Contrastes de hipótesis 1

Tema BI-6 CONTRASTES DE HIPÓTESIS

1. COEFICIENTE DE CORRELACIÓN POR RANGOS DE SPEARMAN

El diagrama de puntos muestra el tiempo en minutos que está

encendido un horno y la temperatura en º C que alcanza. El
coeficiente de correlación de Pearson para estos datos es 0,73.
Así que hay solo una relación moderada positiva entre el
número de minutos y la temperatura del horno.

Sin embargo, el gráfico indica que hay una relación

exponencial entre los datos. El coeficiente de Pearson solo es
aplicable a correlaciones lineales. Así que, es necesario otro
coeficiente para medir relaciones que no sean lineales. Este es
el coeficiente de correlación por rangos de Spearman, rs .

El coeficiente de correlación por rangos de Spearman, rs , muestra los intervalos en que una variable
crece o decrece mientras la otra crece. Así pues, se puede interpretar de la siguiente manera:
1. −1 ≤ rs ≤ 1
2. Si rs = 1 significa que los datos son estrictamente crecientes.
3. Si rs = −1 significa que los datos son estrictamente decrecientes.
4. Si rs ≈ 0 no crecen o decrecen.
Cuando los datos son solo crecientes o solo decrecientes se habla de una relación monótona.

Para calcular rs será necesario tener en cuenta los siguiente:

• Los datos se clasifican en rangos (se ordenan de mayor a menor).
• Los datos individuales que son iguales se han de promediar.
• Usaremos la CG.

Veamos cómo se hace con unos ejemplos.

§ Ejemplo 1: Encontrar el coeficiente de correlación por rangos de Spearman para los siguientes
conjuntos de datos.

Tiempo de entrenamiento (x horas) 23 34 17 23 29 45

Tiempo en correr 2 km (y min) 12 10 14 11 11 8

Ordenamos los valores de x por su tamaño, de mayor a menor, para obtener su clasificación. Así,
45 tiene orden 1; 34 tiene orden 2; 29 tiene orden 3. Como hay dos datos iguales a 23 que
4+5
ocuparían el lugar 4 y 5, el rango dado a cada uno es la media de los rangos. Es decir = 4,5 .
2
Y 17 tiene orden 6. De igual forma ordenamos los valores de y. Así obtenemos la tabla de rangos
siguiente.
x 4,5 2 6 4,5 3 1
y 2 5 1 3,5 3,5 6
 Contrastes de hipótesis 2

Introducimos estos datos en la CG y calculamos el coeficiente de correlación momento-producto

r.
En este caso, rs = −0,956 . Así que, existe una correlación fuerte y negativa. Cuantas más horas de
entrenamiento, más rápido se corren los 2 km.

§ Ejemplo 2: Encontrar el coeficiente de correlación por rangos de Spearman para los siguientes
conjuntos de datos.

Número de animales (x) 1 2 3 4 5

Tiempo dedicado a ellos a la semana (y horas) 6 7 8 8 16

Los rangos son:

x 5 4 3 2 1
y 5 4 2,5 2,5 1

rs = 0,975 así que la correlación es fuerte y positiva. Cuantos más animales más horas se emplean
a la semana en cuidar de ellos.

§ Ejemplo 3: Se le pide a un estudiante que enumere del 1 al 9, 9 hamburguesas en función de cuál

le gusta más y cuál le gusta menos. Él le da un 1 a la que le gusta más y un 9 a la que menos le
gusta. La siguiente tabla muestra la valoración del estudiante y los precios de las hamburguesas.

