Contraste de Hipotesis PDF

Estadística
Karina Rojas Patuelli ([email protected])
Universidad Rey Juan Carlos
Ciencias experimentales
CONTENIDOS
• Introducción
• Región crítica y región de aceptación
• Tipos de contrastes
• Bilaterales
• Unilaterales
• Tipos de errores
• Valor-p
• Tipos de contrastes para 1 o 2 muestras
CONTRASTE DE HIPÓTESIS
En un problema de contraste de hipótesis paramétrica no se trata de

obtener el valor del parámetro, ya sea por una aproximación o por un
intervalo. El objetivo es determinar (contrastar) si el valor del
parámetro cumple una determinada condición.
Por ejemplo, sea X la medida de unas piezas de ordenador.

Supongamos que X∼N(μ, 22) donde μ es el parámetro desconocido.
Podemos querer plantearnos evaluar si se cumple que μ = 4 ya que
para otro tipo de ordenadores estas piezas miden 4mm.
Lo que se quiere comprobar se llama hipótesis nula y se denota H0,
mientras que su negación se llama hipótesis alternativa y se denota H1.
En nuestro ejemplo, el contraste a resolver se escribiría:

H0: μ = 4
H1: μ ≠ 4
Si se concluye la hipótesis nula se dice que se acepta H0, mientras que si
se concluye la hipótesis alternativa se dice que se rechaza H0 (o que se
acepta H1).
Un primer aspecto que hay que tener en cuenta en los contrastes de
hipótesis es que se parte del supuesto de que la hipótesis nula es cierta.
Por ello, en caso de duda concluiremos la hipótesis nula y sólo cuando
tengamos una fuerte evidencia en contra concluiremos la hipótesis
alternativa.
Una primera consecuencia de lo anterior es que si al hacer los cálculos

obtenemos que un valor aproximado de μ (obtenido a partir de un
estimador) está cerca de 4, entonces asumiremos que en realidad el
verdadero valor es 4. En otras palabras, lo que en realidad se está
contrastando es si se cometería un error grave suponiendo que el
parámetro desconocido está en las condiciones de la hipótesis nula.
Otra consecuencia es que concluir la hipótesis nula no significa que sea

cierta, sino que no tenemos evidencia de que sea falsa. Por otra parte,
para concluir la hipótesis alternativa sí necesitamos una fuerte
evidencia de que es cierta.
Si queremos “demostrar” algo sobre el valor del parámetro desconocido,
esta propiedad tiene que ser la hipótesis alternativa. En los estudios sobre
la eficacia de medicamentos, se considera que un nuevo medicamento es
efectivo si la proporción de enfermos que cura es mayor que la proporción
que se curan con los medicamentos conocidos. Es muy importante tener
una fuerte evidencia de que esto es así antes de comercializar el nuevo
medicamento.
La hipótesis que quiero probar sería la alternativa y la hipótesis nula será

su negación, es decir, que el nuevo medicamento no mejora los
resultados, y será efectivo el medicamento si se tiene evidencia para
rechazar Ho.
Para resolver un contraste necesitamos tener información sobre el

parámetro desconocido. Esta información nos la proporciona una
muestra (en general obtenida por muestreo aleatoria simple) de
tamaño n de la variable X.
Tenemos así una muestra (X1, ..., Xn) de la que obtenemos los datos
(x1, ..., xn).
Recordemos el ejemplo anterior: Supongamos que X∼N(μ, 22)

donde μ es el parámetro desconocido, y queremos contrastar:
H0: μ = 4
H1: μ ≠ 4
Supongamos que con nuestros datos 𝑥 = 4. En este caso tenemos

una evidencia de que μ toma un valor cercano a 4, con lo que
concluiremos que la hipótesis nula es cierta.
Mientras que si obtenemos 𝑥 = 100, entonces tenemos evidencia
de que μ no toma el valor 4, con lo que concluiremos que la
hipótesis alternativa es cierta.
Finalmente, si obtenemos 𝑥 = 4,3, entonces tenemos un valor que
no sería muy raro si la hipótesis nula fuese cierta, aunque tampoco
proporciona evidencia de su verosimilitud.
Ejemplo: Durante el estudio de una población de mujeres fumadoras, se planteó la
siguiente hipótesis: “En esta población, el peso al nacer es menor que la media
nacional de 3350 grs”.
1.Hipótesis: Se plantea que la distribución del peso de nacimiento tiene esta media
2.Muestreo: Al tomar una 3. La probabilidad de que los datos

