Hipotesis2

Prof. Domingo de la Cerda

PRUEBA DE HIPOTESIS

Las secciones anteriores han mostrado cómo puede estimarse un parámetro a
partir de los datos contenidos en una muestra. Puede encontrarse ya sea un
sólo número (estimador puntual) o un intervalo de valores posibles (intervalo de
confianza). Sin embargo, 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 el nombre de
hipótesis. Este es uno de los aspectos más útiles de la inferencia estadística,
puesto que muchos tipos de problemas de toma de decisiones, pruebas o
experimentos en el mundo de la ingeniería, pueden formularse como problemas
de prueba de hipótesis.

Una hipótesis estadística es una proposición o supuesto sobre los parámetros
de una o más poblaciones.

Suponga que se tiene interés en la rapidez de combustión de un agente
propulsor sólido utilizado en los sistemas de salida de emergencia para la
tripulación de aeronaves. El interés se centra sobre la rapidez de combustión
promedio. De manera específica, el interés recae en decir si la rapidez de
combustión promedio es o no 50 cm/s. Esto puede expresarse de manera formal
como
Ho; µ = 50 cm/s
H1; µ ≠ 50 cm/s
La proposición Ho ; µ = 50 cm/s, se conoce como hipótesis nula , mientras que
la proposición H1 ; µ ≠ 50 cm/s, recibe el nombre de hipótesis alternativa.
Puesto que la hipótesis alternativa especifica valores de µ que pueden ser
mayores o menores que 50 cm/s, también se conoce como hipótesis
alternativa bilateral. En algunas situaciones, lo que se desea es formular una
hipótesis alternativa unilateral, como en
Ho; µ = 50 cm/s Ho; µ = 50 cm/s
ó
H1; µ < 50 cm/s H1; µ > 50 cm/s

Es importante recordar que las hipótesis siempre son proposiciones sobre la
población o distribución bajo estudio, no proposiciones sobre la muestra. Por lo
general, el valor del parámetro de la población especificado en la hipótesis nula
se determina en una de tres maneras diferentes:

1. Puede ser resultado de la experiencia pasada o del conocimiento del
proceso, entonces el objetivo de la prueba de hipótesis usualmente es
determinar si ha cambiado el valor del parámetro.

52

2. Puede obtenerse a partir de alguna teoría o modelo que se relaciona con el
proceso bajo estudio. En este caso, el objetivo de la prueba de hipótesis es
verificar la teoría o modelo.

3. Cuando el valor del parámetro proviene de consideraciones externas, tales
como las especificaciones de diseño o ingeniería, o de obligaciones
contractuales. En esta situación, el objetivo usual de la prueba de hipótesis
es probar el cumplimiento de las especificaciones.

Un procedimiento que conduce a una decisión sobre una hipótesis en particular
recibe el nombre de prueba de hipótesis . Los procedimientos de prueba de
hipótesis dependen del empleo de la información contenida en la muestra
aleatoria de la población de interés. Si esta información es consistente con la
hipótesis, se concluye que ésta es verdadera; sin embargo si esta información
es inconsistente con la hipótesis, se concluye que esta es falsa. Debe hacerse
hincapié en que la verdad o falsedad de una hipótesis en particular nunca puede
conocerse con certidumbre, a menos que pueda examinarse a toda la población.
Usualmente esto es imposible en muchas situaciones prácticas. Por tanto, es
necesario desarrollar un procedimiento de prueba de hipótesis teniendo en
cuenta la probabilidad de llegar a una conclusión equivocada.

La hipótesis nula, representada por Ho, es la afirmación sobre una o más
características de poblaciones que al inicio se supone cierta (es decir, la
“creencia a priori”).

La hipótesis alternativa, representada por H1, es la afirmación contradictoria a
Ho, y ésta es la hipótesis del investigador.

La hipótesis nula se rechaza en favor de la hipótesis alternativa, sólo si la
evidencia muestral sugiere que Ho es falsa. Si la muestra no contradice
decididamente a Ho , se continúa creyendo en la validez de la hipótesis nula.
Entonces, las dos conclusiones posibles de un análisis por prueba de hipótesis
son rechazar H o o no rechazar H o.

Prueba de una Hipótesis Estadística

Para ilustrar los conceptos generales, considere el problema de la rapidez de
combustión del agente propulsor presentado con anterioridad. La hipótesis nula
es que la rapidez promedio de combustión es 50 cm/s, mientras que la hipótesis
alternativa es que ésta no es igual a 50 cm/s. Esto es, se desea probar:

Ho; µ = 50 cm/s
H1; µ ≠ 50 cm/s

Supóngase que se realiza una prueba sobre una muestra de 10 especímenes, y
que se observa cual es la rapidez de combustión promedio muestral. La media

53

muestral es un estimador de la media verdadera de la población. Un valor de la
media muestral x que este próximo al valor hipotético µ = 50 cm/s es una
evidencia de que el verdadero valor de la media µ es realmente 50 cm/s; esto
es, tal evidencia apoya la hipótesis nula Ho. Por otra parte, una media muestral
muy diferente de 50 cm/s constituye una evidencia que apoya la hipótesis
alternativa H1. Por tanto, en este caso, la media muestral es el estadístico de
prueba.