Hamburguesa A B C D E F G H I
Valoración 7 3 4 6 1 9 2 5 8
Precio (US $) 3,50 7,45 6,50 4,50 8,50 2,65 3,95 4,35 1,45

a) Explica por qué no puedes usar el coeficiente de Pearson en este ejemplo.

b) Halla el coeficiente de correlación por rangos de Spearman para estos datos e interpreta el
resultado.

a) Porque se dan rangos en lugar de datos cuantificables.

b) Ordenando los costes, obtenemos:
Valoración 7 3 4 6 1 9 2 5 8
Precio 7 2 3 4 1 8 6 5 9

rs = 0,8 así que la correlación entre el precio y la preferencia por su sabor es moderada y
positiva.

Ventajas del coeficiente de correlación de Spearman sobre el de Pearson:

• Se puede usar para datos no lineales.
• Puede usarse con datos ordenados, incluso si los datos originales no son conocidos o no son
cuantificables.
• No se ve gravemente afectado por valores atípicos.
 Contrastes de hipótesis 3
Ejercicios: 1, 2, 3, 4

2. CONTRASTES DE HIPÓTESIS

En Estadística, una hipótesis es una afirmación sobre un parámetro desconocido o sobre una
característica del conjunto de los datos.
Se utiliza un contraste de hipótesis (o test de hipótesis) para decidir si el conjunto de los datos
observados en una muestra apoya la hipótesis formulada y, en ese caso, se puede dar como válida
para toda la población. Es un método de Inferencia Estadística.
Llamaremos a dicha hipótesis hipótesis nula y lo expresaremos de la siguiente manera:
H 0 : Hipótesis nula
H1 : Hipótesis alternativa (que será aceptada si H0 es rechazada)

§ Ejemplo: Si queremos saber si la media de una cierta población es 20 cm o más de 20 cm,

tomaríamos:
H 0 : µ = 20
H1 : µ > 20

Los casos en los que la hipótesis nula es rechazada se llaman región crítica. Normalmente no se
rechaza la hipótesis nula a menos que la probabilidad de que un resultado ocurra en la región crítica
sea menor que 0,05 (se usan también 0,1 o 0,01). Se dice entonces que el test tiene un nivel de
significación del 5% (10% o 1% respectivamente)

3. LA PRUEBA X 2 DE LA INDEPENDENCIA ENTRE DOS VARIABLES

La prueba X 2 (pronunciada chi cuadrado) sirve para identificar si los grupos de datos de una tabla
de contingencia, o de doble entrada, son independientes o no.

Veamos el siguiente ejemplo:

Clara es miembro de un club deportivo y ha observado que juegan al Squash más hombres que
mujeres. Le gustaría saber si existe una relación entre el género y el juego de raqueta preferido. Para
estudiarlo, ha hecho una encuesta a otros miembros del club. Les ha preguntado qué juego
prefieren: Tenis (T), Bádminton (B) o Squash (S).
Los resultados ha sido los siguientes:
Hombres: T T S S S S S B T B S Mujeres: B B T T S T B B T
BSSSTTTTSSB BSBTBBSTT
BSSBSTTTBSS TBSBBTSBB

Clara decide aplicar la prueba X 2 para independencia con un nivel de significación del 5%.

Aquí
H 0 : El juego preferido es independiente del género.
H1 : El juego preferido no es independiente del género.
 Contrastes de hipótesis 4

En la siguiente tabla de contingencia se muestran los datos observados:

T B S Total
Hombres 10 7 16 33
Mujeres 9 13 5 27
Total 19 20 21 60

Esta es una tabla de frecuencias observadas, f o .

Los resultados observados deben compararse con los resultados esperados. Por ello, vamos a
reescribir la tabla de datos obtenidos con datos esperados:

T B S Total
Hombres 33
Mujeres 27
Total 19 20 21 60

19 19
Como la probabilidad de jugar al Tenis es P(T ) = , se espera que de los 33 hombres jueguen
60 60
19
al tenis, es decir, ⋅ 33 = 10,45
60

De la misma manera podemos calcular todos los datos esperados:

T B S Total
19 20 21
Hombres ⋅ 33 ⋅ 33 ⋅ 33 33
60 60 60
19 20 21
Mujeres ⋅ 27 ⋅ 27 ⋅ 27 27
60 60 60
Total 19 20 21 60

Y esta es la tabla de frecuencias esperadas, f e :

T B S Total
Hombres 10,45 11 11,55 33
Mujeres 8,55 9 9,45 27
Total 19 20 21 60

Observa que las sumas totales se mantienen.

