Unidad 5 Pruebas de Hipótesis

INFERENCIA Tema 5
ESTADISTICA
 Pruebas de hipótesis
Pruebas de hipótesis
5.1 Hipótesis Estadística.

Sea (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) una m.a. de una distribución 𝑓 𝑥; 𝜃 .
Definición: Una Hipótesis estadística es una afirmación o conjetura acerca

de la distribución de una variable aleatoria.
Ejemplos:
 Una compañía recibe un gran cargamento de piezas. Solo acepta el
envío si no hay mas de un 5% de piezas defectuosas. ¿Como tomar una
decisión sin verificar todas las piezas?
 Se quiere saber si una propuesta de reforma legislativa es acogida de
igual forma por hombres y mujeres. ¿Como se puede verificar esa
conjetura? 2
5.2 Hipótesis Simple y Compuesta.

Tipos Generales de Hipótesis:
a) Simple si es pesifica por completo a la distribución en estudio y/o

aquella que especifica un único valor para el parámetro. Ejemplos:
𝐻: 𝜃 = 0, 𝐻: 𝜃 = −6, 𝐻: 𝜃 = 10, 𝑒𝑡𝑐.
b) Compuesta si no especifica por completo a la distribución y/o aquella

que especifica un intervalo de valores para el parámetro. Ejemplos:
𝐻: 𝜃 ≥ 0, 𝐻: 1 ≤ 𝜃 ≤ 6, 𝑒𝑡𝑐.
H𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑈𝑛𝑖𝑙𝑎𝑡𝑒𝑟𝑎𝑙: 𝐻: 𝜃 ≤ 6, 𝐻: 0 ≤ 𝜃, 𝑒𝑡𝑐.
H𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝐵𝑖𝑙𝑎𝑡𝑒𝑟𝑎𝑙: 𝐻: 𝜃 ≠ 6 ⇔ 𝐻: 𝜃 < 6 𝑦 𝜃 > 6
3

Contrastes de Hipótesis
𝐻0 : H𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑁𝑢𝑙𝑎 𝑉𝑠 𝐻1 : H𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝐴𝑙𝑡𝑒𝑟𝑛𝑎𝑡𝑖𝑣𝑎
𝑆𝑖𝑚𝑝𝑙𝑒 𝑉𝑠 𝑆𝑖𝑚𝑝𝑙𝑒
𝑆𝑖𝑚𝑝𝑙𝑒 𝑉𝑠 𝐶𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑎
𝐶𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑎 𝑉𝑠 𝑆𝑖𝑚𝑝𝑙𝑒
𝐶𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑎 𝑉𝑠 𝐶𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑎
Ejemplo: Sea x una v.a. con distribución 𝐵𝑒𝑟 𝜃 . Donde lo que interesa
contrastar:
𝐻0 : 𝜃 = 1ൗ2 𝑉𝑠 𝐻0 : 𝜃 ≠ 1ൗ2
𝑆𝑖𝑚𝑝𝑙𝑒 𝑉𝑠 𝐶𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑎
4

Proceso del Contraste de Hipótesis
Población
Hipótesis: La Altura media de la
población (Colonia, Cuidad, País,
etc.) es 1.68 m (𝐻0 : 𝜇 = 1.68)
Muestra
¿Es probable que 1.68 m 𝑋ത = Aleatoria Simple
1.75 𝑠𝑖 𝜇 = 1.68 La Media Muestral es 1.75
m (𝑋ത = 1.75)
Muestra
Si no lo es, 𝑹𝒆𝒄𝒉𝒂𝒛𝒂𝒓𝒆𝒎𝒐𝒔 𝑯𝟎 5
5.3 Región crítica.

Definición 1: Un región de rechazo es un subconjunto de valores de una m.a.
para los cuales se rechaza la hipótesis nula.
Definición 2: Un contraste de hipótesis es una regla que determina, a un cierto

nivel de significación, 𝛼, para que valores de la muestra se rechaza o no se
rechaza la hipótesis nula.
Se trata de determinar a un nivel de significación 𝛼, una región critica o de

rechazo 𝑅𝐶𝛼 , y una región de aceptación 𝑅𝐴𝛼 .
𝛺 = 𝑅𝐶𝛼 ∪ 𝑅𝐴𝛼
𝑅𝐶𝛼 ∪ 𝑅𝐴𝛼 = ∅
6
5.3 Región crítica.

El estadístico del contraste es un estadístico que se construye a partir de un
estimador del parámetro y cuya distribución bajo 𝐻0 es conocida. El nivel de
significación es la probabilidad de que, bajo 𝐻0 , el estadístico del contraste tome
valores en la 𝑅𝐶𝛼 .
Ejemplo: Sea 𝑋~𝑁 𝜇, 5 . Queremos hacer contrastes sobre la media poblacional 𝜇.

ത
𝑋−2
Estadístico (común para los tres contrastes): 𝑇 = 5Τ𝑛
~𝑁 0,1
𝐻0 : 𝜇 = 2 𝐻0 : 𝜇 = 2 𝐻0 : 𝜇 = 2
𝐻0 : 𝜇 < 2 𝐻0 : 𝜇 > 2 𝐻0 : 𝜇 ≠ 2
7
5.4 Errores Tipo I y II.