La media muestral puede tomar muchos valores diferentes. Supóngase que si
48.5≤ x ≤51.5, entonces no se rechaza la hipótesis nula Ho; µ = 50 cm/s, y que si
x <48.5 ó x >51.5, entonces se acepta la hipótesis alternativa H1 ; µ ≠ 50 cm/s.
Los valores de x que son menores que 48.5 o mayores que 51.5 constituyen la
región crítica de la prueba, mientras que todos los valores que están en el
intervalo 48.5≤ x ≤51.5 forman la región de aceptación. Las fronteras entre las
regiones crítica y de aceptación reciben el nombre de valores críticos. La
costumbre es establecer conclusiones con respecto a la hipótesis nula Ho. Por
tanto, se rechaza Ho en favor de H1 si el estadístico de prueba cae en la región
crítica, de lo contrario, no se rechaza Ho .

Este procedimiento de decisión puede conducir a una de dos conclusiones
erróneas. Por ejemplo, es posible que el valor verdadero de la rapidez promedio
de combustión del agente propulsor sea igual a 50 cm/s. Sin embargo, para
todos los especímenes bajo prueba, bien puede observarse un valor del
estadístico de prueba x que cae en la región crítica. En este caso, la hipótesis
nula Ho será rechazada en favor de la alternativa H cuando, de hecho, Ho en
1
realidad es verdadera. Este tipo de conclusión equivocada se conoce como
error tipo I.

El error tipo I se define como el rechazo de la hipótesis nula Ho cuando ésta es
verdadera. También es conocido como α ó nivel de significancia.

Si tuviéramos un nivel de confianza del 95% entonces el nivel de significancia
sería del 5%. Análogamente si se tiene un nivel de confianza del 90% entonces
el nivel de significancia sería del 10%.

Ahora supóngase que la verdadera rapidez promedio de combustión es diferente
de 50 cm/s, aunque la media muestral x caiga dentro de la región de aceptación.
En este caso se acepta Ho cuando ésta es falsa. Este tipo de conclusión recibe
el nombre de error tipo II.

El error tipo II ó error β se define como la aceptación de la hipótesis nula
cuando ésta es falsa.

Por tanto, al probar cualquier hipótesis estadística, existen cuatro situaciones
diferentes que determinan si la decisión final es correcta o errónea.

54

Decisión Ho es verdadera Ho es falsa
Aceptar Ho No hay error Error tipo II ó β
Rechazar Ho Error tipo I ó α No hay error

1. Los errores tipo I y tipo II están relacionados. Una disminución en la
probabilidad de uno por lo general tiene como resultado un aumento en la
probabilidad del otro.
2. El tamaño de la región crítica, y por tanto la probabilidad de cometer un error
tipo I, siempre se puede reducir al ajustar el o los valores críticos.
3. Un aumento en el tamaño muestral n reducirá α y β de forma simultánea.
4. Si la hipótesis nula es falsa, β es un máximo cuando el valor real del
parámetro se aproxima al hipotético. Entre más grande sea la distancia entre
el valor real y el valor hipotético, será menor β.

PASOS PARA ESTABLECER UN ENSAYO DE HIPOTESIS
INDEPENDIENTEMENTE DE LA DISTRIBUCION QUE SE ESTE TRATANDO

1. Interpretar correctamente hacia que distribución muestral se ajustan los datos
del enunciado.

2. Interpretar correctamente los datos del enunciado diferenciando los
parámetros de los estadísticos. Así mismo se debe determinar en este punto
información implícita como el tipo de muestreo y si la población es finita o
infinita.

3. Establecer simultáneamente el ensayo de hipótesis y el planteamiento gráfico
del problema. El ensayo de hipótesis está en función de parámetros ya que
se quiere evaluar el universo de donde proviene la muestra. En este punto se
determina el tipo de ensayo (unilateral o bilateral).

4. Establecer la regla de decisión. Esta se puede establecer en función del valor
crítico, el cual se obtiene dependiendo del valor de α (Error tipo I o nivel de
significancia) o en función del estadístico límite de la distribución muestral.
Cada una de las hipótesis deberá ser argumentada correctamente para
tomar la decisión, la cual estará en función de la hipótesis nula o Ho .

