ESTADISTICA INDUSTRIAL

TEMA 03
Ing. Liliam Manrique
PRUEBA DE

HIPOTESIS PARA

MUESTRAS

PEQUEÑAS

Ing William León Velásquez 2

CONTENIDO
❑ Distribución t de Student
❑ Prueba de hipótesis para una
muestra pequeña
❑ Pruebas de hipótesis de dos
muestras: muestras dependientes
❑ Pruebas de hipótesis de dos
muestras: muestras independientes
❑ La distribución F

3
DISTRIBUCIÓN
T DE STUDENT

4
DISTRIBUCIÓN t de Student

■ La distribución t de student fue descubierta

por William S. Gosset en 1908.
■ Gosset era un estadístico, empleado por la
compañía de cerveza Guinness con quien
tenía un contrato que estipulaba que no podía
usar su nombre en sus publicaciones.
■ Recurrió al sobrenombre de “Student” que es
como ahora conocemos el tipo de estadístico
que desarrolló.

5
DISTRIBUCIÓN t de Student
Según el Teorema del Límite Central, la distribución
muestral de un estadístico (como la media de la muestra)
seguirá una distribución normal, siempre y cuando:
✓ El tamaño de la muestra sea suficientemente grande. o
✓ Cuando se conoce la desviación estándar de la población
■ Entonces se puede calcular un valor z y emplear la distribución normal para
evaluar probabilidades sobre la media de la muestra.
■ Si los tamaños de las muestras son muy pequeños, y no se conoce la
desviación estándar de la población, se utiliza una distribución
conocida como la “t de student” cuyos valores están dados por:

𝑋ത − 𝜇 Diferencia a probar
𝑡=
𝑆 Desviación estándar de la
𝑛 diferencia o Error
Estándar 6
DISTRIBUCIÓN t de Student
■ La ecuación es prácticamente igual a la que se
utiliza para la distribución muestral de medias para
muestras grandes.
■ Solo se ha reemplazado la desviación estándar de
la población por la desviación estándar de la
muestra.

X− 𝑋ത − 𝜇
z= 𝑡=
 𝑆
n 𝑛
7
DISTRIBUCIÓN t de Student
■ De forma similar como en la distribución muestral
de medias cuando n > 30, en donde se usa la
distribución normal Z, se encontrará la distribución
de los valores t de student para aquellos casos
para cuando n < 30.

■ Existe una diferencia en su

aplicación y es que ahora se
utilizará una o más tablas de
valores t en lugar de la tabla
para valor Z.

8
Diferencias de la Distribución t y de
la Z
■ La varianza de t no es igual a 1 como en la de Z,
■ Depende del tamaño de la de muestra y siempre es
mayor a uno.

• Solo cuando el tamaño

de la muestra tiende a
infinito las dos
distribuciones serán las
mismas.

9
 GRADOS DE LIBERTAD
■ La forma de la distribución t de student depende de un
parámetro llamado el número de grados de libertad.
■ El número de grados de libertad es igual al tamaño de la
muestra (número de observaciones independientes)
menos 1.

gl= df= n –1

Nota: cuando se utiliza un software es posible que el

número de grados de libertad se denomine como df o DF
(“degrees of freedom”).
10
 GRADOS DE LIBERTAD

■ El concepto de grados de libertad se puede

visualizar haciendo referencia a la varianza
muestral que es igual a:
σ 𝑥𝑖 − 𝑥ҧ 2
2
𝑆 =
𝑛−1
• Esta fórmula puede verse como un promedio de
las distancias a la media sobre n-1 datos.
• La terminología de grados de libertad resulta del
hecho de que si bien s2 considera n cantidades,
sólo n –1 de ellas pueden determinarse
libremente.
11
 GRADOS DE LIBERTAD
Ejemplo:
Si tenemos 4 datos (n= 4) entonces tenemos cuatro
diferencias:
Se sabe que la suma de ellas es = 0,
Por lo que si se conoce 3 de las diferencias
𝑥1 − 𝑥ҧ = 4,
𝑥2 − 𝑥ҧ = −2,
𝑥4 − 𝑥ҧ = 3,
La suma de las diferencias 𝑥𝑖 − 𝑥ҧ es 4 – 2 + 3 = 5
La última diferencia queda definida por 𝑥3 − 𝑥ҧ = −5
porque 5 – 5= 0
Por lo tanto
Lo que indica que sólo 3 de las diferencias (n–1= 4 –1 = 3) son
“libres” y la otra queda definida por las demás.
12
 PROPIEDADES DE LA
DISTRIBUCIÓN t
• Es simétrica.

• Más plana que la normal.

• Hay una distribución t
diferente para cada tamaño
posible de muestra.

• Una distribución t es menor

en la media y mayor en las
colas que una distribución
normal.

13
 PROPIEDADES DE LA
DISTRIBUCIÓN t
o Es unimodal, con media en 0
o Es una familia de curvas, en función de
los llamados “grados de libertad”. Es
decir, hay una distribución t de Student
con 1 gl, una distribución t de Student
con 2 gl, etc.
o A medida que aumentan los grados de
libertad, la distribución tiende más y más
a una distribución normal estandarizada.

14
 TABLA DE LA DISTRIBUCIÓN t de
Student
• La tabla t es más compacta y muestra áreas y valores de t sólo para
algunos porcentajes.
• La tabla de la distribución t, no se concentra en la probabilidad de
que el parámetro de la población que se está estimando se
encuentre dentro del intervalo de confianza.

• En lugar de ello, mide la probabilidad

de que este parámetro NO esté dentro
de nuestro intervalo de confianza
(mide la probabilidad de que esté
fuera).
• En la tabla t debemos especificar los
grados de libertad que se manejan.

