PRUEBA DE HIPOTESIS

RUTA:
1.- Formule las hipótesis ¿Qué es?
2.- Fije el nivel de significancia Nivel de significancia
3.- Establezca la función de prueba
4.- Region para aceptar Ho :Probabilidad máxima para minimizar la
5.- Cálculo del valor crítico
6.- Decisión probabilidad de cometer error tipo I
7.- Conclusión
 DECISIÓN PARA HO
¿Cómo surgen
los errores? ACEPTAR RECHAZAR

ERROR
VERDADERA OK
TIPO I
SITUACION
REAL DE Ho
FALSA ERROR
TIPO Ii

Nivel de significancia
:Probabilidad máxima para minimizar la
probabilidad de cometer error tipo I
 DISTRIBUCION MUESTRAL DE LA MEDIA Posibles muestras de
tamaño n=2 con
La media como variable aleatoria tiene una funcion de probabilidad repetición

Ejemplo hipotético: 6,8 8,8

4,8
De una población de cuatro elementos, se han obtenido muestras de 2,8
tamaño dos con reposición
8,6
4,6 6,6
2,6
2
N=4
6 4,4 6,4
8,4
2,4
4
8

6,2 8,2
4,2
X 2 4 6 8 2,2

P(X) 1/4 1/4 ¼ 1/4

μ=Media MUESTRAL
σ=Varianza 5
5
2 3 4 5 6 7 8
P() 1/16 2/16 3/16 4/16 3/16 2/16 1/16
POBLACIONAL
X 2 4 6 8 2 3 4 5 6 7 8

P(X) 1/4 1/4 ¼ 1/4 P( ) 1/16 2/16 3/16 4/16 3/16 2/16 1/16

μ=Media
σ=Varianza 5
5

f(medias)
f(X) 0.30
2/7
0.25

1/5 0.20

f
0.15
1/9
0.10

0
1 2 3 4 5 6 7 8 9 0.05

Constante 0.00
0 1 2 3 4 5 6 7 8

Aproximadamente normal
 EXPRESION PARA EL INTERVALO DE CONFIANZA

P( – d < θ < + d) = 1 - α
NIVEL DE
CONFIANZA

PRECISION
PARA LA PROPORCION
PARA LA MEDIA

P( – d < µ < + d) = 1 - α P( – d < µ < + d) = 1 - α

𝑆
𝑑=𝑡 𝑛 − 1 ∗
√𝑛 d=
𝝈
𝒅= 𝒁 ∝ ∗
𝟐 √𝒏
 Diferencia de
medias PRECISION
Intervalo de confianza cuando

√
n1+n2 suficientemente grande 2 2
P(Δ - d <Δ< Δ +d) =1-α 𝜎1 𝜎2
𝑑=𝑍 +
𝑛¿ 𝑛2
Intervalo de confianza cuando n1+n2
no es suficientemente grande
( 𝑋 1 − 𝑋 2 ) −(𝜇1 − 𝜇2 )
𝑡𝑛 +𝑛 − 2=

√
1 2
2
2 (𝑛¿¿2− 1) 𝑆2 1 1
(𝑛¿¿1 −1)𝑆1 + ( + )¿ ¿
𝑛1 +𝑛2 −2 𝑛1 𝑛 1

√
2
(𝑛 ¿ ¿2 −1)𝑆 1 1
2 2
𝑑=𝑡 𝑛 +𝑛 − 2 (𝑛¿¿1 −1)𝑆 + 1 ( + )¿¿
1 2
𝑛1 +𝑛 2 − 2 𝑛 1 𝑛1
 Diferencia de
INTERVALO DE CONFIANZA proporciones

P(Δp - d < ΔP< Δ p+ d) =1-α

PRECISION

𝑑=𝑍
√
𝑃 1 (1 − 𝑃 1 ) 𝑃 2 (1 − 𝑃 2 )
𝑛¿
+
𝑛2
 ESTIMADORES
POBLACION (N)
MUESTRA (n)

y es insesg
ado porque E
() =
S2
µ=
es estima
p=x/n dor inses
gado par
a σ2
p es e
stimad
or d e
P y es
DISTRIBUCIONES insega
d o por
q u e E(
p) = P
MUESTRALES
Para la media Para la prorcion
muestral muestral
𝑋−µ 𝑋−µ 𝑝− 𝑃
Z= 𝑡 𝑛 − 1= 𝑍=

