Contrastes de Hipótesis

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Contrastes de Hipótesis"

Transcripción

1 Capítulo 8 Contrastes de Hipótesis 8.1. Introducción. Conceptos básicos Una hipótesis estadística es una afirmación acerca de una característica poblacional formulada en base a los parámetros de su distribución. Existen diversos tipos de hipótesis: - Hacen referencia a un parámetro de una población. Por ejemplo, consideremos el rendimiento obtenido en un proceso químico,x, con distribución N(µ, σ), siendo µ desconocido. Podríamos plantear las siguientes hipótesis: µ =90 µ 6= 90 µ>90 µ<90 Si la hipótesis asigna un único valor al parámetro se le llama hipótesis simple, enca- so contrario, hipótesis compuesta. Enesteejemplo, laprimeraessimpleyelrestoson compuestas. - Comparan parámetros de varias poblaciones. Por ejemplo, supongamos que queremos contrastar si el fumar provoca cáncer. Esto equivale a contrastar si la proporción de fumadores con cáncer, p 1, es significativamente mayor que la proporción de no fumadores con cáncer, p

2 120 Capítulo 8. Contrastes de Hipótesis Contrastar una hipótesis es comparar lo que dice la hipótesis con la información que nos proporciona una muestra. Si hay coincidencia, dentro de un margen de error admisible entre la hipótesis planteada (hipótesis nula, H 0 ) y la información muestral entonces la mantendremos como cierta, en caso contrario la rechazaremos. Rechazar una hipótesis es sustituirla por otra que sea capaz de explicar la realidad observada en la muestra (hipótesis alternativa, H 1 ). Por ejemplo, supongamos que nos planteamos si el rendimiento del proceso puede ser en media del 90 %, H 0 : µ =90. Realizamos una serie de pruebas y el rendimiento medio muestral resulta ser x =75, menor que 90. La información muestral parece ir más a favor de H 1 : µ<90 que de H 0 : µ =90. Una cosa en la que hay que hacer hincapié es la siguiente: nunca podemos afirmar el que una hipótesis sea verdadera o falsa, ya que para ello tendríamos que tener observaciones de toda la población. Por lo tanto, al realizar un contraste y tomar una decisión siempre cabe la posibilidad de equivocarnos. Existen dos tipos de errores asociados a cualquier contraste: error tipo I, que tiene lugar cuando rechazamos H 0 siendo cierta, y error tipo II, que ocurre si aceptamos H 0 siendo falsa. H 0 cierta H 0 falsa Acepto H 0 No hay error Error tipo II Rechazo H 0 Error tipo I No hay error A la probabilidad de que ocurra el error tipo I se le llama nivel de significación del contraste, que denotamos por α yquefijamos antes de realizar un contraste. A la probabilidad de error tipo II la denotamos por β. A 1 α se le llama nivel de confianza, ya1 β potencia del test. α = P (error tipo I)=P (rechazar H 0 /H 0 es cierta), β = P (error tipo II)=P (aceptar H 0 /H 0 es falsa) Lógicamente, a medida que uno disminuye el otro aumenta. Un ejemplo clásico es el siguiente: supongamos queunjueztienequedeclararaunindividuo culpable o inocente. H 0 : inocente H 1 : culpable

3 8.2. Pasos a seguir para realizar un contraste 121 Si rechaza H 0 declara culpable al individuo, y si la acepta lo declara inocente. Comete un error de tipo I si declara culpable al acusado siendo inocente, y un error de tipo II si lo declara inocente siendo culpable. Desde el punto de vista moral parece más grave el primer error, de ahí que en un contraste se fije el nivel de significación α y se minimice β Pasos a seguir para realizar un contraste 1. Planteamos la hipótesis nula H 0 (de tipo igualdad) y la alternativa H 1 (a favor de la información muestral). H 0 : θ = θ 0 H 1 : θ 6= θ 0 θ<θ 0 θ>θ 0 2. Fijamos el nivel de significación del contraste α.generalmente se fija en 0.05, 0.01 o Determinamos una medida de discrepancia entre la hipótesis nula y la información muestral. Esta medida estará en función de la diferencia del valor que especifica H 0 para el parámetro y el estimador muestral del parámetro, y tendrá distribución conocida. A tal medida la llamamos estadístico de contraste bajo H Determinamos la discrepancia máxima que estamos dispuestos a admitir para aceptar H 0. Este valor dependerá de la distribución del estadístico de contraste bajo H 0,delnivelde significación α especificado y del tipo de hipótesis alternativa que tengamos. Delimita las regiones de aceptación y rechazo de H Concluimos: si el estadístico de contraste observado (empírico) cae en la región de rechazo, rechazamos H 0, en caso contrario, la mantendremos como cierta. Ejemplo 8.1: Sea X N(µ, σ) con µ, σ desconocidas, y sobre µ planteamos el siguiente contraste: H 0 : µ =90 H 1 : µ>90 Delia Montoro Cazorla. Dpto. de Estadística e I.O. Universidad de Jaén.

4 122 Capítulo 8. Contrastes de Hipótesis Seleccionamos una muestra de tamaño n y el estadístico de contraste bajo H 0 (suponiendo H 0 cierta) es: X 90 T = t S n 1, n X µ ya que Z = σ N(0, 1), χ 2 (n 1)S2 = σ 2 χ 2 n 1, son independientes, y T = Z r. χ 2 n n 1 Observemos que valores observados en X mucho mayores que 90 irían claramente a favor de H 1 (en contra de H 0 ). A su vez tales valores llevarían a un estadístico de contraste T muy grande y positivo. En consecuencia, valores muy grandes y positivos en T nos llevarían a rechazar H 0.(siendo cierta). De ahí que la región de rechazo esté en este caso en la cola de la derecha (de la distribución t n 1 ) y presente un aréa igual a α (probabilidad de rechazar H 0 siendo cierta). El valor que delimita la región de rechazo es por lo tanto t 1 α,n 1. Entonces rechazaremos H 0 si el estadístico de contraste observado, t, es mayor o igual que t 1 α,n 1. A la probabilidad de que el estadístico de contraste teórico, este caso T, sea mayor que el observado, en este caso t, se le llama p-valor. Por lo tanto, el criterio de rechazo en base al p-valor será: rechazar H 0 siempre que el p-valor sea menor o igual que α. Supongamos que una muestra seleccionada de tamaño 20 nos proporciona una media x =98 y una desviación típica s =2,21. El estadístico observado es por tanto t = ,21 20 =16,188 Para un nivel de significación α =0,05, t 1 α,n 1 = t 0,95,19 =1,73. Como 16,188 no es mayor que 1,73 no podemos rechazar H 0. Ejemplo 8.2: Sobre el ejemplo anterior, consideremos ahora la hipótesis alternativa H 1 : µ<90. H 0 : µ =90 H 1 : µ<90 En este caso, valores en X mucho menores que 90 irían a favor de H 1 (en contra de H 0 ). Por lo tanto, valores muy grandes en valor absoluto y negativos en el estadístico de contraste llevarían a rechazar H 0. La región de rechazo está ahora en la cola de la izquierda, y el valor queladelimitaest α,n 1. Rechazamos entonces H 0 si t t α,n 1.