Definición: El error tipo I se comete cuando Si se rechaza la hipótesis
nula 𝑯𝟎 siendo esta verdadera. A la probabilidad de cometer este error se
le denota por letra 𝛼, es decir, 𝛼 = 𝑃 Error de tipo I = 𝑃("𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻0 "/
"𝐻0 𝑒𝑠 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑎")
A 𝛼 se le llama también tamaño de la región critica, tamaño de la región de

rechazo, o nivel de significancia de la prueba.
Definición: El error tipo II se comete cuando NO se rechaza la hipótesis

nula 𝑯𝟎 siendo esta falsa. A la probabilidad de cometer este error se le
denota por letra 𝛽, es decir, 𝛽 = 𝑃 Error de tipo II = 𝑃("𝑁𝑜 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻0 "/
"𝐻0 𝑒𝑠 𝑓𝑎𝑙𝑠𝑎") 8
5.4 Errores tipo I y II.

𝐻0 cierta 𝐻0 falsa
Rechazar 𝐻0 Error tipo I 𝛼
No Rechazar 𝐻0 Error tipo II 𝛽
Observaciones:
1. Las probabilidades 𝛼 y 𝛽 no son complementarias.
2. Se busca que 𝛼 y 𝛽 sean pequeñas.
3. Se fijará un valor de 𝛼 y buscaremos aquella posible región de rechazo
que tenga probabilidad 𝛽 más pequeña, “Región optima”.
4. Si 𝐻0 es simple, y suponiendo que es verdadera, la distribución en
estudio queda completamente especificada y 𝛼 puede calcularse de
manera exacta. 9
5.5 Pruebas de Hipótesis

Prueba de Hipótesis sobre una proporción poblacional p
1. Las observaciones muestrales son una muestra aleatoria simple.

2. Se satisfacen las condiciones para una distribución binomial. (Existe un
número fijo de ensayos independientes con probabilidades constantes, y
cada ensayo tiene dos categorías de resultados de “éxito” y “fracaso”).
3. Se satisfacen las condiciones 𝑛𝑝 ≥ 5 y 𝑛𝑝 ≤ 5, por lo tanto, la distribución
binomial de proporciones muestrales puede aproximarse con una
distribución normal, con 𝜇 = 𝑛𝑝 y 𝜎 = 𝑛𝑝𝑞 . Observe que p es la proporción
supuesta que se utiliza en la aseveración y no la proporción muestral.
10

Notación:
𝑛 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑜 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑛𝑠𝑎𝑦𝑜𝑠
𝑥
𝑝Ƹ = 𝑝𝑟𝑜𝑝𝑜𝑟𝑐𝑖ó𝑛 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙
𝑛
𝑝 = 𝑝𝑟𝑜𝑝𝑟𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑎 𝑒𝑛 𝑙𝑎 ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑛𝑢𝑙𝑎
𝑞 =1−𝑝
Estadístico de Prueba:
𝑝Ƹ − 𝑝
𝑧=
𝑝𝑞
𝑛 11

Ejemplo: Se aplico una encuesta a un grupo de empleados, para saber quien
obtuvo empleo por medio de redes de contactos, los siguientes resultados de la
encuesta, fue de 703 empleados elegidos al azar, el 61% obtuvo trabajo por medio
de redes de contactos. Utilice los datos muestrales, con un nivel de significancia de
0.05, para probar la aseveración de que más de la mitad de los empleados
consiguen su trabajo por medio de redes de contactos.
𝑝Ƹ − 𝑝 0.5 − 0.61 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑎𝑏𝑙𝑎 𝑑𝑒 𝛼
𝐻0 : 𝑝Ƹ > 0.5 𝑧= = = −5.98 𝑧𝛼 = 𝑧.05 = 1.645
𝑝𝑞 (0.61)(0.39)
𝐻1 : 𝑝Ƹ ≤ 0.5
𝑛 703 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 𝑆𝐼:
𝑂𝑡𝑟𝑎 𝑓𝑜𝑟𝑚𝑎 𝑧 = 5.83 −𝑧 ≤ −𝑧𝛼 ⇒ −5.98 ≤ −1.645
𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑎𝑏𝑙𝑎 = 𝑉𝑎𝑙𝑜𝑟 𝑃 = 1 − .9999 = .0001 ∴ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0
𝐶𝑜𝑚𝑜 0.001 𝑒𝑠 𝑚𝑒𝑛𝑜𝑟 𝑎 0.05
∴ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 12

Prueba de Hipótesis respecto de una media 𝝈 conocida
1. La muestra es aleatoria simple

2. Se conoce el valor de la desviación estándar poblacional 𝜎.
3. Se satisface una o ambas de las siguientes condiciones: la población se
distribuye
normalmente y 𝑛 > 30.
𝑥ҧ − 𝜇𝑥ҧ
𝑧= 𝜎
ൗ 𝑛
13

Ejemplo: Se aplico conjunto de pesos, de 13 dulces M&M rojos elegidos al azar de
una bolsa que contiene 465 dulces. La desviación estándar de los pesos de todos los
dulces M&M que están en la bolsa es 𝜎 = 0.0565𝑔. A continuación se presentan los
pesos muestrales (en gramos), que tienen una media de 𝑥ҧ = 0.8635𝑔. En la bolsa se
afirma que el peso neto del contenido es de 396.9g, de manera que los dulces M&M
deben tener un peso medio de al menos 396.9/465=0.8535g para dar la cantidad
anunciada. Utilice los datos muestrales con un nivel de significancia de 0.05 para
probar la aseveración de un gerente de producción de que los dulces M&M en
realidad tienen una media mayor que 0.8535g, por lo que los consumidores están
recibiendo una cantidad mayor de la indicada en la etiqueta.
0.751, 0.841, 0.856, 0.799. 0.966, 0.859, 0.857, 0.942, 0.873, 0.809, 0.890, 0.878,
0.905
14

