I

UNIVERSIDAD ANDINA DEL CUSCO –FILIAL SICUANI

DOCENTE: LIC. JULIO EDWIN CORA SALAS

CURSO: ESTADISTICA

SEMESTRE: III

PRESENTADO POR:

• GALLEGOS ROJAS, MAYRA INGRITH

• MARTINEZ SANGA, DIEGO RODRIGO
 ARTEAGA BRESSIA PAOLY
 II

INDICE

MISIÓN-----------------------------------------------------------------------------------------------------I

VISIÓN-----------------------------------------------------------------------------------------------------I

PRESENTACION---------------------------------------------------------------------------------------II

AGRADECIMIENTO---------------------------------------------------------------------------------IV

DEDICATORIA-----------------------------------------------------------------------------------------V
 III

PRESENTACION

Lic. CORA SALAS EDWIN docente del curso de ESTADISTICA II de la Universidad

Andina del Cusco. El presente trabajo tiene como objetivo general desarrollo del tema de

PRUEBA DE HIPOTESIS se refiere a la magnitud fija en que los términos de una secuencia

se aproximan entre sí. se utiliza en el análisis real y complejo.

en las fórmulas matemáticas, el límite se representa de la siguiente manera: lim(an) = a.

también se puede representar con los siguientes símbolos: an → a.

Este trabajo de investigación pongo a su disposición para que se sirva en analizar y apoyo para

mejorarlo.
IV
 V

DEDICATORIA

Dedicamos este trabajo a nuestros padres quienes a lo

largo de la vida vienen velando por el bienestar y

educación siendo nuestro apoyo en todo momento.

Depositando en cada reto que se nos presenta sin

dudar ni un solo momento.

En una forma especial a mi profesor quien con sus

consejos y enseñanzas me a ayudado mucho y gracias

a ellos todo lo que se y por sus enseñanzas me siento

agradecido por ser mi guía en este curso muy

important
 6

PRUEBA DE HIPÓTESIS

Introducción
Una prueba de hipótesis es un procedimiento, con el que se busca tomar una decisión

sobre el valor de verdad de una hipótesis estadística. Al realizar una prueba de hipótesis

decidimos si rechazar o no rechazar esa hipótesis estadística. Basamos la decisión en la

evidencia muestral.

Supongamos que un amigo nuestro afirma que en cada partido de fútbol que juega, mete

tres o cuatro goles. Impresionados con su excelente performance, vamos a verlo jugar cinco

partidos seguidos. Pero ocurre que en esos cinco partidos no mete ningún gol. ¿No

sospecharíamos que tal vez nos mintió? ¿No es muy incompatible «lo observado» con su

afirmación inicial de que mete tres o cuatro goles por partido? Este mini-ejemplo muestra la

lógica que hay detrás de una prueba de hipótesis estadística.

Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la hipótesis nula

y la hipótesis alternativa. La hipótesis nula es el enunciado que se probará. Por lo general, la

hipótesis nula es un enunciado de que "no hay efecto" o "no hay diferencia". La hipótesis

alternativa es el enunciado que se desea poder concluir que es verdadero de acuerdo con la

evidencia proporcionada por los datos de la muestra.

Con base en los datos de muestra, la prueba determina si se puede rechazar la hipótesis nula.

Usted utiliza el valor p para tomar esa decisión. Si el valor p es menor que el nivel de

significancia (denotado como α o alfa), entonces puede rechazar la hipótesis nula.

Un error común de percepción es que las pruebas estadísticas de hipótesis están diseñadas para

seleccionar la más probable de dos hipótesis. Sin embargo, al diseñar una prueba de hipótesis,
 7

establecemos la hipótesis nula como lo que queremos desaprobar. Puesto que establecemos el

nivel de significancia para que sea pequeño antes del análisis (por lo general, un valor de 0.05

funciona adecuadamente), cuando rechazamos la hipótesis nula, tenemos prueba estadística de

que la alternativa es verdadera. En cambio, si no podemos rechazar la hipótesis nula, no

tenemos prueba estadística de que la hipótesis nula sea verdadera. Esto se debe a que no

establecimos la probabilidad de aceptar equivocadamente la hipótesis nula para que fuera

pequeña.

