Universidad de Mendoza Ing.

Jesús Rubén Azor Montoya

PRUEBAS DE HIPÓTESIS

En vez de estimar el valor de un parámetro, a veces se debe decidir si una

afirmación relativa a un parámetro es verdadera o falsa. Vale decir, probar una hipótesis
relativa a un parámetro.
Ejemplo I: Un fabricante de pintura de secado rápido afirma que el tiempo de secado de
la misma es de 20 min. El comprador diseña el siguiente experimento: pinta 36 tableros
y decide rechazar el producto si el promedio de tiempo de secado de los mismos supera
los 20.75 min. Si por experiencia =2.4 min, se pregunta cuál es la probabilidad de
rechazar la partida aún perteneciendo a una población con media de 20 min.

La probabilidad de que el promedio de las muestras exceda 20.75 min a causa del azar se
calcula del siguiente modo:

x 20.75 20
z 1.875
0.4
n

con esta abscisa, se calcula la probabilidad (área hacia la derecha), resultando 0.0304.
Gráficamente:

Este gráfico está hecho sobre valores reales, no normalizados. Para los cálculo se
usan estos últimos cuando se trabaja con tablas.

Entonces, la probabilidad de rechazar erróneamente la hipótesis =20 min es de

aproximadamente 0.03, o bien 3%.

Supóngase ahora que la media real del tiempo de secado es =21 min. Luego, la
probabilidad de obtener una media muestral menor o igual que 20.75 (y por lo tanto
equivocarse en la aceptación) está dada por:

______________________________________________________________________ 1
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

lo que lleva a un área (hacia la izquierda) de 0.2660. Es decir: la probabilidad de

equivocarse al aceptar =20 (a pesar de ser =21) es del 26.6%. Gráficamente:

Como resumen se da la siguiente tabla:

HIPÓTESIS NULA Y PRUEBA DE SIGNIFICANCIA

En el ejemplo se formuló la hipótesis H como una Hipótesis Simple del parámetro (

especificado por completo) puede hacerse para más de un valor de
(por ejemplo, < 20 min) esto es una Hipótesis Compuesta.
A menudo se formula una hipótesis opuesta a lo que se quiere probar. Por ejemplo, si se
quiere determinar el sistema de riego de menor costo de dos, se formula la hipótesis de
que los dos sean igualmente costosos. A esta hipótesis se la llama Hipótesis Nula y se
denota por Ho.
Reformulemos el ejemplo de la pintura: Se rechaza la hipótesis = 20 min (y se acepta
la alternativa > 20min), si la media de 36 valores muestrales excede 20.75 min, de lo
contrario nos reservamos la decisión.
Aquí no hay posibilidad de Error de tipo II (por lo de reservar la decisión). El criterio
anterior puede ser descrito muy bien como una prueba de si es significativamente más
grande que = 20 min, donde “significativamente más grande” significa que la
discrepancia entre y = 20 min es tal que razonablemente puede atribuirse al azar. A
esta clase de pruebas se las conoce como “Pruebas Significativas”. Para la resolución de
problemas en forma sistemática se siguen los preceptos:

1 – Se formula una Hipótesis Nula simple y una Hipótesis Alterna apropiada que se
acepta cuando la Hipótesis Nula debe ser rechazada.

______________________________________________________________________ 2
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

En el ejemplo de la pintura, la hipótesis nula es = 20 min y la alternativa > 20 min.

Esta clase de alternativa se llama Unilateral. Un caso de prueba alternativa Bilateral sería
el de un fraccionador de café que desea verificar si en cada frasco de 100 gr hay en
realidad 100 gr. La alternativa bilateral es . Al fraccionador no le conviene menos
de 100 gr porque puede perder mercado ni más de 100 gr por la pérdida económica.

Ejemplo: Un fabricante de utensilios está considerando la conveniencia de adquirir una

nueva máquina para grabar las piezas de lámina metálica. Si o es el número promedio
de piezas de buena calidad grabadas por hora en su máquina actual y si es el promedio
correspondiente a la nueva máquina, el fabricante quiere probar la hipótesis nula o
contra una alternativa adecuada. ¿Cuál sería la hipótesis si:
a) No quiere comprar una nueva máquina a menos que sea más productiva que aquella
con la que trabaja actualmente.
b) Quiere comprar la máquina nueva (la cual ofrece algunas otras características
atractivas) a menos que sea menos productiva que la que tiene actualmente?

