Pruebas Hipotesis Una YDos Muestras

Pruebas de Hipótesis de Una y Dos
Muestras
UCR – ECCI
CI-0115 Probabilidad y Estadística
Prof. Kryscia Daviana Ramírez Benavides
Hipótesis Estadísticas
Conceptos Generales
n En algunos casos el científico o el ingeniero necesitan la
formación de un procedimiento de decisión que se base en los
datos, el cual ofrezca una conclusión acerca de algún sistema
científico.
n Se postula o conjetura algo acerca de un sistema.
n Se deben incluir el uso de datos experimentales y la toma de
decisiones basadas en ellos.
n De manera formal la conjetura se puede poner en forma de
hipótesis estadística.
UCR-ECCI CI-0115 Probabilidad y Estadística

Pruebas de Hipótesis de Una y Dos Muestras 2
Conceptos Generales (cont.)
n Una hipótesis estadística es una aseveración o conjetura con
respecto a una o más poblaciones.
n La verdad o falsedad de una hipótesis estadística nunca se
sabe con absoluta certidumbre, a menos que examinemos toda
la población; lo cual es poco práctico en la mayoría de las
situaciones.
n Por lo cual, se toma una muestra aleatoria de la población de
interés, y se utilizan los datos contenidos en esta muestra para
proporcionar evidencia que apoye o no la hipótesis.
n La evidencia de la muestra que sea inconsistente con la hipótesis que se
establece conduce al rechazo de la misma.
n Un procedimiento de decisión debe hacerse con la noción de
la probabilidad de una conclusión errónea.
n El rechazo de una hipótesis simplemente implica que la evidencia de la
muestra la refuta.
n El rechazo significa que hay una pequeña probabilidad de obtener la
información muestral observada cuando, de hecho, la hipótesis es
verdadera.
n Como resultado, el analista de los datos establece una
conclusión firme cuando se rechaza una hipótesis.
n Cuando el análisis de datos formaliza la evidencia
experimental con base en la prueba de hipótesis, es muy
importante la declaración o el establecimiento formal de la
hipótesis.
n La estructura de la prueba de hipótesis se formula usando el
término hipótesis nula, el cual se refiere a cualquier hipótesis
que se desea probar y se denota con H0.
n El rechazo H0 de conduce a la aceptación de la hipótesis
alternativa, que se denota con H1.
n La hipótesis alternativa H1 representa la pregunta que se
debe responder o la teoría que se debe probar y, por ello,
su especificación es muy importante.
n La hipótesis nula H0 anula o se opone a H1, y a menudo es el
complemento lógico para H1.

n El analista llega a una de las dos conclusiones siguientes:
n Rechace H0: A favor de H1 debido a evidencia suficiente en los datos.
n No rechace H0: Debido a evidencia insuficiente en los datos.
n Las conclusiones no implican una “aceptación” formal o
literal de H0, a menudo representa el “status quo” contrario a
una nueva idea, conjetura, etc., enunciada en H1.
n En tanto que no rechazar H1 representa la conclusión
adecuada.
n Por lo general, la hipótesis nula se plantea de tal modo que
especifique un valor exacto del parámetro.

n El mejor ejemplo para entender la prueba de hipótesis es el
veredicto de un jurado.
n La hipótesis nula y alternativa son:
n H0: el acusado es inocente.
n H1: el acusado es culpable.
n La acusación proviene de una sospecha de culpabilidad.
n La hipótesis H0 (status quo) se establece en oposición a H1 y se
mantiene a menos que se apoye H1 con evidencia “más allá de una duda
razonable”.
n El no rechazo de H0 no implica inocencia, sino que la evidencia fue
insuficiente para lograr una condena. De esta manera el jurado no
necesariamente acepta H0, sino que no la rechaza.
Prueba de una Hipótesis Estadística
n Una prueba o contraste de una hipótesis estadística es una
regla o procedimiento que conduce a una decisión de aceptar o
rechazar cierta hipótesis con base en los resultados de una
muestra.
n Los procedimientos de prueba de hipótesis dependen del
empleo de la información contenida en una muestra aleatoria
de la población de interés.
n Si esta información es consistente con la hipótesis se concluye que es
verdadera.
n En caso contrario, la información es inconsistente con la hipótesis, se
concluye que es falsa.
Pruebas de Hipótesis de Una y Dos Muestras
Prueba de una Hipótesis Estadística (cont.)
n Estadístico de prueba. Valor obtenido a partir de la
información muestral, se utiliza para determinar si se rechaza
o no la hipótesis.
n Toda prueba de hipótesis lleva implícita un estadístico para probarla.
n Este estadístico depende del problema planteado y de la codificación
de las variables.
n Región crítica. Región de rechazo de la hipótesis nula H0.
n Se denomina C (subconjunto del espacio muestral) a la región crítica
de una prueba dada si nos lleva a rechazar la hipótesis nula H0
cuando la muestra cae en la región C.
n Valor crítico. El punto que divide la región de aceptación y la
región de rechazo de la hipótesis nula H0.
n Nivel de significancia. Probabilidad de rechazar la hipótesis
nula cuando es verdadera. Se denota con α.
n Error Tipo I. Rechazar la hipótesis nula cuando en realidad
es verdadera. La probabilidad de cometer un error tipo I se le
llama nivel de significancia.
n Error Tipo II. Aceptar la hipótesis nula cuando en realidad es
falsa.
n La probabilidad de cometer el error tipo II es imposible de
calcular a menos que tengamos una hipótesis alternativa
específica. Se denota con β.