Un esquema muy simplificado que resume el proceso sería el

siguiente:

Por eso muchas veces se compara un proceso de prueba de hipótesis con un juicio: hay que

recoger evidencias para analizar si la hipótesis de base (la inocencia del acusado en el caso

del juicio) se sostiene o se rechaza.

Ejemplo intuitivo (sin detalles «técnicos»)

Entender muy bien que es una prueba de hipótesis implica comprender muchos conceptos

(variable, parámetro, hipótesis estadística, estadístico de prueba, etc). Y también las

relaciones entre ellos. Pero la idea general de que es una prueba de hipótesis no es difícil de

entender. De hecho, es muy intuitiva. Vamos a ver un ejemplo que en forma natural expresa

el razonamiento y procedimiento detrás de una prueba de hipótesis.

 8

SITUACIÓN

Un fabricante de galletitas produce paquetes en los cuales el peso nominal impreso es

de 500500 gramos. Pero el contenido real en gramos es una variable aleatoria. No tienen

exactamente 500500 gramos todos los paquetes. El fabricante, basándose en información

histórica, afirma que la media de esa variable XX es μ=500μ=500 gramos con un desvío

estándar de 55 gramos. Se desconfía de la afirmación del fabricante acerca de

que μ=500μ=500 gramos. Se quiere analizar si en realidad el peso promedio de los

paquetes es inferior a 500500 gramos.

La variable

La variable que nos interesa observar es XX: peso en gramos de un paquete de galletitas de

la fábrica.

Las hipótesis en juego

Las dos afirmaciones que se contraponen en esta situación son:

 Afirmación del fabricante, que llamaremos hipótesis nula: la media de XX es

500: μ=500μ=500

 Afirmación alternativa: Hipótesis alternativa: la media de XX es menor que

500: μ<500μ<500

No podemos conocer el verdadero valor del parámetro, pero podemos estimarlo

Cómo se trata de una discusión acerca del valor de un parámetro, no es fácil decidir cuál

afirmación es correcta. Habría que medir todos los paquetes de la producción para conocer
 9

la verdadera esperanza de XX. En general esto es inviable. Para no tener que medir el peso

en todos los paquetes de la producción se puede tomar una muestra aleatoria

de nn paquetes, y analizar si los valores observados de XX son o no coherentes con la

afirmación del fabricante.

Para lo que sigue a continuación es requisito saber sobre la distribución de la variable

media muestral.

Supongamos que se toma una muestra aleatoria de 100 paquetes, y se mide el peso

(utilizando una balanza muy precisa) en cada uno de los 100100 paquetes. Obtenemos

entonces una muestra aleatoria de la variable XX:

X1,X2,X3…,X100X1,X2,X3…,X100

Sabemos que la medía muestral ¯XX¯ es un buen estimador de la media poblacional μμ.

Entonces vamos a calcular la media muestral del peso de los 100 paquetes, para contrastarla

con la hipótesis nula.

 Si obtenemos un valor de ¯XX¯ «muy inferior a 500», es decir una diferencia ¯x–

μx¯–μ «muy grande», rechazaremos la hipótesis nula.

 Si obtenemos un valor de ¯XX¯ «muy cercano a 500», es decir una diferencia ¯x–

μx¯–μ «pequeña», diremos que no existe evidencia suficiente para rechazar la

hipótesis nula.

Veamos que conclusión sacaríamos en los siguientes casos.

 10

Caso A de evidencia muestral: se obtiene una media muestral muy contraría a la

afirmación inicial

Si se obtiene que el promedio de los pesos es de ¯x=421,3x¯=421,3 gramos, podríamos

concluir que la evidencia muestral no es compatible con la afirmación del fabricante. Se

obtuvo un valor muy por debajo de 500 gramos. Podríamos rechazar la afirmación del

fabricante. No puede ser cierto que E(X)=500E(X)=500, pero que se

observe ¯x=421,3x¯=421,3. Cómo ¯x=421,3x¯=421,3 de hecho se observó, entonces

rechazamos la hipótesis nula.

