INFERENCIA ESTADISTICA

Inferencia Estadística
• Problema: Conocemos o suponemos la distribución de
probabilidades de una variable aleatoria en particular, pero…
desconocemos el valor de parámetro (o los parámetros) de dicha
distribución.
• Solución: Tomamos una muestra aleatoria n de la distribución de
probabilidades conocida y de dicha información muestral inferimos
los parámetros poblacionales desconocidos.

PROBLEMA DE ESTIMACIÓN

Puntual: Aquí obtendremos un punto, un Intervalos: Aquí obtendremos un

valor, como estimación del parámetro. Ej. intervalo dentro del cual estimamos (bajo
El tiempo que se gasta de la Ciudad de cierta probabilidad) estará el parámetro.
Panamá a Divisa en Veraguas es de 3
Ej. El tiempo que se gasta de la Ciudad
horas. de Panamá a Divisa en Veraguas esta
estimado entre 3 a 4 horas.
 Qué es un estimador?
 Un estimador de un
parámetro poblacional
es una función de los
datos muéstrales.

 Es decir, es una
fórmula que depende
de los valores
obtenidos de una
muestra, para realizar
estimaciones.
 Estimación de Parámetros

Parámetros Poblacionales y Estadísticos Muestrales

Parámetros:
Histograma de la Poblacion
160

140 Media ()

120

Varianza(2)

F recuencia
100

Datos 80

60
Desv. Est. ()
(Población de Interés) 40

20

0
-4 -2 0 2 4
Etc.
Clases

Inferencias
Muestreo Histograma de la Muestra
Estadísticos:
16

14

12 Promedio ( X )
Frecuencia

10

Muestras 8 Varianza muestral( Ŝ 2 )

6 
4 S
Desv. Est. muestral( )
2

0
-4 -2 0
Clases
2 4 Etc.
 Cuál es la estimación del
parámetro?
En el proceso de ir de la información de la muestra (estadísticos) al
estimado de los parámetros poblacionales, pueden ocurrir dos cosas:
a. Ganamos en generalización. Esto es, pasamos de la parte al todo.
De las muestras a las poblaciones.

b. Perdemos precisión o lo que es lo mismo, ganamos en imprecisión.

La estimación de parámetros poblacionales se realiza construyendo
intervalos (segmentos) que suponemos cubren o contienen el
parámetro buscado.
 Estimación por Intervalos
Los intervalos de confianza se construyen como función de
los valores observados en la muestra y nos permiten afirmar
que el parámetro desconocido se encuentra entre ciertos
valores con un determinado nivel de confiablidad.

Distribución poblacional Parámetro

Distribución muestral

Estimación por Intervalo

 Estimación por Intervalos
P(L  q  U) =1 – α, donde 0 < α < 1

La "probabilidad" de que el intervalo calculado

contenga al verdadero valor del parámetro. Se indica
por 1-α y habitualmente se da en porcentaje (1-
α)100%. Hablamos de nivel de confianza y no de
probabilidad ya que una vez extraída la muestra, el
intervalo de confianza contendrá al verdadero valor
del parámetro o no, lo que sabemos es que si
repitiésemos el proceso con muchas muestras
podríamos afirmar que el (1-α)% de los intervalos así
construidos contendría al verdadero valor del
parámetro.
 ¿ Qué significa la probabilidad 1-?
Significa que si tomamos muchas muestras de tamaño n y para cada muestra
σ σ
x  z · y x  z ·
calculamos n n es de esperar que el (1- ) % de los intervalos
2 2
así construidos contengan a la verdadera media μ

Esta es una construcción repetida de

intervalos de confianza de 95% y se
puede observar que de los 11
intervalos calculados sólo el tercero y
el último no contienen el valor de .

De acuerdo con esta interpretación, el

nivel de confianza de 95% no es tanto
un enunciado sobre cualquier
intervalo en particular, más bien se
refiere a lo que sucedería si se
tuvieran que construir un gran
número de intervalos semejantes.
Los Cuatro Niveles de Confianza más usados son:

Nivel de   /2 Z/2

Confianza

0,90 0,10 0,05 1,645

0,95 0,05 0,025 1,96

0,98 0,02 0,01 2,33

0,99 0,01 0,005 2,575

 Pasos en la construcción de Intervalos de
Confianza para la media

Si ¿Es grande n? No
n>30

Si No Si ¿Es aproximadamente No
¿Se conoce valor de ?
normal la población?