muestra aleatoria de la provengan de una población con
población, se obtuvo este =3350 es muy baja.
promedio
4.Conclusión: Se rechaza la
hipótesis inicial. Luego, el peso
de nacimiento en población
de mujeres fumadoras es
inferior a la media nacional.
x  2950  =3350
En definitiva, a partir de los valores de la muestra nosotros tenemos

que decidir si aceptamos o rechazamos H0, habrá muestras para las
que se acepte y muestras para las que se rechace.
El conjunto de muestras para las que se acepta H0 determinan

una región que se llama región de aceptación, mientras que las
muestras que llevan a rechazar H0 determinan lo que se llama la
región crítica o región de rechazo.
Región de rechazo Región de aceptación Región de rechazo

En general, dada una muestra, se toma una función de ella T(X1,..., Xn)
que será el estadístico del contraste. Suelen ser los estimadores
puntuales o la función pivotal que aparecía en intervalos de confianza
suponiendo que la hipótesis nula es cierta.
En función del valor que toma T tomaremos nuestra decisión, es

decir, habrá valores de T que nos lleven a concluir que H0 es cierta, y
que determinan la región de aceptación, y valores que nos llevan a
rechazar H0 y que definen la región crítica o de rechazo
En general existen dos tipos de contrastes según el tipo de hipótesis:
Hipótesis Bilaterales
¿La prevalencia de alcoholismo en la población bajo H0: P=0.05

estudio, es similar al 5% reportado a nivel nacional? H1: P0.05
¿Tiene la población de niños estudiada un coeficiente H0: =100

intelectual promedio de 100 puntos? H1: 100
¿Cambia la media de presión arterial en hipertensos H0: A= B

usando tratamiento A en comparación con tto. B? H1: A B
Hipótesis Unilaterales
¿Tiene la población de niños estudiada un coeficiente H0: 100

intelectual promedio inferior a 100 puntos? H1: <100
Tipos de Contrastes: Las regiones de aceptación y de rechazo quedan
determinadas por el tipo de contraste planteado.
H0: P=P0 H0: = 0

Contraste Bilateral (o de dos colas)
H1: PP0 H1:  0
Región de Aceptación Región de

Aceptación
   
   z / 2  ,   z / 2  
 n n
1- 
Región de
Rechazo
Región de /2 /2

Rechazo -Z/2 Z/2
Contraste Unilateral (o de una cola): El nivel de significación  se encuentra sólo a un lado.
1. Unilateral por la Derecha
H0:  ≤ 0 H0: P ≤ P0
H1:  > 0 H1: P > P0
1- 
  
Región de   ,   z   
Aceptación  n
Z
2. Unilateral por la Izquierda
H0:  ≥ 0 H0: P ≥ P0
H1:  < 0 H1: P < P0
1- 
Región de   
Aceptación    z  , 
 n 
-Z
Una vez tomada la decisión de si se acepta o se rechaza H0 es posible

que nuestra decisión sea errónea. Esto es debido a que todas nuestras
conclusiones se basan en la representatividad de la muestra, situación
que no se tiene siempre y que no podemos controlar completamente.
Podemos cometer dos tipos de error:
1. Tipo I: Rechazar la hipótesis nula cuando es cierta
2. Tipo II: No rechazar la hipótesis nula cuando es falsa
Para construir un buen contraste es deseable que las probabilidades de

error tipo I y II sean lo más pequeñas posible
Error Tipo I: El estadístico toma un valor en la región crítica pero H0 es cierta.
T(X1,..., Xn) 𝜃
Error Tipo II: El estadístico toma un valor en la región aceptación pero H0 es falsa.
T(X1,..., Xn) 𝜃

Ejemplo: Verdad
H0: = 0
H1:  0 (Estado del parámetro en la población)
Aceptar H0 H0 es Verdadero H1 es Verdadero
(tomada en base a datos
Correcto Error tipo II

