Prueba de Hipotesis
Prueba de Hipotesis
Prueba de Hipotesis
CAPITULO IV
PRUEBAS DE HIPOTESIS ESTADISTICA
La recolección y análisis de datos son componentes muy importantes de los métodos científicos de
investigación. Los datos se utilizan para confirmar o rechazar teorías e hipótesis, y estas deben ser
confirmadas con datos provenientes de experimentos cuidadosamente planificados. Si los datos contradicen
las teorías formuladas, se deberá buscar adecuadas explicaciones o nuevas teorías. Estas ideas
introductoras ilustran el hecho de que los datos obtenidos a partir de muestras se utilizan para decidir entre
hipótesis elaboradas.
La inferencia estadística estudia los métodos que señalan como emplear datos obtenidos de muestras
aleatorias para inducir, por generalización, características a las poblaciones de las que se ha obtenido las
muestras. Más recientemente, los métodos de inferencia estadística se han unificado bajo los conceptos
generales de la teoría de la decisión, es decir, bajo los conceptos generales de la manera de tomar
decisiones en condiciones de incertidumbre.
Las pruebas de hipótesis estadística se encargan de analizar procedimientos para confirmar o rechazar
hipótesis acerca de la distribución de variables aleatorias. Las hipótesis están confinadas a términos de
parámetros de población; esto es, hecha una determinada afirmación sobre una población, deseamos saber
si los resultados de una muestra contradicen o no tal afirmación. Por ejemplo, dos hipótesis pueden
especificar que el promedio de la tensión de ruptura de cierta aleación es mayor (no es mayor) que 2000 lb.;
o que la variabilidad de un proceso A es mayor (no es mayor) que aquella de un proceso B; etc.
Así como ocurrió con la construcción de los estimadores por intervalos de confianza, las pruebas de
hipótesis también se apoyan en la distribución de probabilidad de los estimadores. De esta manera, las
distribuciones de probabilidad de la media muestral y la varianza muestral, serán utilizadas para las
respectivas pruebas sobre la media y la varianza poblacional.
4.1. Ejemplo ilustrativo.
Supóngase que se quiere determinar si ciertos cambios en un proceso productivo reducen el tiempo que le
toma a un obrero completar una tarea de ensamblaje de un producto. Supóngase que en condiciones
normales, en promedio, un trabajador emplea 30 minutos en completar la tarea de ensamblaje. También se
sabe que ese tiempo promedio presenta variación; esto es, el tiempo de ensamblaje es una variable
aleatoria que se puede representar por X. Mas aún, existe suficiente información para asegurar que X esta
normalmente distribuida y tiene promedio µ = 30 y una desviación estándar σ = 1. Esto implica que
aproximadamente 95% de los tiempos de ensamblaje se encuentran entre 28 y 32 minutos.
En este ejemplo se va a evaluar una hipótesis relacionada al parámetro µ, con el supuesto de que σ = 1 aún
después de los cambios efectuados. Luego de concretados los cambios en el proceso de ensamblaje, se
plantean dos hipótesis:
- La hipótesis del no cambio (hipótesis nula), que establece que µ sigue siendo 30 minutos; y
- La hipótesis alternativa que sugiere que µ < 30 minutos:
Para determinar la validez de una de estas hipótesis se procede a la recolección de información.
Primeramente se elige aleatoriamente a un solo trabajador para evaluar el efecto de los cambios
realizados. Se observa que este trabajador emplea 29 minutos en la tarea normal de ensamblaje. Con este
dato, y teniendo en consideración que X proviene de N(30, 1) se evalúa:
29 − 30
P [X ≤ 29 ]=φ = 0 . 1587
1
es decir, hay aproximadamente 16 % de probabilidades de que el tiempo de ensamblaje sea 29 minutos,
siendo que X proviene de N(30, 1). Esto indica de que un tiempo de 29 min. no es un evento muy raro en
−
esa distribución. Continuando la toma de datos se evalúa n = 5 trabajadores, para los cuales X = 29 min .