𝐻0 : 𝜇 = 0.8535 𝑥ҧ − 𝜇𝑥ҧ 0.8635 − 0.8535 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑎𝑏𝑙𝑎 𝑑𝑒 𝛼

𝑧= 𝜎 = = 0.64
𝐻1 : 𝜇 > 0.8535 0.0565 𝑧𝛼 = 𝑧.05 = 1.645
𝑛 13
𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 𝑆𝐼:
𝑧 ≥ 𝑧𝛼 ⇒ 0.64 ≤ 1.645
𝑂𝑡𝑟𝑎 𝑓𝑜𝑟𝑚𝑎 𝑧 = 0.64 ∴ 𝑁𝑜 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0
𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑎𝑏𝑙𝑎 = 𝑉𝑎𝑙𝑜𝑟 𝑃 = 1 − 0.7389 = 0.2611
𝐶𝑜𝑚𝑜 0.2611 𝑒𝑠 𝑚𝑎𝑦𝑜𝑟 𝑎 0.05
∴ 𝑁𝑜 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0
15

Prueba de Hipótesis respecto de una media 𝒔 desconocida

2. Se desconoce el valor de la desviación estándar poblacional 𝜎.
3. Se satisface una o ambas de las siguientes condiciones: la población se
distribuye
normalmente y 𝑛 < 30.
𝑥ҧ − 𝜇𝑥ҧ
𝑡= 𝜎
ൗ 𝑛
Se utiliza 𝑔𝑙 = 𝑛 − 1 para el numero de grados de libertad. 16

Ejemplo: Control de calidad de los dulces M&M El conjunto de datos 13 del apéndice
B incluye los pesos de 13 dulces M&M rojos, elegidos al azar de una bolsa que
contiene 465 M&M. A continuación se presentan los pesos (en gramos), los cuales
tienen una media de 𝑥ҧ = 0.8635𝑔 y una desviación estándar de 𝑠 = 0.0576𝑔. En el
empaque se afirma que el peso neto del contenido es 396.9 g, de manera que los
M&M deben tener un peso medio de al menos 396.9/465 = 0.8535 g para dar la
cantidad anunciada. Utilice los datos muestrales con un nivel de significancia de 0.05,
para probar la aseveración que hizo un gerente de producción de que los M&M tienen
en realidad una media mayor que 0.8535 g, de manera que los consumidores están
recibiendo más que la cantidad indicada en la etiqueta.
0.751, 0.841, 0.856, 0.799. 0.966, 0.859, 0.857, 0.942, 0.873, 0.809, 0.890, 0.878,
0.905
17

𝐻0 : 𝜇 = 0.8535 𝑥ҧ − 𝜇𝑥ҧ 0.8635 − 0.8535

𝐻1 : 𝜇 > 0.8535 𝑡= 𝜎 = = 0.626
0.0576
𝑛 13
𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑎𝑏𝑙𝑎 𝑑𝑒 𝛼 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 𝑆𝐼:

𝑡𝛼,𝑛−1 = 𝑡.05,12−1 = 1.7823 𝑡 ≥ 𝑡𝛼,𝑛−1 ⇒ 0.626 ≤ 1.782
18

Prueba de Hipótesis respecto de una desviación estándar o de una
varianza

2. La población tiene una distribución normal.
2
(𝑛 − 1)𝑠 2
𝜒 =
𝜎2
Se utiliza 𝑔𝑙 = 𝑛 − 1 para el numero de grados de libertad.

19

Prueba de Hipótesis respecto de una desviación estándar o de una varianza
Ejemplo: Los ingenieros de control de calidad desean asegurarse de que un producto
tenga una media aceptable, pero también quieren producir artículos con una calidad
consistente, eliminando los defectos. La Compañía Pepsi ha fabricado latas de
bebidas de cola con cantidades que tienen una desviación estándar de 0.051 onzas.
Se prueba una nueva máquina embotelladora, y una muestra aleatoria simple de 24
latas produce las cantidades (en onzas) que se listan a continuación. (Las 24
cantidades tienen una desviación estándar de 𝑠 = 0.039 𝑜𝑧 ). Utilice un nivel de
significancia de 0.05 para probar la aseveración de que las latas de bebidas de cola
de la nueva máquina tienen cantidades con una desviación estándar menor que 0.051
oz.
11.98, 11.98, 11.99, 11.98, 11.90, 12.02, 11.99, 11.93, 12.02, 12.02, 12.02, 11.98,
12.01, 12.00, 11.99, 11.95, 11.95, 11.96, 11.96, 12.02, 11.99, 12.07, 11.93, 12.05
20

Prueba de Hipótesis respecto de una desviación estándar o de una
varianza
𝐻0 : 𝜎 = 0.051 (𝑛 − 1)𝑠 2 (24 − 1)(0.039)2
𝐻1 : 𝜎 < 0.051 𝜒2 = = = 13.450
𝜎2 0.0512

2
2
𝜒1−𝛼,𝑛−1 2
= 𝜒0.95,23 = 13.09 𝜒 2 ≤ 𝜒1−𝛼,𝑛−1 ⇒ 13.450 ≥ 13.09
Regiones de Rechazo
21