Observación:
• De las 2 filas (Hombre, Mujeres) solo se necesita una para calcular la probabilidad
multiplicando, porque la segunda se puede rellenar con los datos ya calculados.
• De las 3 columnas (T, B, S) solo se necesita calcular multiplicando las dos primeras.
 Contrastes de hipótesis 5

Definimos entonces el número de grados de libertad, v, como el número calculado mediante la

fórmula:
v = (c −1)(r −1)

siendo c el número de columnas y r el número de filas (row) de la tabla sin totales.

En nuestro ejemplo, v = (3−1)(2 −1) = 2 ⋅1 = 2 .

Para decidir si las dos variables son independientes o no, es necesario comparar los valores
observados (tabla 1ª) con los valores esperados (tabla 4ª).
Si los valores observados están muy alejados de los valores esperados, entonces no es probable que
las variables sean independientes y, por tanto, rechazamos la hipótesis nula. Pero ¿cómo medimos
esa diferencia entre los datos observados y los esperados? y, en caso de medirla, ¿qué valor es
suficiente para decidir rechazar la hipótesis nula?
Lo que se hace es utilizar un número que tiene en cuenta todas las diferencias entre los valores
observados y los esperados, el número X 2 , que se calcula mediante la siguiente fórmula:

( f o − f e )2 f o = frecuencias observadas
X2 =∑ donde
fe f e = frecuencias esperadas

En nuestro ejemplo,
( f o − f e )2
X 2 calc = ∑
fe
(10 −10,45) 2 (7 −11) 2 (16 −11,55) 2 (9 − 8,55) 2 (13− 9) 2 (5− 9,45) 2
= + + + + + = 7,085
10,45 11 11,55 8,55 9 9,45

Si este número X 2 calc , es menor que un número que llamaremos valor crítico, aceptaremos la
hipótesis nula, si es mayor la rechazaremos. Pero ¿cómo elegimos este valor crítico?

El valor crítico depende de otros dos factores:

• El nivel de significación. Es el % de datos que se espera que queden fuera de los límites
normales. (Suele ser 1%, 5%, 10%)
• El número de grados de libertad v de los datos.

Por ejemplo, para 2 grados de libertad a un nivel de significación del 5%, el valor crítico es
X 2 5% = 5,991 .

En los exámenes BI siempre se proporcionará el valor crítico si es necesario usarlo.

Hay dos métodos para decidir si rechazamos o aceptamos la hipótesis nula. Son los siguientes:
 Contrastes de hipótesis 6

• Si X 2 calc < valor crítico ⇒ aceptamos H 0 .

• Si X 2 calc > valor crítico ⇒ rechazamos H 0 .

La CG nos da también un p-valor, probabilidad, de manera que:

• Si p-valor > nivel de significación ⇒ aceptamos H 0 .

• Si p-valor < nivel de significación ⇒ rechazamos H 0 .

Observación:
• En el primer método necesitamos que nos den el valor crítico.
• En el segundo método necesitamos que nos den el nivel de significación.

En nuestro ejemplo anterior, como:

X 2 calc = 7,085 > X 2 5% = 5,991
rechazamos la hipótesis nula.

IMPORTANTE:

En los exámenes BI usaremos la CG para obtener X 2 . Los pasos a dar son los siguientes:
1º) Introducir la dimensión de la matriz de datos observados.
2º) Introducir la matriz y la almacenarla con una letra.
3º) Menú Estadística, opción TEST , CHI , 2WAY .
4º) Introducir las dimensiones de la matriz esperada en la letra elegida y EXE .
→ X 2 calc , p-valor, v.
⎯⎯
5º) En > MAT puede verse la matriz de datos esperados.