−
Luego se toma n = 25 trabajadores que presentan X = 29 min . Reiterando que X proviene de N(30, 1), la
−
Esto hace que para una N(30, 1), con n = 25, X = 29 min . es un evento extremadamente improbable.
Ciertamente, esto quita consistencia a la hipótesis de que µ sigue siendo 30 minutos. Por ello se puede
afirmar que, efectivamente, el tiempo de ensamblaje de cada trabajador se ha reducido.
En términos técnicos, se dice que: los cambios efectuados en el proceso productivo originan una diferencia
estadísticamente significativa en el tiempo de ensamblaje; o bien, que la diferencia en el tiempo, 30 - 29 = 1
es estadísticamente significativa.
Es necesario aclarar que una diferencia estadísticamente significativa no siempre es de utilidad práctica; ya
que por ejemplo, la reducción de un minuto en el promedio µ no podría representar ahorros importantes en
el proceso productivo. La decisión final de adoptar los cambios concierne a una evaluación de estructura de
costos, que estas técnicas estadísticas no pueden resolver.
4.2. Definición de hipótesis
Para llegar a tomar decisiones, conviene hacer determinados supuestos o conjeturas acerca de las
poblaciones que se estudian. Tales supuestos, que pueden ser ciertos ó no, se denominan hipótesis
estadísticas. Por ejemplo, si se quiere decidir si un procedimiento es mejor que otro, se formulan las
hipótesis:
- No hay diferencia estadística entre los dos procesos; y
- Si existe diferencia estadística entre los dos procesos.
La primera se define como la hipótesis del "no cambio" o “hipótesis nula” y se simboliza por Ho. La segunda
se denomina “hipótesis alternativa” y se simboliza por H1.
Por ejemplo, una empresa produce circuitos impresos con probabilidad histórica de producto fallado igual al
3% (P = 0.03). Un ingeniero de producción sugiere cambios en el proceso y asegura que tales cambios
causarán una reducción de la probabilidad de falla; es decir, asegura que P < 0.03. Por lo tanto, se deberá
evaluar:
Ho : P = 0.03 (Hipótesis Nula)
_
X −µo
≤ − z (α )
σ
n
donde z(α) es el punto superior de porcentaje de N(0, 1).
La cantidad:
_
X −µo
=Z
σ
n
se denomina el estadístico estandarizado o tipificado. Si este estadístico es un valor menor de - z(α), se
rechaza Ho y se acepta H1. Por el contrario, si Z es mayor que -z(α) , se dice que no hay suficiente
evidencia para rechazar H1, por lo que se acepta Ho.
En general, las regiones críticas para contrastar Ho : µ = µo se pueden expresar como se indica en la Tabla
4.1:
Tabla 4.1: Regiones críticas para contrastar Ho : µ = µo
H1 : µ < µo.
Rechaza Acepta
Ho Ho
Distribución de
muestra de x bajo
Ho(µ=µο)
x
c µo
En la Figura 4.1,”c” representa el valor crítico. La región a la derecha de este punto es la región de
aceptación de Ho y la región a la izquierda de “c” es la de aceptación de H1 . El punto c es tal que la
probabilidad de rechazar Ho es α. El gráfico muestra que el valor crítico “c” debe ser menor que µo y es
determinado por:
σ
c = µ o + [z (α ) ]
n
Estadística: Capítulo IV: Pruebas de hipótesis estadística 53
El valor de “α” depende de cada aplicación. Un valor muy frecuentemente utilizado es α = 0.05. si altos
costos están asociados a la evaluación, conviene utilizar valores más pequeños de α. Sin embargo, para
valores pequeños de α implica un valor alto de z(α) y la prueba se torna muy conservadora, tal que se
rechaza Ho solo en casos muy extremos.