n Al probar cualquier hipótesis estadística, hay cuatro
situaciones posibles que determinan si nuestra decisión es
correcta o errónea (ver la siguiente tabla).
Situaciones Posibles
H0 verdadera H0 falsa
No rechazar H0 Decisión correcta Error tipo II
Decisiones Posibles
Rechazar H0 Error tipo I Decisión correcta
a = P(error tipo I) = P(Rechazar H 0 H 0 verdadera) = P(Muestra dentro de C H 0 )

b = P(error tipo II) = P(No rechazar H 0 H 0 falsa ) = P(Muestra fuera de C H1 )

n Los valores para la significancia de una prueba de uso más
común son 0.01, 0.05 y 0.10; o sea, el investigador está
dispuesto a permitir 1%, 5% o 10% de cometer un error tipo I.
n Idealmente se desearía que la probabilidad de error tipo I fuera
igual a cero. Sin embargo, si se desea α = 0, nunca se podría
tomar la decisión de rechazar la hipótesis nula.
n La decisión de rechazar la hipótesis nula es importante, ya que
la decisión se basa en una muestra y no en la población; por
lo cual existe la posibilidad de cometer un error tipo I.


n Propiedades importantes de una prueba de hipótesis:
n Los errores tipo I y tipo II están relacionados. Por lo general, una
disminución en la probabilidad de uno tiene como resultado un
incremento en la probabilidad del otro.
n El tamaño de la región crítica y, por lo tanto, la probabilidad de
cometer un error tipo I, siempre se puede reducir al ajustar el(los)
valor(es) crítico(s).
n Un aumento en el tamaño de la muestra n reducirá a α y β de forma
simultánea.
n Si la hipótesis nula es falsa, β es un máximo cuando el valor real de
un parámetro se aproxima al valor hipotético. Cuando más grande sea
la distancia entre el valor real y el valor hipotético, β será menor.

n La cantidad 1 – β se conoce como el poder de la prueba o
potencia, es la probabilidad de rechazar H0 cuando es falsa
(en realidad debe ser rechazada). Idealmente se quiere tener
pruebas cuyo poder sea alto.
Õ = 1 - b = P(Rechazar H 0 H 0 falsa ) = P(Muestra dentro de C H1 )
n A menudo diferentes tipos de pruebas se comparan al
contrastar propiedades de potencia.

n Matriz de decisiones posibles del estudio estadístico con la
muestra representativa, de acuerdo a las situaciones posibles
de la población de estudio: Situaciones Posibles (Realidad)
H0 verdadera H0 falsa
Decisión correcta
No rechazar H0 Error tipo II (β)
Decisiones Posibles (1 – α)
(Resultado) Decisión correcta
Rechazar H0 Error tipo I (α)
Poder (1 – β)
a = P(error tipo I) = P(Rechazar H 0 H 0 verdadera) = P(Muestra dentro de C H 0 )

b = P(error tipo II) = P(No rechazar H 0 H 0 falsa ) = P(Muestra fuera de C H1 )
Õ = 1 - b = P(Rechazar H 0 H 0 falsa ) = P(Muestra dentro de C H1 )
n Valores para α y (1 – β)
n Exploratorio:
n α = 0,10
n (1 – β) = 0.80 (80%)
n Convención:
n α = 0,05
n (1 – β) = 0.80 (80%)
n Específico:
n α = 0,01
n (1 – β) = 0.90 (90%)

n Al usar un poder demasiado bajo, la probabilidad de error es
muy alta, lo que genera conocimiento poco conﬁable, por dos
razones:
n Al tener un bajo poder estadístico, la probabilidad de Error Tipo II
aumenta (alta tasa de falsos negativos). Es decir, muchas veces se
rechaza la hipótesis alternativa erróneamente.
n Al tener tamaños de muestra (n) pequeños, los modelos estadísticos
tienden a ser inestables. En otras palabras, los hallazgos son poco
replicables pues los resultados varían mucho (o incluso se
contradicen) entre diferentes muestras.

Determinar el tamaño de muestra necesario
n Existen cuatro parámetros esenciales y relacionados entre sí:
n n: Tamaño de muestra.
n α (nivel de significancia estadística): Probabilidad de Error Tipo I
(falso positivo), que es detectar un efecto que no existe (pero se
obtiene un resultado significativo). En otras palabras, con un α =
0.05, acepto que el 5% de los resultados sean falsos positivos.
Entonces, es el valor bajo el cual consideramos que un valor p es
significativo, y se asume que hemos detectado un efecto (rechazando
la hipótesis nula).

(cont.)
n Tamaño del efecto: Medida estandarizada de la fuerza de un
fenómeno o magnitud de una relación entre variables (por ejemplo: d
de Cohen, Δ de Glass, g de Hedges, η2). El significado práctico de los
resultados de una investigación se describe según el tamaño del
efecto observado. Un efecto es el resultado de algo, un desenlace, una
reacción o cambio. El tamaño del efecto es la magnitud del resultado.
Mediante el tamaño del efecto podemos dar una estimación del
alcance de nuestros hallazgos.

