Clase VII - Test de Hipótesis

INTRODUCCIÓN A LA ESTADISTICA APLICADA
Clase VII: Pruebas de Hipótesis
María Cristina Martín
Departamento de Matemática
Universidad Nacional de la Pampa
21 de octubre de 2020
maritamartin11@gmail.com Matemática - UNLPam 1 / 46

Test de Hipótesis: Introducción
Hemos visto, en detalle, uno de los problemas a ser resuelto por la
Inferencia Estadística, el de ESTIMACIÓN.
El otro problema, para el que la Inferencia Estadistica plantea so-
luciones es el de PRUEBAS DE HIPÓTESIS.
Esto es, realizada una afirmación sobre una población, usualmente
sobre un parámetro de la misma, deseamos saber si los resultados
de una muestra confirman, o no, tal afirmación.
El OBJETIVO de un test de hipótesis es, entonces, brindar he-
rramientas que nos permitan validar o refutar una hipótesis
estadística, a través de los resultados de la muestra.
Para ello, en primer lugar, vamos a introducir el procedimiento ge-
neral de un Test de Hipótesis sobre un parámetro (la media, por
ejemplo) de una población.
Posteriormente, presentaremos algunos test para parámetros bajo
diferentes situaciones poblacionales.
Test de Hipótesis: Procedimiento General
Ejemplo: Para decidir si los habitantes de un pueblo del oeste

pampeano son descendientes del sur o del norte europeo se recu-
rre a medir la altura de los individuos adultos:
XA : “altura de individuos adultos de un pueblo del oeste pampeano
que descienden del sur europeo”, siendo XA ∼ N(µA , σA2 ) con
µA = 175 cm y σA = 10 cm,
XB : “altura de individuos adultos de un pueblo del oeste pampeano
que descienden del norte europeo”, siendo XB ∼ N(µB , σB2 ) con
µB = 177 cm y σB = 10 cm,
Seleccionamos una muestra de 100 habitantes adultos del pueblo

y determinamos la altura de ellos.
Si la altura medida es superior a 176 cm, decimos que son des-

cendientes del norte europeo. Caso contrario, decimos que des-
cienden del sur europeo.


µA = 175 cm y σA = 10 cm,
µB = 177 cm y σB = 10 cm,




µA = 175 cm y σA = 10 cm,
µB = 177 cm y σB = 10 cm,




µA = 175 cm y σA = 10 cm,
µB = 177 cm y σB = 10 cm,




µA = 175 cm y σA = 10 cm,
µB = 177 cm y σB = 10 cm,



El último punto, introduce una Regla de Decisión.

La primera pregunta es, si al tomar una muestra de 100 habitantes
y decidir que son descendientes de una determinada zona euro-
pea basados en esa muestra ¿podemos concluir errado? Es decir,
¿podemos sacar una conclusión falsa a partir de la Regla de De-
cisión adoptada?. La respuesta es, “SI, ES POSIBLE”. Entonces,
para entender mejor la Regla de Decisión adoptada es interesante
estudiar los Tipos de Errores que podemos cometer y las respec-
tivas probabilidades de cometer esos errores.
Podemos cometer dos (2) Tipos de Errores y vamos a enumerar-

los, apenas para facilitar el lenguaje:
ERROR I: Decidimos que los habitantes del pueblo descienden del
norte europeo, cuando en realidad lo son del sur.
ERROR II: Decidimos que los habitantes del pueblo descienden
del sur europeo, cuando en realidad lo son del norte.










También, vamos a definir dos (2) Hipótesis, también numeradas:

H0 : “Los habitantes del pueblo descienden del sur europeo”.
Esto equivale a decir que la altura media de individuos adultos es
µA = 175 cm con un desvío σA = 10 cm.
H1 : “Los habitantes del pueblo descienden del norte europeo”.
µB = 177 cm con un desvío σB = 10 cm.
Finalmente, vamos a indicar una Región de Rechazo o también

llamada Región Crítica (RC) al conjunto de los valores mayores o
iguales a 176, es decir:
RC = {x ∈ R : x > 176}.



RC = {x ∈ R : x > 176}.



RC = {x ∈ R : x > 176}.



RC = {x ∈ R : x > 176}.

Con las notaciones anteriores, la probabilidad de cometer cada

uno de los errores puede ser indicada de la siguiente manera:
P(ERROR I) = P(rechazar H0 |H0 es verdadera)

= P(X ∈ RC|H0 es verdadera) = α.
P(ERROR II) = P(no rechazar H0 |H1 es verdadera)

= P(X 6∈ RC|H1 es verdadera) = β.

Cuando H0 es verdadera, X ∼ N(175, √10 100
) (si la población no
es Normal, por el Teorema Central del Límite, esta afirmación es
válida cuando n −→ ∞), es decir X ∼ N(175, 1), entonces:
P( ERROR I) = P(X > 176|X ∼ N(175, 1))
!
X −µ 176 − 175
=P σ ≥ 10
√ √
n 100
= P(Z ≥ 1) = 0, 1586 = α.
P( ERROR II) = P(X ≤ 176|X ∼ N(177, 1))

!
X −µ 176 − 177
=P σ ≤ 10
√ √
n 100
= P(Z ≤ −1) = 0, 1586 = β.

Observación: Con la Regla de Decisión adoptada estamos come-

tiendo un Error de Tipo I y un Error de Tipo II con igual probabi-
lidad. Esto no siempre es asi. Por ejemplo, si α > β, cometemos
Error de Tipo I con mayor probabilidad que el Error de Tipo II, y en
ese caso, la Regla de Decisión dá el privilegio al hecho de que los
habitantes descienden del norte europeo.
Las consecuencias de la Regla de Decisión adoptada pueden verse
en la siguiente tabla:
Origen real de los habitantes
Decisión Norte Sur
Norte Sin Error ERROR II [ β = 16 %]
Sur ERROR I [ α = 16 %] Sin error
Cuadro: Errores de acuerdo con una Regla de Decisión

Observación: Con la Regla de Decisión adoptada estamos come-

tiendo un Error de Tipo I y un Error de Tipo II con igual probabi-
lidad. Esto no siempre es asi. Por ejemplo, si α > β, cometemos
Error de Tipo I con mayor probabilidad que el Error de Tipo II, y en
ese caso, la Regla de Decisión dá el privilegio al hecho de que los
habitantes descienden del norte europeo.
Las consecuencias de la Regla de Decisión adoptada pueden verse
en la siguiente tabla:
Origen real de los habitantes
Decisión Norte Sur
Norte Sin Error ERROR II [ β = 16 %]
Sur ERROR I [ α = 16 %] Sin error
Cuadro: Errores de acuerdo con una Regla de Decisión

Para cada Regla de Decisión adoptada (esto es, para otro valor de
x c 6= 176), lo único que cambia son las probabilidades α y β.
De lo expuesto, elegido el valor x c , podemos encontrar las probabi-
lidad α y β de cometer cada tipo de error. Pero, también podríamos
proceder de modo inverso: fijar uno de los errores, digamos α,
y encontrar la regla de decisión que correspondería a la pro-
babilidad de Error Tipo I igual a α. Por ejemplo, fijamos α = 5 %,
entonces:
0,05 = P(ERROR I) = P(X ≥ x c |X ∼ N(175, 1))
!
X −µ xc − µ
=P σ ≥ σ .
√ √
n n
Esto es:
0,95 = P(Z ≤ x c − 175), de donde x c − 175 = 1, 645
=⇒ x c = 176, 645.
entonces:
0,05 = P(ERROR I) = P(X ≥ x c |X ∼ N(175, 1))
!
X −µ xc − µ
=P σ ≥ σ .
√ √
n n
Esto es:
0,95 = P(Z ≤ x c − 175), de donde x c − 175 = 1, 645
=⇒ x c = 176, 645.
entonces:
0,05 = P(ERROR I) = P(X ≥ x c |X ∼ N(175, 1))
!
X −µ xc − µ
=P σ ≥ σ .
√ √
n n
Esto es:
0,95 = P(Z ≤ x c − 175), de donde x c − 175 = 1, 645
=⇒ x c = 176, 645.
Entonces, la Regla de Decisión adoptada para un α = 0,05 es: “Si

X ≥ 176, 645, los habitantes descienden del norte europeo.
Caso contrario descienden del sur europeo”.
Con esta Regla de decisión, la probabilidad de cometer un Error

de Tipo II es:
β = P(ERROR II) = P(X ≤ 176, 645|X ∼ N(177, 1))

!
X − 177
=P σ ≤ 176, 645 − 177
√
n
= P(Z ≤ −0, 355) = 0, 36137 u 36 %

Entonces, la Regla de Decisión adoptada para un α = 0,05 es: “Si

X ≥ 176, 645, los habitantes descienden del norte europeo.
Caso contrario descienden del sur europeo”.
Con esta Regla de decisión, la probabilidad de cometer un Error

de Tipo II es:
β = P(ERROR II) = P(X ≤ 176, 645|X ∼ N(177, 1))

!
X − 177
=P σ ≤ 176, 645 − 177
√
n
= P(Z ≤ −0, 355) = 0, 36137 u 36 %

Observación: Este segundo tipo de procedimientos (controlar uno

de los errores y adoptar, en función de él, la Regla de decisión) es
el más utilizado, pues, usualmente, la decisión que debemos to-
mar no es tan sólo entre dos posibles poblaciones. Por ejemplo,
podríamos estar interesados en saber de cuál de los países eu-
ropeos descienden los habitantes del pueblo pampeano y, por lo
tanto, con otras características en cuanto a la altura.
Supongamos por ejemplo, que el interés esté en identificar si des-

cienden del sur europeo sin preocuparnos, en caso contrario, por
otro lugares de origen. Entonces, nos preguntamos ¿Cuál es la
Regla de decisión que se debe adoptar?.

