TEMA 8.

TESTS DE HIPOTESIS

8.1. Introducción
8.1.1. Definiciones
8.1.2. Pasos para la realización de un test

8.2. Tests paramétricos.

8.2.1. Contrastes sobre los parámetros de una
distribución Normal
8.2.2. Contrastes sobre los parámetros de dos
distribuciones normales independientes
8.2.3. Contrastes para una proporción p
8.2.4. Contrastes para la comparación de dos
proporciones

8.3. Tests no paramétricos

8.3.1. Contrastes para la bondad de ajuste
8.3.2 Contrastes de homogeneidad
8.3.3 Contrastes para la independencia de dos
caractere
8.3.4 Contraste de aleatoriedad. Test de rachas
8.3.5 Test de Kolmogorov-Smirnov
8.3.6 Test de los rangos signados de Wilcoxon
8.3.7 Test de Mann-Whitney-Wilcoxon

8.4. Análisis de la varianza

253

8.1. Introducción

8.1.1. Definiciones

1. Test de Hipótesis: Procedimiento estadístico

mediante el cual se investiga la verdad o falsedad de
una hipótesis acerca de una característica de una
población o un conjunto de poblaciones

1.1. Tests paramétricos: Conocida una v.a. con

una determinada distribución, se establecen
afirmaciones sobre los parámetros de dicha
distribución

1.2. Tests no paramétricos: Las afirmaciones

establecidas no se hacen en base a la distribución
de las observaciones, que a priori es desconocida.

254
Ejemplos:

Tests paramétricos:

Sea X 1 , X 2 ,..., X n una m.a.s. de una v.a. X con

distribución Normal, N ( µ ; σ ).

Establecemos la afirmación: µ ≤ 10

Tests no paramétricos:

 Análisis de la aleatoriedad de la muestra

 Una variable aleatoria X tiene una distribución

Normal

 Dos variables aleatorias X e Y son independientes

 Dos muestras independientes proceden de la

misma población

255
2. Hipótesis del test:

Hipótesis nula ( H 0 ) : Hipótesis que se plantea
en un problema de contraste

Hipótesis alternativa ( H 1 ) : Hipótesis contraria
a la hipótesis nula

Ejemplos:

Test paramétricos:
H 0 : µ ≤ 10
H 1 : µ > 10
Test no paramétricos:

H 0 : La muestra se ha seleccionado
aleatoriamente
H 1 : La muestra no se ha seleccionado
aleatoriamente

256
3. Estadístico del test

Llamamos Estadístico del Test o Estadístico de
Contraste a una variable aleatoria con distribución de
probabilidad conocida cuyos valores nos permiten
tomar la decisión de aceptar o rechazar la hipótesis
nula.
H 0 : µ = µ 0   σ 
 X → Nµ ; 
H1 : µ ≠ µ 0   n

Al valor concreto que toma el estadístico del test

para la muestra escogida se llama Valor
Experimental del Estadístico de Contraste

1 n
x1 , x 2 ,..., x n x = ∑ xi
n i =1

257
 Ejemplo Contrate de Hipótesis

Contrastar si la media de una población N ( µ ; σ )

con σ conocida, toma un valor µ = µ 0

H 0 : µ = µ 0 
1. Planteamiento del test: 
H1 : µ ≠ µ 0 

 σ 
2. Estadístico del test: X → Nµ ; 
 n

 σ 
Bajo la hipótesis nula: X → N  µ0 ; 
 n

Se toma una m.a.s. concreta: x1 , x 2 ,..., x n

1 n
cuya media valdrá: x = ∑ xi
n i =1

Si H0 es cierta, la mayoría de los valores de la

media muestral deben estar próximos al valor µ 0.

258
4. Criterio de decisión: Comprobar si el valor concreto
de la media muestral calculada, está o no muy alejado
de µ 0

Rechazamos H 0 si la media muestral no está
“próxima” a µ 0.

No rechazamos H 0 si la media muestral está
“próxima” a µ 0.

5. Determinación de las zonas de rechazo y no

rechazo:

Zona de no rechazo: 100(1 − α) % de los
valores más cercanos a µ 0.

Zona de rechazo: 100α % de los valores
restantes.