(cont.)
n Poder estadístico (potencia estadística): Se define como 1−β,
donde β es la probabilidad de Error Tipo II (falso negativo), que es
no detectar un efecto que sí existe (pero obtengo un resultado no
significativo). Es una probabilidad, con valores entre 0 y 1, se puede
convertir en porcentaje multiplicando por 100. Entonces, si se
considera que es aceptable que en el 10% de los casos no se detecte
un error que sí existe (β = 0.1), mi poder (1−β) sería de 0.9 o 90%. En
este caso, se tendría 90% de probabilidades de detectar, como
significativo, un efecto, si este existe.

(cont.)
n Si se saben tres de estos cuatro valores, ya que están
interrelacionados, se puede calcular el otro a priori (es decir,
antes de hacer un estudio).
n Hacerlo es importante pues promueve que los resultados sean
confiables, evita que se haga estudios con muy bajo poder que
me lleven a conclusiones erróneas, y permite estimar la
duración y costo de un estudio.
n Entonces, si conozco (1) el α, (2) el tamaño del efecto
esperado, y (3) el poder estadístico deseado (1−β), puedo
calcular el tamaño de muestra (n) necesario.

Estimar un tamaño del efecto esperado para
calcular el tamaño de muestra
n Normalmente, determinar el α y el poder estadístico deseado
no es problemático.
n Se suele usar un α = 0.05, y un poder mínimo de 80% (1−β = 0.8),
aunque siempre sería mejor usar 90% (1−β = 0.9) si esto es posible, y
teniendo en cuenta que esto aumentará el tamaño de muestra
necesario.
n Entonces, falta saber qué tamaño del efecto usar, pero no hay
una única respuesta, ni una que carezca de limitaciones.

calcular el tamaño de muestra (cont.)

n Técnicas comunes y sus limitaciones:
n Definiciones de Cohen (tamaños de efecto “pequeños”, “medios”
o “grandes”). Fueron diseñados por Cohen solo como una guía
cuando definitivamente no se tiene idea del tamaño del efecto que se
va a estudiar. Sin embargo, son terriblemente problemáticos, y
lastimosamente suelen usarse de manera casi automática. Además de
la inconsistencia entre definiciones para diferentes medidas de
tamaño del efecto, su principal y más obvia limitación es que lo que
se considera un efecto “pequeño” o “grande” cambia
substancialmente entre disciplinas.

n Definiciones de Cohen (tamaños de efecto “pequeños”, “medios”
o “grandes”). Las definiciones propuestas por Cohen son percentiles
(o cuartiles) de tamaños de efecto (25% percentil, 50% percentil o
mediana, y 75% percentil, como tamaños de efecto “pequeños”,
“medios” o “grandes”, respectivamente). No se deben usar de manera
indiscriminada, pues es muy posible que no sean válidos para el
estudio que se está diseñando. De hecho, recientemente, se ha
argumentado que su uso no solo debe evitarse, sino que debe ser
descartado completamente.

n Usar el tamaño del efecto de un único estudio previo. Tiene un
gran potencial de ser sesgado, dados los sesgos de publicación (los
resultados nulos tienden a no ser publicados).
n Hacer un estudio piloto. Esta técnica tiene sesgos implícitos y
tiende a crear tamaños de efecto inflados. Sin embargo, si no hay
estudios previos, podría ser una última opción para tener una
indicación del poder estadístico esperado, pero asumiendo y
reconociendo sus múltiples limitaciones.

n La d de Cohen es una medida del tamaño del efecto como
diferencia de medias estandarizada.
n Es decir, informa de cuántas desviaciones típicas de diferencia hay
entre los resultados de los dos grupos que se comparan (grupo
experimental y grupo de control, o el mismo grupo antes y después
de la intervención).
𝑥!̅ − 𝑥̅"
𝑑=
𝑠
𝑠!" 𝑛! − 1 + 𝑠"" 𝑛" − 1

𝑠=
𝑛! + 𝑛" − 2
n Por otra parte, es importante saber que muchos tamaños de
efecto pueden ser comparables.
n Correll y otros autores proponen usar siempre el eta al
cuadrado (η2) como tamaño del efecto, y presentan ecuaciones
(bastante sencillas) para transformar medidas comunes de
tamaños de efecto propuestos por Cohen, desde o hacia η2.

Pruebas de Una y Dos Colas
n Una prueba de cualquier hipótesis estadística, donde la
alternativa es unilateral como
H 0 : q = q0 H 0 : q = q0
o
H1 : q > q 0 H1 : q < q 0
se denomina prueba de una sola cola.
n Por lo general, la región crítica para la hipótesis alternativa θ >
θ0 yace en la cola derecha de la distribución del estadístico de
prueba; en tanto que la región crítica para la hipótesis
alternativa θ < θ0 yace en la cola izquierda.