5. Calcular el estadístico real, y situarlo para tomar la decisión.

6. Justificar la toma de decisión y concluir.

Tipos de Ensayo
Se pueden presentar tres tipos de ensayo de hipótesis que son:
§ Unilateral Derecho
§ Unilateral Izquierdo
§ Bilateral

55

Dependiendo de la evaluación que se quiera hacer se seleccionará el tipo de
ensayo.

§ Unilateral Derecho. El investigador desea comprobar la hipótesis de un
aumento en el parámetro, en este caso el nivel de significancia se carga todo
hacia el lado derecho, para definir las regiones de aceptación y de rechazo.

Ensayo de hipótesis:
H1
Ho
Ho; Parámetro ≤ x Región de
rechazo
H1; Parámetro > x α

Región de aceptación

Parámetro = x
§ Unilateral Izquierdo: El investigador desea comprobar la hipótesis de una
disminución en el parámetro, en este caso el nivel de significancia se carga
todo hacia el lado izquierdo, para definir las regiones de aceptación y de
rechazo.
Ensayo de hipótesis: H1
Ho
Ho; Parámetro ≥ x Región de
rechazo
H1; Parámetro < x
α

Parámetro = x

§ Bilateral: El investigador desea comprobar la hipótesis de un cambio en el
parámetro. El nivel de significancia se divide en dos y existen dos regiones
de rechazo.
Ensayo de hipótesis: Ho
H1
H1
Ho; Parámetro = x Región de Región de
H1; Parámetro ≠ x rechazo Rechazo

α/2 α/2

Parámetro = x
Para realizar los ejemplos y ejercicios de ensayo de hipótesis se recomienda
seguir los pasos mencionados anteriormente. Los ejemplos siguientes se
solucionarán por los pasos recomendados, teniéndose una variedad de
problemas en donde se incluirán a todas las distribuciones muestrales que se
han visto hasta aquí.

Ejemplos:

56

1. Una muestra aleatoria de 100 muertes registradas en Estados Unidos el año
pasado muestra una vida promedio de 71.8 años. Suponga una desviación
estándar poblacional de 8.9 años, ¿esto parece indicar que la vida media hoy
en día es mayor que 70 años? Utilice un nivel de significancia de 0.05.

Solución:
1. Se trata de una distribución muestral de medias con desviación estándar
conocida.
2. Datos:
µ=70 años
σ = 8.9 años
x = 71.8 años
n = 100
α = 0.05
3. Ensayo de hipótesis
Ho; µ = 70 años. H1
Ho
H1; µ > 70 años. Región de
rechazo
α = 0.05


µ = 70 ZL = 1.645
4. Regla de decisión:
Si zR≤ 1.645 no se rechaza Ho.
Si zR> 1.645 se rechaza Ho.
5. Cálculos:
x − µ 71.8 − 70
ZR = R = = 2.02
σ 8.9
n 100
6. Justificación y decisión.
Como 2.02 >1.645 se rechaza Ho y se concluye con un nivel de significancia
del 0.05 que la vida media hoy en día es mayor que 70 años.

Existe otra manera de resolver este ejercicio, tomando la decisión en base al
estadístico real, en este caso la media de la muestra. De la formula de la
distribución muestral de medias se despeja la media de la muestra:
x −µ Zσ (1.645)( 8.9)
ZL = L x L = µ + l = 70 + = 71.46
σ n 100
n
H1
Ho Región de
rechazo
α = 0.05


µ = 70 x L = 71.46

57

Regla de decisión:
Si x R ≤ 71.46 No se rechaza Ho
Si x R > 71.46 Se rechaza Ho

Como la media de la muestral es de 71.8 años y es mayor al valor de la media
muestral límite de 71.46 por lo tanto se rechaza H y se llega a la misma
o
conclusión.

2. Una empresa eléctrica fabrica focos que tienen una duración que se
distribuye de forma aproximadamente normal con una media de 800 horas y
una desviación estándar de 40 horas. Si una muestra aleatoria de 30 focos
tiene una duración promedio de 788 horas, ¿muestran los datos suficiente
evidencia para decir que la duración media ha cambiado? Utilice un nivel de
significancia del 0.04.

Solución:
conocida.

2. Datos:
µ=800 horas
σ = 40 horas
x = 788 horas
n = 30
α = 0.04

3. Ensayo de hipótesis Ho
Ho; µ = 800 horas H1
H1
H1; µ ≠ 800 horas
Región de Región de
rechazo Rechazo

α/2 = 0.02 α/2 = 0.02

ZL = -2.052 µ = 800 ZL = 2.052

4. Regla de Decisión:
Si –2.052≤ ZR≤ 2.052 No se rechaza Ho
Si ZR < -2.052 ó si Z R > 2.052 Se rechaza Ho

5. Cálculos:
x R − µ 788 − 800
ZR = = = −1.643
σ 40
n 30

6. Justificación y decisión:

58

Como –2.052≤ -1.643≤ 2.052 por lo tanto, no se rechaza Ho y se concluye
con un nivel de significancia del 0.04 que la duración media de los focos no
ha cambiado.