α /2 1−α α /2

µ 0.
Media muestral
Rechazo No Rechazo Rechazo

259
 6. Tipos de hipótesis. Región Crítica.
Contrastes unilaterales y bilaterales. P-valor

Hipótesis simples: La hipótesis asigna un único

valor al parámetro desconocido, H: θ = θ 0

Hipótesis compuestas: La hipótesis asigna varios
valores posibles al parámetro desconocido,

H: θ ∈ ( θ 1, θ 2 )

H0 : µ = µ0
Simple – Compuesta
H1 : µ ≠ µ 0

H0 : µ ≤ µ0
Compuesta – Compuesta
H1 : µ > µ0

H0 : µ ≥ µ0
Compuesta - Compuesta
H1 : µ < µ0

260
Al aplicar un contraste de hipótesis, clasificamos los
puntos del espacio muestral en dos regiones excluyentes
y complementarias:

Región de Rechazo o Región Crítica: La formada

por el conjunto de los valores del estadístico de
contraste que nos llevan a rechazar la hipótesis nula
H0 , se llama región crítica (los puntos que delimitan la
región crítica se llaman puntos críticos)

Región de Aceptación o Región de No Rechazo:

Es la formada por el conjunto de los valores del
estadístico de contraste que nos lleva a aceptar la
hipótesis nula H0

Región de rechazo

Región de no
rechazo

261

Contrastes unilaterales y bilaterales:
 Si la hipótesis alternativa da lugar a una región
crítica “a ambos lados” del valor del parámetro,
diremos que el test es bilateral o de dos colas

Región crítica

 Si la hipótesis alternativa da lugar a una región

crítica “a un solo lado del valor del parámetro”,
diremos que el test es unilateral o de una sola cola

Región crítica

262

p-valor o nivel de significación observado: Es
el valor de α más pequeño que hace que la muestra
observada nos indique que se debe rechazar H0.
Elegido un nivel de significación α, se rechazará H0
si p ≤ α

Si α < p-valor ⇒ No rechazar H 0

No rechazar
hipótesis nula
R.A.

p-valor R.C.

zexp zα
Si α ≥ p - valor ⇒ Rechazar H 0

Rechazar
hipótesis nula

R.A. R.C.

p-valor

zα zexp 263
7. Errores asociados al contraste

Error tipo I: Error que se comete al rechazar la
hipótesis nula, H 0 , cuando ésta es cierta.

α = P [ Error tipo I ] =
P [ Rechazar H 0 / H 0 es verdadera ]

Error tipo II: Error que se comete al no rechazar la

hipótesis nula, H 0, cuando ésta es falsa

β = P [ Error tipo II ] =
P [ No Rechazar H 0 / H 0 es falsa ]

H0 Rechazo No rechazo
Verdadera α)
Error tipo I (α Correcto

Falsa Correcto β)
Error tipo II (β

Potencia del test: Probabilidad que se tiene en el

contraste de detectar que H 0 es falsa.

1 − β = P [ Rechazar H 0 / H 0 es falsa ]

264

8.1.2. Pasos para la realización de un test

1. Fijar las hipótesis nula y alternativa

H0 : θ = θ0
Si el contraste es bilateral
H1 : θ ≠ θ0

H0 : θ ≤ θ0 Si el contraste es de una cola

(derecha)
H1 : θ > θ0
H0 : θ ≥ θ0 Si el contraste es de una cola
H1 : θ < θ0 (izquierda)

2. Buscar el estadístico del test que bajo la hipótesis

nula tenga un comportamiento conocido

3. Determinar la región crítica

4. Seleccionar una muestra de tamaño n, para la cual

el estadístico del test tome un valor numérico (valor
experimental del estadístico de contraste)

5. Adoptar la decisión sobre el rechazo o no de la

hipótesis nula
265

8.2. Tests Paramétricos

8.2.1. Contrastes sobre los parámetros de una

distribución normal

X1, X 2 ,..., X n m.a.s. de X → N ( µ ; σ )

Contrastes sobre la media

Varianza Conocida

Hipótesis Estadístico de Criterio de

del test contraste rechazo

H 0 : µ = µ0 z exp ≤ − z α 2
H1 : µ ≠ µ0 z exp ≥ zα 2

H 0 : µ ≤ µ0
X −µ0
Z= → N (0;1)
σ
H1 : µ > µ0 n z exp ≥ zα
H 0 : µ ≥ µ0 z exp ≤ − z α
H1 : µ < µ0