5 8.3. Contrastes de hipótesis clásicos 123 Si observamos una muestra de tamaño 20 y se obtiene una media muestral x =83yuna desviación típica s =1,96, el estadístico observado es: t = 3,068, y t α,n 1 = t 0,05,19 = 1,73. Como 3,068 es menor que 1,73, rechazamos H 0 para un nivel de significación del 5 %. Por lo tanto, el rendimiento medio es significativamente menor que 90. Ejemplo 8.3: Consideremos por último la hipótesis alternativa H 1 : µ 6= 90. H 0 : µ =90 H 1 : µ 6= 90 En este caso valores en el estadístico muy grandes en valores absoluto, negativos y positivos, llevarían a rechazar H 0. Existen ahora por lo tanto dos regiones de rechazo, una a la izquierda y otra a la derecha, cada una de las cuales engloba un área de α/2. Los valores que las delimitan son respectivamente t α/2,n 1 =-t 1 α/2,n 1 y t 1 α/2,n 1. Rechazamos H 0 si t -t 1 α/2,n 1 o t t 1 α/2,n 1. Para una muestra de tamaño 20 con media x =80ydesviaciónmuestrals =1,86, t = 24,044, y t 1 α/2,n 1 = t 0,975,19 =2,09. Como 24,044 es menor que 2,09, rechazamos H 0 para un nivel de significación del 5 %. El rendimiento medio es significativamente distinto de Contrastes de hipótesis clásicos Contraste para la media de una normal con varianza conocida Sea X 1,X 2,..., X n una muestra aleatoria de una población X N(µ, σ), σconocida. Hipótesis nula Estadístico de contraste H 0 : µ = µ 0 Z = X µ 0 σ/ n Hipótesis alternativa Criterios de rechazo H 1 : µ 6= µ 0 H 1 : µ>µ 0 H 1 : µ<µ 0 Z z α/2 o Z z 1 α/2 Z z 1 α Z z α Delia Montoro Cazorla. Dpto. de Estadística e I.O. Universidad de Jaén.

6 124 Capítulo 8. Contrastes de Hipótesis Ejemplo 8.4: Los sistemas de escape de emergencia para las tripulaciones de aeronaves son impulsados por un combustible sólido. Una de las características de este producto es la rapidez de combustión, que se supone con distribución Normal. Las especificaciones requieren que la rapidez promedio de combustión sea de 50 cm/s. Se sabe que la rapidez estándar de la rapidez de combustión es σ =2cm/s. El experimentador decide especificar una probabilidad para el error tipo I de α =0,05. Selecciona una muestra aleatoria de tamaño 25 y se obtiene una media muestral de 53.1 cm/s. A qué conclusiones llega?. Planteamos el siguiente contraste: H 0 : µ =50 H 1 : µ 6= 50 con varianza conocida. El estadístico de contraste es: 53,1 50 Z = 2/ 25 =7,75 Rechazamos H 0 si Z z α/2 o Z z 1 α/2, siendo z α/2 = z 0,025 = 1,96 y z 1 α/2 = z 0,975 =1,96. Por lo tanto, rechazamos H 0 para un nivel de significación del 5 %. La rapidez de combustión es significativamente distinta de 50 cm/s Contraste para la media de una normal con varianza desconocida Sea X 1,X 2,..., X n una muestra aleatoria de una población X N(µ, σ), σdesconocida. Hipótesis nula Estadístico de contraste H 0 : µ = µ 0 T = X µ 0 S/ n Hipótesis alternativa Criterios de rechazo H 1 : µ 6= µ 0 H 1 : µ>µ 0 H 1 : µ<µ 0 T t α/2,n 1 o T t 1 α/2,n 1 T t 1 α,n 1 T t α,n 1

7 8.3. Contrastes de hipótesis clásicos 125 Ejemplo 8.5: Un artículo publicado en la revista Materials Engineering describe los resultados de pruebas de resistencia a la adhesión de 22 especímenes de aleación U-700. La carga para la que cada especimen falla es la siguiente (en MPa): Sugieren los datos que la carga promedio de fallo es mayor que 10 MPa?. Realizar el contraste a un 10 % de significación. El contraste a realizar es: H 0 : µ =10 H 1 : µ>10 con varianza σ 2 desconocida. La media y desviación típica muestrales resultan y 3.55 respectivamente, con lo cual: 13,71 10 t = 3,55/ 22 =4,90 Dado que t =4,90 >t 1 α,n 1 = t 0,95,21 =1,72, rechazamos H 0 al 5 % de significación. La carga promedio de fallo es significativamente mayor que Contraste para la varianza de una normal con media conocida Sea X 1,X 2,..., X n una muestra aleatoria de una población X N(µ, σ), con µ conocida. Hipótesis nula Estadístico de contraste H 0 : σ 2 = σ 2 0 P n χ 2 i=1 = i µ) 2 Hipótesis alternativa Criterios de rechazo σ 2 0 H 1 : σ 2 6= σ 2 0 H 1 : σ 2 >σ 2 0 H 1 : σ 2 <σ 2 0 χ 2 χ 2 α/2,n o χ2 χ 2 1 α/2,n χ 2 χ 2 1 α,n χ 2 χ 2 α,n Delia Montoro Cazorla. Dpto. de Estadística e I.O. Universidad de Jaén.

8 126 Capítulo 8. Contrastes de Hipótesis Contraste para la varianza de una normal con media desconocida Sea X 1,X 2,..., X n una muestra aleatoria de una población X N(µ, σ), con µ desconocida. Hipótesis nula H 0 : σ 2 = σ 2 0 Hipótesis alternativa H 1 : σ 2 6= σ 2 0 H 1 : σ 2 >σ 2 0 H 1 : σ 2 <σ 2 0 Estadístico de contraste χ 2 = (n 1) S2 σ 2 0 Criterios de rechazo χ 2 χ 2 α/2,n 1 o χ2 χ 2 1 α/2,n 1 χ 2 χ 2 1 α,n 1 χ 2 χ 2 α,n 1 Ejemplo 8.6: Un fabricante de detergente líquido está interesado en la uniformidad de la máquina que utiliza para llenar las botellas. De manera específica, es deseable que la varianza del proceso de llenado sea menor que 0.01, de otro modo existe un porcentaje mayor que el deseable de botellas con un contenido menor de detergente. Supóngase que la distribución del volumen de llenado es aproximadamente Normal. Al tomar una muestra aleatoria de 20 botellas se obtiene una varianza muestral de Tiene el fabricante problemas en el proceso de llenado de las botellas?. Realizar el contraste al 5 % de significación. El contraste a realizar es: H 0 : σ 2 =0,01 H 1 : σ 2 > 0,01 con media desconocida. El estadístico de contraste resulta: χ 2 = 19 0,0153 0,01 =29,07 Puesto que no es mayor que χ 2 1 α,n 1 = χ2 0,95,19 =30,14, no podemos rechazar H 0, no hay suficiente evidencia empírica para concluir que la varianza del proceso de llenado es superior a la deseada.

9 8.3. Contrastes de hipótesis clásicos Contraste para el cociente de varianzas de dos normales independientes con medias conocidas Sea X 1,X 2,..., X n1 una muestra aleatoria de una población X N(µ 1,σ 1 ), y Y 1,Y 2,..., Y n2 una muestra aleatoria de una población Y N(µ 2,σ 2 ). Ambas poblaciones se suponen independientes. Hipótesis nula Estadístico de contraste P n1 H 0 : σ 2 1 = σ 2 i=1 2 F = (x i µ 1 ) 2 /n 1 P n2 i=1 (y i µ 2 ) 2 /n 2 Hipótesis alternativa Criterios de rechazo H 1 : σ 2 1 6= σ 2 1 H 1 : σ 2 1 >σ 2 2 H 1 : σ 2 1 <σ 2 2 F 1/f 1 α/2,n2,n 1 o F f 1 α/2,n1,n 2 F f 1 α,n1,n 2 F 1/f 1 α,n2,n Contraste para el cociente de varianzas de dos normales independientes con medias desconocidas Sea X 1,X 2,..., X n1 una muestra aleatoria de una población X N(µ 1,σ 1 ), y Y 1,Y 2,..., Y n2 una muestra aleatoria de una población Y N(µ 2,σ 2 ). Ambas poblaciones se suponen independientes. Hipótesis nula Estadístico de contraste H 0 : σ 2 1 = σ 2 2 F = S2 1 S 2 2 Hipótesis alternativa Criterios de rechazo H 1 : σ 2 1 6= σ 2 2 H 1 : σ 2 1 >σ 2 2 H 1 : σ 2 1 <σ 2 2 F 1/f 1 α/2,n2 1,n 1 1 o F f 1 α/2,n1 1,n 2 1 F f 1 α,n1 1,n 2 1 F 1/f 1 α,n2 1,n Contraste para la diferencia de medias de dos normales independientes con varianzas conocidas Delia Montoro Cazorla. Dpto. de Estadística e I.O. Universidad de Jaén.