Pruebas de Una y Dos Colas (cont.)
n Una prueba de cualquier hipótesis estadística, donde la
alternativa es bilateral como
H 0 : q = q0
H1 : q ¹ q 0
se denomina prueba de dos colas.
n La región crítica se divide en dos partes, que a menudo tienen
probabilidades iguales que se colocan en cada cola de la
distribución del estadístico de prueba.
n La hipótesis alternativa θ ≠ θ0 establece que ya sea θ < θ0 o
que θ > θ0.
Dos colas – Bilateral
Región Crítica Región Aceptación Región Crítica
(Rechazo H0) (No rechazo H0) (Rechazo H0)
𝛼! 𝛼!
2 2
a b
Valores críticos = a,b
Una cola – Unilateral

Región Crítica Región Aceptación Región Aceptación Región Crítica
(Rechazo H0) (No rechazo H0) (No rechazo H0) (Rechazo H0)
𝛼 𝛼
a b
Valor crítico = a Valor crítico = b

n Ejemplo. Un fabricante de cierta marca de cereal de arroz
afirma que el contenido promedio de grasa saturada no excede
de 1.5 gramos. Establezca las hipótesis nula y alternativa a
utilizar para probar esta afirmación y determinar dónde se
localiza la región crítica.
n Solución. La afirmación del fabricante se debe rechazar sólo
si μ es mayor que 1.5mg y no se debe rechazar si es menor o
igual que 1.5mg. La prueba es de una sola cola, el símbolo
mayor indica que la región crítica yace en la cola derecha de la
distribución de nuestro estadístico de prueba X. H 0 : µ = 1.5
H1 : µ > 1.5
Región de Aceptación Región Crítica
(No rechazo H0) (Rechazo H0)
(µ ≤ 1.5) (µ > 1.5)
UCR-ECCI CI-0115 Probabilidad y Estadística Valor Crítico = 1.5
n Ejemplo. Un fabricante de cierta marca de cereal de arroz
afirma que el contenido promedio de grasa saturada no excede
ni disminuye de 1.5 gramos. Establezca las hipótesis nula y
alternativa a utilizar para probar esta afirmación y determinar
dónde se localiza la región crítica.
n Solución. La afirmación del fabricante se debe rechazar sólo
si μ es mayor o menor que 1.5mg y no se debe rechazar si es
igual que 1.5mg. La prueba es de dos colas, con la región
crítica dividida por igual en ambas colas de la distribución de
nuestro estadístico de prueba X . H 0 : µ = 1.5
Región Crítica Región de Aceptación Región Crítica
(Rechazo H0)
(µ < 1.5)
(No rechazo H0)
(µ = 1.5)
(Rechazo H0)
(µ > 1.5) H1 : µ ¹ 1.5
UCR-ECCI CI-0115 Probabilidad y Estadística Valor Crítico = 1.5
Uso de Valores P para la Toma de Decisiones en
la Prueba de Hipótesis
n El valor P es el nivel (de significancia) más bajo donde es
significativo el valor observado del estadístico de prueba.
n El valor P es el nivel de significancia α más bajo que fuerza el
rechazo de la hipótesis nula H0.
n El valor P también es el nivel de significancia α más alto que fuerza
la aceptación de la hipótesis nula H0.
n El valor P es la probabilidad de observar un valor muestral tan
extremo o más que el valor observado, dado que la hipótesis
nula es verdadera.
n Si el valor p es menor que el nivel de significancia, H0 se rechaza.
n Si el valor p es mayor que el nivel de significancia, H0 no se rechaza.
n Prueba de una cola: valor P = P(z el valor absoluto del
estadístico de prueba calculado)
n Prueba de dos colas: valor P = 2P(z el valor absoluto del
estadístico de prueba calculado).
n Usando el enfoque del valor P, se trata de no confiar en el
nivel de significancia. De hecho, se intenta probar una
hipótesis utilizando todos los niveles de significancia.

n Teniendo en cuenta todos los niveles de significancia (entre 0
y 1, porque α es una probabilidad de error de Tipo I), se
observa:
n Caso 1. Si el nivel de significancia es muy bajo, aceptamos la
hipótesis nula. Un valor bajo de alfa hace que sea muy poco probable
que se rechace la hipótesis porque produce una región de rechazo
muy pequeña.
n Caso 2. Si el nivel de significancia es muy alto hace probable que se
rechace la hipótesis nula y corresponde a una gran región de rechazo.
Un alfa suficientemente grande producirá una región de rechazo tan
grande que cubrirá el estadístico de prueba, lo que obligará a rechazar
H0.

Valor pequeño de α → No rechazo H0
Caso 1.
Región Aceptación Región Crítica
Aobs
aα
Valor crítico = a
Valor grande de α → Rechazo H0

Caso 2.
Región Aceptación Región Crítica
Aobs
aα
Valor crítico = a

n Conclusión. Existe un valor límite entre α para aceptar (caso
1) y α para rechazar (caso 2). Este número es un valor P.
Valor P
Región Aceptación con α Región Crítica con α

P 1 α

la Prueba de Hipótesis (cont.)
n Hipótesis clásica
n α es fija.
n El punto más importante en la conclusión de “rechazar H0” o “no
rechazar H0” es α.
n Hipótesis con valor P
n α no es fija.
n Las conclusiones se obtienen con base en el tamaño del valor P según
la apreciación subjetiva del científico o ingeniero.
n Los valores P son producidos por el moderno software
computacional.

n Pasos de la prueba de hipótesis clásica, con probabilidad fija
del error tipo I (α)
n Establezca las hipótesis nula y alternativa.
n Elija un nivel de significancia α fijo.
n Seleccione un estadístico de prueba adecuado y establezca la región
crítica con base en α.
n A partir de estadístico de prueba calculado, rechazar H0 si el
estadístico de prueba está en la región crítica, de otra manera, no
rechazar H0.
n Obtenga conclusiones científicas y de ingeniería.