√
𝜎 𝑆 𝑃 (1 − 𝑃 )
√𝑛 √𝑛
Si n es suficientemente
𝑛
grande En todo caso

Si n no es suficientemente
 ∆ 𝑋−∆ µ
Z=

√
2 2
𝜎1 𝜎2
y E() = +
𝑛1 𝑛2

∆ 𝑋−∆ µ
𝑡 𝑛 +𝑛 − 2=
1
√¿ ¿ ¿ ¿ ¿
1

√ 𝑃1 (1 − 𝑃 1 ) ∆𝑝−∆ 𝑃
𝑍= ¿

√
Δp es estimador de + 𝑃 2( 1− 𝑃 2) ¿ 𝑃 1 (1− 𝑃 1)
𝑛1 + 𝑃 2 (1− 𝑃 2) ¿
Δ P y E(Δp) = ΔP 𝜎 ∆ 𝑝= ¿ 𝑛1
𝑛2 𝑛2
La distribución chi cuadrado

La distribución t student

𝑋−𝜇
𝑡 𝑛 − 1=
𝑠
√𝑛
 PRUEBA CHI CUADRADO DE INDEPENDENCIA

Opinion acerca de "servir"

de acuerdo en contra indiferente TOTAL
Enfermeria 14 5 1 20
Obstetricia 5 5 2 12
Nutrición 6 1 1 8
Medicina 4 1 1 6
TOTAL 29 12 5 46

es Chi cuadrado n , o sea con n grados de libertad 2

𝜒 2𝑛 =∑ 𝑍 2𝑖
1
𝑛 2 𝑑𝑜𝑛𝑑𝑒 𝑟 𝑒𝑠 𝑒𝑙 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠 𝑦 𝑠 𝑒𝑙 𝑛𝑢𝑚 ,𝑒𝑟𝑜 𝑑𝑒 𝑓𝑖𝑙𝑎𝑠𝑑𝑒 𝑢𝑚𝑎 𝑡𝑎𝑏𝑙𝑎 𝑑𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑔𝑒𝑚𝑐𝑜𝑎
( 𝑋 − 𝜃 )
𝜒 2( 𝑟 − 1) ∗(𝑠 − 1)=∑ 𝑖

1 𝜃𝑖
Ho: Las variables son independientes
α :5%
F:P.
RA/Ho aceptamos Ho cuando
Valor critico
La opinión acerca del programa
servir no esta influenciada por
Ho: Las variables opinión y escuela son independientes la escuela de donde proviene
α :5% el entrevistado. O sea estas
F:P. variables son independientes.
RA/Ho aceptamos Ho cuando
Valor critico

=12,5916
= < =12,5916 por tanto Acepte Ho
 Opinion acerca de "servir"
de acuerdo en contra indiferente TOTAL
Enfermeria 14 5 1 20 0.15352324 0.00905797 0.63391304