Solución por el otro método:
Zσ ( 2.052)( 40)
x L = µ ± l = 800 ± = 785.02 y 814.98
n 30
Ho
H1
H1

rechazo Rechazo

α/2 = 0.02 α/2 = 0.02

x L = 785.02 µ = 800 x L = 814.98
Regla de decisión:
Si 785.02 ≤ x R ≤ 814.98 No se rechaza Ho
Si x R < 785.02 ó x R > 814.98 se rechaza Ho

Como la x R = 788 horas, entonces no se rechaza Ho y se concluye que la
duración media de los focos no ha cambiado.

3. Una muestra aleatoria de 64 bolsas de palomitas de maíz pesan, en pomedio
5.23 onzas con una desviación estándar de 0.24 onzas. Pruebe la hipótesis
de que µ = 5.5 onzas contra al hipótesis alternativa, µ < 5.5 onzas en el nivel
de significamcia de 0.05.

Solución:
desconocida, pero como el tamaño de muestra es mayor a 30 se puede
tomar la desviación muestral como un estimador puntual para la poblacional.

2. Datos:
µ= 5.5 onzas
s= 0.24 onzas
x = 5.23 onzas
n = 64 H1
α = 0.05 Ho
Región de
rechazo
Ho; µ = 5.5 onzas
α = 0.05
H1; µ < 5.5 onzas

ZL = -1.645 µ = 5.5

59

Si ZR ≥ -1.645 No se rechaza Ho
Si ZR < -1.645 Se rechaza Ho

5. Cálculos:
x R − µ 5.23 − 5.5
ZR = = = −9
σ 0.24
n 64
Como –9 < -1.645 por lo tanto se rechaza Ho y se concluye con un nivel de
significancia del 0.05 que las bolsas de palomitas pesan en promedio menos
de 5.5 onzas.

Zlσ (1.645)(0.24)
xL = µ − = 5 .5 − = 5.45
n 64
H1
Ho
Región de
rechazo

α = 0.05

x L = 5.45 µ = 5.5

Regla de decisión:
Si x R ≥ 5.45 No se Rechaza Ho
Si x R < 5.45 Se rechaza Ho

Como la x R = 5.23 y este valor es menor que 5.45 pot lo tanto se rechaza Ho.

4. Un constructor afirma que se instalan bombas de calor en 70% de todas las
casas que se construyen hoy en día en la ciudad de Richmond. ¿Estaría de
acuerdo con esta afirmación si una investigación de casas nuevas en esta
ciudad muestra que 8 de 15 tienen instaladas bombas de calor? Utilice un
nivel de significancia de 0.10.

Solución:
1. Se trata de una distribución muestral de proporciones.
2. Datos:
P= 0.70
p = 8/15 = 0.5333
n = 15
α = 0.10

60

3. Ensayo de hipótesis Ho
Ho; P = 0.70 H1
H1
H1; P ≠ 0.70
rechazo Rechazo

α/2 = 0.05 α/2 = 0.05

ZL = -1.645 P = 0.70 ZL = 1.645


5. Cálculos:
p−P 0.533 − 0.70
ZR = = = −1.41
Pq (0.70)( 0.30)
n 15
Como –1.645≤ -1.41≤ 1.645 No se rechaza Ho y se concluye con un nivel de
significancia de 0.10 que la afirmación del constructor es cierta.

Pq ( 0.70)( 0.30)
pL = P ± zL = 0.70 ± 1.645 = 0.505 y 0.894
n 15
Ho
H1
H1

rechazo Rechazo

α/2 = 0.05 α/2 = 0.05

p L = 0.505 P = 0.70 p L = 0.894
Regla de decisión:
Si 0.505≤ pR≤ 0.894 No se rechaza Ho
Si p R < 0.505 ó si ZR > 0.894 Se rechaza Ho

Como el valor del estadístico real es de 0.533 por lo tanto no se rechaza Ho y se
llega a la misma conclusión.

5. Un fabricante de semiconductores produce controladores que se emplean en
aplicaciones de motores automovilísticos. El cliente requiere que la fracción
de controladores defectuosos en uno de los pasos de manufactura críticos no
sea mayor que 0.05, y que el fabricante demuestre esta característica del
proceso de fabricación con este nivel de calidad, utilizando α = 0.05. El

61

fabricante de semiconductores toma una muestra aleatoria de 200
dispositivos y encuentra que cuatro de ellos son defectuosos. ¿El fabricante
puede demostrar al cliente la calidad del proceso?

