Programa de Investigación Técnicas e Instrumentos de

Formativa la Investigación Científica

Técnicas e instrumentos
de Investigación Cientí-
fica

SESIÓN 8
 Programa de Investigación Técnicas e Instrumentos de la
Formativa Investigación Científica

RESULTADO DE APRENDIZAJE:
Aplica y describe en los informes parciales los fundamentos de
investigación, operacionalización de variables, técnicas e
instrumentos de recolección de datos, población, muestra y muestreo,
procesamiento de datos, tablas, figuras y medidas estadísticas y
presenta el segundo avance del informe estadístico.
 Programa de Investigación Técnicas e Instrumentos de la
Formativa Investigación Científica

SESIÓN 08:
 Conceptos de distribución Normal.
 Introducción a las pruebas de hipótesis.
 Prueba hipótesis de una población (media y
proporción).
 Pruebas de normalidad y Pruebas paramétricas y
no paramétricas.
 • Cuadros y Gráficos Estadísticos
UNIDIMENSIONAL
• Medidas descriptivas
RAMAS DE LA ESTADISTICA

DESCRIPTIVA
BIDIMENSIONAL • Tablas y gráficos bidimensionales

Estimaciones por
intervalos de confianza
INFERENCIAL
Son herramientas que
permiten al investigador
generalizar a una población de Prueba de hipótesis
individuos basándose en una
muestra
 Introducción a la inferencia
estadística
eo
Población
str Obtenemos estadísticos sobre

ue
la muestra (Estadígrafos)
M Promedio: 6.12
Desv Std: S = 1.12
Parámetros Moda (Mo), Mediana (Me)
µ=?
σ=?

El cuerpo humano tiene ESTADISTICA INFERENCIAL

- Estimación por intervalo
entre 4.5 y 5 litros de
- Prueba de Hipótesis
sangre.
 Introducción a la inferencia
estadística
Estimación de Parámetros
Consiste en obtener información sobre una población desconocida, basándose en los resultados de una muestra.

Muestra
Un estadístico o
Observación
estadígrafo es una medida
de datos que describe una
Población característica de una
muestra

Estadístico o Estimador
Un parámetro estadístico =
es una medida que describe Valor estadístico o Valor estimado
una característica de una Parámetro
población Estimador Población Muestra
Media µ

Valor aproximación Desv Estándar σ

𝑥 s
desconocido Proporción P p
Tamaño N n
 Distribuciones de probabilidad
• Muchos matemáticos estudiaron formas de ganar en los juegos de azar
lo que originaron las teorías de las probabilidades y de la incertidumbre.
Por ejemplo: lanzar una moneda, obtener una baraja, etc.
• Muchos negocios están basados en estas probabilidades como las
casas de apuestas, loterías, seguros, inversiones, etc.
• Estos estudios llevaron a identificar algunos fenómenos y
caracterizarlos (modelarlos) para su posterior uso como teoría de colas,
control de calidad, análisis de riesgos, etc.
• La distribución mas importante de todas estas es la distribución normal,
que se aplica en infinidad de casos.
Algunas distribuciones de probabilidad más
conocidas son:

Distribuciones discreta Distribuciones continua

• D. binomial • D. beta
• D. uniforme discreta • D. exponencial
• D. geométrica • D. gamma
• D. hipergeométrica • D. logística
• D. binomial negativa • D. logarítmico normal
• D. de Poisson • D. normal
• D. triangular • D. t de Student
• D. uniforme • D. triangular
• D. de Weibull • D. uniforme
• D. de Weibull
Distribución Normal

Simulador Maquina de Galton

Aplicación de la Distribución Normal

https://www.youtube.com/watch?v=lBKmy7_WaVw
 • Suposición de algo posible o imposible para sacar de ello
¿Qué es una hipótesis? una consecuencia. (RAE, 2022)

• Sabino (2014). Un intento de explicación o una respuesta «provisional» a un

fenómeno.
¿Qué es una hipótesis • Suposición que se establece provisionalmente como base de una
investigación cuya validez se confirma o no. (RAE, 2022)
de investigación?