15
 TABLA DE LA DISTRIBUCIÓN t de
Student
Nivel de Significación para la prueba de una cola Nivel de Significación para la prueba de una cola
0,10 0,05 0,025 0,01 0,005 0,0005 0,10 0,05 0,025 0,01 0,005 0,0005
df df
Nivel de Significación para la prueba de dos colas Nivel de Significación para la prueba de dos colas
0,20 0,10 0,05 0,02 0,01 0,001 0,20 0,10 0,05 0,02 0,01 0,001
1 3,078 6,314 12,706 31,821 63,657 636,619 18 1,330 1,734 2,101 2,552 2,878 3,922
2 1,886 2,920 4,303 6,965 9,925 31,599 19 1,328 1,729 2,093 2,539 2,861 3,883
3 1,638 2,353 3,182 4,541 5,841 12,924 20 1,325 1,725 2,086 2,528 2,845 3,850
4 1,533 2,132 2,776 3,747 4,604 8,610 21 1,323 1,721 2,080 2,518 2,831 3,819
5 1,476 2,015 2,571 3,365 4,032 6,869 22 1,321 1,717 2,074 2,508 2,819 3,792
6 1,440 1,943 2,447 3,143 3,707 5,959 23 1,319 1,714 2,069 2,500 2,807 3,768
7 1,415 1,895 2,365 2,998 3,499 5,408 24 1,318 1,711 2,064 2,492 2,797 3,745
8 1,397 1,860 2,306 2,896 3,355 5,041 25 1,316 1,708 2,060 2,485 2,787 3,725
9 1,383 1,833 2,262 2,821 3,250 4,781 26 1,315 1,706 2,056 2,479 2,779 3,707

10 1,372 1,812 2,228 2,764 3,169 4,587 27 1,314 1,703 2,052 2,473 2,771 3,690

11 1,363 1,796 2,201 2,718 3,106 4,437 28 1,313 1,701 2,048 2,467 2,763 3,674

16
 ESQUEMA

P H MEDIA

MUESTAS MUETRAS
GRANDES PEQUEÑAS

DIST RIB. T
1 MUESTRA 2 MUESTRAS
STUDENT

17
PRUEBA DE
HIPOTESIS
PARA UNA
MUESTRA
PEQUEÑA

18
 PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA. INTRODUCCIÓN
■ En sesiones anteriores se
utilizo la distribución z,
siempre y cuando los tamaños
de las muestras fueran
mayores o iguales a 30 ó en
muestras más pequeñas si se
conocen la desviación
estándar de la población.

■ En esta sesión se podrán utilizar muestras pequeñas

siempre y cuando la distribución de donde proviene la
muestra tenga un comportamiento normal.

19
 PRUEBA DE HIPÓTESIS PARA UNA MUESTRA
PEQUEÑA:
Calculo del valor de t de la muestra
■ Si de una población Normal con media  y
desviación estándar  se extrae una muestra de
tamaño n, entonces el estadístico es:
𝑋ത − 𝜇
𝑡=
𝑆
𝑛
■ Que se distribuye como una t de Student con n-1
grados de libertad.

20
PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA:
Pasos para solucionar

Paso 1
■ Definir el valor supuesto que se desea probar:
– La Hipótesis Nula (H0) y
– La hipótesis alternativa (H1).

Paso 2
■ Definir el tipo de distribución a elegir
– El tamaño de la muestra
– El parámetro a utilizar

21
 PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA:
Pasos para solucionar

Paso 3:
• Seleccionar el nivel de significación α y los
grados de libertad n-1.
Luego buscar el valor de tc utilizando estos datos:

• Paso 4
Calcular el estadístico t aplicando la fórmula
𝑋ത − 𝜇
𝑡=
𝑆
𝑛
22
 PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA:
Pasos para solucionar

■ Paso 5
Formular la regla de decisión y concluir
tomando y justificando la decisión: rechazar o
no rechazar la Hipótesis Nula (H0 )

23
 PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA: Ejemplo 01
■ Un supervisor desea probar que el promedio de
calificaciones (media: µ) en las escuelas de ingenierías
son menores a 12 pts.
■ Se selecciona una muestra aleatoria de 25 escuelas y
se obtiene una media muestral 𝑋ത = 11,916 y una
desviación estándar es de S = 1,40.
• Se asume que la distribución
de calificaciones es
aproximadamente normal.
• Con un α=0.05

24
24
 PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA: Ejemplo 01

1.- Formulación de las hipótesis:

H0 : µ = 12
H1 : µ < 12

El promedio de calificaciones en las escuelas de

ingenierías son menores a 12 pts.
2.- Elección de la distribución de probabilidad:
Como n es 25 y es menor que 30
Además los datos siguen un comportamiento normal se
utilizara la Distribución t de Student

25
 PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA: Ejemplo 01
3.- Valor crítico

La H1 indica que se trata de una prueba

de una cola hacia la izquierda
Se utiliza α = 0.05 y
25 - 1 = 24 grados de libertad,

El valor crítico de t tabla para una cola

a) Según la Tabla “Distribución t de
Student”
b) Podemos encontrar +/-1.71 para t
de una cola, va depender de la
dirección expresada en la Ha.

26
 PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA: Ejemplo 01
4. Cálculo el estadístico t aplicando formula, utilizar
la calculadora
■ Se tiene los siguientes datos:
n=25
𝑋ത − 𝜇
ത
𝑋=11.916
𝑡=
μ=12 𝑆
𝑛
S=1.40
■ Reemplazando en la fórmula:

11.916 − 12
𝑡=
1.40
■ Se obtiene
■ t=-0.3 25
27
 PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA: Ejemplo 01
5.- Conclusión
Como el valor calculado del estadístico t =-0.3, es menor
que el valor de t tabla t(0,05; 24) : -1.71,
Entonces no se rechaza la H0.
En otras palabras No se puede afirmar con un nivel de
significancia del 5% que la calificación promedio de los
alumnos de ingeniería sea menor de12 puntos.
■ Gráficamente se observa:

Zona de
no
rechazo
95%
5%

-1,71 t = - 0,3 28
 PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA: Ejemplo 02
■ Un ingeniero químico afirma que el rendimiento medio de
cierto proceso en lotes es 500 gramos por milímetro de
materia prima.
• Para verificar esta afirmación el fabricante
toma una muestra de 25 lotes cada mes.
• ¿A Qué conclusión se llegará con un nivel de
confianza del 90%; si la muestra extraída
tiene una media de 518 gramos por
milímetro y una desviación estándar de 40
gramos?
• Suponer que la distribución de rendimientos
es aproximadamente normal.