Prueba de Hipótesis sobre dos proporciones
1. Tenemos proporciones de dos muestras aleatorias simples que son
independientes. (Las muestras son independientes si los valores muestrales
seleccionados de una población no están relacionados ni apareados de alguna
forma con los valores muestrales seleccionados de la otra población).
2. Para ambas muestras, el número de éxitos es de al menos 5 y el número de
fracasos es de al menos 5.
Notación:
𝑝1 = 𝑝𝑟𝑜𝑝𝑜𝑟𝑐𝑖ó𝑛 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑙, 𝑛1 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙 𝑦 𝑥1
= 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑥𝑖𝑡𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎
𝑥1 Se adjuntan los significados
𝑝Ƹ1 = 𝑝𝑟𝑜𝑝𝑜𝑟𝑐𝑖ó𝑛 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙 correspondientes a
𝑛1
𝑞ො = 1 − 𝑝Ƹ1 𝑝2 , 𝑛2 , 𝑥2 , 𝑝Ƹ 2 𝑦 𝑞ො2 , que provienen de la
población 2.
22

Proporción muestral agrupada:
𝑥1 + 𝑥2
𝑝ҧ = , 𝑑𝑜𝑛𝑑𝑒 𝑞ത = 1 − 𝑝ҧ
𝑛1 + 𝑛2
Estadístico de Prueba para dos proporciones (con 𝑯𝟎 : 𝒑𝟏 = 𝒑𝟐 ):

(𝑝Ƹ1 −𝑝Ƹ 2 ) − (𝑝1 − 𝑝2 )
𝑧=
𝑝ҧ 𝑞ത 𝑝ҧ 𝑞ത
+
𝑛1 𝑛2
23

Ejemplo: ¿La cirugía es mejor que el entablillado? El problema incluye los
resultados de una prueba clínica en la que se dio tratamiento a pacientes con
síndrome de túnel carpiano, y los resultados se resumen en la tabla. Utilice los
datos muestrales de la tabla, con un nivel de significancia de 0.05 para probar la
aseveración de que la tasa de éxito de la cirugía es mejor que la tasa de éxito del
entablillado.
Cirugía Entablillado
Éxito un año Después 67 60
Total de personas 73 83
Porcentaje de Éxitos 92% 72%
24

𝑥1 + 𝑥2 67 + 60
𝑝ҧ = = = 0.811410256
𝐻0 : 𝑝1 = 𝑝2 𝑛1 + 𝑛2 73 + 83
𝐻1 : 𝑝1 > 𝑝2 𝑞ത = 1 − 𝑝ҧ = 1 − 0.811410256 = 0.18589744
(𝑝ො1 −𝑝ො2 ) − (𝑝1 − 𝑝2 )
𝑧=
𝑝ҧ 𝑞ത 𝑝ҧ 𝑞ത
𝑛1 + 𝑛2
67 60
= 73 − 83 − 0 = 3.12
(0.811410256)(0.18589744) (0.811410256)(0.18589744)
73 + 𝑛2
𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑎𝑏𝑙𝑎 𝑑𝑒 𝛼 𝑧 ≥ 𝑧𝛼 ⇒ 3.12 ≥ 1.645
𝑧𝛼 = 𝑧.05 = 1.645 ∴ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 25

Prueba de Hipótesis de muestras independientes con 𝒔1 y 𝒔𝟐
desconocidas y sin suposición de igualdad
1. 𝒔1 y 𝒔𝟐 se desconocen y no se hace una suposición sobre la igualdad de
𝒔1 y 𝒔𝟐 .
2. Las dos muestras son independientes.
3. Ambas muestras son aleatorias simples.
4. Cualquiera o ambas de estas condiciones se satisfacen: los dos tamaños
muestrales son grandes (con 𝑛1 < 30 y 𝑛2 < 30 ) o ambas muestras
provienen de poblaciones que tienen distribuciones normales. (En muestras
pequeñas, el requisito de normalidad es menos estricto, en el sentido de
que los procedimientos se comportan bien siempre y cuando no existan
valores extremos ni grandes sesgos).
26

(𝑥1ҧ −𝑥ҧ2 ) − (𝜇1 − 𝜇2 )
𝑡=
𝑠12 𝑠22
𝑛1 + 𝑛2
Grados de Libertad:
2
𝑠12ൗ 𝑠22ൗ
𝑛1 + 𝑛2
𝑔𝑙 = 𝑣 = 2 2
𝑠12ൗ 𝑠22ൗ
𝑛1 𝑛2
𝑛1 − 1 + 𝑛2 − 1 27

Prueba de Hipótesis de muestras independientes con 𝒔1 y 𝒔𝟐 desconocidas y
sin suposición de igualdad
Ejemplo: Discriminación por edad, La UNAM realizo un concurso de promoción. A
continuación se muestran las edades de los solicitantes que tuvieron éxito y de los
que no tuvieron. Algunos de los solicitantes que no tuvieron éxito para obtener la
promoción se quejaron de que hubo discriminación por edad en la competencia.
Maneje los datos como muestras de poblaciones más grandes y utilice un nivel de
significancia de 0.05 para poner a prueba la aseveración de que los solicitantes sin
éxito provienen de una población con una edad media mayor que la de los
solicitantes exitosos. Con base en el resultado, ¿parece haber discriminación por la
edad?
28

(𝑥ҧ1 −𝑥ҧ 2 ) − (𝜇1 − 𝜇2 ) (47.0 − 43.9) − 0
𝐻0 : 𝜇1 = 𝜇2 𝑡= = = 1.678
𝐻1 : 𝜇1 > 𝜇2 𝑠12 𝑠22 7.22 5.92
+
+ 23 30
𝑛1 𝑛2
2 2
𝑠12ൗ 𝑠22ൗ 7.22 5.92
𝑛1 + 𝑛2 23
+
30
𝑔𝑙 = 𝑣 = 2 2 = 2 2 = 41.868 ≈ 42
𝑠12ൗ 𝑠22ൗ 7.22 5.92
𝑛1 𝑛2 23 30
+ +
𝑛1 − 1 𝑛2 − 1 23 − 1 30 − 1
𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑎𝑏𝑙𝑎 𝑑𝑒 𝛼
𝑡 ≥ 𝑡𝛼,𝑣 ⇒ 1.678 ≤ 1.682
𝑡𝛼,𝑣 = 𝑡.05,42 = 1.682
∴ 𝑁𝑜 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 29