•Es una suposición sobre algún parámetro poblacional (µ, P, ρ), basado en una
¿Qué es una muestra. Ejemplo: “Estimo que el porcentaje de clientes que comprará mi
producto será del 60%”
Aceptar Rechazar
hipótesis •Procedimiento estadístico, que permite Rechazar o Aceptar una suposición sobre algún
parámetro en función de los datos observados en una muestra.

estadística?
 Pasos para desarrollar una prueba de Hipótesis estadística:

Plantear las Establecer el Elegir y calcular Establecer los Decisión y

hipótesis nivel de el estadístico de valores críticos o conclusión
Ho y H1 significancia prueba aplicar la regla de
decisión:
α Si:
Valor-p < α, se Rechazar Ho
Valor-p ≥ α, se Aceptar Ho
 Paso 1: Plantear la hipótesis nula (Ho) y alterna (Ha o H1)
Hipótesis Nula (Ho) Hipótesis Alterna (Ha) o (H1)
Es la Hipótesis de igualdad o no diferencia, Es el complemento de la Ho
no cambio, no asociación. Es la Hipótesis diferencia o cambio, asociación.
Valor aceptado y conocido del parámetro. Valor por probar del parámetro.

=,≤,≥ ≠, > , <

Por ejemplo:
“Los ingresos promedio en este “Los ingresos promedio en este
mes serán de S/.1500” mes serán menor de S/.1500”
 Paso 1: Plantear la hipótesis nula (Ho) y alterna (Ha o H1)
Ejercicios
1. La edad media de mis alumnos es de 20 años Ho: U = 20 años
2. La edad promedio de mis alumnos son menores de 20 años a: U < 20
3. La edad media de mis alumnos es 20 o menos años: U <= 20
4. Mis alumnos son menores de edad en promedio Ha: U < 18
5. Mis alumnos tienen como mínimo 20 años en promedio: U >= 20
6. Mis alumnos tienen mas de 20 años en promedio
7. La media de vida de los peruanos es de 72 años.
 Paso 1: Plantear la hipótesis nula (Ho) y alterna (Ha o H1)
En los siguientes ejemplos. ¿Cuáles serian las hipótesis nula y alterna?
N° CASOS Hipótesis
1° Suponga que Caterpillar asegura que su nuevo modelo de grúa rinde un promedio de 30 Ho: μ = 30
millas por galón. H1 : μ ≠ 30

2° Un compañía comercializa un programa de capacitación motivacional y asegura que el Ho: μ ≤ 75

rendimiento de los trabajadores se elevan después de finalizado el curso. La tasa H1 : μ > 75
promedio por trabajador era de 75 antes del programa.

3° Se desea mostrar que el salario promedio por hora de los obreros de construcción es Ho: μ = 14
distinto de $14, que es el promedio nacional H1 : μ ≠ 14

4° Un proceso de laminado produce 3% de piezas defectuosas. Usted está interesado en Ho: p ≥ 3%

mostrar que un ajuste simple en máquina disminuirá la proporción de piezas defectuosas. H1 : p < 3%
Paso 1: Tipos de hipótesis … ir al Paso 2 (Gráfica).
H. Nula H. Alterna Prueba Colas del test
(Ho) (Ha)

Prueba R. Rechazo
Bilateral o R. Rechazo.
U = 20 U ≠ 20 α/2 = 0.025 R Aceptación
α /2= 0.025
2 colas de Ho 95%
z crítico z crítico

Unilateral Distribución
izquierda R.Rechazo de Ho Normal
U ≥ 20 U < 20 α = 0.05 R. Aceptación de Ho
1 cola a la 95%=0.95
izquierda
z crítico

Unilateral
derecha
U ≤ 20 U > 20 R. Aceptación de Ho
R.Rechazo de Ho
α = 0.05
1 cola a la
derecha 95%=0.95
z crítico
 Paso 2. Establecer el nivel de significancia (α)

DECISION
Rechazar Ho Aceptar Ho

Error tipo I (α)

Nivel de significancia (CORRECTO)
Prob (RHo / Ho = V) PROB = 1-β (≈ 0.8) Ho: El acusado es inocente
Ho = V
≈ 1%, 5%, 10% Potencia de la Prueba Ha: El acusado es culpable
La realidad