10 128 Capítulo 8. Contrastes de Hipótesis Sea X 1,X 2,..., X n1 una muestra aleatoria de una población X N(µ 1,σ 1 ), y Y 1,Y 2,..., Y n2 una muestra aleatoria de una población Y N(µ 2,σ 2 ). Ambas poblaciones se suponen independientes. Hipótesis nula Estadístico de contraste H 0 : µ 1 µ 2 = δ 0 Z = X Ȳ δ 0 s σ σ2 2 n 1 n 2 Hipótesis alternativa H 1 : µ 1 µ 2 6= δ 0 H 1 : µ 1 µ 2 >δ 0 H 1 : µ 1 µ 2 <δ 0 Criterios de rechazo Z z α/2 o Z z 1 α/2 Z z 1 α Z z α Contraste para la diferencia de medias de dos normales independientes con varianzas desconocidas pero iguales Sea X 1,X 2,..., X n1 una muestra aleatoria de una población X N(µ 1,σ), y Y 1,Y 2,..., Y n2 una muestra aleatoria de una población Y N(µ 2,σ). Ambas poblaciones se suponen independientes. Hipótesis nula Estadístico de contraste H 0 : µ 1 µ 2 = δ 0 T = s X Ȳ δ 0 µ 1 Hipótesis alternativa S 2 p n n 2 Criterios de rechazo, H 1 : µ 1 µ 2 6= δ 0 H 1 : µ 1 µ 2 >δ 0 H 1 : µ 1 µ 2 <δ 0 T t α/2,n o T t 1 α/2,n T t 1 α,n T t α,n donde n = n 1 + n 2 2 S 2 p = (n 1 1) S 2 1 +(n 2 1) S 2 2 n

11 8.3. Contrastes de hipótesis clásicos 129 Ejemplo 8.7: Se analizan dos catalizadores para determinar la forma en la que afectan el rendimiento promedio de un proceso químico. De manera específica, el catalizador 1 es el que se está empleando en este momento, pero el catalizador 2 también es aceptable. Como el catalizador 2 es más caro, sólo interesará emplearlo siempre y cuando aumente el rendimiento promedio del proceso. Se hace una prueba piloto, y los rendimientos obtenidos en % son los siguientes: Catalizador 1 Catalizador (a) Contrastar al 10 % de significación si la variabilidad en el rendimiento del proceso puede considerarse independiente del catalizador empleado. El contraste es: con medias desconocidas. El estadístico de contraste resulta: H 0 : σ 2 1 = σ 2 2 H 1 : σ 2 1 6= σ 2 2 F = S2 1 S 2 = 5, ,901 =0,639 Como F no es menor que 1/f 1 α/2,n2 1,n 1 1 =1/f 0,95,7,7 =0,264 ni F es mayor que f 1 α/2,n1 1,n 2 1 = f 0,95,7,7 =3,79, no podemos rechazar H 0, por lo tanto, la variabilidad en el rendimiento del proceso puede considerarse independiente del catalizador empleado. (b) Contrastar al 5 % si interesa emplear el catalizador 2. Veamos si el catalizador 2 aumenta el rendimiento promedio del proceso. Delia Montoro Cazorla. Dpto. de Estadística e I.O. Universidad de Jaén.

12 130 Capítulo 8. Contrastes de Hipótesis Planteamos entonces el siguiente contraste: H 0 : µ 1 µ 2 =0 H 1 : µ 1 µ 2 < 0 con varianzas desconocidas pero iguales (según el contraste realizado anteriormente). X T = Ȳ δ 0 92,255 92,733 0 s µ 1 Sp = s µ 1 7,295 n 1 n = 0,354 8 Como T no es menor que t α,n = t 0,05,14 = 1,761 no podemos rechazar H 0 para un nivel de significación del 5 %. Por lo tanto, el catalizador 2 no aumenta significativamente el rendimiento promedio del proceso Contraste para la diferencia de medias de dos normales relacionadas (muestras apareadas) con varianzas desconocidas pero iguales Sea X 1,X 2,..., X n una muestra aleatoria de una población X N(µ 1,σ), apareada con una muestra Y 1,Y 2,..., Y n de una población Y N(µ 2,σ). Hipótesis nula Estadístico de contraste H 0 : µ 1 µ 2 = δ 0 T = D δ q 0 SD 2 n Hipótesis alternativa H 1 : µ 1 µ 2 6= δ 0 H 1 : µ 1 µ 2 >δ 0 H 1 : µ 1 µ 2 <δ 0 Criterios de rechazo T t α/2,n 1 o T t 1 α/2,n 1 T t 1 α,n 1 T t α,n 1 donde D = X Y. Ejemplo 8.8: Se desea comparar dos métodos para predecir la resistencia al corte de vigas de placa de acero. Con este fin se selecciona una muestra de 9 vigas, a las que se aplican los

13 8.3. Contrastes de hipótesis clásicos 131 dos métodos. Los datos se presentan en la siguiente tabla: Mét Mét Contrastar al 5 % de significación si existe alguna diferencia entre estos dos métodos. Claramente se trata de un contraste de igualdad de medias en muestras apareadas (se aplica a las mismas vigas los dos métodos). Llamamos D a la diferencia de resistencia entre el método 1 y el método 2 y el contraste es: Los valores muestrales de D son: H 0 : µ D =0 H 1 : µ D 6=0 D , que proporcionan una media de y una desviación de El estadístico de contraste observado es: T = q 0,2736 =6,05, 0, t α/2,n 1 = t 0,025,8 = 2,306 y t 1 α,n 1 = t 0,975,8 =2,306. Al ser 6.05 mayor que 2.306, rechazamos H 0, es decir, los métodos proporcionan resultados diferentes Contraste para una proporción Sea X 1,X 2,..., X n una muestra aleatoria de una población X Bernoulli(p). Hipótesis nula Estadístico de contraste H 0 : p = p 0 Z = ˆp p 0 r p0 (1 p 0 ) Hipótesis alternativa H 1 : p 6= p 0 H 1 : p>p 0 H 1 : p<p 0 n Criterios de rechazo Z z α/2 o Z z 1 α/2 Z z 1 α Z z α Delia Montoro Cazorla. Dpto. de Estadística e I.O. Universidad de Jaén.

14 132 Capítulo 8. Contrastes de Hipótesis Ejemplo 8.9: Un distribuidor adquirirá un lote de equipos si el porcentaje de defectuosos no es mayor que el 3 %, y se quiere una probabilidad del 5 % de rechazar la compra aunque verifique la condición requerida. Prueba 30 equipos y 2 de ellos resultan defectuosos. Qué decisión debe adoptar?. Llamamos p a la proporción de equipos defectuosos en el lote, y queremos comprobar si es mayor que Realizamos para ello el siguiente contraste: H 0 : p =0,03 H 1 : p>0,03 En este caso el nivel de significación viene dado por: α = P (Rechazar H 0 /H 0 cierta) = P (Rechazar el lote/no contiene más del 3 % de defectuosos)=0.05 La proporción de defectuosos en la muestra es ˆp =2/30 = 0,067,con lo cual: Z = 0,067 0,03 r 0,03 0,97 30 =1,188 Al ser no ser Z mayor que z 1 α = z 0,95 =1,65 no se rechaza H 0. Es decir, no hay suficiente evidencia empírica para concluir que el porcentaje de defectuosos por lote es superior al 3 % Contraste para la comparación de dos proporciones Sean X 1,..., X n1 una m.a.s. de X Bernoulli(p 1 ) y Y 1,..., Y n2 una m.a.s. de Y Bernoulli(p 2 ). Ambas poblaciones se suponen independientes. Hipótesis nula Estadístico de contraste ˆp 1 ˆp 2 H 0 : p 1 = p 2 Z = r ³ ³ ˆ p T 1 p ˆ T /n 1 + p ˆ T 1 p ˆ T /n 2 Hipótesis alternativa H 1 : p 1 6= p 2 H 1 : p 1 >p 2 H 1 : p 1 <p 2 Criterios de rechazo Z z α/2 o Z z 1 α/2 Z z 1 α Z z α