Solución: a) Hipótesis alterna o (unilateral, cola derecha) y adquirirá sólo si la

hipótesis nula puede ser rechazada. b) hipótesis alterna o (unilateral, cola
izquierda) y adquirirá a menos que la hipótesis nula pueda ser rechazada.

2 - Se especifica la probabilidad de un Error de Tipo I si es posible, conveniente o

necesario, se puede especificar también las probabilidades de Errores Tipo II, para
alternativas particulares.

La probabilidad de un Error Tipo I se denomina Nivel de Significación y se fija

comunmente en =0.05 ó =0.01. No conviene muy chico porque se hace muy
grande.

3 – Con base en la distribución muestral de un estadístico apropiado, se construye un

criterio para probar la Hipótesis Nula contra la alternativa determinada.

4 – Se calcula, a partir de los datos, el valor del estadístico sobre el cual se basa la
decisión.

5 - Se decide rechazar la Hipótesis Nula, aceptarla o abstenerse de tomar una decisión.

HIPÓTESIS RELATIVA A UNA MEDIA

Ejemplo I: La duración media de una muestra de 100 tubos fluorescentes producidos por
una compañía resulta ser de 1570 horas, con una desviación típica de 120 horas. Si es
la duración media de todos los tubos producidos por la compañía, comprobar la hipótesis
= 1600 contra la hipótesis alternativa horas con un nivel de
significación de 0.05.

1– Hipótesis Nula = 1600 hr.

______________________________________________________________________ 3
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

Hipótesis Alternativa <> 1600 hr. (bilateral)

2- Nivel de significancia: =0.05.
3- Para trabajar con tablas normalizadas, se usa z en lugar de :

n
z

Por otro lado, será tal que el área bajo la normal a su derecha sea /2 y
será tal que el área bajo la normal a su izquierda sea /2. Estos dos valores
definen las zonas de aceptación y rechazo de la Hipótesis Nula. Según donde caiga el
valor de z calculado por la expresión anterior, se producirá la aceptación o rechazo.

4 – Cálculos:
1570 1600
120
z 2.5
100

5- Dado que –2.5 < -z0.025 se Rechaza la Hipótesis Nula, luego la duración media de los
tubos es significativamente menor que 1600 horas. Como se puede apreciar en el siguiente
gráfico, la media muestral cae fuera de la zona de aceptación:

En general, el siguiente cuadro resume las distintas pruebas de hipótesis nulas

______________________________________________________________________ 4
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

= o que se pueden realizar sobre una media:

Ejemplo II: Una empresa de transportes desconfía de la afirmación de que la vida útil
promedio de ciertos neumáticos es al menos de 28000. Para verificar se colocan 40
neumáticos en camiones y se obtiene una vida útil promedio de 27463 con una s=1348.
¿Qué se puede concluir con ese dato si la probabilidad de Error Tipo I es a lo sumo 0.01?.

1– Hipótesis Nula < 28000

Hipótesis Alternativa > 28000 (unilateral)
2- Nivel de significancia: = 0.01.
3- Para trabajar con tablas normalizadas:
x
s
n
z

además: z = 2.33

4 – Cálculos:
27463 28000
1348
z 2.52
40
5- Dado que –2.52 < -z0.01 se Rechaza la Hipótesis Nula, luego la vida útil de los
neumáticos es significativamente menor que 28000. Como se puede apreciar en el
siguiente gráfico, la media muestral cae fuera de la zona de aceptación:

Si el tamaño de la muestra es pequeño , se desconoce y proviene de una población

normal, se debe utilizar el estadístico t-Student con =n-1 grados de libertad. Ejemplo

______________________________________________________________________ 5
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

III: La duración media de las bombillas producidas por una compañía han sido en el
pasado de 1120 horas con una desviación típica de 125 horas. Una muestra de 8 bombillas
de la producción actual dio una duración media de 1070 horas. Ensayar la hipótesis
=1120 horas contra la hipótesis alternativa <1120 horas mediante un nivel de
significancia de =0.05.