§ Ejemplo 1: Se ha preguntado a ochenta personas por su estilo musical favorito: pop, clásico, folk
o jazz. Los resultados se muestran en la tabla siguiente.

Pop Clásica Folk Jazz Total

Hombre 18 9 4 7 38
Mujer 22 6 7 7 42
Total 40 15 11 14 80
 Contrastes de hipótesis 7
Se lleva a cabo una prueba X 2 con un nivel de significación del 1%. El valor crítico para esta
prueba es 11,345.
a) Establece la hipótesis nula y la hipótesis alternativa.
b) Demuestra que el número esperado de mujeres a las que les gusta el pop es 21.
c) Determina los de grados de libertad.
d) Encuentra el valor de X 2 y el p-valor.
e) Determina si la hipótesis nula está respaldada o se rechaza.

a) H 0 : El tipo de música preferido es independiente del sexo.

H1 : El tipo de música preferido no es independiente del sexo.

b) Esta respuesta puede obtenerse de dos formas:

40
Primera: Como la probabilidad de que a una persona le guste el por el , les gustará a
80
40 40
de las 42 mujeres = ⋅ 42 = 21
80 80
Segunda: Calculando con la CG la matriz de frecuencias esperadas, que es:
⎛ 19 7,125 5,225 6,65 ⎞
⎜ ⎟
⎜ 21 7,875 5,775 7,35 ⎟
⎝ ⎠

c) v = (2 −1)(4 −1) = 3 .

d) X 2 = 1,622... y p = 0,654...

e) Como 1,62 < 11,345 (o 0,654 > 0,01 ) aceptamos la hipótesis nula: el tipo de música preferido es
independiente del sexo.

§ Ejemplo 2: Los bulldogs americanos se clasifican según su altura, h, como Pocket, Standard o
XL. Pockets tienen h < 42 cm de alto, Standards tienen 42 ≤ h < 50 y XLs 50 ≤ h < 58 . En una
competición se miden y pesan 50 perros. Se pretende estudiar si la clase de perro es independiente
del peso y para ello se aplica la prueba X 2 con un nivel de significación del 5%.
Los resultandos se muestran en la tabla siguiente.

Altura 36 37 37 38 38 39 39 39 40 40 40 41 41 41 41 41
Peso 30 33 36 31 38 32 39 42 41 43 38 38 44 46 45 47

Altura 42 42 43 43 44 44 45 46 46 46 47 47 47 48 48 48 49
Peso 38 39 36 44 42 48 46 49 38 42 46 50 52 49 48 42 53

Altura 50 51 51 52 52 52 53 54 54 54 55 55 56 56 56 57 57
Peso 39 41 42 45 45 51 53 55 48 56 58 51 54 53 55 58 59
 Contrastes de hipótesis 8
a) Calcula el peso medio de los 50 perros.
b) Completa la siguiente tabla de contingencia.

Pocket Standard XL
< media
≥ media

c) Formula la hipótesis nula y la hipótesis alternativa.

d) Determina los de grados de libertad.
e) Demuestra que el número esperado de perros XL que pesan menos de la media es 8,16.
f) Encuentra el valor de X 2 y el p-valor.
g) Interpreta tu respuesta.

a) Peso medio = 44,96.

b)
Pocket Standard XL
< media 13 8 3
≥ media 3 9 14

c) H 0 : La clase de perro es independiente del peso.

H1 : La clase de perro no es independiente del peso.

d) v = (2 −1)(3−1) = 2 .

24 24
e) de los 17 perros XL = ⋅17 = 8,16.
50 50

f) X 2 = 13,4 y p = 0,00125

g) 0,00125 < 0,05 , por tanto no aceptamos la hipótesis nula.

