You are on page 1of 30

Contrastes de Hipótesis Paramétricos

Introducción Tipos de Hipótesis. Estad. del contraste Tipos de error Tipos de regiones de aceptación-rechazo Valor crítico o p-valor Etapas en la resolución de un contraste Relación con la estimación por intervalos Expresiones para los contrastes Ejercicios

Introducción
El objetivo del contraste de hipótesis es decidir si una determinada hipótesis o conjetura sobre la distribución poblacional estudiada es confirmada o invalidada estadísticamente a partir de las observaciones de una muestra, es decir, avalar o rechazar tales informaciones sobre la característica de la población, pero no estimarla. Ejemplos: • Antes de apostar “cara” o “cruz” en el lanzamiento de una moneda, se prueba que la moneda está equilibrada. La hipótesis de trabajo es entonces que el parámetro p = probabilidad de sacar “cara” de la Bernoulli es p = 0, 5 • • La altura media en Madrid no difiere de la del resto de España µ = 1, 68 Para hacer la estimación puntual de la talla promedia µ1 de los hombres chilenos, se prueba antes la hipótesis de trabajo de que la v.a. X = talla de los hombres chilenos sigue una distribución F ~ Normal

Introducción
El planteamiento general de un problema de contraste es el siguiente: Se formula una hipótesis o conjetura acerca de la población y se trata de ver si esa afirmación se encuentra apoyada por la evidencia experimental que se obtiene a través de una muestra aleatoria. Si los valores muestrales difieren mucho de los valores teóricos que cabría esperar bajo la hipótesis formulada, rechazaremos la hipótesis, caso contrario se aceptaría. Naturalmente no se espera que, para cualquier muestra, el valor empírico obtenido en la muestra coincida con el valor esperado de la hipótesis; el problema es entonces decidir si la desviación encontrada entre el valor esperado y el valor observado en la muestra es demasiado grande para poner en duda la hipótesis de trabajo. Ahora bien, si se pone en duda la hipótesis original, entonces se la rechaza en favor de una hipótesis alternativa.

Tipos de hipótesis
Una hipótesis estadística es una afirmación que se hace con respecto a una o más características desconocidas de una población de interés. En forma general, las afirmaciones no son todas del mismo tipo, pueden involucrar ya sea el valor numérico de algún parámetro, suponiendo la distribución conocida (generalmente la Normal), o la forma funcional no conocida de la distribución de interés a partir de la cual se obtiene la muestra . 1. H0 : p = 0, 5 2. H0 : µ = 1, 68 3. H0 : F ~ Normal Las hipótesis del primer tipo (1 y 2) se conocen como hipótesis paramétricas (contrastes paramétricos) y a las del segundo tipo (3), donde la distribución completa se pone en tela de juicio son las llamadas hipótesis no paramétricas (contrastes no paramétricos)

Tipos de hipótesis
Se puede clasificar también las hipótesis paramétricas según su grado de especifidad: Hipótesis paramétrica simple: Hipótesis que especifica un único valor para cada parámetro poblacional desconocido ( σ = 150, µX = µY ,. . . ) Hipótesis paramétrica compuesta: Hipótesis que asigna un conjunto de valores posibles a parámetros poblacionales desconocidos ( σ2 > 1, 2 < µ < 5,. . . ) La realización de un contraste implica la existencia de dos hipótesis, que denominaremos hipótesis nula (H0), e hipótesis alternativa (H1), cada una de las cuales, en principio, puede ser simple o compuesta. Si a partir de la muestra se decide que la hipótesis nula H0 es falsa, entonces se acepta como cierta la hipótesis alternativa H1

Tipos de hipótesis
Hipótesis nula: es la hipótesis que se formula y que se quiere contrastar; es por tanto, la hipótesis que se acepta o se rechaza como consecuencia del contraste (generalmente, la que intentamos rechazar). La hipótesis nula H0 es la que el investigador asume como correcta y que no necesita ser probada, es decir, la aceptación de H0 no implica que ésta sea correcta o que haya sido probada, sino que los datos no han proporcionado evidencia suficiente como para refutarla. El rechazo de H0 implica que la evidencia de la muestra la refuta, o lo que es lo mismo que, si la hipótesis es verdadera, existe una probabilidad muy pequeña de obtener la información muestral que de hecho se ha observado. Se sigue la máxima de los procesos judiciales de que “el acusado es inocente hasta que no se demuestre lo contrario” Hipótesis alternativa: es cualquier otra hipótesis que difiera de la formulada y que nos sitúe frente a H0, de forma que si se acepta H0 se rechaza H1 y viceversa.

como por ej: más que. podemos seguir. etc. estas normas: Si la afirmación que deseamos probar sugiere una dirección. no mayor que. Tipos de hipótesis Una hipótesis nula referente a un parámetro de la población siempre será establecida de forma tal que especifique un valor exacto del parámetro. Para la determinación de la hipótesis alternativa.. mientras que la hipótesis alternativa admite la posibilidad de varios valores. entonces H1 se establece con el ≠ .000” En ambos casos sus argumentos se justificarán empíricamente si los datos muestrales conducen al rechazo de H0. entonces esa dirección (≤ o ≥) se considerará como H0.. sólo podrá ser defendido a través del rechazo del argumento contrario (el establecido en H0). igual que o mayor que. si un médico desea avalar empíricamente que una nueva vacuna es efectiva. a modo de guía. entonces la hipótesis nula será H0 : “La vacuna no es efectiva” Si un ingeniero desea mostrar que una determinada máquina está desajustada y no produce el promedio de piezas preespecificado (supongamos 1. menos que. Por ejemplo. Si la afirmación sugiere una dirección compuesta.. superior a. y en H1 se representará el signo opuesto. Si la afirmación no sugiere dirección. entonces H1 se establecerá utilizando el signo de desigualdad (< o >) correspondiente a la dirección sugerida. inferior a. como por ej: al menos..000) entonces planteará la hipótesis: H0 : “El promedio diario de piezas producido por la máquina es 1.. por tanto.Tipos de hipótesis Si se desea respaldar con contundencia un determinado argumento es debido a que éste no puede ser asumido gratuitamente y.. etc.

entonces H1 puede ser cualquiera de estas: H1: H1: H1: H1: p > 0.Tipos de hipótesis Si H0 : p = 0. a rechazar una hipótesis siendo verdadera.5 p < 0. cuya distribución en el muestreo se conoce si la hipótesis que hemos hecho es verdadera.5. es decir.5 p = 0. Otros valores del estadístico pueden considerarse como justificación de la hipótesis. Sin embargo. tanto en un caso como en otro podemos estar sujetos a equivocarnos. o bien aceptarla siendo falsa. esta estadística recibe el nombre de estadística de prueba o estadístico del contraste. algunos valores del estadístico puede llevarnos a sospechar que la hipótesis no es razonable y debe ser rechazada. el estadístico tomará un cierto valor. Extraída la muestra. .7 H0: θ = θ0 H1: θ ≠ θ0 H0: θ ≤ θ0 H1: θ > θ0 H0: θ ≥ θ0 H1: θ < θ0 Una prueba de la forma Una prueba de la forma Una prueba de la forma (Contraste bilateral) (Contraste unilateral derecho) (Contraste unilateral izquierdo) Estadístico del contraste Para la realización del contraste se utiliza una estadística apropiada.5 p <> 0.