266
 Varianza Desconocida

Estadístico de contraste

X −µ0
T=
S
→ t n−1
n

Hipótesis
Criterio de rechazo
del test

H 0 : µ = µ0 t exp ≤ −t α 2;n −1
H1 : µ ≠ µ0
t exp ≥ t α 2;n −1
H 0 : µ ≤ µ0
t exp ≥ t α ;n −1
H1 : µ > µ0

H 0 : µ ≥ µ0
t exp ≤ − t α ;n −1
H1 : µ < µ0

267
 Ejemplo:

En un preparado alimenticio infantil se especifica que

el contenido medio de proteínas es al menos del 42%.
Tratamos de comprobar esta especificación y para ello
tomamos 10 preparados que analizamos para
determinar su contenido en proteínas, obteniendo una
media del 40% y una cuasidesviación típica del 3.5%.
¿Es correcta la especificación citada para un nivel de
significación del 0.05, suponiendo normal la
distribución de la variable contenido proteico?

X: “Contenido Proteico”, X → N (µ ; σ )

n = 10; x = 40; S = 3.5

Contraste de Hipótesis:

H 0 : µ ≥ 42 

H1 : µ < 42 

268
 n = 10; x = 40; S = 3.5
H 0 : µ ≥ 42 
Contraste de Hipótesis: 
H1 : µ < 42 
Estadístico de contraste:
x − µ0
→ t n−1
S
n

α = 0.05; t 0.95; 9 = −t 0.05; 9 = −1.833


40 − 42 
t exp = = −1.8070  ⇒ No rechazamos H 0
3.5

10 

0.05
0.95

t 0.95 ; 9 texp

Admitimos como correcta la especificación

del preparado acerca del contenido
proteico

269

Contrastes sobre la varianza

Media desconocida

Estadístico de contraste

χ2 =
( )
n − 1 S 2
→ χ n2−1
σ 02

Hipótesis del test Criterio de rechazo

H 0 : σ 2 = σ 02 χ exp
2
≤ χ 12−α 2; n −1

H1 : σ 2 ≠ σ 02 χ exp
2
≥ χ α2 2; n −1
H 0 : σ 2 ≤ σ 02 2
χ exp
2
≥ χ α ; n −1
2
H1 : σ > σ 02

H 0 : σ 2 ≥ σ 02
χ exp
2
≤ χ 21−α ; n −1
H1 : σ 2 < σ 02

270
 Ejemplo:

La varianza habitual para la altura de los machos de

Lhasa Apso es de 0.25. Un criador está intentando
reducir esta cifra. Después de un período de crianza
selectiva, se selecciona una muestra de 15 perros a los
que se mide, obteniendo una cuasivarianza muestral
de 0.21. ¿Tenemos evidencias que nos permitan
afirmar que ha disminuído la variabilidad en la altura
de esta raza de perros?
X: Altura de los machos de Lhasa Apso

X → N (µ ; σ )

n = 15 S 2 = 0.21

Contraste de Hipótesis:

H 0 : σ 2 ≥ 0.25 

H1 : σ < 0.25 
2

271
 n = 15 S 2 = 0.21
H 0 : σ 2 ≥ 0.25 
Contraste de Hipótesis: 
H1 : σ < 0.25 
2

2
α = 0.05; χ 0.95;14 = 6.57

Estadístico de contraste: χ2 =
( n − 1) S 2
→χ2n −1
σ 02
14 × 0.21 
χ exp =
2
= 11.76  ⇒ No rechazamos H 0
0.25 

0.05
0.95

χ 0.95;14
2
χ exp
2

No tenemos suficientes pruebas para sostener la

información de que la crianza selectiva haya reducido
la variabilidad en las alturas de los machos de Lhasa
Apso
272

8.2.2. Contrastes sobre los parámetros de dos
distribuciones normales independientes

X1, X 2 ,..., X nX (
m.a.s. de X → N µ X ; σ X )
Y1, Y2 ,..., YnY (
m.a.s. de Y → N µ Y ; σ Y )

Contrastes sobre la diferencia de

medias

 Varianzas conocidas

 Varianzas desconocidas, pero iguales

 Varianzas desconocidas, distintas o no.