29
 PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA: Ejemplo 02
Solución:
1. Formulación de las hipótesis
Ho: µ=500
H1: µ ≠ 500
• El rendimiento medio de cierto proceso en lotes es
DIFERENTE de 500 gramos por milímetro de materia
prima.

2. Elección de la Distribución
Como n es 25 y es menor que 30
Además los datos siguen un comportamiento
normal se utilizara la Distribución t

30
 PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA: Ejemplo 02
3.-De la hipótesis alternativa observamos que se
trata de una prueba de dos colas

Con un α=0. 10 prueba de dos colas

α/2= 0.05 para 24 grados de libertad
■ De la tabla de la Distribución de t de student
encontramos que el valor de t es 1.71
■ Regla de decisión: el fabricante quedará satisfecho con esta
afirmación si una muestra de 25 lotes rinde un valor t entre –1.71 y
1.71.

31
 PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA: Ejemplo 02
4.- Se procede a calcular el valor de t:
518 − 500
𝑡= = 2.25
40
25
5.- Este valor de 2.25 es mayor de 1.711,
Entonces se rechaza la Ho
es decir se puede afirmar con un nivel de significancia
del 1% que el rendimiento medio de cierto proceso en
lotes es diferente de 500 gramos por milímetro de
materia prima
Por lo tanto el fabricante concluye que no es cierta la
afirmación del ingeniero 32
 PRUEBA DE HIPÓTESIS PARA UNA
MUESTRA PEQUEÑA: Ejemplo 02

■ Gráficamente:

0.05
90% 0.05

-t t
-1.711 1.711
tc=2.25
Cae en la zona de rechazo

33
 PRUEBA DE HIPÓTESIS PARA UNA MUESTRA PEQUEÑA:
Ejemplo 02. Calculando el valor p Valor de
p≈0.02
Alfa=0.1

■ Para hallar la probabilidad de obtener

un valor de Tcalculado :2.25, con 24
grados de libertad
1. Se busca en la tabla la línea del
grado de libertad: 24
2. Se ubica un valor cercano a 2.25
3. Finalmente se ubica el valor de la
probabilidad en la parte superior de
la tabla
4. Como se observa es
aproximadamente 0.02 (valor de p).
■ Como p<α (0.1)
■ Se confirma el rechazo de la Ho
2.2
5 34
 ESQUEMA
P H MEDIA

MUESTAS MUETRAS
GRANDES PEQUEÑAS

2 MUESTRAS DIST RIB. T

1 MUESTRA
STUDENT

DEPENDIENTES DISTRIB. F INDEPENDIENTE

VARIANZAS VARIANZAS
IGUALES DIFERENTES

35
PRUEBAS DE
HIPÓTESIS DE
DOS
MUESTRAS:
MUESTRAS
DEPENDIENTES
36
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES

■ Esta estrategia de la investigación surge cuando

cada observación para un tratamiento está
apareada con otra observación para el otro
tratamiento.
■ Este par está compuesto por las mismas unidades
experimentales observadas dos veces en distintos
momentos de la investigación, o por unidades
semejantes

37
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES

■ El procedimiento consiste en buscar pares de

unidades experimentales con características
similares y asignar aleatoriamente cada
unidad del par a cada uno de los dos
tratamientos en estudio.

38
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo de aplicación:
■ Se desea probar dos tipos de
alimentos en dos grupos de terneros
para ello se forman pares de la
misma raza, edad, sexo, etc. y
después de un periodo, ver si existe
diferencia significativa o no, entre
los promedios de ganancia de peso
de ambos grupos.
• Se desea estudiar en dos lotes
de plantas del mismo tipo, la
aplicación de dos tipos de
herbicidas, y comprobar si
existen diferencias en la
resistencia de ciertas plagas
entre los lotes de plantas).
39
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES

1.- Se plantea las hipótesis :

Ho: D=0 ó Ho: D=0 o D=0

Ha: D≠0 ó Ha: D>0 o D<0

2.- Se elige la distribución adecuada

■ Tamaño de la muestra
■ Se asume comportamiento normal

40
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
3.- Se obtiene tT
Con el α y como se establece una hipótesis de un
único parámetro poblacional (se podría pensar en una
sola muestra) ,
Y con el número de grados de libertad (n - 1)
Se obtiene el t n-1,0.05
4.- Se calcula el tC
𝑑ҧ − 𝐷ഥ
𝑡𝑐 =
𝑆𝑑
Donde : 𝑛
σ 𝑑𝑖 σ 𝑑𝑖 − 𝑑ҧ
2
𝑑ҧ = 𝑆𝑑 =
𝑛𝑖 𝑛−1
41
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES

5.- Luego se compara el

tc con tn -1 .

Las reglas de decisión son:

■ No se rechaza H0 cuando -tc < t < tc
■ Rechazar H0 si t < -tc ó t > tc

42
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo 03
■ Se hizo un estudio para definirse si los ejercicios aeróbicos
reducen el ritmo cardiaco de una persona durante el
descanso, Para ello se examina a diez voluntarias antes y
después de seguir un programa de ese tipo durante seis
meses,
• Sus pulsaciones, en latidos por minuto,
dieron los siguientes registros:

Volunta
1 2 3 4 5 6 7 8 9 10
ria

Antes 73 77 68 62 72 80 76 64 70 72

Después 68 72 64 60 71 77 74 60 64 68
43
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES

Ejemplo 03
■ Usar α= 0.05 para calcular si los ejercicios
aeróbicos reducen el ritmo cardiaco durante
el reposo.
■ Calcular
– Por la región crítica y
– Por el valor de P.

