Ejercicio practico 1 10 2018

LIC. EDIDSON FUENTES ESCUELA PROFESIONAL DE INGENIERIA CIVIL
CURSO DE ESTADISTICA Y PROBABILIDADES CICLO 2018-1B
1
Ejercicio Práctico 1
Se realiza un experimento para estudiar el nivel (en minutos) que se requiere para que la temperatura del cuerpo
de un lagarto del desierto alcance los 45º partiendo de la temperatura normal de su cuerpo mientras está en la
sombra. Se obtuvieron las siguientes observaciones: 10.1 ; 12.5 ; 12.2 ; 10.2 ; 12.8 ; 12.1 ; 11.2 ; 11.4 ; 10.7 ; 14.9 ;
13.9 ; 13.3. Se pide:
a) Hallar estimaciones puntuales de la media y la varianza
b) Supóngase que la variable X: “Tiempo en alcanzar los 45º sigue una ley Normal
b1) ¿Puede concluirse que el tiempo medio requerido para alcanzar la dosis letal es de 15 minutos?
b2) ¿Puede concluirse que el tiempo medio requerido para alcanzar la dosis letal es inferior a 13 minutos?
Solución
a) Hallar estimaciones puntuales de la media y la varianzab1) ¿Puede
concluirse que el tiempo medio requerido para alcanzar la dosis letal es
de 15 minutos?.
Se realiza el siguiente contraste de hipótesis:
El procedimiento que utiliza SPSS es la Prueba T para una muestra que contrasta si la media de una población difiere de
una constante especificada. Para obtener una Prueba T para una muestra se elige, en el menú principal.
Analizar/Comparar medias/Prueba T para una muestra… En la salida correspondiente se selecciona tiempo para la
Variable para contrastar y el valor de la prueba se pone 15
Se pulsa Aceptar y se obtiene la siguiente salida
El valor del estadístico de contraste experimental, -6.775, deja a la derecha una área menor que 0.000 < 0.025. Por lo
tanto se rechaza la hipótesis nula de que el tiempo medio requerido para alcanzar la dosis letal es de 15 minutos.

2
b2) ¿Puede concluirse que el tiempo medio requerido para alcanzar la dosis letal es inferior a 13 minutos?
Se realiza el siguiente contraste de hipótesis:
Se selecciona en el menú principal, Analizar/Comparar medias/Prueba T para una muestra. En la salida correspondiente
se selecciona tiempo para la Variable para contrastar y el valor de la prueba se pone 13
El valor del estadístico de contraste experimental, -6.089, deja a la derecha una área 0.030 < 0.05. Por lo tanto se rechaza
la hipótesis nula y se concluye que el él tiempo medio requerido para alcanzar la dosis letal es inferior a 13 minutos.
Contrastes de hipótesis para dos muestras independientes
De un modo general, dos muestras se dice que son independientes cuando las observaciones de una de ellas no condicionan
para nada a las observaciones de la otra, siendo dependientes en caso contrario. En realidad, el tipo de dependencia que
se considera a estos efectos es muy especial: cada dato de una muestra tiene un homónimo en la otra, con el que está
relacionada, de ahí el nombre alternativo de muestras apareadas. Por ejemplo, supongamos que se quiere estudiar el
efecto de un medicamento, sobre la hipertensión, a un grupo de 20 individuos. El experimento se podría planificar de dos
formas:
a) Aplicando el medicamento a 10 de estos individuos y dejando sin tratamiento al resto. Transcurrido un tiempo se miden las
presiones sanguíneas de ambos grupos y se contrasta la hipótesis H0: µ1= µ2 vs H1: µ1 <>µ2 para evaluar si las medias son iguales
o no. Como las muestras están formadas por individuos distintos sin relación entre sí, se dirá que son muestras independientes.
b) Aplicando el medicamento a los 20 individuos disponibles y anotando su presión sanguínea antes y después de la administración
del mismo. En este caso los datos vienen dados por parejas, presión antes y después y tales datos están relacionados entre sí. Las
muestras son apareadas.
El paquete estadístico SPSS realiza el procedimiento Prueba T para muestras independientes; en este procedimiento se
compara la media de dos poblaciones normales e independientes. Para realizar dicho contraste los sujetos deben asignarse
aleatoriamente a las dos poblaciones, de forma que cualquier diferencia en la respuesta sea debida al tratamiento (o falta
de tratamiento) y no a otros factores.

3
El procedimiento Prueba T para muestras independientes mediante SPSS contrasta si la diferencia de las medias de dos
poblaciones normales e independientes difiere de una constante especificada.El objetivo es probar uno de los siguientes
contrastes de hipótesis
conocidas las medias muestrales y los tamaños muestrales.
Para obtener una Prueba T para muestras independiente se selecciona, en el menú principal, Analizar/Comparar
medias/Prueba T para muestras independientes…
Se accede a la siguiente ventana
donde se puede seleccionar una o más variables cuantitativas y se calcula una Prueba T diferente para cada variable. Por
ejemplo, en esta salida se selecciona la variable asimetría.

4
A continuación se selecciona una sola variable de agrupación, en nuestro caso, la variable Parte y se pulsa Definir Grupos
para especificar los códigos de los grupos que se quieran comparar. Vamos a contrastar la igualdad de medias de la
variable asimetría según la variable Parte (Canopy, Sprouts)
Pulsando Definir Grupos… se muestra la siguiente pantalla
donde se especifican el número de grupos que se quieren comparar.
Se pulsa Continuar y después Aceptar y se obtienen las siguientes pantallas que muestran un resumen estadístico para
las dos muestras y la salida del procedimiento.