Si No
¿Se conoce valor de?
Usar s de la muestra
para estimar 

Aumentar tamaño
Usar s de la muestra
de la muestra para determinar un
 s para estimar  estimado de intervalo
X  z / 2 X  z / 2
n n
Ejemplo 2
Ejemplo1  s
X  z / 2 X  t / 2 Ejemplo 4
Ejemplo 3 n n
 Ejemplo1: de Intervalo de Confianza cuando n es
grande y se conoce la δ
Se tomó una muestra aleatoria de 50 candidatos que se presentan a realizar una
prueba en el departamento de selección de personal para la que se tiene una media de
150 puntos. Una investigación previa encontró que la desviación en esta prueba es de
63 puntos. Calcular el intervalo de confianza del 95%
Solución:
n = 50 z = 95% ≈ 1,96
x  150 δ =53
Luego:

 
PP( x( xzz 2  xxzz 2 ) )11
2 n 2 n
n n

53
150  1,96 *
50
150  14,369  135,63
150  14,369  164,37
Los límites de confianza para los datos, a un 95%, para los resultados de la prueba de
los aspirantes 135,63    135,37
 Ejemplo 2: Intervalo de Confianza cuando n es
grande y se desconoce la δ
Una empresa dedicada a la fabricación de material de construcción está interesada en
estudiar la conductividad térmica de un tipo de ladrillos. Para ello, seleccionó una
muestra de 36 unidades de manera aleatoria, obteniendo una conductividad media de
0.343 y una desviación típica muestral de 0.01. Suponiendo que los datos proceden
de una distribución Normal. Construir, detalladamente, un intervalo de confianza al
95% para la conductividad media de dicho tipo de ladrillos.
Solución:
n= 36
x  0,343 σ2 se estima a través de la varianza muestral s 2
s=0,01
Luego: s s
PP( (xxzz 2 s xxzz 2 s ) )11
2 n 2 n
n n
0,01
0,343  1,96 *
36
0,343  0,00327  0,340
0,343  0,00327  0,346
Los límites de confianza para los datos, a un 95%, para la conductividad media de los
ladrillos
0,340    0,346
 Ejemplo 3: Intervalo de Confianza cuando n es
pequeño y se conoce la δ
Se está investigando el tiempo de secado de una pintura tapaporos. Por estudios
anteriores, se sabe que la distribución de los tiempos de secado es aproximadamente
normal con una desviación típica de 8mn. Se diseña un experimento en el que se
mide el tiempo de secado para 10 cuadrados pintados, y se encuentra una media de
121 minutos (mn). Construir un intervalo de confianza al 95% de confianza para el
tiempo promedio de secado de la pintura.
Solución:
n= 10 z = 95% ≈ 1,96
δ = 8mm
x  121
Luego:  
PP( x( xzz 2  xxzz 2  ) )11
2 n 2 n
n n
8
121  1,96 *
10
121  4,96  116 ,04
121  4,96  125,96
Los límites de confianza para los datos, a un 95%, para el tiempo de secado de la
pintura 116,04    125,96
 Ejemplo 4: Intervalo de Confianza cuando n es
pequeño y se desconoce la δ
Con el fin de determinar la temperatura de deflexión bajo carga de un tipo de tuberías
de PVC, se realizó un experimento consistente en tomar 12 de ellas anotando la
temperatura de deflexión observada (en ºF). Los resultados fueron los siguientes:
206, 188, 205, 187, 194, 193, 207, 185, 189, 213, 192, 210.
Suponiendo que la temperatura de deflexión de las tuberías es una variable aleatoria
Normal, construir un intervalo de confianza al 95% para la temperatura de deflexión
promedio.
Solución:
n= 12
x  197,42 s=10,03
t para un 95% y n -1 = 11 grados de libertad =2,2010
Luego:
s ss
PP((xxt1t   2 s xxt1t   2 ))11
1  2 n 1  2 nn
n
10,03
197,42  2,2010 *
12
197,42  6,38  191,04
197,42  6,38  203,80
Los límites de confianza para los datos, a un 95%, para la temperatura de deflexión
promedio de los tubos de PVC 191,04    203,80
 Intervalo de Confianza para la
proporción P
Se toma una muestra de tamaño n de una población muy grande y
resulta que X datos de la muestra pertenecen a alguna clase de
interés. Entonces un estimador puntual de la proporción p de los datos
de la población que pertenecen a la clase en cuestión es: P̂  X
n
La distribución de muestreo de P̂ se puede considerar
aproximadamente Normal con media p y varianza p(1-p)/n, siempre
que p no esté muy cerca de 0 o de 1 y si n es relativamente grande.
Obtenemos el siguiente intervalo de confianza aproximado del 100(1-
a)% para la proporción p de la población que pertenece a la clase
dada:
pˆ (1  pˆ ) pˆ (1  pˆ )
pˆ  z / 2  P  pˆ  z / 2
n n
 Ejemplo 5: Intervalo de Confianza para la
proporción
Supóngase que 160 de 20,000 trabajadores sindicalizados que se muestrearon dijeron que planean votar para unirse a una confederación. Si se utiliza un grado
de confianza de 0.95, ¿Cuál es la estimación de intervalo para la proporción de la población? ¿A qué conclusión se llegaría con base en el intervalo de confianza?
Solución:
n = 20,000
x (característica) = 160