P(no rechazar H0 / H0 es falsa) = β y por tanto la probabilidad de rechazar H0 cuando es falsa es 1-β. Tipos de error El error tipo I es el que cometemos cuando rechazamos la hipótesis nula siendo verdadera. La función de potencia representa la probabilidad de rechazar la hipótesis nula. P(rechazar H0 / H0 es cierta) = α El error tipo II es el que se comete cuando aceptamos la hipótesis nula siendo falsa. es lo que se llama función de potencia de la prueba. La probabilidad de cometer este tipo de error. cuando esta es falsa. Al probar una hipótesis estadística. se denota por α. y es imposible calcularla. y la formada por los puntos tales que los valores del estadístico de contraste nos lleva a aceptar la hipótesis nula. Necesitamos tener alguna cantidad que mida la posibilidad de cometer alguno de estos errores y esta medida es una probabilidad. 0 ≤ β ≤ 1. La probabilidad de cometer este tipo de error se denota por β. se llama región crítica. nos podemos encontrar con estas situaciones: Existen dos posibilidades de tomar una decisión equivocada con respecto al verdadero estado de la naturaleza. también conocido como nivel de significación. La formada por los puntos tales que los valores del estadístico de contraste nos lleva a rechazar la hipótesis nula. 0 ≤ α ≤ 1. a menos que se tenga una hipótesis alternativa específica. se llama región de aceptación. y con frecuencia se utiliza para comparar diferentes tipos de pruebas. El valor del estadístico de contraste que separa una región de otra recibe el nombre de valor crítico. .Tipos de error Al aplicar un contraste de hipótesis clasificamos los puntos del espacio muestral en dos regiones excluyentes y complementarias. También esta función de potencia toma un valor diferente para cada valor de θ de la hipótesis alternativa. Este nivel de significación nos indica el tamaño de la región crítica.

y no importa cometer el error tipo II (aceptar H0 cuando es falsa). pues fijado un tamaño muestral n. si disminuimos la probabilidad de un error entonces aumenta la probabilidad de cometer el otro error. con objeto de controlar la probabilidad de cometer el error de tipo I (más importante). Esto también es equiparable al principio judicial generalmente aceptado de que es peor condenar a un inocente que dejar libre a un culpable. siempre se establecerá la hipótesis nula conteniendo el signo igual.Que la decisión garantice probabilidades para que ambos errores queden fijados de antemano. entre todos los procedimientos que tengan el mismo tamaño para el error de tipo I. En la práctica se pueden seguir los siguientes criterios de error: 1. 2. pero esto no es posible. Es usual tomar como niveles de significación: α = 0. El enfoque general es aceptar la premisa de que el error tipo I es mucho más serio que el error de tipo II. Lo que se hace es seleccionar aquel procedimiento de prueba que tenga el tamaño más pequeño para el error de tipo II. para cada valor de θ de la hipótesis alternativa. Si esto no es posible. Tipos de error Se seleccionará entonces con anticipación el tamaño máximo del error de tipo I que puede tolerarse y se intenta construir un procedimiento de prueba que minimice el tamaño del error de tipo II. α = 0. y formular las hipótesis nula y alternativa de acuerdo con lo anterior (criterio 1). mientras que la probabilidad del error de tipo II.01 y α = 0. Fijar sólo α es inadecuado cuando el error tipo II resulte tanto o más grave que un error tipo I.05. en cuyo caso diremos que el resultado es casi significativo.Que únicamente se pretenda controlar el error de tipo I.005. significativo y muy significativo. ya que sólo de esa forma es posible determinar valores únicos de los tamaños de los errores de tipo I y tipo II. obteniendo un valor de β diferente.Tipos de error Lo ideal sería que las probabilidades de los dos tipos de error fuesen lo más pequeñas posibles. cuando sólo se rechaza H0 si la evidencia en su contra es muy importante. Es deseable establecer tanto una hipótesis nula como una alternativa simples. . quedará como una función de los valores del parámetro θ en la hipótesis alternativa que se plantee.

20. es cierta La nueva vacuna puede no ser mejor que la que actualmente está en uso. más de 8 sobrepasan el período de 2 años sin contraer el virus.Tipos de error Ejemplo : Se sabe que un tipo de vacuna fría es sólo 25% eficaz después de un período de 2 años. error tipo I = nivel de significación = P (rechazar H0/H0 cierta) = P(X > 8 cuando p =1/4) = Σb(x. Para determinar si una vacuna nueva y algo más cara es mejor para proteger contra el mismo virus durante un período más largo. α = Prob. contra la alternativa p > 1/4.0. . la nueva vacuna se considerará superior. REGION DE ACEPTACION Se acepta H0 (p =1/4) REGION CRITICA Se rechaza H0 (p >1/4) Error tipo I: Rechazar H0 cuando. Solución: Esto equivale a probar la hipótesis de que el parámetro binomial para la probabilidad de éxito en un intento dado es p = 1/4 (25%).9591 = 0. de 0 a 20. H0: p = 1/4 H1: p > 1/4 Obsérvese que el signo igual está en H0. de hecho. se divide en 2 grupos: los menores que o iguales que 8 y aquellos mayores que 8. Tipos de error El estadístico de prueba sobre el que se basa la decisión es X = cantidad de individuos en el grupo de prueba que reciben protección con la nueva vacuna para el período de al menos 2 años.1/4) = 1 .1/4) = 1-Σb(x.20. y que se desea aceptar H1 y rechazar H0. Sólo si más de 8 de los que recibieron la nueva vacuna superan los 2 años sin contraer el virus. pero para el grupo de individuos seleccionados aleatoriamente. Los posibles valores de X. se seleccionan 20 personas al azar y se les inyecta ésta.0409.

