Test Hipotesis 1

Curso 2022-23
Administración y Dirección de Empresas

Programa conjunto en Ingeniería Informática-Administración y Dirección de Empresas
Estadística II - 27310
Estadística II - 39814
Contrastes de
hipótesis
Profesor: Daniel Isidoro Ramírez
Email: [email protected]
Departamento de Métodos Estadísticos
Universidad de Zaragoza
Inferencia estadística
BLOQUE 3: INFERENCIA ESTADÍSTICA

Tema 5. Contraste de hipótesis
 Inferencia estadística: contraste de hipótesis
 Pruebas (test o contrastes) de hipótesis: Tipos de errores en un test de hipótesis
 Nivel de significación (α), valor P (p-valor o p-value) y potencia de un test
 Test de una cola y de dos colas
 Test de hipótesis para muestras procedentes de poblaciones normales: test paramétricos
 Test de normalidad (Shapiro-Wilk)*
 Test t para las medias
 Análisis de la varianza (ANOVA)*
 Test Chi-cuadrado para la varianza (σ2)
 Test F para la comparación de varianzas (dos muestras)
 Test de Bartlett (más de 2 muestras)*
 Test de hipótesis para muestras no procedentes de poblaciones normales: test no
paramétricos
 Test Z para muestras grandes, no normales
 Test para proporciones (p) ―Aproximación normal
 Test de comparación de las medianas*
 Test de Wilcoxon o de Mann-Whitney (2 muestras)*
 Test de Kruskal-Wallis (más de dos muestras)*
 Test para la comparación de varianzas (Levene)*
 Tes Chi-cuadrado de bondad del ajuste
* Solo los aplicaremos en problemas con Rcmdr
Test de hipótesis
 Test de hipótesis (pruebas o contrastes de hipótesis)

 El objetivo es determinar si se puede aceptar una determinada hipótesis
(hipótesis nula, H0) sobre la población(es) de origen frente a una
hipótesis alternativa (HA) en función de los datos de una o varias
muestras con un cierto nivel de probabilidad —Nivel de significación, α
 Conocida la distribución en el muestreo de un cierto estadístico (𝑥,ҧ 𝑆 2 …)
podemos valorar con qué probabilidad se encontrará el valor muestral (el
estadístico que calculamos a partir de la muestra obtenida) en la
hipótesis nula de que la muestra procede de una cierta población con
unos ciertos valores paramétricos (μo, σo2…)
 Establecer siempre CLARAMENTE cuál es H0. Tres pasos:
1º Definir las hipótesis nula (H0) y alternativa (HA) y fijar un N.S. (α)
2º Calcular el estadístico asociado al test (zc, 𝜒𝑐2 , Fc…)
3º Comparar el estadístico calculado (TC) con el valor que debería tener
para el N.S. prefijado (α) o comparar el P-valor que le corresponde con
α. Rechazaremos H0 si la probabilidad que corresponde a TC es más
baja que el valor α prefijado.
Test de hipótesis

 El estadístico T sigue una distribución conocida [𝑓(𝑥)] (hipótesis nula, H0). Se trata
de ver si el estadístico calculado a partir de la muestra {x1, x2…xn} [𝑇𝐶 = 𝑇(𝑥𝑖)]
sigue realmente esa distribución —Nivel de significación, α
 P-valor (P-value) de un test es la probabilidad de obtener un valor mayor (o
menor) del estadístico calculado siendo H0 cierta.
𝑅𝑒𝑔𝑖ó𝑛 𝑑𝑒 𝑎𝑐𝑒𝑝𝑡𝑎𝑐𝑖ó𝑛: 𝑃 = 1 − 𝛼 1º 𝐻0 : 𝑇~𝑓 𝑥 𝑐𝑜𝑛 𝑚𝑒𝑑𝑖𝑎 𝜃0

2º 𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑚𝑜𝑠 𝑇𝑐 (𝑥𝑖 )
𝑇~𝑓(𝑥) 3º 𝐶𝑜𝑚𝑝𝑎𝑟𝑎𝑚𝑜𝑠 𝑇𝑐 𝑥𝑖
con su distribución teórica
bajo la suposición de ser
𝑇𝑐 ∈ 𝑅. 𝑎𝑐𝑒𝑝𝑡𝑎𝑐𝑖ó𝑛 ՜
cierta la hipótesis nula H0
P − value > α
𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻0 𝑇𝑐 ∈ 𝑅. 𝑐𝑟í𝑡𝑖𝑐𝑎 ՜P − value < α
𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0
𝑥
𝛼/2 𝜃0 𝛼/2
𝑅𝑒𝑔𝑖ó𝑛 𝑐𝑟í𝑡𝑖𝑐𝑎 𝑅𝑒𝑔𝑖ó𝑛 𝑐𝑟í𝑡𝑖𝑐𝑎
𝑃=𝛼 𝑃=𝛼
Test de hipótesis

 Tipos de error en un test de hipótesis
1º Si la hipótesis nula (H0) es cierta obtendremos resultados dentro de la región
crítica en un 𝛼% de las realizaciones del muestreo; luego hay una probabilidad
(𝛼) de rechazar H0 la siendo cierta: Error de Tipo I
2º Si la verdadera distribución del parámetro es una distinta de H0 (sea HA),
tendremos una cierta probabilidad β de aceptar H0 siendo falsa: Error de Tipo II
Tipos de Error H0 cierta H0 falsa

Rechazar H0 Tipo I [P = α] OK
Aceptar H0 OK Tipo II [P = β] 𝑯𝑨
𝑯𝟎
𝜷
𝛼/2
𝛼/2
𝑃 =1 −𝛼
Test de hipótesis
Test de hipótesis:
Población Normal(1) Población NO-normal
Prueba
𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊𝒐𝒏𝒆𝒔 𝒕, 𝝌𝟐 𝒚 𝑭 Comparaciones sobre las medianas
Sobre una media:
Test bilateral: 𝑥ഥ = 𝜇0 Test de Wilcoxon para una muestra
Test t para una muestra
Test unilateral: 𝑥ഥ ≤ 𝜇0 𝑜 𝑥ഥ ≥ 𝜇0 (también llamado Mann-Whitney)
Sobre dos medias:

Muestras independientes:
Test t para muestras independientes.
Test bilateral: 𝜇1 ≠ 𝜇2 Test de Wilcoxon para dos muestras
Asumiendo 𝜎12 = 𝜎22 𝑜 𝜎12 ≠ 𝜎22 (2)
Test unilateral: 𝜇1 ≤ 𝜇2 𝑜 𝜇1 ≥ 𝜇2
Datos apareados:
Test t para datos apareados (equivale un
Test bilateral: 𝜇1 ≠ 𝜇2 Test de Wilcoxon para datos apareados
test t para una muestra: 𝑥ҧ1 − 𝑥ҧ 2 = 0)
Test unilateral: 𝜇1 ≤ 𝜇2 𝑜 𝜇1 ≥ 𝜇2
Sobre varias medias:
𝑥ҧ1 = 𝑥ҧ2 = 𝑥ҧ3 = ⋯ ANOVA de un factor Test de Kruskal-Wallis
Sobre una varianza:
𝑆 2 = 𝜎02 Test 𝜒 2
Sobre dos varianzas(2):
𝑆12 Τ𝑆22 = 1 (𝑐𝑜𝑛 𝑆12 > 𝑆22 ) Test F
Sobre varias varianzas: Test de Bartlett Test de Levene
(1) La normalidad de una muestra se comprueba, previamente, con un test de normalidad (Shapiro-Wilk)
(2)La prueba t sobre la igualdad de dos medias independientes (𝜇1 ≠ 𝜇2 ) se realiza de un modo distinto si las varianzas de las
2 muestras se pueden considerar iguales o no; por eso se suele (y se debe) realizar la prueba F de igualdad de las varianzas
(𝑆12 Τ𝑆22 = 1) antes de aplicar el test t
Poblaciones Normales
 Test de hipótesis para Poblaciones Normales

 Se trata de testar si los estadísticos (𝑥,ҧ 𝑆 2 ) obtenidos de una muestra procedente de
una población normal toman o no ciertos valores (μo, σo2) con un cierto nivel de
significación 𝛼 (N.S.) o si los estadísticos procedentes de dos muestras normales son
o no iguales
 Test de hipótesis para poblaciones normales
 Test de hipótesis para la media de la población (µ): σ2 conocida / σ2 desconocida
 Test de hipótesis para la varianza poblacional (σ2): µ conocida / µ desconocida
 Test de hipótesis para el cociente de varianzas de dos poblaciones normales
independientes
 Test de hipótesis para la diferencia entre las medias de dos poblaciones normales
independientes
 Test de hipótesis para datos apareados (media de las diferencias)

 Test de hipótesis para la media de la población (µ): σ2 conocida / σ2 desconocida
1 1
 Muestra: 𝑥1 , 𝑥2 … 𝑥𝑛 ՜ 𝑥ҧ = σ𝑛𝑖=1 𝑥𝑖 ; 𝑆2 = σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2
𝑛 𝑛−1
 σ2 desconocida: comparamos la media muestral (𝑥)ҧ con un cierto valor μ0 donde la

muestra procede de una población normal cuya varianza σ2 estimamos como S2 de la
muestra
ҧ 0
𝑥−𝜇
 Por tanto ~𝑡𝑛−1 . Fijamos un N.S. α (α = 0.05 e.g.):
𝑆Τ 𝑛
1º H0: 𝜇 = 𝜇0 Test bilateral o de dos colas (con N.S. α):

𝑆 𝑆
HA: 𝜇 ≠ 𝜇0 Región de aceptación: 𝑥ҧ − 𝑡𝑛−1;1−𝛼Τ2 · , 𝑥ҧ + 𝑡𝑛−1;1−𝛼Τ2 ·
𝑛 𝑛
𝑥ҧ − 𝜇0
2º Calculamos 𝑡𝑐 =
𝑆Τ 𝑛 𝑅𝑒𝑔𝑖ó𝑛 𝑑𝑒 𝑎𝑐𝑒𝑝𝑡𝑎𝑐𝑖ó𝑛
𝑥ҧ − 𝜇0
𝑆𝑖 𝑡𝑐 = ≤ 𝑡𝑛−1;1−𝛼Τ2 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜
𝑆Τ 𝑛
3º Decisión ൞ 𝑥ҧ − 𝜇0
𝑆𝑖 𝑡𝑐 = > 𝑡𝑛−1;1−𝛼Τ2 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜
𝑆Τ 𝑛
𝛼 Τ2 𝛼 Τ2
𝑆𝑖 𝐹 𝑡𝑐 = 𝑃(𝑡 < 𝑡𝑐 ) ≤ 1 − 𝛼 Τ2 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜 −𝑡𝑛−1;1−𝛼Τ2 𝑡𝑛−1;1−𝛼Τ2
3º O bien ቐ
𝑆𝑖 𝐹 𝑡𝑐 = 𝑃 𝑡 < 𝑡𝑐 > 1 − 𝛼 Τ2 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜

1 1
𝑛 𝑛−1

muestra
ҧ 0
𝑥−𝜇
𝑆Τ 𝑛
1º H0: 𝜇 ≤ 𝜇0 Test unilateral o de una cola (con N.S. α):

𝑆
HA: 𝜇 > 𝜇0 Región de aceptación: −∞ , 𝑥ҧ + 𝑡𝑛−1;1−𝛼 ·
𝑛
𝑥ҧ − 𝜇0
𝑆Τ 𝑛
𝑅𝑒𝑔𝑖ó𝑛 𝑑𝑒 𝑎𝑐𝑒𝑝𝑡𝑎𝑐𝑖ó𝑛
𝑥ҧ − 𝜇
𝑆𝑖 𝑡𝑐 = Τ 0 ≤ 𝑡𝑛−1;1−𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜
𝑆 𝑛
3º Decisión ൞ 𝑥ҧ − 𝜇
𝑆𝑖 𝑡𝑐 = Τ 0 > 𝑡𝑛−1;1−𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜
𝑆 𝑛
𝛼
𝑆𝑖 𝐹 𝑡𝑐 = 𝑃(𝑡 < 𝑡𝑐 ) ≤ 1 − 𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜
3º O bien ቐ 𝑡𝑛−1;1−𝛼
𝑆𝑖 𝐹 𝑡𝑐 = 𝑃 𝑡 < 𝑡𝑐 > 1 − 𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜

1 1
𝑛 𝑛−1

muestra
ҧ 0
𝑥−𝜇
𝑆Τ 𝑛
1º H0: 𝜇 ≥ 𝜇0 Test unilateral o de una cola (con N.S. α):

𝑆
HA: 𝜇 < 𝜇0 Región de aceptación: 𝑥ҧ + 𝑡𝑛−1;𝛼 · , +∞
𝑛
𝑥ҧ − 𝜇0
𝑆Τ 𝑛
𝑅𝑒𝑔𝑖ó𝑛 𝑑𝑒 𝑎𝑐𝑒𝑝𝑡𝑎𝑐𝑖ó𝑛
𝑥ҧ − 𝜇
𝑆𝑖 𝑡𝑐 = Τ 0 ≥ 𝑡𝑛−1;𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜
𝑆 𝑛
3º Decisión ൞ 𝑥ҧ − 𝜇
𝑆𝑖 𝑡𝑐 = Τ 0 < 𝑡𝑛−1;𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜
𝑆 𝑛
𝛼
𝑆𝑖 𝐹 𝑡𝑐 = 𝑃(𝑡 < 𝑡𝑐 ) ≥ 𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜
3º O bien ቐ 𝑡𝑛−1;𝛼
𝑆𝑖 𝐹 𝑡𝑐 = 𝑃(𝑡 < 𝑡𝑐 ) < 𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜

 EJ.1. Se tiene una muestra de 10 elementos de una cierta población normal, para la
que 𝑚 = 12 y 𝑠 = 3. ¿Podemos aceptar con una seguridad del 95% que la media
de la población es µ0 = 15? ¿Y que la media de la población es < 15?
𝑥ҧ − 𝜇
Sabemos que ~ 𝑡𝑛−1 ; planteamos (TEST DE DOS COLAS):
𝑆Τ 𝑛
1º H0: 𝜇 = 𝜇0 = 15; con 𝛼 = 0.05

HA: 𝜇 ≠ 𝜇0 = 15 ; luego los límites de la región de aceptación son 0 ± 𝑡𝑛−1;1−𝛼Τ2 · 𝑆/ 𝑛
𝑥ҧ − 𝜇 12−15
2º Calculamos 𝑡𝑐 = = = −3.16
𝑆Τ 𝑛 3Τ 10
3º Comparamos 𝑡𝑐 con 𝑡𝑛−1;1−𝛼Τ2 = 𝑡9;0.025 = −2.26

como 𝑡𝑐 > 𝑡9;0.975 = 2.26 NO PODEMOS ACEPTAR Ho; al N.S. 𝛼 = 0.05
O calculamos el P-valor correspondiente a tc: 𝑑𝑖𝑠𝑡𝑟. 𝑡. 𝑛(−3.16; 9; 1) = 0.0058 << 0.025
t9; 0.025=-2.26
Normalmente se hace la comparación
tc=-3.16 con los valores positivos:
𝛼/2 ഥ − 𝝁𝟎
𝒙
¿ 𝑬𝒔 ≷ 𝒕𝒏−𝟏;𝟎.𝟗𝟕𝟓 ?
𝛼/2 0 𝑺Τ 𝒏

 EJ.1. (sigue): Se tiene una muestra de 10 elementos de una cierta población
normal, para la que 𝑚 = 12 y 𝑠 = 3. ¿Podemos aceptar con una seguridad del
95% que la media de la población es µ0 < 15?
𝑥ҧ − 𝜇
Sabemos que ~ 𝑡𝑛−1 ; en este caso (TEST DE UNA COLA) planteamos:
𝑆Τ 𝑛
1º Ho: 𝜇 ≤ 𝜇0 = 15; con 𝛼 = 0.05

HA: 𝜇 > 𝜇0 = 15 ; luego el límite de la región de aceptación es por debajo de
0 + 𝑡𝑛−1;1−𝛼 · 𝑆/ 𝑛
𝑥ҧ − 𝜇 12−15
2º Calculamos 𝑡𝑐 = = = −3.16
𝑆Τ 𝑛 3Τ 10
3º Comparamos 𝑡𝑐 con 𝑡𝑛−1 ;1−𝛼 = 𝑡9 ;0.95 = +1.83

como 𝑡𝑐 = −3,16 < 𝑡9;0.95 = 1.83 ACEPTAMOS Ho
O calcular el P-valor correspondiente a tc: = 𝑑𝑖𝑠𝑡𝑟. 𝑡. 𝑛(−3.16; 9; 1) = 0.0058 << 0.95
𝒕𝒄 = −𝟑. 𝟏𝟔
+2.26
𝛼
0

 Test de hipótesis para la varianza de la población (σ2): μ conocida / μ desconocida
1 1
𝑛 𝑛−1
 μ desconocida: comparamos la varianza muestral (𝑆 2 ) con un cierto valor 𝜎02

donde la muestra procede de una población normal
𝑛−1 · 𝑆 2 2
 Por tanto: ~ 𝜒𝑛−1 . Pero recordar que 𝜒 2 es una distribución asimétrica:
𝜎02
0.2 0.2
0.18 0.18
0.16 0.16
0.14 0.14
0.12 0.12
0.1 0.1
0.08 0.08
0.06 0.06
2 2
0.04 𝜒𝑛−1;𝛼 Τ2 2
𝜒𝑛−1;
0.04 𝜒𝑛−1;1−𝛼
0.02 1−𝛼Τ2 0.02
0 0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20

𝑛−1 · 𝑆 2 2
 ~ 𝜒𝑛−1 y 𝜒 2 es una distribución asimétrica:
𝜎02
0.2
0.18
0.16 Frecuentemente las Tablas de la distribución
0.14 𝜒 2 dan el valor que deja una probabilidad 𝛼 a
0.12 su derecha, en lugar de a su izquierda:
2
𝑃 𝜒 2 > 𝜒𝑛−1; 𝛼 =𝛼
0.1
0.08
0.06
0.04 2 2
𝜒𝑛−1; 1−𝛼 ՜ 𝜒𝑛−1; 𝛼
0.02
0
0 2 4 6 8 10 12 14 16 18 20

1 1
 Muestra: 𝑥1 , 𝑥2 … 𝑥𝑛 ՜ 𝑥ҧ = σ𝑛𝑖=1 𝑥𝑖 ; 𝑆2 = σ𝑛 𝑥𝑖 − 𝑥ҧ 2
𝑛 𝑛−1 𝑖=1
 μ desconocida: comparamos la varianza muestral (𝑆 2 ) con un cierto valor 𝜎02 donde la

muestra procede de una población normal
𝑛−1 · 𝑆 2 2
 Por tanto ~ 𝜒𝑛−1 . Fijamos un N.S. α (α = 0.05 e.g.):
𝜎02
1º H0: 𝜎 2 = 𝜎02 Test bilateral o de dos colas (con N.S. α):

2 2
HA: 𝜎 2 ≠ 𝜎02 Región de aceptación: 𝜒𝑛−1; 𝛼 Τ2 , 𝜒𝑛−1;1−𝛼 Τ2
𝑛−1 · 𝑆 2
2º Calculamos 𝜒𝑐2 =
𝜎02
2 𝑛−1 · 𝑆 2 2
𝑆𝑖 𝜒𝑛−1; 𝛼 Τ2 ≤ 𝜒𝑐2 = ≤ 𝜒𝑛−1;1− 𝛼 Τ2 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜
𝜎02
3º Decisión
𝑛−1 · 𝑆 2 2 𝑛−1 · 𝑆 2 2
𝑆𝑖 𝜒𝑐2 = > 𝜒𝑛−1;1− 𝛼 Τ2 𝑜 𝜒𝑐2 = < 𝜒𝑛−1; 𝛼 Τ2 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜
𝜎02 𝜎02
𝑆𝑖 𝛼 Τ2 ≤ 𝑃(𝜒 2 < 𝜒𝑐2 ) ≤ 1 − 𝛼 Τ2 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜

3º O bien ቐ
𝑆𝑖 𝑃 𝜒 2 < 𝜒𝑐2 < 𝛼 Τ2 𝑜 𝑃 𝜒 2 < 𝜒𝑐2 > 1 − 𝛼 Τ2 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜

1 1
𝑛 𝑛−1

𝑛−1 · 𝑆 2 2
𝜎02
1º H0: 𝜎 2 ≤ 𝜎02 Test unilateral o de una cola (con N.S. α):

2
Región de aceptación: 0 , 𝜒𝑛−1;1−𝛼
HA: 𝜎 2 > 𝜎02
𝑛−1 · 𝑆 2
𝜎02
𝑛−1 · 𝑆 2 2
𝑆𝑖 𝜒𝑐2 = ≤ 𝜒𝑛−1;1−𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜
𝜎02
3º Decisión
𝑛−1 · 𝑆 2 2
𝑆𝑖 𝜒𝑐2 = > 𝜒𝑛−1;1−𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜
𝜎02
𝑆𝑖 𝐹 𝜒 2 = 𝑃(𝜒 2 < 𝜒𝑐2 ) ≤ 1 − 𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜

3º O bien ቐ
𝑆𝑖 𝐹 𝜒 2 = 𝑃 𝜒 2 < 𝜒𝑐2 > 1 − 𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜

1 1
𝑛 𝑛−1

𝑛−1 · 𝑆 2 2
𝜎02
1º H0: 𝜎 2 ≥ 𝜎02 Test unilateral o de una cola (con N.S. α):

2
Región de aceptación: 𝜒𝑛−1; 𝛼 , +∞
HA: 𝜎 2 < 𝜎02
𝑛−1 · 𝑆 2
𝜎02
𝑛−1 · 𝑆 2 2
𝑆𝑖 𝜒𝑐2 = ≥ 𝜒𝑛−1; 𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜
𝜎02
3º Decisión
𝑛−1 · 𝑆 2 2
𝑆𝑖 𝜒𝑐2 = < 𝜒𝑛−1; 𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜
𝜎02
𝑆𝑖 𝐹 𝜒𝑐2 = 𝑃(𝜒 2 < 𝜒𝑐2 ) ≥ 𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜

3º O bien ቐ
𝑆𝑖 𝐹 𝜒𝑐2 = 𝑃 𝜒 2 < 𝜒𝑐2 < 𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜

EJ.2. Una muestra de tamaño 𝑛 = 16 dio tuvo como cuasi-desviación típica 𝑠 = 0,7. Admitiendo la
normalidad dela variable, contrastar al N.S. 𝛼 = 0,05 si la desviación típica poblacional puede
considerarse mayor que 0,6.
 Test de hipótesis para la igualdad de la varianza de dos muestras procedentes de
poblaciones normales varianza de la población (σ2): μ conocida / μ desconocida
1 1
 Muestra 1: 𝑥1 , 𝑥2 … 𝑥𝑛1 ՜ 𝑥ҧ1 = σ𝑛𝑖=1
1
𝑥𝑖 ; 𝑆12 =
𝑛1
σ𝑖=1 𝑥𝑖 − 𝑥ҧ 2
𝑛1 𝑛1 −1
1 𝑛2 1 2
 Muestra 2: 𝑥1 , 𝑥2 … 𝑥𝑛2 ՜ 𝑥ҧ 2 = σ𝑗=1 𝑥𝑗 ; 𝑆22 = σ𝑛𝑗=1
2
𝑥𝑗 − 𝑥ҧ
𝑛2 𝑛2 −1
 Comparamos el cociente de las varianzas muestrales (𝑆12 Τ𝑆22 𝑐𝑜𝑛 𝑆12 > 𝑆22 ) con 1
𝑆12
 Por tanto ~ 𝐹𝑛1−1; 𝑛2−1 . Fijamos un N.S. α (α = 0.05 e.g.)
𝑆22
1º H0: 𝜎12 = 𝜎22 Test bilateral o de dos colas (con N.S. α):
HA: 𝜎12 ≠ 𝜎22 Región de aceptación: 𝐹𝑛1 −1; 𝑛2 −1; 𝛼Τ2 ; 𝐹𝑛1 −1; 𝑛2 −1; 1−𝛼Τ2
𝑆12
2º Calculamos 𝐹𝑐 =
𝑆22
𝑆𝑖 𝐹𝑛1 −1; 𝑛2 −1; 𝛼Τ2 ≤ 𝐹𝑐 ≤ 𝐹𝑛1 −1; 𝑛2 −1; 1−𝛼Τ2 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜

3º Decisión ቐ
𝑆𝑖 𝐹𝑐 < 𝐹𝑛1 −1; 𝑛2 −1; 𝛼Τ2 𝑜 𝐹𝑐 > 𝐹𝑛1 −1; 𝑛2 −1; 1−𝛼Τ2 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜
𝑆𝑖 𝛼 Τ2 ≤ 𝑃 𝐹 < 𝐹𝑐 ≤ 1 − 𝛼 Τ2 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜
3º O bien ቐ
𝑆𝑖 𝑃 𝐹 < 𝐹𝑐 < 𝛼 Τ2 𝑜 𝑃 𝐹 < 𝐹𝑐 > 1 − 𝛼 Τ2 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜
Como en la distribución 𝜒 2 , las Tablas de la distribución F suelen dar el valor que deja una probabilidad
𝛼 a su derecha, en lugar de a su izquierda: P 𝐹 > 𝐹𝑛1 −1; 𝑛2 −1; 𝛼 = 𝛼

1 𝑛1 1 𝑛1
 Muestra 1: 𝑥1 , 𝑥2 … 𝑥𝑛1 ՜ 𝑥ҧ1 = σ 𝑥 ; 𝑆12 = σ𝑖=1 𝑥𝑖 − 𝑥ҧ 2
𝑛1 𝑖=1 𝑖 𝑛1 −1
1 𝑛2 1 2
2
𝑥𝑗 − 𝑥ҧ
𝑛2 𝑛2 −1
𝑆12
𝑆22
1º H0: 𝜎12 ≤ 𝜎22

Test unilateral o de una cola (con N.S. α):
HA: 𝜎12 > 𝜎22 Región de aceptación: 0 ; 𝐹𝑛1 −1; 𝑛2 −1;1−𝛼
𝑆12
𝑆22 0,8
0,7
𝑆𝑖 𝐹𝑐 ≤ 𝐹𝑛1 −1; 𝑛2 −1; 1−𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜 0,6 Aceptación
3º Decisión ቐ
𝑆𝑖 𝐹𝑐 > 𝐹𝑛1 −1; 𝑛2 −1; 1−𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜 0,5
0,4
0,3
𝑆𝑖 𝑃 𝐹 < 𝐹𝑐 ≤ 1 − 𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜 0,2
3º O bien ቐ 0,1
𝛼
𝑆𝑖 𝑃 𝐹 < 𝐹𝑐 > 1 − 𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜 0
0 1 2 3 4 5