Prueba de Hipótesis de muestras que supone 𝝈1 = 𝝈𝟐 y se agrupan las
varianzas muestrales
1. Se desconocen las dos desviaciones estándar poblacionales, pero se supone
que
son iguales. Es decir, 𝜎1 = 𝜎2 .
4. Cualquiera de estas condiciones (o ambas) se satisfacen: los dos tamaños
muestrales son grandes con 𝑛1 < 30 y 𝑛2 < 30) o las dos muestras provienen
de poblaciones que tienen distribuciones normales. (Para muestras pequeñas,
el requisito de normalidad es menos estricto en el sentido de que los
procedimientos funcionan bien siempre y cuando no existan valores extremos ni
desviaciones de la normalidad demasiado pronunciadas). 30

(𝑥ҧ1 −𝑥ҧ2 ) − (𝜇1 − 𝜇2 ) (𝑥ҧ1 −𝑥ҧ2 ) − (𝜇1 − 𝜇2 )
𝑡= =
1 1
𝑠𝑝2 𝑠𝑝2 𝑠𝑝 +
+ 𝑛1 𝑛2
𝑛1 𝑛2
𝑛1 − 1 𝑠12 + 𝑛2 − 1 𝑠22
𝑑𝑜𝑛𝑑𝑒 𝑠𝑝2 = 𝑦 𝑔𝑙 = 𝑛1 +𝑛2 −2
𝑛1 − 1 + 𝑛2 − 1
31

Ejemplo: Se tienen las mediciones del nivel de hierro en la sangre de dos
muestras de niños: un grupo de niños sanos y el otro padece fibrosis
quística. Los datos obtenidos se dan en la siguiente tabla:
Podemos asumir que las muestras provienen de poblaciones normales

independientes con iguales varianzas. Es de interés saber si las dos medias
del nivel de hierro en sangre son iguales o distintas. Utilizar α = 0.05
32

Prueba de Hipótesis de muestras que supone 𝝈1 = 𝝈𝟐 y se agrupan
las varianzas muestrales
(𝑥ҧ1 −𝑥ҧ 2 ) − (𝜇1 − 𝜇2 ) (18.9 − 11.9) − 0
Estadístico de Prueba: 𝑡= = = 2.63
1 1 1 1
𝐻0 : 𝜇1 = 𝜇2 𝑠𝑝 +
𝑛1 𝑛2 6.14 +
9 13
𝐻1 : 𝜇1 ≠ 𝜇2
9 − 1 5.92 + 13 − 1 6.32
𝑠𝑝 = = 6.14
9 − 1 + 13 − 1
𝑡 ≥ 𝑡𝛼,𝑛 +𝑛 −2 ⇒ 2.63 > 2.086
𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑎𝑏𝑙𝑎 𝑑𝑒 𝛼 2 1 2
𝑡𝛼/2,𝑛1+𝑛2−2 = 𝑡.025,20 = 2.085 ∴ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0
33

Prueba de Hipótesis de muestras independientes con 𝝈1 y 𝝈𝟐
conocidas
1. Se conocen las dos desviaciones estándar poblacionales.
4. Cualquiera de estas condiciones (o ambas) se satisfacen: los dos
tamaños muestrales son grandes con 𝑛1 > 30 y 𝑛2 > 30) o las dos muestras
provienen de poblaciones que tienen distribuciones normales. (Para
muestras pequeñas, el requisito de normalidad es menos estricto en el
sentido de que los procedimientos funcionan bien siempre y cuando no
existan valores extremos ni desviaciones de la normalidad demasiado
pronunciadas).
34

conocidas
(𝑥ҧ1 −𝑥ҧ2 ) − (𝜇1 − 𝜇2 )
𝑧=
𝜎12 𝜎22
+
𝑛1 𝑛2
35

Ejemplo: Un diseñador de productos está interesado en reducir el tiempo
de secado de una pintura tapaporos. Se prueban dos fórmulas de pintura.
La fórmula 1 tiene el contenido químico estándar, y la fórmula 2 tiene un
nuevo ingrediente secante que debe reducir el tiempo de secado. De la
experiencia se sabe que la desviación estándar del tiempo de secado es 8
minutos, y esta variabilidad no debe verse afectada por la adición del nuevo
ingrediente. Se pintan 10 especímenes con la fórmula 1 y otros 10 con la
fórmula 2. los tiempos promedio de secado muestrales fueron 𝑥ҧ1 =
121 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 y 𝑥ҧ2 = 112 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 respectivamente.
¿A qué conclusiones debe llegar el diseñador del producto sobre la eficacia
del nuevo ingrediente utilizando α = 0.05? 36

conocidas
Estadístico de Prueba: 𝑧 = (𝑥ҧ1 −𝑥ҧ2 ) − (𝜇1 − 𝜇2 ) = (121 − 112) − 0 = 2.52
𝐻0 : 𝜇1 = 𝜇2 82 82
𝜎12 𝜎22
𝐻1 : 𝜇1 > 𝜇2 + 10 + 10
𝑛1 𝑛2