1– Hipótesis Nula = 1120 hs.

Hipótesis Alternativa < 1120 hs. (unilateral)
2- Nivel de significancia: =0.05.
4- Para trabajar con tablas normalizadas:
x

s
n
t

con = n-1=8-1=7 grados de libertad. Además: t = -1.895 ( =7).

4 – Cálculos:
1070 1120
t 1.131
125
8
5- Dado que –1.131 > -t0.05 se Acepta la Hipótesis Nula, luego la vida útil de los
neumáticos es significativamente igual a 1120 horas. Como se puede apreciar en el
siguiente gráfico, la media muestral cae dentro de la zona de aceptación:

CURVAS CARACTERÍSTICAS DE OPERACIÓN

ANALISIS PARA COLA DERECHA

Hasta el momento no se han atendido a los Errores Tipo II. La elección de =21 min en
el tiempo de secado fue arbitraria. Veremos qué sucede con otros valores de .

______________________________________________________________________ 6
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

L( ) será la probabilidad de aceptar la Hipótesis Nula ( > o, cola derecha), aún

siendo la media =21, para distintos valores de . Rescatando el ejemplo de la pintura,
en que o = 20, = 2.4 y n=36 y la línea divisoria del criterio en = 20.75 min, se
verifica:

y así siguiendo.
Así se puede construir una tabla como la siguiente

¨ ¨ Probabilidad de
Valor de Valor de z Aceptar la Ho
L(
19.50 3.125 0.999
19.75 2.5 0.99
20.00 1.875 0.97
20.25 1.25 0.89
20.50 0.625 0.73
20.75 0 0.50
21.00 -0.625 0.27
21.25 -1.25 0.11
21.50 -1.875 0.03
21.75 -2.5 0.01
22.00 -3.125 0.001

Que gráficamente queda:

______________________________________________________________________ 7
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

ANALISIS PARA COLA IZQUIERDA

Si la hipótesis alterna fuese la contraria ( < o, cola izquierda) con los datos
o = 20 , = 2.4, n=36, y la línea divisoria de criterio en = 19.25, se verifica:

19.50 19.75
para =19.50 z 0.625 L 0.73
0.4

y así siguiendo.
Esto lleva a la siguiente tabla:

¨ ¨ Probabilidad de
Valor de Valor de z Aceptar la Ho
L(
18.50 -1.875 0.03
18.75 -1.25 0.11
19.00 -0.625 0.27
19.25 0 0.5
19.50 0.625 0.73

______________________________________________________________________ 8
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

19.75 1.25 0.89

20.00 1.875 0.97
20.25 2.5 0.99
20.50 3.125 0.999

y al siguiente gráfico (punteado), se deja el anterior para comparación.

Se puede apreciar que los mismos son la imagen del espejo uno de otro.

ANALISIS PARA DOS COLAS

Si la hipótesis alterna fuese <> o, bilateral, o de dos colas, con los datos o =
20 , = 2.4, n=36, y las línea divisorias del criterio entre = 19.25 min y = 20.75 min,
se verifica:

para =19 z1 0.625 z2 4.375

L 0.27

esto lleva a la siguiente tabla:

______________________________________________________________________ 9
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

¨ ¨ Probabilidad de
Valor de Valor de z Aceptar la Ho
L(
18.50 1.875 0.03
18.75 1.25 0.11
19.00 0.625 0.27
19.25 0 0.5
19.50 -0.625 0.73
19.75 -1.25 0.89
20.00 -1.875 0.97
20.25 -0.625 0.73
20.50 0 0.5
20.75 0.625 0.27
21.00 1.25 0.11
21.25 1.875 0.03
21.50 1.875

y así siguiendo.
Esto lleva a la siguiente tabla:

¨ ¨ Probabilidad de
Valor de Valor de z Aceptar la Ho
L(
18.50 -1.875 0.03
18.75 -1.25 0.11
19.00 -0.625 0.27
19.25 0 0.5
19.50 0.625 0.73
19.75 1.25 0.89
20.00 1.875 0.97
20.25 2.5 0.99
20.50 3.125 0.999

______________________________________________________________________ 10
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

y al siguiente gráfico (punteado), se deja el anterior para comparación.

