Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Save to My Library
Look up keyword
Like this
1Activity
0 of .
Results for:
No results containing your search query
P. 1
HIPOTESIS ESTADÍSTICAS

HIPOTESIS ESTADÍSTICAS

Ratings: (0)|Views: 216|Likes:
Published by Jose Reyno Lume

More info:

Published by: Jose Reyno Lume on Jun 26, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

08/14/2013

pdf

text

original

 
HIPOTESIS ESTADÍSTICASCOMPARACION DE RESULTADOS CON PRUEBAS DE SIGNIFICACIÓN
Dado que las medidas no se llevan a cabo sobre poblaciones estadísticas, sino sobre muestrasestadísticas extraídas aleatoriamente de las primeras, siempre se corre el riesgo de tomar unadecisión errónea puesto que las características de la muestra pueden diferir de aquellas queposee la población. Este riesgo debe hacerse cuantificable y para ello se sigue una mecánicade trabajo llamada comprobación de hipótesis estadísticas.Una hipótesis es una suposición que se realiza sobre un determinado hecho, por ejemplo, queuna media aritmética de un conjunto de resultados no difiera de unmodo estadísticamentesignificativo de un valor dado, mientras que un test estadístico nos permite dilucidar la validezde dicha hipótesis.Al plantear una hipótesis, H, puede adoptarse dos decisiones: aceptarla o rechazarla. Ademáspuede ocurrir que dicha hipótesis sea cierta o falsa. Los resultados se esquematizan en lasiguiente tabla:En donde se aprecia que la decisión es correcta si se acepta una hipótesis que resulta cierta ose rechaza una hipótesis falsa. Si se refuta una hipótesis cierta se comete, un error de tipo
α
ode primera especie, mientras que si se acepta una hipótesis falsa se comete un error tipo
β
ode segunda especie.Las consecuencias de ambos errores pueden ser muy diferentes.Por ejemplo, si suponemos que un deportista no ingiere sustancias no permitidas y elresultado de un análisis de orina es positivo (error de 1ra especie), la descalificación del mismo(consecuencia) puede ser mucho más importante que en el caso de que no se detecten losfármacos en un atleta que si los haya tomado (error de 2da especie).Rechazar una hipótesis cierta puede tener, en principio, mayor trascendencia que aceptar unahipótesis que resulte ser falsa. Por consiguiente, es necesario justificar estadísticamente lasdecisiones tomadas y, dada su importancia, debe acotarse el error que se comete en términosde probabilidad.En primer lugar es necesario seleccionar la hipótesis. En estadística existen al menos dos tipos:
 
1) La hipótesis nula, H
0
, que establece que no hay diferencias entre valores, es decir, que lasdiferencias observadas se deben solo a errores aleatorios.2) La hipótesis alternativa, H
1
, que establece la existencia de una diferencia entre valores delos parámetros medidos.
En segundo término ha de elegirse el nivel de significancia α que queremos asignar al testestadístico, teniendo en cuenta el error β . Volveremos a hacer
 
referencia a los errores α y β
en próximos párrafos.Comprobaciones de una y dos colasEn tests precedentes estábamos interesados en los valores extremos del estadístico s o en sucorrespondiente valor de z a ambos lados de la media (o sea, en las dos colas de ladistribución). Tales tests se llaman a dos colas o bilaterales.Con frecuencia, no obstante, estaremos interesados tan sólo en valores extremos a un lado dela media (o sea, en una de las colas de la distribución), tal como sucede cuando se verifica lahipótesis de que un proceso es mejor que otro (lo cual no es lo mismo que comprobar si unproceso es mejor o peor que el otro).Tales pruebas se llaman unilaterales, o de una cola. En tales situaciones, la región crítica es unaregión situada aun lado de la distribución, con área igual al nivel de significación.La Tabla de abajo, que da valores críticos de z para pruebas de una o dos colas en variosniveles de significación, será útil como referencia posterior. Los valores críticos de z para otrosniveles de significación se hallan a partir de la tabla de áreas de la curva normal que ya hemosapreciado.Comparación de la media con un valor dado Debemos tener muy en claro que cuando seefectúan comparaciones paramétricas a los fines de inferir estadísticamente, se suponensiempre distribuciones (en nuestros casos) normales para todos los conjunto de datos queparticipan en la prueba. Otra suposición importante es la independencia entre estos conjuntosde datos. Así pues, veamos el siguiente ejemplo:Supongamos que se ha preparado un determinado fármaco y se ha agregado 100.0 mg de unadroga.
Ejemplo 1: Se efectuaron cuatro réplicas (n= 4). El promedio = 98.2 y σ = 0.80.
Ejemplo 2: Se efectuaron seis réplicas y dieron los siguientes resultados:98,9- 100,3- 99, 7- 99,0- 100,6- 98,6 (n = 6; x = 99,5; s= 0,81).
 
 Se necesita saber si el promedio obtenido en el ejemplo 1, o en el ejemplo 2, esestadísticamente diferente de la cantidad µ
0
= 100.0 que se esperaba encontrar.El valor promedio es una estimación del valor verdadero µ (promedio de la población), quedebería ser encontrado si se llevaran a cabo infinitas determinaciones. Se plantean ambashipótesis: la nula y la alternativa:H
0
: µ=µ
0
µ= 100.0 mgH
1
: µ≠100,0 mg
 Utilizando intervalos de confianza.
Consideremos el ejemplo 1, el intervalo de confianza para el 95% de confianza (α= 0.05) es:
 98.2 ± Z
α/2
(σ/

) = 98.2 ± 1.96
(σ/

) = 98.2 ± 1.94 * 0.40 = 98.2 ± 0.78¿Cómo obtuvimos el valor de Z
α/2
 
desde la Tabla 1?. Sabemos que el área fuera de esteintervalo de confianza es del 5 % (
α
= 0.05) y como la curva de distribución es simétrica con lamedia (98.2) como centro este, 5 % debe distribuirse a ambos lados (colas) de las curvas (2.5 %para cada lado, esto es: el área no sombreada del gráfico de abajo).La tabla 1 (a dos colas), muestra valores para z a dos colas, es decir, un ±z que abarca el 95 %del área total y deja fuera el 5 % restante a ambos lados de la curva.Cuando buscamos en esta tabla debemos sit
uarnos en la columna para p ( α) = 0.05 puestoque es a dos colas. Si la tabla fuese a una cola, deberíamos pararnos en la columna para p (α )
= 0.025.Muchas veces ocurre que en una tabla no se expone si es a una o a dos colas.¿cómo puede averiguarlo mirando solo los valores de la tabla? Piénselo.Este mismo cálculo puede efectuarse con Excel y su función INTERVALO.CONFIANZA la que semuestra debajo con sus cuadros de diálogo:

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->