Contraste de Hipotesis

Contraste de hipótesis de dos poblaciones
CONTRASTE DE HIPÓTESIS DE DOS

POBLACIONES
Autores: Ángel A. Juan (ajuanp@uoc.edu), Máximo Sedano (msedanoh@uoc.edu), Alicia Vila
(avilag@uoc.edu), Anna López (alopezrat@uoc.edu)
MAPA CONCEPTUAL ________________________
Definición de muestras
dep. e indep. Ejemplo
MUESTRAS DEPENDIENTES
E INDEPENDIENTES
CONTRASTES DE
Diferencia de Diferencia de
HIPOTESIS PARA
proporciones medias
MUESTRAS
DEPENDIENTES E
INDEPENDIENTES
Casos prácticos
Por la definición
Con Minitab
Proyecto e-Math 1
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
INTRODUCCIÓN ___________________
En este math-block, se pretende calcular e interpretar aquellos contrastes sobre la diferencia

de medias y la diferencia de proporciones para dos poblaciones, que permita tomar
decisiones acerca de qué población hay que tener en cuenta en comparación con la otra.
Además de calcular intervalos de confianza (rango de valores dentro del que se espera
encontrar un determinado parámetro de la población), se realizará lo que llamaremos prueba
de hipótesis acerca de una afirmación sobre un parámetro de la población. Para poner de
manifiesto sus aplicaciones en la vida real, pondremos ejemplos de actividades en el ámbito
económico-empresarial y en el informático. [2]
Hasta ahora, habíamos utilizado una sóla muestra aleatoria, comparando su media con un
valor supuesto de la media poblacional, es decir, nos planteábamos si era posible que
muestra con una media dada pudiera provenir de una población la media propuesta.
En este caso, extenderemos la idea anterior a dos muestras, preguntándonos si las medias
de ambas son iguales o no, es decir, el planteamiento será razonar si es posible que las dos
medias muestrales puedan provenir de dos poblaciones idénticas.
OBJETIVOS ________________________
• Entender la diferencia entre muestras independientes y dependientes.
• Realizar los contrastes de diferencia de medias y de proporciones en dos muestras

independientes.
• Saber interpretar los resultados estadísticos obtenidos.
• Tomar conclusiones de cualquier índole a través de los contrastes de hipótesis de dos

poblaciones.
CONOCIMIENTOS PREVIOS ___________________________________
Es recomendable haber leído, previamente, el math-block “Estimación puntual e intervalos de

confianza” y “Contraste de hipótesis de una población”, así como el manual introductorio a
Minitab y los ejercicios con Minitab asociados a los math-blocks anteriores.
Proyecto e-Math 2
CONCEPTOS FUNDAMENTALES ______________________________
Diferencia entre muestras independientes y dependientes
Dos muestras son independientes o dependientes entre sí, en función de si las observaciones
de las muestras se han obtenido de los mismos individuos u objetos o no.
Si ambas muestras se obtienen de distintos individuos, máquinas, empresas, objetos, etc…no

hay nada en común en dichas muestras lo que hace que ambas sean “independientes”.
Sin embargo, si las observaciones o valores de ambas muestras se obtienen de los mismos
individuos, empresas, agentes, etc., diremos que hay algo en común en dichas muestras por
lo que serán muestras “dependientes” o “no independientes”.
Ejemplo:
Supongamos que queremos comparar los beneficios empresariales del sector de la

construcción entre el año 2001 y el año 2002. Para ello podemos tomar una muestra aleatoria
formada por 50 empresas constructoras de todo el país y medimos sus beneficios en el año
2001.
A continuación, para poder comparar los beneficios del sector con el año 2002, se toma otra
muestra aleatoria distinta con otras 30 empresas constructoras y analizamos sus beneficios
en el año 2002.
En este caso se trata de muestras “independientes” puesto que las observaciones de ambas
muestras se toman de distintos individuos, en este caso distintas empresas.
Sin embargo, si en el año 2002 observamos los beneficios de las mismas 50 empresas
constructoras de la muestra del año 2001, estaríamos por tanto ante muestras
“dependientes”, o “no independientes”.
Supongamos ahora que, al iniciar el semestre, seleccionamos al azar 30 alumnos

matriculados en Estadística y les pasamos un test de conocimientos previos. Al final del
semestre, seleccionamos otros 30 alumnos al azar y les pasamos un test de conocimientos
adquiridos durante el curso. En tal caso, consideraríamos ambas muestras como
independientes. Por el contrario, si el test de conocimientos adquiridos se realizase a los
mismos 30 alumnos que hicieron el test inicial, entonces hablaríamos de muestras
dependientes.
Proyecto e-Math 3
Contrastes de hipótesis en muestras dependientes
1. Contraste de diferencia de medias en dos muestras dependientes
A las personas que sufren de tensión alta, se les recomienda seguir una dieta libre de sal.
Queremos realizar un estudio para comprobar si esta dieta es efectivamente ventajosa. Para
el estudio se estudio una muestra de 8 personas y se tomó la tensión antes de empezar la
dieta y dos semanas después. Los resultados obtenidos fueron:
Antes 93 106 87 92 102 95 88 110