Observación: Este segundo tipo de procedimientos (controlar uno

de los errores y adoptar, en función de él, la Regla de decisión) es
el más utilizado, pues, usualmente, la decisión que debemos to-
mar no es tan sólo entre dos posibles poblaciones. Por ejemplo,
podríamos estar interesados en saber de cuál de los países eu-
ropeos descienden los habitantes del pueblo pampeano y, por lo
tanto, con otras características en cuanto a la altura.
Supongamos por ejemplo, que el interés esté en identificar si des-

cienden del sur europeo sin preocuparnos, en caso contrario, por
otro lugares de origen. Entonces, nos preguntamos ¿Cuál es la
Regla de decisión que se debe adoptar?.

Entonces, la hipótesis que nos interesa es:
H0 : Los habitantes del pueblo descienden del sur europeo,
(esto es, µA = 175 cm con un desvío σA = 10 cm).
Y en el caso en que está no sea verdadera, la alternativa es mucho
más amplia y se puede expresar como:
H1 : Los habitantes del pueblo no descienden del sur europeo.
Así, la especificación de la hipotesis alternativa H1 depende

mucho del grado de información que se tiene del problema.
Por ejemplo, si admitimos que los descendientes del pueblo son
mayoritariamente del sur europeo, por ende, su altura media de-
biera ser inferior a 175 cm, podemos colocar como hipótesis alter-
nativa una más específica, dada por:
H1 : Los habitantes del pueblo no descienden del sur europeo,
(esto es, µ > 175 cm).



Esto significa que solo vamos a desconfiar de H0 si x fuera mucho
mayor que 175 cm (y por ende, nuestra decisión será semejante a
la vista anteriormente).
Por ejemplo, si nuevamente fijamos α = 0, 05, la regla de decisión
en este caso depende solamente de las informaciones de H0 y
será la misma que encontramos anteriormente. Pero, ahora, no
podremos encontrar β, pues no tenemos un único parámetro µ
como alternativa.
Entonces, admitamos que no tenemos ninguna preferencia para
creer que la altura media de los habitantes que descienden de pai-
ses del sur europeo sea diferente de la media de los que provienen
de otros países, lo cual nos llevaría a dudar de que no son descen-
dientes del sur europeo, solamente, cuando la media de las alturas
fueran mucho menor o mucho mayor que 175 cm, esto es:
(esto es: µ 6= 175 cm).
como alternativa.
(esto es: µ 6= 175 cm).
como alternativa.
(esto es: µ 6= 175 cm).
Así, la Regla de Decisión, deberá indicar dos puntos x c1 y x c2 tal
que “si x está entre x c1 y x c2 , decimos que los habitantes descien-
den del sur europeo, pero si x está fuera de ese intervalo decimos
que no descienden del sur europeo”. Por ejemplo, si α = 0, 05:
0, 05 = P(ERROR I) = P(X < x c1 ó X > x c2 |X ∼ N(175, 1))
= P(X − 175 < x c1 − 175 ó X − 175 > x c2 − 175)
= P(Z < −1, 96 ó Z > 1, 96)
=⇒
−1, 96 = x c1 − 175 −→ x c1 = 174, 04, y
1, 96 = x c2 − 175 −→ x c2 = 176, 96.
y por ende, la región de rechazo de la hipótesis H0 es:
RC = {x ∈ R : x < 174, 04 ó x > 176, 96}.
Así, dependiendo del grado de información que se tiene del pro-
blema, podemos tener reglas de decisiones uni o bilaterales.
= P(X − 175 < x c1 − 175 ó X − 175 > x c2 − 175)
= P(Z < −1, 96 ó Z > 1, 96)
=⇒
−1, 96 = x c1 − 175 −→ x c1 = 174, 04, y
1, 96 = x c2 − 175 −→ x c2 = 176, 96.
RC = {x ∈ R : x < 174, 04 ó x > 176, 96}.
= P(X − 175 < x c1 − 175 ó X − 175 > x c2 − 175)
= P(Z < −1, 96 ó Z > 1, 96)
=⇒
−1, 96 = x c1 − 175 −→ x c1 = 174, 04, y
1, 96 = x c2 − 175 −→ x c2 = 176, 96.
RC = {x ∈ R : x < 174, 04 ó x > 176, 96}.
= P(X − 175 < x c1 − 175 ó X − 175 > x c2 − 175)
= P(Z < −1, 96 ó Z > 1, 96)
=⇒
−1, 96 = x c1 − 175 −→ x c1 = 174, 04, y
1, 96 = x c2 − 175 −→ x c2 = 176, 96.
RC = {x ∈ R : x < 174, 04 ó x > 176, 96}.
Test de Hipótesis: Construcción
La construcción de un Test de Hipótesis para un parámetro po-
blacional puede ser colocada de la siguiente manera:
Existe una variable X de una dada población.
Se tiene una hipótesis sobre un posible valor para el parámetro θ
(desconocido) de esa población, por ejemplo θ = θ0 .
Se toma una muestra aletoria simple de elementos de esa
población, y a través de ella, se desea probar o refutar esa
hipótesis.
Primero, explicitamos claramente ¿cuál es la hipótesis que esta-
mos colocando a prueba? y la llamaremos Hipótesis Nula. En
nuestro caso, H0 : θ = θ0 .
A seguir, conviene colocar también la hipótesis que será consi-
derada como aceptable si H0 fuera rechazada. La caracterización
de esta hipótesis, llamada Hipótesis Alternativa, dependerá del
grado de conocimiento que se tiene del problema estudiado. La
alternativa más general es: H1 : θ 6= θ0 .
En este caso, se dice que tenemos un Test de Hipótesis Bilateral.
hipótesis.
hipótesis.
hipótesis.
hipótesis.
hipótesis.
hipótesis.
Sin embargo, se puede tener H0 : θ ≥ θ0 versus H1 : θ < θ0
(alternativamente, H0 : θ ≤ θ0 versus H1 : θ > θ0 ) dependiendo
de las informaciones que el problema trae. En cualquiera de estos
dos casos, hablaremos de Test de Hipótesis Unilateral.
Cualquiera sea la decisión que se tome, siempre estaremos suje-
tos a cometer dos tipos de errores, a saber:
ERROR DE TIPO I = Rechazar H0 cuando H0 es verdadera,
siendo: α = P(ERROR I) = P(rechazar H0 |H0 es verdadera)
ERROR DE TIPO II = No rechazar H0 cuando H0 es falsa, siendo:
β = P(ERROR II) = P(no rechazar H0 |H0 es falsa)
El objetivo de un Test de Hipótesis es decidir, a través de un esta-
dístico θ̂ obtenido de la muestra, si H0 es, o no, aceptable. Esto se
consigue a través de la Región Crítica que se construye de forma
tal que α = P(θ̂ ∈ RC|H0 es verdadera). Si el valor observado
del estadístico se encuentra en la RC, entonces rechazamos H0 .
Caso contrario, no tenemos evidencia al nivel α para rechazar H0 .
Observaciones:
La igualdad del parámetro, SIEMPRE, es colocada en la hipótesis
nula. Esto es así, porque Estadístico y Región Crítica son
construidos sobre la base de que H0 es verdadera.
α es la probabilidad de Error de Tipo I y es controlada (fijada) por
el investigador, siendo sus valores usales 0, 01, 0, 05 y 0, 10.
α recibe del nombre de nivel de significancia del test.
La determinación de β es más dificil ya que, usualmente, no se
especifican valores fijos para el parámetro en la situación
alternativa.
(1 − β) se denomina Poder del Test.
− Así, definida una hipótesis H0 sobre un parámetro θ = θ0 y,
determinada la Región Crítica para el estadístico θ̂, resulta
1 − β(θ) = P(θ̂ ∈ RC|θ) (o sea, la función se determina atribuyendo
algunos valores arbitrarios y posibles para el parámetro θ).
− La función Poder del Test indica la probabilidad de una
decisión correcta, según las diversas alternativas del
parámetro.
Observaciones:
alternativa.
parámetro.
Observaciones:
alternativa.
parámetro.
Observaciones:
alternativa.
parámetro.
Observaciones:
alternativa.
parámetro.
Test de Hipótesis: Pasos
De esta manera, estamos en condiciones de ver los distintos pasos
involucrados en la construcción de un Test de Hipótesis, a saber:
1 1◦ Paso: Fijar la Hipótesis Nula H0 a ser tratada y la Hipótesis
Alternativa H1 .
2 2◦ Paso: Escoger el estadistico que será usado para juzgar H0 . Se
debe conocer una “distribución muestral” del estadístico, que
permita conocer el comportamiento distribucional de la población.
3 3◦ Paso: Fijar el valor α de cometer un error de primera especie y,
usar ese valor para construir la Región Crítica. Esta región es
construida para el estadistico usado en el segundo paso, usando
los valores colocados a prueba en H0 .
4 4◦ Paso: Usar los resultados de la muestra para obtener el valor
del estadístico que nos conducirá a tomar una decisión. Si el valor
del estadístico (calculado a partir de valores de la muestra y bajo la
hipótesis nula) pertenece a la Región Crítica, se rechaza H0 con
probabilidad α. Caso contrario, concluimos que no existe evidencia,
al nivel α, para rechazar H0 .
5 5◦ Paso: Construir una nueva estimación por intervalos de
confianza para el parámetro de interés, si se rechaza H0 .
Alternativa H1 .
Alternativa H1 .
Alternativa H1 .
Alternativa H1 .
Alternativa H1 .
Test de Hipótesis bajo diferentes situaciones
Utilizando los pasos detallados en la sección previa, presentare-

mos los test para parámetros bajo diferentes situaciones poblacio-
nales.
La teoría que se presenta será desarrollado para hipótesis bilate-

rales.
Podría trabajarse también con hipótesis alternativas, H1 : θ < θ0 o

bien H1 : θ > θ0 y lo único que cambia es la Región Crítica.


nales.

rales.



nales.

rales.