Ejercicios: 5, 6, 7, 8, 9

4. LA PRUEBA X 2 DE BONDAD DE AJUSTE

En general, un test de bondad de ajuste se utiliza para discriminar si una colección de datos o
muestra se ajusta a una distribución concreta. La prueba de bondad de ajuste X 2 (Goodness of Fit)
es la más utilizada y puede ser usada tanto en distribuciones discretas como continuas.

La diferencia con la prueba X 2 para independencia es que esta compara dos variables para ver si
existe una relación entre ellas, mientras que el test de bondad de ajuste ajusta una variable a una
distribución.
 Contrastes de hipótesis 9
En una prueba X 2 de bondad de ajuste, el número de grados de libertad es
v = (n −1)

CON LA CALCULADORA GRÁFICA:

1º) En menú Estadística introducimos las frecuencias observadas en List1 y las frecuencias
esperadas en List2. Estas últimas las calculamos nosotros.
2º) Opción TEST , CHI , GOF (Goodness of Fit).
3º) Comprobar List1 y List2, introducir los grados de libertad (df) y EXE .
→ X 2 calc , p-valor, df.
⎯⎯

§ Ejemplo 1: A los estudiantes de 1º de Bachillerato de un centro se les pregunta el día de la

semana de su cumpleaños, este año. Los resultados se muestran en la tabla siguiente.

Lunes Martes Miércoles Jueves Viernes Sábado Domingo

Frecuencia 12 14 18 17 15 15 14

a) Escribe la tabla de valores esperados, dado que cada día de la semana es igualmente probable.
b) Realiza una prueba X 2 de bondad de ajuste con un nivel de significación del 5%.
c) El valor crítico es 12,592. Escribe la conclusión de la prueba.

a) Como los días deben ser equiprobables, la frecuencia debe ser:

12 +14 +18 +17 +15+15+14 105
x= = = 15
7 7

Lunes Martes Miércoles Jueves Viernes Sábado Domingo

Frecuencia 15 15 15 15 15 15 15

b) H 0 : Los datos siguen una distribución uniforme.

H1 : Los datos no siguen una distribución uniforme.

v = (7 −1) = 6 . X 2 = 1,60 y p = 0,953

c) 0,953 > 0,05 , (o 1,60 < 12,592 ) por tanto aceptamos la hipótesis nula: los datos siguen una
distribución uniforme.

IMPORTANTE:
1º) Los valores esperados deben ser mayores que 5.
2º) Si algún valor esperado es menor que 5 se necesitará combinar filas.
 Contrastes de hipótesis 10

§ Ejemplo 2: Las puntuaciones de un test de CI están normalmente distribuidas con media 100 y
desviación típica 10. Se hace el test a 200 alumnos de BI del Programa del Diploma. Los
resultados se muestran en la siguiente tabla.
Se quiere verificar si también los resultados siguen una
distribución normal y se realiza una prueba de bondad de ajuste Puntuación Frecuencia
con un nivel de significación del 10%. x < 90 5
a) Establece la hipótesis nula y la hipótesis alternativa. 90 ≤ x < 100 14
100 ≤ x < 110 74
b) Encuentra los valores esperados.
110 ≤ x < 120 58
c) Si algún valor esperado es menor que 5, reescribe la tabla.
120 ≤ x < 130 34
d) Determina el número de grados de libertad.
130 ≤ x 15
e) El valor crítico es 6,251. Encuentra el valor de X 2 y el p-
valor y obtén la conclusión de la prueba.

a) H 0 : Las puntuaciones están normalmente distribuidas con media 100 y desviación típica 10.
H1 : Las puntuaciones no están normalmente distribuidas con media 100 y desviación típica 10.

b) Usamos la Normal Ncd de la CG para calcular las probabilidades:

IMPORTANTE:
1º) En menú Estadística metemos los límites inferiores de los intervalos en List1 y los superiores
en List2.
2º) Opción DIST , NORM , Ncd , y escribimos Data: List, L.List: List1 (Low), U.List: List2
(Upper), σ = 10 , µ = 100 , Save Res: List3. EXE .