Después 92 102 89 92 101 96 88 105
Denotamos µA y µB a las medias poblacionales de tensión antes y después de empezar la

dieta, respectivamente. De este modo, el contraste de hipótesis que debemos plantear es:
H0 : µA = µB
(1)
H1 : µ A < µ B (≠, >)
Observación: En el caso que tuviéramos la creencia de que el hacer dieta supone una
disminución de la presión de 2 puntos entonces el contraste deberíamos plantearlo como:
H0 : µA − µB = 2
H1 : µ A − µ B < 2 (≠, >)
Para realizar el contraste observamos en primer lugar que las muestras de antes, XA, y
después de la dieta, XB, son dependientes, puesto que se han tomado del mismo individuo.
Para realizar este contraste consideramos la diferencia de ambas muestras: d = XA - XB.

Denotaremos por µd = µA-µB y σd a su media y desviación estándar respectivamente.
Observamos pues que el contraste anterior es equivalente al contraste:
H 0 : µd = 0
H 1 : µ d < 0 (≠, >)
Supuesto: XA y XB siguen una distribución normal.

Observación: d = XA-XB ∼ N(µA-µB ,σd) .
El intervalo de confianza, a nivel 1-α, para µd = µA-µB viene dado por la expresión:
(
d ± t n − 1,α
2
)* S d
donde t(n-1,α/2) es el valor que, en una t-Student con n-1 grados de libertad, deja a su
derecha un área de α/2 , y Sd es la desviación estándar muestral de la v.a. d.
H 0 : µ d = µ 0
El estadístico de contraste para el test  es:
 H 1 : µ d ≠ µ 0 (o bien < ó >)
Proyecto e-Math 4
d − µd
t* = ≈ t − Sudent (n − 1)
Sd
En nuestro ejemplo µo= 0.

En el caso de la observación donde sospechábamos que la tensión bajaba dos puntos, µo= 2.
Así siguiendo nuestro ejemplo:d = −1 y S d = 2.390 .

Entonces con un 95% de confianza µ d ∈ (−3,1) .
Y el estadístico de contraste es t* = -1.18. Ahora bien, mirando la tabla de la t (7, 0.05)
=1.895. De este modo, como t* < -1.18 no tenemos evidencias significativas que realmente
hacer dieta sea ventajoso.
Contrastes de hipótesis en muestras independientes
1. Contraste de diferencia de medias en dos muestras independientes
Para realizar esta prueba, se requiere de tres suposiciones:
- Las poblaciones muestreadas tienen una distribución normal

- Las dos muestras son independientes
- Las desviaciones estándar de ambas poblaciones son iguales
Supongamos que un estadístico de recursos humanos desea analizar si los salarios por hora
de los obreros semiespecializados son los mismos, mayores o menores en Madrid que en
Barcelona. Los datos muestrales obtenidos son los siguientes:
Salarios medios por Desviación estándar Tamaño de la

Ciudad hora de la muestra de la muestra muestra
Madrid 8,95 euros 0,4 euros 200
Barcelona 9,1 euros 0,6 euros 175
Supongamos que la empresa desea probar la hipótesis en el nivel de significación del 5% de

que (en promedio) no hay diferencia entre los salarios por hora de los trabajadores
semiespecializados de las dos ciudades.
Llamamos µM y µB a las medias de salarios por hora de los trabajadores de Madrid y de

Barcelona, respectivamente. Con esta notación el anterior contraste de hipótesis equivale a
formular:
H 0 : µ M = µ B

 H 1 : µ M ≠ µ B (o bien < ó >)
Notamos que en este ejemplo tomaremos el contraste bilateral, es decir, la hipótesis

alternativa H1 es un “desigual” y no un “mayor que” o “menor que” puesto que no nos dan
ninguna pista para saber en que lugar realmente creemos que en promedio el salario es
mayor. Si en el enunciado se detallará que hay sospechas de que en Madrid se cobra un
salario superior al de Barcelona entonces la hipótesis alternativa se traduciría por µM > µB, y a
la inversa en caso contrario.
Proyecto e-Math 5
Observamos además que tal como hemos tomados las muestras éstas provienen de grupos
independientes. Realizaremos pues un contraste de hipótesis de muestras
independientes.
Denotamos:
X M : Media de la muestra de los salarios de Madrid,