15 8.3. Contrastes de hipótesis clásicos 133 donde ˆp T = n 1 ˆp 1 + n 2 ˆp 2 n1+n 2 Ejemplo 8.10: Una central de productos lácteos recibe diariamente la leche de dos granjas AyB. Conelfin de estudiar la calidad de los productos recibidos se extraen dos muestras, una de cada granja, y se analiza el contenido de materia grasa de cada producto. Se obtienen los siguientes resultados: Granja A Granja B Si la central rechaza aquellos productos con un contenido graso superior a 0.32, existen diferencias significativas entre los porcentajes de productos de A y B que se tendrían que rechazar?. Realizar el contraste al 5 % de significación. El contraste es: H 0 : p 1 = p 2 H 1 : p 1 6= p 2 donde el subíndice 1 hace refencia a la granja A y el 2 a la B. Las proporciones de productos que superan un contenido graso de 0.32 en las muestras son ˆp 1 =0,167 y ˆp 2 =0,214, yla Delia Montoro Cazorla. Dpto. de Estadística e I.O. Universidad de Jaén.

16 134 Capítulo 8. Contrastes de Hipótesis proporción muestral total es ˆp T =0,192. Por lo tanto, el estadístico de contraste resulta: Z = 0,167 0,214 p 0,192 (1 0,192) /12 + 0,192 (1 0,192) /14 = 0,303 Como Z no es menor que z 0,025 = 1,96 ni Z es mayor que z 0,975 =1,96 no podemos rechazar H 0. No existen diferencias significativas en las proporciones de productos a rechazar en ambas granjas Relación entre intervalos de confianza y contrastes de hipótesis Existe una estrecha relación entre la prueba de una hipótesis estadística sobre un parámetro θ y el intervalo de confianza de θ. Si denotamos por [θ L,θ U ]elintervalodeconfianza para θ a un nivel de confianza del (1 α)100 %, entonces el contraste bilateral (dos colas) H 0 : θ = θ 0 H 1 : θ 6= θ 0 aunniveldesignificación α conduce a rechazar H 0 si θ 0 no pertenece al intervalo [θ L,θ U ] Ejercicios 1. Se utilizan dos máquinas diferentes de moldeo por inyección para la fabricación de piezas de plástico. Una pieza se considera defectuosa si tiene un encogimiento excesivo o si le falta color. Se toman dos muestras aleatorias, ambas de tamaño 300, y se encuentan 15 piezas defectuosas en la muestra de la máquina 1 y 8 defectuosas en la muestra de la máquina 2. Podemos concluir que la máquina 2 produce menos piezas defectuosas que la máquina 1?. Realizar el contraste para un nivel de significación a =0,05. Suponer que sendas muestras proceden de poblaciones normales e independientes. 2. En un proceso de fabricación de tubos de aluminio, la longitud de éstos se distribuye según una normal de media 100 cm y varianza 16 cm 2. Se realiza una reparación y ahora se desea discernir si ha habido un cambio en la longitud media de los tubos. Para ello se

17 8.5. Ejercicios 135 selecciona una muestra de tamaño 9, obteniéndose una media muestral de 102 cm. Para un nivel de significación del 5 %, a qué conclusión se llega?. 3. Dos laboratorios farmacéuticos presentan sendas vacunas contra la alergia en el mercado al mismo tiempo. Una organización de consumidores desea comprobar cuál es más efectiva de las dos. Con este fin,aplicancadavacunaaunamuestrade10personasalérgicasyse mide el nivel de alergia (de 0 a 3) que presentan en la primavera del año siguiente. Los resultados son: Vacuna Vacuna Es la vacuna 1 significativamente más eficazquela2?realizarelcontrasteal5%de significación. 4. Un fabricante de monitores prueba dos diseños de microcircuitos para determinar si producen un flujo de corriente distinto. El departamento de ingeniería ha obtenido los datos siguientes: Diseño 1 n 1 =15 x 1 =24,2 S 2 1 =10 Diseño 2 n 2 =10 x 2 =23,9 S 2 2 =10,89 Determinar si existe alguna diferencia significativa en el flujo de corriente de los dos diseños. Tomar α =0, Dos compañías de compuestos químicos pueden surtir materia prima, y la concentración de un elemento en particular en este material es importante. La concentración promedio de ambos proveedores es la misma, pero se sospecha que la variabilidad en la concentración puede diferir en las dos compañías. La desviación estándar de la concentración en una muestra aleatoria de 15 lotes producidos por la compañía 1 es 4.7g/l, mientras para la compañía 2, una muestra de 20 lotes proporciona una desviación estándar de 5.8 g/l. Existe suficiente evidencia en los datos para concluir que la variabilidad en la compañía 1 es mayor que la variabidad de la compañía 2? Realizar el constraste para un nivel de significación del 5 %. 6. Un fabricante de lentes intraoculares evalúa una nueva máquina pulidora. El fabricante aprobará la máquina si el porcentaje de lentes pulidos que contienen defectos en la superficie no es mayor del 2 %. Se toma una muestra aleatoria de 250 lentes y se encuentra Delia Montoro Cazorla. Dpto. de Estadística e I.O. Universidad de Jaén.

18 136 Capítulo 8. Contrastes de Hipótesis que 6 de ellos tienen defectos. Aprueba el fabricante la nueva máquina pulidora?. Tomar α =0,1 7. Se utilizan dos máquinas diferentes de moldeo por inyección para la fabricación de piezas de plástico. Una pieza se considera defectuosa si tiene un encogimiento excesivo o si le falta color. Se toman dos muestras aleatorias, cada una de tamaño 300, y se encuentran 15 defectuosas en la primera y 8 en la segunda. Es razonable concluir que la proporción de defectuosas es la misma en ambas máquinas?. Realizar el contraste al 5 % de significación. 8. Quince hombres adultos con edades comprendidas entre 35 y 50 años participan en un estudio para evaluar el efecto de la dieta y el ejercicio sobre el nivel de colesterol en la sangre. Los niveles de colesterol medidos sobre cada individuo antes y después de haber realizado el programa (dieta baja en grasas y ejercicio) aparecen en la siguiente tabla: Sujeto Antes Después Contrastar con un nivel de significación del 5 % si el programa reduce el nivel de colesterol. 9. En la fabricación de semiconductores, a menudo se utiliza una sustancia química para quitar el sicilio de la parte trasera de las obleas antes de la metalización. En este proceso

19 8.5. Ejercicios 137 es importante la rapidez con la que actúa la sustancia. Se han comparado dos soluciones químicas, utilizando para ello dos muestras aleatorias de 10 obleas para cada solución. La rapidez de acción observada es la siguiente (en mils/min): Solución Solución a) Contrastar la igualdad de varianzas para un nivel de significación del 10 %. b) Es significativamente mayor la rapidez (media) de actuación de la sustancia empleada en la solución 2?. Realizar el contraste para un nivel de significación del 5% 10. Se mide la producción diaria de 2 máquinas durante 9 días seleccionados al azar. Los datos obtenidos se recogen en la siguiente tabla: Máquina 1 Máquina a. Obtener un intervalo de confianza para la producción media de cada máquina con un nivel de confianza del 95 %. b. Contrastar si las varianzas pueden suponerse iguales al 10 % de significación. c. Contrastar si la producción media diaria de la máquina 1 es significativamente mayor que la producción media diaria de la máquina 2. Realizar el contraste para un nivel de significación del 5 %. Delia Montoro Cazorla. Dpto. de Estadística e I.O. Universidad de Jaén.