Obstetricia 5 5 2 12 0.86981509 1.11654589 0.37101449

Nutrición 6 1 1 8 0.1814093 0.56612319 0.01956522

4.3230747
Medicina 4 1 1 6 0.01249375 0.20410628 0.18550725 1
TOTAL 29 12 5 46

de acuerdo en contra indiferente TOTAL

Enfermeria 12.60869565 5.217391304 2.173913043 20
Obstetricia 7.565217391 3.130434783 1.304347826 12
Nutrición 5.043478261 2.086956522 0.869565217 8
Medicina 3.782608696 1.565217391 0.652173913 6
TOTAL 29 12 5 46
 tabla de contingencia
LA PRUEBA CHI CUADRADO DE HOMBRES MUJERES TOTAL
VIRTUAL 5 11 16
INDEPENDENCIA PRESENCIAL 9 4 13
Es una prueba no paramétrica , que se TOTAL 14 15 29
realiza en base a tablas de contingencia
r*s.
sexo: hombre , mujer r=2
Por ejemplo al preguntar si en setiembre opinion: v, P s=2
les gustaría estudiar de manera virtual o
presencial los alumnos respondieron
según la siguiente tabla , expresada en
sexo vs opinión Hipotesis
Queremos saber si la opinión esta Ho: La opinión y el sexo son independientes.
influenciada por el sexo del alumno. H : La opinión y el sexo no son independientes
a
α =5%
F.P. :
RA/Ho:= 3,84 ; si <= 3,84 Acepte Ho
BUSCANDO LOS θ
Para obtener el primer θ se multiplica
HOMBRES MUJERES TOTAL 14*16/29 , para el segundo de la columna
VIRTUAL 8.275862 16 14*13/29 y así sucesivamente
PRESENCIAL 6.2758621 6.724138 13
TOTAL 14 15 29

4.14352106 χ2

Y para encontrar el valor crítico .

+ ….+= 4,1435
Conclusión:
4,14=>= 3,84

Rechace Ho , luego la opinión está influenciada por el sexo.

Maq Maq Para la
1 2 producción El administrador de un restaurant que
opera en diferentes turnos con diferente
27 25 diaria de dos
personal quiere saber si hay dependencia
31 35 maquinas se
entre los turnos los días , en cuanto a las
39 obtuvieron las ventas de “ronda Marina” – Responda
42
37 observaciones mediante una prueba chi cuadrado al 95%
38 45 adjuntas . de significancia (mostrar el
45 25 Realice la procedimiento)
42 35 prueba de
38 39 igualdad de Turnos
Dias
27 37 varianzas mañana tarde noche
31 45 Lunes 25 14 20
25 Miercoles 30 22 32
35 Jueves 35 25 30
46
33 Viernes 26 30 35
45 sábado 40 32 54
 es
La expresión

(*)

transponiendo términos

Asociando
Resolviendo el binomio
= Aplicando propiedades de la sumatoria
= -+ n Reemplazando (*)
=-
Volviendo a
-

== -
Luego es lqqd.
DISTRIBUCION F

, por
Demos construir una F de la siguiente manera

simplificando , y luego
Luego tiene una distribución F
 PRUEBA DE IGUALDAD DE VARIANZAS
Alejandra observó el número de personas que acudieron a su
establecimiento los primeros nueve días y salieron satisfechas con
el servicio al cliente. Los siete días posteriores hizo una pequeña
innovación y también observó el numero de personas satisfechas.
Estime usted mediante un contraste de hipótesis si hay diferencia
significativa entre la atención de rutina y la atención luego de la
innovación
De rutina 465532723
Atención al
cliente Con 6 2 7 5 4 4 8
innovación
Hipótesis Nula
Ho:
Ho:
α = 5%
Función de prueba
>

RA/Ho : Fo < F 1
rutina 3.111111111
Valor crítico
innovac 4.142857143
Decisión
Cambiar a porque la varianza 1 es menor que la var 2

El valor critico es
Fo es menor que el valor tabular 3.58 luego debe aceptar Ho.
Luego las variaciones no son significativas. Por lo tanto la innovación no
ha generado cambios significativos en la satisfacción al cliente

rutina Varianza 1=3.111111111

innovac Varianza 2=4.142857143
Los muestreos
 ANÁLISIS DE VARIANZA
Cuando queremos comparar El modelo: Y = μ+ τ + e
dos poblaciones , es frecuente ij i ij
el uso de la prueba de hipótesis FACTOR A
para la diferencia de medias OBSERVACIONES NIVEL DEL FACTOR
que permite hacer A1 A2 A3 …………. Ar
comparaciones de dos en dos.
1 Y11 Y21 y31 ………… Yr1
Por lo que cuando tenemos mas
de dos grupos tenemos que 2 Y12 Y22 Y32 ………… Yr2
hacerlo por duplas cuantas 3 Y13 Y23 Y33 ………… Yr3
veces sea necesario. Una . . . . ………… .
alternativa en este tipo de . . . . ………… .
comparaciones es el uso del . . . . ………… .
análisis de varianza que nos
. . . . ………… .
permite ver la variabilidad
interna de los datos con S Y1s Y2s Y3s ………… Yrs
relación a la variabilidad total Interés : Probar que τi ( efecto verdadero del facto i) es nulo
 CUADRO ANVA
Grados
Fuente de Cuadrado Medio
de Suma de Cuadrados Fo
variacion Esperado
libertad