SM : Desviación estándar de la muestra de los salarios de Madrid,
nM: : Número de individuos de la muestra de Madrid.
X B : Media de la muestra de los salarios de Barcelona,
SB : Desviación estándar de la muestra de los salarios de Barcelona,
nB : Número de individuos de la muestra de Barcelona.
En nuestro ejemplo: X M = 8,95, SM = 0,4, nM = 200 y X B = 9,1, SB = 0,6, nB = 175.
Bajo el supuesto que los salarios (por hora) se distribuyen mediante una distribución Normal
tenemos:
 σ M2 
+σ B
2
X M − X B ≈ N  µ M − µ B , 
nM nB 
 
donde σM i σB son las desviaciones poblacionales de los salarios de Madrid y Barcelona,

respectivamente.
El intervalo de confianza de nivel de confianza (1 − α ) para

µM − µB viene dado por la
expresión:
( X M− X B ) ± t (min{nM − 1, nB − 1},α / 2) S M2 S B2
+
nM nB
donde t(min{…},α/2) es el valor que, en una t-Student con los grados de libertad indicados,
deja a su derecha un área de α/2, y SM, SB son las desviaciones estándar de las muestras.
El estadístico de contraste para el test junto a su distribución es:
( X M − X B ) − (µ M − µ B ) H0
t* = ≈ t (min{ n M − 1, n B − 1}, α / 2)
S M2 2
+ SB
nM nB
(µ M − µ B ) H0
La expresión es el valor de la diferencia bajo la hipótesis nula. En nuestro
ejemplo H 0 : µ M − µ B = 0 por lo tanto ( µ M − µ B ) H =0. 0
Observación 1:
Proyecto e-Math 6
En algunos casos lo que nos interesa es discutir si el promedio de las muestras difieren
significativamente o no en un número k. Por ejemplo si en el enunciado del ejemplo anterior
nos expusieran lo siguiente:
“Por cuestiones de impuestos sabemos que en Madrid los salarios son 1Euro por hora más
que en Madrid, pero sospechamos que son más de un euro”
H 0 : µ M − µ B = 1
De este modo, el contraste de hipótesis se traduce formalmente como: 
H 1 : µ M − µ B > 1
Para contrastar esta hipótesis utilizamos el mismo estadístico t* pero en este caso
( µ M − µ B ) H 0 =1.
Sigamos con nuestro ejemplo . Si calculamos t*:
(8,95 − 9,1) − 0
t* = = −2,83
0,4 2 0,6 2
+
200 175
Entonces como min(199,174) = 174, para 174 grados de libertad, si vamos a la tabla de la t-
student a los grados de libertad más cercanos, 150, podemos ver que el área que hay por
debajo de t* = -2,83, será menor que 0,005 que es el área por debajo del valor t = -2,609 por
tanto el p-valor, si el contraste es unilateral, será menor que 2*0,005 = 0,01.
Como el p-valor es menor que el nivel de significación, si cogemos el 5%, por tanto
rechazaremos la hipótesis nula y por tanto existe evidencia estadística de que sí existen
diferencias significativas en los salarios de los trabajadores semiespecializados en las dos
ciudades.
Si el contraste hubiera sido unilateral por la derecha o por la izquierda, es decir, en la

hipótesis alternativa, hubiera aparecido > ó <, entonces el p-valor de t=-2,83 sería menor que
0,005 y habría que compararlo con el nivel de significación para rechazar o no la hipótesis
nula.
Ejemplo:
En el campo de la informática, se hace un experimento en el que se miden las velocidades de

los Pentium frente a los correspondientes AMD. Los resultados obtenidos son los siguientes:
X M = 110 X B = 100
2
SM = 35 S B2 = 26
n M = 61 n B = 61
Contrastar la hipótesis de que la velocidad media es la misma para ambos procesadores.
Nivel de significación del 1%.
Solución 1:
Proyecto e-Math 7
Estamos en el caso de dos muestras independientes de 50 elementos para cada una de

ellas. El intervalo de confianza para la diferencia de medias viene dado por:
(
( X M − X B ) ± t min{n M − 1, n B − 1},α
2
) S M2
nM
+
S B2
nB
)
en nuestro caso, tenemos una t-student con 60 grados de libertad con
α / 2 = 0.01 / 2 = 0.005 , quedaría:
35 26
(110 − 100) ± 2.6603 +
61 61
10 ± 2.66
El intervalo de confianza para la diferencia de medias al 99% es (7.34 , 12.66).
Como el intervalo no contiene el valor 0, rechazamos que las medias de los Pentium y los
AMD sean iguales.
Solución 2:
Podemos realizar un contraste de hipótesis para contestar la cuestión de forma directa.
H 0 : µ M = µ B

H1 : µ M = µ B
( X M − X B ) − ( µ Mi − µ Bo ) H 0 10
El estadístico del contraste es: t* = = = 10
2
SM 2 1
+ SB
nM nB
El p-valor será la probabilidad de que en una distribución t-student con 60 grados de