Multiplicamos cada probabilidad por 200 para obtener los valores esperados.
Frecuencia
Puntuación Probabilidad
esperada
x < 90 0,1587 31,7
90 ≤ x < 100 0,3413 68,3
100 ≤ x < 110 0,3413 68,3
110 ≤ x < 120 0,1359 27,2
120 ≤ x < 130 0,0214 4,28
130 ≤ x 0,00135 0,270

MULTIPLICAR TODA UNA LISTA POR UN NÚMERO:

Para multiplicar todos los valores de List3 por 200:
1º) En menú 1, escribir SHIFT List 3 EXE , muestra toda la lista List3.
2º) En menú 1, escribir SHIFT List 3 x 200 EXE , muestra todos los elementos de la lista List3
multiplicados por 200.
 Contrastes de hipótesis 11

c) Como las dos últimas puntuaciones son menores que 5 incluso si las sumamos, debemos sumar
también la anterior.
Frecuencia Frecuencia
Puntuación
observada esperada
x < 90 5 31,7
90 ≤ x < 100 14 68,3
100 ≤ x < 110 74 68,3
110 ≤ x 107 31,7

d) v = (4 −1) = 3

e) X 2 = 245 y p-valor = 7,89 ⋅10−53 y obtén la conclusión de la prueba.

7,89 ⋅10−53 < 0,10 (y también 245 > 6,251 ), así que, se rechaza la hipótesis nula: las
puntuaciones no siguen una distribución normal de media 100 y desviación típica 10.

§ Ejemplo 3: Se lanzan tres monedas. Calcula la probabilidad de obtener: 0 caras, exactamente 1

cara, exactamente 2 caras, 3 caras.
Marina lanza tres monedas 200 veces y toma nota cada vez del Nº caras Frecuencia
número de caras. Los resultados son los siguientes. 0 28
Marina quiere saber si los resultados siguen una distribución 1 67
binomial y utiliza una prueba X 2 de bondad de ajuste con un 2 83
nivel de significación del 5%. 3 22
a) Usando la B(3; 0,5) y el hecho de que Marina lanza las monedas 200 veces, encuentra el valor
esperado para el número de caras.
b) ¿Alguno de estos valores es menor que 5?
c) Establece la hipótesis nula, la hipótesis alternativa y el número de grados de libertad.
El valor crítico es 7,815.
d) Encuentra el valor de X 2 y el p-valor.
e) Interpreta el resultado de la prueba.

a)
Nº caras Frecuencia esperada
0 200 ⋅ 0,125 = 25
1 200 ⋅ 0,375 = 75
2 200 ⋅ 0,375 = 75
3 200 ⋅ 0,125 = 25

b) Son todos mayores que 5.

c) H 0 : El número de caras sigue una distribución binomial.

H1 : El número de caras no sigue una distribución binomial.
 Contrastes de hipótesis 12

d) X 2 = 2,426... y p-valor = 0,4886...

e) 2,426... < 7,815 (y también = 0,4886... > 0,05 ), así que, se acepta la hipótesis nula: el número
de caras sigue una distribución binomial.

Ejercicios: 10, 11, 12, 13, 14, 15

5. LA PRUEBA t DE STUDENT
María ha observado que el sol incide más en un lado del jardín que en el otro. Quiere saber si esto
tiene algún efecto en la altura de los tulipanes en uno y otro lado del jardín. Mide 20 tulipanes de
cada lado y obtiene los siguientes resultados en cm:

21 21 26 25 28 24 22 22 29 28
Lado derecho
28 27 21 23 24 24 27 26 26 25
24 25 25 26 32 29 31 27 26 28
Lado izquierdo
22 22 28 28 30 31 29 28 28 32

¿Cómo puede María comparar los dos conjuntos de datos?