Otra forma de conducir las pruebas de hipótesis es utilizando el concepto de valor de probabilidad o el
−
valor 'p'. Por ejemplo, en el caso de disminución de tiempos de ensamblaje de un producto de n = 34, si x =
29.68 para N(30, 1), se puede obtener un valor p, tal que:
_
_ − x−µ o 29 . 68 − 30
p = P [ X ≤ x ]= P Z ≤ = P Z ≤ = φ ( − 1 . 866 ) = 0 . 031
σ 1
n 34
En este caso se rechaza Ho si el valor de p es menor que α. = 0.05 (es decir para un nivel de significación
de 0.05). Esto se ilustra en la Figura 4.2.
Rechaza Acepta
Ho Ho
α = 0.05
p = 0.031
c x
µo
_
x = 29.68 29.72
30
z (0.031) z (0.05)
(-1.866) (-1.645)
Acepta Rechaza
Ho Ho
x
µo c
En la Figura 4.3 se quiere probar a un nivel de significación α, se requiere que una probabilidad de falso
rechazo de Ho sea α, es decir:
Estadística: Capítulo IV: Pruebas de hipótesis estadística 54
−
− X −µo c−µ o
P [ X ≥ c ;µ = µ o ]= P Z = ≥ =α
σ σ
n n
de modo que se rechaza Ho si el estadístico estandarizado:
_
X −µ o
≥ z (α ) o equivalentemente
σ
n
−
_ _ X −µ
valor p = P X ≥x; µ =µ o = 1−φ o
σ
n
α/2 α/2
x
c µo
_ −
X −µ X − µo
≥ z (α / 2) valor p = 2 P Z >
σ σ
n n
Los anteriores conceptos asumen que se tiene una distribución N(0,1) con σ2 conocida. Si ahora la varianza
σ2 es estimada por la varianza de muestra s2, la distribución de muestra:
_
x −µ
t=
s
n
es una distribución t con n-1 = r grados de libertad y los valores críticos z(α) deben ser reemplazados por t(α; n-1). Si
acaso n es grande (por lo menos 30) se puede utilizar la Tabla normal.
Estadística: Capítulo IV: Pruebas de hipótesis estadística 55
Las regiones críticas resultantes se muestran en la Tabla de t-Student, en donde por ejemplo t(α; n-1) es el
área a la derecha bajo la curva de distribución t con n-1 grados de libertad y es igual a α, Figura 4.5
Acepta Rechaza
Ho Ho
α, r grados de
libertad
x
µo t(α, r)
Figura 4.5: Ilustración gráfica de la prueba Ho : µ = µo versus H1 : µ > µo para muestras pequeñas.
µ2 , varianzas σ 1 y σ 2
2 2
respectivamente y de tamaño n1 y n2, denotadas por:
y
x , x ,..., x y , y ,... y
1 2 n 1 2 n
1 2
y que son aproximadamente:
( ) (
N µ1 ,σ 12 / n1 y N µ 2 ,σ 22 / n2 )
Se asume que σ 1 y σ 2 son conocidas.
2 2
Si las varianzas σ 1 y σ 2 son desconocidas, estas pueden ser reemplazadas por las varianzas de muestra,
2 2
S12 , S22 . En este caso se toma en consideración los grados de libertad r = n - 1 y r = n -1, y bajo la
1 1 2 2
hipótesis nula Ho : µ = µo , la variable aleatoria:
_ _
x− y
T=
(n1 −1 )S x2 + (n 2 −1 )S y2 1 1
+
n1 + n 2 − 2 n1 n 2
tiene una distribución t-Student t( α; n1 + n2 - 2 ). Si se rechaza Ho: µ = µo y se acepta H1 : µ > µo ,
cuando T≥ +t( α; n1 + n2 - 2 ) se obtiene una prueba con nivel de significación α. Similarmente, en una
prueba Ho: µ = µo versus H1 : µ < µo , se acepta H1 cuando T≤ -t( α; n1 + n2 - 2 ). En una prueba Ho:
µ = µo versus H1 : µ ≠ µo , se acepta H1 cuando T≥ t ( α; n1 + n2 - 2 ).