20. rechaza H0 equivocadamente en el 4. cabe esperarse que en un 4. Es decir.20.33 4 4 α = P(error tipo I) = P(X > 36 cuando p =1/4) ≅ P(Z > 2.8982 = 0.83 % de los casos. error tipo II = P(aceptar H0/H0 falsa) = P(X ≤ 8 cuando p =1/2) = Σb(x.09% de las veces. en el 25.β = 1. 1.66) = 1 . es falsa. 20.20.1/2) = 0.Tipos de error Es decir. la prueba.66 σ = n ⋅ p ⋅ q = 100 ⋅ ⋅ 1 3 = 4.0039 .17 % de los casos y rechaza H0 de forma acertada.9961 = 0. Error tipo II: Aceptar H0 cuando.Σ b(x.1316 como vemos.66) = 1-P(Z < 2. podremos aproximar la binomial a la normal y obtendremos: Para determinar el error tipo I utilizaremos una normal con: µ = n*p = 100*1/4 = 25 z = (36. Si 8 o menos individuos del grupo seleccionado sobrepasan el período de 2 años exitosamente y se concluye que la nueva vacuna no es mejor. cuando en realidad sí lo es. y si se tomasen en forma repetida muestras de tamaño 20 de la población.33 = 2.5 . 1/2) = 0.09% de los casos.2517 = 0. disminuye el valor de β a expensas de aumentar el de α Si aumentamos el tamaño de la muestra a 100 y el valor crítico a 36. en el 74.7483 Función de potencia. En otras palabras. la prueba acepta H0 equivocadamente. si el valor de p es realmente 1/4. Pongamos por ejemplo p = 1/2. 1/4) = 1 . β = Prob.1018 β = Σ b(x. de hecho. Para poder calcular la probabilidad de cometer el error de tipo II.2517. Tipos de error Podemos modificar estos valores bien modificando el valor crítico.1/4) = 1 . se encuentre un valor de la estadística de prueba X mayor que 8.25)/4.0. o bien aumentando el tamaño de la muestra: Si cambiamos el valor crítico a 7 en el ejemplo anterior obtenemos: α = Σ b(x. y de esta forma deba rechazarse H0.0. es necesario fijar una hipótesis alternativa sencilla y concreta.0.

0035 como vemos. determinar la mejor prueba a emplear para decidir entre H0 y H1. Se proponen las siguientes dos pruebas: Prueba A: Rechazar H0 si X ≤ 4 ó X ≥ 14 Prueba B: Rechazar H0 si X ≤ 5 ó X ≥ 13 Si la compañía piensa tolerar un tamaño máximo de 0. la compañía encuesta a 18 residentes seleccionados al azar y pregunta qué canal prefieren para ver las noticias de la tarde. p = 0.Tipos de error De forma análoga.1 para el error de tipo I.5 H1: p ≠ 0.7) = 0.5 La estadística de prueba X es una variable aleatoria binomial con n =18 y. para determinar el error tipo II utilizaremos la normal con: µ = n*p = 100*1/2 = 50 z = (36.5 para ambos canales. en este caso disminuyen ambos errores. Una compañía se interesa en probar la afirmación de que la proporción de televidentes para las noticias de la tarde es igual a 0. Solución: Las hipótesis planteadas son: H0: p = 0.5. Tipos de error Ejemplo: En cierta ciudad sólo hay dos canales de televisión: el canal 6 y el canal 10. El número X indica que el canal 6 es el seleccionado. .7 σ = n ⋅ p ⋅ q = 100 ⋅ ⋅ 1 3 =5 2 2 β = P(error tipo II) = P(X ≤ 36 cuando p=1/2) ≅ P(Z < -2. bajo la hipótesis nula.5-50)/5 = -2.

4) = Σb(x.6) . 18.0.Σb(x. 0.2088 = 0.7854 = 0.4 obtenemos los siguientes datos: βA = P(4 < X < 14 | p = 0.0.4) .0308 Para la prueba B.6) = Σb(x.5) + P(X ≥ 14 | p = 0.0955 βB = P(5 < X < 13 | p = 0. la probabilidad de error de tipo I es: αA = P(X ≤ 4 | p = 0.7854 = 0.0. . 0. 0.7912 .6) = 0.0.9058 .2146 Observamos que para cualquiera de los valores de p probados.5) = 0.0.βB = 1. 0.7854 1 .0. tenemos: αB = P(X ≤ 5 | p = 0.4) = Σb(x.0013 = 0.0962 Ya que ambas pruebas tienen valores de α menores al tamaño máximo que puede tolerarse de error de tipo I (0.9045 = 0.0.4) = 0. 18.βB = 1 . 18.Σb(x.0154 = 0.Σb(x.0058 = 0. la potencia de la prueba B es mayor que la de la A.9045 1 .0. se compararán las funciones de potencia para decidir cúal es la mejor de las dos. 18.4) .βA = 1.7854 1 .0.5) + P(X ≥ 13 | p = 0.0. Para p = 0.Σb(x.0.5) = 0.1). 18.0.0955 βB = P(5 < X < 13 | p = 0.6 obtenemos los siguientes datos: βA = P(4 < X < 14 | p = 0.9942 .0942 = 0. 18.0154 + 0. 18.6) . por lo que concluimos que la prueba B es más poderosa que la A y la mejor a utilizar para probar las hipótesis indicadas.9045 = 0.9045 1 . 18.9987 .βA = 1.Tipos de error Para la prueba A.4) = 0.6) = Σb(x.2146 Tipos de error Para p = 0.6) = 0.

que coinciden con las que se habrían establecido de forma intuitiva. podríamos establecer varias regiones críticas posibles. . la región crítica cae totalmente en la cola derecha de la distribución del estadístico de prueba. Para una prueba de hipótesis unilateral. ¿Cuál elegir? ¿Cómo establecer en concreto el valor crítico que nos separa las regiones de rechazo y aceptación de la prueba de hipótesis?. la región crítica se encuentra localizada en el extremo superior/inferior de la distribución de muestreo de T y H0 se rechaza si el valor estimado t es mayor /menor que el valor crítico. el tamaño máximo del error de tipo I que estamos dispuestos a tolerar. el procedimiento general para probar H0 frente a H1 unilateral. mientras que en el segundo caso.Tipos de regiones de aceptación-rechazo Si suponemos fijado el valor de α. Tipos de regiones de aceptación-rechazo Dada una muestra aleatoria de tamaño n de la distribución de interés. es escoger el mejor estimador T de θ. es en forma "suficiente" mayor/menor que el valor propuesto θ0. La determinación de las mejores regiones críticas para cada tipo de contraste se hace siguiendo el Teorema de Neymann-Pearson. Para un tamaño α. y rechazar H0 cuando el valor estimado t obtenido de la muestra. todas ellas de tamaño menor o igual que α. la región crítica cae totalmente en la cola izquierda de la distribución del estadístico de prueba. tal como: o tal vez H0: θ ≥ θ0 H0: θ ≤ θ0 H1: θ > θ0 H1: θ < θ0 tenemos: En el primer caso. del error de tipo I.