Se puede apreciar que los mismos son la imagen del espejo uno de otro.

Si la hipótesis alterna fuese <> o, bilateral, o de dos colas, con los datos o =
20 , = 2.4, n=36, y las línea divisorias del criterio entre = 19.25 min y
= 20.75 min, se verifica:

19.25 19
para =19.00 z 0.625 L 0.27
0.4

esto lleva a la siguiente tabla:

¨ Probabilidad de
Valor de Valor de z1 Valor de z2 Aceptar la Ho
L(
18.50 1.875 5.625 0.03
18.75 1.25 5 0.106
19.00 0.625 4.375 0.27
19.25 0 3.75 0.5

______________________________________________________________________ 11
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

19.50 -0.625 3.125 0.733

19.75 -1.25 2.5 0.88
20.00 -1.875 1.875 0.939
20.25 -2.5 1.25 0.88
20.50 -3.125 0.625 0.733
20.75 -3.75 0 0.5
21.00 -4.375 -0.625 0.27
21.25 -5 -1.25 0.106
21.50 -5.625 -1.875 0.03

Que gráficamente queda:

ANALISIS PARA MUESTRAS DE MAYOR TAMAÑO

Volviendo al caso testigo de las pinturas, se analizará qué ocurre con L( ) cuando la
muestra es más grande, como por ejemplo n=50 (antes n=36), con los datos
o = 20 , = 2.4, y las línea divisorias del criterio = 20.75 min, se verifica:

para =19 z1 0.625 z2 4.375

L 0.27

y así siguiendo.
Esto lleva a la siguiente tabla:

¨ ¨ Probabilidad de
Valor de Valor de z Aceptar la Ho
L(
19.50 3.683 1
19.75 2.946 0.998
20.00 2.21 0.986
20.25 1.473 0.93
20.50 0.737 0.769
20.75 0 0.50

______________________________________________________________________ 12
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

21.00 -0.737 0.231

21.25 -1.473 0.07
21.50 -2.21 0.014
21.75 -2.946 0.0016
22.00 -3.683 0

Que gráficamente queda:

ALGORITMO PARA EL TRAZADO DE LAS CURVAS DE OPERACIÓN

Se pretende graficar el error tipo II en su forma más general para un nivel de

significación = 0.05 y prueba de cola derecha:

del esquema se ve que:

n n
x 0 x z z

Restando miembro a miembro, y siendo z = 1.65 (abscisa que deja a la derecha

un área =0.05), queda:

______________________________________________________________________ 13
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

1.65 z n

Llamando d a una variable dada por:

0
d

resulta:

z (d) 1.65 d n

Finalmente, el error tipo II es:

n
1
2
1.65 d

exp 0.5 x2 dx
(d n)0.5

El siguiente segmento de programa en Matlab permite trazar las curvas de

operación para tres tamaños muestrales: 1, 5 y 10:

function curvas_ope

% Esta funcion permite trazar las curvas de operacion para %

un nivel de significacion de 0.05 en pruebas de una cola %
para distintos valores de tamaño muestral.

% Expresion de la funcion densidad normal

F=inline('1/sqrt(2*pi)*exp(-0.5*x.^2)');

% Generacion de la curva para n=1

n=1;i=1; for d=0:0.1:3
M1(i)=0.5+quadl(F,0,1.65-d*sqrt(n));i=i+1; end
% Generacion de la curva para n=5
n=5;i=1; for d=0:0.1:3
M2(i)=0.5+quadl(F,0,1.65-d*sqrt(n));i=i+1; end
% Generacion de la curva para n=10
n=10;i=1; for d=0:0.1:3
M3(i)=0.5+quadl(F,0,1.65-d*sqrt(n));i=i+1;
end a=i-1; i=1:a;plot(i,M1,'r',i,M2,'b',i,M3,'k')

y mediante la ejecución del comando:

______________________________________________________________________ 14
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

>> curvas_ope

permite obtener el siguiente gráfico, siendo la línea superior la correspondiente a n=1, la

central n=5 y la inferior n=10.

