 1.64, el
valor crítico en este caso. El área sombreada representa la probabilidad de un
error tipo I (α = 5% en este ejemplo) del área por debajo de la curva.
La Figura B muestra que los resultados de una prueba Z de dos colas son
significativos si el valor absoluto del estadístico de prueba es igual a o mayor que
1.96, el valor crítico en este caso. Las dos áreas sombreadas suman 5% (α) del
área por debajo de la curva.

8.- ¿QUE DIFERENCIA EXISTE ENTRE UNA

ZONA DE RECHAZO Y UNA DE ACEPTACION?
El problema del contraste de hipótesis consiste básicamente en comprobar
cotejar, decidir, en definitiva, sobre la veracidad de una hipótesis prefijada
previamente como supuestamente cierta. En términos estadísticos, la o las
hipótesis que formulamos lo serán lógicamente sobre la población. Bien
afectando a algún parámetro de ésta, lo que da origen a los contrastes
paramétricos o bien a otras características de la mismas que no lo sean
estrictamente, lo que origina contrates "no" paramétricos. Si bien este capítulo
está dedicado a los contrastes paramétricos, esta introducción puede
considerarse común a ambos tipos de contrastes.

La solución estadística del problema de contrastación se basará en los datos

muéstrales y la base estadística (probabilística) de la que arrancará el contraste
va a ser la distribución de algún estadístico maestral. Supongamos que
deseamos hacer un contraste acerca de un parámetro, de la población. Para
llevarlo a cabo consideraremos la distribución de algún estadístico maestral que
de alguna manera se corresponda y se relacione con el parámetro ;
designemos en general a este estadístico como T. Si con los datos muéstrales
obtenemos un valor concreto para T tal que pertenezca a una determinada región
del campo de variación de T optaremos por no rechazar la hipótesis y en caso
contrario por rechazarla. Obviamente la clave del problema será delimitar la
región del campo de variación de T que consideraremos como zona de
aceptación de la hipótesis. Esto se resolverá por un criterio probabilístico
partiendo de la distribución maestral de T.

Pasemos a definir los principales conceptos implicados en nuestro problema:

Región crítica. Será aquella región del campo de variación del estadístico tal que
si contiene al valor evaluado del mismo con los datos muéstrales nos llevará
a rechazar la hipótesis. La designaremos por R1

Región de aceptación. Es la región complementaria de la anterior. Si el valor

evaluado del estadístico pertenece a ella No rechazamos la hipótesis. (Las
hipótesis nunca se aceptan de forma definitiva, sólo se aceptan
provisionalmente, es decir, no se rechazan, a la espera de una nueva
información que eventualmente pueda llevarnos a rechazarla en el futuro). La
designaremos por R0. Evidentemente los conjuntos de puntos que forman ambas
regiones son disjuntos.

Una hipótesis estadística (paramétrica) es una conjetura sobre el valor concreto

que tiene en realidad. El establecer una hipótesis sobre un parámetro , supone
dividir los posibles valores del parámetro en dos grupos disjuntos tales que unos
son hipotéticamente ciertos ( 0) y los otros ( 1) no lo son. A la hipótesis que se
desea contrastar se la denomina "hipótesis nula”, siendo, por tanto, el valor o
valores 0 que hipotéticamente consideramos reales, dicha hipótesis viene
expresada como H0. Alternativamente y consecuentemente se establece la
denominada "hipótesis alternativa " (H1) compuesta ésta por el valor o
valores 1 que en consecuencia de la elección y de la complementariedad de
los de la hipótesis nula, son los que, en principio, no consideramos cómo
hipotéticamente reales.

El hecho de que las hipótesis, tanto la nula cómo las alternativas puedan recoger
en sus planteamientos uno o varios valores, da lugar a hipótesis de
carácter simple, si el número de valores plausibles e hipotéticos es de uno en
ambas, o bien a hipótesis compuestas si dicho valor no es único en alguna de
ellas.

Teniendo en cuenta lo dicho anteriormente, el problema de rechazar o aceptar

una hipótesis puede plantearse como un problema de decisión, en el que
evidentemente existe la posibilidad de fracasar o acertar en la elección o decisión
a la hora de concluir que la hipótesis, bien nula bien alternativa, son rechazables
o no, dado, claro está, que no conocemos la verdad.

El problema de decisión: rechazo/no rechazo, vendría expresado en las

siguientes opciones en forma de tabla:

HIPÓTESIS/ACCIÓN-
NO RECHAZAMOS RECHAZAMOS
DECISIÓN
ES CIERTA CORRECTO ERROR TIPO I
ES FALSA ERROR TIPO II CORRECTO
 Así :
Si la hipótesis nula (H0) es cierta y nuestra decisión es no rechazarla, la decisión
ha sido correcta Si la hipótesis nula (H0) es cierta y nuestra decisión es
rechazarla, la decisión provoca un error . Dicho error se denomina error tipo I.
Si la hipótesis nula (H0) es falsa y nuestra decisión es no rechazarla, la decisión
provoca un error . Dicho error se denomina error tipo II.
Si la hipótesis nula (H0) es falsa y nuestra decisión es rechazarla , la decisión ha
sido correcta.