Se denomina valor determinada (X1. y es distinto para cada una de ellas. Xn). .. si H0 es realmente cierta. el rechazo o aceptación de H0 dependería de esa región crítica. El p-valor es la probabilidad. d 1 2 n crítico o p−valor a la probabilidad de obtener una discrepancia mayor o igual ˆcuando H es cierta. tal como: H0: θ = θ0 H1: θ ≠ θ0 la región crítica se divide en dos partes. el procedimiento general para probar H0 frente a H1 bilateral. del error de tipo I. X ) . X . . el valor de la estadística de prueba es poco probable. Dada una muestra aleatoria de tamaño n de la distribución de interés. más allá del valor crítico es igual a α/2.. es escoger el mejor estimador T de θ. Para un tamaño α.. y rechazar H0 cuando el valor estimado t obtenido de la muestra.. por lo que se puede rechazar H0. se acostumbraba a seleccionar un valor de α y determinar la región crítica de acuerdo con eso. . Entonces. X p − valor = P D ≥ d 1 2 n ( ) Un p-valor pequeño. Vamos a ver un enfoque distinto. es decir. dado que H0 es cierta. . X . sugiere que.. ya que esta decisión tendrá una alta probabilidad de ser correcta. de manera que el área... ˆ = D( X . en cualquier lado. con iguales probabilidades en cada cola de la distribución del estadístico de prueba. ˆ el valor observado para una muestra Sea D un estadístico de contraste y d ˆ = D( X . se encuentre dentro de la región crítica. de que la estadística de prueba tome un valor mayor/menor o igual que el calculado con base en la muestra aleatoria. Valor crítico o p-valor En el método clásico de contraste de hipótesis. El p−valor sólo puede calcularse cuando la muestra que d 0 está tomada.. la región crítica se encuentra localizada en los dos extremos de la distribución de muestreo de T. generalmente simétricas.Tipos de regiones de aceptación-rechazo Para una prueba de hipótesis bilateral. .

(T ≤ t cuando θ = θ0) P = Prob. Para el contraste unilateral izquierdo: Para el contraste unilateral derecho: Para el contraste bilateral: ó P = Prob.Conclusiones de tipo estadístico: rechazar H0 si el estadístico de prueba cae en la región crítica (o el p-valor calculado es menor o igual que el nivel de significación deseado α).Determinación de las regiones crítica y de aceptación. 5.. BMDP y otros.. económicas. 2.. (Si la decisión se va a basar en un p-valor.. médicas. (T ≥ t cuando θ = θ0) En cualquier caso. químicas.Determinación de las hipótesis nula (H0) y alternativa (H1) adecuadas de entre los tres tipos de contrastes posibles (unilateral derecho e izquierdo o bilateral). imprimen el p-valor para casi todas las situaciones en las que se involucra prueba de hipótesis. (T ≥ t cuando θ = θ0) P = 2Prob.Conclusiones de naturaleza no estadística.Lectura cuidadosa del enunciado y comprobación de que lo que se necesita es un contraste de hipótesis y de que se verifican las condiciones necesarias para que se pueda aplicar un contraste paramétrico.Selección del estadístico de prueba apropiado.. se rechaza H0. 3. de la siguiente manera: se elige un nivel de significación α y si el p-valor es menor o igual que α.. Etapas en la resolución de un contraste 1.caso contrario se acepta H0 Muchos paquetes estadísticos para ordenador. 6. tales como SAS. no es necesario establecer región crítica). . psicológicas. en función del valor de α seleccionado. de otra forma aceptar H0.. (T ≤ t cuando θ = θ0) P = 2Prob. como pueden ser conclusiones biológicas.Calcular el valor del estadístico de prueba para la muestra particular. cuya distribución en el muestreo se conoce si la hipótesis nula es cierta. de otra forma no puede rechazarse la hipótesis nula. 7.. etc.. 4.. si P ≤ α se rechaza H0. 8. SPSS.Valor crítico o p-valor El cálculo del p-valor se suele usar acoplado al enfoque clásico de escoger un tamaño del error de tipo I antes de la determinación de la muestra aleatoria.Selección del nivel de significación α (si no viniera ya fijado).

96 que son los valores de -zα/2 y zα/2 para α = 0. un intervalo de confianza al 95% de la media µ.463]. cuya distribución muestral es conocida. relaciones de varianzas. varianzas. O lo que es lo mismo. se basan en la variable aleatoria: Z= X -µ σ/ n Relación con la estimación por intervalos Con un valor observado x .zα/2 ≤ σ/ n lo que es equivalente a: x . 1. etc. y este valor se encuentra dentro del intervalo.Relación con la estimación por intervalos La estimación del intervalo de confianza implica el cálculo de límites para los cuales es "razonable" que el parámetro en cuestión esté dentro de ellos. La prueba de H0 : θ = θ0 contra H1 : θ ≠ θ0 en un nivel de significación α es equivalente a calcular un intervalo de confianza del 100 (1 .4907 estaría entre -1.. Como µ0 = 10 según la hipótesis nula. Ambos métodos basan su decisión en el mismo estadístico. mientras que en el contraste se decide si hay evidencias suficientes de que el parámetro en cuestión tenga un determinado valor. no se podría rechazar H0.05 y considerando la hipótesis alternativa bilateral. En el ejemplo anterior. tanto el contraste de hipótesis como el cálculo del intervalo.z α /2 σ n ≤ µ 0 ≤ x + z α /2 σ n que es el intervalo de confianza para la media.937. da los límites [9. . 10.µ0 ≤ zα/2 .96 y +1.. La equivalencia del intervalo de confianza con las pruebas de hipótesis se extiende a diferencias entre dos medias. con lo cual tampoco se rechazaría H0. Para el caso de una sola media poblacional µ conociendo σ2. rechazar H0 en un nivel de significación α implica que: x . el valor del estadístico.α) % de θ y rechazar H0 si θ0 no está dentro del intervalo de confianza y aceptarla en caso contrario.