Luego:

 x 160
p   0,003
n 20000

P p  z α
·
p q
 P  p  zα
p q 
 1 α
·
 n n 
 2 2 

(0,003 )(0,997 )
0,003  1,96 *
20000
0,003  0,00076  0,0024
0,003  0,00076  0,0038
Los límites de confianza para los datos, a un 95%, para la proporción de la población serían
0,0024  P  0,0038 Entre 48 y 76 trabajadores se unirían a la confederación
 Intervalo para la Varianza de una
distribución Normal
Si la Población es Normal, la distribución muestral del estadístico siguiente

( n  1) Sˆ 2
2 
2
2
Donde Ŝ es la varianza muestral usada como estimador puntual de s2
Es una distribución de tipo Chi-cuadrada con n-1 grados de libertad

/2 /2

0 2/2,n-1 2/2,n-1
/2,n-1 2

Por lo tanto, el intervalo de confianza del 100(1-a)% buscado para la varianza es

(n  1) Sˆ 2 (n  1) Sˆ 2
  
2

 
2
 2
1 ; n 1 ; n 1
2 2
 Ejemplo 6: Intervalo de Confianza para la
varianza
Un fabricante de pinturas está interesado en la efectividad de su proceso para llenar
envases de pinturas. La norma dice que no se debe tener una desviación estándar δ
en el proceso mayor de 0.15, ya que de lo contrario habrá envases más vacíos de lo
permitido.
Se toma una muestra aleatoria de 20 envases y se obtiene una varianza muestral
s²=0.0153 gramos. ¿Es esta medición una evidencia de que se está cumpliendo la
norma con una confianza del 95% ?
Solución:
n = 20
δ = 0,15
s²=0.0153
Luego:
(n  1)s2 (n  1)s2 (20  1) * 0,0153 (20  1) * 0,0153
     
2   2 02,975,19  02,025,19 1
1 ,n 1 ,n 1
2 2

0,2907
  
0,2907 0,0088    0,0326
32,852 8,907
 ERROR DE LA ESTIMACION
Este valor nos dice que margen del estimador
muestral se encuentra en el parámetro
poblacional a un nivel de confianza asignado, es
el radio de anchura del intervalo de confianza.    
Z es el nivel de confianza
 σ es el valor de desviación estándar
E=Z n es el valor de la muestra
n
p= número de éxitos
pq q= número de fracasos (p-1)
EZ Z= nivel de confianza
n n= el valor de la muestra
 Ejemplo:
En el departamento de selección desean conocer el tiempo que duraran en contestar
158 candidatos que realizan la prueba, el Psicólogo estima que la desviación es de
48 minutos y desean tener una confianza del 99% en la estimación, ¿Cual será el
error máximo que cometerá?

Z = 99%  2.57

 = 48

N = 158

48
E = 2.57 E= 9.813
158

El error máximo que se cometerá es del 9.813

Ejemplo
• Una encuesta realizada con una confiabilidad del 95% arrojo que
de una muestra de 200 empleados de una fábrica el 68% están
conformes con los cambios realizados en la planta en su parte
física, calcular el error de la muestra.
• n= 200
pq
• p= 0.68 E  Z
• q= 0.32
n E  0 . 064
(0,68 * 0,32)
• Z=1.96 E  1,96
200

• Donde se concluye que el error de la muestra es de 0.064

 Determinación del Tamaño de Muestra
El tamaño de muestra requerido para estimar la media es:
22
 2
zz2
nn e 
 e 
Ejemplo: Para estimar la cantidad de madera que puede ser talada en un terreno,
se debe estimar el diámetro medio de los árboles con un margen de error de 1 cm
y un 99% de confianza. Qué tamaño de muestra se debe tomar ? Suponga que los
diámetros se distribuyen normalmente con s = 6cm.
Solución
– El margen de error estimado es +/-1 cm. O sea e = 1.
– El Nivel de Confianza del 99 % ;  =0,01, y z/2 = z0,005 = 2,575.
– Se calcula 2
 z 2   2,575(6) 
2

n     239
 e   1 
Si elel desvío
Si desvío estándar
estándar eses realmente
realmente de de 66 [Link]
[Link] intervalo
intervalo resultante
resultante de
de
lala muestra
muestra aleatoria
aleatoria será
será dede la
xla forma.
forma.
 1 SiSi elel desvío
desvío estándar
estándar es
es mayor
mayor
de 66 cm.,el
de cm.,el intervalo
intervalo real
real será
será másamplio
másamplio que que +/-1.
+/-1.
 Determinación del Tamaño de Muestra
El tamaño de muestra requerido para estimar la proporción es:

p̂(1  p̂)
e  Z 2
n
( Z  2 )2 p̂(1  p̂)
n
e2
Tomar en cuenta la corrección del tamaño de muestra
para población finita
• N: tamaño estimado de la población
• n(a): tamaño de muestra ajustado para el tamaño de la población