n La prueba de hipótesis clásica se llama prueba de nivel α
(enfoque general). Un algoritmo estándar para una prueba de
hipótesis de nivel α consta de 3 pasos:
n Estadístico de prueba. Es una cantidad calculada a partir de los datos
que se conocen, los cuales siguen una distribución dada.
n Región de aceptación y región de rechazo. Hay una parte de la
distribución del estadístico cuya área es α y se llama región de
rechazo (región crítica). El complemento de esta región se llama
región de aceptación y su área es (1 – α).
n Resultado y su interpretación. Acepte la hipótesis H0 si el estadístico
de prueba cae en la región de aceptación. Rechace H0 a favor de la
hipótesis H1 si el estadístico de prueba cae en la región de rechazo.
n Pasos de la prueba de significancia, aproximación al valor P
n Establezca las hipótesis nula y alternativa.
n Elija un estadístico de prueba adecuado.
n Calcule el valor P con base en los valores calculados del estadístico
de prueba.
n Utilice el juicio con base en el valor P y reconozca el sistema
científico.

n La prueba de hipótesis con el valor P consta de 4 pasos:
n Estadístico de prueba. Es una cantidad calculada a partir de los datos
que se conocen, los cuales siguen una distribución dada.
n Región de aceptación y región de rechazo. Las regiones se dividen de
la siguiente manera:
𝛼 < 𝑃 → No rechazo 𝐻!
n Para #
𝛼 > 𝑃 → Rechazo 𝐻!
𝑃 < 0.01 → Rechazo 𝐻!

n En la práctica si: #
𝑃 > 0.1 → No rechazo 𝐻!

n Calculando los valores P. El valor P se calcula desde los datos.
n Inicialmente el valor P es el nivel de significancia α:
P=α
n En este límite la estadística A observada coincide con el valor crítico aα:
𝑎"#$ = 𝑎%
n Y por lo tanto,
𝑃 = 𝛼 = 𝑃 𝐴 ≥ 𝑎% = 𝑃 𝐴 ≥ 𝑎"#$ = 1 − 𝑃 𝐴 < 𝑎"#$
n Ese caso de la figura anterior, es de una cola (derecha). Los casos de una
cola (izquierda) y dos colas se calculan de forma similar. Ver la tabla
siguiente.

Hipótesis Nula H0 Hipótesis Valor P Cálculo
Alternativa H1
𝜃 = 𝜃! 𝜃 < 𝜃! 𝑃 𝐴 ≤ 𝑎"#$ 𝑃 𝑎"#$
(cola izquierda)
𝜃 > 𝜃! 𝑃 𝐴 ≥ 𝑎"#$ 1 − 𝑃 𝑎"#$
(cola derecha)
𝜃 ≠ 𝜃! 𝑃 𝐴 ≥ 𝑎"#$ 2 1 − 𝑃 𝑎"#$
(dos colas)
*𝑃 𝐴"#$ → Función de distribución acumulativa (cola izquierda)

𝐹 𝐴 = 𝑃 𝐴 ≤ 𝑎"#$

n Entender los valores P. El valor P es la probabilidad de observar un
estadístico de prueba al menos tan extremo como aobs. Ser extremo
está determinado por la hipótesis alternativa. Para una alternativa de
cola derecha, los números grandes son extremos; para una alternativa
de cola izquierda, los números pequeños son extremos; y para la
alternativa de dos colas, tanto los números grandes como los
pequeños son extremos. En general, cuanto más extremo se observe
el estadístico de prueba, más fuerte es el apoyo de la hipótesis
alternativa que brinda.

Prueba de Hipótesis sobre Una Muestra
Referente a la Media
Varianza Poblacional Conocida
n Es conveniente estandarizar X e incluir de manera formal la
variables aleatoria normal estándar Z, donde
X -µ
Z=
s n
n ( )(
Se sabe que bajo H0 (si μ = μ0), entonces X - µ0 s n )
tiene una distribución n(X;0,1) y, por lo tanto, se puede utilizar
la expresión æ X - µ0 ö
Pçç - za 2 < < za 2 ÷÷ = 1 - a
è s n ø
para escribir una región de aceptación adecuada.

Varianza Poblacional Conocida (cont.)
n Prueba de hipótesis bilateral sobre la media.
H 0 : µ = µ0
H1 : µ ¹ µ 0
n La región crítica está en
x - µ0 x - µ0
z= > za 2 o z = < - za 2
s n s n
n Si –zα/2 < z < zα/2 no se rechaza H0. El rechazo de H0 implica la
aceptación de H1. Con la definición de la región crítica habrá
la probabilidad α de rechazar cuando, en realidad, μ = μ0.

n La región crítica se puede escribir en términos del promedio
calculado x .
n Rechazar H0 si x < a o x > b, donde
s s
a = µ0 - za 2 y b = µ0 + za 2
n n
n Ver la figura siguiente.
n Las pruebas de hipótesis unilaterales sobre la media incluyen
el mismo estadístico que se describe en el caso bilateral. La
diferencia es que la región crítica sólo está en una cola de la
distribución normal estándar.
Región de Aceptación
H 0 : µ = µ0 (No rechazo H0)
H1 : µ ¹ µ 0
Región Crítica
(Rechazo H0)
n Prueba de hipótesis unilateral (cola izquierda) sobre la media.
H 0 : µ = µ0
H1 : µ < µ 0
x - µ0
z= < - za
s n
n Si z > –zα no se rechaza H0. El rechazo de H0 implica la
aceptación de H1, la señal que favorece H1 proviene de valores
pequeños de z. Con la definición de la región crítica habrá la
probabilidad α de rechazar cuando, en realidad, μ = μ0.
calculado x .
n Rechazar H0 si x < a, donde
s
a = µ0 - za
n
H 0 : µ = µ0
H1 : µ < µ 0
Región Crítica
(Rechazo H0)
(No rechazo H0)

n Prueba de hipótesis unilateral (cola derecha) sobre la media.
H 0 : µ = µ0
H1 : µ > µ 0
x - µ0
z= > za
s n
n Si z < zα no se rechaza H0. El rechazo de H0 implica la
grandes de z. Con la definición de la región crítica habrá la
calculado x .
n Rechazar H0 si x > b, donde
s
b = µ0 + za
n
H 0 : µ = µ0
H1 : µ > µ 0
Región Crítica
(Rechazo H0)
(No rechazo H0)