suponiendo conocido el valor de la varianza poblacional σ2.zα/2 y zα/2.σ n) donde n es el tamaño de la muestra.Expresiones para los contrastes Contraste para la Media de una población normal.. Las regiones críticas y de aceptación serán entonces: R.A = { z: |z| ≤ zα/2} Contraste Bilateral: R. obtenido de una muestra real para el estadístico X .α..µ0 1 Z= donde x = ∑ xi σ n n sigue una N(0. se encontrará entre . .µ | σ Se rechaza H0 si 0 ≤ zα 2 n |x .C = { z: |z| > zα/2} Se acepta H0 si |x . La distribución de la variable tipificada: x .µ 0| > zα 2 σ n . el valor de z. Xn una muestra aleatoria de una distribución normal con media µ desconocida. X2. Si fijamos un nivel de significación α y la hipótesis nula es cierta.1). con una probabilidad de 1. conocida la Varianza: Sea X1. Nos interesa probar uno de los siguientes conjuntos de hipótesis respecto a µ : Contraste Bilateral: H0 : µ = µ0 H1 : µ ≠ µ0 Contraste Unilateral Derecho: H0 : µ = µ0 ( µ ≤ µ0) H1 : µ > µ0 H0 : µ = µ0 ( µ ≥ µ0) H1 : µ < µ0 Contraste Unilateral Izquierdo: Tomamos como estadístico de prueba la media muestral X Expresiones para los contrastes Bajo la hipótesis nula (µ = µ0) este estadístico sigue una distribución normal N(µ0.

645. a un nivel de 0.6 minutos. 10.6. 10.5. no existe suficiente evidencia como para rechazar la hipótesis de que el tiempo promedio necesario para armar una unidad es de 10 minutos.9.8.645. 9. Con base en esta muestra.1. 10. 10.05. no puede rechazarse la hipótesis nula.4907 Dado que P(Z ≥ 1. 10. Esto nos indica que.6.95 = 1.A = { z: z ≤ zα } Contraste Unilateral Izquierdo: R. El p-valor en este caso vendría dado por P(Z ≥ 1.Expresiones para los contrastes Contraste Unilateral Derecho: R.9. que al ser mayor que el nivel de significación fijado α = 0.05.6. 11.A = { z: z ≥ zα } Ejemplo: Los siguientes datos representan los tiempos de armado para 20 unidades seleccionadas aleatoriamente: 9. 9.2 .3. 9.6. 9. 10.C = { z: z > zα} R. el valor crítico en términos de la variable aleatoria normal estándar es z0. 11.95 = 1. 10.0681.2 minutos. no existe suficiente evidencia como para rechazar la hipótesis de que el tiempo promedio necesario para armar una unidad es de 10 minutos. que el tiempo de armado promedio es mayor de 10 minutos? Solución: Hipótesis: H0: µ = 10 H1: µ > 10 De los datos de la muestra obtenemos que el valor de x es igual a 10. ¿existe alguna razón para creer.9.C = { z: z < zα} R.8. 10.7. 9.µ0 σ/ n = 10.6/ 20 = 1. 9.6.1. 9.645) = 0.4.4907 < z0.2.05. y puesto que z = 1.5. con base a la muestra.2. Supóngase que el tiempo necesario para armar una unidad es una variable aleatoria normal con media µ y desviación típica σ = 0. 10. con base a esta muestra.4907 / µ = 10) = 0. Expresiones para los contrastes Entonces z= x . por lo que debemos seguir considerándolo cierto.7. nos indica que.10 0. 9. .

desconocida la Varianza: En este caso cabría distinguir dos situaciones. X2.µ0 s/ n donde x = 1 1 2 ∑ xi y s2 = ∑ ( xi .. .Expresiones para los contrastes Contraste para la Media de una población normal.A = { z: |z| ≤ zα/2} R..zα} Contraste Unilateral Izquierdo: R.x ) n-1 n Las regiones críticas y de aceptación serán entonces: Contraste Bilateral: Contraste Unilateral Derecho: R.s n ) donde n es el tamaño de la muestra. Nos interesa probar uno de los siguientes conjuntos de hipótesis respecto a µ : Contraste Bilateral: H0 : µ = µ0 H1 : µ ≠ µ0 Contraste Unilateral Derecho: H0 : µ = µ0 ( µ ≤ µ0) H1 : µ > µ0 H0 : µ = µ0 ( µ ≥ µ0) H1 : µ < µ0 Contraste Unilateral Izquierdo: Expresiones para los contrastes Tomamos como estadístico de prueba la media muestral X Muestras grandes: Bajo la hipótesis nula (µ = µ0) y para muestras grandes.A = { z: z ≥ . Xn una muestra aleatoria de una distribución normal con media µ desconocida. según que la muestra que tomemos sea grande ( > 30) o pequeña ( ≤ 30). este estadístico sigue una distribución aproximadamente normal N(µ0.A = { z: z ≤ zα} R.C = { z: z < -zα} . La variable tipificada : z= x . la cuasivarianza muestral. suponiendo también desconocido el valor de la varianza poblacional σ2. Sea X1.C = { z: z > zα} R.C = { z: |z| > zα/2} R. por lo que se aproxima por su estimación.

Expresiones para los contrastes Muestras pequeñas: En este caso todo es igual que en el caso anterior exceptuando que ahora el estadístico elegido. n-1} R.C = { t: t > tα.X 2 2 2 = 1 n1 + n2 Contrastes diferencia de medias Varianzas conocidas Varianzas desconocidas Observaciones pareadas Muestras grandes Muestras pequeñas Var. n-1} R. distintas . y por tanto cambian también las regiones críticas: x-µ t= 0 s/ n R. Se puede esperar que la distribución muestral de X 1 − X 2 sea aproximadamente 2 normal.A = { t: t ≤ tα. iguales Var. n-1} Las regiones críticas y de aceptación serán entonces: Contraste Bilateral: Contraste Unilateral Derecho: Contraste Unilateral Izquierdo: R.A = { t: t ≥ . sigue una distribución t de Student con n-1 grados de libertad. n-1} Expresiones para los contrastes Contrastes de la Diferencia de Medias: Seleccionamos dos muestras aleatorias independientes de tamaños n1 y n2 de dos poblaciones normales con medias µ1 y µ2 y varianzas σ21 y σ22 respectivamente. en lugar de una distribución normal.C = { t: t <-tα.tα.C = {t: |t| > tα/2. La estadística a utilizar en este caso es X 1 − X 2. n-1} R. n-1} R. con media E[X 1 − X 2 ] = µ 1 − µ 2 y desviación típica σ σ σ X 1.A = {t: |t| ≤ tα/2.