5
Para realizar un contraste de diferencia de medias de dos poblaciones independientes hay que contrastar previamente las
varianzas de dichas poblaciones.
Esta salida nos muestra el valor experimental del estadístico de contraste (Fexp = 2.045), este valor deja a la derecha un
área igual a 0.176 (Sig.= 0.176), por lo tanto no se puede rechazar la hipótesis nula de igualdad de varianzas.
A continuación se realiza el contraste para la diferencia de medias suponiendo que las varianzas son iguales. La tabla nos
muestra el valor experimental del estadístico de contraste (texp = 1.233) y el p-valor = 0.240 (Sig.= 0.240), por lo tanto no
se puede rechazar la hipótesis nula de igualdad de medias. También, se puede concluir el contraste observando que el
intervalo de confianza para la diferencia de medias (-0.05256, 0.192264) contiene al cero.

6
Se quieren comparar dos poblaciones de ranas pipiens aisladas geográficamente. Para ello se toman dos muestras
de ambas poblaciones de tamaño 12 y 10 y se les mide la longitud del cuerpo expresado en milímetros.
Población 1: 20,1; 22,5; 22,2 ; 30,2 ; 22,8 ; 22,1 ; 21,2 ; 21,4 ; 20,7 ; 24,9 ; 23,9 ; 23,3
Población 2: 25,3 ; 31,2 ; 22,4 ; 23,1 ; 26,4 ; 28,2 ;21,3 ;31,1 ;26,2 ;21,4
Contrastar la hipótesis de igualdad de medias a un nivel de significación del 1%. (Suponiendo que la longitud se
distribuya según una Normal).
Solución
Sean las variables aleatorias
X: “Longitud del cuerpo de ranas 1”; X→ N(μX, σX)
Y: “Longitud del cuerpo de ranas 2”; X→ N(μY, σY)
Se pide el siguiente contraste
Para realizar un contraste de muestras independientes los datos se deben introducir en
el Editor de SPSS de la siguiente forma:
A continuación se selecciona, en el menú principal, Analizar/Comparar
medias/Prueba T para muestras independientes y se obtiene la siguiente salida

7
Se pulsa Definir grupos
donde se especifican el número de grupos que se quieren comparar. Se pulsa Continuar y Opciones
La casilla de porcentaje del intervalo de confianza se rellena con 99. Se pulsa Continuar y Aceptar y se obtiene el
siguiente resultado
Para realizar un contraste de diferencia de medias de dos poblaciones independientes hay que contrastar previamente las
varianzas de dichas poblaciones.
Esta salida nos muestra el valor experimental del estadístico de contraste (Fexp = 2.110), este valor deja a la derecha un
área igual a 0.162 (Sig.= 0.162), por lo tanto no se puede rechazar la hipótesis nula de igualdad de varianzas.
A continuación se realiza el contraste para la diferencia de medias suponiendo que las varianzas son iguales. La tabla nos
muestra el valor experimental del estadístico de contraste (texp = -2.010) y el p-valor = 0.508 (Sig.= 0.058), por lo tanto
no se puede rechazar la hipótesis nula de igualdad de medias. También, se puede concluir el contraste observando que el
intervalo de confianza para la diferencia de medias (-5.5399, 0.1032) contiene al cero.

8
Contrastes de hipótesis para muestras apareadas
En las muestras apareadas, cada observación de una muestra está emparejado con una observación de la otra muestra,
por lo tanto consideramos parejas de valores (x, y).
El paquete estadístico SPSS realiza el procedimiento Prueba T para muestras apareadas; en este procedimiento se
comparan las medias de dos variables de un solo grupo. Calcula las diferencias entre los valores de cada caso, Di = Xi–
Yi y contrasta si la media difiere de cero.Es decir, contrastar la hipótesis nula H0: μX-μY = 0 es equivalente a contrastar
H0: μD =0
Para obtener una Prueba T para muestras relacionadas se elige en los menús Analizar/Comparar medias/Prueba T
para muestras relacionadas…
Se accede a la siguiente ventana
donde se selecciona un par de variables pulsando en cada una de ellas. La primera variable aparecerá en la sección
Selecciones actuales como Variable 1 y la segunda aparecerá como Variable 2. Una vez seleccionado el par de variables,
en nuestro caso Asim95 y Asim97, se pulsa el botón de flecha para moverlas a la ventana de Variables relacionadas. Se
puede realizar el contraste para más de una pareja de variables simultáneamente.

9
Al pulsar Continuar y después Aceptar se obtiene un resumen estadístico para las dos muestras y la salida del
procedimiento.
Para cada variable se presenta la media, tamaño de la muestra, desviación típica y error típico de la media.
Esta salida muestra para cada pareja de variables: el número de datos, el coeficiente de correlación y el p-valor asociado
al contraste H0: r = 0 frente a H1: r <> 0. El coeficiente de correlación es igual a -0.681, por lo tanto las variables están
relacionadas en sentido inverso, cuando una crece la otra decrece. Observando el p-valor (0.206) deducimos que no se
puede rechazar la hipótesis nula (H0: r = 0) por lo tanto no existe correlación entre las variables. (La correlación no es
significativa).
Esta salida muestra el valor experimental del estadístico de contraste (t = 3.908) y el p-valor igual a 0.017, por lo tanto se
debe rechazar la hipótesis nula de igualdad de medias.