SOLUCIÓN
■ α= 0.05
■ GL: n-1 =10-1=9

44
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo 03 Método de la región crítica
1.- Formulación de la hipótesis:

Ho: µA-µD=0 o µA=µD

H1: µA-µD>0 o µA>µD
El ritmo cardiaco de una persona durante el
descanso antes del programa es mayor al ritmo
cardiaco después del programa

2.- Elecciónde la Distribución

• Como la muestra es de 10
• Y los datos siguen un comportamiento normal
• Se elegirá la distribución t de student

45
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo 03
3.- Cálculo del tT

Regla de decisión: tT=1.833

Si tc <=1.833 No se rechaza Ho
Si tc > 1.833 se rechaza Ho
46
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo 03
4.- Cálculos:
Se procederá a calcular las diferencias de cada par:

σ 𝑑𝑖
𝑑ҧ =
𝑛𝑖
2
𝑑𝑖 − 𝑑ҧ ෍

2
σ 𝑑𝑖 − 𝑑ҧ
𝑆𝑑 =
𝑛−1
47
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo 03
4.- Cálculos:
■ La media muestral de las diferencias 𝑑=ҧ 3.6
■ La desviación estándar muestral de la diferencia sd
= 1.58.
■ Para calcular el estadístico tc

𝑑ҧ − 𝐷ഥ 3.6−0
𝑡𝑐 =
𝑆𝑑 𝑡𝑐 = 1.58 =7.20
𝑛 10

48
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo 03

5.- Justificación y decisión:

Como 7.20 es mayor que 1.833, se rechaza H0,
Se puede afirmar con un nivel de significancia
del 5% que el ritmo cardiaco de una persona
durante el descanso antes del programa es
mayor al ritmo cardiaco después del programa

• Y se concluye con un nivel de

significancia de 0.05 que los
datos indican que los ejercicios
aeróbicos disminuyen
significativamente el ritmo
cardiaco durante el reposo.
49
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
3.6−0
Ejemplo 03 𝑡𝑐 = 1.58 =7.20
Método por el valor de p: 10

■ Para calcular el valor de P se busca el 7.20 en el

renglón de 9 grados de libertad en la tabla t,

y se observa que el valor mayor que aparece en dicha tabla

es 4.781 al cual le corresponde una área a la derecha de
0.0005, entonces se puede concluir que el valor de P es
prácticamente cero.
50
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo 04
• Se realizó un estudio de 2 dietas a 11 obrero diabéticos
insulino-dependientes de una fabrica.
• Se utilizó la glucosa sérica como variables de respuesta.
• La dieta consistió en alta (AF)
y baja (BF) en fibra.
• Cada obrero fue asignado
aleatoriamente para su
primera dieta donde se
mantuvo por 6 meses y luego
se le cambió a la otra dieta
por otros 6 meses.

51
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo 04
■ En la tabla siguiente se resumen los resultados de
glucosa pos-tratamiento.

Id
1 2 3 4 5 6 7 8 9 10 11
Obrero
AF 94 176 98 169 104 118 151 91 196 98 232
BF 93 87 99 127 99 89 154 68 119 81 173

• ¿Las dietas propuestas ejercen algún efecto sobre el nivel

de glucosa sérica a un nivel de significación de 0,01?

52
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo 04
1.- Formulación de la Hipótesis:

Ho : D = 0
H1 : D≠ 0
■ El nivel de glucosa sérica con las dietas de alta fibra es
diferente al nivel obtenido con la dieta de baja fibra

2.- Elección de la Distribución

• Como la muestra es de 11
• Y los datos siguen un comportamiento normal
• Se elegirá la distribución t de student

53
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo 04
3.- Cálculo del tc
■ Con α=0.01 de dos colas
■ Gl=11-1=10

■ ttab=3.169
Si t > 3.169 o si t <-3.169 se rechaza Ho
54
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo 04
4.- Se calcula el tC
Primero se calcula las diferencias y sus estadísticos

σ 𝑑𝑖
𝑑ҧ =
𝑛𝑖
2
σ 𝑑𝑖 − 𝑑ҧ
𝑆𝑑 =
𝑛−1

55
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo 04

Los resultados de la muestra fueron:

ҧ
𝑑=30.727
𝑆𝑑 =32.26
n=11
Se obtiene el estadístico de la prueba:

𝑑ҧ − 𝐷ഥ 30.73−0
𝑡𝑐 =
𝑆𝑑 = 32.26 =1.73
𝑛 11

56
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS DEPENDIENTES
Ejemplo 04
5.- Interpretación y conclusión:
Como 1.73<3.17 No Se rechaza la Ho
■ No se puede afirmar con un nivel de significancia del 1%,
que no existe diferencias en las cantidades de glucosa en
los dos grupos
■ Por lo tanto se pueden concluir las dietas propuestas no
ejercen algún efecto diferente sobre el nivel de glucosa
sérica a un nivel de significación de 0,01.

57
 PRUEBAS DE
HIPÓTESIS DE DOS
MUESTRAS:
MUESTRAS
INDEPENDIENTES

58
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES

1.- Dos medias poblacionales, Muestras

independientes

■ Meta: Prueba de Hipótesis o formar un intervalo de

confianza para la diferencia entre la media de las dos
poblaciones.
■ Diferentes fuentes de datos
• No relacionados
• Independientes
– Muestra seleccionada de una
población no tiene efecto sobre la
muestra seleccionada de otra
población.
59
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES

2.- Formulación de las Hipótesis

Prueba Cola Inferior Prueba Cola Superior Prueba de dos Colas

Ho:μ1 = μ2 Ho:μ1 = μ2 Ho:μ1 = μ2
Ho:μ1 < μ2 Ho:μ1 > μ2 Ho:μ1 ≠ μ2
Equiv Equiv Equiv
Ho: μ1 - μ2=0 Ho: μ1 - μ2=0 Ho: μ1 - μ2=0
H1: μ1 - μ2<0 H1: μ1 - μ2>0 H1: μ1 - μ2≠0

60
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES

2.- Formulación de las Hipótesis

Prueba Cola Prueba Cola Prueba de dos

Inferior Superior Colas
Ho: μ1 - μ2=0 Ho: μ1 - μ2=0 Ho: μ1 - μ2=0
H1: μ1 - μ2<0 H1: μ1 - μ2>0 H1: μ1 - μ2≠0

Rechazar Ho si tc> tα/2 y

Rechazar Ho si tc<-tα Rechazar Ho si tc> tα
tc< tα/2

61
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
3. Para calcular el estadístico de la muestra se tiene dos
opciones.
o Prueba “t” para dos muestras suponiendo varianzas
iguales.
o Es la prueba “t” donde se compara los promedios
de dos grupos independientes, cuyas varianzas
sean iguales u homocedásticas.
o Prueba “t” para dos muestras suponiendo varianzas
desiguales.
o Es la prueba “t” donde se compara los promedios
de dos grupos independientes, cuyas varianzas
sean desiguales o heterocedásticas.

