ESTADÍSTICA II – T4 y T5 – Segundo parcial: TEORÍA.

TEMA 4.

1. Intervalo de confianza

Cuando obtenemos el estimador puntual (^θ), para una muestra concreta, NO hay info
sobre lo que este valor difiere del verdadero valor del parámetro, que es θ.

Así, es necesario acompañar la estimación con otra medida que recoja la confianza de
que el verdadero valor del parámetro se encuentre entre 2 valores numéricos concretos →
lo conseguiremos con el intervalo de confianza. Por tanto, la finalidad de los intervalos
de confianza es construir un intervalo de poca amplitud, y con una probabilidad lo más
elevada posible, de que el verdadero valor del parámetro se encuentre entre los extremos
del intervalo.

➔ DATOS CLAVE:

• De una muestra a otra, los límites del intervalo variarán aleatoriamente,

puesto que el intervalo que se construirá va a depender de los elementos de la
propia muestra.

• Cada intervalo tendrá asociado un coeficiente de confianza 1 – α, que indica

la probabilidad de que el parámetro θ se encuentre en el intervalo.

• Dados 2 intervalos de confianza con la misma amplitud: uno constituye una

estimación mejor que la del otro si su nivel de confianza NC es mayor → es
decir, a igual precisión, será mejor aquel que tenga mayor NC.

• La mejor estrategia para reducir a la mitad la amplitud del intervalo de

confianza para una media es cuadruplicar el tamaño de la muestra.

• Manteniendo constantes todos los factores excepto el nivel de confianza, el

intervalo de confianza con menor amplitud será al 95%

• Habrá diferencia significativas entre las medias de 2 poblaciones si el

intervalo NO contiene el valor 0.

• NO habrá diferencia significativas entre las varianzas de un intervalo de

confianza para el cociente de varianzas si el intervalo contiene el valor 1.

• Cuando una muestra es suficientemente grande (n>30) se puede aplicar el

Teorema Central del Límite.
 • En un intervalo para la media con varianza poblacional conocida:
– ⬆ Confianza → ⬆ Amplitud → ⬇ Precisión
– ⬆ Varianza poblacional (σ2) → ⬆ Amplitud → ⬇ Precisión
– ⬆ Tamaño muestral (n) → ⬇ Amplitud → ⬆ Precisión
*Se mezclan → Amplitud aumenta cuanto mayor sea var pobl (o2) y menor sea
el tamaño muestral (n).

➔ CONCEPTOS:

 Intervalo de confianza = recoge la confianza de que el verdadero valor del

parámetro se encuentre entre 2 valores numéricos (con una probabilidad lo más
alta posible), a través de un intervalo de poca amplitud.

 Amplitud del intervalo → Diferencia entre el extremo superior y el extremo

inferior del intervalo. Hay que buscar el menos amplio posible.

 Error muestral → Es lo que se le suma y se le resta a la estimación puntual

para construir un intervalo de confianza, siendo el error muestral la mitad de la
amplitud.

 Cantidad pivotal / pivote → Función del parámetro y de las observaciones de

la muestra, cuya distribución muestral NO depende del parámetro.

 Precisión → Cuanto más pequeño sea el intervalo de confianza (menor

amplitud) para un nivel de confianza fijo, más precisa será la estimación
obtenida.
TEMA 5. CONTRASTES DE HIPÓTESIS

1. Pasos para realizar un contraste de hipótesis

1. Formular el contraste → la hipótesis alternativa nos la da el enunciado y será

aquella que se quiere demostrar; si bien hay casos en los que hay que demostrar
una igualdad, y una igualdad siempre debe ir en la hipótesis nula.
2. Selección del estadístico experimental adecuado para el contraste
3. Selección del nivel de significación (lo fija el enunciado)
4. Determinación de la región crítica → al igual que el estadístico, también lo
obtendremos en el formulario (debajo del contraste que tenemos que realizar)
5. Cálculo del estadístico experimental → sustituir tanto los datos muestrales como
los datos del contraste en el estadístico del punto 2.
6. Utilización de la regla de decisión → Comparamos los valores de los estadísticos
experimentales y de los teóricos, para poder decidir si se cumple que el estadístico
experimental está dentro de la región crítica. Si es así → rechazamos hipótesis
nula; y si se encuentra en la región aceptación NO tenemos evidencias
significativas para rechazarla.