1 𝑛1 1 𝑛1
 Muestra 1: 𝑥1 , 𝑥2 … 𝑥𝑛1 ՜ 𝑥ҧ1 = σ 𝑥 ; 𝑆12 = σ𝑖=1 𝑥𝑖 − 𝑥ҧ 2
𝑛1 𝑖=1 𝑖 𝑛1 −1
1 𝑛2 1 2
2
𝑥𝑗 − 𝑥ҧ
𝑛2 𝑛2 −1
𝑆12
𝑆22
1º H0: 𝜎12 ≥ 𝜎22

Test unilateral o de una cola (con N.S. α):
HA: 𝜎12 < 𝜎22 Región de aceptación: 𝐹𝑛1 −1; 𝑛2 −1;𝛼 ; +∞
𝑆12
𝑆22 0,8
0,7
𝑆𝑖 𝐹𝑐 ≥ 𝐹𝑛1 −1; 𝑛2 −1; 𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜 0,6
3º Decisión ቐ Aceptación
𝑆𝑖 𝐹𝑐 < 𝐹𝑛1 −1; 𝑛2 −1; 𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜 0,5
0,4
0,3
𝑆𝑖 𝑃 𝐹 < 𝐹𝑐 ≥ 𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜 0,2
3º O bien ቐ 0,1
𝛼
𝑆𝑖 𝑃 𝐹 < 𝐹𝑐 < 𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜 0
0 1 2 3 4 5

EJ.3. Para medir el efecto de una experiencia traumática en los niveles de glucosa en sangre en
ratones se formaron al azar dos grupos: g1: ratones sometidos a una experiencia traumática y g2:
ratones no sometidos. Los valores muestrales obtenidos fueron:
Muestra 1: 𝑥1 = 70; 𝑠1 = 7,3 ; 𝑛1 = 12
Muestra 2: 𝑥2 = 81; 𝑠2 = 6,5 ; 𝑛2 = 10
Admitiendo que los niveles de glucosa en sangre siguen distribuciones normales ¿puede admitirse al
N.S. 𝛼 = 0,05 que la varianza de la primera población es mayor que la de la segunda?

 Test de hipótesis para la igualdad de dos medias poblacionales a partir de dos muestras
no relacionadas
1 𝑛1 1
 Muestra 1: 𝑥1 , 𝑥2 … 𝑥𝑛1 ՜ 𝑥ҧ1 = σ𝑖=1 𝑥𝑖 ; 𝑆12 = σ𝑛𝑖=1
1
𝑥𝑖 − 𝑥ҧ 2
𝑛1 𝑛1 −1
1 1 2
 Muestra 2: 𝑥1 , 𝑥2 … 𝑥𝑛2 ՜ 𝑥ҧ 2 = σ𝑛𝑗=1
2
𝑥𝑗 ; 𝑆22 =
𝑛2
σ𝑗=1 𝑥𝑗 − 𝑥ҧ
𝑛2 𝑛2 −1
 Se utilizan test distintos según que las varianzas de las 2 muestras puedan considerarse
iguales o no (𝑆12 Τ𝑆22 = 1 ՜ 𝑃𝑟𝑢𝑒𝑏𝑎 𝐹)
𝑥1 −𝑥2 𝑆12 𝑆22
 Si 𝜎12 = 𝜎22 : ~ 𝑡𝑛1 +𝑛2 −2 𝐸𝑟𝑟𝑜𝑟 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎: 𝑠𝑥1 −𝑥2 = 𝑛1
+ 𝑛2
𝑆2 2
1 + 𝑆2
𝑛1 𝑛2
𝑆2 2
1 + 𝑆2
𝑥1 −𝑥2 𝑛1 𝑛2
 Si 𝜎12 ≠ 𝜎22 : ~ 𝑡𝜈 𝑑𝑜𝑛𝑑𝑒 𝜈 = 2 2 2 [solo lo utilizaremos en Rcmdr]
𝑆2 2 𝑠2
1 ൗ𝑛1 + 𝑠2 ൗ𝑛2
1 + 𝑆2
𝑛1 𝑛2 𝑛1 −1 𝑛2 −1
Fijamos un N.S. 𝛼 (𝛼 = 0.05 e.g.) y procedemos como en el caso de una media:

1º H0: 𝑥1 = 𝑥2
HA: 𝑥1 ≠ 𝑥2 (o también, test unilateral: 𝑥1 ≤ 𝑥2 o 𝑥1 ≥ 𝑥2 )
𝑥1 −𝑥2
𝑠𝑥1 −𝑥2
𝑥ҧ − 𝜇0
𝑆𝑖 𝑡𝑐 =
𝑆Τ 𝑛
≤ 𝑡𝑛−1;1−𝛼Τ2 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜 𝑆𝑖 𝐹 𝑡𝑐 = 𝑃(𝑡 < 𝑡𝑐 ) ≤ 1 − 𝛼 Τ2 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜
3º Decisión ൞ O bien ቐ
𝑆𝑖 𝑡𝑐 =
𝑥ҧ − 𝜇0
> 𝑡𝑛−1;1−𝛼Τ2 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜 𝑆𝑖 𝐹 𝑡𝑐 = 𝑃 𝑡 < 𝑡𝑐 > 1 − 𝛼 Τ2 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜
𝑆Τ 𝑛

EJ.4. Para medir el efecto de una experiencia traumática en los niveles de glucosa en sangre en
ratones se formaron al azar dos grupos: g1: ratones sometidos a una experiencia traumática y g2:
ratones no sometidos. Los valores muestrales obtenidos fueron:
Muestra 1: 𝑥1 = 70; 𝑠1 = 7,3 ; 𝑛1 = 12
Muestra 2: 𝑥2 = 81; 𝑠2 = 6,5 ; 𝑛2 = 10
Admitiendo que los niveles de glucosa en sangre siguen distribuciones normales y que las varianzas
son iguales ¿puede admitirse al N.S. 𝛼 = 0,05 que las medias de las poblaciones de origen son
iguales?