1-  : Confianza 
muestrales)
Rechazar H0
Error tipo I Correcto

Decisión
: significación. 1- : Potencia

Nos interesaría disminuir ambos tipos de errores, pero mientras uno

aumenta el otro disminuye. Por lo tanto, se considera, es más grave
condenar a un inocente (error tipo I) que dejar libre a un culpable
(error tipo II). Por ello, se procede de la siguiente manera:
1. Se fija el nivel de significación α, la máxima probabilidad de error

tipo I que estamos dispuestos a asumir, por ejemplo 0.1, 0.05,
0.01 (para IC el nivel de confianza es 1 - α).
2. Se toman las regiones de aceptación y crítica de forma que se
minimice el error tipo II.
Ejemplo
El peso al nacer en Chile sigue una distribución aproximadamente normal con
media  = 3,350 y desviación estándar  = 535.
Un investigador sostiene que las mujeres que fuman durante el embarazo

tienen bebés con menor peso. Para probar su hipótesis realizó un estudio de
100 partos donde la madre fumó durante el embarazo. Los resultados del
estudio fueron:
x  2,950 s  550 n  100

Plantear una Hipótesis Bilateral al 95% y 99% de Confianza, y una Hipótesis
Unilateral al 95% de Confianza
H0: = 3350
Contraste Bilateral H1:  3350
Región de Aceptación (RA)
 535 535 
3350  104.86
 3350  1.96  ,3350  1.96  
 100 100 
Con un 95% de Confianza  pertenece al intervalo (3255 , 3455)
La media muestral fue de 2950, que no pertenece a la RA.
Por lo tanto, Rechazo H0 y el verdadero valor del parámetro  no es 4.
Con un 99% de Confianza  pertenece al intervalo (3212 , 3488), Rechazo H0
Por lo tanto, el peso promedio de bebés de madres fumadoras no es 3350.

H0:  ≥ 3350
Contraste Unilateral
H1:  < 3350
Región de Aceptación (RA)
 535 
 3350  1.645  , 3350  89,  
 100 
Con un 95% de Confianza,  pertenece al intervalo (3261 , ∞)
Con una media muestral de 2950, Rechazo H0
Existe evidencia para afirmar que el peso promedio de bebés de madres

fumadoras es menor a 3350.
Considerando un contraste unilateral, con cualquier media muestral menor a

3261, se va a rechazar la Hipótesis Nula.
El valor-p es la probabilidad de observar un valor igual o más extremo que el

obtenido en nuestro experimento, asumiendo que la hipótesis nula es verdadera.
Ejemplo: El peso al nacer en Chile sigue una distribución aprox. normal con
media  = 3,350 y desviación estándar  = 535.
Resultados obtenidos de la muestra…
x  2,950 s  550 n  100
La hipótesis H0:=3350 se rechazó con p<0.001. Es decir, la probabilidad de que la

media observada (2950±550) provenga de una población con media =3350 es
menor que 0.001. Luego, se rechaza H0.
Para la misma Hipótesis anterior, calcular el valor-p obtenido si la

media muestra fue de 3200 y 3300 (n=100).
H0:  ≥ 3350 
Considerando que… X ~ N (3350,5352 / 100)
H1:  < 3350
3200  3350
P ( X  3200)  P ( Z  )  P ( Z  2.8)  1  P ( Z  2.8)  1  0.9975
53.5
Valor- p = 0.0025 Rechazo H0
3300  3350
P ( X  3300)  P ( Z  )  P ( Z  0.9345)  1  P ( Z  0.9345)  1  0.825
53.5
Valor- p = 0.175 No puedo Rechazar H0
Contraste para la esperanza en poblaciones normales con varianza conocida
Sean X una variable aleatoria, X ∼ N(μ, σ) donde μ es un parámetro

desconocido. Tenemos una m.a.s. de esta variable, (X1, ..., Xn) y nuestro objetivo
es realizar inferencias sobre la media de la población.
Bajo estas condiciones, el estadístico del contraste es:
_
X
Z  N (0,1)

n
Este es el caso que recién estudiamos.
Contraste bilateral
Rechazaremos la hipótesis nula si los valores del estimador son

H0: = 0
H1:  0 muy grandes o muy pequeños. Consideraremos las dos colas de
igual probabilidad. OJO!! pienso que se refiere a "muy
pequeños negativos".
Por tanto, creo que aquí faltaría poner el
signo "-"
_ _
x 0 x 0
Si z  z / 2 ó si z  z / 2 se rechaza H0
 
n n
 
 _

x 0
Equivalentemente, si pvalor  P Z  z   
  
 
 n 
Contraste unilateral
H 0 :    0 Rechazaremos la hipótesis nula si los valores del estimador son