10
Se realiza un estudio, en el que participan 10 individuos, para investigar el efecto del ejercicio físico en el nivel de
colesterol en plasma. Antes del ejercicio se tomaron muestras de sangre para determinar el nivel de colesterol de
cada individuo. Después, los participantes fueron sometidos a un programa de ejercicios. Al final de los ejercicios
se tomaron nuevamente muestras de sangre y se obtuvo una segunda lectura del nivel de colesterol. Los resultados
se muestran a continuación.
Nivel previo: 182; 230; 160; 200; 160; 240; 260; 480; 263; 240
Nivel posterior: 190; 220; 166; 150; 140; 220; 156; 312; 240; 250
Se quiere saber si el ejercicio físico ha reducido el nivel de colesterol para un nivel de confianza del 95%.
Solución
Se pide el siguiente contraste
Para realizar un contraste de muestras apareadas los datos se deben introducir en el
Editor de SPSS de la siguiente forma:
A continuación se selecciona, en el menú principal, Analizar/Comparar medias/Prueba T para muestras relacionadas
y se obtiene la siguiente salida

11
donde se selecciona el par de variables pulsando en cada una de ellas, se pulsa el botón de flecha para moverlas a la
ventana de Variables relacionadas. Se pulsa Aceptar y se obtiene las siguientes salidas
Esta salida muestra para cada pareja de variables: el número de datos, (N = 10) el coeficiente de correlación (0.816) y el
p-valor (0.004) asociado al contraste H0: r = 0 frente a H1: r <> 0. El coeficiente de correlación es igual a 0.816, por lo
tanto las variables están relacionadas en sentido directo, cuando una crece la otra también crece. Observando el p-valor
(0.004) deducimos que se puede rechazar la hipótesis nula (H0: r = 0) por lo tanto existe correlación entre las variables.
(La correlación es significativa).
Esta salida muestra el valor experimental del estadístico de contraste (t = 2.053) y Sig. (bilateral) es 0.070. En nuestro
caso es un contraste unilateral por lo tanto el valor de Sig es 0.035 menor que 0.05, y se debe rechazar la hipótesis nula.
Por lo tanto, el nivel medio de colesterol se reducirá con el ejercicio físico.
Contrastes de hipótesis para el parámetro p de una distribución Binomial
El contraste de hipótesis para el parámetro p (proporción de éxitos) de una distribución Binomial se basa en la distribución
del estadístico muestral para un tamaño muestral n suficientemente grande.
Denotando por p y las proporciones de éxitos de la población y de dicha muestra, respectivamente, se verifica que
El objetivo es probar uno de los siguientes contrastes
a) Para la hipótesis alternativa H1:p ≠ p0 la correspondiente región de no rechazo es (- zα/2, zα/2) y el estadístico de
contraste bajo la hipótesis nula H0:p = p0 adopta la siguiente expresión

12
b) Para la hipótesis alternativa H1:p > p0 la correspondiente región de no rechazo es (-∞, zα)
c) Para la hipótesis alternativa H1:p < p0 la correspondiente región de no rechazo es (-zα, ∞, ).
En los casos b) y c) el estadístico de contraste adopta la siguiente expresión
El paquete estadístico SPSS realiza el procedimiento Binomial, para ello se selecciona en el menú principal,
Analizar/Cuadros de diálogos antiguos/Binomial

13
Se ignora la proporción de familias numerosas y con el fin de determinar dicha proporción se toma una muestra
de 800 familias siendo la proporción observada de 0.18. Se puede afirmar que la proporción de familias numerosas
es 0.20.
Solución
Se pide realizar el siguiente contraste H0: P = 0.20 frente a la alternativa H1: p≠20.
Según el enunciado de una muestra de 800 familias la proporción observada de familias numerosas es 0.18. Por lo
tanto144 familias son numerosas y 656 no lo son.
Introducimos los datos en SPSS
Ponderamos los datos, para ello seleccionamos Datos/Ponderar casos
En la ventana resultante ponderamos los casos mediante la variable frecuencia y pulsamos Aceptar.
A continuación realizamos el contraste, para ello seleccionamos en el menú principal, Analizar/Cuadros de diálogos
antiguos/Binomial. En la ventana resultante introducimos familias en Lista Contrastar variables: y en Proporción de
prueba ponemos 0.20
Pulsamos Aceptar y obtenemos al siguiente salida

14
El p-valor de la prueba (Sig. exacta (unilateral)) es 0.084 mayor que 0.05. Por lo tanto no se rechaza la Hipótesis nula. Se
puede afirmar que la proporción de familias numerosas es 0.20.
Contrastes de hipótesis para dos proporciones independientes. Muestras grandes
El contraste de hipótesis para la comparación de dos proporciones independientes se basa en la distribución aproximada
de un estadístico muestral que requiere muestras grandes.
Supongamos dos muestras aleatorias de tamaños nX y nY, suficientemente grandes y denotamos por
las proporciones de éxitos de cada una de las poblaciones y de dichas muestras, respectivamente. Se verifica que
Fijado un nivel de significación α, la región de no rechazo para el contraste bilateral es (- zα/2, zα/2) y el estadístico de
contraste, bajo la hipótesis nula H0: pX– pY=(pX– pY)0 , adopta la forma
El paquete estadístico SPSS no incluye el cálculo de dicho estadístico pero permite el cálculo de otros cuatro estadísticos
para muestras grandes y el estadístico exacto de Fisher para muestras pequeñas.
El contraste de comparación de dos proporciones es un caso particular del contraste de homogeneidad de dos muestras de
una variable cualitativa cuando ésta sólo presenta dos modalidades. Por ello, el procedimiento que vamos a realizar es el
análisis de una tabla de contingencia 2×2.