 Datos apareados: Test de hipótesis para la igualdad de dos series de datos (Xi e Yi)
que se corresponden a los mismos elementos. No queremos comparar la media de las
Xi con la media de las Yi, sino si se puede aceptar que Xi = Yi (o lo que es lo mismo, si
la diferencia di = Xi – Yi = 0)
1 1 2
 Muestra: (𝑥1 , 𝑦1 ), 𝑥2 , 𝑦2 , … (𝑥𝑛 , 𝑦𝑛 ) ՜ 𝑑𝑖 = 𝑥𝑖 − 𝑦𝑖 ; 𝑑ҧ = σ𝑛𝑖=1 𝑑𝑖 ; 𝑆𝑑2 = σ𝑛𝑖=1 𝑑𝑖 − 𝑑ҧ
𝑛 𝑛−1
 Comparamos la media muestral (𝑑)ҧ con 0 donde la muestra procede de una población
normal de varianza σ2 desconocida que estimamos como S2(d)
ത
𝑑−0
 Por tanto ~𝑡𝑛−1 .
𝑆𝑑 Τ 𝑛
𝐻0 : 𝐸 𝑑ҧ = 0 𝐻0 : 𝐸 𝑑ҧ ≤ 0 𝐻0 : 𝐸 𝑑ҧ ≥ 0
1º 𝑇𝑒𝑠𝑡 𝑑𝑒 𝑑𝑜𝑠 𝑐𝑜𝑙𝑎𝑠 ቐ ; 𝑇𝑒𝑠𝑡 𝑑𝑒 𝑢𝑛𝑎 𝑐𝑜𝑙𝑎 ቐ 𝑜ቐ
𝐻𝐴 : 𝐸 𝑑ҧ = 0 𝐻𝐴 : 𝐸 𝑑ҧ > 0 𝐻𝐴 : 𝐸 𝑑ҧ < 0
𝑑ത
𝑆𝑑 Τ 𝑛
𝐶𝑜𝑚𝑝𝑎𝑟𝑎𝑚𝑜𝑠 𝑡𝑐 ≶ 𝑡𝑛−1
3º Decisión 𝑆𝑖 𝑡𝑐 ∈ 𝑅𝑒𝑔𝑖ó𝑛 𝑑𝑒 𝑎𝑐𝑒𝑝𝑡𝑎𝑐𝑖ó𝑛 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜
𝑆𝑖 𝑡𝑐 ∉ 𝑅𝑒𝑔𝑖ó𝑛 𝑑𝑒 𝑎𝑐𝑒𝑝𝑡𝑎𝑐𝑖ó𝑛 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜

EJ.5. Se tiene la sospecha de que los erizos hibernan durante diferente tiempo según vivan al norte o
al sur del país. Para comprobarlo se tomó una muestra de 10 erizos en cada una de las dos zonas, se
les colocó equipos de radio marcados y tras soltarlos, se monitorizó su actividad utilizando equipos
radiogoniométricos. De esta forma se averiguó cuantos días permaneció en el nido cada uno de los
erizos durante el invierno:
Norte: 100, 107, 115, 96, 102, 110, 109, 103, 99, 106
Sur: 95, 90, 102, 100, 98, 90, 100, 95, 88, 105
a) Asumiendo que el tiempo medio de hibernación es normal, y que la desviación típica es igual en el
norte que en el sur. Dar un intervalo de confianza al 95% para la diferencia en días del tiempo de
hibernación de los erizos en el norte y en el sur. b) A la vista del intervalo anterior, ¿son iguales los
tiempos medios de hibernación ?
Norte Sur
100 95
107 90 a) Poblaciones normales ; 𝜎12 = 𝜎22 :
115 102
𝑥ҧ 1 −𝑥ҧ2 𝑆12 𝑆22
96 100 ~𝑡𝑛1 +𝑛2 −2;1−𝛼Τ2 ; 𝐼𝐶1−𝛼 = 𝑥1ҧ − 𝑥ҧ2 ± 𝑡𝑛1 +𝑛2−2;1−𝛼Τ2 +
𝑛1 𝑛2
102 98 𝑆2 2
1 + 𝑆2
110 90 𝑛1 𝑛2
109 100
103 95 𝑥1ҧ − 𝑥ҧ2 = 8.4
99 88 1 − 𝛼 = 0.95֜𝑡𝑛1 +𝑛2 −2;1−𝛼Τ2 = 𝑡18;0.975 = 2.10
106 105 𝑰𝑪𝟎.𝟗𝟓 = 𝟑. 𝟎𝟐 , 𝟏𝟑. 𝟕𝟖
𝒙 104.7 96.3 𝑆12 𝑆22
+ = 2.56
𝑺 5.8 5.7 𝑛1 𝑛2
𝒏 10 10
S.E. 1.8 1.8

EJ.5. (sigue) b) A la vista del intervalo anterior, ¿son iguales los tiempos medios de hibernación?
Norte Sur
100 95 b) H0: 𝑥ҧ1 = 𝑥ҧ 2 ¿ 𝑜 𝑝𝑜𝑑𝑟í𝑎 𝑠𝑒𝑟 𝑥ҧ1 > 𝑥ҧ 2 ?
107 90
115 102 Poblaciones normales ; 𝜎12 ≠ 𝜎22 :
96 100
102 98 𝑥ҧ1 − 𝑥ҧ 2
110 90 𝑡𝑐 = ~𝑡𝑛1 +𝑛2 −2 ;
109 100 𝑛1 − 1 ∙ 𝑆12 + 𝑛2 − 1 ∙ 𝑆22 1 1
103 95 ∙ +
99 88
𝑛1 + 𝑛2 − 2 𝑛1 𝑛2
106 105
𝒙 104.7 96.3 8.4 𝑃 𝑡18 > 𝑡𝑐 = 0.00015
𝑺 5.8 5.7
𝑡𝑐 = = 4.454 ֜ ቊ
1.886 𝑃 𝑡18 > 𝑡𝑐 = 0.00031
𝒏 10 10
S.E. 1.8 1.8
Test de DOS colas (hibernan “diferente”):

𝑃 𝑡18 > 𝑡𝑐 = 0.00031 < 0.025
ൠ ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 ℎ𝑖𝑏𝑒𝑟𝑛𝑎𝑛 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒
𝑂: 𝑡𝑐 > 𝑡18;0.975 = 2.10
Test de UNA colas (sospechamos que hibernan más en el N que en el S: 𝑥ҧ1 − 𝑥ҧ 2 ):
𝑃 𝑡18 > 𝑡𝑐 = 0.00015 < 0.05
ൠ ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 ℎ𝑖𝑏𝑒𝑟𝑛𝑎𝑛 𝑚á𝑠 𝑎𝑙 𝑁 𝑞𝑢𝑒 𝑎𝑙 𝑆
𝑂: 𝑡𝑐 > 𝑡18;0.95 = 1.73
Poblaciones no normales
 Test de hipótesis para Poblaciones NO Normales
 Media: La media de una muestra procedente de una población NO normal ¿Es igual a
un valor prefijado 𝜇0 ?. Muestra con n GRANDE (n >>30)
1 1
 Muestra: 𝑥1 , 𝑥2 … 𝑥𝑛 ՜ 𝑥ҧ = σ𝑛𝑖=1 𝑥𝑖 ; 𝑆2 = σ𝑛 𝑥𝑖 − 𝑥ҧ 2
𝑛 𝑛−1 𝑖=1
 Hipótesis nula, H0: 𝜇 = 𝜇0 (test de 2 colas) o 𝜇 ≷ 𝜇0 (test de 1 cola)