20 138 Capítulo 8. Contrastes de Hipótesis 11. Un sindicato pretende analizar los accidentes laborales en los sectores de la construcción y la siderometalurgia. Para ello, toma una muestra aleatoria de 125 empresas dedicadas a la construcción y otra de 75 pertenecientes al sector de la siderometalurgia. Una vez analizados los porcentajes de accidentes en cada una de estas empresas, se obtienen los siguientes datos: N o de empresas por sector con un % de accidentes menor del 10 % Construcción Siderometalurgia N o de empresas por sector con un % de accidentes mayor o igual del 10 % Puede afirmarse al 5 % de significación que el porcentaje de accidentes laborales es independiente del sector al que pertenece la empresa?. 12. La Consejería de Obras Públicas y Urbanismo de una Comunidad engarga un estudio para comparar el precio de las viviendas nuevas de dos municipios, A y B. Con tal fin, se recoge información sobre el precio del m 2 de 42 viviendas de promotoras distintas, seleccionadas al azar en el municipio A y de 40 viviendas en el municipio B. En la muestra de viviendas del municipio A, el precio medio del m 2 ha resultado ser de 0.98 miles de euros con una desviación típica de 0.09 miles de euros, mientras que en la muestra de viviendas del municipio B, el precio medio del m 2 es de 0.95 y la desviación típica de A partir de esta información, puede aceptarse que en los dos municipios no hay diferencias significativas en el precio medio de las viviendas de nueva construcción para un nivel de significación del 5 %?. 13. Seinvestigalatemperaturadedeflexión bajo carga para dos tipos diferentes de tubería de plástico. Para ello se toman dos muestras aleatorias, cada una de 10 unidades, anotando

21 8.5. Ejercicios 139 las temperaturas de deflexión observadas ( o F). Los resultados son los siguientes. Tipo 1 Tipo Suponiendo que sendas muestras proceden de poblaciones normales e independientes, a. Obténunintervalodeconfianza para el cociente de varianzas con un nivel de confianza del 95 %. Pueden considerarse iguales las varianzas? b. Apoyan los datos la afirmación de que la temperatura de deflexión bajo carga para la tubería de tipo 2 es mayor que para la tubería de tipo 1?. Tomar α =0,05. Delia Montoro Cazorla. Dpto. de Estadística e I.O. Universidad de Jaén.

Tema 12: Contrastes Paramétricos

Tema 12: Contrastes Paramétricos Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de

Más detalles

PRUEBAS DE HIPÓTESIS

PRUEBAS DE HIPÓTESIS PRUEBAS DE HIPÓTESIS Muchos problemas de ingeniería, ciencia, y administración, requieren que se tome una decisión entre aceptar o rechazar una proposición sobre algún parámetro. Esta proposición recibe

Más detalles

Tema 3. Comparaciones de dos poblaciones

Tema 3. Comparaciones de dos poblaciones Tema 3. Comparaciones de dos poblaciones Contenidos Hipótesis para la diferencia entre las medias de dos poblaciones: muestras pareadas Hipótesis para la diferencia entre las medias de dos poblaciones:

Más detalles

RELACIÓN EJERCICIOS DEL CAPÍTULO 1. Intervalos de Confianza 1. La vida media de una muestra aleatoria de 10 focos es de 4.

RELACIÓN EJERCICIOS DEL CAPÍTULO 1. Intervalos de Confianza 1. La vida media de una muestra aleatoria de 10 focos es de 4. RELACIÓN EJERCICIOS DEL CAPÍTULO 1. Intervalos de Confianza 1. La vida media de una muestra aleatoria de 10 focos es de 4.000 horas, con una cuasidesviación típica muestral de 200 horas. Se supone que

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

ESTIMACION POR INTERVALOS

ESTIMACION POR INTERVALOS ESTIMACION POR INTERVALOS En muchas situaciones, una estimación puntual no proporciona información suficiente sobre el parámetro. Por esta razón se construyen intervalos de confianza en donde el parámetro

Más detalles

Inferencia Estadística

Inferencia Estadística Universidad Nacional de San Cristóbal de Huamanga Facultad de Ingeniería de Minas, Geología y Civil Departamento Académico de Matemática y Física Área de Estadística Inferencia Estadística Alejandro Guillermo

Más detalles

"CONTRASTES DE HIPÓTESIS" 4.4 Parte básica

CONTRASTES DE HIPÓTESIS 4.4 Parte básica 76 "CONTRASTES DE HIPÓTESIS" 4.4 Parte básica 77 4.4.1 Introducción a los contrastes de hipótesis La Inferencia Estadística consta de dos partes: Estimación y Contrastes de Hipótesis. La primera se ha

Más detalles

Clase 8: Distribuciones Muestrales

Clase 8: Distribuciones Muestrales Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas

Más detalles

Pruebas de Hipótesis de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Pruebas de Hipótesis de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Pruebas de ipótesis de Una y Dos Muestras UCR ECCI CI-35 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides ipótesis Estadísticas Conceptos Generales En algunos casos el científico

Más detalles

Tests de hipótesis estadísticas

Tests de hipótesis estadísticas Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para

Más detalles

UNIVERSIDAD DE ATACAMA

UNIVERSIDAD DE ATACAMA UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD EJERCICIOS 5 Profesor: Hugo S. Salinas. Primer Semestre 2009 1. Una compañía de seguros utiliza la

Más detalles

Cálculo de probabilidades

Cálculo de probabilidades Cálculo de probabilidades 1. Sean A y B dos sucesos de un espacio muestral, con probabilidades P(A)=0.3, P(B)=0.7. Indica si son verdaderas o falsas las siguientes afirmaciones: a) Los sucesos A y B son

Más detalles

6. Sea X una v.a. con distribución N(0,1). Calcular p(x=0)

6. Sea X una v.a. con distribución N(0,1). Calcular p(x=0) 1. La rueda de una ruleta se divide en 25 sectores de igual área que se enumeran del 1 al 25. Encuentra una fórmula para la distribución de probabilidades de la v.a. X que representa el número obtenido

Más detalles

Problemas de Probabilidad resueltos.

Problemas de Probabilidad resueltos. Problemas de Probabilidad resueltos. Problema 1 El profesor Pérez olvida poner su despertador 3 de cada 10 dias. Además, ha comprobado que uno de cada 10 dias en los que pone el despertador acaba no levandandose

Más detalles

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página):

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página): Univ. de Alcalá. Estadística 2014-15 Dpto. de Física y Matemáticas Grado en Biología. Examen final. Miércoles, 21 de Enero de 2015. Apellidos: Nombre: INSTRUCCIONES (LEER ATENTAMENTE). Puedes descargar

Más detalles

Análisis de la varianza (un factor): ANOVA

Análisis de la varianza (un factor): ANOVA Capítulo 9 Análisis de la varianza (un factor): ANOVA 91 Introducción Veíamos cómo contrastar la igualdad de medias en dos poblaciones normales e independientes En ocasiones necesitamos contrastar la igualdad

Más detalles

Test ( o Prueba ) de Hipótesis

Test ( o Prueba ) de Hipótesis Test de Hipótesis 1 Test ( o Prueba ) de Hipótesis Ejemplo: Una muestra de 36 datos tiene una media igual a 4.64 Qué puede deducirse acerca de la población de donde fue tomada? Se necesita contestar a

Más detalles

Tema 1: Test de Distribuciones de Probabilidad

Tema 1: Test de Distribuciones de Probabilidad Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).