Test de Hipótesis para la Media de una Población
Normal con Varianza conocida
Sea X1 , X2 , · · · , Xn una muestra aleatoria simple de una población
X ∼ N(µ, σ 2 ), con σ 2 conocida (si X no está normalmente distri-
buida, la muestra seleccionada es de un tamaño grande).
Para construir un Test de Hipótesis para µ realizamos los pasos:
1 Hipótesis: H0 : µ = µ0 versus H1 : µ 6= µ0 .
2 Estadístico de Prueba: Z = X −µ
√σ
0
∼ N(0, 1) bajo H0 .
n
3 Región Crítica: Fijado α existen ±z α2 tal que S
1 − α = P(−z α2 ≤ Z ≤ z α2 ), −→ RC = (−∞, −z α2 ) (z α2 , ∞).
4 Regla de Decisión: Si el valor calculado de Z , bajo H0 , es
denotado por z0 , decidimos: “si z0 ∈ RC rechazamos H0 con
probabilidad α, caso contrario, no se tiene evidencia al nivel α
para rechazar H0 ”.
5 Intervalo de Confianza: Si se rechaza H0 , una nueva estimación
por Intervalo de Confianza de µ es:
σ
IC(µ : γ = (1 − α) %) = x ± z α2 √ .
n
√σ
0
∼ N(0, 1) bajo H0 .
n
1 − α = P(−z α2 ≤ Z ≤ z α2 ), −→ RC = (−∞, −z α2 ) (z α2 , ∞).
σ
IC(µ : γ = (1 − α) %) = x ± z α2 √ .
n
√σ
0
∼ N(0, 1) bajo H0 .
n
1 − α = P(−z α2 ≤ Z ≤ z α2 ), −→ RC = (−∞, −z α2 ) (z α2 , ∞).
σ
IC(µ : γ = (1 − α) %) = x ± z α2 √ .
n
√σ
0
∼ N(0, 1) bajo H0 .
n
1 − α = P(−z α2 ≤ Z ≤ z α2 ), −→ RC = (−∞, −z α2 ) (z α2 , ∞).
σ
IC(µ : γ = (1 − α) %) = x ± z α2 √ .
n
√σ
0
∼ N(0, 1) bajo H0 .
n
1 − α = P(−z α2 ≤ Z ≤ z α2 ), −→ RC = (−∞, −z α2 ) (z α2 , ∞).
σ
IC(µ : γ = (1 − α) %) = x ± z α2 √ .
n
√σ
0
∼ N(0, 1) bajo H0 .
n
1 − α = P(−z α2 ≤ Z ≤ z α2 ), −→ RC = (−∞, −z α2 ) (z α2 , ∞).
σ
IC(µ : γ = (1 − α) %) = x ± z α2 √ .
n
√σ
0
∼ N(0, 1) bajo H0 .
n
1 − α = P(−z α2 ≤ Z ≤ z α2 ), −→ RC = (−∞, −z α2 ) (z α2 , ∞).
σ
IC(µ : γ = (1 − α) %) = x ± z α2 √ .
n
Ejemplo: Por estudios hidrológicos previos de las aguas del acuí-

fero libre de una región semiárida, se sabe que la concentración
de HCO3− se distribuye normalmente con una media de 278 mg/L
y una desviación estándar de 50 mg/L. Estudios recientes mostra-
ron, para una muestra de 25 pozos de esta región, que la media de
HCO3− era de 282 mg/L con una desviación estándar de 54 mg/L.
¿Parecería esto estar indicando que la concentración de carbona-
tos no ha cambiado respecto de la información suministrada por
los estudios hidrogeológicos previos?
Responda usando un nivel de significancia α = 0, 05 y conside-
rando que la varianza es la conocida de estudios previos.

1 Las hipótesis son: H0 : µ = 278 versus H1 : µ 6= 278

X −µ0 282−278
2 El estadístico Z = σ
√
calculado bajo H0 es z0 = √50 = 0,4.
n 25
3 Fijado α = 0, 05 tenemos
S la siguiente Región Crítica
RC = (−∞; −1, 96) (1, 96; ∞).
4 Como z0 = 0, 4 6∈ RC no tenemos evidencia al nivel α = 0, 05 para
rechazar H0 .


X −µ0 282−278
√
n 25
RC = (−∞; −1, 96) (1, 96; ∞).
rechazar H0 .


X −µ0 282−278
√
n 25
RC = (−∞; −1, 96) (1, 96; ∞).
rechazar H0 .


X −µ0 282−278
√
n 25
RC = (−∞; −1, 96) (1, 96; ∞).
rechazar H0 .

Test de Hipótesis para la Igualdad de Medias de
Poblaciones Normales e Independientes con
varianzas conocidas
Sean X11 , X12 , · · · , X1n1 una m.a.s. de una población X1 ∼ N(µ1 , σ12 ),
y X21 , X22 , · · · , X2n2 una m.a.s. de una población X2 ∼ N(µ2 , σ22 ),
siendo ambas poblaciones independientes entre sí.
Para construir un Test de Hipótesis para probar la igualdad de las
dos medias, esto es µ1 = µ2 , cuando σ12 y σ22 son conocidas, los
pasos son:
1 Hipótesis: H0 : µ1 = µ2 versus H1 : µ1 6= µ2 .
Equivalentemente, H0 : µ1 − µ2 = 0 versus H1 : µ1 − µ2 6= 0.
(X 1 −X 2 )−(µ1 −µ2 )
2 Estadístico de Prueba: Z = r ∼ N(0, 1) bajo H0 .
σ2 σ2
1 + n2
n1 2

varianzas conocidas
pasos son:
(X 1 −X 2 )−(µ1 −µ2 )
σ2 σ2
1 + n2
n1 2

varianzas conocidas
pasos son:
(X 1 −X 2 )−(µ1 −µ2 )
σ2 σ2
1 + n2
n1 2

varianzas conocidas
pasos son:
(X 1 −X 2 )−(µ1 −µ2 )
σ2 σ2
1 + n2
n1 2

varianzas conocidas
1 − α = P(−z α2 ≤ Z ≤ z α2 ), −→ RC = (−∞, −z α2 ) (z α2 , ∞)
5 Intervalo de Confianza: Si se rechaza H0 , se podria construir una
nueva estimación por Intervalo de Confianza para la Diferencias de
las medias de µ1 − µ2 (no sería necesario a efectos de la
comparación de las medias, como hicimos bajo la teoría de
estimación); i.e.:
s
σ12 σ2
IC(µ1 − µ2 : γ = (1 − α) %) = (x 1 − x 2 ) ± z α2 + 2.
n1 n2

varianzas conocidas
1 − α = P(−z α2 ≤ Z ≤ z α2 ), −→ RC = (−∞, −z α2 ) (z α2 , ∞)
estimación); i.e.:
s
σ12 σ2
IC(µ1 − µ2 : γ = (1 − α) %) = (x 1 − x 2 ) ± z α2 + 2.
n1 n2

varianzas conocidas
1 − α = P(−z α2 ≤ Z ≤ z α2 ), −→ RC = (−∞, −z α2 ) (z α2 , ∞)
estimación); i.e.:
s
σ12 σ2
IC(µ1 − µ2 : γ = (1 − α) %) = (x 1 − x 2 ) ± z α2 + 2.
n1 n2

varianzas conocidas
Ejemplo: Consideremos las siguientes variables aleatorias:

X1 : “cotas topográficas de la zona norte del cordón cordillerano”,
con X1 ∼ N(µ1 , 5002 ),
X2 : “cotas topográficas de la zona sur del cordón cordillerano”, con
X2 ∼ N(µ2 , 5002 )
Consideradas muestras de tamaño 10 de ambas poblaciones se
obtuvo x 1 = 3210, 1 y x 2 = 2109, respectivamente.
Entonces, un Test de Hipótesis para probar µ1 = µ2 , cuando

σ12 = σ22 = 5002 , es:

varianzas conocidas

con X1 ∼ N(µ1 , 5002 ),
X2 ∼ N(µ2 , 5002 )