distribución con promedio µ1 - µ2 y varianza σ w Las variables W1, W2,...,Wn son independientes (provienen
2
W
T=
Sw n
donde Sw es la desviación estándar de las diferencias, W. Una prueba de hipótesis por ejemplo puede ser
Si se desea probar la hipótesis de que la varianza de una población normal σ es igual a un valor
2
H 1 : σ 2 ≠σ 2
0
χ o2 =
(n − 1) S 2
σ o2
2
donde S es la varianza muestral. Ahora si Ho es verdadera, entonces el estadístico de prueba χ o2 sigue
una distribución chi cuadrada con n-1 grados de libertad. Por consiguiente, se calcula el valor de la
H o : σ 2 =σ 2
estadística de prueba χ o2 y la hipótesis 0 debe rechazarse si:
donde χ α2 / 2, n −1 χ 12−α / 2 , n −1 son los puntos que corresponden a los porcentajes 100α/2 inferior y superior a la
distribución chi cuadrada con n-1 grados de libertad respectivamente.
El mismo estadístico se utiliza para la hipótesis alternativas unilaterales. Para la hipótesis unilateral:
Ho:σ 2
=σ 2
0
H1:σ 2
>σ 2
0
se rechaza Ho si χ o2 > χ α2 / 2 , n −1
H 1 : σ 2 <σ 2
0
Supóngase que se tiene interés en dos poblaciones normales independientes, donde las medias y varianzas
de la población, µ1 , σ 1 , µ 2 y ,σ 2 son desconocidos. Se desea probar las hipótesis sobre la igualdad de las
2 2
dos varianzas Ho : σ 1 = σ 2 por ejemplo. Si se tienen dos muestras aleatorias de tamaño n1 tomada de la
2 2
S x2 y S y2
población 1, y otra de tamaño n2 proveniente de la población 2 y sean las respectivas varianzas
muestrales. Para probar las alternativas:
H0 : σ 21 = σ 22
H1 :σ 12 > σ 22
se utiliza el estadístico:
S12
F= 2
S2
tiene una distribución F con n1-1 grados de libertad en el numerador y n2-1 grados de libertad en el denominador.
H0 : σ 21 = σ 22 S x2 S y2 ≥ F (α ; n 1 −1, n 2 −1 )
y se acepta H1 :σ 1 > σ 2 si
2 2
Se rechaza
S12 S 22
+
n1 n2
Se aproxima a la distribución t-student con r grados de libertad calculados en la anterior ecuación. Si el valor
de r no es un valor entero, se le aproxima al entero más cercano. Con esto, las pruebas de hipótesis se
ejecutan de igual manera a lo descrito para muestras pequeñas de varianza desconocida.
Ejemplo:
Para probar la efectividad de dos pegamentos se utilizan 41 moldes pegados con cada uno de esos
pegamentos. Se mide la fuerza para romper los moldes pegados con los siguientes resultados:
Pegamento 1: n1 = 41 _ S1 = 6.2 ft/lb
x1 = 45 ft / lb
Pegamento 2: n2 = 41 _ S2 = 4.3 ft/lb
x1 = 42 ft / lb
Existe diferencia significativa en dureza en las muestras A y B al nivel de confianza del 95 %? Suponga que
σ 2A = σ B2
equivalentes al que está en actual uso en la planta concentradora. Tales perspectivas anunciadas por el
vendedor se ven muy atractivas y ameritan una investigación adecuada, así que usted asigna a un
metalurgista de planta para que efectúe las evaluaciones del nuevo colector y aconseje sobre el cambio de
reactivo.