9.- EXPLICA EL PROCEDIMIENTO PARA

REALIZAR UNA PRUEBA DE HIPOTESIS

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

maestral. 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).

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.

Por lo tanto, la probabilidad de no equivocarse al rechazar una H 0 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 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 H 0,
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 H 0 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 H 0 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.

10.- EJEMPLO PRACTICO DE UNA PRUEBA DE

HIPOTESIS PARA LA MEDIA.

Una empresa está interesada en lanzar un nuevo producto al mercado. Tras

realizar una campaña publicitaria, se toma la muestra de 1 000 habitantes, de
los cuales, 25 no conocían el producto. A un nivel de significación del 1% ¿apoya
el estudio las siguientes hipótesis?

 a. Más del 3% de la población no conoce el nuevo producto.

 b. Menos del 2% de la población no conoce el nuevo producto

Datos:

n = 1000

x = 25

Donde:

x = ocurrencias

n = observaciones

=
proporción de la muestra

=
proporción propuesta

Solución:

a)
a = 0,01

H0 es aceptada, ya que zprueba (-0,93) es menor que z tabla (2,326), por lo que
no es cierto que más del 3% de la población no conoce el nuevo producto.

En Excel

b)

a = 0,01
H0 es rechazada, ya que z prueba (1,13) es menor que z tabla (2,326), por lo
que es cierto que menos del 2% de la población no conoce el nuevo producto.

11.- EJEMPLO PRACTICO DE UNA PRUEBA DE

HIPOTESIS PARA LA PROPORCION.
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?
 CONCLUSION
En conclusión, llegamos que la hipótesis es un enunciado conjetural de la
relación entre dos o más variables. Son guías para una investigación, ya que
indican lo que estamos buscando o tratando de probar y se definen como
explicaciones tentativas del fenómeno investigado, formuladas a manera de
proposiciones. Deben referirse a una situación social real, sus términos deben
ser comprensibles, precisos y lo más concretos posibles, así como observables
y medibles. La relación entre variables propuesta por una hipótesis debe ser
clara y verosímil.

BIBLIOGRAFIAS

http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815-
76962018000100122

https://www.uaeh.edu.mx/scige/boletin/prepa4/n1/m9.html

https://asesoriatesis1960.blogspot.com/2018/01/que-son-las-hipotesis-
estadisticas.html

https://www.mineduc.gob.gt/DIGECADE/documents/Telesecundaria/Recursos
%20Digitales/1o%20Recursos%20Digitales%20TS%20licencia%20CC%20BY-
SA%203.0/01%20CIENCIAS%20NATURALES/U11%20pp%20233%20Hip%C3
%B3tesis_(m%C3%A9todo_cient%C3%ADfico).pdf

https://www.significados.com/tipos-de-
hipotesis/#:~:text=Una%20hip%C3%B3tesis%20es%20una%20respuesta,nula
%20o%20la%20hip%C3%B3tesis%20estad%C3%ADstica.

https://www.ibm.com/docs/es/cognos-analytics/11.1.0?topic=terms-significance-
level

https://toolbox.eupati.eu/glossary/nivel-de-significacion/?lang=es
https://www.addlink.es/noticias/minitab/2698-que-tipo-de-error-estadistico-es-
peor-tipo-i-o-tipo-
ii#:~:text=La%20hip%C3%B3tesis%20nula%20y%20los%20errores%20de%20
Tipo%20I%20y%202&text=Cometemos%20un%20error%20de%20Tipo,nulo%
20cuando%20no%20es%20cierto.

https://www.sac.org.ar/cuestion-de-metodo/que-son-la-hipotesis-nula-e-
hipotesis-alternativa/

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/basics/what-is-a-critical-
value/#:~:text=Un%20valor%20cr%C3%ADtico%20es%20un,regi%C3%B3n%2
0cr%C3%ADtica%20o%20de%20rechazo.

https://www.uv.es/ceaces/tex1t/6%20para/introducc.htm

https://blogs.ugto.mx/enfermeriaenlinea/unidad-didactica-3-las-pruebas-de-
hipotesis/

https://www.monografias.com/trabajos89/ejercicios-resueltos-prueba-
hipotesis/ejercicios-resueltos-prueba-hipotesis

https://www.stadcenterecuador.com/estadisticas/ejercicios/17-sp-762/26-
ejercicios-resueltos-prueba-de-hipotesis-para-proporciones