---------- --------
(cierta o
α : Probabilidad de Probabilidad de acertar
verdad) REALIDAD Rechazar Ho Aceptar Ho
equivocarme o fallar al cuando rechace una
rechazar una Hipótesis hipótesis falsa. Declarado culpable en Declarado inocente en el
verdadera Es
el juicio y ser inocente juicio y ser inocente de
inocente de hecho (α ) hecho
(CORRECTO)
Error tipo II ( β )
Nivel de Confianza = 1-α Declarado culpables en Declarado inocente en
Prob(AHo / Ho = F) Es
el juicio y ser culpable el juicio pero ser
Ho = F ≈ 20% culpable de hecho culpable de hecho (β )
(99%, 95%, 90%)
---------
---------
(falsa) β : Probabilidad de
Probabilidad de acertar
equivocarme al aceptar
cuando acepte una
una hipótesis falsa
Hipótesis verdadera.
Paso 3. Calcular el estadístico de prueba y compararlo con los puntos críticos.

Para una sola Media Poblacional (µ) Proporción Poblacional (P)

Ho : μ = a Ho : P1 = a%
Estadístico de población H1 : P1 ≠ a%
H1 : μ ≠ a
prueba: Valor
Muestra grande (n ≥ 30) y
que se calcula Varianza poblacional es
en base de la conocida ~ N(0,1)
muestra, que
se utiliza para
aceptar o
rechazar la Muestra pequeña (n<30) Aumentar la
hipótesis nula. y Varianza poblacional es muestra
desconocida ~ t(n-1, α)

SIMULADOR : https://www.geogebra.org/m/mvpzpgw7 https://www.geogebra.org/m/nh3mbtx8

Paso 4: Graficar las regiones de rechazo y aceptación o regla de decisión
MORALEJA:
Prueba Unilateral Siempre rechaza la
Área de COLITA y acepta la
Ho: U ≤ 20 Área de aceptación Ho Rechazo Ho pancita
Ha: U > 20 Nivel de Confianza
(1-α) = 95%
α= 5%

Grado de confianza : 90% 95% 99% Zot Punto Crítico: Punto de

Cola izquierda zα : -1.28 -1.645 -2.33 división entre la región
F o X2
Cola derecha zα : 1.28 1.645 2.33 de aceptación y rechazo
Ho.

Prueba Bilateral
Ho: U = 20 años Área de RHo Área de
α= 2.5% Área de aceptación Ho Rechazo Ho
Ha: U ≠ 20 años Nivel de Confianza α= 2.5%
(1-α) = 95% https://www.geogebra.org/m/mvpzpgw7

Grado de confianza : 90% 95% 99% Zot Puntos

zα/2 : ±1.64 ±1.96 ±2.58 F o X2 Críticos
Paso 4: Graficar las regiones de rechazo y aceptación o regla de decisión

Simuladores
p-valor
https://www.geogebra.org/m/aYXuzejD

https://www.geogebra.org/m/aqqtxmxp
Ejemplo 1: Solución:
Una empresa fabrica focos 1. Formule Hipótesis: H0: µ = 800 Ha: µ ≠ 800
que tienen una duración que
2. Nivel de Significancia: α = 0.04
se distribuye de forma Z = INV.NORM.ESTAND(0.02) = -2.054
aproximadamente normal con
3. Determinar el estadístico de prueba
una media de 800 horas y una
desviación estándar de 40
horas. Pruebe la hipótesis de
que µ ≠ 800 horas si una
muestra aleatoria de 30 focos Área de
aceptación Ho
Conclusión: Área de Área de
tiene una duración promedio Aceptar Ho, la duración
Rho α= 2. Nivel de Rechazo
Ho α= 2%
Confianza
de 788 horas. Utilice un nivel media de los focos si (1-α) = 95%
corresponde a 800 horas
de significancia de 4%. z= -2.054 z= -2.054
z=-1.64
Ejemplo 2:
Una máquina que produce capsulas tiene una desv estándar de 8 unidades. Se acaba de introducir
en el mercado una nueva máquina, aunque es muy cara, si la media de producción de la nueva
máquina es de más de 150 unidades por hora, su adopción daría bastantes beneficios.
Para decidir la compra de la nueva máquina, se le permite hacer un ensayo durante 35 horas,
hallándose un promedio de 160 unidades/hora. Con ésta información qué decisión se debe tomar si
se asume un nivel de confianza del 99%.
Solución
Según el enunciado, solo se compra la máquina si la producción es de mas de 150
unidades por hora, por lo tanto las hipótesis es H0 : µ ≤ 150 H1 : µ > 150