n
n( a ) 
1 n
N
Prueba de hipótesis
 Estimación puntual de parámetros
Un estimador puntual es simplemente un estadístico (media
aritmética, varianza, etc.) que se emplea para estimar
parámetros (media poblacional, varianza poblacional, etc.).
Es decir, cuando obtenemos una media aritmética a partir
de una muestra, tal valor puede ser empleado como un
estimador para el valor de la media poblacional.
(Algunos autores comparan los estimadores con los
lanzamientos en el juego de tiro al blanco; el círculo central
sería el valor real del parámetro.)
 Estimación Puntual
Un estimador puntual permite hacer una inferencia
acerca de una población estimando el valor de un
parámetro desconocido usando un solo valor o punto
obtenido de una muestra.

Distribución poblacional Parámetro

Distribución muestral

Estimador puntual
 Definición
Contrastar una Hipótesis Estadísticamente o
realizar una prueba de hipótesis es juzgar si cierta
propiedad supuesta para una población es compatible
con lo observado en una muestra de ella.
En otras palabras, el objetivo de la estimación de
parámetros es proveer de métodos que permitan
determinar con cierta precisión, el valor de los
parámetros desconocidos de un modelo estadístico a
partir de una muestra extraída al azar de una
Población.
 ¿Qué es una hipótesis estadística?

• Una creencia sobre un valor de un parámetro:

– Media
– Varianza
– Proporción/Tasa
• Es un valor que se supone verdadero y se pone a prueba
a través de la evidencia
• Si queremos contrastarla, debe establecerse antes del
análisis. Después se utilizan los datos de las muestras
para obtener evidencias que confirmen o no la hipótesis
propuesta.
Las hipótesis se plantean como:
• De existencia del EFECTO (de una
variable).
• De una DIFERENCIA (de las medias
observadas entre dos poblaciones ó las
proporciones observadas entre dos
poblaciones).
• De la ASOCIACIÓN (entre el tipo de
construcción de las casas y la
distribución del Dengue).
 Procedimientos para Pruebas de Hipótesis
Evaluar los datos

Revisar las suposiciones

Formular las hipótesis

Seleccionar el nivel de significancia

y el estadístico de prueba

Determinar la distribución del

estadístico de prueba

Formular la región de decisión

Calcular la estadística
de prueba

No rechazar Ho Formular la
decisión Rechazar Ho
Estadística
Concluir que Ho Concluir que Ha es
puede ser verdadera verdadera
 Formulación de las Hipótesis
La hipótesis que será sometida a prueba se suele designar por Ho y
se llama Hipótesis nula o Hipótesis de no diferencia, porque parte
del supuesto que la diferencias entre el valor verdadero del
parámetro y su valor hipotético es debida al azar, es decir no hay
diferencia. Se establece con el propósito de ser rechazada.
La hipótesis contraria se designa por H1 y se llama Hipótesis
alternativa. También se le conoce como hipótesis del investigador
o de la investigación. Describe lo que ha de considerarse si la
hipótesis nula es rechazada.
Los contrastes de hipótesis pueden ser unilaterales o bilaterales
(también llamados de una o dos colas) según establezcamos las
hipótesis, si las definimos en términos de igual y distinto (= ó ≠)
estamos ante una hipótesis unilateral, si suponemos una dirección
(en términos de mayor o menor que el valor del parámetro)
estamos ante uno unilateral.
 Formulación de las Hipótesis
Reglas para decidir qué proposición se utiliza como hipótesis
nula y cuál como alternativa
a. La conclusión a la que se desea o esperar llegar como
resultado de la prueba se usa como hipótesis alternativa
b. La hipótesis debe contener una proposición de igualdad,
ya sea =, , .
c. La hipótesis nula es la que debe ser comprobada.
d. Ambas son complementarias. Es decir, las dos contemplan
de manera exhaustiva todos los valores posibles que los
parámetros de suposición pueden asumir
 Nivel de significación: α
Número pequeño: 1% , 5%
Es la probabilidad de rechazar Ho cuando es cierta.
Es un valor arbitrario seleccionado a priori por el investigador de acuerdo a
su experiencia y deseo.