Caso B de evidencia muestral: se obtiene una media muestral «cercana» a la

afirmación inicial

Si se obtiene que el promedio de los pesos es de ¯x=499,8x¯=499,8 gramos, podríamos

pensar que el valor de ¯XX¯ obtenido es muy cercano al valor de μ propuesto por la

hipótesis inicial… y entonces concluir que no hay evidencia contraria a esa hipótesis.

Caso C de evidencia muestral: se obtiene una media muestral que no es concluyente

«a simple vista» respecto de la afirmación inicial

Si se obtiene que el promedio de los pesos de 100 paquetes es

de ¯x=497,3x¯=497,3 gramos… ¿Qué concluimos? ¿Es coherente con una media

poblacional de 500 o no? Este caso resulta más dilemático y no permite decidir tan

fácilmente. Se presenta el problema de decidir que es «cerca» y que es «lejos» de 500. Más

adelante vamos a ver cómo se decide un punto de corte o punto crítico que permite definir

una zona «cercana» (zona de no rechazo) y una zona «lejana» (zona de rechazo).
 11

Definición intuitiva

Entonces una prueba de hipótesis es un proceso en el que, partiendo de dos hipótesis

estadísticas contrapuestas (una nula y una alternativa), tomamos información muestral para

decidir si se rechaza o no la hipótesis inicial en favor de la hipótesis alternativa.

PROBLEMA DEL ABORDAJE INTUITIVO QUE ACABAMOS DE HACER

El problema que tiene este abordaje es que no queda bien definido que sería que ¯XX¯ esté

«cerca» o «lejos» de 500 gramos. Para el caso A y B elegimos valores que «a ojo» parecen

muy por debajo (421,3) o muy cercanos (499,8) a 500. Pero tenemos que poder tener un

criterio objetivo con el que tomar la decisión sobre si la evidencia muestral es contraría o

no a la afirmación inicial. A continuación, nos vamos a meter con esta complicación

técnica. Pero la idea básica de que es una prueba de hipótesis, es la que comentamos en este

ejemplo.

Para resolver el problema técnico, va a ser necesario tener bien claros los siguientes

conceptos.

Definiciones de conceptos fundamentales

Para entender bien que es una prueba de hipótesis hay que tener bien claros (entre otros) los

conceptos de: variable, parámetro, estimador de un parámetro, hipótesis estadística y

estadístico de prueba.
 12

¿QUÉ ES UNA VARIABLE?

Una variable es una característica de interés, que tienen los individuos de una población.

 Ejemplo 1: el peso de un paquete de galletitas de cierta marca

 Ejemplo 2: la cantidad de alumnos en un mes determinado de una escuela que

da clases de baile online

 Ejemplo 3: la localidad en la que está ubicada un comercio de una cierta cadena

¿QUÉ ES UN PARÁMETRO?

En estadística, un parámetro es una constante asociada a la distribución de probabilidades

de una variable aleatoria.

 Ejemplo 1: Si una variable tiene distribución binomial, sus parámetros son nn y pp.

 Ejemplo 2: Si una variable tiene distribución normal, sus parámetros son μμ y σσ.

 Ejemplo 3: Si una variable tiene distribución Bernoulli, su único parámetro es la

probabilidad de éxito pp.

¿Qué es un estimador de un parámetro?

El estimador de un parámetro es un estadístico (estadístico: variable aleatoria función de las

observaciones muestrales) que toma «valores cercanos» al verdadero valore del parámetro.

Fundamentalmente nos interesan los siguientes estimadores:

 13

 La media muestral ¯xx¯ es un estimador de la media poblacional μμ.

 El desvío estándar muestral ss es un estimador del desvío estándar poblacional σσ

 La proporción muestral ^pp^, es un estimador de la proporción poblacional pp.

Parámetros poblacionales y estimadores de esos parámetros

¿Qué es un estadístico de prueba?

Esta es la definición más difícil de esta serie. Por eso vamos a dar muchos ejemplos.

Un estadístico de prueba es:

 Una variable aleatoria

 De distribución conocida
 14

 Que vincula a un parámetro de interés, con un estimador de ese parámetro.

Vamos a ver algunos ejemplos de estadísticos de prueba que nos van a interesar más

adelante.