C = { z: z > zα} R.x2 1 2 2 σ1 +σ 2 n1 n2 sigue una N(0. n + n 1 2 2 1 2 2 2 Por tanto la estadística: z= x1 . Las regiones críticas y de aceptación serán entonces: Contraste Bilateral: R. aleatorias independientes. X 1 − X 2que es una variable aleatoria.x2 s1 + s 2 n1 n2 2 2 que. n1 ≈ n2 El estadístico del contraste viene dado por : z= x1 . las podemos dividir en tres casos diferentes: 1 2 Muestras grandes: n1+n2 > 30.1) .zα} Expresiones para los contrastes Contrastes de diferencia de medias con varianzas desconocidas: Supóngase que se desea probar la hipótesis nula : H0: µ1 = µ2 contra una de las siguientes alternativas: H1: µ1 > µ2 H1: µ1 < µ2 H1: µ1 ≠ µ2 La estadística a utilizar en este caso también es la diferencia muestral de X 1 − X 2que es una variable aleatoria. y además se distribuye según una N(µ1-µ2.1) si la hipótesis nula es cierta (µ1 = µ2).C = { z: |z| > zα/2} R. bajo la hipótesis nula.A = { z: z ≤ zα} Contraste Unilateral Izquierdo: R.Expresiones para los contrastes Contrastes de diferencia de medias con varianzas conocidas: Supóngase que se desea probar la hipótesis nula : H0: µ1 = µ2 contra una de las siguientes alternativas: H1: µ1 > µ2 H1: µ1 < µ2 H1: µ1 ≠ µ2 La estadística a utilizar en este caso es la diferencia muestral de las medias.A = { z: |z| ≤ zα/2} Contraste Unilateral Derecho: R. en este caso. ya que X y X son variables las medias. sigue una distribución aproximadamente N(0.zα} R. La distribución que sigue esta estadística así como las regiones críticas a que da lugar.A = { z: z ≥ .C = { z: z < . ya que X y X son variables σ σ aleatorias independientes.

n1 + n2.A = { t: t ≤ tα. f} R. sigue una distribución t de Student con (n1 + n2 . Varianzas desconocidas pero iguales σ12 = σ22 El estadístico del contraste viene dado por : t= 2 2 x1 .y t= 2 2 s1 s 2 + n1 n2 que. n1 + n2 .tα.Expresiones para los contrastes Las regiones críticas y de aceptación serán entonces: Contraste Bilateral: R. siendo f la aproximación de Welch dada por: 2 2  2  f= s s  1+ 2    n1 n2  2 2  s1   s2      2    n n  1 +  2 n2 . n1 + n2. f} .2} Expresiones para los contrastes Muestras pequeñas: n1 + n2 ≤ 30.A = { t: t ≥ -tα.2} R.C = { t: |t| > tα/2. f} Contraste Unilateral Derecho: R. en este caso.zα} Muestras pequeñas: n1 + n2 ≤ 30.A = { t: t ≤ tα. Las regiones críticas y de aceptación serán entonces: Contraste Bilateral: R.C = { z: z < .2} Contraste Unil.zα} R.C = { z: |z| > zα/2} Contraste Unilateral Derecho: R. Derecho: R.A = { z: |z| ≤ zα/2} R.1 2 redondeado al entero más cercano.1) s 2 donde s 2 p= 1 1 n1 + n 2 .2} Contraste Unil. bajo la hipótesis nula.C = { z: z > zα} Contraste Unilateral Izquierdo: R.2) grados de libertad. n1 + n2. f} R. en este caso.C = { t: |t| > tα/2. n1 + n2.x2 ( n1 . bajo la hipótesis nula. f } R. n1 + n2.C = { t: t <-tα.C = { t: t <-tα. sigue una distribución t de Student con f grados de libertad.2 + sp n1 n2 que.1 n1 . Izquierdo: R.2} R. Varianzas desconocidas y distintas σx2 ≠ σy2 El estadístico del contraste viene dado por : x.C = { t: t > tα.A = { t: |t| ≤ tα/2.2} R.A = { z: z ≥ .1) s1 + ( n2 . f} Contraste Unilateral Izquierdo: R. Las regiones críticas y de aceptación serán entonces: Contraste Bilateral: R.C = { t: t > tα.A = { z: z ≤ zα} R.A = { t: t ≥ .A = { t: |t| ≤ tα/2.

Xi. de manera que existe una relación natural entre las observaciones de un par.tα.. y donde se supone que las condiciones externas son las mismas para cada par pero pueden variar de par en par. (X2.Expresiones para los contrastes Datos emparejados En este caso tenemos las observaciones en pares.yi S d = ∑( d i .2. De esta manera Como no conocemos µd ni σd2. Como en ese caso.. tales que E[Di] = µd = µy . n-1} Contraste Unilateral Derecho:R.A = { t: t ≥ . que constituyen variables aleatorias independientes distribuidas normales. (Xn.A = { t: t ≤ tα.tα. se estimarán por d y S d se pueden formular inferencias sobre las medias de dos niveles cuando las observaciones están pareadas considerando la columna de diferencias como una sóla variable aleatoria y aplicar los métodos que ya hemos visto. bajo la hipótesis nula. Y2). estamos interesados en contrastar la hipótesis nula: H0: µx = µy que equivale a µd = 0 Expresiones para los contrastes contra una de las siguientes alternativas: H1: µy < µx H1: µy > µx (µd > 0) H1: µx ≠ µy (µd ≠ 0) (µd < 0) El estadístico de contraste es: d 1 1 t= donde d = ∑ d i con d i = xi . n-1} Contraste Unilateral Izquierdo:R. Yn) los n pares a partir de los cuales calculamos las diferencias Di = Yi . .. sigue una distribución t de Student con n-1 grados de libertad.C = { t: t < . n-1} R.C = { t: t > tα.A = { t: |t| ≤ tα/2.. n-1 } R. ..C = { t: |t| > tα/2. n-1} . Las regiones críticas y de aceptación serán entonces: Contraste Bilateral: R. n-1} R..d )2 n n 1 / n Sd que. n. Sean (X1.µx y V[Di] = σd2 para toda i=1. Y1). 2 .