𝑧𝛼 = 𝑧.05 = 1.645 𝑧 ≥ 𝑧.05 ⇒ 2.52 > 1.645
∴ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0
37

Prueba de Hipótesis de dos medias para datos aperados.
Ya se vio el caso, cuando se hablo de intervalos de confianza para una diferencia de
medias, de datos dados de a pares, es decir 𝑋11 , 𝑋21 ; 𝑋12 , 𝑋22 ; … ; (𝑋1𝑛 , 𝑋2𝑛 ). Las
v.a. 𝑋1 𝑦 𝑋2 tienen medias 𝜇1 𝑦 𝜇2 respectivamente.
Considerando 𝐷𝑗 = 𝑋1𝑗 − 𝑋2𝑗 con 𝑗 = 1,2, … , 𝑛.
Entonces
𝐸 𝐷𝑗 = 𝐸 𝑋1𝑗 − 𝑋2𝑗 = 𝐸 𝑋1𝑗 − 𝐸 𝑋2𝑗 = 𝜇1 − 𝜇2
𝑉 𝐷𝑗 = 𝑉 𝑋1𝑗 − 𝑋2𝑗 = 𝑉 𝑋1𝑗 − 𝑉 𝑋2𝑗 − 2𝐶𝑜𝑣 𝑋1𝑗 , 𝑋2𝑗 = 𝜎12 + 𝜎22 − 2𝐶𝑜𝑣 𝑋1 , 𝑋2
𝑛
1 1
𝐸𝑠𝑡𝑖𝑚𝑎𝑚𝑜𝑠 𝐸 𝐷𝑗 = 𝜇1 − 𝜇2 𝑐𝑜𝑛 𝐷 = 𝐷𝑗 = ෍ 𝑋1𝑗 − 𝑋2𝑗 = 𝑋ത1 − 𝑋ത2
ഥ
𝑛 𝑛
𝑗=1
𝑛
1 2
𝐸𝑠𝑡𝑖𝑚𝑎𝑚𝑜𝑠 𝑙𝑎 𝑉 𝐷𝑗 𝑐𝑜𝑛 𝑆𝐷2 = ഥ
෍ 𝐷𝑗 − 𝐷
𝑛−1 38
𝑗=1

Anotamos 𝜇𝐷 = 𝜇1 − 𝜇2 𝑦 𝜎𝐷2 = 𝑉(𝐷𝑗 ) respectivamente.
Asumimos que 𝐷𝑗 ~𝑁 𝜇𝐷 , 𝜎𝐷2 𝑐𝑜𝑛 𝑗 = 1,2, … , 𝑛
Las v.a.en pares diferentes son independientes, no lo son dentro de un
mismo par. Para construir una regla de decisión nuevamente, consideremos
el estadístico
Estadístico de Prueba: ഥ − Δ0
𝐷
𝑡=
𝑆𝐷 Τ 𝑛
39

Ejemplo: Se comparan dos microprocesadores en una muestra de 6
códigos de puntos de referencia para determinar si hay una diferencia en la
rapidez. Los tiempos en segundos utilizados para cada procesador en cada
código están dados en la siguiente tabla:
¿Puede concluir que las medias de la rapidez de ambos procesadores son

diferentes con nivel de significancia 0.05?
40

ഥ − Δ0 −1.483333 − 0
𝐷
𝑡= = = −0.99206
𝐻0 : 𝜇1 = 𝜇2 𝑆𝐷 Τ 𝑛 3.66246Τ 6
𝐻1 : 𝜇1 ≠ 𝜇2
𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑚𝑜𝑠:
ഥ = −1.483333 𝑦 𝑆𝐷 = 3.66246
𝐷 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 𝑆𝐼:
𝑡 ≤ −𝑡𝛼,𝑛 −1 ⇒ −0.99206 ≤ −2.571
2 1
∴ 𝑁𝑂 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0
𝑡𝛼/2,𝑛1−1 = 𝑡.025,5 = 2.571
41

Prueba de Hipótesis sobre la igualdad de dos varianzas.
Supongamos que tenemos interés en dos poblaciones normales
independientes, donde las medias y las varianzas de la población son
desconocidas. Se desea probar la hipótesis sobre la igualdad de las dos
varianzas y normalmente distribuidas:
𝑠12
𝐹= 2
Estadístico de Prueba: 𝑠2
𝐹 ≥ 𝐹𝛼,𝑣1 ,𝑣2
𝑅𝑒𝑔𝑖𝑜𝑛 𝑑𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑜 𝐹 ≤ 𝐹1−𝛼,𝑣1 ,𝑣2
𝐹 ≥ 𝐹𝛼,𝑣 ,𝑣 ó 𝐹 ≤ 𝐹1−𝛼,𝑣 ,𝑣
2 1 2 2 1 2
𝐷𝑜𝑛𝑑𝑒: 𝑣1 = 𝑛1 − 1 𝑦 𝑣2 = 𝑛2 − 1 42

Ejemplo: En una serie de experimentos para determinar la tasa de
absorción de ciertos pesticidas en la piel se aplicaron cantidades medidas
de dos pesticidas a algunos especímenes de piel. Después de un tiempo se
midieron las cantidades absorbidas (en μg). Para el pesticida A la varianza
de las cantidades absorbidas en 6 muestras fue de 2.3; mientras que para
el B la varianza de las cantidades absorbidas en 10 especímenes fue de
0.6. Suponga que para cada pesticida las cantidades absorbidas
constituyen una muestra aleatoria de una población normal. ¿Se puede
concluir que la varianza en la cantidad absorbida es mayor para el pesticida
A que para el B? Utilizar α = 0.05
43