Más detalles

SEMINARIOS. (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática

SEMINARIOS. (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática SEMINARIOS (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática Seminario de Estadística Descriptiva Unidimensional y Bidimensional 1. Se ha realizado un control de calidad en

Más detalles

SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas

SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria

Más detalles

Estadística aplicada y modelización. 10 de septiembre de 2005

Estadística aplicada y modelización. 10 de septiembre de 2005 Estadística aplicada y modelización. 10 de septiembre de 005 SOLUCIÓN MODELO A 1. Una persona se está preparando para obtener el carnet de conducir, repitiendo un test de 0 preguntas. En la siguiente tabla

Más detalles

Inferencia Estadística

Inferencia Estadística Felipe José Bravo Márquez 11 de noviembre de 2013 Para realizar conclusiones sobre una población, generalmente no es factible reunir todos los datos de ésta. Debemos realizar conclusiones razonables respecto

Más detalles

CARTAS DE CONTROL. FeGoSa

CARTAS DE CONTROL. FeGoSa Las empresas en general, ante la apertura comercial han venido reaccionando ante los cambios y situaciones adversas, reaccionan por ejemplo ante: Disminución de ventas Cancelación de pedidos Deterioro

Más detalles

Tema 5: Estimación puntual y por intervalos

Tema 5: Estimación puntual y por intervalos Tema 5: Estimación puntual y por intervalos Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Estimación puntual y por intervalos Curso

Más detalles

UNED. [TEMA 3] Análisis de datos para diseños de dos grupos. Muestras independientes.

UNED. [TEMA 3] Análisis de datos para diseños de dos grupos. Muestras independientes. 2009 UNED [TEMA 3] Análisis de datos para diseños de dos grupos. Muestras independientes. 1 ÍNDICE 3.1 Introducción 3.2 Objetivos 3.3 Muestras independientes o relacionadas 3.4 Contraste de hipótesis sobre

Más detalles

Práctica 5. Contrastes paramétricos en una población

Práctica 5. Contrastes paramétricos en una población Práctica 5. Contrastes paramétricos en una población 1. Contrastes sobre la media El contraste de hipótesis sobre una media sirve para tomar decisiones acerca del verdadero valor poblacional de la media

Más detalles

ESTADÍSTICA. Tema 3 Contrastes de hipótesis

ESTADÍSTICA. Tema 3 Contrastes de hipótesis ESTADÍSTICA Grado en CC. de la Alimentación Tema 3 Contrastes de hipótesis Estadística (Alimentación). Profesora: Amparo Baíllo Tema 3: Contrastes de hipótesis 1 Estructura de este tema Qué es un contraste

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Página 75 REFLEXIONA Y RESUELVE Lanzamiento de varios dados Comprueba en la tabla anterior ue: DESV. TÍPICA PARA n DADOS n = 8 1,71 1,1 n = 3 8 1,71 3 0,98

Más detalles

Universidad de Zaragoza

Universidad de Zaragoza Nº L.E. Nº L.A.D.E. PUBLICACIONES DE 2º CURSO SECCIÓN: L.A.D.E y L.E. ASIGNATURA: ESTADÍSTICA II TEMA: GRUPO: Problemas de muestreo TODOS DEPARTAMENTO DE MÉTODOS ESTADÍSTICOS Curso Académico 2004/2005

Más detalles

INFERENCIA ESTADÍSTICA

INFERENCIA ESTADÍSTICA Capítulo 4 INFERENCIA ESTADÍSTICA 4.1. Introducción Inferir: Sacar una consecuencia de una cosa. Sacar consecuencia o deducir una cosa de otra. La estadística, ciencia o rama de las Matemáticas que se

Más detalles

Curso de Estadística no-paramétrica

Curso de Estadística no-paramétrica Curso de Estadística no-paramétrica Sesión 1: Introducción Inferencia no Paramétrica David Conesa Grup d Estadística espacial i Temporal Departament d Estadística en Epidemiologia i Medi Ambient i Investigació

Más detalles

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Páginas 74-75 Lanzamiento de varios dados Comprobación de que: Desviación típica de n dados = (Desv. típica para un dado) / 1,71 n = 1,1 1,71 n = 3 0,98

Más detalles

TEMA 4: Introducción al Control Estadístico de Procesos

TEMA 4: Introducción al Control Estadístico de Procesos TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción

Más detalles

PRÁCTICA 4. Ingeniería Técnica Industrial (2º) - Mecánica.

PRÁCTICA 4. Ingeniería Técnica Industrial (2º) - Mecánica. PRÁCTICA 4. Ingeniería Técnica Industrial (2º) - Mecánica. Profesores: Javier Faulín y Francisco Ballestín 1. Introducción. El objetivo de esta parte es obtener resultados sobre contrastes de hipótesis

Más detalles

Botella-Rocamora, P.; Alacreu-García, M.; Martínez-Beneito, M.A.;

Botella-Rocamora, P.; Alacreu-García, M.; Martínez-Beneito, M.A.; Inferencia estadística (intervalos de confianza y p-valor). Comparación de dos poblaciones (test t de comparación de medias, comparación de dos proporciones, comparación de dos varianzas). Botella-Rocamora,

Más detalles

Inferencia Estadística

Inferencia Estadística EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre

Más detalles

Statgraphics Centurión

Statgraphics Centurión Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que

Más detalles

PRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) F(X) es la función de distribución que hipotetizamos.

PRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) F(X) es la función de distribución que hipotetizamos. PRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) PRUEBAS NO PARAMÉTRICAS F(X) es la función de distribución que hipotetizamos. Fs(X) es la probabilidad o proporción teórica de

Más detalles

DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS

DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS 1) Reseña histórica Abrahan De Moivre (1733) fue el primero en obtener la ecuación matemática de la curva normal. Kart Friedrich Gauss y Márquez De Laplece (principios

Más detalles

Pruebas de hipótesis paramétricas

Pruebas de hipótesis paramétricas Capítulo 5 Pruebas de hipótesis paramétricas 5.2. Problemas 5.2.1. Un investigador afirma que un medicamento provocará sueño en por lo menos 80 % de las personas que padecen insomnio. Después de un análisis

Más detalles

Bioestadística: Inferencia Estadística. Análisis de Dos Muestras

Bioestadística: Inferencia Estadística. Análisis de Dos Muestras Bioestadística: Inferencia Estadística. Análisis de Dos Muestras M. González Departamento de Matemáticas. Universidad de Extremadura MUESTRAS INDEPENDIENTES: TEST PARAMÉTRICO: VARIANZAS POBLACIONALES IGUALES:Test

Más detalles

INFERENCIA ESTADÍSTICA: CONTRASTE DE HIPÓTESIS

INFERENCIA ESTADÍSTICA: CONTRASTE DE HIPÓTESIS INFERENCIA ESTADÍSTICA: CONTRASTE DE HIPÓTESIS Página 311 REFLEXIONA Y RESUELVE Máuina empauetadora El fabricante de una máuina empauetadora afirma ue, si se regula para ue empauete palés con 100 kg, los

Más detalles

Muestreo estadístico. Relación 2 Curso 2007-2008

Muestreo estadístico. Relación 2 Curso 2007-2008 Muestreo estadístico. Relación 2 Curso 2007-2008 1. Para tomar la decisión de mantener un determinado libro como texto oficial de una asignatura, se pretende tomar una muestra aleatoria simple entre los

Más detalles

Algunas distribuciones importantes de probabilidad

Algunas distribuciones importantes de probabilidad Capítulo 5 Algunas distribuciones importantes de probabilidad En los temas anteriores se presentaban ejemplos de distintos experimentos aleatorios y de variables aleatorias que expresan sus resultados.