Muestras grandes

273
 Varianzas conocidas

Estadístico de contraste

Z=
( X −Y ) − µ0
→ N ( 0; 1)
σ X2 σ Y2
+
nX nY

Hipótesis del test Criterio de rechazo

H 0 : µ X − µY = µ0 z exp ≤ − z α 2

H1 : µ X − µY ≠ µ0 z exp ≥ z α 2

H 0 : µ X − µY ≤ µ0
z exp ≥ z α
H1 : µ X − µY > µ0
H 0 : µ X − µY ≥ µ0
z exp ≤ − z α
H1 : µ X − µY < µ0
274
 Varianzas desconocidas, pero iguales

Estadístico de contraste

T=
( X − Y ) − µ0 → t n X + nY − 2
1 1
Sp +
n X nY

Hipótesis del test Criterio de rechazo

H 0 : µ X − µY = µ0 texp ≤ −tα 2; n X + nY −2
H1 : µ X − µY ≠ µ0 texp ≥ tα 2; n X + nY −2

H 0 : µ X − µY ≤ µ0 texp ≥ tα ; n X + nY −2
H1 : µ X − µY > µ0
H 0 : µ X − µY ≥ µ0 texp ≤ −tα ; n X + nY −2
H1 : µ X − µY < µ0

S p2 =
( nX ( )
− 1) S X2 + n Y − 1 S Y2
nX + n Y − 2

275
 Varianzas desconocidas
con n x, n y ≥ 30

Estadístico de contraste

Z=
( X − Y ) − µ0
→ N ( 0; 1)
S X2 S Y2
+
nX nY

Hipótesis del test Criterio de rechazo

H 0 : µ X − µY = µ0 z exp ≤ − z α 2

H1 : µ X − µY ≠ µ0 z exp ≥ z α 2
H 0 : µ X − µY ≤ µ0
z exp ≥ z α
H1 : µ X − µY > µ0
H 0 : µ X − µY ≥ µ0
z exp ≤ − z α
H1 : µ X − µY < µ0

276
  Ejemplo:
En un estudio sobre angina de pecho en ratas, se
dividió aleatoriamente a 18 animales afectados en dos
grupos de 9 individuos cada uno. A un grupo se le
suministró un placebo y al otro un fármaco
experimental FL113. Después de un ejercicio
controlado sobre una “cinta sin fin”, se determinó el
tiempo de recuperación de cada rata, obteniéndose los
siguientes resultados:

Placebo FL113
nX = 9 nY = 9
x = 329 seg. y = 283 seg.
S X = 45 seg. S Y = 43 seg.

¿Se puede concluir que el fármaco experimental tiende

a reducir el tiempo de recuperación? (Se supone
Normalidad e igualdad en las varianzas poblacionales)

X: “Tiempo de recuperación de las ratas con placebo”

Y: “Tiempo de recuperación de las ratas con el fármaco”
X → N ( µ X ;σ X )
Independientes
Y → N ( µY ;σ Y )

277
Contraste de H 0 : µ X ≤ µ Y 
 H 0 : µ X − µ Y ≤ 0 
Hipótesis:  
H1 : µ X > µ Y  H1 : µ X − µ Y > 0 

Estadístico de contraste:

T=
( X −Y ) − µ0 → t n X + nY − 2
1 1
Sp +
n X nY

S p2 =
( nX ( )
− 1) S X2 + n Y − 1 S Y2 8 × 452 + 8 × 432
= = 1937
nX + n Y − 2 9+9−2

texp = 2.22 
 ⇒ Rechazamos H 0
t0.05;16 = 1.746

0.95 0.05

t 0.05;16 texp
El fármaco experimental es eficaz en la reducción
del tiempo de recuperación en ratas con angina de pecho.
278