σ12 = σ22 = 5002 , es:

varianzas conocidas

con X1 ∼ N(µ1 , 5002 ),
X2 ∼ N(µ2 , 5002 )

σ12 = σ22 = 5002 , es:

varianzas conocidas
1 Las hipótesis son: H0 : µ1 = µ2 versus H1 : µ1 6= µ2
2 El estadístico Z = (X 1 −X
r2
)−(µ1 −µ2 )
2 2
calculado bajo H0 es
σ σ
1 + n2
n1 2
z0 = 4, 924.
3 Fijado α = 0, 01 tenemosSla siguiente Región Crítica
RC = (−∞; −2, 58) (2, 58; ∞).
4 Como z0 = 4, 942 ∈ RC, con una probabilidad de error del 1 %,
rechazamos H0 . Lo cual indica que nuestra conclusión es, con una
probabilidad del 1 %, es que las medias de las cotas topográficas
de la zona norte y sur del cordón cordillerano son diferentes.
5 Una estimación por Intervalo de Confianza para la diferencia es
IC(µ1 − µ2 : γ = 99 %) = (179, 94; 2004, 26).

varianzas conocidas
r2
)−(µ1 −µ2 )
2 2
σ σ
1 + n2
n1 2
z0 = 4, 924.
RC = (−∞; −2, 58) (2, 58; ∞).
IC(µ1 − µ2 : γ = 99 %) = (179, 94; 2004, 26).

varianzas conocidas
r2
)−(µ1 −µ2 )
2 2
σ σ
1 + n2
n1 2
z0 = 4, 924.
RC = (−∞; −2, 58) (2, 58; ∞).
IC(µ1 − µ2 : γ = 99 %) = (179, 94; 2004, 26).

varianzas conocidas
r2
)−(µ1 −µ2 )
2 2
σ σ
1 + n2
n1 2
z0 = 4, 924.
RC = (−∞; −2, 58) (2, 58; ∞).
IC(µ1 − µ2 : γ = 99 %) = (179, 94; 2004, 26).

varianzas conocidas
r2
)−(µ1 −µ2 )
2 2
σ σ
1 + n2
n1 2
z0 = 4, 924.
RC = (−∞; −2, 58) (2, 58; ∞).
IC(µ1 − µ2 : γ = 99 %) = (179, 94; 2004, 26).

Test de Hipótesis para la Varianza de una
Población Normal
Sea X1 , X2 , · · · , Xn una m.a.s. donde cada Xi ∼ N(µ, σ 2 ).
Para construir un Test de Hipótesis para la varianza, los pasos son:
1 Hipótesis: H0 : σ 2 = σ02 versus H1 : σ 2 6= σ02 .

(n−1)S 2
2 Estadístico de Prueba: χ2 = σ02
∼ χ2(n−1) bajo H0 .
3 Región Crítica: Fijado α existen χ2(1− α )(n−1) y χ2( α )(n−1) tal que:
2 2
RC = (0, χ2(1− α )(n−1) ) (χ2( α )(n−1) , ∞).
S
2 2
4 Regla de Decisión: Si el valor calculado de χ2 , bajo H0 , es
denotado por χ20 , decidimos: “si χ20 ∈ RC rechazamos H0 con
por Intervalo de Confianza para la varianza es:
!
2 2
(n − 1)s (n − 1)s
IC(σ 2 : γ = (1 − α) %) = ; .
χ α2 (n−1) χ(1− α2 )(n−1)
Población Normal

(n−1)S 2
∼ χ2(n−1) bajo H0 .
2 2
RC = (0, χ2(1− α )(n−1) ) (χ2( α )(n−1) , ∞).
S
2 2
!
2 2
(n − 1)s (n − 1)s
IC(σ 2 : γ = (1 − α) %) = ; .
χ α2 (n−1) χ(1− α2 )(n−1)
Población Normal

(n−1)S 2
∼ χ2(n−1) bajo H0 .
2 2
RC = (0, χ2(1− α )(n−1) ) (χ2( α )(n−1) , ∞).
S
2 2
!
2 2
(n − 1)s (n − 1)s
IC(σ 2 : γ = (1 − α) %) = ; .
χ α2 (n−1) χ(1− α2 )(n−1)
Población Normal

(n−1)S 2
∼ χ2(n−1) bajo H0 .
2 2
RC = (0, χ2(1− α )(n−1) ) (χ2( α )(n−1) , ∞).
S
2 2
!
2 2
(n − 1)s (n − 1)s
IC(σ 2 : γ = (1 − α) %) = ; .
χ α2 (n−1) χ(1− α2 )(n−1)
Población Normal

(n−1)S 2
∼ χ2(n−1) bajo H0 .
2 2
RC = (0, χ2(1− α )(n−1) ) (χ2( α )(n−1) , ∞).
S
2 2
!
2 2
(n − 1)s (n − 1)s
IC(σ 2 : γ = (1 − α) %) = ; .
χ α2 (n−1) χ(1− α2 )(n−1)
Población Normal

(n−1)S 2
∼ χ2(n−1) bajo H0 .
2 2
RC = (0, χ2(1− α )(n−1) ) (χ2( α )(n−1) , ∞).
S
2 2
!
2 2
(n − 1)s (n − 1)s
IC(σ 2 : γ = (1 − α) %) = ; .
χ α2 (n−1) χ(1− α2 )(n−1)
Población Normal

(n−1)S 2
∼ χ2(n−1) bajo H0 .
2 2
RC = (0, χ2(1− α )(n−1) ) (χ2( α )(n−1) , ∞).
S
2 2
!
2 2
(n − 1)s (n − 1)s
IC(σ 2 : γ = (1 − α) %) = ; .
χ α2 (n−1) χ(1− α2 )(n−1)
Población Normal
Ejemplo: Considerando las dos muestras de tamaño 10 seleccio-
nadas de las zonas Norte y Sur del cordón cordillerano, podemos
verificar si el supuesto, realizado por el investigador, de que ambas
varianzas pueden suponerse iguales a 5002 , se verifica.
Así, un Test para la varianza de las cotas topográficas de la

zona norte es:
1 Las hipótesis son: H0 : σ12 = 5002 versus H1 : σ12 6= 5002
(n1 −1)S12
2 El estadístico χ2 = σ02
∼ χ2(n1 −1) calculado bajo H0 es
χ20 = 7, 6497, con una estimativa puntual s12 = 212492, 5.
3 Fijado α = 0, 05 tenemos la siguiente Región Crítica
[
RC = (0; 2, 7004) (19, 0228; ∞).
4 χ20 = 7, 6497 6∈ RC, no tenemos evidencia al nivel del 5 % para
rechazar H0 : σ12 = 5002 .

Población Normal

zona norte es:
(n1 −1)S12
[
RC = (0; 2, 7004) (19, 0228; ∞).
rechazar H0 : σ12 = 5002 .

Población Normal

zona norte es:
(n1 −1)S12
[
RC = (0; 2, 7004) (19, 0228; ∞).
rechazar H0 : σ12 = 5002 .

Población Normal

zona norte es:
(n1 −1)S12
[
RC = (0; 2, 7004) (19, 0228; ∞).
rechazar H0 : σ12 = 5002 .

Población Normal

zona norte es:
(n1 −1)S12
[
RC = (0; 2, 7004) (19, 0228; ∞).
rechazar H0 : σ12 = 5002 .

Población Normal

zona norte es:
(n1 −1)S12
[
RC = (0; 2, 7004) (19, 0228; ∞).
rechazar H0 : σ12 = 5002 .

Población Normal
Análogamente, un test para la varianza de las cotas topográfi-

cas de la zona sur es:

(n2 −1)S22
[
RC = (0; 2, 7004) (19, 0228; ∞).

rechazar H0 : σ22 = 5002 .

Población Normal


(n2 −1)S22
[
RC = (0; 2, 7004) (19, 0228; ∞).

rechazar H0 : σ22 = 5002 .

Población Normal


(n2 −1)S22
[
RC = (0; 2, 7004) (19, 0228; ∞).

rechazar H0 : σ22 = 5002 .

Población Normal


(n2 −1)S22
[
RC = (0; 2, 7004) (19, 0228; ∞).

rechazar H0 : σ22 = 5002 .

Población Normal


(n2 −1)S22
[
RC = (0; 2, 7004) (19, 0228; ∞).

rechazar H0 : σ22 = 5002 .