libertad obtengamos un valor superior a 10 o inferior a -10. El p-valor en este ejercicio es
prácticamente 0. Podemos rechazar la hipótesis nula a cualquier nivel de significación ya
que la probabilidad de equivocarnos al rechazar es prácticamente cero.
2. Contraste de diferencia de proporciones en dos muestras independientes.
Supongamos que con fines de la declaración del impuesto IRPF, el Ayuntamiento de una
determinada ciudad ha estado utilizando dos métodos para listar propiedades. El primero
requiere que el dueño de la propiedad aparezca en persona ante el recabador de la
información; y el segundo método permite que el propietario envíe por correo una declaración
fiscal con la información requerida. El Alcalde de la ciudad considera que el método en el cual
se requiere la presencia de la persona produce menor errores que el otro. Autoriza la
realización de un examen de 100 listas hechas con el primer método, donde el 71% no tiene
errores y de 90 listas tomadas de los datos llegados por correo, donde el 64,4% no tiene
errores.
El Ayuntamiento desea probar, al nivel de significación del 5%, si existe diferencia entre la
información recogida entre los dos métodos.
Proyecto e-Math 8
En este caso queremos contrastar si hay diferencias o no entre las proporciones de errores
en el método en el que se requiere presencia respecto a las que no se requiere presencia. Si
llamamos PA a la proporción de errores (poblacionales) cometidos con el método que se
requiere presencia y PB a la proporción de errores cometidos con el método sin presencia, el
contraste anterior es equivalente a formular:
 H 0 : PA = PB

 H 1 : PA ≠ PB (o bien < ó >)
Las muestras en este caso son independientes. Este hecho es fundamental para que se
cumplan los resultados que damos a continuación.
Denotamos:
XA: número de errores al realizar nA pruebas en el método en el que se requiere presencia
(poblacional).
XB: número de errores al realizar nB pruebas en el método en el que NO se requiere
presencia (poblacional).
Y definimos las proporciones de cada muestra como: pA = XA /nA, y pB = XB / nB.
En el ejemplo nos dan una realización de pA y pB al coger un par de muestras de la población.

Estos valores son p’A=0,71 y p’B=0,644.
Para muestras suficientemente grandes (nA , nB >30) se puede demostrar que:
 P (1 − PA ) PB (1 − PB ) 
( p A − p B ) ≈ N  PA − PB , A + 

 nA nB 
Sabemos que: XA ≈ B(nA, PA ) y XB ≈ B(nB, PB )
Ahora bien, para muestras grandes (recordamos n ≥ 20 , n*p ≥ 5 , y n*(1-p) ≥ 5) ambas se

aproximan a una normal:
(
X A ≈ N n A PA , n A PA (1 − PA ) ) y ( )
X B ≈ N n B PB , n B PB (1 − PB ) .
Con lo cual este resultado junto a la definición de pA y pB obtenemos el resultado anterior.
El intervalo de confianza, a nivel 1-α, para pA-pB viene dado por la expresión:
( 2)
( p ′A − p ′B ) ± z α
p ′A (1 − p ′A ) p ′B (1 − p ′B )
nA
+
nB
donde z(α/2) es el valor que, en una normal estándar, deja a su derecha un área de α/2 .
El estadístico de contraste para el test será:
( p' A − p' B )
Z* =
 1 1 
p ' p (1 − p´ p ) + 
n
 A n B 
Proyecto e-Math 9
Podemos escoger diferentes versiones del valor p’p. (consultar lieteratura para ver
opciones). Una posible buena aproximación que utilizamos en los ejemplos que siguen
n A p' A + n B p' B
es p ' p = la cual es la estimación de la porción completa de éxitos de las
n A + nB
poblaciones combinadas.
De este modo para discutir el contraste en nuestro ejemplo calculamos:
n A p ' A + n B p' B 100 ∗ 0,71 + 90 ∗ 0,644 71 + 58

p' p = = = = 0,6789
n A + nB 100 + 90 190
( p' A − p' B ) 0,71 − 0,644

Z* = = = 0,9729
 1 1   1 1 
p ' p (1 − p´ p ) +  0,6789 ∗ (1 − 0,6789) ∗  + 
 n A nB   100 90 
El último paso será calcular el p-valor de z = 0,9729. Como el contraste es bilateral por
las dos colas, debemos buscar el área que hay por encima de z = 0,9729 y el área que
hay por debajo de z = - 0,9729 que será, p-valor = 2 * 0,1660=0,332, porque el área por
debajo de z = 0,9729 es 1-0,8340, mientras el área por debajo de z = - 0,9729 es 0,1660.
Como el p-valor es 0,332 que es mayor que el nivel de significación del 5%, no
rechazaremos la hipótesis nula, por lo tanto existe evidencia estadística de que los dos
métodos de recogida de información sobre las propiedades de esta ciudad son
igualmente fiables.
En el siguiente enlace: http://fltbw2.rug.ac.be/iloapp/Applets/Ap6b.html , podemos encontrar

una representación gráfica de este concepto de Contraste de hipótesis para dos muestras.
Obtendremos un gráfico similar al siguiente, donde podemos modificar los datos de entrada
y observar las variaciones resultantes :
Proyecto e-Math 10
CASOS PRÁCTICOS CON SOFTWARE___________________________________
1. Contraste de diferencia de medias de dos muestras dependientes
Hemos pedido a 10 personas que evalúen, en base a unos criterios preestablecidos, la