62
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
3. Para calcular el estadístico de la muestra se tiene
dos opciones.
• Se probará la
igualdad de
σ1 y σ2 desconocidos varianza
Se asumen iguales • Se usará Sp para
estimar σ
desconocidas

• Se probará la
igualdad de
σ1 y σ2 desconocidos varianza
No se asumen iguales • Se usará S1 y S2
para estimar σ1 y
σ2 desconocidas

63
 PRUEBAS DE HIPÓTESIS
DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
SE ASUME VARIANZAS
IGUALES

64
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales

■ Se asume:
■ Las muestras son aleatorias e independientes
■ Las Poblaciones son normalmente distribuidas o el
tamaño muestral de ambas muestra es menos de 30
■ Varianzas poblacionales son asumidas iguales y
desconocidas
La varianza ponderada es: El estadístico de prueba es:

𝑛 − 1 𝑆 2
+ (𝑛 − 1)𝑆 2 𝑋ത1 − 𝑋ത2 − (𝜇1 − 𝜇2 )
𝑆2𝑝 =
1 1 2 2 𝑡𝑐 =
𝑛1 − 1 + (𝑛2 − 1) 2 1 1
𝑆 𝑝 𝑛 +𝑛
1 2
Donde t tiene d.f. = (n1 + n2 – 2)

65
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales

■ El intervalo de confianza para μ1 – μ2 es:

1 1
𝑋ത1 − 𝑋ത2 ± 𝑡𝛼ൗ 𝑆 2𝑝 +
2 𝑛1 𝑛2

Donde tα/2 tiene GL= n1 + n2 – 2

66
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales
Ejemplo 5
■ Un analista financiero quiere saber si
existe una diferencia entre los dividendos
de dos depósitos tal como se muestra en la
tabla. (A y B)
■ Los datos son los siguientes:
A B
Numero 21 25
Media muestral 3.27 2.53
Desv. Est. Muest. 1.30 1.16
Asumiendo que ambas poblaciones son normales
con varianzas iguales, existirá una diferencia entre
los dividendos(α = 0.05)?
67
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales

Ejemplo 5
1.- Formulación de las Hipótesis: 2.- Elección de la Distribución
H0: μ1 - μ2 = 0 i.e. (μ1 = μ2) • Como la muestra son menos de 30
H1: μ1 - μ2 ≠ 0 i.e. (μ1 ≠ μ2) • Y los datos siguen un
existe una diferencia entre los comportamiento normal
dividendos de los dos depósitos • Se elegirá la distribución t de
student
3.- Cálculo del estadístico

𝑛1 − 1 𝑆 21 + (𝑛2 − 1)𝑆 2 2 2
21 − 1 1.302 + (25 − 1)1.162
𝑆2𝑝 = 𝑆 𝑝 = = 1.5021
𝑛1 − 1 + (𝑛2 − 1) 21 − 1 + (25 − 1)

3.27 − 2.53 − 0
𝑋ത1 − 𝑋ത2 − (𝜇1 − 𝜇2 ) 𝑡𝑐 = = 2.040
𝑡𝑐 =
1 1 1.5021 1 + 1
𝑆2𝑝 𝑛 + 𝑛 21 25
1 2
68
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales
Ejemplo 5
4. Hallando el valor crítico:
α = 0.05
df = 21 + 25 - 2 = 44
Valores Críticos: t = ± 2.0154
Estadístico t

3.27 − 2.53
𝑡= = 2.040
1 1
1.5021 21 + Se Rechaza la Ho
25
5.-Decisión y Conclusión:
Se puede afirmar con un nivel de significancia del 5%,
que existe una diferencia entre los dividendos de los dos depósitos
69
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales
Ejemplo 5
Con Intervalo de confianza para μ1 - μ2
Como se rechaza la H0,
Establecer un 95% de intervalo de confianza de tal
manera que μA ≠μB?
95% I.C. para μA - μB 𝑋ത1 − 𝑋ത2 =3.27 - 2.53=0.74
Tα/2 =2.0154
1 1 Error tm=0.3628
ത ത 2
𝑋1 − 𝑋2 ± 𝑡𝛼ൗ2 𝑆 𝑝 + =
𝑛1 𝑛2
= 0.74 ± 2.0154 * 0.3628 = (0.009,1.471)
Se observa que O está fuera del intervalo de confianza,
Por lo tanto se puede concluir con 95% que μA ≠ μB
70
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales
Ejemplo 6 mediante el valor de p
• Se estudia la capacidad antioxidante de la lecha
materna versus la leche de fórmula. Para ello se
selecciona un grupo de 22 niños que recibió
leche materna normal durante sus primeros 3
meses de vida. Y otro grupo de 14 niños, que no
pudieron ser amamantados por su madre, y que
recibió leche con una fórmula especial.
• A los tres meses de vida se mide la
capacidad antioxidante desarrollada en los
dos grupos de niños.
• En base a los resultados adjuntos, realice una
prueba de hipótesis comparando las medias
de la capacidad antioxidante, para revisar los
71
supuestos (asuma normalidad).
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales
Ejemplo 6 mediante el valor de p
■ Los datos recopilados se muestran
en la tabla adjunta:
Tipo de N Media Desv Error Est.
leche Est. de
Media
Materna 22 80.33 8.144 1.736
Formula 14 71.83 9.194 2.457