Valores del nivel de significación

Nivel de   /2 Z/2
Confianza

0,90 0,10 0,05 1,645

0,95 0,05 0,025 1,96

0,98 0,02 0,01 2,33

0,99 0,01 0,005 2,575

Estadístico de Prueba
Es un número, obtenido a través de los valores de una muestra. Este número, al
compararse con el valor critico (Número que es el punto divisorio entre la región de
aceptación y la región de rechazo), es utilizado para tomar la decisión de no
rechazar o rechazar la hipótesis nula.
 Región critica o de Decisión
Región critica: Conjunto de valores del estadístico de prueba que causa
el rechazo de la hipótesis nula. Es conocida también como región de
rechazo. El conjunto de valores que no esta dentro de la región critica, se
conoce como región de aceptación.
Prueba bilateral o de dos colas
Ho:  = o Ha:   o

Prueba unilateral de cola

Prueba unilateral de cola derecha o superior
izquierda o inferior
Ho:   o Ha:   o
Ho:   o Ha:   o
 Regla de Decisión y Conclusión
Regla de decisión:o decisión estadística: Si el valor
calculado del estadístico de prueba queda localizado dentro
de la región critica, se rechazará Ho. De lo contrario no se
podrá rechazar Ho.
Conclusión:
Si se rechaza Ho se concluye: “Existe suficiente
evidencia para indicar que ...(el enunciado de la Ha), a un
nivel del % de nivel de confianza”.
Si se acepta Ho se concluye: “Existe suficiente
evidencia para indicar que ...(el enunciado de la Ha), a un
nivel del % de nivel de confianza”.
 Prueba bilateral o de dos colas: Ho:  = o Ha:   o

Prueba unilateral de cola izquierda o inferior: Ho:   o Ha:   o

Prueba unilateral de cola derecha o superior: Ho:   o Ha:   o

 Valor de p
Valor de p: Es la probabilidad de obtener, cuando Ho es
verdadera, un valor de la estadística de prueba tan extremo
o más (en la dirección adecuada para Ha) que el valor
calculado en realidad. En otras palabras P es la probabilidad
de que la Hipótesis nula sea cierta.
Si p es menor de 0,05 (0,01), se admite que la
probabilidad de que las diferencias encontradas se deban al
azar son demasiado pequeñas, por lo que rechazaremos la
hipótesis nula y aceptaremos la alternativa.
Si p es mayor o igual a 0,05, la probabilidad de que las
diferencias encontradas se deban al azar son demasiado
grandes para aceptar la hipótesis alternativa y, por tanto, se
acepta la hipótesis nula: las diferencias encontradas están
dentro de las que consideramos debidas al azar.
 Condición de la
Hipótesis Nula (Ho)
Verdadera Falsa
Aceptar Acción Error Tipo
Acción Ho correcta II Menos
Posible grave
Rechazar Error Tipo Acción
Ho I Muy correcta
grave

Minimizar los errores no es una cuestión sencilla, un tipo suele ser más grave que otro y
los intentos de disminuir uno suelen producir el aumento del otro. La única forma de
disminuir ambos a la vez es aumentar el tamaño de la muestra. 
 PRUEBA SIGNIFICATIVA
Habitualmente (Tradicionalmente) se especifica a priori un
punto de corte () de 0.05 ó 0,01. Esto trasladado a nuestra
regla de decisión, significa que el Error tipo I de la prueba
estadística será del 5% ó 1%.
Una vez especificado el valor de , tenemos controlada la
magnitud del Error tipo I. El Error tipo II () se controla
modificando el tamaño de la muestra.
En general  y  se minimizan con tamaños de muestra
.
grandes
Las probabilidades de cometer errores de tipo I y II se
consideran los "riesgos" de decisiones incorrectas.
Al realizar la prueba se toma en cuenta el error de tipo I.
Por lo tanto, la prueba es significativa si se rechaza la
hipótesis nula, pues en este caso se conoce la probabilidad
de haber cometido un error.
 Diagrama de flujo para decidir entre utilizar z y t cuando
se hagan inferencias respecto a las medias de la
población
La población tiene una
Si No
distribución normal

Si ¿La muestra No Si ¿La muestra No

es grande? es grande?

¿Se conoce ¿Se conoce ¿Se conoce ¿Se conoce

la varianza la varianza la varianza la varianza
Si de la No Si de la No Si de la No Si de la No
población? población? población? población?

z t z t z z . .

o Se aplica el Teorema del

Límite Central
z
Pruebas para la media de una
población
 Ejemplo1: Prueba de Hipótesis cuando n es grande y se
conoce la δ
Un fabricante ha desarrollado un nueva fibra sintética que se considera tiene una resistencia
a la ruptura de 8 Kg, con una desviación típica de 0,5 Kg. Queremos probar, a nivel α = 0,01,
la hipótesis de que μ = 8 Kg frente la alternativa de que μ≠ 8 Kg, sabiendo que en una
muestra aleatoria simple de 50 trozos de la fibra la resistencia a la ruptura media es 7,8 Kg.
Solución:

n = 50 x  7,8
  8   0,5   0,01
Ho :   8 Ha :   8
x   7,8  8
z   2,83
 0,5
n 50
La regla de decisión dice que Ho se acepta si
-2,58<z<2,[Link] z = -2,83 cae en la Calculando p:
región de rechazo por lo que Ho es
rechazada. Por lo que concluimos que la
resistencia a la ruptura media no es igual a 8
Kg. Parece que es, en realidad, menor que 8
Kg. (Utilizando el valor P, observamos que es Se observa que este valor menor al del valor
posible rechazar la hipótesis nula al nivel del nivel de significancia (0.01) concordando
0,0047, un nivel mucho menor que 0,01.) con los resultados
 Ejemplo 2: Prueba de Hipótesis cuando n
es pequeño y se desconoce la δ
La tasa actual para producir fusibles de 5 amp en Neary Electric Co. es 250 por hora.
Se compró e instaló una máquina nueva que, según el proveedor, aumentará la tasa
de producción. Una muestra de 10 horas seleccionadas al azar el mes pasado indica
que la producción media por hora en la nueva máquina es 256, con desviación
estándar muestral de 6 por hora. Con 0.05 de nivel de significancia, ¿puede Neary
concluir que la nueva máquina es más rápida?
Solución:
n = 10 x  256 s  6
  250   0,05
Ho :   250 Ha :   250
x   256  250
t   3,16
s 6
n 10 Calculando p:
P( t  3,16)  1  P( 3,16)
Ho se rechaza si t > 1,833. Como t = 3,16 cae en
 1 - 0,9942
la región de rechazo entonces Ho es rechazada.
 0,006
Por lo que se puede concluir que la nueva
maquina es mas rápida y que es posible rechazar Se observa que este valor NO excede
la hipótesis nula al nivel 0,006, un nivel mucho al del valor del nivel de significancia
menor que 0,05. (0.05) concordando con los resultados
 Pruebas para la diferencia de medias de dos poblaciones
Prueba Hipótesis Supuesto Estadígrafo Región critica
Diferencia de Ho: 1 - 2 = 0 Ha: 1 - 2= 0  conocido ( x1  x 2 )  (  1   2 ) 0
medias Ho: 1 - 2  0 Ha: 1 - 2 < 0 z
Ho: 1 - 2  0 Ha: 1 - 2 > 0  12  22

n1 n2
Diferencia de Ho: 1 - 2 = 0 Ha: 1 - 2= 0  ( x1  x 2 )  (  1   2 ) 0
medias Ho: 1 - 2  0 Ha: 1 - 2 < 0 desconocido z , donde
Ho: 1 - 2  0 Ha: 1 - 2 > 0 y s 2p s 2p
varianzas 
n1 n2
iguales
(n1  1) s12  (n 2  1) s 22
s 2p 
n1  n 2  2
Diferencia de Ho: 1 - 2 = 0 Ha: 1 - 2= 0  ( x  x 2 )  ( 1   2 ) 0
Ho:  -   0 Ha:  -  < 0 desconocido z 1
medias 1 2 1 2
s p2 s p2
Ho: 1 - 2  0 Ha: 1 - 2 > 0 y

varianzas n1 n 2
diferentes
elvalorcritico
w 1t 1  w 2 t 2
t 1"(   , donde
2
)
w1  w 2
s12 s 22
w1  ,w2  ,
n1 n2
t 1  t 1(  ) gl : n1  1
2

t 2  t 1(  ) , gl : n 2  1
2
Diferencia de Ho: 1 - 2 = 0 Ha: 1 - 2= 0 Muestras D  o
medias Ho: 1 - 2  0 Ha: 1 - 2 < 0 dependientes t
Ho: 1 - 2  0 Ha: 1 - 2 > 0 o apareadas sD n
 Ejemplo 3: Prueba de Hipótesis para
Diferencias de Medias
Se seleccionan dos muestras aleatorias e independientes del número de puestos de trabajo
creados en los últimos seis mes por dos empresas constructoras. Con el fin de conocer el impacto
de las nuevas modalidades de contratación en ambos empresas y suponiendo que el número de
empleos creados siguiera en ambos empresas distribuciones normales con varianzas iguales:
¿Podríamos afirmar con un 99% de confianza, que ambas empresas son similares en cuanto al
número medio de empleos creados en los últimos seis mes?
Ho   A  B  0 Ho :  A  B
Ho se acepta si -3,16 < t < 3,16. Como t
Ha   A  B  0 Ho :  A  B = -2,71 cae en la región de aceptación
Empresa A Empresa B Prueba t para dos muestras suponiendo varianzas iguales
13 18 entonces Ho es aceptada. Por lo que se
14 19 Sector A Sector B puede concluir que ambas empresas son
21 20 Media 16,1666667 22,6666667
19 22 Varianza 9,76666667 24,6666667 similares en cuanto al número medio de
15 31 Observaciones 6 6 empleos creados.
15 26 Varianza agrupada 17,2166667
Diferencia hipotética de las medias 0
Grados de libertad 10 Calculando p:
Estadístico t -2,71331021
P(T<=t) una cola
Valor crítico de t (una cola)
0,01090467
2,76376946
P( t  2,71)  21  P( t  2,71)
P(T<=t) dos colas 0,02180934  0,022
Valor crítico de t (dos colas) 3,16927267