por lo que se aproximan por las cuasivarianzas muestrales.1) s2 donde s 2 = 1 ∑( xi . Las regiones críticas y de aceptación serán entonces: Contraste Bilateral:R. χ2 ≤ χ2α/2.Expresiones para los contrastes Contrastes sobre la varianza de una población normal: En esta ocasión deseamos probar la hipótesis que considera la uniformidad de una población. Consideraremos la hipótesis nula: H0: σ2 = σ02 contra una de las siguientes alternativas: H1: σ2 > σ02 H1: σ2 < σ02 H1: σ2 ≠ σ02 El estadístico apropiado sobre el cual se basa la decisión es el mismo que se utilizó para determinar el intervalo de confianza para la varianza.α.A = { χ2: χ2 < χ21 . si la hipótesis nula es cierta. n .. sigue una distribución F de Snedecor con n1-1. f= .α. que si la hipótesis nula es cierta. n-1} R. n2-1 grados de libertad.C = { χ2: χ2 ≥ χ21 . Xn1 y Y1. Contrastaremos la hipótesis nula: H0: σx2 = σy2 contra una de las siguientes alternativas: H1: σx2 > σy2 H1: σx2 < σy2 H1: σx2 ≠ σy2 La estadística a utilizar en este caso.C = { χ2: χ2 ≥ χ21 .C = { χ2: χ2 ≤ χ2α. viene dado por : 2 n-1 σ0 donde n es el tamaño de la muestra y sigue una distribución χ2con n-1 grados de libertad. Sean X1. al igual que para el intervalo de 2 confianza.1} Contraste Unil. n-1} Contraste Unil.α/2. n-1} R.. Derecho: R.. . n-1} χ2 = (n . Y2..A = { χ2: χ2 > χ2 α. n-1 . que en general se aplica antes de una prueba t combinada para comprobar la suposición de igualdad de varianzas. X2.x ) 2 Expresiones para los contrastes Contraste de igualdad de varianzas de dos poblaciones normales: Consideramos ahora el problema de contrastar dos varianzas poblacionales. Izquierdo: R. vendrá dado por: sx 2 sy que. Yn2 muestras aleatorias provenientes de dos distribuciones normales independientes con medias desconocidas µx y µy y varianzas desconocidas. .

1)} Expresiones para los contrastes Contraste para el parámetro p de una distribución binomial: Se considerará el problema de probar la hipótesis de que la proporción de éxitos en un experimento binomial es igual a un valor especificado. es decir.C = { f: f ≤ 1/F1 . (n2-1). entonces X se distribuye como una B(n.α. el parámetro cuyo valor queremos contrastar).(n2 -1) . .1) } Contraste Unilateral Derecho: R.α.C = { f:f ≥ F1 . Si H0 es cierta.Expresiones para los contrastes Las regiones críticas serán entonces: Contraste Bilateral: R. (n2 .p0). (n1-1). (n2 .C = { f: f ≥ F 1 .1)} Contraste Unilateral Izquierdo: R. Es decir. se está probando la hipótesis nula: H0: p = p0 frente a cualquiera de las alternativas: H1: p < p0 H1: p ≠ p0 H1: p > p0 La variable aleatoria apropiada sobre la cual se fundamenta el criterio de decisión es la variable aleatoria binomial de parámetros n (nº de experimentos) y p (proporción poblacional de éxitos.(n1 . (n1 . f ≤ 1/ F1 .1).α/2.α/2. (n1-1).

Pero. basar las decisiones en el p-valor. . cuando n es pequeña. puesto que X es una variable aleatoria discreta. se puede aproximar. si n es grande.Expresiones para los contrastes Para valores pequeños de n. como vemos. También es posible utilizar el estadístico ˆ= p x n que. Por tanto tendremos: z= x . sigue dependiendo del parámetro p que queremos contrastar. y utilizamos la variable binomial X. generalmente se prefiere utilizar su aproximación a la curva normal con parámetros µ = np y σ2 = npq. (X ≤ x cuando p = p0) Para el contraste unilateral derecho: P = Prob. (X ≥ x cuando p = p0) Para el contraste bilateral: P = 2Prob. (X ≤ x cuando p = p0) si x < n p0 si x > n p0 P = 2Prob. por ello es preferible. para n grande. se deben obtener las probabilidades binomiales.np x -p ˆ -p p n = = pq pq npq n n que. Si P ≤ α se rechaza H0 Expresiones para los contrastes Sin embargo. a partir de la fórmula binomial real o de su tabla correspondiente. Siendo x el número de éxitos en la muestra. a una normal de parámetros µ = p y σ2 = pq/n. es poco probable que pueda determinarse una región crítica cuyo tamaño sea exactamente igual al valor predeterminado de α. (X ≥ x cuando p = p0) En cualquier caso. tendríamos entonces: Para el contraste unilateral izquierdo: P = Prob.

habíamos visto que la diferencia de proporciones muestrales de éxito.Expresiones para los contrastes Igual que se hizo en la estimación por intervalos. Se desea contrastar la hipótesis de que las proporciones (parámetro p) de ambas poblaciones son iguales. de tamaño n1 y n2. tenía una distribución aproximadamente normal con media: µp ˆ -p ˆ = p1 .C = { z: |z| > zα/2} R. también se puede sustituir p por p0 tanto en el numerador como en el denominador. si la H0 es cierta. y obtendríamos entonces que. z= ˆ .p ˆ) p n sigue una distribución aproximadamente N(0. por su aproximación muestral.C = { z: z < -zα} R. Es decir.P ˆ2 P En la estimación por intervalos.p0 p ˆ (1 . y si H0 es cierta. Si se verifican las condiciones anteriores. de parámetros p1 y p2 respectivamente. para una n lo bastante grande.1).p 2 1 2 y varianza: σ 2p ˆ -p ˆ = 1 2 p1 q1 n1 + p2 q2 n2 . para valores de n grandes y si p0 no está cerca de 0 ni de 1. y se obtiene una aproximación bastante precisa en muchos casos.A = { z: z ≤ zα} Contraste Unilateral Izquierdo: R. de dos poblaciones binomiales.C = { z: z > zα} R. se suele sustituir la p del denominador.A = { z: z ≥ -zα} Expresiones para los contrastes Contraste para la diferencia de dos proporciones: Se seleccionan al azar dos muestras independientes grandes.A = { z: |z| ≤ zα/2} Contraste Unilateral Derecho: R. y entonces las regiones críticas y de aceptación para este contraste vendrían dadas por: Contraste Bilateral: R. se está probando la hipótesis nula: H0: p1 = p2 frente a cualquiera de las alternativas: H1: p1 < p2 H1: p1 ≠ p2 H1: p1 > p2 El estadístico sobre el que se basaría la decisión es: ˆ1 .