Para pruebas de cola izquierda, los gráficos son la "imagen del espejo" de los
anteriores, con lo cual (para generalizar) se usa como abscisa el valor absoluto de d,
sirviendo entonces el juego de curvas para ambas pruebas.
Para pruebas de dos colas:

Se puede verificar que el error tipo II, en este caso, sigue la siguiente función
(considerando como siempre =0.05 y por lo tanto /2=0.025, con z =1.96):

______________________________________________________________________ 15
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

1.96 d n 1.96 d n
1 1
2 2
2
(d n) exp 0.5 x dx

2
exp 0.5 x dx

0 0

En la literatura, se han hecho gráficos para calcular mediante ellos el error tipo II
para distintos valores de d, usando el tamaño muestral (n) como parámetro y con valores
de nivel de significancia de 0.01 y 0.05, para muestras de una cola y de dos colas.
El siguiente segmento de programa en Matlab permite el mismo cálculo que el que se
haría con los gráficos.
function beta=error_II(cola,alfa,mu0,mu,sigma,n)

% Esta funcion permite calcular el Error de Tipo II para un %

un nivel de significacion dado, en prueba de una o dos colas.
% Entradas: cola, 1 (una cola) 2 (2 colas)
% alfa, 0.05 o 0.01, nivel de significacion
% mu0, real, media de la hipotesis nula
% mu, real, media para la que se quiere calcular
% el Error tipo II
% sigma, real, desviacion estandar
% n, entero, tamaño de la muestra
% Salida: beta, real, Error tipo II correspondiente.

% Expresion de la funcion densidad normal

F=inline('1/sqrt(2*pi)*exp(-0.5*x.^2)');
% Calculo de d d=abs(mu-
mu0)/sigma;
% Calculo del Error tipo II if
cola==1,
if alfa==0.05,z_alfa=1.645;
beta=0.5+quadl(F,0,z_alfa-d*sqrt(n)) end
if alfa==0.01,z_alfa=2.326;
beta=0.5+quadl(F,0,z_alfa-d*sqrt(n))
end end if cola==2,
if alfa==0.05,z_alfa=1.96;
beta=quadl(F,0,z_alfa-d*sqrt(n))-quadl(F,0,-z_alfa-d*sqrt(n))
end
if alfa==0.01,z_alfa=2.576;
beta=quadl(F,0,z_alfa-d*sqrt(n))-quadl(F,0,-z_alfa-d*sqrt(n))
end end

Ejemplo: Suponer que se desea investigar la afirmación de que la intensidad de sonido de

ciertas aspiradoras es una variable aleatorias que tiene una distribución normal con una
media de 75.2 db, con una desviación estándar de 3.6 db. Específicamente, se quiere
probar la hipótesis nula =75.2 contra la hipótesis alternativa > 75.2 en base a la
medición de la intensidad del sonido ce n=15 de tales máquinas. Si la probabilidad de

______________________________________________________________________ 16
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

cometer un error tipo I es = 0.05 ¿Cuál es la probabilidad de cometer un error tipo II

para = 77.db?.

De acuerdo a lo anterior, con los datos del problema, se ejecuta:

>> error_ii(1,0.05,75.2,77,3.6,15)

donde el primer argumento indica que es una prueba de una cola (1), el segundo es
(0.05), el tercero (75.2), el cuarto (75.2), el quinto (3.6) y el sexto el tamaño
muestral, n (15). Resultando:

beta =
0.3873

Esto se puede visualizar entrando en el gráfico de Curvas Características de

Operación correspondiente a prueba de una cola con =0.05 y entrando con la abscisa
d=0.5:

HIPÓTESIS RELATIVA A DOS MEDIAS

Considérese el caso de la discusión acerca de dos métodos de soldadura de rieles

ferroviarios, se toman muestras y se decide cuál de ellos es el mejor comparando las
medias de sus resistencias en pruebas mecánicas.
Se consideran dos poblaciones con medias 1 y 2 y varianzas 12 y 22. Se quiere probar
la hipótesis nula 1- 2= , siendo una constante, que se determina en base a muestras
aleatorias independientes de tamaños n1 y n2.
Como siempre, se harán pruebas de la hipótesis nula contra las alternas
1- 2<> , 1- 2< o 1- 2> .La prueba dependerá de las diferencias entre las media
muestrales y si ambas provienen de poblaciones normales, se define el
estadístico:

______________________________________________________________________ 17
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

donde es la desviación estándar de la distribución muestral de la diferencia entre

las medias muestrales.
Si las distribuciones de dos variables aleatorias independientes tienen las medias 1 y 2
y las varianzas 12 y 22, entonces la distribución de su suma (o diferencia) tiene la media
2 2
1 + 2 (o 1 - 2) y la varianza 1 + 2 .
Se sabe que:

es decir:

luego:

este estadístico es aún válido para muestras grandes (n1 y n2 mayores que 30) sustituyendo
1 y 2 por s1 y s2.
Las regiones críticas para probar la hipótesis nula 1- 2= son para poblaciones
normales con 1 y 2 conocidas o grandes muestras.

Hipótesis Se rechaza la Hipótesis Nula

Alterna si:
1- 2< z < -z
1- 2> z>z
1- 2<> z < -z
óz
>z

Si bien puede ser cualquier valor, generalmente se hace 0 (hipótesis nula 1-

2= 0).
Ejemplo I: Para probar la afirmación de que la resistencia de un conductor eléctrico puede
reducirse en más de 0.050 ohms mediante aleaciones, 32 valores obtenidos de alambre
ordinario produjeron = 0.136 ohms y s1 = 0.004 ohms y 32 valores obtenidos con
alambre fabricado en base a aleaciones produjeron = 0.083 ohms y s2 = 0.005 ohms.
¿Se apoya la afirmación con un nivel de significación de 0.05?

1– Hipótesis Nula 1 2 = 0.050

Hipótesis Alternativa 1 2 > 0.050 (unilateral)

2- Nivel de significancia: =0.05. z = 1.65 5- Para
trabajar con tablas normalizadas:

______________________________________________________________________ 18
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

4 – Cálculos:

5- Dado que 2.65 > z0.05 se Rechaza la Hipótesis Nula, por lo tanto se acepta la Hipótesis
Alternativa, esto es se refrenda la afirmación 1 2 > 0.050. Vale decir, la aleación
reduce significativamente en más de 0.050 ohms la resistencia del conductor

Ejemplo II: La estatura media de 50 estudiantes de un colegio que tomaban parte en las
pruebas atléticas fue de 1.70 mts con desviación estándar de 0.0625 mts, mientras que
50 estudiantes que no mostraban interés en tal participación tenían una estatura media de
1.687 mts con desviación estándar de 0.07 mts. Ensayar la hipótesis de que los estudiantes
que participan en pruebas atléticas son más altos que los otros, con un nivel de
significancia de 0.05.

1– Hipótesis Nula 1 2 = 0, no hay diferencia entre las

estaturas medias
Hipótesis Alternativa 1 2 > 0 (unilateral), la estatura media del primer grupo
es significativamente mayor que la del segundo.
2- Nivel de significancia: =0.05. z = 1.65 6- Para
trabajar con tablas normalizadas:
7-

4 – Cálculos:

1.70 1.687
z0.98
2 2
0.0625 0.007
50 50

______________________________________________________________________ 19
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

5- Dado que 0.98 < z0.05 se Acepta la Hipótesis Nula 1 2 = 0. Vale decir, los
estudiantes que participan en pruebas atléticas no son significativamente más altos que
los otros

Si se deben correr riesgos de Error Tipo II, en los cuales las probabilidades
dependen de las diferencias alternas reales ‘ 1 2 , se pueden usar las curvas
característica de operación con :

´
2 2
1 2
d

Ejemplo III: Con respecto al ejemplo anterior ¿Cuál es la probabilidad de cometer un

Error Tipo II para ‘=0.02 mts.?

0 0.02
d0.213
2 2
( 0.0625) ( 0.07)
dado que = 0.05 y n = 50, trabajando con la tabla correspondiente o ejecutando la
función error_II de Matlab definida previamente:

>> mu0=0;mu=0.02;sigma=sqrt(0.0625^2+0.07^2);n=50;error_II(1,0.05,mu0,mu,sigma,n)

se obtiene:

ans =
0.5549

Luego el valor del Error tipo II para este caso es =0.5549.