Solución:
1. Se trata de una distribución muestral de proporciones.

2. Datos:
P= 0.05
p = 4/200 = 0.02
n = 200
α = 0.05

Ho; P = 0.05 H1
H1; P < 0.05 Ho
Región de
rechazo

α = 0.05

ZL = -1.645 P = 0.05

Si ZR ≥ -1.645 No se rechaza Ho
Si ZR < -1.645 Se rechaza Ho

5. Cálculos:
p−P 0.02 − 0.05
ZR = = = −1.946
Pq (0.05)( 0.95)
n 200
Puesto que –1.946<-1.645, se rechaza H y se concluye con un nivel de
o
significancia del 0.05 que la fracción de artículos defectuosos es menor que
0.05.

6. 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 ocho minutos, y esta
variabilidad inherente no debe verse afectada por la adición del nuevo
ingrediente. Se pintan diez especímenes con la fórmula 1, y otros diez con la
fórmula 2. Los dos tiempos promedio de secado muestrales son 121 min y
112 min respectivamente. ¿A qué conclusiones puede llegar el diseñador del
producto sobre la eficacia del nuevo ingrediente, utilizando α = 0.05?

62

Solución:
1. Se trata de una distribución muestral de diferencia de medias con desviación
estándar conocida.

2. Datos:
σ1=σ2= 8
x1 = 121 min
x 2 = 112 min
n1=n2= 10
α = 0.05

Ho; µ1-µ2 = 0
H1; µ1-µ2 > 0 Se desea rechazar Ho si el nuevo ingrediente disminuye el
tiempo promedio de secado, por eso se pone la diferencia mayor a cero o
sea positiva para poder probar que µ2 es menor que µ1.
H1
Ho Región de
rechazo

α = 0.05


µ 1-µ2 =0 ZL = 1.645
70


5. Cálculos:
( x1 − x 2 ) − ( µ 1 − µ 2 ) (121 − 112) − 0
ZR = = = 2.52
σ 12 σ 2
2
82 82
+ +
n1 n2 10 10

Puesto que 2.52>1.645, se rechaza Ho , y se concluye con un nivel de
significancia de 0.05 que la adición del nuevo ingrediente a la pintura si
disminuye de manera significativa el tiempo promedio de secado.

63

σ 12 σ 12 82 82
( x1 − x 2 ) L = ( µ 1 − µ 2 ) + z + = 0 + 1.645 + = 5.88
n1 n 2 10 10

H1
Ho Región de
rechazo

α = 0.05


µ 1-µ2 =0 x1 − x2 = 5.88

Regla de decisión:
Si ( x1 − x 2 ) R ≤ 5.88 No se rechaza Ho
Si ( x1 − x 2 ) R > 5.88 Se rechaza Ho

Puesto que ( x1 − x 2 ) R = 121-112 = 9 y este número es mayor a 5.88 por lo tanto
se rechaza Ho .

7. Se utilizan dos máquinas para llenar botellas de plástico con un volumen neto
de 16.0 onzas. Las distribuciones de los volúmenes de llenado pueden
suponerse normales, con desviaciones estándar σ1= 0.020 y σ2 = 0.025
onzas. Un miembro del grupo de ingeniería de calidad sospecha que el
volumen neto de llenado de ambas máquinas es el mismo, sin importar si
éste es o no de 16 onzas. De cada máquina se toma una muestra aleatoria
de 10 botellas. ¿Se encuentra el ingeniero en lo correcto? Utilice α = 0.05

MAQUINA 1 MAQUINA 2
16.03 16.01 16.02 16.03
16.04 15.96 15.97 16.04
16.05 15.98 15.96 16.02
16.05 16.02 16.01 16.01
16.02 15.99 15.99 16.00

Solución:
estándar conocida.

2. Datos:
σ1= 0.020
σ2= 0.025
x1 = 16.015 Este dato se obtuvo calculando la media de los datos en la
máquina 1.

64

x 2 = 16.005 Este dato se obtuvo calculando la media de los datos en la
máquina 2.
n1=n2 = 10
α = 0.05

Ho; µ1-µ2 = 0
H1; µ1-µ2 ≠ 0 Si se cae en Ho se podrá probar que el volumen de llenado es el
mismo en las dos máquinas.

Ho
H1
H1

rechazo Rechazo

α/2 = 0.025 α/2 = 0.025

ZL = -1.96 µ1−µ2 = 0 ZL = 1.96


5. Cálculos:
( x1 − x 2 ) − ( µ 1 − µ 2 ) (16 .015 − 16.005) − 0
ZR = = = 0.987
σ 12 σ 2
2
0.020 2 0.025 2
+ +
n1 n2 10 10

Como –1.96≤ 0.987≤ 1.96 entonces no se rechaza Ho y se concluye con un nivel
de significancia de 0.05 que las dos máquinas tienen en promedio la misma
cantidad de llenado.