15
Para obtener el procedimiento Tablas de contingencia se elige en los menús Analizar/Estadísticos descriptivos/Tablas
de contingencia…
En la ventana emergente se seleccionan las variables dicotómicas que se van a contrastar. Por ejemplo, en la siguiente
salida se muestra el procedimiento de Tablas de contingencia en el que se comparan las variables Sexo y Fumador, para
ello se han seleccionado la variable Sexo y mediante el botón de flecha se ha pasado al campo Filas: y la variable Fumador
que se ha pasado al campo Columnas: (Se desea comparar la proporción de fumadores en los grupos (hombres y
mujeres)).
Se pulsa el botón Casillas… y se selecciona en Frecuencias (Observadas) y en Porcentajes (Fila)

16
Se pulsa Continuar y en la pantalla correspondiente se pulsa el botón Estadísticos… y se selecciona Chi-cuadrado
Se pulsa Continuar y Aceptar. Se muestran la Tabla de contingencia y los contrastes Chi-cuadrado
Cada casilla de esta tabla muestra la frecuencia observada y el porcentaje que ésta representa sobre el total de la fila
enla tabla de contingencia Sexo * Fumador. Las proporciones muestrales que vamos a comparar son 10/26 y 14/24 .
Para ello se realiza un contraste bilateral para evaluar si existen diferencias significativas entre ambas proporciones
muestrales (H0: p1 – p2=0 frente a H1: p1 – p2 <>0)

17
Esta tabla muestra los resultados de cinco estadísticos para la comparación de ambas proporciones. Generalmente, en el
caso de muestras grandes se elige el estadístico Corrección por continuidad. Dicho estadístico calcula el estadístico
Chi-cuadrado con la corrección por continuidad de Yates. En nuestro caso, el valor de dicho estadístico es 1.259 y el p-
valor asociado es 0.262 (Sig. asintótica bilateral) por lo tanto no se debe rechazar la Hipótesis nula, es decir las diferencias
observadas entre las proporciones de fumadores en los dos grupos no son estadísticamente significativas.
En el caso de muestras pequeñas, se decide a partir del Estadístico exacto de Fisher.

18
Se sospecha que añadiendo al tratamiento habitual para la curación de una enfermedad un medicamento A, se
consigue mayor número de curaciones. Tomamos dos grupos de enfermos de 100 individuos cada uno. A un grupo
se le suministra el medicamento A y se curan 60 enfermos y al otro no se le suministra, curándose 55 enfermos.
¿Es efectivo el tratamiento A en la curación de la enfermedad?
Solución
Se pide realizar el siguiente contraste de hipótesis
Se introducen los datos en SPSS
Se ponderan los casos
Se pulsa Aceptar.
Como hemos dicho anteriormente, el paquete estadístico SPSS no incluye el cálculo de dicho estadístico pero permite el
cálculo de otros cuatro estadísticos para muestras grandes y el estadístico exacto de Fisher para muestras pequeñas.
El contraste de comparación de dos proporciones es un caso particular del contraste de homogeneidad de dos muestras de
una variable cualitativa cuando ésta sólo presenta dos modalidades. Por ello, el procedimiento que vamos a realizar es el
análisis de una tabla de contingencia 2×2.

19
Para obtener el procedimiento Tablas de contingencia se elige en los menús Analizar/Estadísticos descriptivos/Tablas
de contingencia…
Se pulsa el botón Casillas… y se selecciona en Frecuencias (Observadas) y en Porcentajes (Columna)
Se pulsa Continuar y en la salida correspondiente se pulsa Estadísticos, donde se elige Chi-cuadrado
Se pulsa Continuar y Aceptar y se muestran las siguientes Salidas

20
Cada casilla de esta tabla muestra la frecuencia observada y el porcentaje que ésta representa sobre el total de la columna
en la tabla de contingencia Curación * Medicamento. Las proporciones muestrales que vamos a comparar son 60/100 y
55/100. Para ello se realiza un contraste bilateral para evaluar si existen diferencias significativas entre ambas
proporciones muestrales (H0: pX – pY<=0 frente a H1: pX – pY >0).
Esta tabla muestra los resultados de cinco estadísticos para la comparación de ambas proporciones. Generalmente, en el
caso de muestras grandes se elige el estadístico Corrección por continuidad. Dicho estadístico calcula el estadístico
Chi-cuadrado con la corrección por continuidad de Yates. En nuestro caso, el valor de dicho estadístico es 0.327 y el p-
valor asociado es 0.567 (Sig. asintótica bilateral) por lo tanto no se debe rechazar la Hipótesis nula. Podemos afirmar que
el medicamento A no consigue un mayor número de curaciones.