72
PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales
Ejemplo 6 mediante el valor de p

Solución:
o Nos interesa comparar las medias de dos
grupos independientes
o Primero se debe revisar los supuestos:
1.Nos dicen que asuman normalidad
2.Se asume Homogeneidad de varianzas

73
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales
Ejemplo 6 mediante el valor de p
1.- Formulación de la hipótesis:
Ho: μ1 - μ2=0
H1: μ1 - μ2≠0
La capacidad antioxidante entre los dos grupos de niños son
diferentes
2.- Elección de la Distribución
• Como la muestra son menos de 30
• Y los datos siguen un comportamiento normal
• Se elegirá la distribución t de student
74
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales
Ejemplo 6 mediante el valor de p
3.- Cálculo del estadístico de la prueba:

2
𝑛1 − 1 𝑆 21 + (𝑛2 − 1)𝑆 2 2 22−1 8.1442 +(14−1)9.1942
𝑆 𝑐 = = 22−1 +(14−1)
=73.285
𝑛1 − 1 + (𝑛2 − 1)
Sc=8.56

x1 − x 2 80,33 - 71,83 8,50

t= = = = 2,904 ~ t( 34 )
1 1 2,927 2,927
sc +
n1 n2

75
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales
Ejemplo 6 mediante el valor de p
4.- Obtención del valor de p
GL: n1+n2-2 = 22 + 14 – 2 = 34

■ El valor p se encuentra entre 0.010 y 0.005, para

hallar el valor mas aproximado , se debe
interpolar

t=2.94
76
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales
Ejemplo 6
Entonces el valor de p es
aproximadamente 0.007
Por ser bilateral:
2*0.007

Valor de p=0.014
Como Ha: ≠
Se trata de una
Prueba bilateral

Como el valor de p (0.014) es

menor que alfa (0.05) se
rechaza la Ho

77
 PRUEBAS DE HIPÓTESIS DE DOS MUESTRAS:
MUESTRAS INDEPENDIENTES
Con σ1 y σ2 desconocidas y asumidas iguales
Ejemplo 6 mediante el valor de p

5.- Conclusiones:
■ Por lo tanto,
■ Se puede afirmar con un nivel de significancia
del 5% que la capacidad antioxidante entre
los dos grupos de niños son diferentes
• Se concluye que la capacidad antioxidante de la
leche materna y de la fórmula usada en este
estudio, son distintas, con un nivel de
significación del 5%.

78
 La
distribución
F

79
• La distribución F es una de las
familias de distribuciones que se
utiliza en el análisis estadístico, se
identifica por los grados de libertad
del numerador y del denominador en
relación a sus varianzas muestrales
• Se denomina así en honor a Sir
Ronald Fisher, uno de los
fundadores de la ciencia estadística
moderna.

80
 Uso:
✓Para probar si dos muestras
provienen de poblaciones con
varianzas iguales.
✓Para comparar simultáneamente
varias medias poblacionales
(ANOVA).
Para probar y comparar, las poblaciones deben ser
normales, y los datos, por lo menos deben estar en nivel de
intervalo

Una escala de medición es de intervalo si los datos tienen las propiedades de los datos ordinales y los
intervalos entre observaciones se expresan en términos de una unidad de medición fija. Los datos de
intervalo tienen que ser numéricos

81
La distribución F. Características
■Es continua
Esto significa que puede tomar una cantidad infinita
de valores entre 0 y más infinito
■Es asintótica
Conforme los valores de X
aumentan, la curva de la
distribución F se aproxima al eje X,
pero nunca lo toca. Es la misma
característica que describe una
distribución normal.
■Sus valores no pueden ser negativos
■El menor valor que puede asumir F es
cero

82
La distribución F. Características
■Tiene sesgo positivo
La cola larga de la distribución se encuentra a la derecha.
Conforme el numero de grados de libertad aumenta, tanto
en el numerador como en el denominador, la distribución
se aproxima a una distribución normal.
 Existe una familia de distribuciones
F
Un miembro específico de la
familia queda determinado por dos
parámetros: los grados de libertad
en el numerador y los grados de
libertad en el denominador.

83
La distribución F. Aplicaciones

• Se utiliza para probar la

hipótesis de que la varianza de
una población normal es igual a
Comparación de la varianza de otra población
dos varianzas normal.
poblacionales

• Análisis de la técnica de la
varianza (ANOVA), en la cual se
comparan tres o más medias
Prueba de poblacionales para determinar
medias de mas si pueden ser iguales.
de dos muestras

84
 La distribución F. Comparación de
dos varianzas poblacionales
Ejemplos de aplicación:
■ El índice de rendimiento medio de los dos tipos
de acciones comunes puede ser el mismo,
pero quizás haya más variación en el índice de
rendimiento en un tipo que en otro.
■ Una muestra de 10 acciones relacionadas con
la tecnología y 10 acciones de compañías de
servicios presentan el mismo índice de
rendimiento medio, pero es probable que haya
más variación en las acciones vinculadas a la
tecnología.
■ Un estudio del departamento de marketing
de un periódico importante reveló que los
hombres y las mujeres utilizan la misma
cantidad de tiempo navegando por la Web.
■ Sin embargo, en el mismo reporte se indica
que había casi el doble de variación en el
tiempo pasado por día entre los hombres 85
que las mujeres.
 La distribución F. Procedimiento
para realizar la prueba
Paso 1 Formulación de las hipótesis:
H0 : σ 1 2 = σ 2 2
H1 : σ 1 2 ≠ σ 2 2
Para realizar la prueba, se selecciona una muestra
aleatoria de n1 observaciones de una población y
una muestra de n2 observaciones de la segunda
población.
Paso 2
■ Definir el tipo de distribución a elegir
– El tamaño de la muestra
– El parámetro a utilizar