Varianza Poblacional Desconocida (cont.)
n Es conveniente estandarizar X e incluir de manera formal la
variables aleatoria T, con v = n – 1 grados de libertad, donde
X -µ
T=
s n
n ( )(
Se sabe que bajo H0 (si μ = μ0), entonces X - µ0 s n )
tiene una distribución t con v = n – 1 grados de libertad y, por
lo tanto, se puede utilizar la expresión
æ X - µ0 ö
Pçç - ta 2 < < ta 2 ÷÷ = 1 - a
è s n ø
H 0 : µ = µ0
H1 : µ ¹ µ 0
x - µ0 x - µ0
t= > ta 2 o t = < -ta 2
s n s n
n Si –tα/2 < t < tα/2 no se rechaza H0. El rechazo de H0 implica la
la probabilidad α de rechazar cuando, en realidad, μ = μ0.

calculado x .
n Rechazar H0 si x < a o x > b, donde
s s
a = µ0 - ta 2 y b = µ0 + ta 2
n n
n Ver la figura siguiente.
H 0 : µ = µ0 (No rechazo H0)
H1 : µ ¹ µ 0
Región Crítica
(Rechazo H0)
H 0 : µ = µ0
H1 : µ < µ 0
x - µ0
t= < -ta
s n
n Si t > –tα no se rechaza H0. El rechazo de H0 implica la
pequeños de t. Con la definición de la región crítica habrá la
calculado x .
n Rechazar H0 si x < a, donde
s
a = µ0 - ta
n
H 0 : µ = µ0
H1 : µ < µ 0
Región Crítica
(Rechazo H0)
(No rechazo H0)

H 0 : µ = µ0
H1 : µ > µ 0
x - µ0
t= > ta
s n
n Si t < tα no se rechaza H0. El rechazo de H0 implica la
grandes de t. Con la definición de la región crítica habrá la
calculado x .
n Rechazar H0 si x > b, donde
s
b = µ0 + ta
n
H 0 : µ = µ0
H1 : µ > µ 0
Región Crítica
(Rechazo H0)
(No rechazo H0)

Prueba de Hipótesis sobre Dos Muestras
Referente a la Diferencia de Medias
Varianzas Poblacionales Conocidas
n Es conveniente estandarizar X 1 - X 2 e incluir de manera
formal la variables aleatoria normal estándar Z, donde
Z=
( )
X 1 - X 2 - (µ1 - µ 2 )
s 12 n1 + s 22 n2
n Se sabe que bajo H0 (si μ1 = μ2), entonces Z tiene una
distribución n(X;0,1) y, por lo tanto, se puede utilizar la
expresión
æ
Pç - za 2 <
X 1 - (
X 2 - (µ 1 -)µ 2 ) ö
< za 2 ÷ = 1 - a
ç s 2
n + s 2
n ÷
è 1 1 2 2 ø
Varianzas Poblacionales Conocidas (cont.)
H 0 : µ1 - µ 2 = d 0
H1 : µ1 - µ 2 ¹ d 0
z=
( )
x1 - x 2 - d 0
> za 2 o z =
( )
x1 - x 2 - d 0
< - za 2
s 1 n1 + s 2 n2
2 2
s 1 n1 + s 2 n2
2 2
n Si –zα/2 < z < zα/2 no se rechaza H0. El rechazo de H0 implica la

la probabilidad α de rechazar cuando, en realidad, μ1 – μ2 = d0.

calculado x1 - x 2.
n Rechazar H0 si x1 - x 2 < a o x1 - x 2 > b, donde
a = d0 - za 2 s 12 n1 + s 22 n2 y b = d 0 + za 2 s 12 n1 + s 22 n2

H 0 : µ1 - µ 2 = d 0
H1 : µ1 - µ 2 < d 0
z=
(
x1 - x 2 - d 0 )
< - za
s 1 n1 + s 2 n2
2 2
n Si z > –zα no se rechaza H0. El rechazo de H0 implica la


H 0 : µ1 - µ 2 = d 0
H1 : µ1 - µ 2 > d 0
z=
(
x1 - x 2 - d 0 )
> za
s 1 n1 + s 2 n2
2 2
n Si z < zα no se rechaza H0. El rechazo de H0 implica la


calculado x1 - x 2.
n Rechazar H0 si x1 - x 2 < a , donde
a = d0 - za s12 n1 + s 22 n2
n Rechazar H0 si x1 - x 2 > b, donde
b = d 0 + za 2 s 12 n1 + s 22 n2