calidad y usabilidad de un determinado software informático. Las puntuaciones varían entre
un mínimo de 0 y un máximo de 15. Pasados tres meses, las mismas 10 personas repiten el
proceso de evaluación. Los resultados obtenidos, que introduciremos en las columnas C1 y
C2, son los siguientes:
Persona EV_1 EV_2
1 13,2 14,0
2 8,2 8,8
3 10,9 11,2
4 14,3 14,2
5 10,7 11,8
6 6,6 6,4
7 9,5 9,8
8 10,8 11,3
9 8,8 9,3
10 13,3 13,6
Nuestro objetivo es doble: por un lado, pretendemos calcular un intervalo de confianza, a

nivel del 95%, para µA-µB ; por otro, contrastar las hipótesis: H0 : µA-µB = 0 vs. µA-µB ≠ 0 .
En primer lugar, comprobaremos el supuesto de que las poblaciones siguen una distribución
aproximadamente normal:
Seleccionamos: Stat > Basic Statistics > Normality Test :
Completamos la ventana siguiente con cada una de las variables a estudiar:
Proyecto e-Math 11
En los gráficos resultantes se observa que no hay indicios para dudar de que se cumple el
supuesto de normalidad ya que los puntos se encuentran muy próximos a las respectivas
rectas.
Además, los gráficos nos proporcionan también el p-valor asociado al test de normalidad de
Anderson-Darling, siendo dicho p-valor suficientemente grande en ambos casos como para
no descartar la hipótesis nula de este contraste: que los datos siguen una distribución normal.
Normal Probability Plot
,999
,99
,95
Probability
,80
,50
,20
,05
,01
,001
6,5 7,5 8,5 9,5 10,5 11,5 12,5 13,5 14,5

EV_1
Av erage: 10,629 Anderson-Darling Normality Test
StDev : 2,45121 A-Squared: 0,227
N: 10 P-Value: 0,748
Proyecto e-Math 12
,999
,99
,95
Probability
,80
,50
,20
,05
,01
,001
6 7 8 9 10 11 12 13 14
EV_2
Av erage: 11,04 Anderson-Darling Normality Test
StDev : 2,51847 A-Squared: 0,236
N: 10 P-Value: 0,715
Pasamos pues a realizar las inferencias ya comentadas sobre µA-µB :
Seleccionamos: Stat > Basic Statistics > Paired t :
Completamos la ventana principal y la de opciones como se muestra en las imágenes:
Proyecto e-Math 13
Paired T-Test and Confidence Interval
Paired T for EV_1 - EV_2
N Mean StDev SE Mean

EV_1 10 10,629 2,451 0,775
EV_2 10 11,040 2,518 0,796
Difference 10 -0,411 0,387 0,122
95% CI for mean difference: (-0,688; -0,134)

T-Test of mean difference = 0 (vs not = 0): T-Value = -3,36 P-Value = 0,008
Los resultados obtenidos nos dicen que, en base a las observaciones registradas, hay una
probabilidad de 0,95 de que µA-µB sea un valor del intervalo (-0,688 , -0,134). Además, con
un p-valor de 0,008 también podemos afirmar que hay indicios suficientes como para
descartar la hipótesis nula. Por tanto, parece sensato pensar que las dos medias
poblacionales son distintas. Notar que esta conclusión es coherente con que el valor 0 no
esté incluido en el intervalo de confianza hallado para la diferencia de ambas medias.
2. Contraste de diferencia de medias en dos muestras independientes
• Una agencia de valores desea analizar qué éxito han tenido sus nuevos comerciales
en la obtención de nuevos clientes para la intermediación bursátil. Para ello, se
tomaron dos muestras de 8 comerciales hombres y 8 comerciales mujeres donde se
observó la cantidad de nuevas cuentas conseguidas por cada comercial (hombre o
mujer) en el primer mes de trabajo.
Comerciales hombre 93 106 87 92 102 95 88 110

Comerciales mujer 92 102 89 92 101 96 88 105
Primero, insertamos los valores anteriores en el espacio de trabajo del Minitab:
Proyecto e-Math 14
a) Construir una nueva columna con las diferencias entre C1 y C2. Hallar el intervalo de
confianza a nivel del 95% para la media de dichas diferencias.
Seleccionamos Calc > Calculator :
Así generamos una nueva columna formada por la diferencia entre los valores registrados.
Seleccionamos ahora Stat > Basic Statistics > 1-Sample t :
Proyecto e-Math 15
T Confidence Intervals
Variable N Mean StDev SE Mean 95.0 % CI