21
Contrastes de hipótesis no paramétricos
En la sesión anterior hemos estudiado contrastes de hipótesis acerca de parámetros poblacionales, tales como la media y
la varianza, de ahí el nombre de contrastes paramétricos. En estadística paramétrica se trabaja bajo el supuesto de que las
poblaciones poseen distribuciones conocidas, donde cada función de distribución teórica depende de uno o más
parámetros poblacionales. Sin embargo, en muchas situaciones, es imposible especificar la forma de la distribución
poblacional. El proceso de obtener conclusiones directamente de las observaciones muestrales, sin formar los supuestos
con respecto a la forma matemática de la distribución poblacional se llama teoría no paramétrica.
En esta sesión vamos a realizar procedimientos que no exigen ningún supuesto, o muy pocos acerca de la familia de
distribuciones a la que pertenece la población, y cuyas observaciones pueden ser cualitativas o bien se refieren a alguna
característica ordenable. Estos procedimientos reciben el nombre de Contrastes de hipótesis no paramétricos.
Así, uno de los objetivos de esta sesión es el estudio de contrates de hipótesis para determinar si una población tiene una
distribución teórica específica. La técnica que nos introduce a estudiar esas cuestiones se llama Contraste de la Chi-
cuadrado para la Bondad de Ajuste. Una variación de este contraste se emplea para resolver los Contrastes de
Independencia. Tales contrastes pueden utilizarse para determinar si dos características (por ejemplo preferencia política
e ingresos) están relacionadas o son independientes. Y, por último estudiaremos otra variación del contraste de la bondad
de ajuste llamado Contraste de Homogeneidad. Tal contraste se utiliza para estudiar si diferentes poblaciones, son
similares (u homogéneas) con respecto a alguna característica. Por ejemplo, queremos saber si las proporciones de
votantes que favorecen al candidato A, al candidato B o los que se abstuvieron son las mismas en dos ciudades.
El procedimiento Prueba de la Chi-cuadrado
Hemos agrupado los procedimientos en los que el denominador común a todos ellos es que su tratamiento estadístico se
aborda mediante la distribución Chi-cuadrado. El procedimiento Prueba de Chi-cuadrado tabula una variable en
categorías y calcula un estadístico de Chi-cuadrado. Esta prueba compara las frecuencias observadas y esperadas en cada
categoría para contrastar si todas las categorías contienen la misma proporción de valores o si cada categoría contiene una
proporción de valores especificada por el usuario.
Para obtener una prueba de Chi-cuadrado se eligen en los menús Analizar/Pruebas no paramétricas/Cuadros de
diálogo antiguos/Chi-cuadrado…

22
En la salida correspondiente se selecciona una o más variables de contraste. Cada variable genera una prueba
independiente.
Por ejemplo, en la siguiente salida se muestra una Prueba de Chi-cuadrado en la que la variable a contrastar es Día de
la semana (Se desea saber si el número de altas diarias de un hospital difiere dependiendo del día de la semana)
Se pulsa Opciones… para obtener estadísticos descriptivos, cuartiles y controlar el tratamiento de los datos perdidos
Al pulsar Continuar y Aceptar se muestran las siguientes salidas
En esta salida se muestra:

23
 N observado: Muestra la frecuencia observada para cada fila (día). Se observa, en esta tabla, que el número de
altas diariasde un total de 589 altas por semana es: 44 el domingo, 78 el lunes etc.
 N esperado: Muestra el valor esperado para cada fila (suma de las frecuencias observadas dividida por el número
de filas). En este ejemplo hay 589 altas observadas por semana, resultando alrededor de 84 altas por día.
 Residual: Muestra el residuo (frecuencia observada menos el valor esperado). La tabla muestra que el domingo
hay muchas menos altas de pacientes que el viernes. De lo que parece deducirse que todos los días de la semana
no tienen la misma proporción de altas de pacientes.
Por último la siguiente salida muestra el resultado del contraste Chi-cuadrado
El valor experimental del estadístico de contraste de Chi-cuadrado es igual a 29.389 y el p-valor asociado es menor que
0.001 (Sig = 0.000), por lo tanto se rechaza la hipótesis nula. En consecuencia, el número de altas en los pacientes difiere
dependiendo del día de la semana.

24
Lanzamos un dado 720 veces y obtenemos los resultados que se muestran en la tabla.
Contrastar la hipótesis de que el dado está bien construido.
Solución
Ponderamos los casos
Pulsamos Aceptar.
Para obtener una prueba de Chi-cuadrado se eligen en los menús Analizar/Pruebas no paramétricas/Cuadros de
diálogo antiguos/Chi-cuadrado… Y en la ventana resultante, pasamos Cara_dado a la Lista Contratrar variables

25
Pulsamos Aceptar y obtenemos la siguiente salida
El valor experimental del estadístico de contraste de Chi-cuadrado es igual a 0.683 y el p-valor asociado es 0.984 (mayos
que 0.05), por lo tanto no se rechaza la hipótesis nula. En consecuencia, el dado está bien construido
Contrastes de Independencia: Procedimiento Tablas de contingencia
El procedimiento Tablas de contingencia proporciona una serie de pruebas y medidas de asociación para tablas de doble
clasificación.
Para obtener tablas de contingencia se selecciona, en el menú principal, Analizar/Estadísticos descriptivos/Tablas de
contingencia…
En el cuadro de diálogo resultante se especifican las variables que forman la tabla. Una de las variables se introduce en
Filas: y la otra variable se introduce en Columnas:

26
En este cuadro de diálogo se pulsa el botón Estadísticos… y se accede a otra ventana donde se especifican los valores
numéricos que se desea obtener. Se selecciona Chi-cuadrado
Se pulsa Continuar y se selecciona Casillas… para obtener frecuencias observadas y esperadas, porcentajes y residuos

27
Se pulsa Continuar y se selecciona Formato para especificar el orden de las categorías (ascendente o descendente)
Se pulsa Continuar y Aceptar. Se muestran las siguientes salidas
donde:
 263: Número de datos válidos con los que se trabaja, es el 100% de los datos
 0: número de datos no válidos
La siguiente salida nos muestra la Tabla de Contingencia de las variables seleccionadas
Por último muestra el resultado del contraste de hipótesis.
El p-valor (Sig = 0.256) indica que no debe rechazarse la hipótesis de independencia.