n = 35

Conclusión: Como 7.4 > 2.33 está en la zona de

rechazo Ho, por lo tanto, se acepta H1, que la producción
promedio por hora es superior a las 150 unidades.
 Ejemplo 2:

https://www.geogebra.
org/m/mvpzpgw7
CASO APLICATIVO:
MÁQUINA EMPAQUETADORA DE CAFÉ
1.- Se establecen las Ho y Ha.
Una máquina empaqueta bolsas de café
automáticamente, está regulada para
embalar bolsas cuyos pesos se distribuyen
normalmente, con media de 500 gr y 2.- Se selecciona un nivel de significancia.
varianza 400. El valor de puede ser fijado 3.- Se identifica y calcula el estadístico de la prueba.
en un mostrador situado en una posición un
Caso : Población normal con varianza conocida.
poco inaccesible de esa máquina. La
máquina fue regulada para un promedio de
500 gr . Se decide escoger una muestra de
16 bolsas a cada media hora con la finalidad 4.- Graficar las regiones de rechazo y aceptación
de verificar si la producción está bajo control Al 95% de confianza, no
existe la suficiente evidencia
o no. Si una de esas muestras tiene una Estadístico para rechazar la hipótesis de
media 492 gr, ¿usted pararía o no la de prueba que la máquina está
regulada. Por consiguiente,
producción para verificar si el mostrador está no se debe parar la
o no en la posición correcta? Al 5% de producción con un riesgo de
5% para verificar si el
significancia. mostrador está o no en la
Ejemplo 3:
Solucion:
Ho: U ≤ 20
Una cadena de supermercados sabe que • Plantear la hipótesis nula y alternativa.
Ha: U > 20
en promedio, las ventas de sus almacenes
son un 20% mayor en diciembre. Para el • Especificar el nivel de significancia a utilizar.
• Elegir y calcular el estadístico de prueba como
presente año, se seleccionó una muestra
también los valores críticos.
aleatoria de seis almacenes. Los
incrementos porcentuales de sus ventas
en diciembre fueron: 19.2, 18.4, 19.8,
20.2, 20.4, 19.0. Utilice alfa = 5%
Z.R.

Z.A.

-1.60 0 2.01

Conclusión: Se acepta Ho. Las ventas en el supermercado

en el mes de diciembre son en promedio menores a 20%.
Ejemplo 4:
Para muestras pequeñas (n<30)
Solución:
las hipótesis son: H0 : µ ≥ 16 H1 : µ < 16

Datos:
n = 12
EJEMPLO X = 15.97
El área de calidad de un supermercado S = 0.15
toma una muestra aleatoria de 12 sobres 1-α = 90%

de café de una empacadora. Se

encuentra que el peso promedio de café
es 15,97 grs. con una desviación
estándar de 0,15. La compañía Conclusión:
empacadora afirma que el peso Acepta Ho, dado
promedio mínimo del café es de 16 Área de que -0.693 esta
Rechazo Ho Área de aceptación Ho ubicada en la zona
grs. Puede aceptarse ésta afirmación si α= 10% Nivel de Confianza de aceptación
(1-α) = 90%
se asume un nivel de confianza del 90%?
-1.363 -0.693
 Ejemplo 5: Para muestras SOLUCIÓN
pequeñas (n<30) 1º. Formule la hipótesis nula y alterna
Ho: µ ≥ 10 Kg H1: u < 10 Kg.
En una campaña de protección al
2º. Nivel de significancia α = 0.01
consumidor, se tomo muestra
3º Determinar el estadístico de prueba:
aleatoria de 15 sacos de arroz
extra envasado, de una
distribuidora y se obtuvo una media
de 9.4 Kg. con una desviación t(n-1,α) = t(14,0.99) = INV.T(0.01;14) = -2.624
estándar de 1.8 Kg. ¿Contiene esta
muestra suficiente evidencia para Decisión: Aceptar la Ho,
por lo tanto el peso
indicar que el peso medio es promedio de los sacos
Área de
menor que 10 Kg. de arroz, a un Rechazo Ho Área de aceptación Ho de arroz en la fábrica es
α= 1% Nivel de Confianza de 10kg o más
nivel de significación de 0.01. (1-α) = 99%