EJEMPLO 1

Si X∼N(μ,σ)X∼N(μ,σ), y X1,X2,…,XnX1,X2,…,Xn, es una muestra aleatoria de XX, y

conocemos σσ entonces:

¯X–μσ√ n ∼N(0,1)X¯–μσn∼N(0,1)

Es un estadístico de prueba. Porque es una variable aleatoria, con distribución conocida

(normal estándar), y que relaciona al parámetro μμ con su estimador ¯xx¯.

Observación: no demostramos recién por qué es esa la distribución de ¯X–μσ√ n X¯–μσn.

No nos interesa hacerlo acá para no distraer la atención. Pero la fundamentación tiene que

ver con:

1. Si XX es normal, una combinaicón lineal de XiXi va a ser normal también.

2. La esperanza de ¯XX¯ es μμ.

3. La varianza de ¯XX¯ es σ2/nσ2/n

4. La estandarización de variables aleatorias normales.

 15

EJEMPLO 2

Si X∼N(μ,σ)X∼N(μ,σ), y X1,X2,…,XnX1,X2,…,Xn, es una

muestra aleatoria de XX, y no conocemos σσ pero lo estimamos

con SS entonces:

¯X–μS√ n ∼tn–1X¯–μSn∼tn–1

Es un estadístico de prueba. Porque es una variable aleatoria, con distribución conocida

(tt de student n–1n–1 grados de libertad), y que relaciona al parámetro μμ con su

estimador ¯XX¯.

Observación: no demostramos por qué es esa la distribución. Hay que aceptarlo así :).

EJEMPLO 3

Si XX tiene una distribución desconocida, y X1,X2,…,XnX1,X2,

…,Xn, es una muestra aleatoria de XX (con n>30n>30), y no

conocemos σσ pero lo estimamos con SS entonces:

¯X–μS√ n ≈N(0,1)X¯–μSn≈N(0,1)

Es un estadístico de prueba. Porque es una variable aleatoria, con

distribución conocida (en realidad aproximadamente conocida, porque se

 16

aproxima a la distribución normal estándar), y que relaciona al

parámetro μμ con su estimador ¯XX¯.

Observación: no demostramos por qué es esa la distribución. Tiene que

ver con el teorema central del límite.

EJEMPLO 4

Si X∼Bernoulli(p)X∼Bernoulli(p) y X1,X2,…,XnX1,X2,…,Xn es una muestra aleatoria

de XX, con n>30n>30 entonces:

^p–p√ p(1–p)n ≈N(0,1)p^–pp(1–p)n≈N(0,1)

Es un estadístico de prueba. Porque es una variable aleatoria, con distribución conocida (en

realidad aproximadamente conocida, porque se aproxima a la distribución normal estándar),

y que relaciona al parámetro pp con su estimador ^pp^.

Observación: no demostramos por qué es esa la distribución. Tiene que ver con el teorema

central del límite.

EJEMPLO 5

Si X∼N(μ,σ)X∼N(μ,σ) y X1,X2,…,XnX1,X2,…,Xn, es una muestra aleatoria de XX,

entonces:

S2(n–1)σ2∼χ2n–1S2(n–1)σ2∼χn–12
 17

Es un estadístico de prueba. Porque es una variable aleatoria, con distribución conocida, y

que relaciona al parámetro σ2σ2 con su estimador S2S2.

Observación: no demostramos por qué es esa la distribución. Hay que aceptarlo así :). Una

tabla que resume las condiciones que deben darse, el parámetros de interés y un estadístico

de prueba adecuado es la siguiente:

¿QUÉ ES UNA HIPÓTESIS ESTADÍSTICA?

Una hipótesis estadística es una afirmación acerca de la distribución de una variable

aleatoria.
 18

 Si la afirmación es sobre el valor de un parámetro, es una hipótesis estadística

paramétrica.

 Si la afirmación es sobre la forma de la distribución de probabilidades, es una

hipótesis estadística no paramétrica.

Veamos algunos ejemplos de afirmaciones y establezcamos si son o no son hipótesis

estadísticas.