Más detalles

Se toma una muestra aleatoria de diez personas de una población. Se ha estimado de experiencias anteriores que la característica en estudio se

Se toma una muestra aleatoria de diez personas de una población. Se ha estimado de experiencias anteriores que la característica en estudio se Se toma una muestra aleatoria de diez personas de una población. Se ha estimado de experiencias anteriores que la característica en estudio se distribuye según una variable aleatoria normal de media 167

Más detalles

Biometría Clase 8 Pruebas de hipótesis para una muestra. Adriana Pérez 1

Biometría Clase 8 Pruebas de hipótesis para una muestra. Adriana Pérez 1 Biometría Clase 8 Pruebas de hipótesis para una muestra Adriana Pérez 1 Qué es una prueba de hipótesis? Es un proceso para determinar la validez de una aseveración hecha sobre la población basándose en

Más detalles

Calculadora de Tamaño muestral GRANMO

Calculadora de Tamaño muestral GRANMO Calculadora de Tamaño muestral GRANMO Versión 7.12 Abril 2012 http://www.imim.es/ofertadeserveis/software-public/granmo/ Entre las distintas ofertas que existen para el cálculo del tamaño muestral, ofrecemos

Más detalles

Inferencia Estadística

Inferencia Estadística MaMaEuSch Management Mathematics for European Schools http://www.mathematik.unikl.de/ mamaeusch Inferencia Estadística Paula Lagares Barreiro * Justo Puerto Albandoz * MaMaEuSch ** Management Mathematics

Más detalles

TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.

TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son

Más detalles

Problemas. Intervalos de Confianza y Contrastes de Hipótesis

Problemas. Intervalos de Confianza y Contrastes de Hipótesis Problemas. Intervalos de Confianza y Contrastes de Hipótesis Ejemplos resueltos y propuestos Intervalos de Confianza Variable Nomal en la población Se selecciona una muestra de tamaño n de una población

Más detalles

todas especialidades Soluciones de las hojas de problemas

todas especialidades Soluciones de las hojas de problemas Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

Ejercicios distribuciones discretas probabilidad

Ejercicios distribuciones discretas probabilidad Ejercicios distribuciones discretas probabilidad 1. Una máquina que produce cierta clase de piezas no está bien ajustada. Un porcentaje del 4.2% de las piezas están fuera de tolerancias, por lo que resultan

Más detalles

Pruebas de. Hipótesis

Pruebas de. Hipótesis Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar

Más detalles

Solución ESTADÍSTICA. Prueba de evaluación contínua 2 - PEC2

Solución ESTADÍSTICA. Prueba de evaluación contínua 2 - PEC2 Semestre set04 - feb05 Módulos 11-17 Prueba de evaluación contínua 2 - PEC2 Solución Presentación i objetivos Enunciados: descripción teórica de la práctica a realizar Materiales Criterios de evaluación

Más detalles

Tipo A Tipo B Min. y Máx. Gambas 2 1 50 Langostinos 3 5 180 Contenedores 1 1 50 Coste 350 550 350x + 550y

Tipo A Tipo B Min. y Máx. Gambas 2 1 50 Langostinos 3 5 180 Contenedores 1 1 50 Coste 350 550 350x + 550y IES Fco Ayala de Granada Sobrantes 010 (Modelo 6) Soluciones Germán-Jesús Rubio Luna MATEMÁTICAS CCSS II Sobrantes 010 (Modelo 6) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1 (.5 puntos) Un supermercado

Más detalles

15 Distribuciones continuas. La distribución normal

15 Distribuciones continuas. La distribución normal Distribuciones continuas. La distribución normal ACTIVIDADES INICIALES Solucionario.I. Representa la función valor absoluto: x si x 0 y x x si x 0 Y O X.II. Representa la función: 2x 3 si x f(x) si x 4

Más detalles

CONTRASTES DE HIPÓTESIS DE 1 POBLACIÓN

CONTRASTES DE HIPÓTESIS DE 1 POBLACIÓN CONTRASTES DE IPÓTESIS DE POBLACIÓN Autores: Alicia Vila (avilag@uoc.edu), Máximo Sedano (msedanoh@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu), Anna López (alopezrat@uoc.edu). ESQUEMA DE CONTENIDOS Definición

Más detalles

Análisis de la Varianza de un Factor

Análisis de la Varianza de un Factor Práctica de Estadística con Statgraphics Análisis de la Varianza de un Factor Fundamentos teóricos El Análisis de la Varianza con un Factor es una técnica estadística de contraste de hipótesis, cuyo propósito

Más detalles

IES Fco Ayala de Granada Junio de 2012 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Junio de 2012 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna IES Fco Ayala de Granada Junio de 01 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 01 MODELO 4 (COMÚN) OPCIÓN A EJERCICIO 1 (A) Sea el recinto determinado

Más detalles

Estimación de una probabilidad

Estimación de una probabilidad Estimación de una probabilidad Introducción En general, la probabilidad de un suceso es desconocida y debe estimarse a partir de una muestra representativa. Para ello, deberemos conocer el procedimiento

Más detalles

Métodos Estadísticos 2.3. Distribuciones discretas de probabilidad

Métodos Estadísticos 2.3. Distribuciones discretas de probabilidad 2.3. DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Parámetros de un problema Saber: Explicar el concepto de variable discreta. Explicar los conceptos y métodos de la distribución binomial, hipergeométrica,

Más detalles

1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde

1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)

Más detalles

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 003 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Opción A Junio, Ejercicio 3, Opción B Reserva 1, Ejercicio 3,

Más detalles

TEMA UNIDAD III:INFERENCIA ESTADÍSTICA 11.1. INTRODUCCIÓN

TEMA UNIDAD III:INFERENCIA ESTADÍSTICA 11.1. INTRODUCCIÓN PRUEBA DE HIPÓTESIS TEMA..INTRODUCCIÓN..ELEMENTOS DE LAS PRUEBAS DE HIPÓTESIS.3.PRUEBA DE HIPÓTESIS PARA UNA MEDIA POBLACIONAL.3.. Caso: muestra grande.3.. Caso: muestra pequeña.4.prueba DE HIPÓTESIS PARA

Más detalles

Métodos y Diseños utilizados en Psicología

Métodos y Diseños utilizados en Psicología Métodos y Diseños utilizados en Psicología El presente documento pretende realizar una introducción al método científico utilizado en Psicología para recoger información acerca de situaciones o aspectos

Más detalles

UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA

UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES GUÍA N o 1: Estadística y Probabilidades Profesor: Hugo S. Salinas. Primer Semestre 2011 1. Señalar

Más detalles

CAPÍTULO 1: ESTADÍSTICA Y MÉTODO CIENTÍFICO

CAPÍTULO 1: ESTADÍSTICA Y MÉTODO CIENTÍFICO Página 1 de 11 CAPÍTULO 1: ESTADÍSTICA Y MÉTODO CIENTÍFICO Podemos definir Estadística como la ciencia de los datos. La palabra ciencia viene del latín scientia que significa conocimiento. El método científico

Más detalles

MATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1

MATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1 IES Fco Ayala de Granada Sobrantes 010 (Modelo ) Soluciones Germán-Jesús Rubio Luna MATEMÁTICAS CCSS II Sobrantes 010 (Modelo 1) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1 a 1 1 1 3 Sean las matrices

Más detalles

ANÁLISIS ESTADÍSTICO Calculadora Gráfica TI 83 Plus José Carlos Vega Vilca, Ph.D.