T tabla = -2.624 -1.29

 PRUEBA DE HIPOTESIS PARA UNA PROPORCIÓN
• Las pruebas de hipótesis que hemos visto se han referido
acerca del promedio o media de una variable cuantitativa.
• Pero también se puede hacer prueba de hipótesis acerca de una variable
cualitativa (proporciones) como: Sexo, estado civil, defectuoso, etc.
• Proporción (p): Es una fracción del número de elementos que poseen
una característica común (X) entre la población o muestra de referencia (N).
• Aplicación: Es muy importante en problemas de decisión. Por ejemplo, en un proceso de
producción que fabrica artículos que son clasificados como defectuosos o no defectuosos,
podemos estar interesados en conocer la proporción de artículos defectuosos.
 Pasos para desarrollar pruebas de Hipótesis:
Bilateral: H0: p = p₀ H1: p ≠ p₀
Paso 1: Plantear las hipótesis nula 1 Cola Derecha H0: p ≤ p₀ H1: p > p₀
(Ho) y la alterna (Ha o H1) 1 Cola Izquierda H0: p ≥ p₀ H1: p < p₀

Paso 2: Especificar el nivel de

RHo RHo
significancia (α) y graficar las regiones AHo
α= 5%
RHo
α= 2.5%
AHo α= 2.5%
(1-α) = 95% (1-α) = 95%
de rechazo y aceptación

Proporción Poblacional 1 sola población

Paso 3: Calcular el estadístico de (P) Ho : P = 30%
prueba (p-valor) y compararlo con la H1 : P ≠ 30%

grafica. Tomar la decisión de aceptar o Muestra grande

(n ≥ 30) y σ
rechazar Ho Conocida N(0,1)

(n < 30) y σ
desconocida Aumentar muestra
SIMULADOR: https://www.geogebra.org/m/nh3mbtx8
 Solución
Ejemplo 1: (proporción poblacional) H0 : p₀ ≥ 0,9 H1 : p₀ < 0,9
n = 200
P = 160 / 200 = 0.8
Un fabricante afirma que por lo Q = 1-p = 0.20
menos el 90 por ciento de las
piezas de una maquinaria que
suministra a una fábrica guardan
las formas especificadas. Un
examen de 200 de esas piezas
reveló que 160 de ellas no eran RHo
α = 5% AHo
defectuosas. Pruebe con una (1-α) = 95%
confianza del 95% que lo que X
-1.64
afirma el fabricante es cierto.
Conclusion: RHo con un 95% de confiabilidad, es
decir la afirmación del fabricante no es cierta.
Ejemplo 2: (proporción poblacional)
En una muestra de 1000 nacimientos el número de varones ha sido 542.
¿Puede considerarse con un nivel de significación del 10% que en
general nacen más niños que niñas?

SOLUCION:
1° Ho: nacen igual número de niños que niñas Ho: P ≤ 0.5 H1: P > 0.5
Área de
2° Nivel de significancia α = 10% Área Aceptación Rechazo Ho
Ho α = 10%
3° El estadístico de prueba es: p = 542/1000 = 0.542 Nivel de Confianza
(1-α) = 90%

1.28 2.66

4° El valor crítico es:

5°Conclusión: como 1.28 < 2.66; se RHo. Es decir,
=INV.NORM.ESTAND(0.90) = 1.28
nacen en mayor proporción niños que niñas.
 Ejemplo 3: (proporción poblacional)
En una conferencia de prensa, la alta autoridad anuncia que el 70% de los habitantes están a
favor de cierto proyecto económico. una muestra de 95 indica que 53 están a favor del proyecto.
si desea probar que la hipótesis es diferente a lo mencionado, con un nivel de significancia del
5%. ¿qué concluye usted?