 Afirmación 1: «La molécula de agua está compuesta por dos átomos de hidrógeno y

un átomo de oxígeno».

 Afirmación 2: «La variable X tiene distribución Binomial».

 Afirmación 3: «La media de una muestra de 100 observaciones es

de ¯x=45,32x¯=45,32 gramos»

 Afirmación 4: «La media de la variable X∼(μ,σ)X∼(μ,σ) es μ=134μ=134»

 Afirmación 5: «La media de la variable X∼(μ,σ)X∼(μ,σ) es μ<134μ<134»

La afirmación 1 predica sobre la composición de una molécula. Será una afirmación… pero

no es de tipo «estadístico». Y en particular no dice nada sobre ninguna variable aleatoria.

No es una hipótesis estadística.

La afirmación 2 predica sobre la forma que tiene la distribución de una variable aleatoria.

Está diciendo algo acerca de una variable aleatoria. Así que podemos decir que es una

hipótesis estadística. Pero es una hipótesis estadística no paramétrica.

 19

La afirmación 3 es sobre la media muestral de una variable aleatoria. La media muestral no

es un parámetro, sino que es una variable aleatoria. No es una hipótesis estadística porque

no afirma nada ni sobre el tipo de distribución (binomial, normal, etc…) ni sobre sus

parámetros.

La afirmación 4 sí es una hipótesis estadística (paramétrica) porque asevera que el

parámetro media poblacional de cierta variable es igual a 134.

Ejemplo de prueba de hipótesis detallado paso a paso

(incluyendo los detalles «técnicos»)

EL ENUNCIADO

Un fabricante de galletitas produce paquetes en los cuales el peso nominal impreso es

de 500500 gramos. Pero el contenido real es una variable aleatoria con distribución normal.

No tienen exactamente 500500 gramos todos los paquetes. El fabricante, basándose en

información histórica, afirma que la media de esa variable X es μ=500μ=500 gramos con

un desvío estándar de 55 gramos. Se desconfía de la afirmación del fabricante acerca de

que μ=500μ=500 gramos. Se quiere analizar si en realidad el peso promedio de los

paquetes es inferior a 500500 gramos.

Para esto se toma una muestra de tamaño 100, y se obtiene una media muestral

de 497,3497,3 gramos.

Realizar una prueba de hipótesis con un nivel de significación de 0,050,05.

 20

LA VARIABLE

La variable sobre la que vamos a trabajar es XX: peso real de un paquete de galletitas de

500 gramos de la fábrica.

El enunciado afirma que la distribución de XX es normal. No se conoce μμ, pero sí se

conoce σ=5σ=5.

HIPÓTESIS NULA E HIPÓTESIS ALTERNATIVA

H0H0 es la hipótesis nula. Hipótesis nula es la hipótesis de no cambio. Es la hipótesis de

que todo queda igual. Hay otra hipótesis que es la hipótesis de cambio. Siempre en esta

hipótesis va a estar el igual.

H0:μ=500H0:μ=500

H1H1 es la hipótesis alternativa. Es complementaría a la nula. Niega a la hipótesis nula.

Las hipótesis son complementarias. La nula tiene el símbolo de igualdad siempre. Entonces

en la otra no puede aparecer el igual. En la hipótesis alternativa se utiliza o bien el símbolo

de distinto ≠≠, o bien mayor >> o bien menor <<.

H1:μ<500H1:μ<500

ERROR DE TIPO 1 Y ERROR DE TIPO 2

Uno querría tomar la decisión correcta. Rechazar la hipótesis nula, cuando esta es falsa, es

una decisión correcta posible. No rechazar la hipótesis nula, cuando esta es verdadera es

otra forma de tomar una decisión correcta.

Pero cuando se toma una decisión basada en información muestral, se pueden cometer

errores. Si la hipótesis nula fuera verdadera, y tomamos la decisión de rechazarla estaremos

 21

cometiendo un error. Este error se conoce cómo el error de tipo 1. Si la hipótesis nula fuera

falsa, y no la rechazamos estaríamos cometiendo otro error. Este otro error se conoce cómo

el error de tipo 2.

En un proceso de prueba de hipótesis, no es posible tener garantía absoluta de no estar

cometiendo algún error.