H1 :    0 muy grandes. Consideraremos sólo una cola de probabilidad.
_
x 0
Si z  z / 2 se rechaza H0

n
 
 _

x  
Equivalentemente, si pvalor  P Z  z  0 

  
 
 n 
Contraste para la esperanza en poblaciones normales con varianza desconocida
Sean X una variable aleatoria, X ∼ N(μ, σ) donde μ y σ son parámetros

desconocidos. Tenemos una m.a.s. de esta variable, (X1, ..., Xn) y nuestro
objetivo es realizar inferencias sobre la media de la población.
_
X
Z  t n 1
S
n
Contraste bilateral

H0: = 0
H1:  0 muy grandes o muy pequeños. Consideraremos las dos colas de
igual probabilidad.
_ _
x 0 x 0
Si t  t n 1, / 2 ó si t  t n 1, / 2 se rechaza H0
S S
n n
 
 _

 x 0  
Equivalentemente, si pvalor  P t n 1  t 
 S 
 
 n 
H 0 :    0 Rechazaremos la hipótesis nula si los valores del estimador son

H1 :    0 muy grandes. Consideraremos sólo una cola de probabilidad.
_
x 0
Si t  t n 1, se rechaza H0
S
n
 
 _

x  
Equivalentemente, si pvalor  P t n 1  t  0 

 S 
 
 n 
Contraste para la varianza en poblaciones normales
Sean X una variable aleatoria, X ∼ N(μ, σ) donde σ es un parámetro

desconocido. Tenemos una m.a.s. de esta variable, (X1, ..., Xn) y nuestro objetivo
es realizar inferencias sobre la varianza de la población.
 2

n  1 s 2
 2
n 1
 2
0
Contraste bilateral

H0 :  
2 2
0
muy grandes o muy pequeños. Consideraremos las dos colas de
H1 :   
2 2
0
igual probabilidad.
 
Si  2 
n  1 s 2
2 
n  1 s 2
  n21,1 / 2 se rechaza H
  n21,1 / 2 ó si
 02  02 0
 

 2
 P  n 1 
n  1 s 2 
Equivalentemente, si pvalor  
  0
2

 
H 0 :  2   02 Rechazaremos la hipótesis nula si los valores del estimador son

H1 :  2   02 muy grandes. Consideraremos sólo una cola de probabilidad.

n  1 s 2
Si     n21,1 se rechaza H0
2
 02
 

 2
 P  n 1 
n  1 s 2 

Equivalentemente, si pvalor 
 0 
2
 
Contraste de igualdad de esperanzas para muestras independientes con varianzas iguales
Sean X a Y variables aleatorias, X ∼ N(μ, σ) e Y ~ N(μ, σ) donde σ es un

parámetro desconocido. Tenemos una m.a.s. de estas variables, (X1, ..., Xm) e (Y1,
..., Yn) y nuestro objetivo es realizar inferencias sobre la diferencia entre las
medias de ambas variables de la población.
_ _
X Y m  1S x2  n  1S y2
 tm n2 donde Sc 
 1 1 mn2
Sc   
m n
Contraste bilateral

H 0 : 1   2
H1 : 1   2
igual probabilidad.
_ _
X Y
Si  t m  n  2, / 2 se rechaza H0
 1 1
Sc   
m n
 _ _ 
 X Y 
 
Equivalentemente, si pvalor  P t m  n  2   
  1 1
 S c    
 m n 
En el caso en el cual el tamaño de las muestras son grandes, tenemos que:

_ _
X Y
 N (0,1)
 1 1
Sc   
m n
_ _
X Y
Entonces, si  z / 2 se rechaza H0
 1 1
Sc   
m n
 _ _ 
 X Y 
 
Equivalentemente, si pvalor  P Z   
  1 1 
 Sc    
 m n 
Contraste de igualdad de esperanzas para muestras independientes con varianzas distintas
Sean X a Y variables aleatorias, X ∼ N(μ1, σ1) e Y ~ N(μ2, σ2) donde σ1 y σ2 son

parámetros desconocidos. Tenemos una m.a.s. de estas variables, (X1, ..., Xm) e
(Y1, ..., Ym) y nuestro objetivo es realizar inferencias sobre la diferencia entre las
2
 S x2 S y2 
  
m n 
_ _
X Y
 tk donde k  
2 2
 S x   S y 

2
S 2
S 2 2

x y
   
m n
 m   n 
m 1 n 1
Contraste bilateral

H 0 : 1   2
H1 : 1   2
igual probabilidad.
_ _
X Y
Si  t k , / 2 se rechaza H0
2 2
S S

x y
m n
 
 _ _
 X Y 
Equivalentemente, si pvalor  P t k 
2
 
 Sx S y 
2
 
 m n 
En el caso en el cual el tamaño de las muestras son grandes, tenemos que:
_ _
X Y
 N (0,1)
2 2
S S
x
 y
m n
_ _
X Y
Entonces, si  z / 2 se rechaza H0
2
S x2 S
 y
m n
 