Contrastes sobre la igualdad de
varianzas

Medias desconocidas

Estadístico de contraste

2
SX
F= → Fn X −1 ; nY −1
2
SY
Hipótesis del test Criterio de rechazo

Fexp ≤ F1−α 2; n X −1,nY −1

H 0 : σ X2 = σ Y2
H1 : σ X2 ≠ σ Y2 Fexp ≥ Fα 2;n X −1,nY −1

H 0 : σ X2 ≤ σ Y2
Fexp ≥ Fα ; n X −1, nY −1
H1 : σ > σ
2
X
2
Y

H 0 : σ X2 ≥ σ Y2 Fexp ≤ F1−α ; n X −1,nY −1

H1 : σ X2 < σ Y2

279
 Ejemplo:
Se realiza un estudio de prácticas de prescripción. El
propósito es analizar la prescripción de digoxina, un
fármaco importante, potencialmente tóxico y
comúnmente utilizado. El nivel de dosificación para
los mayores de 64 años debe ser menor que el de
personas más jóvenes. Se extraen muestras
independientes de cada grupo y se obtiene el nivel de
dosificación para cada paciente seleccionado. Los
resultados son:

Edad > 64 años Edad ≤ 64

n X = 41 nY = 29
x = 0.265 mg./día y = 0.268 mg./día
S X = 0.102 mg./día S y = 0.068 mg./día

¿Se puede considerar que la dispersión en ambas

poblaciones es la misma?
X: “Cantidad de digoxina en pacientes con > 64 años”
Y: “Cantidad de digoxina en pacientes con ≤ 64 años”

X → N ( µ X ,σ X )
Y → N ( µ Y ,σ Y )
Independientes

280
 Contraste de Hipótesis: H 0 : σ X2 = σ Y2 

H1 : σ X ≠ σ Y 
2 2

Estadístico de S X2
contraste:
F= → Fn X −1 ; nY −1
S Y2
n X = 41; S X = 0.102mg ./ día
nY = 29; SY = 0.068mg ./ día

0.102 2 
Fexp = = 2.25 
0.068 2 

F 0.025; 40, 28 = 2.05  ⇒

1 1
F0.975; 40, 28 = = = 0.515 
F 0.025; 28, 40 1.94 

Rechazamos H 0
Las varianzas poblacionales
son diferentes
0.95
0.025
0.025

F0.975; 40, 28 F0.025; 40, 28 Fexp

281

8.2.3. Contrastes para una proporción

Estadístico de contraste

pˆ − p 0
Z= → N ( 0; 1)
(
p 0 1− p0 )
n

Hipótesis del test Criterio de rechazo

H 0 : p = p0 z exp ≤ − z α 2

H1 : p ≠ p0 z exp ≥ z α 2

H 0 : p ≤ p0
z exp ≥ z α
H1 : p > p0

H 0 : p ≥ p0 z exp ≤ − z α
H1 : p < p0

282
 Ejemplo:
Entre los pacientes con cáncer de pulmón, el 90% o
más muere generalmente en el espacio de tres años.
Como resultado de nuevas formas de tratamiento, se
cree que esta tasa se ha reducido. En un reciente
estudio sobre 150 pacientes diagnosticados de cáncer
de pulmón, 128 murieron en el espacio de tres años.
¿Se puede afirmar que realmente ha disminuido la tasa
de mortalidad al nivel α = 0.1?

Contraste de Hipótesis: H 0 : p ≥ 0.9 


H1 : p < 0.9 

Estadístico de contraste:
pˆ − p0
Z= → N ( 0; 1)
p0 (1 − p0 )
n
Estimación muestral del parámetro:

Nº éxitos 128
pˆ = = = 0.853
Nº observaciones 150

283
 H 0 : p ≥ 0.9 
Contraste de Hipótesis: 
H1 : p < 0.9 

pˆ = 0.853
p − p0 0.853 − 0.9
Z exp = = = −1.905
p0 (1 − p0 ) 0.9 (1 − 0.9 )
n 150

α = 0.1; z 0.9 = − z 0.1 = −1, 285

⇒ Rechazamos H 0

0.1 0.9

− z exp − z 0.1

284

8.2.3. Contrastes para la comparación
de dos proporciones

Estadístico de contraste

Z=
( pˆ
X − pˆ Y ) − ( pX − pY )
0
→ N ( 0; 1)
pˆ X (1− pˆ X ) pˆ Y (1− pˆ Y )
+
nX nY