La siguiente tabla resume los escenarios posibles.

Error de tipo 1: Si la hipótesis nula es en realidad verdadera, y se la rechaza, se

comete el error de tipo 1. También se llama nivel se significación de la prueba. La

probabilidad de cometerlo se representa cómo:

α=P(errortipo1)=P(RHo|H0esV)α=P(errortipo1)=P(RHo|H0esV)
 22

Decisión correcta 1: Si la hipótesis nula es en realidad verdadera, y no

se la rechaza, se está tomando una decisión correcta. La probabilidad de

que ocurra esto se representa:

1–α=P(NoRHo|H0esV)1–α=P(NoRHo|H0esV)

Error de tipo 2: Si la hipótesis nula es falsa y no se la rechaza, se comete el error de

tipo 2. La probabilidad de cometerlo se representa cómo:

β=P(errortipo2)=P(NoRH0|H0esF)β=P(errortipo2)=P(NoRH0|H0esF)

Decisión correcta 2: Si la hipótesis nula es falsa,  se la rechaza, se está

tomando una decisión correcta. Diferente de la decisión correcta 1, así

que le podemos llamar decisión correcta 2. (No es un nombre estándar).

La probabilidad de que esto ocurra se conoce cómo «potencia del test» y

se representa cómo:

1–β=Potenciadeltest=P(RH0|H0esF)1–β=Potenciadeltest=P(RH0|H0esF)

El nivel de significación (probabilidad de cometer el error de tipo 1) se establece a priori.

Es la probabilidad de rechazar la hipótesis nula cuando esta es verdadera. En general el

enunciado del ejercicio (o el investigador) establece un nivel de significación.

 23

El error de tipo 1 se considera un error grave, que se quiere evitar. Hay necesidad de

controlarlo. αα debe ser pequeño. Valores usuales de αα pueden ser:

α=⎧⎪⎨⎪⎩0,010,050,10α={0,010,050,10

ESTADÍSTICO DE PRUEBA

Basándonos en que X∼N(μ,σ)X∼N(μ,σ), y que conocemos σσ, entonces es posible afirmar

que:

¯X–μσ√ n ∼N(0,1)X¯–μσn∼N(0,1)

Este es un estadístico de prueba que nos puede servir para realizar la prueba de hipótesis

sobre μμ.

En el proceso se asume que H0H0 es verdadera hasta que se demuestre lo contrario

(cómo en un juicio se supone la inocencia hasta que se demuestre lo contrario).

Si asumimos que H0H0 es verdadera (μ=500μ=500) entonces el estadístico de prueba es:

eprueba=¯X–5005√ 100 ∼N(0,1)eprueba=X¯–5005100∼N(0,1)

En el numerador tenemos la diferencia ¯X–μX¯–μ si esa diferencia es «muy negativa»

entonces rechazaremos la hipótesis nula (porque significa que ¯XX¯ está muy por debajo

de μμ).

Entonces ¿cómo se decide si se rechaza o no a la hipótesis nula? Los valores que puede

tomar el estadístico de prueba de dividen en dos zonas: «la zona de rechazo» y la «zona de

no rechazo». Si el estadístico de prueba toma un valor dentro de la zona de rechazo se

rechaza la hipótesis nula. Si el estadístico de prueba toma un valor fuera de la zona de

rechazo, no se rechaza la hipótesis nula.

 24

Rechazaremos H0H0 si:

¯X–5005√ 100 <ValorcríticoX¯–5005100<Valorcrítico

Más adelante vamos a ver cómo hallar ese valor crítico.

NIVEL DE SIGNIFICACIÓN

En este enunciado se establece que el nivel de significación (probabilidad de cometer el

error de tipo 1) es α=0,05α=0,05.