 _ _ 
 X Y 
Equivalentemente, si pvalor  P Z   
2
 S x2 S y 
 
 m n 
Contraste de igualdad de esperanzas para muestras pareadas
Sean X a Y variables aleatorias, X ∼ N(μ, σ) e Y ~ N(μ, σ) donde σ es un

parámetro desconocido. Tenemos una m.a.s. de estas variables, (X1, ..., Xm) e (Y1,
..., Ym) y nuestro objetivo es realizar inferencias sobre la diferencia entre las

Definimos D  X  Y  N 1   2 ,  x   y  2 xy
2 2
 y las diferencias
(X1-Y1,..., Xm-Ym) constituyen una m.a.s. de la población X-Y
_ _
X  Y  1   2 
n  N 0,1
 2
x   y2  2 xy 
Si la varianza no es conocida, entonces se utiliza:
n
_ _
X  Y  1   2 

 i i
X  Y 2
2
 _ _
n 1  t n 1 s*  i 1
 X Y 
 
*
s n
Contraste bilateral

H 0 : 1   2
H1 : 1   2
igual probabilidad.
_
D
Entonces, si *
 t n 1, / 2 se rechaza H0
s
n
 _ 
 D 
Equivalentemente, si pvalor  P t n 1  *  
 s 
 n 
Contraste de comparación de varianzas para muestras independientes
Sean X a Y variables aleatorias, X ∼ N(μ1, σ1) e Y ~ N(μ2, σ2) donde σ1 y σ2 son

parámetros desconocidos. Tenemos una m.a.s. de estas variables, (X1, ..., Xm) e
(Y1, ..., Ym) y nuestro objetivo es realizar inferencias sobre el coiciente entre las
varianzas de ambas variables de la población.
S2x
 12 S2x
 2  Fn 1,m 1
S2y Sy
 22
Contraste bilateral

H0 :  
2 2
0
H1 :   
2 2
0
igual probabilidad.
Si PFn 1,m 1  Fc1    / 2 ó si PFn 1,m 1  Fc 2    / 2 se rechaza H0
S x2
Y por lo tanto, la región de aceptación será: Fc1  2  Fc 2
Sy
H 0 :  2   02 Rechazaremos la hipótesis nula si los valores del estimador son

H1 :  2   02 muy grandes. Consideraremos sólo una cola de probabilidad.
Si PFn 1,m 1  Fc    se rechaza H0
S x2
Por lo tanto la región de aceptación será: 2
 Fc
Sy
Contraste para la proporción en poblaciones Bernoulli
Sean X una variable aleatoria, X ∼ Bernoulli(p) donde p es el parámetro

desconocido. Tenemos una m.a.s. de esta variable, (X1, ..., Xn) con n>=30 y
nuestro objetivo es realizar inferencias sobre la proporción de la población.
pˆ  p
 Normal (0,1)
p (1  p )
n
Contraste bilateral

H0: p= p0
H1: p p0 muy grandes o muy pequeños. Consideraremos las dos colas de
igual probabilidad.
pˆ  p0 pˆ  p0
Si z   z / 2 ó si z   z / 2 se rechaza H0
p0 (1  p0 ) p0 (1  p0 )
n n
 
 
ˆp  p0
pvalor  P Z   
p0 (1  p0 ) 
Equivalentemente, si
 
 n 
H 0 : p  p0 Rechazaremos la hipótesis nula si los valores del estimador son

H 1 : p  p0 muy grandes. Consideraremos sólo una cola de probabilidad.
pˆ  p0
Si z   z se rechaza H0
p0 (1  p0 )
n
 