ANÁLISIS ESTADÍSTICO Calculadora Gráfica TI 83 Plus José Carlos Vega Vilca, Ph.D. UNIVERSIDAD DE PUERTO RICO FACULTAD DE ADMINISTRACION DE EMPRESAS INSTITUTO DE ESTADISTICA ANÁLISIS ESTADÍSTICO Calculadora Gráfica TI 83 Plus, Ph.D. Presentación Este curso ofrece al estudiante, la posibilidad

Más detalles

Test de hipótesis. Si H0 es cierta el estadístico. sigue una distribución t de Student con n grados de libertad: s n

Test de hipótesis. Si H0 es cierta el estadístico. sigue una distribución t de Student con n grados de libertad: s n Un diseño experimental que se utiliza muy a menudo es el de un grupo control y uno de tratamiento. En el caso de que los datos sean cuantitativos y sigan una distribución normal, la hipótesis de interés

Más detalles

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Cuando se analizan datos, el interés del analista suele centrarse en dos grandes objetivos:

Más detalles

Ingeniería Técnica Industrial, todas especialidades. Ingeniería Técnica Telecomunicaciones, Telemática Problemas de examenes

Ingeniería Técnica Industrial, todas especialidades. Ingeniería Técnica Telecomunicaciones, Telemática Problemas de examenes Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería, Estadística Problemas de examenes: Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

Estimación. Intervalos de Confianza para la Media y para las Proporciones

Estimación. Intervalos de Confianza para la Media y para las Proporciones Estimación. Intervalos de Confianza para la Media y para las Proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Estimación El objetivo

Más detalles

Tamaño muestral Cómo estimar n adecuadamente? Estimación puntual. Marta Cuntín González Biostatech Advice, Training and Innovation in Biostatistics

Tamaño muestral Cómo estimar n adecuadamente? Estimación puntual. Marta Cuntín González Biostatech Advice, Training and Innovation in Biostatistics Tamaño muestral Cómo estimar n adecuadamente? Estimación puntual Marta Cuntín González Biostatech Advice, Training and Innovation in Biostatistics Índice Conceptos básicos Diseño Problemas Qué es necesario?

Más detalles

12 Las distribuciones binomial y normal

12 Las distribuciones binomial y normal Las distribuciones binomial y normal ACTIVIDADES INICIALES.I. Calcula la media, la varianza y la desviación típica de la variable X, cuya distribución de frecuencias viene dada por la siguiente tabla:

Más detalles

Nombre...Apellidos... Grado en:...grupo:...

Nombre...Apellidos... Grado en:...grupo:... ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA - Soluciones Estadística- Curso 01/1. 9 de Julio de 01 Nombre...Apellidos... Grado en:...grupo:... 1. Considera la variable aleatoria (v.a.) X cuyos posibles

Más detalles

ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral

ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral Enero 2005 1.- INTRODUCCIÓN En múltiples ocasiones el analista o investigador se enfrenta al problema de determinar

Más detalles

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Variables Aleatorias Una variable aleatoria es una función que asocia un número real con cada elemento del EM. Ejemplo 1: El EM que da una

Más detalles

T. 5 Inferencia estadística acerca de la relación entre variables

T. 5 Inferencia estadística acerca de la relación entre variables T. 5 Inferencia estadística acerca de la relación entre variables 1. El caso de dos variables categóricas 2. El caso de una variable categórica y una variable cuantitativa 3. El caso de dos variables cuantitativas

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

8. Estimación puntual

8. Estimación puntual 8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores

Más detalles

4. Se considera la función f(x) =. Se pide:

4. Se considera la función f(x) =. Se pide: Propuesta A 1. Queremos realizar una inversión en dos tipos de acciones con las siguientes condiciones: Lo invertido en las acciones de tipo A no puede superar los 10000 euros. Lo invertido en las acciones

Más detalles

Curso Práctico de Bioestadística Con Herramientas De Excel

Curso Práctico de Bioestadística Con Herramientas De Excel Curso Práctico de Bioestadística Con Herramientas De Excel Fabrizio Marcillo Morla MBA barcillo@gmail.com (593-9) 4194239 Fabrizio Marcillo Morla Guayaquil, 1966. BSc. Acuicultura. (ESPOL 1991). Magister

Más detalles

Tema 3: Variable aleatoria 9. Tema 3: Variable aleatoria

Tema 3: Variable aleatoria 9. Tema 3: Variable aleatoria Tema 3: Variable aleatoria 9 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Estadística Tema 3: Variable aleatoria 1. Probar si las siguientes funciones pueden definir funciones

Más detalles

Capítulo 6. Inferencia estadística. 6.1. Introducción. 6.2 Estimación. 6.3 Contrastes de hipótesis. 6.4 Diseño de expermientos

Capítulo 6. Inferencia estadística. 6.1. Introducción. 6.2 Estimación. 6.3 Contrastes de hipótesis. 6.4 Diseño de expermientos Capítulo 6 Inferencia estadística 6.1 Introducción 6.2 Estimación 6.3 Contrastes de hipótesis 6.4 Diseño de expermientos 6.1. Introducción La inferencia estadística trata los métodos mediante los cuales

Más detalles

3. ANÁLISIS ESTADÍSTICOS DE LAS PRECIPITACIONES EN EL MAR CASPIO

3. ANÁLISIS ESTADÍSTICOS DE LAS PRECIPITACIONES EN EL MAR CASPIO Análisis estadístico 31 3. ANÁLII ETADÍTICO DE LA PRECIPITACIONE EN EL MAR CAPIO 3.1. ANÁLII Y MÉTODO ETADÍTICO UTILIZADO 3.1.1. Introducción Una vez analizado el balance de masas que afecta al mar Caspio

Más detalles

TEMA 7: Análisis de la Capacidad del Proceso

TEMA 7: Análisis de la Capacidad del Proceso TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad

Más detalles

Métodos estadísticos y numéricos Contraste de hipótesis pag. 1 PROBLEMAS RESUELTOS DE CONTRASTE DE HIPÓTESIS

Métodos estadísticos y numéricos Contraste de hipótesis pag. 1 PROBLEMAS RESUELTOS DE CONTRASTE DE HIPÓTESIS Métodos estadísticos y numéricos Contraste de hipótesis pag. 1 PROBLEMA REUELTO DE CONTRATE DE HIPÓTEI 1 Un investigador quiere contrastar si el peso medio de ciertas hortalizas está en los 1,9 Kg. que

Más detalles

7.- PRUEBA DE HIPOTESIS

7.- PRUEBA DE HIPOTESIS 7.- PRUEBA DE HIPOTEI 7.1. INTRODUCCIÓN La estadística inferencial es el proceso de usar la información de una muestra para describir el estado de una población. in embargo es frecuente que usemos la información

Más detalles

Tema 2: Estimación puntual

Tema 2: Estimación puntual Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez

Más detalles

IX.- ANÁLISIS DE VARIANZA

IX.- ANÁLISIS DE VARIANZA IX- ANÁLISIS DE VARIANZA Las técnicas de Diseño Experimental basadas en la estadística son particularmente útiles en el mundo de la Ingeniería en lo que corresponde a la mejora del rendimiento de los procesos

Más detalles

MATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA

MATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA IES Fco Ayala de Granada Sobrantes 00 (Modelo ) Soluciones Germán-Jesús Rubio Luna MATEMÁTICAS CCSS II Sobrantes 00 (Modelo ) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO Sea el recinto del plano definido

Más detalles

Grado en Finanzas y Contabilidad

Grado en Finanzas y Contabilidad Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece

Más detalles

TEMA 6: Gráficos de Control por Variables

TEMA 6: Gráficos de Control por Variables TEMA 6: Gráficos de Control por Variables 1 Introducción 2 Gráficos de control de la media y el rango Función característica de operación 3 Gráficos de control de la media y la desviación típica 4 Gráficos

Más detalles

TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística

TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística 1 TAMAÑO DEL EFECTO 2 TAMAÑO DEL EFECTO vel tamaño del efecto es el nombre dado a una familia de índices que miden la magnitud

Más detalles

Estadística y Método Científico Hugo S. Salinas. Fuente: http://dta.utalca.cl/estadistica/

Estadística y Método Científico Hugo S. Salinas. Fuente: http://dta.utalca.cl/estadistica/ Estadística y Método Científico Hugo S. Salinas Fuente: http://dta.utalca.cl/estadistica/ Estadística y Método Científico Podemos definir Estadística como la ciencia de los datos. La palabra ciencia viene

Más detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

Problemas de Probabilidad Soluciones

Problemas de Probabilidad Soluciones Problemas de Probabilidad Soluciones. En una carrera participan los caballos A, B, C y D. Se estima que la probabilidad de que gane A es el doble de la probabilidad de que gane cada uno de los otros tres.

Más detalles