Hipótesis del test Criterio de rechazo

H 0 : p X − pY = ( p X − pY )0 z exp ≤ − z α 2
H1 : p X − pY ≠ ( p X − pY )0
z exp ≥ z α 2
H 0 : p X − pY ≤ ( p X − pY )0
H1 : p X − pY > ( p X − pY )0
z exp ≥ z α

H 0 : p X − pY ≥ ( p X − pY )0
z exp ≤ − z α
H1 : p X − pY < ( p X − pY )0

285
 Ejemplo:
Se quiere comprobar la teoría de que la vitamina C es
una ayuda en el tratamiento del cáncer. Se examinaron
dos grupos de 75 pacientes cada uno. Al primero de
ellos se le dio 10 gr. de vitamina C diariamente y se
observó que 47 pacientes presentaron mejoría. A los
pacientes del segundo grupo se les suministró un
placebo y 43 experimentaron mejoría. Contrastar las
hipótesis: H : p − p ≤ 0.04
0 X Y 

H 1 : p X − pY > 0.04 

Estadístico de contraste:

Z=
( pˆ
X − pˆ Y ) − ( pX − pY )
0
→ N ( 0; 1)
pˆ X (1 − pˆ X ) pˆ Y (1 − pˆ Y )
+
nX nY
Estimación muestral de los parámetros:
47
pˆ X = = 0.63
75
43
pˆ Y = = 0.57
75

286
 H 0 : p X − pY ≤ 0.04 

H 1 : p X − pY > 0.04 

Z exp =
( 0.63 − 0.57 ) − 0.04 = 0.75
0.63 (1 − 0.63) 0.57 (1 − 0.57 )
+
75 75

z0.05 = 1.645

z exp ≥ zα ⇒ No rechazamos H 0

0.95 0.05

zexp z 0.05

287

8.3. Tests No Paramétricos

8.3.1. Contrastes para la bondad de ajuste.

El problema de bondad de ajuste consiste en

determinar a partir de un conjunto de datos
muestrales si estos son consistentes con una
distribución de Probabilidad teórica.

Partiendo de una muestra de n valores observados

x1 , x2 ,..., xn de una v.a.. X con distribución
supuesta F ( x ) , se plantea el siguiente contraste
de hipótesis:

H 0 : X → F ( x) 

H1 : X sigue otra distribución 

288

Planteamiento

 Consideremos una v.a. X, discreta o continua, y una

muestra aleatoria de tamaño n de la distribución de
dicha variable agrupada en k clases exhaustivas y
mutuamente excluyentes.

 Sea n i , i = 1, 2,…..., k, la frecuencia absoluta de

la i-ésima clase

 Supongamos una cierta distribución teórica para X

cuyos parámetros poblacionales los estimamos a partir
de los datos muestrales.

 Si denotamos por pi la probabilidad asociada a la

clase i , los valores n pi serán los valores esperados
asociados a cada clase i .

289
Clases Marcas Fr. Prob. Valores
de clase Absolutas Teóricas esperados
empíricas
1 x1 n1 p1 np1
2 x2 n2 p2 np2
... ... ... ... ...
i xi ni pi npi
... ... ... ... ...
k xk nk pk npk
n 1 n

Si algún valor esperado es menor que 5, npi < 5 ,

dicha clase se agrupará con otras contiguas, de
manera que en todas ellas dichos valores sean
mayores o iguales a 5, reduciéndose el número de
clases.

290

Solución del test

Hipótesis nula H 0 : X → F ( x )

Estadístico de contraste

( ni − n pi )
2
k
Y =∑ → χ2
n pi ( k −1)−r
i =1

Criterio de rechazo

Yexp ≥ χ 2
α ; ( k −1) − r

 r es el número de parámetros estimados

de los que depende la distribución teórica
 k es el número de clases

291
 Ejemplo:
Se mide el número de partículas que llegan a una
determinada zona procedentes de una
sustancia radioactiva en un corto espacio de
tiempo siempre igual, anotándose los
resultados en la siguiente tabla:

Nº de partículas 0 1 2 3 4 5 6
Nº de períodos
269 325 207 82 28 7 2
de tiempo

a) Ajustar una distribución de Poisson

b) Calcular la probabilidad de que lleguen a dicha
superficie 0, 1, 2, ..., 6 partículas
c) Verificar la bondad del ajuste mediante un
contraste de la χ2
X = “ Nº de Partículas Radioactivas”

Determinación de los parámetros de la distribución.