𝑠12 2.3
𝐻0 : 𝜎12 = 𝜎22 𝐹= 2= = 3.83
𝐻1 : 𝜎12 > 𝜎22 𝑠2 0.6
𝐹 ≥ 𝐹𝛼,𝑣1,𝑣2 ⇒ 3.83 > 3.48
𝐹𝛼,𝑣1,𝑣2 = 𝐹.05,5,9 = 3.48
∴ 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0
44

P-Valor.
Hasta ahora se dieron los resultados de una prueba de hipótesis estableciendo
si la hipótesis nula fue o no rechazada con un valor especificado de α o nivel de
significancia.
A menudo este planteamiento resulta inadecuado, ya que no proporciona
ninguna idea sobre si el valor calculado del estadístico está apenas en la región
de rechazo o bien ubicado dentro de ella. Además, esta forma de establecer los
resultados impone a otros usuarios el nivel de significancia predeterminado.
Para evitar estas dificultades, se adopta el enfoque del p-valor. El valor p o p-
valor es la probabilidad de que el estadístico de prueba tome un valor que sea
al menos tan extremo como el valor observado del estadístico de prueba
cuando la hipótesis nula es verdadera. Es así como el p-valor da mucha
información sobre el peso de la evidencia contra H0, de modo que el 45

La definición formal del p-valor es la siguiente: El valor p es el nivel de
significancia más pequeño que conduce al rechazo de la hipótesis nula H0.
46

Ejemplo: En el ejemplo anteúltimo referido al porcentaje deseado de SiO2 en
cierto tipo de cemento aluminoso las hipótesis eran: H0: μ = 5.5 contra H1: μ ≠
5.5, y el estadístico de prueba es 𝑧 = 0.333333.
Calculamos el 𝑉𝑎𝑙𝑜𝑟 𝑃 = 2 ∗ (1 − P Z < 𝑍𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑎

= 2 1 − Z < 0.333333 = 2 1 − 0.6293 = 0.719
Si,
𝑉𝑎𝑙𝑜𝑟 𝑃 ≤ 𝛼 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 𝑎𝑙 𝑛𝑖𝑣𝑒𝑙 𝛼
𝑉𝑎𝑙𝑜𝑟 𝑃 > 𝛼 𝑁𝑜 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 𝑎𝑙 𝑛𝑖𝑣𝑒𝑙 𝛼
𝑉𝑎𝑙𝑜𝑟 𝑃 = 0.719 > 𝛼 = .05 𝑁𝑜 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 𝑎𝑙 𝑛𝑖𝑣𝑒𝑙 𝛼
47
5.6 Función potencia.

Definición: La potencia de una prueba de hipótesis es la probabilidad 1 − 𝛽
de rechazar una hipótesis nula falsa; se calcula utilizando un nivel de
significancia a particular y un valor específico del parámetro de población
que representa una alternativa al valor considerado como verdadero en la
hipótesis nula. Es decir, la potencia de una prueba de hipótesis es la
probabilidad de sustentar una hipótesis alternativa que es verdadera.
48
5.6 Función potencia.

Ejemplo: Determinar la potencia de la prueba utilizando un N.C. del 95%
𝜇 = 1,000 𝑛 = 100 𝑌ത = 1,060 𝜎 = 220
𝐷𝑒𝑠𝑝𝑒𝑔𝑎𝑚𝑜𝑠
𝐻0 : 𝜇 = 1,000 (22)(1.64) = 𝑌ത − 1,000
𝐻1 : 𝜇 = 1,060 𝑌ത = (22) 1.64 + 1,000
𝑌ത = 1,036.08
𝑃 𝑍 ≤ 𝑧 = 0.05
𝑃 𝑍=
𝑃 𝑍 ≤ 1.64 ≤ 0.05
−1.09 = 0.1379
𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑚𝑜𝑠 𝑍
≈𝑌ത − 𝜇0 𝛽 𝐸𝑟𝑟𝑜𝑟 𝑡𝑖𝑝𝑜 𝐼𝐼 𝑌ത − 𝜇0
0.14
𝑍𝑃𝑜𝑡𝑒𝑛𝑐𝑖𝑎
= 𝜎 𝑍 = 𝐼𝐼𝜎=
= 1 − 𝐸𝑟𝑟𝑜𝑟 𝑡𝑖𝑝𝑜
ൗ 𝑛 ൗ 𝑛
1 − 0.14 = 0.86
𝑆𝑢𝑠𝑡𝑖𝑡𝑢𝑖𝑚𝑜𝑠 1,036.08 − 1,000
𝑍=
𝑌ത − 1,000 220ൗ
1.64 = 100
220ൗ 𝑍 = −1.09
100 49
5.7 Lema de Neyman-Pearson.