La mejor manera de comparar dos conjuntos de datos es la prueba t de Student. Se usa para dos
conjuntos de datos en los que se mide la misma característica (como la altura de los tulipanes), y
solo se aplica a distribuciones normales.
La hipótesis nula es que las dos medias son iguales, H 0 : x1 = x2 . En cuanto a la hipótesis
alternativa, existen dos variaciones de esta prueba:
• Para la prueba t de dos colas, H1 : x1 ≠ x2 .
• Para la prueba t de una cola, H1 : x1 > x2 o x1 < x2 .

En nuestro ejemplo, el de los tulipanes de María, las hipótesis nula y alternativa son:
H 0 : La media de los tulipanes del lado derecho es la misma que la del lado izquierdo.
H1 : La media de los tulipanes del lado derecho no es la misma que la del lado izquierdo.

CON LA CALCULADORA GRÁFICA:

1º) En menú Estadística poner los datos en List1 y List2.
2º) Opción TEST , t , 2 - SAMPLE (2 muestras)
3º) Elegir la hipótesis alternativa correcta, bajar con el cursor y Pooled: On, EXE .

→ t-valor, p-valor, df.

⎯⎯

En el examen solo necesitaremos el p-valor, que compararemos con el nivel de significación.

• Si p-valor > nivel de significación ⇒ aceptamos H 0 .

• Si p-valor < nivel de significación ⇒ rechazamos H 0 .

 Contrastes de hipótesis 13

En nuestro ejemplo de los tulipanes, el p-valor es 0,00392 < 0,05 . Por tanto se rechaza la hipótesis
nula y existe una diferencia entre los tulipanes de un lado y los del otro.

§ Ejemplo 1: Un profesor hace el mismo cuestionario a dos grupos de alumnos. Quiere saber si
existe alguna diferencia entre las puntuaciones de los dos grupos. Los resultados son:

Grupo 1 54 62 67 43 85 69 73 81 47 92 55 59 68 72
Grupo 2 73 67 58 46 91 48 82 81 67 74 57 66

a) Escribe la hipótesis alternativa y la hipótesis nula.

b) Encuentra el t-valor y el p-valor para una prueba t de Student con un nivel de significación del
5%.
c) Obtén las conclusiones de la prueba.

a) H 0 : x1 = x2 (No hay diferencia entre las puntuaciones de los dos grupos).

H1 : x1 ≠ x2 (Hay una diferencia entre las puntuaciones de los dos grupos).

Observa que los dos grupos no necesariamente deben tener el mismo tamaño.

b) t-valor = −0,235 , p-valor = 0,816 .

c) 0,816 > 0,05 , así que aceptamos la hipótesis nula: no hay una diferencia significativa entre los
dos grupos.

§ Ejemplo 2: Una compañía de petróleo ha desarrollado un combustible que incrementará la

distancia recorrida por cada litro consumido.
Se llenan diez motocicletas con un litro de un combustible normal y otras diez con un litro del
nuevo combustible. Las distancias, en km, recorridas son las siguientes:
Combustible original 36 38 44 42 45 39 48 51 38 43
Combustible nuevo 43 39 51 49 53 48 52 46 53 49

a) Escribe la hipótesis nula y la hipótesis alternativa.

b) Encuentra el t-valor y el p-valor para una prueba t con un nivel de significación del 5%.
c) Obtén las conclusiones de la prueba.

a) H 0 : x1 = x2 (No hay diferencia entre la distancia recorrida con el combustible original y el

nuevo combustible).
H1 : x1 < x2 (La distancia recorrida con el combustible original es menor que la distancia
recorrida con el nuevo combustible).
b) t-valor = −2,83 , p-valor = 0,00561 .
c) 0,00561< 0,05 , así que no aceptamos la hipótesis nula: la afirmación de la Compañía es
correcta.

Ejercicios: 16, 17