86
 La distribución F. Procedimiento
para realizar la prueba
Paso 3 Obtención del FT
Con los grados de libertad de las dos muestras n1
y n2 y el nivel de significancia, Se va a las tablas y
se obtiene
𝐹(𝑛1−1,𝑛2 −1)

87
 La distribución F. Procedimiento
para realizar la prueba
Paso 4 Cálculo del estadístico:
Para realizar la prueba, se selecciona una
muestra aleatoria de n1 observaciones de una
población y una muestra de n2 observaciones de
2
la segunda población. 𝑆 1
El estadístico de prueba se define como: F =
0
𝑆 22
Para fines prácticos se elige la varianza mas grande la
muestra se coloca en el numerador, de allí que la razón de F
será mayor que 1
Paso 5 Conclusión

Si F0 > 𝐹(𝑛1−1,𝑛2 −1) Se Rechazará la Ho

88
 La distribución F. Ejemplo 7
■ Una empresa importadora tiene dos
rutas para llegar al aeropuerto.
Si se desea estudiar el tiempo en
conducir al aeropuerto por cada ruta y
luego comparar los resultados.
Se recopiló los siguientes datos
muestrales que aparecen en la tabla,
■ Mediante el nivel de significancia 0.10,
¿hay alguna diferencia en la variación
en los tiempos de manejo para las dos
rutas?

Ruta 1 57 72 61 50 75 59 69
Ruta 2 64 65 66 56 61 68 62 70

89
 La distribución F. Ejemplo 7
Solo de Comparación de Varianza
Paso 1: Se establece la hipótesis nula (H0) y la hipótesis
alternativa H1
H0: σ12 = σ22
H1: σ12 ≠ σ22

Paso 2
■ Definir el tipo de distribución a elegir
– El tamaño de la muestra es pequeña
– El parámetro a utilizar es la σ2
– Por lo tanto se utilizara la Distribución de Fisher
90
 La distribución F. Ejemplo 7
Paso 3: Se obtiene el FT. Se selecciona un nivel de
significancia
α = 0.05 como se menciona en el problema
GLR1=6
GLR2=7

con α=0.05

F=3.866

Se formula la regla de decisión.

Se rechaza la H0 si F > F,v1,v2
F > F.05,7-1,8-1 F > 3.866 91
 La distribución F. Ejemplo 7
Paso 4: Se obtiene el FT. Se selecciona el estadístico de
prueba .
Su usa la distribución F
Calculo de las varianzas de las muestras

σ𝑥
𝑥ҧ =
𝑛

σ(𝑥 − 𝑥)ҧ 2
𝑆𝑖 =
𝑛−1

Como la varianza de la ruta 1 es mayor que la varianza

de la ruta 2, la ruta1 será el numerador
92
 La distribución F. Ejemplo 7
Solo de Comparación de Varianza
Paso 4: Se calcula el valor de F

Ruta 1 Ruta 2
660.43 334
𝑆1 = = 10.49 𝑆2 = = 6.91
7−1 8−1

Calculando el valor de Fc

𝑆 21 (10.49)2
𝐹𝑐 = 2 𝐹𝑐 = = 2.30
𝑆 2 (6.91)2

93
Ejemplo 7: Solo de Comparación de
Varianza
Paso 5: se toma una decisión

FT=3.866
FC=2.30 La decisión es no rechazar la hipótesis nula,
debido a que el valor F calculado es mayor que el
valor crítico

No se puede afirmar con un nivel de significancia del

5%, que haya una diferencia en la variación de los
tiempos recorridos por las dos rutas.

94
PRUEBAS DE HIPÓTESIS DE
DOS MUESTRAS:
MUESTRAS
INDEPENDIENTES
Con verificación de igualdad de
varianzas

95
 PRUEBAS DE HIPÓTESIS PARA DOS
MUESTRAS INDEPENDIENTES.
Con σ1 y σ2 desconocidas y con verificación
Se debe verificar si se asume que son iguales

Varianzas
Poblacionales
desconocidas

Se asume Se asume
Varianzas Varianzas
iguales diferentes
96
 Prueba de hipótesis sobre la diferencia
de medias. Muestras independientes, Varianzas
desconocidas pero se asume iguales

Para probar Ho se debe calcular el estadístico t y

compararlo con el tC

𝑥ҧ1 − 𝑥ҧ2 − 𝜇1 − 𝜇2
𝑡= tT(𝑛1 + 𝑛2 − 2)
1 1
𝑆𝑝 +
𝑛1 𝑛2

𝑛1 − 1 𝑆 21 + 𝑛2 − 1 𝑆 2 2
𝑆2𝑝 =
𝑛1 + 𝑛2 − 2

97
 Prueba de hipótesis sobre la diferencia de
medias. Muestras independientes, Varianzas
desconocidas pero se asume diferentes

Para probar Ho se debe calcular el estadístico t y compararlo

con el tC

𝑥ҧ1 − 𝑥ҧ2 − 𝜇1 − 𝜇2
𝑡= tc(glp)
𝑆 21 𝑆 2 2
+
𝑛1 𝑛2
2
𝑆 21 𝑆 2 2
+
𝑛1 𝑛2
𝑔𝑙𝑝 =
2 2
𝑆 21 𝑆22
𝑛1 𝑛2
+
𝑛1 − 1 𝑛2 − 1
98
 PRUEBAS DE HIPÓTESIS PARA DOS
MUESTRAS INDEPENDIENTES.
Con σ1 y σ2 desconocidas y con verificación
Ejemplo 8
■ La cantidad de impurezas presente en un lote de sustancia química
utilizada como materia prima es determinante para evaluar la calidad
■ Un fabricante que usa dos líneas de producción 1 y 2, hizo un ligero
ajuste a la línea 2 con la esperanza de reducir la cantidad promedio de
impurezas en la sustancia química.
Muestras aleatorias en cada línea arrojaron las siguientes
mediciones
Línea n Promedio Varianza
1 16 3.2 1.04
2 16 3.0 0.51
¿Los datos aportan suficiente evidencia
para concluir que la impurezas del proceso
es menor para la línea 2?
Alfa=0.10
99
 PRUEBAS DE HIPÓTESIS PARA DOS
MUESTRAS INDEPENDIENTES.
Con σ1 y σ2 desconocidas y con verificación
Ejemplo 8