El metalurgista de planta realiza pruebas con “Float All” durante 06 días. Luego compara estos resultados
con los correspondientes a un período de 20 días previos de operación con su reactivo rutinario. Los datos
obtenidos figuran en la siguiente Tabla:
Datos obtenidos por el metalurgista de planta
(A) Reactivo de Planta
Día Recuperación total, % Día Recuperación total, %
1 88.5 11 87.3
2 86.1 12 82.6
3 93.2 13 86.2
4 85.9 14 86.5
5 90.6 15 93.6
6 93.1 16 90.3
7 96.2 17 86.2
8 88.3 18 90.3
9 87.8 19 87.4
10 85.5 20 87.8
Al analizar los datos obtenidos, calculando el promedio y varianza de los dos grupos de datos, el
metalurgista de planta se plantea las siguientes pruebas de hipótesis:
1. La varianza de las recuperaciones con ambos colectores es igual.
2. El promedio de recuperación utilizando “Float All” es de 95 % ( ó mayor).
3. El promedio de recuperación con ambos reactivos es igual
Luego del análisis respectivo, concluyó:
1. El promedio de recuperación en planta con “Float All” será menor al 95%.
2. Sin embargo, “Float All” mejorará las recuperaciones con respecto al reactivo en actual uso.
3. El reactivo actual debe ser reemplazado por “Float All”.
Usted sabe por experiencia que las características de mineral son cambiantes incluso de un día al otro. Con
esto en mente, usted revisa los datos obtenidos y decidirá si las conclusiones del metalurgista de planta son
válidas. Luego de la revisión del trabajo del metalurgista de planta, usted decide que las conclusiones deben
ser más contundentes. Para ello usted planifica una campaña de experimentación durante dos semanas. En
este período los dos reactivos son utilizados conjuntamente y con el mismo tipo de mineral en dos bancos
de celdas. De este modo, las conclusiones que usted obtenga no estarán afectadas por las naturales
fluctuaciones en la calidad del mineral. Los datos obtenidos son los siguientes;
Estadística: Capítulo IV: Pruebas de hipótesis estadística 61
Recuperación Total, %
Día Reactivo de “Float All” D = RF - RP
Planta
1 87.9 87.3 -0.6
2 92.7 94.8 2.1
3 87.7 89.2 1.5
4 88.7 89.3 0.6
5 91.3 87.0 -4.3
6 90.0 89.0 -1.0
7 91.7 92.6 0.9
8 95.1 93.4 -1.7
9 84.7 83.1 -1.6
10 95.7 97.3 1.6
11 97.0 95.4 -1.6
12 83.0 86.2 3.2
13 88.6 89.1 0.5
14 83.8 84.5 0.7
Para el análisis de la información puede tratar las hipótesis del metalurgista de planta con 95% de
confiabilidad:
A) El promedio de recuperación utilizando “Float All” es de 95 % ( ó mayor).
B) La varianza de las recuperaciones con ambos colectores es igual.
C) El promedio de recuperación con ambos reactivos es igual
El análisis de los datos como muestras en pares a un nivel de significación del 95% será el procedimiento
adecuado y en base a ello se deberán obtener las conclusiones con respecto a las ventajas de “Float All”.
Estadística: Capítulo IV: Pruebas de hipótesis estadística 62
EJERCICIOS GRUPO 4
1. Se desea contrastar la hipótesis µ = 0 frente a la alternativa µ >0 sobre la base de una muestra aleatoria de tamaño 9
obtenida de una población normal con σ 2 = 1 a un nivel de significación de 0.05. Verificar cual de las alternativas es la
_
correcta. Rpta.: H1 es cierta si x >0.55
2. Se desea contrastar la hipótesis µ = 0 frente a la alternativa µ >0 sobre la base de una muestra aleatoria de tamaño 100
_
obtenida de una población normal con σ 2 = 1 . Si la hipótesis se debe rechazar cuando x > 0.233, cuál es el nivel de
significación empleado? Rpta.: α = 0.01
3. Queremos contrastar la hipótesis µ = 0 frente a la alternativa µ ≠ 0 sobre la base de una muestra aleatoria de tamaño 25
obtenida de una población normal con σ
2
= 1 . Si α = 0.05 hallar el conjunto de valores de x para los que la hipótesis
debe aceptarse. Rpta.: [ -0.392; 0.392]
4. La duración media de una muestra de 100 tubos fluorescentes producidos por una compañía resulta ser de 1,570 horas
con una desviación estándar de 120 horas. Si el promedio histórico de los tubos es de 1,600. Verificar si la duración de
los tubos es inferior a 1,600 horas a un nivel de significación de 0.05. Rpta.: La duración de focos es inferior.