Factor CMEfactor=SCfactor/r-1
r-1
columna 147604
442812.5
Fo=CMEfactor/CMEerror

Error (n-1)-(r-1) CMEerror=SCerror/n-r 0.2895

10197083.3 509854

Total n-1

10639895.8
La Prueba Veamos un ejemplo.
La gerencia de “Comercial Romeo &Julieta”,
Ho : ζi =0 asume que sus ventas son normales y que en sus
cuatro sucursales las ventas son similares, para ello
α : 1%; 5% ó 10% selecciona muestras de las ventas diarias y obtiene.

FP: Fn1-1,n2-1 = CMEfactor/CMEerror i=

SUCURSALES j=6
Días
Por lo que
RA/Ho : Acepte Ho si F0 < Ftab AR&J BR&J CR&J DR&J r= 4
y s=7
1 1200 1400 1100 1300
Valor crítico Fo 2 950 1000 850 1200 Yij = μ+ τi + eij

3 1100 1300 1500 1400 Donde:

Decisión μ son las ventas
4 2000 1900 1850 2300 medias ,
Conclusion 5 2100 2200 2000 2500
τi es el efecto
verdadero de las
6 2800 2700 2600 3300 sucursales y
eij el error aleatorio
 SUCURSALES
Días
AR&J BR&J CR&J DR&J
1 1200 1400 1100 1300
2 950 1000 850 1200
3 1100 1300 1500 1400
4 2000 1900 1850 2300
5 2100 2200 2000 2500
6 2800 2700 2600 3300
 Grados Cuadrado
Fuente de
de Suma de Cuadrados Medio Fo
variacion
libertad Esperado

Factor
columna
3 442812.5 147604.167
0,289502

Error 20 10197083.33 509854.167

Total 23 10639895.83

F3,20 = 3,098
Decisión : Aceptar Ho: τi =0.
Conclusión: Las sucursales no tiene efecto significativo sobre las ventas
de Romeo y Julieta.
 Ejemplo

Experiencia en
Maquinas
años
Maq 1 Maq 2 Maq 3
1 27 21 25
2 31 33 35

3 42 39
39
4 38 41 37
5 45 46 45
 CUADRO ANVA PARA EL FACTOR MAQUINAS

F de V gl SC CME F0 F
tab

F. Maq 2 0.9333 0.46 0.006848 F 2,12=3,885

error 12 806 67.17

TOTAL 14 806.9333
 ANVA PARA DOS FACTORES

El modelo: Yij = μ+ τi +βj+ eij

Yij =observaciones
μ efecto promedio
τi efecto del factor columna
Βj efecto del factor fila
eij error aleatorio
Interés : Probar que Ho1:τi =0
Ho2 : βj=0
 CUADRO ANVA
Fuente de Grados de
Suma de Cuadrados CME Foi
variacion libertad

Factor CMEfactor
r-1
columna col=Scfactor fila/r-1

CMEf col=Scfactor Fo1=CMEf col/CMEerro

Factor fila s-1
fila/s-1

Fo2=CMEffila/CMEerror
r

(n-1)-(r-1)-(s- CMEerror=SCerror
Error
1) SCerror= SCtotal- SCfact col -SCf fila /n-r-s+1

Total n-1
F de V gl SC CME F0 F
tab

F. Maq 2 0.9333 0.46 0,0896 F2,8=4.459

F exper 4 764,93 191,23 37,25 F 4,8=3,838

error 8 41.067 5,1333

TOTAL 14 806.9333

Aceptamos Ho1 y rechazamos Ho2

Las máquinas no presentan diferencia significativa en la producción
Los años de experiencia influyen significativamente en la producción
 Si consideramos el tiempo de experiencia como un factot

Experiencia en
Maquinas
años
Maq 1 Maq 2 Maq 3
1 27 21 25
2 31 33 35

3 42 39
39
4 38 41 37
5 45 46 45

183 180 181 544