28
Se realiza una investigación para determinar si hay alguna asociación entre el peso de un estudiante y un éxito
precoz en la escuela. Se selecciona una muestra de 50 estudiantes y se clasifica a cada uno según dos criterios, el
peso y el éxito en la escuela. Los datos se muestran en la tabla adjunta
Solución
Pulsamos Aceptar.
Para obtener tablas de contingencia se selecciona, en el menú principal, Analizar/Estadísticos descriptivos/Tablas de
contingencia… En la ventana resultante introducimos Éxito en Filas y Sobrepeso en Columnas y pulsamos Aceptar

29
Y se muestran las siguientes salidas:
La Tabla de Contingencia de las variables Éxito * Sobrepeso
El resultado del contraste de hipótesis.
El p-valor (Sig = 0.041) indica que se debe rechazar la hipótesis de independencia. Por lo tanto La obesidad y la precocidad
en la escuela no son independientes.
Otros contrastes no paramétricos
El procedimiento Prueba binomial
El procedimiento Prueba binomial compara las frecuencias observadas de las dos categorías de una variable dicotómica
con las frecuencias esperadas en una distribución binomial con un parámetro de probabilidad especificado. Por defecto,
el parámetro de probabilidad para ambos grupos es 0.5. Se puede cambiar el parámetro de probabilidad en el primer
grupo. Siendo la probabilidad en el segundo grupo igual a uno menos la probabilidad del primer grupo.
Si las variables no son dicotómicas se debe especificar un punto de corte. Mediante el punto de corte se divide la variable
en dos grupos, el formado por los casos mayores o iguales que el punto de corte y el formado por los casos menores que
el punto de corte.

30
Para obtener una Prueba binomial se selecciona, en el menú principal, Analizar/Pruebas no paramétricas/Cuadros de
diálogo atiguos/Binomial…
En la salida correspondiente se selecciona una o más variables de contraste numéricas.
Se deja la opción por defecto Contrastar proporción: 0.50. (Queremos ver si el porcentaje de mujeres en un determinado
estudio es del 50%, es decir, queremos contrastar H0: p = 0.5 frente a H1: p <> 0.5). En esta ventana se pulsa el botón
Opciones… y se accede a otra ventana para obtener estadísticos descriptivos, cuartiles y controlar el tratamiento de los
datos perdidos.

31
Se pulsa Aceptar y se muestra la siguiente salida
SPSS realiza un contraste bilateral. De un total de 474 personas se observa que el 54 % son hombres y el 46% son mujeres.
El p-valor del contraste (Sig. asintót. bilateral) es 0.06, nos indica que no debe rechazarse la hipótesis nula.
Este procedimiento permite dicotomizar una variable continua. Por ejemplo, queremos saber si el 30% de las personas de
un estudio son menores de 25 años. Para resolverlo, en el campo Definir la dicotomía pondríamos en el Punto de corte:
el valor de 25 y en el campo Contrastar proporción: pondríamos 0.30.

32
Entre los pacientes con cáncer de pulmón, el 90% o más muere generalmente en el espacio de tres años. Como
resultado de nuevas formas de tratamiento, se cree que esta tasa se ha reducido. En un reciente estudio sobre 150
paciente diagnosticados de cáncer de pulmón, 128 murieron en el espacio de tres años. ¿Se puede afirmar que
realmente ha disminuido la tasa de mortalidad?
Solución
Hay que realizar el siguiente contraste de hipótesis: H0: p ≥ 0.90 frente a H1: p < 0.90
Pulsamos Aceptar.
Para obtener una Prueba binomial se selecciona, en el menú principal, Analizar/Pruebas no paramétricas/Cuadros de
diálogo atiguos/Binomial… En la salida correspondiente insertamos CáncerPulmón en la ventana Lista Contrastar
variables y en Proporción de prueba ponemos 0.90
Pulsamos Aceptar

33
SPSS realiza un contraste bilateral. De un total de 150 pacientes con cáncer de pulmón se observa que el 90 % murieron
en el espacio de tres años. El p-valor del contraste (Sig. asintót. bilateral) es 0.044. El contraste es unilateral, la
significación es 0.022 que nos indica que debe rechazarse la hipótesis nula. Por lo tanto se puede afirmar que ha
disminuido la tasa de mortalidad.
Contraste de aleatoriedad. Test de Rachas
El procedimiento Prueba de Rachas contrasta si es aleatorio el orden de aparición de los valores de una variable. Se puede
utilizar para determinar si la muestra fue extraída de manera aleatoria.
Una racha es una secuencia de observaciones similares, una sucesión de símbolos idénticos consecutivos. Ejemplo: + +
– – – + – – + + + + – – – (6 rachas). Una muestra con un número excesivamente grande o excesivamente pequeño de
rachas sugiere que la muestra no es aleatoria.
Para obtener una Prueba de Rachas se selecciona, en el menú principal, Analizar/Pruebas no paramétricas/Cuadros
de diálogo antiguos/Rachas…

34
En la salida correspondiente se selecciona una o más variables de contraste numéricas.
En el campo Punto de corte se especifica un punto de corte para dicotomizar las variables seleccionadas. Se puede utilizar
como punto de corte los valores observados para la media, la mediana o la moda, o bien un valor especificado. Los casos
con valores menores que el punto de corte se asignarán a un grupo y los casos con valores mayores o iguales que el punto
de corte se asignarán a otro grupo. Se lleva a cabo una prueba para cada punto de corte seleccionado. En esta ventana se
pulsa el botón Opciones… y se accede a otra ventana para obtener estadísticos descriptivos, cuartiles y controlar el
tratamiento de los datos perdidos.
Se pulsa Aceptar y se obtiene la salida del procedimiento
En esta salida se muestran los siguientes valores:
 Valor de la prueba = 1.58: Es el punto de corte para dicotomizar la variable seleccionada. En esta tabla el punto
de corte es la media muestral
 Casos < Valor de prueba = 21: De los 50 casos contrastados, 21 de ellos tienen valores menores que la media.
Los consideramos los casos negativos
 Casos > Valor de prueba = 29: De los 50 casos contrastados, 29 de ellos tienen valores mayores que la media.
Los consideramos los casos positivos
 Número de rachas = 35: Una racha se define como una secuencias de casos al mismo lado del punto de corte
(sucesión de símbolos idénticos consecutivos)
 Z = 2.829: Valor experimental del estadístico de contraste
 Sig. Asintót (bilateral) = 0.005: El p-valor o nivel crítico del contraste, que nos indica el rechazo de la hipótesis
de aleatoriedad.