5. Un diseñador de productos esta interesado en reducir el tiempo de secado de una pintura. Se prueban dos fórmulas de
pintura; la fórmula 1 tiene el contenido químico estándar, y la fórmula 2 tiene un nuevo ingrediente secante que debe
reducir el tiempo de secado. De la experiencia se sabe que la desviación estándar del tiempo de secado es de 8 minutos,
y esta variabilidad inherente no debe verse afectada por la adición del nuevo ingrediente. Se pintan 10 espécimenes con
la fórmula 1 y otros 10 con la fórmula 2. Los dos tiempos de secado muestrales son 121 min y 112 min respectivamente.
¿A qué conclusiones puede llegar el diseñador del producto sobre la eficacia del nuevo ingrediente, utilizando α = 0.05?
Rpta.: El tiempo de secado es menor.
6. Se requiere que la tensión de ruptura de un hilo utilizado en la fabricación de material de tapicería sea al menos 100 psi.
La experiencia ha indicado que la desviación estándar de la tensión de ruptura es 2 psi. Se prueba una muestra aleatoria
de 9 espécimenes y la tensión promedio observada es de 98 psi.
a) ¿Debe considerarse la fibra como aceptable con α = 0.05?.
b) ¿Cuál es el valor p de esta prueba?
Rpta.: (a)No, la resistencia es menor; (b) 0.00135
7. Se estudia el rendimiento de un proceso químico. De la experiencia previa con este proceso se sabe que la desviación
estándar del rendimiento es 3. En los cinco días anteriores de operación de la planta, se han observado los siguientes
rendimientos:
91.6% 88.75% 90.8% 89.95% 91.3%
a) ¿Existe evidencia de que el rendimiento no es del 90% con α = 0.05?.
b) Cuál es el valor p de esta prueba?
Rpta.; (a) No; (b)0.3594]
8. El tiempo para reparar desperfectos de máquinas fotocopiadora tiene un promedio de 93 min. La compañía fabricante
sostiene que con su nuevo modelo, aquellos tiempos serán inferiores. Para probar esto se evalúan 73 paradas por
desperfectos y se observa un promedio de reparación de 88.8 minutos y una desviación estándar de 26.26 minutos. A un
nivel de significación de 0.05 verificar la aseveración de la compañía.
Rpta.: No hay diferencia.
9. Se tomaron aleatoriamente 64 fusibles y fueron sometidos a un 20% de sobrecarga y el tiempo de falla fue registrado.
_
Para esta muestra se encontró x = 8.5 minutos y s = 2.4. A un nivel de significación del 0.05 probar si µ > 8.0.
Rpta.: Si, µ> 8.0
10. En el pasado una máquina ha producido arandelas con un grosor de 0.05 pulgadas y una desviación estándar, σ, de
0.003 pulgadas. Para determinar si la máquina sigue en buenas condiciones de producción, se toma una muestra de 10
arandelas que resultan tener un grosor medio de 0.053 pulgadas. Ensayar la hipótesis de que la máquina este en buenas
condiciones de producción a un nivel de significación del 0.05.