Test de Hipótesis para la Media de Población
Normal con varianza desconocida
Sea X1 , X2 , · · · , Xn una m.a.s. de una población Xi ∼ N(µ, σ 2 ).
Para construir un Test de Hipótesis para µ, cuando σ 2 es descono-
cida, procedemos de la siguiente manera:
2 Estadístico de Prueba: t = X −µ
√s
0
∼ t(n−1) bajo H0 .
n
3 Región Crítica: Fijado α existen ±t( α2 )(n−1) tal que:
1 − α = P(−t( α2 )(n−1) ≤ t ≤St( α2 )(n−1) ),
=⇒ RC = (−∞, −t( α2 )(n−1) ) (t( α2 )(n−1) , ∞).
4 Regla de Decisión: Si el valor calculado de t, bajo H0 (denotado
por t0 ), decidimos: “si t0 ∈ RC rechazamos H0 con probabilidad
α, caso contrario, no se tiene evidencia al nivel α para
rechazar H0 ”.
s
IC(µ : γ = (1 − α) %) = x ± t( α2 )(n−1) √ .
n
√s
0
∼ t(n−1) bajo H0 .
n
1 − α = P(−t( α2 )(n−1) ≤ t ≤St( α2 )(n−1) ),
=⇒ RC = (−∞, −t( α2 )(n−1) ) (t( α2 )(n−1) , ∞).
rechazar H0 ”.
s
IC(µ : γ = (1 − α) %) = x ± t( α2 )(n−1) √ .
n
√s
0
∼ t(n−1) bajo H0 .
n
1 − α = P(−t( α2 )(n−1) ≤ t ≤St( α2 )(n−1) ),
=⇒ RC = (−∞, −t( α2 )(n−1) ) (t( α2 )(n−1) , ∞).
rechazar H0 ”.
s
IC(µ : γ = (1 − α) %) = x ± t( α2 )(n−1) √ .
n
√s
0
∼ t(n−1) bajo H0 .
n
1 − α = P(−t( α2 )(n−1) ≤ t ≤St( α2 )(n−1) ),
=⇒ RC = (−∞, −t( α2 )(n−1) ) (t( α2 )(n−1) , ∞).
rechazar H0 ”.
s
IC(µ : γ = (1 − α) %) = x ± t( α2 )(n−1) √ .
n
√s
0
∼ t(n−1) bajo H0 .
n
1 − α = P(−t( α2 )(n−1) ≤ t ≤St( α2 )(n−1) ),
=⇒ RC = (−∞, −t( α2 )(n−1) ) (t( α2 )(n−1) , ∞).
rechazar H0 ”.
s
IC(µ : γ = (1 − α) %) = x ± t( α2 )(n−1) √ .
n
√s
0
∼ t(n−1) bajo H0 .
n
1 − α = P(−t( α2 )(n−1) ≤ t ≤St( α2 )(n−1) ),
=⇒ RC = (−∞, −t( α2 )(n−1) ) (t( α2 )(n−1) , ∞).
rechazar H0 ”.
s
IC(µ : γ = (1 − α) %) = x ± t( α2 )(n−1) √ .
n
√s
0
∼ t(n−1) bajo H0 .
n
1 − α = P(−t( α2 )(n−1) ≤ t ≤St( α2 )(n−1) ),
=⇒ RC = (−∞, −t( α2 )(n−1) ) (t( α2 )(n−1) , ∞).
rechazar H0 ”.
s
IC(µ : γ = (1 − α) %) = x ± t( α2 )(n−1) √ .
n
Ejemplo: Para las cotas topográficas de la zona norte del cordón
cordillerano, suponga que el investigador cuenta con información
como para, a partir de los datos de la muestra, probar si el dato
aportado por otros investigadores de que la media es µ1 = 2550
es verdadero.
Un Test de Hipótesis cuando n = 10, x = 3210, 1 y la varianza es
desconocida y estimada por s12 = 212492, 5 es:
1 Las hipótesis son: H0 : µ1 = 2550 versus H1 : µ1 6= 2550
2 El estadístico t = X −µ
√s
0
calculado bajo H0 es t0 = 4, 5283.
n
3 Fijado α = 0, 05 tenemos laSsiguiente Región Crítica
RC = (−∞; −2, 26) (2, 26; ∞).
4 t0 = 4, 5283 ∈ RC, por lo que con probabilidad de error del 5 % se
rechaza H0 : µ1 = 2550.
5 Un Intervalo de Confianza para la media de las cotas topográficas
de la zona norte es: IC(µ1 : γ = 95 %) = (2880, 37; 3589, 83).
es verdadero.
√s
0
n
RC = (−∞; −2, 26) (2, 26; ∞).
rechaza H0 : µ1 = 2550.
es verdadero.
√s
0
n
RC = (−∞; −2, 26) (2, 26; ∞).
rechaza H0 : µ1 = 2550.
es verdadero.
√s
0
n
RC = (−∞; −2, 26) (2, 26; ∞).
rechaza H0 : µ1 = 2550.
es verdadero.
√s
0
n
RC = (−∞; −2, 26) (2, 26; ∞).
rechaza H0 : µ1 = 2550.
es verdadero.
√s
0
n
RC = (−∞; −2, 26) (2, 26; ∞).
rechaza H0 : µ1 = 2550.
es verdadero.
√s
0
n
RC = (−∞; −2, 26) (2, 26; ∞).
rechaza H0 : µ1 = 2550.
Test de Hipótesis para el Cociente de Varianzas de
dos Poblaciones Normales
Sean X11 , X12 , · · · , X1n1 una m.a.s. de una población X1 ∼ N(µ1 , σ12 )
dos varianzas, esto es σ12 = σ22 , los pasos son:
1 Hipótesis: H0 : σ12 ≤ σ22 versus H1 : σ12 > σ22 .
Dado que, para el cociente de varianzas, se usa la distribución F −

de Fisher Snedecor, la cuál se rechaza para valores grandes, es
usual la construcción de un test de hipótesis unilateral como el de
σ2 σ2
arriba, o equivalentemente, H0 : σ12 ≤ 1 versus H1 : σ12 > 1.
2 2
2 Estadístico de Prueba:
S12
F = ∼ F(n1 −1;n2 −1) bajo H0 y con S12 > S22 .
S22


σ2 σ2
2 2
S12
S22


σ2 σ2
2 2
S12
S22


σ2 σ2
2 2
S12
S22

1 Región Crítica: Fijado α existe F(α)(n1 −1,n2 −1) tal que
1 − α = P(F > F(α)(n1 −1;n2 −1) ), −→ RC = (F(α)(n1 −1;n2 −1) , ∞).
2 Regla de Decisión: Si el valor calculado de F , bajo H0 , es
denotado por F0 , decidimos: “si F0 ∈ RC rechazamos H0 con
probabilidad de error α, caso contrario, no se tiene evidencia
al nivel α para rechazar H0 ”.
3 Intervalo de Confianza: Si se rechaza H0 , se puede construir una
nueva estimación por Intervalo de Confianza para el cociente de
σ2
las varianzas, σ12 (observe que no sería necesario a efectos de la
2
comparación de las varianzas como lo hicimos en estimación), i.e.:
s12 s12
 
σ12

s22 s22
IC : γ = (1 − α) % =  ; 
σ22 F( α2 )(n1 −1;n2 −1) F(1− α2 ) (n1 − 1; n2 − 1)

1 − α = P(F > F(α)(n1 −1;n2 −1) ), −→ RC = (F(α)(n1 −1;n2 −1) , ∞).
σ2
2
s12 s12
 
σ12

s22 s22
IC : γ = (1 − α) % =  ; 
σ22 F( α2 )(n1 −1;n2 −1) F(1− α2 ) (n1 − 1; n2 − 1)

1 − α = P(F > F(α)(n1 −1;n2 −1) ), −→ RC = (F(α)(n1 −1;n2 −1) , ∞).
σ2
2
s12 s12
 
σ12

s22 s22
IC : γ = (1 − α) % =  ; 
σ22 F( α2 )(n1 −1;n2 −1) F(1− α2 ) (n1 − 1; n2 − 1)

Ejemplo: Un Test para averiguar si de las varianzas de las cotas

topográficas de la zona norte y sur del cordón cordillerano son
iguales, está dado por:
1 Las hipótesis son: H0 : σ22 ≤ σ12 versus H1 : σ22 > σ12
S22
2 El estadístico F = S12
calculado bajo H0 es F0 = 1, 5543
verificándose que s2 = 330276, 7 > s12 = 212492, 5.
2
3 Fijado α = 0, 05, la Región Crítica es RC = (3, 1789; ∞).

4 F0 = 1, 5543 6∈ RC, por lo que al nivel del 5 % no tenemos
evidencia para rechazar H0 .


S22
2



S22
2



S22
2



S22
2


dos Poblaciones Normales con varianzas
desconocidas
siendo ambas poblaciones independientes entre sí y en las que
todos los parámetros son desconocidos.
Entonces, para construir un Test de Hipótesis para probar si las
medias son iguales, debemos distinguir si las varianzas son, o no,
iguales.

desconocidas
siendo ambas poblaciones independientes entre sí y en las que
todos los parámetros son desconocidos.
Entonces, para construir un Test de Hipótesis para probar si las
medias son iguales, debemos distinguir si las varianzas son, o no,
iguales.