C4 8 1,000 2,390 0,845 ( -1,000 ; 3,000)
De este resultado deducimos que en el 95% de los casos la diferencia de nuevos clientes
conseguidos entre comerciales hombres y mujeres estará entre –1 y 3, es decir, un máximo
de 3 nuevos clientes.
b) Realizar un contraste de hipótesis, a un nivel de significación α=0,05, para determinar si las

dos medias muestrales son significativamente diferentes.
Planteamos el siguiente contraste de hipótesis bilateral aprovechando la columna de

diferencias anterior:
H0 : µA = µB;
H1 : µA ≠ µB;
De donde,
H0 : µB-A = µB - µA = 0 ;
H1 : µB-A = µB - µA ≠ 0;
Seleccionamos Stat > Basic Statistics > 1-Sample t :
Proyecto e-Math 16
Obteniendo el siguiente resultado:
T-Test of the Mean
Test of mu = 0.000 vs mu not = 0.000
Variable N Mean StDev SE Mean T P

C4 8 1,000 2,390 0,845 1,18 0,28
Observar que el p-valor obtenido 0,28 es mucho mayor que 0,05 por lo cual no hay indicios
suficientes para rechazar la hipótesis nula. Esto quiere decir que las dos medias no son
significativamente diferentes.
De ello se deduce que la productividad en la captación de nuevos clientes no depende de si

el comercial es hombre o mujer en el primer mes de trabajo.
• Supongamos que disponemos los datos sobre las calificaciones obtenidas por dos
grupos de estudiantes de Estadística de la UOC.
Grupo 1 Grupo 2
5 6.25
7.5 5.75
6 5
2.5 4.75
8 8
9 9
7 7.5
6 8
4 9
3.75 10
9
10
8.25
9
6
Proyecto e-Math 17
a) Calcular la un intervalo de confianza para cada una de las dos poblaciones al nivel de
confianza del 95%. Comentar los resultados.
Para calcular un intervalo de confianza debemos usar las opciones Stat > Basic Statistic >
1-Sample t, pues no tenemos información acerca de la varianza de la población.
Variable N Mean StDev SE Mean 95,0 % CI

Grupo1 15 6,733 2,229 0,576 ( 5,499; 7,968)
Grupo2 10 7,325 1,807 0,571 ( 6,032; 8,618)
Si nos fijamos en los dos intervalos de confianza, estos se solapan. Esto implica que si
estamos interesados en comparar las medias de ambas poblaciones, estas media pertenecen
a intervalos con parte en comun, lo cual hace pensar que estas medias poblacionales, es
decir, las medias del grupo1 y del grupo2 pueden ser iguales. En el siguiente apartado
veremos si tras contrastar la hipótesis de igualdad de medias podemos concluir lo mismo.
b) Calcular un intervalo de confianza para la diferencia de medias. Utilizando este intervalo

contrastar la hipótesis de que la medias en los dos grupos no difieren.
Proyecto e-Math 18
Two sample T for Grupo1 vs Grupo2

Grupo1 15 6,73 2,23 0,58
Grupo2 10 7,33 1,81 0,57
95% CI for mu Grupo1 - mu Grupo2: ( -2,34; 1,16)

T-Test mu Grupo1 = mu Grupo2 (vs not =): T = -0,70 P = 0,49 DF = 23
Both use Pooled StDev = 2,07
Two sample T for Grupo1 vs Grupo2

Grupo1 15 6,73 2,23 0,58
Grupo2 10 7,33 1,81 0,57
95% CI for mu Grupo1 - mu Grupo2: ( -2,28; 1,09)

T-Test mu Grupo1 = mu Grupo2 (vs not =): T = -0,73 P = 0,47 DF = 21
Proyecto e-Math 19
c) Que error de equivocarnos, si concluimos que hay diferencias entre las poblaciones,
deberíamos estar dispuestos a asumir.
Si observamos por ejemplo el caso en el cual consideramos las varianzas iguales en las dos
poblaciones, el error de equivocarnos al rechazar la hipótesis de igualdad de medias es de
0,47. Este error es muy alto, por lo que debemos concluir que no podemos rechazar la
hipótesis nula de igualdad de medias.
d) Comentar y contrastar las hipótesis que hemos asumido para poder realizar el
experimento de comparar las dos muestras.
Las hipótesis que hemos utilizado para poder realizar el ejercicio son:
- Las dos muestran provienen de unas poblaciones normales.

- En el caso de suponer que las varianzas son iguales, estamos suponiendo que
las dos distribuciones normales de las dos poblaciones tienen la misma varianza.
Para comprobar la primera hipótesis, la de la normalidad, podemos realizar un test de

Normalidad , y ver si nuestros datos provienen de una distribución normal.
Para el caso de la primera muestra:
Seleccionar Stat > Basic Statistic > Normality Test :
obteniendo el siguiente contraste:
Proyecto e-Math 20
,999
,99
,95
Probability
,80
,50
,20
,05
,01
,001
2,2 3,2 4,2 5,2 6,2 7,2 8,2 9,2 10,2