Si n1 es distinto de n2 , el valor de n que se debe utilizar (el gráfico o el algoritmo) se
calcula como:

2 2
1 2
n
2 2
1 2

n1 n2
Cuando n1 , n2 o ambos son pequeños y se desconocen las varianzas de las poblaciones,
se puede fundamentar la hipótesis nula 1- 2 = en un estadístico adecuado t, con tal de
suponer a ambas poblaciones normales con 1= 2 (= ). En estas condiciones:

______________________________________________________________________ 20
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

con 2 estimado por ponderación de las sumas de los cuadrados con respecto a las media
muestrales:

n1 2 n2 2

x1 i x1 x2i x2 2 2

2 i 1 i 1 n1 1 s1 n2 1 s2

n1 n2 2 n1 n2 2

haciendo las sustituciones correspondientes, se llega a la llamada prueba t bimuestral:

x 1 x 2 n1 n2 n1 n2 2
t

n1 1 s1 2 n2 1 s2 2 n1 n2

con = n1+ n2 -2 .

Ejemplo: En una estación agrícola se deseaba ensayar el efecto de un determinado

fertilizante sobre la producción de trigo. Para ello se eligieron 24 parcelas de terreno de
igual superficie; la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no
(grupo control). Todas las demás condiciones fueron las mismas. La media de trigo
conseguida fue de 0.264 m3 con una desviación estándar de 0.02 m3, mientras que la
media en las parcelas tratadas fue de 0.28 m3 con una desviación estándar de 0.022 m3.
¿Puede decirse que hay un incremento significativo en la producción de trigo por el
empleo del fertilizante al nivel de significación del 5%?

1– Hipótesis Nula 1 2 = 0, la diferencia se debe al azar

Hipótesis Alternativa 1 2 (unilateral), el fertilizante incrementa

significativamente la producción.
2- Nivel de significancia: =0.05. t = 1.717 con =22 grados de libertad. 3 -
Para trabajar con tablas normalizadas:

______________________________________________________________________ 21
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

x 1 x 2 n1 n2 n1 n2 2
t

n1 n2
n1 1 s1 2 n2 1 s2 2

4 – Cálculos:

[(0.28 0.264) 0] 12 12 (12 12 2)

t 1.849
12 12
(12 1) 0.0222 (12 1) (0.02)2

5- Dado que 1.849 > t0.05 (t = 1.717) se Rechaza la Hipótesis Nula 1 2 = 0. Vale
decir, hay un incremento significativo en la producción de trigo por el empleo del
fertilizante.

Al aplicar la prueba t-bimuestral se deben vigilar que las muestras sean independientes.
Por ejemplo, no puede utilizarse cuando se trabaja con datos de “antes y después”, para
ese caso se utiliza la diferencia de los datos apareados (con su signo).

Ejemplo: Los siguientes datos son las horas-hombre que se pierden semanalmente en
promedio por accidentes en 10 plantas industriales antes y después de implantar un cierto
programa de seguridad:

45 y 36 73 y 60 46 y 44 124 y 119 33 y 35
57 y 51 83 y 77 34 y 29 26 y 24 17 y 11

utilizar el nivel de significación de 0.05 para probar si el sistema de seguridad es eficaz.

1– Hipótesis Nula = 0, la media de la población de diferencia es nula Hipótesis

Alternativa (unilateral), el sistema de seguridad es eficaz
2- Nivel de significancia: =0.05. t = 1.833 con =10-1=9 grados de libed. 3
- Para trabajar con tablas normalizadas:

s
n
t

4 – Cálculos: Se calcula primero la media y la desviación estándar de la muestra de

diferencias:

______________________________________________________________________ 22
Cátedra Estadística Aplicada II
Universidad de Mendoza Ing. Jesús Rubén Azor M ontoya

9 13 2 5 2 6 6 5 2 6
x 5.2
2 2 2 2 2 2 2 2 2 2 2 10
9 13 2 5 2 6 6 5 2 6 10 5.2
9 s4.077

5.2 0
t4.033
4.077
10

5- Dado que 4.033 > t0.05 (t = 1.833) se Rechaza la Hipótesis Nula = 0. Vale decir,
el sistema de seguridad es eficaz.
Esta prueba t se conoce como “Prueba t para Muestras Apareadas”.

______________________________________________________________________ 23
Cátedra Estadística Aplicada II