SOLUCION
1. Formule las hipótesis: Ho: P = 70% Ha: P ≠ 70%
RHo
2. Seleccionar nivel de significancia: α = 5% RHo
α= 2.5%
AHo α= 2.5%
(1-α) = 95%
3. Determine el estadístico de prueba

-2.98 -1.96 1.96

5. Decisión: Como -2.98 esta dentro

la región de rechazo, se rechaza Ho,
lo que indica que p ≠ 70%
4. El valor crítico es:
=INV.NORM.ESTAND(0.975) = 1.96
Ejemplo 4: (proporción poblacional)
El alcalde de una ciudad desea saber si la mayoría de habitantes están de acuerdo con el proyecto
sobre conservación del medio ambiente para lo cual toma una muestra de 400 personas y encuentra
que 226 de ellos están a favor del proyecto. ¿hay una evidencia de que la mayoría está a favor del
proyecto?
SOLUCION
1. Formule las hipótesis a favor del proyecto
Ho: Menos del 50% está a favor Ho: p ≤ 0.50
H1: La mayoría está a favor H1: p > 0.50
Área de
2. Seleccionar nivel de significancia: α = 3% AHo Rechazo Ho
Nivel de Confianza α = 3%
3. Determine el estadístico de prueba (1-α) = 97%

Datos: x = 226 n = 400 , p = 0.57

1.88 2.6

5. CONCLUSION: Como 2.6 se encuentra en la

región de rechazo, por lo tanto SE RECHAZA
Ho, es decir la mayoría de la población está a
4. El valor crítico es: favor del proyecto de medio ambiente.
=INV.NORM.ESTAND(0.97) = 1.98
Ejemplo 5: (proporción poblacional)
Un fabricante de productos farmacéuticos está preocupado por la concentración de
impurezas en las píldoras, y desea que esta concentración no exceda del 3%. se
examina una muestra de 264 píldoras de un lote y se encuentra que la proporción de
impurezas es del 3.1%. Contrastar, al nivel del 5%, que la concentración de
impurezas no excede al 3%.
Datos:
P = 0.031.
Ho: La concentración es igual o excede el 3% RRech. α = 0.05
Ho: p ≥ 0.03
R Acept. = 0.95 95%

H1: La concentración no exceda del 3%

H1: p < 0.03

Z= -1.65 0.10

Conclusión: SE ACEPTA Ho. La concentración es igual

o excede el 3% de impurezas en las píldora
 Prueba de Normalidad
• Cuando se analizan variables cuantitativas, las pruebas estadísticas
suponen que se ha obtenido una muestra de una distribución normal.
• Pero en muchas ocasiones esta suposición no es válida. En estos
casos disponemos de 2 mecanismos:
○ Los datos se pueden transformar para que sigan una distribución normal.
Como: ln(x), Raiz cuadrada, 1/x, X2
○ Puede usarse pruebas que no se basan en ninguna suposición en cuanto a la distribución
pruebas no paramétricas,
• Las pruebas paramétricas se basan en la distribución normal, por lo que el cálculo
de la precisión de la estimación, intervalos de confianza y contrastar hipótesis,
dependen del modelo probabilístico supuesto.
• Las pruebas no paramétricas no asumen la normalidad, sino trabajan con simple
ordenación y recuento (asignando rankings)
 Como verificar el ajuste a una distribución normal
El primer supuesto cuando queremos hacer inferencia estadística es determinar si los datos
muestrales se comportan como una distribución normal. Para ello aplicamos la prueba de normalidad.
Las 2 más utilizadas son: La prueba de Kolmogorov−Smirnov y La Prueba de Shariro-Wilks