σ 12 σ 12 0.020 2 0.025 2
( x1 − x 2 ) L = ( µ 1 − µ 2 ) ± z + = 0 ± 1.96 + = -0.019 y 0.019
n1 n2 10 10
Ho
H1
H1

rechazo Rechazo

α/2 = 0.025 α/2 = 0.025

( x1 − x2 ) = −0.019 µ1−µ2 = 0 ( x1 − x 2 ) = 0.019

65

Regla de decisión:
Si –0-019≤ ( x1 − x 2 ) R ≤ 0.019 No se rechaza Ho
Si ( x1 − x 2 ) R < -0.019 ó ( x1 − x 2 ) R > 0.019 Se rechaza Ho

Como ( x1 − x 2 ) R = 16.015 – 16.005 = 0.01, entonces cae en la región de
aceptación y no se rechaza Ho.

8. Existen dos tipos de plástico apropiados para su uso por un fabricante de
componentes electrónicos. La tensión de ruptura de ese plástico es un
parámetro importante . Se sabe que σ1=σ2= 1.0 psi. De una muestra aleatoria
de tamaño 10 y 12 para cada plástico respectivamente, se tiene una media
de 162.5 para el plástico 1 y de 155 para el plástico 2. La compañía no
adoptará el plástico 1 a menos que la tensión de ruptura de éste exceda a la
del plástico 2 al menos por 10 psi. Con base a la información contenida en la
muestra, ¿la compañía deberá utilizar el plástico 1? Utilice α = 0.05 para
llegar a una decisión.

Solución:
estándar conocida.

2. Datos:
σ1=σ2= 1.0 psi
x1 = 162 .5 psi
x 2 = 155 psi
n1= 10
n2= 12
α = 0.05


Ho; µ1-µ2 = 10
H1; µ1-µ2 > 10 Se desea rechazar Ho si la media del plástico 1 supera a la
media del plástico 2 en por lo menos 10 psi.

H1
Ho Región de
rechazo

α = 0.05


µ 1-µ2 =10 ZL = 1.645

66


5. Cálculos:
( x1 − x 2 ) − ( µ1 − µ 2 ) (162.5 − 155) − 10
ZR = = = −5.83
σ 2
σ 2
12 12
+
1 2
+
n1 n 2 10 12

No existe evidencia suficiente para apoyar el uso del plástico 1 ya que
–5.83≤ 1.645, por lo tanto no se rechaza Ho .

σ 12 σ 12 12 12
( x1 − x 2 ) L = ( µ 1 − µ 2 ) + z + = 10 + 1.645 + = 10.70
n1 n 2 10 12

H1
Ho Región de
rechazo

α = 0.05


µ 1-µ2 =10 x1 − x 2 = 10.70

Regla de decisión:
Si ( x1 − x 2 ) R ≤ 10.70 No se rechaza Ho
Si ( x1 − x 2 ) R > 10.70 Se rechaza Ho

Puesto que ( x1 − x 2 ) R = 162.5-155 = 7.5 y este número es no es mayor a 10.7 por
lo tanto no se rechaza Ho.

9. Se evalúan dos tipos diferentes de soluciones para pulir, para su posible uso
en una operación de pulido en la fabricación de lentes intraoculares utilizados
en el ojo humano después de una cirugía de cataratas. Se pulen 300 lentes
con la primera solución y, de éstos, 253 no presentaron defectos inducidos
por el pulido. Después se pulen otros 300 lentes con la segunda solución, de
los cuales 196 resultan satisfactorios. ¿Existe alguna razón para creer que
las dos soluciones para pulir son diferentes? Utilice α = 0.01

67

Solución:
1. Se trata de una distribución muestral de diferencia de proporciones.

2. Datos:
p1= 253/300= 0.8433
p2 = 196/300= 0.6533
n1=n2 = 300

3. Ensayo de hipótesis:
Ho; P1-P 2 = 0 Ho
H1; P1-P 2 ≠ 0 H1
H1

rechazo Rechazo

α/2 = 0.005 α/2 = 0.005

ZL = -2.575 P1−P2 = 0 ZL = 2.575


5. Cálculos:
( p1 − p 2 ) − ( P1 − P2 )
ZR =
P1 q1 P2 q 2
+
n1 n2
En esta fórmula se puede observar que en el denominador se tienen a las
proporciones poblacionales o sea los parámetros, los cuales no se conocen,
por lo que en el ensayo de hipótesis la fórmula para poder calcular la ZR
cambia, estimando a el parámetro común P de la siguiente forma:

x1 + x 2 n p + n2 p 2
P= ó bien P = 1 1
n1 + n 2 n1 + n 2

Entonces la fórmula de Z R quedaría de la siguiente manera:

( p1 − p 2 ) − ( P1 − P2 )
ZR =
1 1 
Pq + 
n n 
 1 2 

68

Se calculará el valor de P:
x1 + x 2 253 + 196
P= = = 0.7483
n1 + n 2 300 + 300

( p1 − p2 ) − ( P1 − P2 ) (0.8433 − 0.6533) − 0
ZR = = = 5.36
1 1  1 1 
Pq +  ( 0.7483)( 0.2517)  + 
n n   300 300 
 1 2 

Puesto que 5.36>2.575, se rechaza la hipótesis nula y se concluye con un
nivel de significancia de 0.01 que los dos fluidos para pulir son diferentes.

10. Se tomará el voto entre los residentes de una ciudad y el condado
circundante para determinar si se debe construir una planta química
propuesta. El lugar de construcción está dentro de los límites de la ciudad y
por esta razón muchos votantes del condado consideran que la propuesta
pasará debido a la gran proporción de votantes que favorecen la
construcción. Para determinar si hay una diferencia significativa en la
proporción de votantes de la ciudad y votantes del condado que favorecen la
propuesta, se realiza una encuesta. Si 120 de 200 votantes de la ciudad
favorecen la propuesta y 240 de 500 residentes del condado también lo
hacen, ¿estaría de acuerdo en que la proporción de votantes de la ciudad
que favorecen la propuesta es más alto que la proporción de votantes del
condado? Utilice un nivel de significancia de 0.025.

Solución:
1. Se trata de una distribución muestral de diferencia de proporciones.

2. Datos:
p1= 120/200= 0.60
p2 = 240/500= 0.48
n1 = 200
n2 = 500

3. Ensayo de hipótesis:
Ho; P1-P 2 = 0
H1; P1-P 2 > 0
H1
Ho Región de
rechazo

α = 0.025


P1-P2 =0 ZL = 1.96

69


5. Cálculos:
Se calculará el valor de P:

x1 + x 2 120 + 240 x + x 2 120 + 240
P= = = 0.51 P = 1 = = 0.51
n1 + n 2 200 + 500 n1 + n 2 200 + 500

( p1 − p2 ) − ( P1 − P2 ) ( 0.60 − 0.48) − 0
ZR = = = 2 .9
1 1  1 1 
Pq +  ( 0.51)(0.49)  + 
n n   200 500 
 1 2 

Puesto que 2.9>1.96, se rechaza la hipótesis nula y se concluye con un nivel
de significancia de 0.025 que la proporción de votantes de la ciudad a favor
de la propuesta es más alta que la proporción de votantes del condado.

Uso de valores P para la toma de decisiones

Al probar hipótesis en las que la estadística de prueba es discreta, la región
crítica se puede elegir de forma arbitraria y determinar su tamaño. Si α es
demasiado grande, se puede reducir al hacer un ajuste en el valor crítico. Puede
ser necesario aumentar el tamaño de la muestra para compensar la disminución
que ocurre de manera automática en la potencia de la prueba (probabilidad de
rechazar Ho dado que una alternativa específica es verdadera).

Por generaciones enteras de análisis estadístico, se ha hecho costumbre elegir
un nivel de significancia de 0.05 ó 0.01 y seleccionar la región crítica en
consecuencia. Entonces, por supuesto, el rechazo o no rechazo estricto de Ho
dependerá de esa región crítica. En la estadística aplicada los usuarios han
adoptado de forma extensa la aproximación del valor P. La aproximación se
diseña para dar al usuario una alternativa a la simple conclusión de “rechazo” o
“no rechazo”.

La aproximación del valor P como ayuda en la toma de decisiones es bastante
natural pues casi todos los paquetes de computadora que proporcionan el
cálculo de prueba de hipótesis entregan valores de P junto con valores de la
estadística de la prueba apropiada.

• Un valor P es el nivel (de significancia) más bajo en el que el valor
observado de la estadística de prueba es significativo.

70

• El valor P es el nivel de significancia más pequeño que conduce al rechazo
de la hipótesis nula Ho.
• El valor P es el mínimo nivel de significancia en el cual Ho sería rechazada
cuando se utiliza un procedimiento de prueba especificado con un conjunto
dado de información. Una vez que el valor de P se haya determinado, la
conclusión en cualquier nivel α particular resulta de comparar el valor P con
α:
1. Valor P ≤ α ⇒ rechazar Ho al nivel α.
2. Valor P > α ⇒ No rechazar Ho al nivel α.