ZONA DE RECHAZO Y REGLA DE DECISIÓN

Si el estadístico de prueba cae en zona de rechazo (asumiendo H0H0verdadera) estaríamos

cometiendo el error de tipo 1 (RH0|H0esVRH0|H0esV). Luego el nivel de significación es

igual al área bajo la curva del estadístico de prueba y sobre la región de rechazo.
 25

Entonces: el nivel de significación determina, conjuntamente con la distribución del

estadístico de prueba, cuál va a ser el valor crítico que define la zona de rechazo.

zCzC debe ser aquel valor de la variable normal estándar que acumula un área de 0,05 a su

izquierda. Mirando la tabla de probabilidades normales, o bien usando un software, se

puede determinar que:

Φ(zC)=0,05⇒zc=–1,64Φ(zC)=0,05⇒zc=–1,64

Regla de decisión:

 Se rechaza H0H0 si el valor observado del estadístico de prueba es menor o igual

a –1,64–1,64.

 No se rechaza H0H0 si el valor observado del estadístico de prueba es mayor que –

1,64–1,64.

CALCULAR EL VALOR OBSERVADO DEL ESTADÍSTICO DE PRUEBA

Hasta aquí no se utilizó la información recogida en la muestra. Recién ahora tomamos el

dato sobre la media muestral observada y reemplazamos en la expresión de estadístico de

prueba para obtener el valor observado del estadístico de prueba:

eprueba,obs=497,3–5000,5=–5,4eprueba,obs=497,3–5000,5=–5,4

Obtener la conclusión

En general la conclusión tiene dos versiones: una breve, y otra más detallada.
 26

LA CONCLUSIÓN BREVE (O «LA DECISIÓN»)

Cómo el valor observado del estadístico de prueba -5,4, cae en la zona de rechazo (–∞,–

1,64)(–∞,–1,64) se decide rechazar la hipótesis nula.

Esta conclusión está muy bien, pero no refiere a la situación general del problema concreto.

Solo dice si se rechaza o no la hipótesis nula.

LA CONCLUSIÓN DETALLADA

En la conclusión detallada queremos informar:

 El nivel de significación con el que se realiza la conclusión.

 Cuál es la variable en cuestión.

 Cuál es el parámetro en cuestión.

 Si se rechaza o no se rechaza la hipótesis nula a favor de la alternativa.

 Qué implica la decisión tomada en términos del problema concreto

Por ejemplo en este caso podríamos escribir una conclusión detallada así:

Con un nivel de significación de 0,050,05 se rechaza la hipótesis nula, que afirma que la

media del peso de los paquetes de galletitas es de 500500 gramos, a favor de la hipótesis

alternativa, que afirma que la media del peso de los paquetes de galletitas es inferior

a 500500 gramos. Habría que re-calibrar la máquina que rellena los paquetes para que la

media sea de 500500 gramos.

 27

Pasos que se dan para realizar una prueba de hipótesis

Después de haber resulto completamente un ejercicio de prueba de hipótesis podemos

detectar que se siguió la siguiente secuencia de pasos:

1. Primer paso: Reconocer y definir la o las variables

2. Segundo paso: Formular las hipótesis nula y alternativa

3. Tercer paso: Establecer un estadístico de prueba adecuado

4. Cuarto paso: Seleccionar un nivel de significación

5. Quinto paso: Determinar la zona de rechazo y establecer la regla de decisión

6. Sexto paso: Calcular el valor observado del estadístico de prueba

7. Séptimo paso: Obtener la conclusión

    {Primero:rechazoonoH0Luego:expresarlaentérminosdelproblema{Primero:rechazoonoH

0Luego:expresarlaentérminosdelproblema

Otros problemas de prueba de hipótesis pueden ser muy diferentes. Otras variables, otros

estadísticos de prueba, hipótesis diferentes… etc. Pero en todos los problemas de prueba de

hipótesis se puede seguir esta secuencia de pasos.

Final

Este texto pretende ser una introducción al tema. Hay mucho que no

explicamos acá. No explicamos pruebas a dos colas, para otros

parámetros, con dos poblaciones, que es el valor p de una prueba, etc.

 28

Referencias

http://ftp.medprev.uma.es/libro/html.htm

http://www.hrc.es/bioest/M_docente.html

http://ocw.jhsph.edu/Topics.cfm

http://www.ncbi.nlm.nih.gov/pmc/articles/PMC1199583/?

tool=pubmed

Zar, Jerrold H.- Biostatistical Analysis.- 4rd ed.- Prentice Hall, Inc