■ Solución:

❖ Nos interesa comparar las medias de dos grupos

independientes

❖ Primero se debe revisar los supuestos:

1.Nos dicen que asuman normalidad

2.En este caso ya no se asume Homogeneidad de

varianzas, tenemos que probarla
100
 PRUEBAS DE HIPÓTESIS PARA DOS
MUESTRAS INDEPENDIENTES.
Con σ1 y σ2 desconocidas y con verificación
Ejemplo 8
Fase 1: de Comparación de Varianzas
1.- Formulación de las hipótesis
■ Ho:𝜎1 2 =𝜎2 2
La varianza de la población 1 es igual a la
varianza de la población 2
■ H1:𝜎1 2 ≠ 𝜎2 2
La varianza de la población 1 es diferente a la
varianza de la población 2

101
 PRUEBAS DE HIPÓTESIS PARA DOS
MUESTRAS INDEPENDIENTES.
Con σ1 y σ2 desconocidas y con verificación
Ejemplo 8
Línea n Promedio Varianza
1 16 3.2 1.04
2 16 3.0 0.51
Como la varianza de la población 1 es mayor que la varianza de la
población 2 el numerador le corresponde a la línea 1
Gl1=16-1=15 Gl2=16-1=15
Con un valor de α=5%
𝐹0.05,15,15 = 2.40

Si el Fc muestral es menor que 2.4. No rechazamos la

hipótesis Ho
Si el Fc muestral es mayor que 2.4. Rechazamos la
hipótesis nula 102
 PRUEBAS DE HIPÓTESIS PARA DOS
MUESTRAS INDEPENDIENTES.
Con σ1 y σ2 desconocidas y con verificación
Ejemplo 8
Los datos muestrales arrojaron la siguiente información:
𝑆 21 𝐹=
1.04
= 2.04
𝐹= 2 0.51
𝑆 2
Con un nivel de
significancia de 0.05, no
2. 04 se rechaza Ho
No
rechaz
o
2.40

No se puede afirmar con un nivel de significancia del 10% que La varianza de

la población 1 sea diferente a la varianza de la población 2
Por lo tanto se pueden asumir que las varianzas de la población son iguales
103
 PRUEBAS DE HIPÓTESIS PARA DOS
MUESTRAS INDEPENDIENTES.
Con σ1 y σ2 desconocidas y con verificación
Ejemplo 8
Fase 2: Prueba de Hip. Para muestras pequeñas
independientes.

Paso 1:
Para probar la disminución de impurezas se utiliza la
siguiente prueba de hipótesis:

Ho: µ1 = µ2
Ho: µ1 > µ2

La cantidad de promedio de impurezas de la línea 1

es mayor que la línea 2
104
 PRUEBAS DE HIPÓTESIS PARA DOS
MUESTRAS INDEPENDIENTES.
Con σ1 y σ2 desconocidas y con verificación
Ejemplo 8

Paso 2
El estadístico de prueba teniendo en cuenta que
mediante la prueba F, se concluyó que se asumen
varianzas iguales es:

𝑥ҧ1 − 𝑥ҧ2 − 𝜇1 − 𝜇2
𝑡=
1 1
𝑆𝑝 𝑛1 + 𝑛2

𝑛1 − 1 𝑆 21 + 𝑛2 − 1 𝑆 2 2
𝑆 2𝑝 =
𝑛1 + 𝑛2 − 2
105
 PRUEBAS DE HIPÓTESIS PARA DOS
MUESTRAS INDEPENDIENTES.
Con σ1 y σ2 desconocidas y con verificación
Ejemplo 8
Paso 3
Definición de la región crítica:

Con un α=5% y con GL:30

De la tabla se tiene:
𝑡(0.05,30) = 1.6973

No rechazo

Si el tc muestral es menor que 1.6973. No rechazamos

la Ho
Si el tc muestral es mayor que 1.6973. Rechazamos la
Ho 106
 PRUEBAS DE HIPÓTESIS PARA DOS
MUESTRAS INDEPENDIENTES.
Con σ1 y σ2 desconocidas y con verificación
Ejemplo 8
Paso 4: Cálculo de t de los datos:
Cantidad de impurezas se utiliza la tabla:
Linea n Promedio Varianza
1 16 3.2 1.04
2 16 3.0 0.51

Se calcula, primero la Desviación estándar ponderada

𝑛1 − 1 𝑆 21 + 𝑛2 − 1 𝑆 2 2
𝑆 2𝑝 =
𝑛1 + 𝑛2 − 2
15 1.04 + 15 0.51
𝑆2𝑝 = = 0.775 Sp=0.88
30
107
 PRUEBAS DE HIPÓTESIS PARA DOS
MUESTRAS INDEPENDIENTES.
Con σ1 y σ2 desconocidas y con verificación
Ejemplo 8

Paso 4: Cálculo de t de los datos:

Cantidad de impurezas se utiliza la tabla:

Línea n Promedio Varianza

1 16 3.2 1.04
2 16 3.0 0.51

𝑥ҧ1 − 𝑥ҧ2 − 𝜇1 − 𝜇2
𝑡= 3.2−3.0
1 1 𝑡= = 0.9
1 1
𝑆𝑝 𝑛1 + 𝑛2 0.88 +
16 16

108
 PRUEBAS DE HIPÓTESIS PARA DOS MUESTRAS
INDEPENDIENTES.
Con σ1 y σ2 desconocidas y con verificación
Ejemplo 8
Paso 5: Decisión y conclusión:

Tα=1.6973
No rechazo Tc=0.9

Como td (0.9) se encuentra en la región de no rechazo

entonces No se rechaza la Ho,
NO Se puede afirmar con in nivel de significancia del 5%
que la cantidad de promedio de impurezas de la línea 1 sea mayor
que de la línea 2
Lo que quiere decir que el ajuste no produjo ninguna
reducción 109
FIN
[email protected]