2. Tipos de errores. Conceptos:

a) Error de Tipo I → Consiste en rechazar H0 siendo cierta dicha hipótesis. Así, en este
error, se calcula la probabilidad de rechazar H0 condicionada a que H0 es cierta, que
se suele denotar por:

Generalmente la α nos la dan, y sirve para indicar la importancia de equivocarse al

rechazar incorrectamente la hipótesis nula.

* Valor del nivel de significación (α) → Generalmente la α nos la dan, y sirve para
indicar la importancia (que el investigador atribuye) de equivocarse al rechazar
incorrectamente la hipótesis nula. NO varía por cambios, sino que la varía el
investigador a su antojo, y aumentarla o disminuirla tiene una incidencia directa sobre
la región crítica / de rechazo.

b) Error de Tipo II → Consiste en aceptar H0 siendo falsa dicha hipótesis (lo contrario
que el error de Tipo I). La probabilidad de aceptar H0 siendo H0 falsa se suele escribir así:

Para calcular β(θ), la hipótesis alternativa debe ser simple (debe tomar SOLO 1 VALOR)

c) Potencia del contraste / test → Probabilidad de rechazar H0 cuando es falsa, que

viene a ser 1–β.

3. Relaciones entre errores y la potencia

• α y β NO son complementarias → Un cambio unitario en α NO implica el

correspondiente cambio unitario en β, y viceversa.

• PERO → α y β NO son independientes, ni entre ellas ni del tamaño de la muestra

(n). En general se cumple que 0 < α + β < 2; y que α + β = 1

• Controlamos la probabilidad α de cometer el error de Tipo I; sin embargo el error

de Tipo I queda determinado por la forma de realizar el contraste, esto es, por la
elección que se haga de la región crítica.

• Un aumento del tamaño muestra produce un incremento del coste de la

investigación, por lo que el investigador deberá decidir cuánto dinero está
dispuesto a gastar incrementando el tamaño muestral, con el objetivo de reducir los
errores de α y β.

• Manteniendo fijo el tamaño muestra (n) → si α disminuye; β aumenta y viceversa,

sin que las variaciones tengan que ser proporcionales.

• Si el aumenta la n (tamaño muestra):

– Si α se mantiene constante → β disminuye.

– Es posible que ambas disminuyan simultáneamente (supongo que si α no se
mantiene constante)

• Un cambio en la regla de decisión en un determinado contraste:

– Si α se mantiene constante → β disminuye.
– Es posible que ambas disminuyan simultáneamente (supongo que si α no se
mantiene constante)
4. El p-valor

El p-valor es el menor nivel de significación al cual se rechaza la hipótesis nula,

definiéndose asimismo como el tamaño máximo que debe tener la región crítica para
rechazar la hipótesis.

Así, también definimos el p-valor (otro método para resolver cualquier contraste) como la
probabilidad a partir de la cual el valor experimental cae en la región crítica.

– Si p-valor > α → NO se rechaza la hipótesis nula

– Si p-valor ≤ α → SÍ se rechaza la hipótesis nula (con igualdad se recomienda
aumentar el tamaño muestral).

*2 cosas clave:

· Si un contraste se rechaza por el p-valor con un α determinado:

– Si α aumenta → se sigue rechazando
– Si α disminuye → no sabemos si se rechaza

· Si un contraste NO se rechaza por el p-valor con un α determinado:

– Si α aumenta → no sabemos si se rechaza
– Si α disminuye → se sigue sin rechazar