Si 𝑋1 , 𝑋2 , … , 𝑋𝑛 una m.a. de una distrubión 𝑓 𝑥; 𝜃 .
Proposición: (Lema de Neyman-Person)

Sea 𝛼 ∈ 0,1 y sea 𝜃0 y 𝜃1 dos valores distintos del parámetro desconocido
𝜃. La región de rechazo más potente de tamaño 𝛼 para el contraste de
hipótesis
𝐻0 : 𝜃 ∈ 𝛩0 𝑉𝑠𝐻0 : 𝜃 ∈ 𝛩1 ⇒ 𝐻0 : 𝜃 = 𝜃0 𝑉𝑠 𝐻1 : 𝜃 = 𝜃1 , 𝑒𝑛 𝑑𝑜𝑛𝑑𝑒 𝜃0 ≠ 𝜃1
𝐿 𝑥1 , … , 𝑥𝑛 ; 𝜃1
está dada por 𝑅𝐶𝛼 = 𝜁 = 𝑥1 , … , 𝑥𝑛 : >𝑐 ,
𝐿 𝑥1 , … , 𝑥𝑛 ; 𝜃0
en donde 𝐿 𝑥1 , … , 𝑥𝑛 ; 𝜃1 es la función de verosimilitud de una muestra
aleatoria y “c” es una constante que hace que hace que esta región de
rechazo sea de tamaño 𝛼. 50

Ejemplo: Dada una función de densidad exponencial con parámetro 𝜃 > 0
𝜃𝑒 −𝜃𝑥 𝑠𝑖 𝑥 ≥ 0
𝑓 𝑥 =ቊ
0 𝑠𝑖 𝑥 < 0
Se desea contrastar la hipótesis 𝐻0 : 𝜃 = 2 𝑉𝑠 𝐻1 : 𝜃 > 2 con un nivel de
significancia del 7% mediante una muestra de tamaño uno. La mejor región
critica según el lema de Neyman-Pearson es 𝑥1 ≤ 𝐾 y
0.07 = ℙ aceptar 𝐻1 Τ𝑒𝑠 𝑐𝑖𝑒𝑟𝑡𝑎 𝐻0
= ℙ 𝑥1 ≤ 𝐾Τ𝜃 = 2
𝐾
= න 2𝑒 −2𝑥1 𝑑𝑥1
0
= 1 − 𝑒 −2𝐾
51

Por lo tanto la función potencia del contraste es
𝑃𝑜𝑡(𝜃) = ℙ 𝑋 ∈ 𝐶 Τ𝐻1
= ℙ 𝑥1 ≤ 0.03625Τ𝐻1
0.03625
=න 𝜃𝑒 𝜃𝑥1 𝑑𝑥1
0
= 1 − 𝑒 −0.03625𝜃
52
Bibliografía.
 Canavos, G. C. Probabilidad y Estadística: Aplicaciones y Métodos. México.
McGraw-Hill. 1987.
 Casella, G. and Berger, R. L. Statistical Inference. California. Wadsworth.
1990.
 Ipiña, S. L. (2008). Inferencia Estadística y Análisis de Datos. Madrid:
PEARSON Prentice-Hall.
 Larsen, R. J. and Marx, M. L. An Introduction to Mathematical Statistics and its
Applications. USA. Englewood Cliffs-Prentice-Hall. 1986.
 Lindgren, B. W. Statistical Theory. New York. Macmillan Publishing. 1976.
 Mood, A. M. et al. Introduction to the Theory of Statistics. New York. McGraw-
Hill. 1974.
 Vazquez, J. (2017). Estimación Puntual. México: Proyecto PAIME UNAM.
53

Unidad 5 Pruebas de Hipótesis

Cargado por

Copyright:

Formatos disponibles

Unidad 5 Pruebas de Hipótesis

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

Unidad 5 Pruebas de Hipótesis

Cargado por

Copyright:

Formatos disponibles

INFERENCIA Tema 5

5.1 Hipótesis Estadística.

Definición: Una Hipótesis estadística es una afirmación o conjetura acerca

5.2 Hipótesis Simple y Compuesta.

a) Simple si es pesifica por completo a la distribución en estudio y/o

b) Compuesta si no especifica por completo a la distribución y/o aquella

5.2 Hipótesis Simple y Compuesta.

5.2 Hipótesis Simple y Compuesta.

5.3 Región crítica.

Definición 2: Un contraste de hipótesis es una regla que determina, a un cierto

Se trata de determinar a un nivel de significación 𝛼, una región critica o de

5.3 Región crítica.

Ejemplo: Sea 𝑋~𝑁 𝜇, 5 . Queremos hacer contrastes sobre la media poblacional 𝜇.

5.4 Errores Tipo I y II.

A 𝛼 se le llama también tamaño de la región critica, tamaño de la región de

Definición: El error tipo II se comete cuando NO se rechaza la hipótesis

5.4 Errores tipo I y II.

5.5 Pruebas de Hipótesis

1. Las observaciones muestrales son una muestra aleatoria simple.

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

1. La muestra es aleatoria simple

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

𝐻0 : 𝜇 = 0.8535 𝑥ҧ − 𝜇𝑥ҧ 0.8635 − 0.8535 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑎𝑏𝑙𝑎 𝑑𝑒 𝛼

5.5 Pruebas de Hipótesis

1. La muestra es aleatoria simple

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

𝐻0 : 𝜇 = 0.8535 𝑥ҧ − 𝜇𝑥ҧ 0.8635 − 0.8535

𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑎𝑏𝑙𝑎 𝑑𝑒 𝛼 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 𝑆𝐼:

5.5 Pruebas de Hipótesis

1. La muestra es aleatoria simple

Se utiliza 𝑔𝑙 = 𝑛 − 1 para el numero de grados de libertad.

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑎𝑏𝑙𝑎 𝑑𝑒 𝛼 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 𝑆𝐼:

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

Estadístico de Prueba para dos proporciones (con 𝑯𝟎 : 𝒑𝟏 = 𝒑𝟐 ):

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

Podemos asumir que las muestras provienen de poblaciones normales

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis

𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑎𝑏𝑙𝑎 𝑑𝑒 𝛼 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑚𝑜𝑠 𝐻0 𝑆𝐼:

5.5 Pruebas de Hipótesis

5.5 Pruebas de Hipótesis