Dado que no los conocemos, los estimamos:

n
1 0 × 269 + 1 × 325 + .... + 6 × 2
λˆ = x = ∑ n i x i = = 1.24
n i =1 269 + 325 + .... + 2

X → P ( λ = 1.24)

292
 Cálculo de probabilidades

P( X = 0) = 0.2898 ; P ( X = 1) = 0.3586 ;

P( X = 2) = 0.2222 ; P ( X = 3) = 0.919

P( X = 4) = 0.0285 ; P ( X = 5) = 0.007

P( X = 6) = 0.0014

Contraste de bondad de ajuste

H o : X → P(λ = 1.24 ) 

H1 : X sigue otra distribución 

293
 Nº de Fr. Ab. Prob.
Partíc Val. Esp. np i
ni pi
0 269 0.2898 266.616
1 325 0.3586 329.912
2 207 0.2222 204.424
3 82 0.0919 84.548
4 28 0.0285 26.22
5 7 0.0070 6.44
6 2 0.0014 1.288
n = 920 1

Como el último valor esperado es inferior a 5, unimos

las dos clases contiguas

Nº de Fr. Ab. Prob. Val. Esp.

Partíc ni pi np i (n i-np i )2 / np i
0 269 0.2898 266.616 0.0213
1 325 0.3586 329.912 0.0731
2 207 0.2222 204.424 0.0324
3 82 0.0919 84.548 0.0767
4 28 0.0285 26.22 0.1208
5y6 9 0.0084 7.728 0.2092
n = 920 1 0.5335

294
Estadístico de contraste:

( ni − npi )
2
k
Y =∑ → χ 2k −1 −r
np i ( )
i =1
Nº de Gr. de Libertad, (k-1) - r = (6-1) -1 = 4;
r = Nº de Parámetros estimados = 1
2
Criterio de rechazo: Yexp ≥ χ
α ; ( k −1) − r

χ 02.05;4 = 9.49 

k (n − np )2  ⇒ No rechazamos H 0
Yexp = ∑ i i = 0.5335
i =1 npi 

0.95
0.05

2
Yexp χ 0.05;4

Los datos provienen de una distribución de

Poisson

295

8.3.2. Contrastes para la independencia de
dos caracteres

Se quiere determinar si existe relación entre dos

características diferentes de una población, donde
cada característica se encuentra subdividida en un
cierto número de categorías

 TABLA DE CONTINGENCIA

B B1 B2 ... Bj ... Bs Total

A
A1 n11 n12 ... n1j ... n1s n 1.
A2 n21 n22 ... n2j ... n2s n 2.
... ... ... ... ... ... ... ...
Ai ni1 ni2 ... nij ... nis n i.
... ... ... ... ... ... ... ...
Ar nr1 nr2 ... nrj ... nrs n r.
Total n. 1 n. 2 ... n. j ... n. s n..

296
 s
ni. = ∑ nij , i = 1, 2,..., r. Total de la i -ésima fila
j =1
r
n. j = ∑ nij , j = 1, 2,..., s. Total de la j -ésima columna
i =1

 La decisión de rechazar o no rechazar la hipótesis

nula de independencia de los dos caracteres, se basa
en el mal o buen ajuste entre las frecuencias
observadas y las frecuencias que se esperarían para
cada celda si H0 fuese cierta

Valores esperados: eij =

..
ni n j
n

297

Solución del test

Hipótesis nula H 0: A y B son independientes

Estadístico de contraste

( )
2
r nij − eij
s
U =∑∑ → χ 2r −1 s −1
e ij ( )( )
i =1 j =1

Criterio de rechazo

U exp ≥ χ α2 ; ( r −1)( s −1)

Corrección de Yates para continuidad

Si algún valor e ij es menor que 5, se aplica la siguiente
corrección por continuidad al estadístico del test

Estadístico de contraste

( nij − eij − 0.5 )