 
Z  pˆ  p0  
Equivalentemente, si p  P
valor
 p0 (1  p0 ) 
 
 n 
Contraste de igualdad de proporciones para muestras independientes
Sean X a Y variables aleatorias, X ∼ Bernoulli(p1) e Y ~ Bernoulli(p2) donde p1 y

p2 son parámetros desconocidos. Tenemos una m.a.s. de estas variables, (X1, ...,
Xm) e (Y1, ..., Yn) con n>=30 y m>=30 y nuestro objetivo es realizar inferencias
sobre la diferencia entre las proporciones de ambas variables de la población.
pˆ 1  pˆ 2
 Normal (0,1)
 p1 (1  p1 ) p2 (1  p2 ) 
  
 m n 
Contraste bilateral

H 0 : p1  p2
H1 : p1  p2
igual probabilidad.
pˆ 1  pˆ 2
Si  z / 2 se rechaza H
 p1 (1  p1 ) p2 (1  p2 ) 
0
  
 m n 
 
 
 pˆ 1  pˆ 2 
p
Equivalentemente, si valor  P  Z    /2
  p1 (1  p1 ) p2 (1  p2 )  
    
  m n  

Contraste de Hipotesis PDF

Cargado por

Copyright:

Formatos disponibles

Contraste de Hipotesis PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Contraste de Hipotesis PDF

Cargado por

Copyright:

Formatos disponibles

Estadística

Karina Rojas Patuelli ([email protected])

Universidad Rey Juan Carlos

En un problema de contraste de hipótesis paramétrica no se trata de

Por ejemplo, sea X la medida de unas piezas de ordenador.

En nuestro ejemplo, el contraste a resolver se escribiría:

Una primera consecuencia de lo anterior es que si al hacer los cálculos

Otra consecuencia es que concluir la hipótesis nula no significa que sea

La hipótesis que quiero probar sería la alternativa y la hipótesis nula será

Para resolver un contraste necesitamos tener información sobre el

Recordemos el ejemplo anterior: Supongamos que X∼N(μ, 22)

Supongamos que con nuestros datos 𝑥 = 4. En este caso tenemos

2.Muestreo: Al tomar una 3. La probabilidad de que los datos

En definitiva, a partir de los valores de la muestra nosotros tenemos

El conjunto de muestras para las que se acepta H0 determinan

Región de rechazo Región de aceptación Región de rechazo

En función del valor que toma T tomaremos nuestra decisión, es

En general existen dos tipos de contrastes según el tipo de hipótesis:

¿La prevalencia de alcoholismo en la población bajo H0: P=0.05

¿Tiene la población de niños estudiada un coeficiente H0: =100

¿Cambia la media de presión arterial en hipertensos H0: A= B

¿Tiene la población de niños estudiada un coeficiente H0: 100

H0: P=P0 H0: = 0

Región de Aceptación Región de

Región de /2 /2

1. Unilateral por la Derecha

Una vez tomada la decisión de si se acepta o se rechaza H0 es posible

Para construir un buen contraste es deseable que las probabilidades de

Error Tipo I: El estadístico toma un valor en la región crítica pero H0 es cierta.

Región de rechazo Región de aceptación Región de rechazo

Región de rechazo Región de aceptación Región de rechazo

Correcto Error tipo II

Error tipo I Correcto

: significación. 1- : Potencia

Nos interesaría disminuir ambos tipos de errores, pero mientras uno

1. Se fija el nivel de significación α, la máxima probabilidad de error

Un investigador sostiene que las mujeres que fuman durante el embarazo

x  2,950 s  550 n  100

Región de Aceptación (RA)

La media muestral fue de 2950, que no pertenece a la RA.

Por lo tanto, Rechazo H0 y el verdadero valor del parámetro  no es 4.

Con un 99% de Confianza  pertenece al intervalo (3212 , 3488), Rechazo H0

Por lo tanto, el peso promedio de bebés de madres fumadoras no es 3350.

Región de Aceptación (RA)

Con un 95% de Confianza,  pertenece al intervalo (3261 , ∞)

Con una media muestral de 2950, Rechazo H0

Existe evidencia para afirmar que el peso promedio de bebés de madres

Considerando un contraste unilateral, con cualquier media muestral menor a

El valor-p es la probabilidad de observar un valor igual o más extremo que el

x  2,950 s  550 n  100

La hipótesis H0:=3350 se rechazó con p<0.001. Es decir, la probabilidad de que la

Para la misma Hipótesis anterior, calcular el valor-p obtenido si la

Contraste para la esperanza en poblaciones normales con varianza conocida

Sean X una variable aleatoria, X ∼ N(μ, σ) donde μ es un parámetro

Rechazaremos la hipótesis nula si los valores del estimador son

H 0 :    0 Rechazaremos la hipótesis nula si los valores del estimador son

Contraste para la esperanza en poblaciones normales con varianza desconocida

Sean X una variable aleatoria, X ∼ N(μ, σ) donde μ y σ son parámetros

Rechazaremos la hipótesis nula si los valores del estimador son