35
Se realiza un estudio sobre el tiempo en horas de un tipo determinado de escáner antes de la primera avería. Se ha
observado una muestra de 10 escáner y se ha anotado el tiempo de funcionamiento en horas: 18.21; 2.36; 17.3;
16.6; 4.70; 3.63; 15.56; 7.35; 9.78; 14.69. Se puede considerar aleatoriedad en la muestra
Solución
Para obtener una Prueba de Rachas se selecciona, en el menú principal, Analizar/Pruebas no paramétricas/Cuadros
de diálogo antiguos/Rachas…. Se introduce Tiempo en el ventana Lista Contrastar variables
Se pulsa Aceptar
y se obtiene el siguiente resultado
 Valor de la prueba = 12.24: Es el punto de corte para dicotomizar la variable seleccionada. En esta tabla el punto de corte es la mediana
 Casos < Valor de prueba = 5: De los 10 casos, 5 de ellos tienen valores menores que la mediana. Los consideramos los casos negativos
 Casos > Valor de prueba = 5: De los 10 casos, 5 de ellos tienen valores mayores que la mediana. Los consideramos los casos positivos
 Número de rachas = 7: Una racha se define como una secuencias de casos al mismo lado del punto de corte (sucesión de símbolos idénticos
consecutivos)
 Z = 0.335: Valor experimental del estadístico de contraste
 Sig. Asintót (bilateral) = 0.737: El p-valor o nivel crítico del contraste, que nos indica que no se debe rechazar la hipótesis de aleatoriedad

36
Contraste sobre bondad de ajuste: Procedimiento Prueba de Kolmogorov-Smirnov
El procedimiento Prueba de Kolmogorov-Smirnov para una muestra compara la función de distribución acumulada
observada de una variable con una distribución teórica determinada, que puede ser la distribución Normal, la Uniforme,
la de Poisson o la Exponencial. La Z de Kolmogorov-Smirnov se calcula a partir de la diferencia mayor (en valor absoluto)
entre las funciones de distribución acumulada teórica y observada. Esta prueba de bondad de ajuste contrasta si las
observaciones podrían razonablemente proceder de la distribución especificada.
Para obtener una Prueba de Kolmogorov-Smirnov se selecciona, en el menú principal, Analizar/Pruebas no
paramétricas/Cuadros de diálogo antiguos/K-S de 1 muestra…
Se muestra la siguiente ventana

37
En esta salida se puede elegir una o más variables de contraste numéricas, cada variable genera una prueba independiente.
Elegiremos la variable Crecimiento, una vez seleccionada la variable se pasa al campo Contrastar variable: mediante
el botón de flecha o pulsando dos veces en la variable
Se selecciona la distribución a la que queremos ajustar los datos en el campo Distribución de contraste. En esta ventana
se pulsa el botón Opciones… y se accede a otra ventana para obtener estadísticos descriptivos, cuartiles y controlar el
tratamiento de los datos perdidos
Se pulsa Aceptar y se obtiene la salida del procedimiento
 104: Número de observaciones del fichero de datos
 3.63: Número medio de plantas
 1.435: Desviación típica del número de plantas
 0.183: Diferencia mayor encontrada entre el valor teórico de la distribución normal y el valor observado
 0.123: Diferencia positiva mayor encontrada entre la distribución teórica y la distribución empírica
 -0.183: Diferencia negativa mayor encontrada entre la distribución teórica y la distribución empírica
 1.871: Valor experimental del estadístico de contraste
 0.002: p-valor asociado al contraste
El p-valor (Sig. Asintót (bilateral) = 0.002) indica que debe rechazarse la hipótesis H0 de normalidad, de forma que no se
admite que la distribución de los datos sea de tipo Normal.

38
A lo largo de 540 días se anota el número de accidentes mortales de tráfico que se producen en una ciudad,
obteniéndose los resultados de la tabla adjunta
¿Se ajustan los datos a una Poisson?
Solución
Para obtener una Prueba de Kolmogorov-Smirnov se selecciona, en el menú principal, Analizar/Pruebas no
paramétricas/Cuadros de diálogo antiguos/K-S de 1 muestra… Se introduce NumeroDias en el ventana Lista
Contrastar variables
 6: Número de observaciones del fichero de datos
 103.5: Número medio de accidentes
 0.440: Diferencia mayor encontrada entre el valor teórico de la distribución de
Poisson y el valor observado
 0.401: Diferencia positiva mayor encontrada entre la distribución teórica y la
distribución empírica
 -0.440: Diferencia negativa mayor encontrada entre la distribución teórica y la
distribución empírica
 1.077: Valor experimental del estadístico de contraste
 0.197: p-valor asociado al contraste
El p-valor (Sig. Asintót (bilateral) = 0.197) indica que no debe rechazarse la hipótesis H0 (los datos se distribuyen según
una Poisson), de forma que se admite que la distribución del número de accidentes mortales sea de tipo Poisson.