Se observa que este valor es mayor

que del nivel de significancia (0.01)
concordando con los resultados.
Admitiéndose la similaridad en la
creación de empleos de ambas
empresas.
 Ejemplo 4: Prueba de Hipótesis para
Diferencias de Medias
Se seleccionan dos muestras aleatorias e independientes del número de puestos de trabajo
creados en los últimos seis mes por dos empresas constructoras. Con el fin de conocer el impacto
de las nuevas modalidades de contratación en ambos empresas y suponiendo que el número de
empleos creados siguiera en ambos empresas distribuciones normales con varianzas diferentes:
¿Podríamos afirmar con un 99% de confianza, que ambas empresas son similares en cuanto al
número medio de empleos creados en los últimos seis mes?
Ho   A  B  0 Ho :  A  B
Ho acepta si -3,36 < t < 3,36. Como t =
Ha   A  B  0 Ho :  A  B -2,71 cae en la región de aceptación
Empresa A Empresa B Prueba t para dos muestras suponiendo varianzas
13 18
desiguales
entonces Ho es aceptada. Por lo que se
14 19 Sector A Sector B puede concluir que ambas empresas son
21 20 Media 16,1666667 22,6666667 similares en cuanto al número medio de
19 22 Varianza 9,76666667 24,6666667
15 31 Observaciones 6 6 empleos creados.
15 26 Diferencia hipotética de las medias 0
Grados de libertad 8
Estadístico t -2,71331021 Calculando p:
P(T<=t) una cola 0,01326093
Valor crítico de t (una cola) 2,89645945 P( t  2,71)  21  P( t  2,71)
P(T<=t) dos colas 0,02652186
Valor crítico de t (dos colas) 3,35538733
 0,022

Se observa que este valor es mayor

que del nivel de significancia (0.01)
concordando con los resultados.
Admitiéndose la similaridad en la
creación de empleos de ambas
empresas.
 Ejemplo 5: Prueba de Hipótesis para Diferencias de
Medias con Muestras Dependientes
Un fabricante desea comparar la resistencia al desgaste de dos tipos distintos de llantas A y B.
Para hacer la comparación, asigno al azar una llanta A y una B a las ruedas posteriores de cinco
automóviles. Los automóviles recorrieron un número especifico de kilómetros y se observó el
desgaste de cada llanta. Brindan estos datos suficiente evidencia para encontrar que existen
diferencias significativas entre el desgaste medio de los dos tipos de llantas con un α = 0,05?
Ho   A  B  0 Ho :  A  B
Ho se acepta si -2,78< t <2,78. Como t = 12,83
Ha   A  B  0 Ho :  A  B cae enre la región de rechazo entonces Ho es
Llanta A Llanta B Prueba t para medias de dos muestras emparejadas
10,6 10,2
rechazada. Por lo que se puede concluir que
9,8 9,4 Llanta A Llanta B hay diferencias significativas en el desgaste
12,3 11,8 Media 10,24 9,76 medio de los dos tipos de llantas
9,7 9,1 Varianza 1,733 1,763
8,8 8,3 Observaciones 5 5
Coeficiente de correlación de Pearson 0,99803
Diferencia hipotética de las medias 0 Calculando p:
P( t  12,83)  21  P( t  12,83)
Grados de libertad 4
Estadístico t 12,8285
P(T<=t) una cola 0,00011  21 - 0,9999 
Valor crítico de t (una cola) 2,13185
P(T<=t) dos colas 0,00021  2(0,0001)
Valor crítico de t (dos colas) 2,77645
 0,0002

Se observa que este valor es menor que

del nivel de significancia (0.05)
concordando con los resultados, acerca de
que existen diferencias entre el desgaste
medio de los dos tipos de llantas.
 Pruebas para la proporción
Prueba Hipótesis Supuesto Estadígrafo Región critica
Proporción de una Ho: p = po 
población Ha: p  po p  po
z
Ho: p  po po qo
Ha: p  po
n
Ho: p  po
Ha: p  po

Diferencia de Ho: p1 - p2= 0 x1  x 2

proporciones Ha: p 1 - p2= 0 p
n1  n 2
Ho: p1 - p2  0
Ha: p1 - p2 < 0  p(1  p ) p(1  p
p 1p 2  
Ho: p1 - p2  0
ni n2
Ha: p1 - p2 > 0
 