Rpta.: , µ ≠ 0.05
Estadística: Capítulo IV: Pruebas de hipótesis estadística 63
11. Se analizan dos catalizadores para determinar la forma en que afectan el rendimiento promedio de un proceso químico.
De manera específica, el catalizador 1 es el que se está empleando en este momento; pero el catalizador 2 también es
aceptable. Debido a que el catalizador 2 es más económico, éste puede adoptarse siempre y cuando no cambie el
rendimiento del proceso. Se hace una prueba en una planta piloto; los resultados obtenidos son:
Observación # Catalizador 1 Catalizador 2
1 91.5 89.19
2 94.18 90.95
3 92.18 90.46
4 95.39 93.21
5 91.79 97.19
6 89.07 97.04
7 94.72 91.07
8 89.21 92.75
¿Existe alguna diferencia entre los rendimientos promedio de ambos catalizadores al 0.05 de significación?
Rpta.: No existe diferencia.
12. Diez individuos participan en un programa de modificación de dieta diseñado para estimular la pérdida de peso. En la
siguiente tabla se indica el peso de cada participante antes y después de haber participado en el programa. ¿Existe
evidencia que apoye la afirmación de que este programa de modificación de dieta es eficaz en reducir el peso? Utilice α
= 0.05
Sujeto Antes Después
1 195 187
2 213 195
3 247 221
4 201 190
5 187 175
6 210 197
7 215 199
8 246 221
9 294 278
10 310 285
Rpta.: Si es eficaz.
13. Se analiza una marca particular de margarina dietética para determinar el nivel de ácido graso poli-insaturado (en
porcentaje). Se toma una muestra de seis paquetes y se obtiene los siguientes datos: 16.8; 17.2; 17.4; 16.9; 16.5;
17.1. Pruebe la hipótesis Ho µ = 17.0 contra H1: µ ≠ 17.0 con α = 0.01. ¿Cuáles son sus conclusiones?
Rpta.: µ=170
14. Un ensayo sobre la resistencia a la rotura de 6 cuerdas fabricadas por una compañía mostró una resistencia media de
7,750 lb y una desviación estándar de 145 lb, mientras que el fabricante sostenía que la resistencia media de sus cuerdas
era de 8,000 lb. Se puede admitir la afirmación del fabricante a un nivel de significación a) del 0.05; y b) del 0.01?
Rpta.: (a) µ=8000 lb.
15. Un laboratorio de pruebas desea contrastar si el promedio de vida de cierta herramienta de corte es de 2,000 piezas,
frente a la alternativa de que es menos de 2,000. Qué conclusión se deberá obtener a un nivel de significación del 0.01,
si 6 pruebas mostraron como vidas de las herramientas 2010, 1980, 1920, 2005, 1975, y 1950 piezas?
Rpta. : µ = 2000
Estadística: Capítulo IV: Pruebas de hipótesis estadística 64
16. Se afirma que la resistencia de un alambre eléctrico se puede reducir como mínimo en 0.05 ohms aleando el material.
Se hacen 25 pruebas en alambre aleado y otras tantas en alambre sin aleación, dando los siguientes resultados:
Media, ohms Desviación estándar, ohms
Alambre aleado 0.089 0.003
Alambre sin aleación 0.141 0.002
Empleando un nivel de significación del 0.05 de determinar si esa afirmación es cierta.
Rpta.: µ1 - µ2 > 0.05
17. Una compañía desea comparar las vidas de dos piedras abrasivas y encuentra que el promedio de vida de 10 piedras de
la primera clase es de 58 piezas con una desviación estándar de 6 piezas; y que la vida promedio de 12 piedras de la
segunda clase es de 66 piezas con una desviación estándar de 4 piezas. Contrastar la hipótesis de que no hay diferencia
significativa entre los promedios de vida de las dos piedras con un nivel de significación de 0.01.
Rpta.: Si hay diferencia.