𝑥−𝜇0
 Calculamos el estadístico 𝑧𝑐 = ~ 𝒩 0, 1
𝑠Τ 𝑛
 Comparamos 𝑧𝑐 con la z correspondiente al N.S. 𝛼 elegido
 Proporción: En una muestra de tamaño n, obtenemos una proporción 𝑝Ƹ de elementos

de la clase A (Distribución Binomial) ¿La proporción de elementos de la clase A en la
población es igual al valor prefijado 𝑝0 ?
 Muestra: 𝑛 , 𝑝Ƹ = 𝑛 𝐴 Τ𝑛 , 𝑞ො = 1 − 𝑝Ƹ
 Hipótesis nula, H0: 𝑝Ƹ = 𝑝0 (test de 2 colas) o 𝑝Ƹ ≷ 𝑝0 (test de 1 cola)
𝑝−𝑝
Ƹ 0
𝑝·
ො 1−𝑝ො
𝑛
 Comparamos 𝑧𝑐 con la z correspondiente al N.S. 𝛼 elegido

 Test de hipótesis para Poblaciones NO Normales
 Medias: Igualdad de las medias de dos muestras procedentes de poblaciones NO

normales ¿Proceden las dos muestras de poblaciones con la misma media?. En el
caso de muestras de poblaciones cualesquiera con n1 y n2 GRANDES (n1 y n2 > 30)
 Muestra 1: 𝑛1 , 𝑥ҧ1 𝑦 𝑆12 ; Muestra 2: 𝑛2 , 𝑥ҧ1 𝑦 𝑆22
 Hipótesis nula, H0: 𝜇1 = 𝜇2 (test de 2 colas) o 𝜇1 ≷ 𝜇2 (test de 1 cola)
𝑥ҧ 1 −𝑥ҧ 2
 Calculamos el estadístico 𝑧𝑐 = ~ 𝒩 0, 1 [en el caso de varianzas iguales]
𝑆2 𝑆2
1 + 2
𝑛1 𝑛2
 Comparamos 𝑧𝑐 con la z correspondiente al N.S. 𝛼 elegido.
 Proporciones: Igualdad de las proporciones de dos muestras procedentes de una

Distribución Binomial ¿Proceden las dos muestras de poblaciones con la misma
proporción de elementos de cada clase?
 Muestra 1: 𝑛1 , 𝑝1 𝑦 𝑞1 ; Muestra 2: 𝑛2 , 𝑝2 𝑦 𝑞2
 Hipótesis nula, H0: 𝑝1 = 𝑝2 (test de 2 colas) o 𝑝1 ≷ 𝑝2 (test de 1 cola)
𝑝1 −𝑝2
𝑝1 · 1−𝑝1 𝑝 · 1−𝑝2
+ 2
𝑛1 𝑛2
 Comparando 𝑧𝑐 con la z correspondiente al N.S. 𝛼 elegido.

 Pruebas No Paramétricas
EJ.6. Una encuesta de tamaño 100 ha resultado con 56 individuos a favor de una
propuesta y 44 en contra. a) Con esos resultados ¿se puede aceptar al N.S. 𝛼 = 0,05
que la mitad de la población está de acuerdo con la propuesta (𝑝 = 0,5)?. b) Si otra
encuesta con 𝑛 = 56 da como resultado 21 individuos a favor de la propuesta, se puede
aceptar al N.S. 𝛼 = 0,05 que los resultados de ambas encuestas son similares?
 Prueba 𝝌𝟐 de bondad del ajuste
 Comprobar si el número de observaciones en una serie de grupos (o intervalos)
se corresponde con uno dado.
 Si tenemos una serie de “p” clases con un número de observaciones “oi”
(i=1,2…p) en cada una y queremos comparar esos valores con los conteos
esperados “ei”. Se tiene:
𝑝 2
𝑜𝑖 − 𝑒𝑖 2
෍ ~𝜒𝑝−1
𝑒𝑖
𝑖=1
Lo que permite establecer con qué P son los oi = ei en la población de la que
proceden las muestras
𝑝 𝑜𝑖 −𝑒𝑖 2 2
 En general, el valor calculado 𝜒𝑐2 = σ𝑖=1 se compara con 𝜒𝑝−1−𝜁 donde
𝑒𝑖
“p” es el número de clases y “𝜁” el número de parámetros calculados para
calcular los valores esperados “ei”
 En el caso de tablas de doble entrada con “p” filas y “q” columnas” es
𝜁 = 𝑝−1 · 𝑞−1
 Prueba 𝝌𝟐 de bondad del ajuste
 Si tenemos una serie de “p” clases con un número de observaciones “oi”
(i=1,2…p) en cada una y queremos comparar esos valores con los conteos
esperados “ei”.
 Fijamos un N.S. 𝛼. Puesto que:
𝑝 2
𝑜𝑖 − 𝑒𝑖 2
𝜒𝑐2 =෍ ~ 𝜒𝑝−1−𝜁
𝑒𝑖
𝑖=1
1º H0: 𝑜𝑖 = 𝑒𝑖
HA: 𝑜𝑖 ≠ 𝑒𝑖
𝑝 𝑜𝑖 −𝑒𝑖 2
2º Calculamos 𝜒𝑐2 = σ𝑖=1
𝑒𝑖
2
𝑆𝑖 𝜒𝑐2 ≤ 𝜒𝑛−1;1−𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜
3º Decisión ቐ 2
𝑆𝑖 𝜒𝑐2 > 𝜒𝑛−1;1−𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜
𝑆𝑖 𝐹 𝜒𝑐2 = 𝑃 𝜒 2 < 𝜒𝑐2 ≤ 1 − 𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜

3º O bien ቐ
𝑆𝑖 𝐹 𝜒𝑐2 = 𝑃 𝜒 2 < 𝜒𝑐2 > 1 − 𝛼 ֜ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻𝑜
 Recordar que las Tablas de la distribución 𝜒 2 suelen dar el valor que deja una probabilidad α a su
2
derecha, en lugar de a su izquierda: 𝑃 𝜒 2 > 𝜒𝑛−1; 𝛼 =𝛼
 Pruebas No Paramétricas: Prueba 𝝌𝟐 de bondad del ajuste

EJ.7. Los resultados del cruzamiento de ciertos caracteres deberían dar las proporciones
½ - ¼ - ¼. Los resultados obtenidos al cruzar 160 plantas han sido 83 - 42 - 35. ¿Se
ajustan estos resultados a la hipótesis al N.S. del 5%? ¿Con qué P ajustan?
Construimos la Tabla:
Grupo 1 Grupo 2 Grupo 3 Total 3
Valores observados “oi” 83 42 35 160 ෍ 𝑜𝑖 = 160