Varianzas Poblacionales Desconocidas Iguales
formal la variables aleatoria T con v = n1 + n2 – 2 grados de
libertad, donde
T=
( )
X 1 - X 2 - (µ1 - µ2 )
sp =
s12 (n1 - 1) + s22 (n2 - 1)
s p 1 n1 + 1 n2 n1 + n2 - 2
n Se sabe que bajo H0 (si μ1 = μ2), entonces T tiene una
distribución t con v = n1 + n2 – 2 grados de libertad y, por lo
tanto, se puede utilizar la expresión
æ
Pç - ta 2 <
X ( )
1 - X 2 - (µ1 - µ 2 )
ö
< ta 2 ÷ = 1 - a
ç s 1 n + 1 n ÷
è p 1 2 ø
para CI-0115
UCR-ECCI escribir una región
Probabilidad de aceptación adecuada.
y Estadística
H 0 : µ1 - µ 2 = d 0
H1 : µ1 - µ 2 ¹ d 0
t=
( )
x1 - x 2 - d 0
> ta 2 o t =
( )
x1 - x 2 - d 0
< -ta 2
s p 1 n1 + 1 n2 s p 1 n1 + 1 n2
n Si –tα/2 < t < tα/2 no se rechaza H0. El rechazo de H0 implica la

calculado x1 - x 2.
a = d 0 - ta 2 s p 1 n1 + 1 n2 y b = d 0 + ta 2 s p 1 n1 + 1 n2

H 0 : µ1 - µ 2 = d 0
H1 : µ1 - µ 2 < d 0
t=
(
x1 - x 2 - d 0 )
< -ta
s p 1 n1 + 1 n2
n Si t > –tα no se rechaza H0. El rechazo de H0 implica la

H 0 : µ1 - µ 2 = d 0
H1 : µ1 - µ 2 > d 0
t=
(
x1 - x 2 - d 0 )
> ta
s p 1 n1 + 1 n2
n Si t < tα no se rechaza H0. El rechazo de H0 implica la

calculado x1 - x 2.
a = d 0 - ta s p 1 n1 + 1 n2
b = d 0 + ta s p 1 n1 + 1 n2

Varianzas Poblacionales Desconocidas
Diferentes
formal la variables aleatoria T’ con v grados de libertad, donde
T'=
( )
X 1 - X 2 - (µ1 - µ 2 )
v=
(
s1 n1 + s2 n2
2 2
) 2
s1 n1 + s2 n2
2 2 2
( ) (
s1 n1 (n1 - 1) + s2 n2 (n2 - 1)
2 2
) 2
n Se sabe que bajo H0 (si μ1 = μ2), entonces T’ tiene una

distribución t aproximada con v grados de libertad
aproximados y, por lo tanto, se puede utilizar la expresión
æ
Pç - ta 2 <
X 1 - X(2 - (µ 1)- µ 2 ) ö
< ta 2 ÷ = 1 - a
ç s 2
n + s 2
n ÷
è 1 1 2 2 ø
Diferentes (cont.)
H 0 : µ1 - µ 2 = d 0
H1 : µ1 - µ 2 ¹ d 0
t' =
( )
x1 - x 2 - d 0
> ta 2 o t ' =
( )
x1 - x 2 - d 0
< -ta 2
s1 n1 + s2 n2
2 2
s1 n1 + s2 n2
2 2
n Si –tα/2 < t’ < tα/2 no se rechaza H0. El rechazo de H0 implica la


Diferentes (cont.)
calculado x1 - x 2.
a = d 0 - ta 2 s12 n1 + s22 n2 y b = d 0 + ta 2 s12 n1 + s22 n2


Diferentes (cont.)
H 0 : µ1 - µ 2 = d 0
H1 : µ1 - µ 2 < d 0
t' =
(
x1 - x 2 - d 0 )< -ta
s1 n1 + s2 n2
2 2
n Si t’ > –tα no se rechaza H0. El rechazo de H0 implica la


Diferentes (cont.)
H 0 : µ1 - µ 2 = d 0
H1 : µ1 - µ 2 > d 0
t' =
(
x1 - x 2 - d 0 )
> ta
s1 n1 + s2 n2
2 2
n Si t’ < tα no se rechaza H0. El rechazo de H0 implica la


Diferentes (cont.)
calculado x1 - x 2.
a = d0 - ta s12 n1 + s22 n2
b = d0 + ta s12 n1 + s22 n2

Elección del Tamaño de la Muestra para Probar
Medias
n Prueba de hipótesis sobre una media, varianza poblacional
conocida
n Caso de un sola cola (región crítica):
# #
𝑧! + 𝑧" 𝜎
𝑛= # 𝛿 = 𝜇 − 𝜇$
𝛿
Nivel de signi2icancia 𝛼 𝑃𝑜𝑡𝑒𝑛𝑐𝑖𝑎 = 1 − 𝛽
n Caso de dos colas (región crítica):

# #
𝑧!⁄# + 𝑧" 𝜎
𝑛≈ # 𝛿 = 𝜇 − 𝜇$
𝛿
Medias (cont.)
n Prueba de hipótesis sobre dos medias, varianzas poblacionales
conocidas (n = n1 = n2)
n Caso de un sola cola (región crítica):
#
𝑧! + 𝑧" 𝜎&# + 𝜎##
𝑛= 𝛿 = 𝜇& − 𝜇# − 𝜇$
𝛿#
n Caso de dos colas (región crítica):