(p1  p 2 )  (p1  p 2 )o
z 
p1p 2
 Ejemplo 6. Prueba de hipótesis para la proporción de
una población
En un estudio diseñado para investigar si ciertos detonadores empleados con explosivos
en una mina de carbón cumplen con los requerimientos de que al menos 90% encenderá
el explosivo al ser detonado, se encontró que 174 de 200 detonadores funcionaron
adecuadamente. Compruebe esta hipótesis con un nivel de significancia de 0.05.
Ho : p  0.9 Ha : p  0.9
p  pHo 0,87  0,90
174 Ho : p  0.9 Ha : p  0.9 z   1,41
p  0,87 pHo * qHo 0,90 * 0,10
200 n 200
H0 se rechaza si z < -1,645

p  pHo 0,87  0,90

z   1,41
pHo * qHo 0,90 * 0,10
n 200

Dado que z = p -1,41, no es

174 200 0,87menor que -1,645, H no puede ser rechazada. En otras
0
palabras, no hay suficiente evidencia para afirmar que la clase determinada de detonador
no cumple con las normas.
Calculando p: P( z  1,41)  0,0793 Se observa que este valor es mayor que del nivel de
significancia (0.05) por lo que no es posible rechazar la hipótesis nula.
 Ejemplo 7. Prueba de hipótesis para la diferencia entre
dos proporciones
Un estudio señala que 16 de 200 tractores producidos en una línea de ensamblado
requieren ajustes minuciosos antes de ser embarcados, y lo mismo sucede con 14 de
400 tractores producidos en otra línea de ensamblado. Con un nivel de significancia de
0,01, ¿apoya esto la afirmación de que la segunda línea de producción efectúa un
trabajo mejor?
p1  16  0,08
200
p2  14  0,035
400
Ho : p1  p 2 Ha : p1  p 2
16  14
p  0,05
200  400

z
16 200  14 400  0  2,38
(0,05 * 0,95 ) * 1 200   1 400 )
Ho se rechaza si z > 2,33, y como z = 2,38 cae en la región de rechazo. Se concluye que la
proporción real de tractores que requieren ajustes minuciosos es mayor en la primera línea de
ensamblado que en la segunda.
Calculando p: P( z  2,38 )  1  P( z  2,38 )
 1  0,9913  0,009
Se observa que este valor es menor que del nivel de significancia (0.01) por lo que no es posible
aceptar la hipótesis nula.
 Pruebas para la varianza
eba Hipótesis Supuesto Estadígrafo Región critica
de una Ho: δ2 = δ2o  2  12-  2 y  2   2 2
ción (n  1)s 2
Ha: δ2  δ2o 2
 
2
Ho: δ2  δ2o
Ha: δ2  δ2o con n-1 gl  2  12- 2
Ho: δ2  δ2o  2   2 2
Ha: δ2  δ2o
de dos Ho : 12   22  0
RV 
12 F  F(1  2)( v1,V2)
iones Ho : 12   22  0  22
Ho : 12   22  0
y F  F(  )( v1,V2 )
2
Ho : 12   22  0 F  F(1  )( V1, V2 )
Ho : 12   22  0 2

Ho : 12   22  0 F  F(  )( V1, V2 )
2
 Ejemplo 8. Prueba de hipótesis para la varianza
de una población
Un fabricante de baterías para automóviles afirma que la vida de sus baterías está
aproximadamente distribuidas en forma normal con una desviación estándar de 0,9 años. Si
una muestra aleatoria de 10 de estas baterías tiene una desviación estándar de 1,2 años,
¿con un nivel de confianza de 0,05, se puede pensar que δ > 0,9 años?
n  10, s  1,2,   0,05
Ho : 2  0,81 Ha :  2  0,81

2 (n  1)s2 (9 * 1,44)
  2

o 0,81
 16,0

Ho se rechaza si λ² > 16,919, y como λ² = 16,0 cae en la región de aceptación. Se concluye que no
hay razones suficientes para dudar que la desviación estándar es 0,9 años
Calculando p:
P( 2  16,0)  0,07

Se observa que este valor es mayor que del nivel de significancia (0.05) por lo que no es posible
 Ejemplo 9. Prueba de hipótesis para la
diferencia entre dos varianzas
Se realizó una prueba de la diferencia que puede darse entre la resistencia abrasiva de dos
materiales laminados, para ello se supuso que las varianzas de las dos poblaciones eran
desconocidas pero iguales. Con un nivel de significancia de 0,05, ¿había razón para hacer
esta suposición?. Los datos del problema son:
x1  85 s1  4 n1  12
x 2  81 s2  5 n2  10

Ho : 12   22 Ha : 12   22

s12 16
f 2   0,64
s2 25
La hipótesis nula es rechazada cuando
f < 0,34 ó f > 3,10

Dado que f = 0,64 se encuentra en la región de aceptación, se acepta la hipótesis de

suponer que las varianzas de las poblaciones eran iguales.
Cálculo de P
El valor p es mucho mayor que el nivel de confianza 0,05 lo
P( f  0,34 )  21  P( f  0,34 ) que nos indica que la probabilidad de que las diferencias
 2(1  0,7607 ) encontradas se deban al azar son demasiado grandes para
 2(0,2393 ) aceptar la hipótesis alternativa
 0,47