Hipótesis a contrastar:
H0: Los datos analizados se aproximan a una distribución Normal.
H1: Los datos analizados no aproximan a una distribución normal.
KOLMOGOROV- SMIRNOV (n ≥ 35) SHAPIRO – WILK (n < 35)
• Es válido únicamente para variables • contrasta la normalidad, cuando la
continuas. muestra es pequeña (n<30).
• Compara la prob acumulada teórica con la • Mide el ajuste de la muestra a una
observada, y calcula un valor de recta, al dibujarla en papel
discrepancia máxima (D = Max ǀdist. Obs – probabilístico normal
Dist Teoricaǀ). • Si el ajuste es bueno, los puntos se
• Si p-valor > α, entonces AHo (es normal) deben distribuir aproximadamente
Si p-valor < α, entonces Rho (no es normal) según una recta a 45º.

Fuente: Malhotra (2008)

 Prueba paramétrica y
no paramétrica
Pruebas paramétricas Pruebas No paramétricas

Para usarlas deben cumplirse supuestos: No requieren asumir la normalidad (distribución

• Variables cuantitativas (escalas de intervalo o razón). libre) y se pueden aplicar a datos cuantitativo y
cualitativo.
• Los datos siguen una distribución normal
• Varianzas iguales en muestras grandes (n>30) CARACTERISTICAS
• Se basan en el ordenamiento de los datos.
• Se basa en Mediana y no la Media.

VENTAJAS:
VENTAJAS:
- Más poder de eficiencia
- Incumplen el supuesto paramétrico (normalidad)
- Más sensible a los datos recolectados
- Se puede usar para variables no numéricas.
- Menos posibilidad de errores
- Cálculos fáciles, originados por muestras pequeñas.
- Robustas (dan estimaciones más exactas)
- Son convenientes cuando no se conoce la
DESVENTAJAS: distribución de la población.
- Más complicadas de calcular. DESVENTAJAS:
- Limitaciones en los tipos de datos a evaluar - Utilizan menor información de la variable
- Es menos potente que los métodos paramétricos.
 Pruebas estadísticas
paramétricas y no paramétricas

Elaboración: Lucia Bardales

 Distribución Normal

https://www.youtube.com/watch?v=phY8Z9-TXCY
Hipótesis
https://www.youtube.com/watch?v=bfzejk_yGtg
https://www.youtube.com/watch?v=hdPfW9TigiY
https://www.youtube.com/watch?v=PId16C1gT8k
 Referencias
Galindo, H. (2020). Estadística para no estadísticos. Una guía básica sobre la metodología cuantitativa de trabajos académicos.
Editorial área de Innovación y Desarrollo, S.L. C/Alzamora, 17 - 03802 - ALCOY (ALICANTE) [email protected]
Primera edición: marzo 2020

ISBN: 978-84-121459-3-9 DOI: https://doi.org/10.17993/EcoOrgyCso.2020.59

https://www.3ciencias.com/wp-content/uploads/2020/03/Estad%C3%ADstica-para- no-estad%C3%ADsticos-Una-gu%C3%AD
a-b%C3%A1sica-sobre-la-metodolog%C3%ADa-cuantitativa-de-trabajos-acad%C3%A9micos-2.pdf

Hernández, R. Cárdenas, T. (2020) Prueba de hipótesis estadística con Excell. Guadalajara, México, ISBN:
978-84-18313-23- 3 Impreso en México / Printed in Mexico.

http://cucea.udg.mx/include/publicaciones/coorinv/pdf/Libro-Prueba-de-hipotesis.pdf

Hernández, R. (2014) Metodología de la investigación, editorial 2014, respecto a la

sexta edición por McGRAW-HILL / INTERAMERICANA EDITORES, S.A. DE C.V
https://periodicooficial.jalisco.gob.mx/sites/periodicooficial.jalisco.gob.mx/files/metodologia_de_la_investigacion_-_roberto_herna
ndez_sampieri.pdf
 n c a c o n s ideres el
Nu
d i o c o m o una
t u
GRACIA
es no como
a c i ó n , s i
o b li g
o p o r t u n idad para
una
el bello y
i ng
m a
r
r
e
a
s
v
a
i
r
l l
e
o
n
so mundo S
del saber.
s te in
Albert Ein