#
𝑧"⁄# + 𝑧$ 𝜎%# + 𝜎##
𝑛≈ 𝛿 = 𝜇% − 𝜇# − 𝜇&
𝛿#

Medias (cont.)
n Prueba de hipótesis sobre una media, varianza poblacional
desconocida
n La distribución utilizada para estos cálculos se llama distribución t
no central.
n La tabla A.8 da los tamaños muestrales necesarios para controlar los
valores α y β para diversos valores de
d µ - µ0
D= =
s s
Nivel de significancia a
Potencia = 1 - b
para los casos de una y de dos colas (región crítica).
Medias (cont.)
n Prueba de hipótesis sobre dos medias, varianzas poblacionales
desconocidas iguales (n = n1 = n2)
n La distribución utilizada para estos cálculos se llama distribución t
no central.
n La tabla A.9 da los tamaños muestrales necesarios para controlar los
valores α y β para diversos valores de
d µ1 - µ 2 - µ0
D= =
s s
Nivel de significancia a
Potencia = 1 - b
para los casos de una y de dos colas (región crítica).
Referente a la Varianza
n En este tipo de pruebas se trata con alguna de las siguientes
hipótesis:
H 0 : s 2 = s 02 H 0 : s 2 = s 02 H 0 : s 2 = s 02
, o
H 1 : s ¹ s 0 H1 : s < s 0
2 2 2 2
H1 : s 2 > s 02
n Es estadístico apropiado sobre el que se basan las
conclusiones es el chi-cuadrado χ2.
c2 =
(n - 1)s 2
s 02
n Si H0 es verdadera, χ2 es un valor de la distribución chi-
cuadrada con v = n – 1 grados de libertad.
Referente a la Varianza (cont.)
n Prueba de dos colas en el nivel de significancia α la región
crítica es χ2 < χ21-α/2 o χ2 > χ2α/2.
n Prueba de una cola (izquierda) en el nivel de significancia α la
región crítica es χ2 < χ21-α.
n Prueba de una cola (derecha) en el nivel de significancia α la
región crítica es χ2 > χ2α.
Región Crítica Región Crítica

(Rechazo H0) (Rechazo H0)
Región de Aceptación Región de Aceptación Región de Aceptación
(No rechazo H0) (No rechazo H0) (No rechazo H0)
Región Crítica
(Rechazo H0)
Referente a la Razón entre Varianzas
n En este tipo de pruebas se trata con alguna de las siguientes
hipótesis:
H 0 : s 12 = s 22 H 0 : s 12 = s 22 H 0 : s 12 = s 22
, o
H 1 : s 1 ¹ s 2 H1 : s 1 < s 2
2 2 2 2
H1 : s 12 > s 22
n Es estadístico apropiado sobre el que se basan las
conclusiones es el valor f.
s12
f = 2
s2
n Si H0 es verdadera, f es un valor de la distribución F con v1 =
n1 – 1 y v2 = n2 – 1 grados de libertad.
Referente a la Varianza (cont.)
n Prueba de dos colas en el nivel de significancia α la región
crítica es f < f1-α/2(v1,v2) o f > fα/2(v1,v2).
n Prueba de una cola (izquierda) en el nivel de significancia α la
región crítica es f < f1-α(v1,v2).
n Prueba de una cola (derecha) en el nivel de significancia α la
región crítica es f > fα(v1,v2).
Región Crítica Región Crítica

(Rechazo H0) (Rechazo H0)
Región de Aceptación Región de Aceptación Región de Aceptación
(No rechazo H0) (No rechazo H0) (No rechazo H0)
Región Crítica
(Rechazo H0)
Referencias Bibliográficas
n Walpole, R.E.; Myers, R.H.; Myers, S.L. & Ye, K.
“Probabilidad y estadística para ingeniería y ciencias”. Octava
Edición. Pearson Prentice-Hall. México, 2007.
n Leongómez, Juan. (2020). Análisis de poder estadístico y
cálculo de tamaño de muestra en R: Guía práctica.
10.5281/zenodo.3988776.
n https://www.youtube.com/watch?v=weuyu98vYTc&t=1565s
&ab_channel=AntonioQuispe.


Pruebas Hipotesis Una YDos Muestras

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Pruebas Hipotesis Una YDos Muestras

Cargado por

Copyright:

Formatos disponibles

Pruebas de Hipótesis de Una y Dos

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

a = P(error tipo I) = P(Rechazar H 0 H 0 verdadera) = P(Muestra dentro de C H 0 )

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

a = P(error tipo I) = P(Rechazar H 0 H 0 verdadera) = P(Muestra dentro de C H 0 )

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

𝑠!" 𝑛! − 1 + 𝑠"" 𝑛" − 1

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

Una cola – Unilateral

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

Valor grande de α → Rechazo H0

UCR-ECCI CI-0115 Probabilidad y Estadística

Región Aceptación con α Región Crítica con α

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

𝑃 < 0.01 → Rechazo 𝐻!

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

*𝑃 𝐴"#$ → Función de distribución acumulativa (cola izquierda)

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

n Si –zα/2 < z < zα/2 no se rechaza H0. El rechazo de H0 implica la

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

n Si z > –zα no se rechaza H0. El rechazo de H0 implica la

UCR-ECCI CI-0115 Probabilidad y Estadística

n Si z < zα no se rechaza H0. El rechazo de H0 implica la

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística

UCR-ECCI CI-0115 Probabilidad y Estadística