2
r s
U =∑∑ → χ 2r −1 s −1
e ij ( )( )
i =1 j =1

298
 Ejemplo:
Un psicólogo realiza una investigación para determinar
si existe asociación aparente entre el peso de un
muchacho y un éxito precoz en la escuela. Se
selecciona una m.a.s. de 500. Se clasifica a cada uno
de acuerdo a dos criterios: el peso y el éxito en la
escuela, obteniéndose los siguientes resultados:

Sobrepeso
Éxito Sí No
Sí 162 263
No 38 37

A la vista de los datos, ¿qué se puede decir sobre la

afirmación del psicólogo?
Contraste de Hipótesis:

H0 : Los caracteres peso y éxito son independientes 


H1 : Los caracteres peso y éxito no son independientes 

299
Cálculo de los valores esperados, e ij

eij =
. .
ni n j
n

e11 =
. .
n 1 n 1 425 × 200
= = 170
n 500

Sobrepeso
Éxito Sí No Total
Sí 162 263 425
(170) (255)
No 38 37 75
(30) (45)
Total 200 300 500

300
Estadístico de contraste:

( nij − eij )
2
r s
U =∑∑ → χ 2r −1 s −1
e ij ( )( )
i =1 j =1

U exp =
(162 − 170 )
2
+
( 263 − 255 )
2
+
170 255

+
( 38 − 30 )
2
+
( 37 − 45 )
2
= 4.18
30 45

U exp = 4.18 

(r − 1)(s − 1) = 1 ⇒ Rechazamos H o
2 
χ 0.05;1 = 3.84 


0.95
0.05

2
χ 0.05;1 Uexp
La obesidad y la precocidad en la escuela no son
independientes
301

8.3.3. Contrastes de homogeneidad

El problema general es determinar si varias muestras

se pueden considerar procedentes de una misma
población, en cuyo caso decimos que las muestras
son homogéneas.

 TABLA DE CONTINGENCIA

Modalidades B 1 B 2 ... Bj ... Bp Total

Muestras
A1 n11 n12 ... n1j ... n1p n 1.
A2 n21 n22 ... n2j ... n2p n 2.
... ... ... ... ... ... ... ...
Ai ni1 ni2 ... nij ... nip n i.
... ... ... ... ... ... ... ...
Ar nr1 nr2 ... nrj ... n rp n r.
Total n. 1 n. 2 ... n. j ... n. p n..

302

Solución del test

Hipótesis nula
H 0: Las muestras son homogéneas

Estadístico de contraste

( nij − eij )
2
r p
U =∑∑ → χ 2r −1 p −1
e ij ( )( )
i =1 j =1

Criterio de rechazo

U exp ≥ χ α ; ( r −1)( p −1)

2

303
 Ejemplo:
Un grupo de personas ha sido expuesto a la
radiactividad de un vertedero con desechos atómicos.
Se realiza una investigación para descubrir si hay
alguna asociación entre la exposición y el desarrollo de
una enfermedad en la sangre. Se eligen 300 personas
expuestas al peligro y 320 no expuestas y se estudia a
cada sujeto para determinar si tiene o no la
enfermedad. ¿Qué se puede concluir a la vista de los
resultados?
Tiene la enfermedad
Radioactividad Sí No
Sí 52 248
No 48 272

Contraste de Hipótesis:

H0 : Hay Homogeneidad 

H1 : No Hay Homogeneidad 

304
 Cálculo de los valores esperados, e i j

eij =
. .
ni n j
n

e 12 =
. .
n 1 n 2 300 × 520
= = 251.61
n 620

Tiene la enfermedad
Radioactividad Sí No Total
Sí 52 248 300
(48.39) (251.61)
No 48 272 320
(51.61) (268.39)
Total 100 520 620

305
Estadístico de contraste:

( nij − eij )
2
r p
U =∑∑ → χ 2r −1 p −1
e ij ( )( )
i =1 j =1

(52 − 48.39)2 (248 − 251.61) 2

U exp = + +
48.39 251.61
(48 − 51.61) 2 (272 − 268.39)2
+ + = 0.62
51.61 268.39

U exp = 0.62 


(r − 1)( p − 1) = 1 ⇒ No rechazamos H o
2 
χ 0.05;1 = 3.84 


0.95
0.05

2
Uexp χ 0.05;1

No hay evidencia de asociación entre enfermedad

sanguínea y exposición a esta fuente de radioactividad

306
307