Grupo1
Average: 6,73333 Kolmogorov-Smirnov Normality Test
StDev: 2,22900 D+: 0,090 D-: 0,115 D : 0,115
N: 15 Approximate P-Value > 0.15
El p-valor del contraste es >0,15. Por lo tanto no podemos rechazar la hipótesis de que los
datos provengan de una distribución normal.
Para la segunda muestra obtendríamos los siguientes resultados:
,999
,99
,95
Probability
,80
,50
,20
,05
,01
,001
5 6 7 8 9 10
Grupo2
Average: 7,325 Kolmogorov-Smirnov Normality Test
StDev: 1,80682 D+: 0,124 D-: 0,139 D : 0,139
N: 10 Approximate P-Value > 0.15
También obtenemos un valor superior a 0,15.
Proyecto e-Math 21
3. Contraste de diferencia de proporciones en dos muestras independientes
• De 2.000 empresas muestreadas aleatoriamente en el año 2002, 58 tenían alguna

anomalía en sus cuentas auditadas en EE.UU. mientras que en 2000, de otra
muestra de 2.500 empresas, 61 tenían algún error en la contabilización de sus
cuentas. , ¿la proporción de empresas con algún error en sus cuentas auditadas en
2002, fue significativamente distinta que la proporción de ellas en el año 2000?
Para realizar el contraste, vamos a calcular un intervalo de confianza para la diferencia de

proporciones de empresas con algún error en sus cuentas de los dos años para poder
comprobar si la diferencia entre los dos años es significativa o no.
Seleccionamos: Stat > Basic Statistics > 2 Proportions y completamos la ventana

principal y la de opciones como sigue:
Proyecto e-Math 22
Sample X N Sample p
1 58 2000 0,029000
2 61 2500 0,024400
Estimate for p(1) - p(2): 0,0046

95% CI for p(1) - p(2): (-0,00492175; 0,0141217)
Test for p(1) - p(2) = 0 (vs not = 0): Z = 0,96 P-Value = 0,339
El intervalo de confianza para la diferencia de proporciones, a nivel del 95%, está entre -
0,0049 y 0,0141. Esto parece apuntar a que el porcentaje de empresas que tiene alguna
anomalía en sus cuentas contables no es significativamente diferente en los dos años.
El estadístico de contraste es z = 0,96 cuyo p-valor es 0,339 que al ser menor que el nivel
de significación del 5%, el p-valor resulta coherente con la impresión anterior, por lo que no
rechazaremos la hipótesis nula.
• En un anuncio publicitario de discos duros para ordenador, el fabricante asegura que

sus precios son más económicos y que el porcentaje de sus discos defectuosos es
igual al de la competencia. Para contrastar esta última afirmación hemos tomado dos
muestras aleatorias, cada una de ellas compuesta por 150 unidades. Los resultados
obtenidos se muestran en la tabla siguiente:
Es inmediato comprobar que se cumplen los supuestos para este caso, por lo que
pasaremos a calcular un intervalo de confianza del 95% para la diferencia entre
proporciones y a realizar el correspondiente test de hipótesis:
Seleccionamos: Stat > Basic Statistics > 2 Proportions :
Completamos la ventana principal y la de opciones como sigue:
Proyecto e-Math 23
El intervalo de confianza para la diferencia de proporciones, a nivel del 95%, tiene por
extremos los valores positivos 0,003 y 0,117 (observar que no contiene el valor 0, aunque por
muy poco). Esto parece apuntar a que el porcentaje de defectos en los discos del anunciante
es significativamente superior al porcentaje de la competencia. Para un nivel de significación
del 0,05, el p-valor resulta coherente con la impresión anterior, por lo que resulta sensato
rebatir la afirmación del anunciante (si bien las cosas cambiarían si tomásemos α = 0,01).
Proyecto e-Math 24
BIBLIOGRAFÍA ___________________________________
[1] D.A. Lind, R.D. Mason, W.G. Marchal (2001): “Estadística para Administración y Economía”.
Ed. Irwin McGraw-Hill.F.
[2] Kvanli, A. “Introduction to Business Statistics” . South-Western
[3] R. Johnson (1996): “Elementary Statistics”. Ed. Duxbury
[4] Richard I. Levin & David S. Rubin (1996): “Estadística para Administradores”. Ed. Prentice
Hall.
[5] Cuadras, Carles M.: “Problemas de probabilidades y estadística Barcelona” : EUB, 1995.
[6] Canavos, George C.:“Probabilidad y estadística : aplicaciones y métodos”. Madrid: McGraw-

Hill, DL 1992.
ENLACES ___________________________________
http://www.unalmed.edu.co/~estadist/confinterval/intervalconf.htm : Definición y applets que

representan el concepto de Intervalo de confianza.
http://oak.cats.ohiou.edu/~wallacd1/sci.html : Características y ejemplos de los intervalos de

confianza para una única muestra
http://oak.cats.ohiou.edu/~wallacd1/shyp.html : Características y ejemplos de contraste de

hipótesis para una población
http://e-stadistica.bio.ucm.es/mod_intervalos/intervalos_applet_ghost.html : Applets sobre

intervalos de confianza
http://e-stadistica.bio.ucm.es/mod_contraste/contraste_applet.html : Applet sobre contraste de

hipótesis para muestras independientes.
http://halweb.uc3m.es/esp/Personal/personas/stefan/ESP/applet.htm : Conjunto de applets

interactivos de Estadística básica
http://fltbw2.rug.ac.be/iloapp/Applets/Ap6b.html : Applet interactivo de constraste de hipótesis

con dos muestras
Proyecto e-Math 25

Contraste de Hipotesis

Cargado por

Copyright:

Formatos disponibles

Contraste de Hipotesis

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

Cargado por

Copyright:

Formatos disponibles

Contraste de hipótesis de dos poblaciones

CONTRASTE DE HIPÓTESIS DE DOS

MAPA CONCEPTUAL ________________________

En este math-block, se pretende calcular e interpretar aquellos contrastes sobre la diferencia

• Entender la diferencia entre muestras independientes y dependientes.

• Realizar los contrastes de diferencia de medias y de proporciones en dos muestras

• Saber interpretar los resultados estadísticos obtenidos.

• Tomar conclusiones de cualquier índole a través de los contrastes de hipótesis de dos

CONOCIMIENTOS PREVIOS ___________________________________

Es recomendable haber leído, previamente, el math-block “Estimación puntual e intervalos de

CONCEPTOS FUNDAMENTALES ______________________________

Diferencia entre muestras independientes y dependientes

Si ambas muestras se obtienen de distintos individuos, máquinas, empresas, objetos, etc…no

Supongamos que queremos comparar los beneficios empresariales del sector de la

Supongamos ahora que, al iniciar el semestre, seleccionamos al azar 30 alumnos

Contrastes de hipótesis en muestras dependientes

1. Contraste de diferencia de medias en dos muestras dependientes

Antes 93 106 87 92 102 95 88 110

Denotamos µA y µB a las medias poblacionales de tensión antes y después de empezar la

Para realizar este contraste consideramos la diferencia de ambas muestras: d = XA - XB.

Supuesto: XA y XB siguen una distribución normal.

En nuestro ejemplo µo= 0.

Así siguiendo nuestro ejemplo:d = −1 y S d = 2.390 .

Contrastes de hipótesis en muestras independientes

1. Contraste de diferencia de medias en dos muestras independientes

Para realizar esta prueba, se requiere de tres suposiciones:

- Las poblaciones muestreadas tienen una distribución normal

Salarios medios por Desviación estándar Tamaño de la

Supongamos que la empresa desea probar la hipótesis en el nivel de significación del 5% de

Llamamos µM y µB a las medias de salarios por hora de los trabajadores de Madrid y de

Notamos que en este ejemplo tomaremos el contraste bilateral, es decir, la hipótesis

X M : Media de la muestra de los salarios de Madrid,

En nuestro ejemplo: X M = 8,95, SM = 0,4, nM = 200 y X B = 9,1, SB = 0,6, nB = 175.

donde σM i σB son las desviaciones poblacionales de los salarios de Madrid y Barcelona,

El intervalo de confianza de nivel de confianza (1 − α ) para

El estadístico de contraste para el test junto a su distribución es:

Sigamos con nuestro ejemplo . Si calculamos t*:

Si el contraste hubiera sido unilateral por la derecha o por la izquierda, es decir, en la

En el campo de la informática, se hace un experimento en el que se miden las velocidades de

Estamos en el caso de dos muestras independientes de 50 elementos para cada una de

El p-valor será la probabilidad de que en una distribución t-student con 60 grados de

2. Contraste de diferencia de proporciones en dos muestras independientes.

Y definimos las proporciones de cada muestra como: pA = XA /nA, y pB = XB / nB.

En el ejemplo nos dan una realización de pA y pB al coger un par de muestras de la población.

Para muestras suficientemente grandes (nA , nB >30) se puede demostrar que:

Sabemos que: XA ≈ B(nA, PA ) y XB ≈ B(nB, PB )

Ahora bien, para muestras grandes (recordamos n ≥ 20 , n*p ≥ 5 , y n*(1-p) ≥ 5) ambas se

Con lo cual este resultado junto a la definición de pA y pB obtenemos el resultado anterior.

El estadístico de contraste para el test será:

De este modo para discutir el contraste en nuestro ejemplo calculamos:

n A p ' A + n B p' B 100 ∗ 0,71 + 90 ∗ 0,644 71 + 58

( p' A − p' B ) 0,71 − 0,644

En el siguiente enlace: http://fltbw2.rug.ac.be/iloapp/Applets/Ap6b.html , podemos encontrar

CASOS PRÁCTICOS CON SOFTWARE___________________________________

1. Contraste de diferencia de medias de dos muestras dependientes

Hemos pedido a 10 personas que evalúen, en base a unos criterios preestablecidos, la

Persona EV_1 EV_2

Nuestro objetivo es doble: por un lado, pretendemos calcular un intervalo de confianza, a

Seleccionamos: Stat > Basic Statistics > Normality Test :

Ahora bien, para muestras grandes (recordamos n ≥ 20 , np ≥ 5 , y n(1-p) ≥ 5) ambas se