𝑖=1
Proporciones esperadas “pi” 1Τ2 1Τ4 1Τ4 1
Valores esperados “ei” 80 40 40 160 𝑒𝑖 = 𝑝𝑖 × 160
2
1º. 𝜒𝑐2 ~ 𝜒3−1 ; 𝑝𝑜𝑟𝑞𝑢𝑒 𝜁 = 0 [Como las proporciones esperadas “𝑝𝑖 ” vienen dadas, no ha sido
necesario calcular ningún parámetro para obtenerlas]
𝐻0 : 𝑜𝑖 = 𝑒𝑖 𝑦 𝐻𝐴 : 𝑜𝑖 ≠ 𝑒𝑖
𝑝 𝑜𝑖 −𝑒𝑖 2 83−80 2 42−40 2 35−40 2 67
2º. 𝜒𝑐2 = σ𝑖=1 = + + = = 0.8375
𝑒𝑖 80 40 40 80
2 2 2
3º. a) 𝜒3−1−0;1−0.05 = 𝜒2; 0.95 = 5.99 ; 𝜒𝑐2 = 0.8375 ≪ 5.99 = 𝜒2; 0.95
֜ 𝑁𝑜 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 𝑎𝑙 𝑁. 𝑆. 𝛼 = 0.05
b) 𝑃 𝜒22 ≤ 𝜒𝑐2 = 𝑑𝑖𝑠𝑡𝑟. 𝑐ℎ𝑖𝑐𝑢𝑎𝑑 0.8375; 2; 1 = 0.3421. La P de obtener un valor de 𝜒22 >
0.8375 es de 0.6579. [También se puede usar directamente la función distr.chicuad.cd(0.8375; 2)].

Test Hipotesis 1

Cargado por

Copyright:

Formatos disponibles

Test Hipotesis 1

Cargado por

Información del documento

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

Test Hipotesis 1

Cargado por

Copyright:

Formatos disponibles

Curso 2022-23

Administración y Dirección de Empresas

BLOQUE 3: INFERENCIA ESTADÍSTICA

 Test de hipótesis (pruebas o contrastes de hipótesis)

 Test de hipótesis (pruebas o contrastes de hipótesis)

𝑅𝑒𝑔𝑖ó𝑛 𝑑𝑒 𝑎𝑐𝑒𝑝𝑡𝑎𝑐𝑖ó𝑛: 𝑃 = 1 − 𝛼 1º 𝐻0 : 𝑇~𝑓 𝑥 𝑐𝑜𝑛 𝑚𝑒𝑑𝑖𝑎 𝜃0

 Test de hipótesis (pruebas o contrastes de hipótesis)

Tipos de Error H0 cierta H0 falsa

Sobre dos medias:

 Test de hipótesis para Poblaciones Normales

 Test de hipótesis para Poblaciones Normales

 σ2 desconocida: comparamos la media muestral (𝑥)ҧ con un cierto valor μ0 donde la

1º H0: 𝜇 = 𝜇0 Test bilateral o de dos colas (con N.S. α):

 Test de hipótesis para Poblaciones Normales

 σ2 desconocida: comparamos la media muestral (𝑥)ҧ con un cierto valor μ0 donde la

1º H0: 𝜇 ≤ 𝜇0 Test unilateral o de una cola (con N.S. α):

 Test de hipótesis para Poblaciones Normales

 σ2 desconocida: comparamos la media muestral (𝑥)ҧ con un cierto valor μ0 donde la

1º H0: 𝜇 ≥ 𝜇0 Test unilateral o de una cola (con N.S. α):

 Test de hipótesis (pruebas o contrastes de hipótesis)

1º H0: 𝜇 = 𝜇0 = 15; con 𝛼 = 0.05

3º Comparamos 𝑡𝑐 con 𝑡𝑛−1;1−𝛼Τ2 = 𝑡9;0.025 = −2.26

 Test de hipótesis (pruebas o contrastes de hipótesis)

1º Ho: 𝜇 ≤ 𝜇0 = 15; con 𝛼 = 0.05

3º Comparamos 𝑡𝑐 con 𝑡𝑛−1 ;1−𝛼 = 𝑡9 ;0.95 = +1.83

 Test de hipótesis para Poblaciones Normales

 μ desconocida: comparamos la varianza muestral (𝑆 2 ) con un cierto valor 𝜎02

 Test de hipótesis para Poblaciones Normales

 Test de hipótesis para Poblaciones Normales

 μ desconocida: comparamos la varianza muestral (𝑆 2 ) con un cierto valor 𝜎02 donde la

1º H0: 𝜎 2 = 𝜎02 Test bilateral o de dos colas (con N.S. α):

𝑆𝑖 𝛼 Τ2 ≤ 𝑃(𝜒 2 < 𝜒𝑐2 ) ≤ 1 − 𝛼 Τ2 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜

 Test de hipótesis para Poblaciones Normales

 μ desconocida: comparamos la varianza muestral (𝑆 2 ) con un cierto valor 𝜎02

1º H0: 𝜎 2 ≤ 𝜎02 Test unilateral o de una cola (con N.S. α):

𝑆𝑖 𝐹 𝜒 2 = 𝑃(𝜒 2 < 𝜒𝑐2 ) ≤ 1 − 𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜

 Test de hipótesis para Poblaciones Normales

 μ desconocida: comparamos la varianza muestral (𝑆 2 ) con un cierto valor 𝜎02

1º H0: 𝜎 2 ≥ 𝜎02 Test unilateral o de una cola (con N.S. α):

𝑆𝑖 𝐹 𝜒𝑐2 = 𝑃(𝜒 2 < 𝜒𝑐2 ) ≥ 𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜

 Test de hipótesis para Poblaciones Normales

𝑆𝑖 𝐹𝑛1 −1; 𝑛2 −1; 𝛼Τ2 ≤ 𝐹𝑐 ≤ 𝐹𝑛1 −1; 𝑛2 −1; 1−𝛼Τ2 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜

 Test de hipótesis para Poblaciones Normales

1º H0: 𝜎12 ≤ 𝜎22

𝑆𝑖 𝑃 𝐹 < 𝐹𝑐 ≤ 1 − 𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜 0,2

 Test de hipótesis para Poblaciones Normales

1º H0: 𝜎12 ≥ 𝜎22

𝑆𝑖 𝑃 𝐹 < 𝐹𝑐 ≥ 𝛼 ֜ 𝐴𝑐𝑒𝑝𝑡𝑎𝑚𝑜𝑠 𝐻𝑜 0,2

 Test de hipótesis para Poblaciones Normales

 Test de hipótesis para Poblaciones Normales

Fijamos un N.S. 𝛼 (𝛼 = 0.05 e.g.) y procedemos como en el caso de una media:

 Test de hipótesis para Poblaciones Normales

 Test de hipótesis para Poblaciones Normales

 Test de hipótesis para Poblaciones Normales

 Test de hipótesis para Poblaciones Normales

Test de DOS colas (hibernan “diferente”):

 Test de hipótesis para Poblaciones NO Normales

 Hipótesis nula, H0: 𝜇 = 𝜇0 (test de 2 colas) o 𝜇 ≷ 𝜇0 (test de 1 cola)

 Proporción: En una muestra de tamaño n, obtenemos una proporción 𝑝Ƹ de elementos

 Comparamos 𝑧𝑐 con la z correspondiente al N.S. 𝛼 elegido