desconocidas
CASO 1: σ12 = σ22 = σ 2
2 Estadístico de Prueba: t = (X 1 −Xq
2 )−(µ1 −µ2 )
1 1
∼ t(n1 +n2 −2) bajo H0 ,
Sp n1 +n
2
(n1 −1)S12 +(n2 −1)S22
con Sp2
definido por Sp2= n1 +n2 −2 .
3 Región Crítica: Fijado α existenS±t( α2 )(n1 +n2 −2) tal que
RC = (−∞, −t( α2 )(n1 +n2 −2) ) (t( α2 )(n1 +n2 −2) , ∞)
4 Regla de Decisión: “si t0 ∈ RC (valor de t bajo H0 ), rechazamos
H0 con probabilidad α, caso contrario, no se tiene evidencia al nivel
α para rechazar H0 ”.
5 Intervalo de Confianza: Si se rechaza H0 , puede construirse una
nueva estimación por IC para la Diferencias de las Medias:
s
1 1
IC(µ1 − µ2 : γ = (1 − α) %) = x 1 − x 2 ± t( α2 )(n1 +n2 −2) sp + .
n1 n2
desconocidas
CASO 1: σ12 = σ22 = σ 2
2 )−(µ1 −µ2 )
1 1
∼ t(n1 +n2 −2) bajo H0 ,
Sp n1 +n
2
(n1 −1)S12 +(n2 −1)S22
con Sp2
RC = (−∞, −t( α2 )(n1 +n2 −2) ) (t( α2 )(n1 +n2 −2) , ∞)
s
1 1
IC(µ1 − µ2 : γ = (1 − α) %) = x 1 − x 2 ± t( α2 )(n1 +n2 −2) sp + .
n1 n2
desconocidas
CASO 1: σ12 = σ22 = σ 2
2 )−(µ1 −µ2 )
1 1
∼ t(n1 +n2 −2) bajo H0 ,
Sp n1 +n
2
(n1 −1)S12 +(n2 −1)S22
con Sp2
RC = (−∞, −t( α2 )(n1 +n2 −2) ) (t( α2 )(n1 +n2 −2) , ∞)
s
1 1
IC(µ1 − µ2 : γ = (1 − α) %) = x 1 − x 2 ± t( α2 )(n1 +n2 −2) sp + .
n1 n2
desconocidas
CASO 1: σ12 = σ22 = σ 2
2 )−(µ1 −µ2 )
1 1
∼ t(n1 +n2 −2) bajo H0 ,
Sp n1 +n
2
(n1 −1)S12 +(n2 −1)S22
con Sp2
RC = (−∞, −t( α2 )(n1 +n2 −2) ) (t( α2 )(n1 +n2 −2) , ∞)
s
1 1
IC(µ1 − µ2 : γ = (1 − α) %) = x 1 − x 2 ± t( α2 )(n1 +n2 −2) sp + .
n1 n2
desconocidas
CASO 1: σ12 = σ22 = σ 2
2 )−(µ1 −µ2 )
1 1
∼ t(n1 +n2 −2) bajo H0 ,
Sp n1 +n
2
(n1 −1)S12 +(n2 −1)S22
con Sp2
RC = (−∞, −t( α2 )(n1 +n2 −2) ) (t( α2 )(n1 +n2 −2) , ∞)
s
1 1
IC(µ1 − µ2 : γ = (1 − α) %) = x 1 − x 2 ± t( α2 )(n1 +n2 −2) sp + .
n1 n2
desconocidas
CASO 1: σ12 = σ22 = σ 2
2 )−(µ1 −µ2 )
1 1
∼ t(n1 +n2 −2) bajo H0 ,
Sp n1 +n
2
(n1 −1)S12 +(n2 −1)S22
con Sp2
RC = (−∞, −t( α2 )(n1 +n2 −2) ) (t( α2 )(n1 +n2 −2) , ∞)
s
1 1
IC(µ1 − µ2 : γ = (1 − α) %) = x 1 − x 2 ± t( α2 )(n1 +n2 −2) sp + .
n1 n2
desconocidas
CASO 2: σ12 6= σ22
2 Estadístico de Prueba: t = (X 1 −X
r2
)−(µ1 −µ2 )
2 2
∼ t(ν) bajo H0 , con
S S
1 + n2
n1 2
2
s2 2

s
1 2
n1 + n2
ν=  2  2 .
s2 s2
 1  2
n1 n2
n1 −1 + n2 −1
3 Región Crítica: Fijado α existen
S ±t( α2 )(ν) , y determinamos la RC:
RC = (−∞, −t( α2 )(ν) ) (t( α2 )(ν) , ∞).
4 Regla de Decisión: “si t0 ∈ RC (valor de t calculado bajo H0 )
rechazamos H0 , caso contrario, no se tiene evidencia al nivel α
nueva estimación por IC para la Diferencias de las medias.
desconocidas
CASO 2: σ12 6= σ22
r2
)−(µ1 −µ2 )
2 2
S S
1 + n2
n1 2
2
s2 2

s
1 2
n1 + n2
ν=  2  2 .
s2 s2
 1  2
n1 n2
n1 −1 + n2 −1
RC = (−∞, −t( α2 )(ν) ) (t( α2 )(ν) , ∞).
desconocidas
CASO 2: σ12 6= σ22
r2
)−(µ1 −µ2 )
2 2
S S
1 + n2
n1 2
2
s2 2

s
1 2
n1 + n2
ν=  2  2 .
s2 s2
 1  2
n1 n2
n1 −1 + n2 −1
RC = (−∞, −t( α2 )(ν) ) (t( α2 )(ν) , ∞).
desconocidas
CASO 2: σ12 6= σ22
r2
)−(µ1 −µ2 )
2 2
S S
1 + n2
n1 2
2
s2 2

s
1 2
n1 + n2
ν=  2  2 .
s2 s2
 1  2
n1 n2
n1 −1 + n2 −1
RC = (−∞, −t( α2 )(ν) ) (t( α2 )(ν) , ∞).
desconocidas
CASO 2: σ12 6= σ22
r2
)−(µ1 −µ2 )
2 2
S S
1 + n2
n1 2
2
s2 2

s
1 2
n1 + n2
ν=  2  2 .
s2 s2
 1  2
n1 n2
n1 −1 + n2 −1
RC = (−∞, −t( α2 )(ν) ) (t( α2 )(ν) , ∞).
desconocidas
CASO 2: σ12 6= σ22
r2
)−(µ1 −µ2 )
2 2
S S
1 + n2
n1 2
2
s2 2

s
1 2
n1 + n2
ν=  2  2 .
s2 s2
 1  2
n1 n2
n1 −1 + n2 −1
RC = (−∞, −t( α2 )(ν) ) (t( α2 )(ν) , ∞).
desconocidas
Ejemplo: Al tomar sendas muestras de las cotas topográficas de
las zonas norte y sur del cordón cordillerano, se probó, con un
coeficiente de confianza del 95 %, que las varianzas son iguales.
Entonces, un Test de Hipótesis para probar si las medias son idén-
ticas en ambas zonas, es:
2 El estadístico t = Xq1 −X
1
2
1
calculado bajo H0 es t0 = 2, 964
Sp n1 +n
2
donde sp = 521, 16.
3 Fijado α = 0, 05 tenemos laS siguiente Región Crítica
RC = (−∞; −2, 1009) (2, 1009; ∞).
4 t0 = 2, 964 ∈ RC, por lo que, se rechaza H0 con una probabilidad
del 5 %.
5 Una estimativa por Intervalo de Confianza de la Diferencia de
Medias, entonces, es: IC(µ1 − µ2 : γ = 95 %) = (317, 89; 1866, 21).
desconocidas
1
2
1
Sp n1 +n
2
donde sp = 521, 16.
RC = (−∞; −2, 1009) (2, 1009; ∞).
del 5 %.
desconocidas
1
2
1
Sp n1 +n
2
donde sp = 521, 16.
RC = (−∞; −2, 1009) (2, 1009; ∞).
del 5 %.
desconocidas
1
2
1
Sp n1 +n
2
donde sp = 521, 16.
RC = (−∞; −2, 1009) (2, 1009; ∞).
del 5 %.
desconocidas
1
2
1
Sp n1 +n
2
donde sp = 521, 16.
RC = (−∞; −2, 1009) (2, 1009; ∞).
del 5 %.
desconocidas
1
2
1
Sp n1 +n
2
donde sp = 521, 16.
RC = (−∞; −2, 1009) (2, 1009; ∞).
del 5 %.
desconocidas
1
2
1
Sp n1 +n
2
donde sp = 521, 16.
RC = (−∞; −2, 1009) (2, 1009; ∞).
del 5 %.
Test de Hipótesis para la Proporción
Sea X1 , X2 , · · · , Xn una m.a.s., donde cada Xi ∼ Ber (p), siendo:

1 si el individuo i es portador de la característica de interés,
Xi =
0 si el individuo i no es portador de la característica.
Un Test de Hipótesis para p está dado por:
1 Hipótesis: H0 : p = p0 versus H1 : p 6= p0 .
2 Estadístico de Prueba: Z = p̂−p
q 0 ∼ N(0, 1) bajo H0 con
p̂q̂
n
q̂ = (1 − p̂) y si n −→ ∞.
3 Región Crítica: Fijado S α existen ±z α2 tal que
RC = (−∞, −z α2 ) (z α2 , ∞).
4 Regla de Decisión: “si z0 ∈ RC rechazamos H0 , caso contrario, no
se tiene evidencia al nivel α para rechazar H0 ”.
por Intervalo de Confianza de p es:
r
p̂q̂
IC(p : γ = (1 − α) %) = p̂ ± z 2α .
n

Xi =
p̂q̂
n
q̂ = (1 − p̂) y si n −→ ∞.
RC = (−∞, −z α2 ) (z α2 , ∞).
r
p̂q̂
IC(p : γ = (1 − α) %) = p̂ ± z 2α .
n