.A = { z: z ≥ .C = { z: z < . para un nivel de significación α: Contraste Bilateral: R.5 gramos.A = { z: z ≤ zα} Contraste Unilateral Izquierdo: R. Por tanto quedaría: z= ˆ1 . se puede sustituir p1 = p2 = p y q1 = q2 = q. donde p y q seguirían siendo los valores que queremos contrastar. d) Se estima que la cantidad promedio de hemoglobina en la sangre de la trucha café. por cada 100 ml es de por lo menos 5.C = { z: z > zα} R. Establezca esta hipótesis para ser probada. el canal de televisión dice que. de la siguiente forma: + ˆ = x1 x 2 p n1 + n2 siendo x1 y x2 el número de éxitos en ambas muestras. La cantidad óptima es 0. de la audiencia total de un sábado por la noche. el estadístico de contraste quedaría: z= ( ˆ1 .A = { z: |z| ≤ zα/2} Contraste Unilateral Derecho: R.Expresiones para los contrastes Y por tanto. más del 75% estará viendo el programa de dicho canal. (Suponiendo siempre que ya se ha decidido que el método a usar es un contraste paramétrico): a) El Señor y la Señora Martínez suponen que el peso medio de una berenjena que crece en su jardín excede el promedio de 953 gramos que aparecen en el paquete de las semillas.p ˆ2 p 1 1 ˆq ˆ p    +    n1   n2  Siendo las regiones críticas y de aceptación. la podemos obtener combinando los datos de ambas muestras.C = { z: |z| > zα/2} R.75 gramos de silicona en cada 100 gramos de hierro.zα} Ejercicios Ejercicio 7.p ˆ2 p p1 q1 n1 )+( p 2 q2 n2 ) Cuando H0 es cierta.1 Dada la proposición de un problema.zα} R. c) Una compañía que produce tubos de hierro colado debe verificar el porcentaje de silicona en el hierro.75 gramos de silicona por 100 gramos de hierro. escriba las hipótesis nula y alternativas correctas. El analista de control de calidad desea probar la hipótesis de que hay 0. b) En una presentación a posibles anunciadores. Una estimación muestral de estos parámetros.

Ejercicios Ejercicio 7.4 miligramos. si sólo 48% de los votantes está a favor del nuevo impuesto? Ejercicios Ejercicio 7. . tomada de una población normal diferente con una desviación estándar de σ2=3. Una segunda muestra aleatoria de tamaño n2 = 36. a) Encuentre la probabilidad de cometer un error tipo I si 60% de los votantes está a favor del nuevo impuesto. Si más de 220 pero menos de 260 están a favor del impuesto. tiene una media x2 =76.05 en su conclusión y suponga que la distribución de los contenidos de nicotina es normal.3 Una muestra aleatoria de 8 cigarros de una marca determinada tiene un contenido promedio de nicotina de 4. tiene una media x1 = 81. Ejercicio 7. Pruebe la hipótesis de que µ1 = µ2 con un nivel de significación de 0.4.5 miligramos? Utilice un nivel de significación de 0. ¿Está esto de acuerdo con la afirmación del fabricante de que el contenido promedio de nicotina no excede de 3.2 miligramos y una desviación estándar de 1. tomada de una población normal con una desviación estándar de σ1 = 5. se concluirá que el 60% de los votantes está a favor. b) ¿Cuál es la probabilidad de cometer un error tipo II al utilizar este procedimiento de prueba.2 A una muestra aleatoria de 400 votantes de una cierta ciudad se le pregunta si está a favor de un impuesto adicional a la venta de gasolina para proporcionar ingresos necesarios para efectuar trabajos de reparación de calles.2.05.4 Una muestra aleatoria de tamaño n1 = 25.

en el plasma de cada sujeto: ¿Existen suficientes evidencias.24 0.58 0. en gramos por mililitro.64 1.18 1.81 0.74 0. Ejercicios Ejercicio 7.1 meses con una desviación estándar de 3.78 0.6 meses con una desviación estándar de 2. para concluir que hay una diferencia entre los niveles de ácido ascórbico en la sangre de las mujeres fumadoras y no fumadoras?.00 0.6 En un estudio se compararon los niveles de ácido ascórbico en plasma de mujeres embarazadas entre fumadoras y no fumadoras.09 0.94 1.85 0.57 1. Suponga que los dos conjuntos de datos se toman de poblaciones normales con varianzas diferentes.05.98 0.62 0.71 0.Ejercicios Ejercicio 7. mientras que una muestra aleatoria de 15 ratones come la dieta restringida y vive un promedio de 37.88 1. Valores de ácido ascórbico en plasma No Fumadoras 0.8. Suponga que una muestra aleatoria de 10 ratones se alimenta con una dieta normal y vive un promedio de 32. De las muestras de sangre.86 1.36 0.78 1. Pruebe la hipótesis a un nivel de significación de 0.48 0.92 0. a un nivel de significación de 0.68 1.97 1.90 0.99 1.64 . Para el estudio se seleccionaron 32 mujeres en los últimos 3 meses de embarazo.2 meses. se determinaron los siguientes valores de ácido ascórbico. Suponga que las distribuciones de las vidas para las dietas regular y restringida son aproximadamente normales con varianzas iguales.18 Fumadoras 0.32 0.98 0.16 0.72 0. libres de cualquier padecimiento importante y con edades entre 15 y 32 años.24 0.5 Un investigador asegura que la vida promedio de ratones se incrementa al menos en 8 meses cuando las calorías en sus alimentos se reducen aproximadamente 40% desde el momento en que son destetados.05.

7 Se llevó a cabo un estudio para determinar si la resistencia de una herida por incisión quirúrgica era afectada por la temperatura del cuchillo. Se utilizaron 8 perros en el experimento. Suponer distribución normal. Se realizó una incisión caliente y una fría en cada perro y enseguida se midió la resistencia. si una muestra aleatoria de 8 de estos cigarros tiene una desviación estándar de s = 1.9 En un estudio para estimar la proporción de residentes de una ciudad y sus suburbios que está de acuerdo con la construcción de una planta de energía nuclear. se encontró que 63 de 100 residentes urbanos favorecen la construcción mientras que 59 de 125 residentes suburbanos se oponen. . a un nivel de significación de 0.3 miligramos. Pruebe esta hipótesis.05.Ejercicios Ejercicio 7. Los datos resultantes son: Perro Resistencia incisión caliente 5120 10000 10000 10000 10000 7900 510 1020 Resistencia incisión fría 1 2 3 4 5 6 7 8 8200 8600 9200 6200 10000 5200 885 460 Escriba una hipótesis apropiada para determinar si hay una diferencia significativa entre las incisiones calientes y frías y pruébela con un nivel de significación de 0. se encuentra que 236 se calientan con petróleo?. a un nivel de significación de 0.8.8 Una compañía productora de combustible asegura que una quinta parte de los hogares de cierta ciudad se calientan con petróleo.05.10 Se sabe que el contenido en nicotina de una marca de cigarros tiene distribución aproximadamente normal y se supone que su varianza es de 1. Ejercicio 7. en una muestra aleatoria de 1000 hogares en esta ciudad. ¿Existe alguna diferencia significativa entre las proporciones de residentes urbanos y suburbanos que favorecen la construcción de la planta nuclear? Ejercicio 7. Ejercicios Ejercicio 7. ¿Se tiene alguna razón para dudar de esta afirmación.01 si.