18. Dos productores de focos sostienen que sus productos son los de más larga duración. Se toma 100 focos de cada uno de
_ _
estos fabricantes y son probados. Los resultados obtenidos son x = 798 y y = 826 horas respectivamente con
s x2 = 7982 s y2 = 9001 . Probar si estos dos tipos de focos son diferentes en cuanto su duración a un nivel de significación
del 0.005.
Rpta.: µ1 = µ2
19. Dos diferentes tipos de telas son comparados. Las perdidas de tela en miligramos en 7 pruebas son como sigue:
Prueba
Tela 1 2 3 4 5 6 7
A 36 26 31 38 28 37 22
B 39 27 35 42 31 39 21
Analizar los datos y definir si alguna de las telas es mejor que la otra.
Rpta. No son diferentes.
20. Un producto dietético líquido afirma en su publicidad que el empleo del mismo durante un mes produce una pérdida
promedio de 3 libras de peso. Ocho sujetos utilizan el producto por un mes, y los datos sobre pérdida de peso son los
siguientes:
Sujeto
1 2 3 4 5 6 7 8
Peso inicial, lb 163 201 195 198 155 143 150 187
Peso final, lb 161 195 192 197 150 141 146 183
Rpta.: H1 es cierta.
22. Un fabricante de detergente líquido esta interesado en la uniformidad de la máquina utilizada para llenar botellas. De
manera específica, es deseable que la desviación estándar del proceso de llenado sea menor que 0.5 onzas de líquido; de
otro modo, existe un porcentaje mayor del deseable de botellas con un contenido menor de detergente. La distribución
Estadística: Capítulo IV: Pruebas de hipótesis estadística 65
del volumen de llenado es normal. Al tomar una muestra aleatoria de 20 botellas, se obtiene una varianza muestral de
0.0153 (onzas de fluido )2.
a) Definir el intervalo de confianza al 95% que contenga el verdadero valor de la desviación estándar.
b) Si la varianza de llenado es mayor que 0.01 (onzas de fluido )2, entonces existe una proporción inaceptable de
botellas que serán llenadas con una cantidad menor de líquido. Existe evidencia en los datos muestrales que sugiera
que el fabricante tiene un problema con el llenado de las botellas? Utilice α = 0.05.
Rpta.: (a) [0.1807; 0.094]; (b) σ2 = 0.01
23. El contenido de azúcar del almíbar de los duraznos enlatados tiene una distribución normal, donde σ2 = 18 (mg)2 .
Pruebe la hipótesis Ho σ2 = 18 contra H1: σ2 > 18 si al tomar una muestra de 10 latas la desviación estándar muestral es
s = 4.8 mg con α = 0.05
Rpta.: σ2 = 18
24. Un ingeniero que trabaja para un fabricante de llantas investiga la duración promedio de un compuesto nuevo de
caucho. Para ello construye 16 llantas y las prueba en una carretera hasta alcanzar el fin de la vida útil de éstas. Los
datos en Km. obtenidos son los siguientes:
60,613 59,836 59,554 60,252
59,784 60,221 60,311 50,040
60,545 60,257 60,000 59,997
69,947 60,135 60,220 60,523
¿Puede concluirse que la desviación estándar de la duración de las llantas excede los 200 Km con α = 0.05?
Rpta.: σ2 >200.
25. Dos compañías de compuestos químicos pueden surtir materia prima. La concentración de un elemento en particular es
importante. La concentración promedio ambos proveedores es la misma, pero se sospecha que la variabilidad en la
concentración puede diferir entre las dos compañías. La desviación estándar de la concentración en una muestra
aleatoria de n1 = 15 lotes producidos por la compañía 1 es s1 = 4.7 g/l, mientras que para la compañía 2 , una muestra
aleatoria n2 = 20 lotes proporciona una s2 = 5.8 g/l. ¿Existe evidencia suficiente para concluir que las varianzas de las
dos poblaciones son diferentes? Utilice α = 0.05.
Rpta.: σ 12 = σ 22