Xi =
p̂q̂
n
q̂ = (1 − p̂) y si n −→ ∞.
RC = (−∞, −z α2 ) (z α2 , ∞).
r
p̂q̂
IC(p : γ = (1 − α) %) = p̂ ± z 2α .
n

Xi =
p̂q̂
n
q̂ = (1 − p̂) y si n −→ ∞.
RC = (−∞, −z α2 ) (z α2 , ∞).
r
p̂q̂
IC(p : γ = (1 − α) %) = p̂ ± z 2α .
n

Xi =
p̂q̂
n
q̂ = (1 − p̂) y si n −→ ∞.
RC = (−∞, −z α2 ) (z α2 , ∞).
r
p̂q̂
IC(p : γ = (1 − α) %) = p̂ ± z 2α .
n

Xi =
p̂q̂
n
q̂ = (1 − p̂) y si n −→ ∞.
RC = (−∞, −z α2 ) (z α2 , ∞).
r
p̂q̂
IC(p : γ = (1 − α) %) = p̂ ± z 2α .
n

Xi =
p̂q̂
n
q̂ = (1 − p̂) y si n −→ ∞.
RC = (−∞, −z α2 ) (z α2 , ∞).
r
p̂q̂
IC(p : γ = (1 − α) %) = p̂ ± z 2α .
n
Ejemplo: Suponga que se realizó una encuesta con 400 electores

elegidos al azar y, se verificó que 208 de ellos pretendían votar
al candidato A. Se buscaba probar que el porcentaje de electo-
res favorables al candidato A era el mismo del candidato B, esto
es pA = 0, 5, entonces un test de hipótesis se construye de la si-
guiente forma:
1 Las hipótesis son: H0 : pA = 0, 5 versus H1 : pA 6= 0, 5
2 El estadístico Z = p̂−p
q 0 calculado bajo H0 es z0 = 0, 8006.
p̂q̂
n
RC = (−∞; −1, 96) (1, 96; ∞).
4 t0 = 0, 806 6∈ RC, por lo que, al nivel del 5 %, no tenemos evidencia
para rechazar H0 .


guiente forma:
p̂q̂
n
RC = (−∞; −1, 96) (1, 96; ∞).
para rechazar H0 .


guiente forma:
p̂q̂
n
RC = (−∞; −1, 96) (1, 96; ∞).
para rechazar H0 .


guiente forma:
p̂q̂
n
RC = (−∞; −1, 96) (1, 96; ∞).
para rechazar H0 .


guiente forma:
p̂q̂
n
RC = (−∞; −1, 96) (1, 96; ∞).
para rechazar H0 .

Test de Hipótesis para la Igualdad de Proporciones
Sean X11 , X12 , · · · , X1n1 una m.a.s. de una población X1 ∼ Ber (p1 )
y X21 , X22 , · · · , X2n2 una m.a.s. de una población X2 ∼ Ber (p2 ),
Un Test de Hipótesis para probar la igualdad de ambas probabili-
dades, se contruye de la siguiente manera:
1 Hipótesis: H0 : p1 = p2 versus H1 : p1 6= p2 .
ˆ ˆ
2 Estadístico de Prueba: Z = r (pˆ1 −p2ˆ)−(p1ˆ−p2 )ˆ ≈ N(0, 1) bajo H0 ,
(p1 (1−p1 )) (p (1−p ))
n1 + 2 n 2
2
siempre que se verifique que n1 −→ ∞ y n2S−→ ∞.

3 Región Crítica: Fijado α, RC = (−∞, −z( α2 ) ) (z( α2 ) , ∞).
4 Regla de Decisión: “si z0 ∈ RC rechazamos H0 con probabilidad
α, caso contrario, no se tiene evidencia al nivel α para rechazar H0 ”.
estimación por IC para la Diferencias de las proporciones:
s
pˆ1 qˆ1 pˆ2 qˆ2
IC(p1 − p2 : γ = (1 − α) %) = p̂1 − p̂2 ± z( α2 ) + .
n1 n2

ˆ ˆ
(p1 (1−p1 )) (p (1−p ))
n1 + 2 n 2
2

s
pˆ1 qˆ1 pˆ2 qˆ2
IC(p1 − p2 : γ = (1 − α) %) = p̂1 − p̂2 ± z( α2 ) + .
n1 n2

ˆ ˆ
(p1 (1−p1 )) (p (1−p ))
n1 + 2 n 2
2

s
pˆ1 qˆ1 pˆ2 qˆ2
IC(p1 − p2 : γ = (1 − α) %) = p̂1 − p̂2 ± z( α2 ) + .
n1 n2

ˆ ˆ
(p1 (1−p1 )) (p (1−p ))
n1 + 2 n 2
2

s
pˆ1 qˆ1 pˆ2 qˆ2
IC(p1 − p2 : γ = (1 − α) %) = p̂1 − p̂2 ± z( α2 ) + .
n1 n2

ˆ ˆ
(p1 (1−p1 )) (p (1−p ))
n1 + 2 n 2
2

s
pˆ1 qˆ1 pˆ2 qˆ2
IC(p1 − p2 : γ = (1 − α) %) = p̂1 − p̂2 ± z( α2 ) + .
n1 n2

ˆ ˆ
(p1 (1−p1 )) (p (1−p ))
n1 + 2 n 2
2

s
pˆ1 qˆ1 pˆ2 qˆ2
IC(p1 − p2 : γ = (1 − α) %) = p̂1 − p̂2 ± z( α2 ) + .
n1 n2

ˆ ˆ
(p1 (1−p1 )) (p (1−p ))
n1 + 2 n 2
2

s
pˆ1 qˆ1 pˆ2 qˆ2
IC(p1 − p2 : γ = (1 − α) %) = p̂1 − p̂2 ± z( α2 ) + .
n1 n2

Ejemplo: Se tienen dos vacunas producidas con la finalidad de
prevenir una dolencia en aves domésticas, y en las que se encon-
tró una eficiencia de 80 % y 88 %, respectivamente, sobre muestras
de tamaños iguales de 400 aves. Se busca probar si los porcenta-
jes de eficiencia pueden considerarse estadisticamente iguales.
Un test de igualdad de proporciones, con un nivel de significancia
del 5 % arroja:
1 Las hipótesis son: H0 : p1 = p2 versus H1 : p1 6= p2
2 El estadístico Z calculado bajo H0 es z0 = 3, 105.
RC = (−∞; −1, 96) (1, 96; ∞).
4 z0 = 3, 1005 ∈ RC, por lo que, rechazamos H0 con una
probabilidad 5 %.
5 Una estimativa por Intervalo de Confianza de la diferencia de
medias, entonces, es:
IC(p1 − p2 : γ = 95 %) = (0, 0305; 0, 1205).

del 5 % arroja:
RC = (−∞; −1, 96) (1, 96; ∞).
probabilidad 5 %.
IC(p1 − p2 : γ = 95 %) = (0, 0305; 0, 1205).

del 5 % arroja:
RC = (−∞; −1, 96) (1, 96; ∞).
probabilidad 5 %.
IC(p1 − p2 : γ = 95 %) = (0, 0305; 0, 1205).

del 5 % arroja:
RC = (−∞; −1, 96) (1, 96; ∞).
probabilidad 5 %.
IC(p1 − p2 : γ = 95 %) = (0, 0305; 0, 1205).

del 5 % arroja:
RC = (−∞; −1, 96) (1, 96; ∞).
probabilidad 5 %.
IC(p1 − p2 : γ = 95 %) = (0, 0305; 0, 1205).

del 5 % arroja:
RC = (−∞; −1, 96) (1, 96; ∞).
probabilidad 5 %.
IC(p1 − p2 : γ = 95 %) = (0, 0305; 0, 1205).

del 5 % arroja:
RC = (−∞; −1, 96) (1, 96; ∞).
probabilidad 5 %.
IC(p1 − p2 : γ = 95 %) = (0, 0305; 0, 1205).

Test de Hipótesis para Muestras Apareadas
Sean X11 , X12 , · · · , X1n una m.a.s. medida en individuos u objetos

en un tiempo 1 (antes) e X21 , X22 , · · · , X2n la m.a.s. medida sobre
los mismos individuos u objetos en un tiempo 2 (después), o sea,
las que observaciones para cada unidad experimental están dadas
por pares, esto es (X11 , X21 ), (X12 , X22 ), · · · , (X1n , X2n ).
Sea D = X1 − X2 la variable que identifica la muestra aleatoria
simple D1 , D2 , · · · , Dn .
Suponiendo que D ∼ N(µD , σD2 ), un Test de Hipótesis para la me-
dia µD se construye de la siguiente manera:


simple D1 , D2 , · · · , Dn .


simple D1 , D2 , · · · , Dn .