39
Pruebas para dos muestras independientes
El procedimiento Pruebas para dos muestras independientes compara dos grupos de casos existentes en una variable y
comprueba si provienen de la misma población (homogeneidad). Estos contrastes, son la alternativa no paramétrica de
los tests basados en el t de Student, sirven para comparar dos poblaciones independientes. SPSS dispone de cuatro pruebas
para realizar este contraste.
 La prueba U de Mann-Whitney es la más conocida de la pruebas para dos muestras independientes. Es equivalente
a la prueba de la suma de rangos de Wilcoxon y a la prueba de Kruskal-Wallis para dos grupos. Requiere que las dos
muestras probadas sean similares en la forma y contrasta si dos poblaciones muestreadas son equivalentes en su
posición.
 La prueba Z de Kolmogorov-Smirnov y la prueba de rachas de Wald-Wolfowitz son pruebas más generales que
detectan las diferencias entre las posiciones y las formas de las distribuciones. La prueba de Kolmogorov-Smirnov
se basa en la diferencia máxima absoluta entre las funciones de distribución acumulada observadas para ambas
muestras. Cuando esta diferencia es significativamente grande, se consideran diferentes las dos distribuciones.
 La prueba de rachas de Wald-Wolfowitz combina y ordena las observaciones de ambos grupos. Si las dos muestras
proceden de una misma población, los dos grupos deben dispersarse aleatoriamente en la ordenación de los rangos.
 La prueba de reacciones extremas de Moses presupone que la variable experimental afectará a algunos sujetos en
una dirección y a otros en dirección opuesta. La prueba contrasta las respuestas extremas comparándolas con un
grupo control.
Para obtener Pruebas para dos muestras independientes, se selecciona, en el menú principal, Analizar/Pruebas no
paramétricas/Cuadros de diálogo antiguos/2 muestras independientes…

40
Se muestra la siguiente ventana
En esta salida se puede elegir una o más variables de contraste numéricas. Se elige la variable Tiempo, una vez
seleccionada la variable se pasa al campo Contrastar variable: mediante el botón de flecha o pulsando dos veces en la
variable. Se selecciona una variable de agrupación, en nuestro caso la variable es Grupo (Se desea saber si las persona
fumadoras tardan más tiempo en dormirse que las no fumadoras)
Se pulsa Definir grupos…, para dividir el archivo en dos grupos o muestras, y emerge la siguiente ventana

41
Para segmentar el archivo en dos grupos o muestras se introduce un valor entero para el Grupo 1 y un valor entero para
el Grupo 2. Así, en los campos Grupo 1 y Grupo 2 se ponen los valores con los que están codificados Fumador (con
1) y NoFumador (con 2), respectivamente. Como indica la siguiente salida
Se pulsa Continuar y como está marcado por defecto el test U de Mann-Whitney se pulsa Aceptar y se obtiene las
siguientes salidas
Las observaciones de ambos grupos se combinan para formar una sola muestra, se ordenan linealmente y se les asigna un rango,
asignándose el rango promedio en caso de producirse empate, conservando su identidad como grupo. El estadístico W de Wilcoxon
(Wm) es la suma de los rangos asociados con las observaciones que originariamente constituyen la muestra menor (Fumadores). Se
realiza está elección ya que se piensa que si la población de Fumadores está situada por debajo de la población de NoFumadores,
entonces los rangos menores tenderán a asociarse con los valores de los Fumadores. Ello producirá un valor pequeño para el estadístico
Wm. Si es cierto lo contrario (la población de Fumadores está situada por encima de la población de NoFumadores) entonces los rangos
mayores se encontrarán entre los Fumadores, dando lugar a un valor grande del estadístico Wm. De esta forma, se rechaza H0 si el
valor observado Wm fuera demasiado pequeño o demasiado grande para que se debiera al azar.
Si las diferencias entre los grupos se deben al azar, el rango promedio de los dos grupos debería ser aproximadamente
igual. En la salida anterior se observa que hay una diferencia de alrededor de siete minutos (Rango promedio de
Fumadores es 17.67 el de los NoFumadores es 11.07). Siendo mayor el tiempo que tarda en dormirse los Fumadores.
En la siguiente salida se muestran los valores experimentales de los estadísticos de contrastes y el p-valor asociado

42
SPSS calcula dos estadísticos: U de Mann-Whitney y W de Wilcoxon, como ambos estadísticos son equivalentes SPSS
muestra un único valor de p-valor (Sig). Además, en el cálculo de dicho p-valor aplica una aproximación a la distribución
normal, la cual sólo es válida para muestras grandes.
El estadístico U de Mann-Whitney, como el de W de Wilcoxon, dependen de las observaciones de los dos grupos
linealmente ordenadas. El estadístico U es el número de veces que un valor de los Fumadores precede al de los
NoFumadores. El Estadístico U será grande si la población de los Fumadores está situada por encima de la población de
los NoFumadores y será pequeño si sucede lo contario.
El estadístico de contraste Wm es la suma de los rangos asociados a los Fumadores. Como sospechamos que los Fumadores
tardan más tiempo en quedarse dormidos que los NoFumadores, se rechaza la Hipótesis nula de que no existen diferencias
entre los dos grupos si el valor de Wm es demasiado pequeño para que se deba al azar.
El p-valor asociado al contraste, 0.032, nos conduce a rechazar la hipótesis nula de que no existe diferencias entre los dos
grupos y concluimos que los Fumadores tienden a tardar más tiempo en quedarse dormidos que los NoFumadores.

Ejercicio practico 1 10 2018

Más contenido relacionado

La actualidad más candente (20)

Similar a Ejercicio practico 1 10 2018 (20)

Más de edidson fuentes (20)

Último (20)

Ejercicio practico 1 10 2018