1 Hipótesis: H0 : µD = 0 versus H1 : µD 6= 0.
2 Estadístico de Prueba: t = D−µS
D
∼ t(n−1) bajo H0 , con
√D
n
n n
D = n1 i=1 Di y SD2 = n−1 1 2
P P
i=1 (Di − D) .
3 Región Crítica: Fijado α,
[
RC = (−∞, −t( α2 )(n−1) ) (t( α2 )(n−1) , ∞).
4 Regla de Decisión: Si el valor calculado de t, bajo H0 , es denotado

por t0 , decidimos: “si t0 ∈ RC rechazamos H0 con probabilidad α,
caso contrario, no se tiene evidencia al nivel α para rechazar H0 ”.
por Intervalo de Confianza de µD es:
sD
IC(µD : γ = (1 − α) %) = d ± t( α2 )(n−1) √ .
n

D
√D
n
n n
D = n1 i=1 Di y SD2 = n−1 1 2
P P
i=1 (Di − D) .
[
RC = (−∞, −t( α2 )(n−1) ) (t( α2 )(n−1) , ∞).

sD
IC(µD : γ = (1 − α) %) = d ± t( α2 )(n−1) √ .
n

D
√D
n
n n
D = n1 i=1 Di y SD2 = n−1 1 2
P P
i=1 (Di − D) .
[
RC = (−∞, −t( α2 )(n−1) ) (t( α2 )(n−1) , ∞).

sD
IC(µD : γ = (1 − α) %) = d ± t( α2 )(n−1) √ .
n

D
√D
n
n n
D = n1 i=1 Di y SD2 = n−1 1 2
P P
i=1 (Di − D) .
[
RC = (−∞, −t( α2 )(n−1) ) (t( α2 )(n−1) , ∞).

sD
IC(µD : γ = (1 − α) %) = d ± t( α2 )(n−1) √ .
n

D
√D
n
n n
D = n1 i=1 Di y SD2 = n−1 1 2
P P
i=1 (Di − D) .
[
RC = (−∞, −t( α2 )(n−1) ) (t( α2 )(n−1) , ∞).

sD
IC(µD : γ = (1 − α) %) = d ± t( α2 )(n−1) √ .
n

Ejemplo: Una empresa desea estudiar el efecto de un intervalo
de 10 minutos para un café sobre la productividad de sus traba-
jadores. Considerando una muestra de n = 6 trabajadores, los
estimadores muestrales fueron d = 1, 5 y sD = 2, 88.
Un Test de Hipótesis con un nivel α = 5 % arroja:
1 Las hipótesis son: H0 : µD ≤ 0 versus H1 : µD > 0
2 El estadístico t = D−µ
SD
D
√
n
RC = (2, 015; ∞).
4 t0 = 1, 28 ∈
/ RC, por lo que no existe evidencia al nivel del 5 % para
rechazar H0 : µD ≤ 0, o sea, no podemos afirmar, con una
probabilidad de error del 5 % que, un intervalo de 10 minutos de
descanso para café sirva para aumentar la productividad de los
operarios.
5 Un IC para la media de las diferencias apareadas es:
IC(µD : γ = 95 %) = (−1, 522; 4, 522).

SD
D
√
n
RC = (2, 015; ∞).
4 t0 = 1, 28 ∈
operarios.
IC(µD : γ = 95 %) = (−1, 522; 4, 522).

SD
D
√
n
RC = (2, 015; ∞).
4 t0 = 1, 28 ∈
operarios.
IC(µD : γ = 95 %) = (−1, 522; 4, 522).

SD
D
√
n
RC = (2, 015; ∞).
4 t0 = 1, 28 ∈
operarios.
IC(µD : γ = 95 %) = (−1, 522; 4, 522).

SD
D
√
n
RC = (2, 015; ∞).
4 t0 = 1, 28 ∈
operarios.
IC(µD : γ = 95 %) = (−1, 522; 4, 522).

SD
D
√
n
RC = (2, 015; ∞).
4 t0 = 1, 28 ∈
operarios.
IC(µD : γ = 95 %) = (−1, 522; 4, 522).

SD
D
√
n
RC = (2, 015; ∞).
4 t0 = 1, 28 ∈
operarios.
IC(µD : γ = 95 %) = (−1, 522; 4, 522).

Bibliografía
DANIEL, W. W. (1999). Bioestadística. Base para el Análisis de las Ciencias de la Salud.

UTEHA: Noriega Editores. México, 878 p.
GARCÍA, R.M. (2004). Inferencia Estdística y Diseño Experimental. Editorial Universitaria
de Buenos Aires. EUDEBA-, Buenos Aires, 734 p.
GOMEZ VILLEGAS, M.A. (2005). Inferencia Estadística. Ediciones Díaz de Santos, 518 p.
JOHNSON, R. (1990). Estadística Elemental. Grupo Editorial Iberoamericano. México, D.F.

592 p.
MENDENHALL, W.; WACKERLY, D.D. y SCHEAFFER, R.L. (1994). Estadística Matemática
con Aplicaciones. 2da. Edición. Grupo Editorial. Iberoamericano, México, D.F. 751 p.
MOSCHETTI, E.E., FERRERO, S., PALACIO, G. y RUIZ, M. (2000): Introducción a la
Estadística para las Ciencias de la Vida. Editorial de la Fundación Universidad Nacional de
Río Cuarto. Córdoba, 171 p.
ZAR, J.H. (1996): Bioestatistical Analysis. 3th. Edition. Prentice Hall. New Jersey. 663 p. +
212 App.

Clase VII - Test de Hipótesis

Cargado por

Información del documento

Descripción original:

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

Clase VII - Test de Hipótesis

Cargado por

Copyright:

Formatos disponibles

INTRODUCCIÓN A LA ESTADISTICA APLICADA

Clase VII: Pruebas de Hipótesis

María Cristina Martín

maritamartin11@gmail.com Matemática - UNLPam 1 / 46

Ejemplo: Para decidir si los habitantes de un pueblo del oeste

Seleccionamos una muestra de 100 habitantes adultos del pueblo

Si la altura medida es superior a 176 cm, decimos que son des-

maritamartin11@gmail.com Matemática - UNLPam 3 / 46

Ejemplo: Para decidir si los habitantes de un pueblo del oeste

Seleccionamos una muestra de 100 habitantes adultos del pueblo

Si la altura medida es superior a 176 cm, decimos que son des-

maritamartin11@gmail.com Matemática - UNLPam 3 / 46

Ejemplo: Para decidir si los habitantes de un pueblo del oeste

Seleccionamos una muestra de 100 habitantes adultos del pueblo

Si la altura medida es superior a 176 cm, decimos que son des-

maritamartin11@gmail.com Matemática - UNLPam 3 / 46

Ejemplo: Para decidir si los habitantes de un pueblo del oeste

Seleccionamos una muestra de 100 habitantes adultos del pueblo

Si la altura medida es superior a 176 cm, decimos que son des-

maritamartin11@gmail.com Matemática - UNLPam 3 / 46

Ejemplo: Para decidir si los habitantes de un pueblo del oeste

Seleccionamos una muestra de 100 habitantes adultos del pueblo

Si la altura medida es superior a 176 cm, decimos que son des-

maritamartin11@gmail.com Matemática - UNLPam 3 / 46

El último punto, introduce una Regla de Decisión.

Podemos cometer dos (2) Tipos de Errores y vamos a enumerar-

maritamartin11@gmail.com Matemática - UNLPam 4 / 46

El último punto, introduce una Regla de Decisión.

Podemos cometer dos (2) Tipos de Errores y vamos a enumerar-

maritamartin11@gmail.com Matemática - UNLPam 4 / 46

El último punto, introduce una Regla de Decisión.

Podemos cometer dos (2) Tipos de Errores y vamos a enumerar-

maritamartin11@gmail.com Matemática - UNLPam 4 / 46

El último punto, introduce una Regla de Decisión.

Podemos cometer dos (2) Tipos de Errores y vamos a enumerar-

maritamartin11@gmail.com Matemática - UNLPam 4 / 46

También, vamos a definir dos (2) Hipótesis, también numeradas:

Finalmente, vamos a indicar una Región de Rechazo o también

maritamartin11@gmail.com Matemática - UNLPam 5 / 46

También, vamos a definir dos (2) Hipótesis, también numeradas:

Finalmente, vamos a indicar una Región de Rechazo o también

maritamartin11@gmail.com Matemática - UNLPam 5 / 46

También, vamos a definir dos (2) Hipótesis, también numeradas:

Finalmente, vamos a indicar una Región de Rechazo o también

maritamartin11@gmail.com Matemática - UNLPam 5 / 46

También, vamos a definir dos (2) Hipótesis, también numeradas:

Finalmente, vamos a indicar una Región de Rechazo o también

maritamartin11@gmail.com Matemática - UNLPam 5 / 46

Con las notaciones anteriores, la probabilidad de cometer cada

P(ERROR I) = P(rechazar H0 |H0 es verdadera)

P(ERROR II) = P(no rechazar H0 |H1 es verdadera)

maritamartin11@gmail.com Matemática - UNLPam 6 / 46

P( ERROR II) = P(X ≤ 176|X ∼ N(177, 1))

maritamartin11@gmail.com Matemática - UNLPam 7 / 46

Observación: Con la Regla de Decisión adoptada estamos come-

maritamartin11@gmail.com Matemática - UNLPam 8 / 46

Observación: Con la Regla de Decisión adoptada estamos come-

maritamartin11@gmail.com Matemática - UNLPam 8 / 46

Entonces, la Regla de Decisión adoptada para un α = 0,05 es: “Si

Con esta Regla de decisión, la probabilidad de cometer un Error

β = P(ERROR II) = P(X ≤ 176, 645|X ∼ N(177, 1))

maritamartin11@gmail.com Matemática - UNLPam 10 / 46