Ensayo Unilateral Derecho:

Valor P

Z= 0
ZR ó calculada

Ensayo Unilateral Izquierdo:

Valor P

Z= 0
ZR ó calculada

Ensayo Bilateral:

Valor P = Suma de las dos áreas

ZR , -ZR calculadas

71

Ejemplos:
1. Calcular el valor de P para el primer ejemplo de ensayo de hipótesis en
donde se quería probar que la edad media de los habitantes de Estados
Unidos es superior a 70 años.

Solución:

Ho
rechazo
α = 0.05


µ = 70 ZL = 1.645
Si P≤ 0.05 se rechaza Ho.
Si P > 0.05 No se rechaza Ho.

3. Cálculos:
x R − µ 71.8 − 70
ZR = = = 2.02
σ 8.9
n 100
Esta es el valor de Z que se utilizará para calcular el valor de P, como es un
ensayo unilateral derecho se calculará el área a la derecha de este valor.

Valor P = 0.0217

Z= 0
ZR = 2.02
Como el valor de P es 0.217 y es menor al valor del nivel de significancia de
0.05 por lo tanto se rechaza H0 , y se concluye que la edad media de los
habitantes es mayor a 70 años.

2. Calcular el valor de P para el ejemplo 7 de esta sección en donde se tiene
dos máquinas y se quiere ver si tienen la misma cantidad promedio de
llenado en las botellas de plástico.

Solución:
Ho; µ1-µ2 = 0

72

H1; µ1-µ2 ≠ 0 Si se cae en Ho se podrá probar que el volumen de llenado es el
mismo en las dos máquinas.

Ho
H1
H1

rechazo Rechazo

α/2 = 0.025 α/2 = 0.025

ZL = -1.96 µ1−µ2 = 0 ZL = 1.96
Si P≤ 0.05 Se rechaza Ho
Si P > 0.05 No se rechaza Ho

3. Cálculos:
( x1 − x 2 ) − ( µ 1 − µ 2 ) (16 .015 − 16.005) − 0
ZR = = = 0.987
σ 12 σ 2
2
0.020 2 0.025 2
+ +
n1 n2 10 10
Como este es un ensayo bilateral se procederá a calcular el valor de P mediante
el valor de la ZR, positiva y negativa y luego se sumarán las áreas.
Valor P = 0.1618 + 0.1618 = 0.3236

ZR = -0.987 ZR = 0.987
Como el valor de P es mayor al de α, se no se rechaza H0, y se concluye que las
maquinas tienen el mismo llenado promedio.

3. Se afirma que un automóvil se maneja en promedio más de 20,000
kilómetros por año. Para probar esta afirmación, se pide a una muestra de
100 propietarios de automóviles que lleven un registro de los kilómetros que
viajen. ¿Está de acuerdo con esta afirmación si la muestra aleatoria tiene un
promedio de 23,500 kilómetros y una desviación estándar de 3900
kilómetros? Utilice un valor P para su conclusión.

Solución:
En este ejercicio no nos manejan ningún valor de α, por lo que se procederá a
plantear el ensayo y luego calcular z para poder conocer el valor de P y llegar a
una conclusión.

73

Ho; µ = 20,000 kilómetros.
H1; µ > 20,000 kilómetros.

2. Cálculos:
x R − µ 23500 − 20000
ZR = = = 8.97
σ 3900
n 100
3. Decisión.
Se observa que este valor de Z es muy grande, ni siquiera se encuentra en la
tabla, entonces quiere decir que el área a la derecha de ese valor es cero y
este sería el valor de P, por lo que no apoya a la hipótesis nula y se
concluye que los automóviles se manejan en promedio más de 20,000
kilómetros por año.

4. Se estudia la fracción de circuitos integrados defectuosos producidos en un
proceso de fotolitografía. Para ello se somete a prueba una muestra de 300
circuitos, en la que 13 son defectuosos. Utilice los datos para probar
Ho: P=0.05 contra H1: P≠ 0.05. Utilice un valor de P para su conclusión.

Solución:
Ho; P = 0.05
H1; P ≠ 0.05
2. Cálculos:
p−P 0.043 − 0.05
ZR = = = −0.53
Pq (0.05)( 0.95)
n 300
Valor P = 0.298 + 0.298 = 0.596

ZR = -0.53 ZR = 0.53

3. Decisión:
Este valor de P de 0.596 es muy grande por lo que se concluye que la
fracción defectuosa de circuitos integrados es de 0.05, o sea no se rechaza
Ho.

74

ERROR TIPO II ó β

Al evaluar un procedimiento de prueba de hipótesis, también es importante
examinar la probabilidad del error tipo II, el cual se denota por β. Esto es,

β = P(error tipo II) = P(aceptar Ho / Ho es falsa)

Para calcular β se debe tener una hipótesis alternativa específica; esto es, debe
tenerse un valor particular del parámetro. Por ejemplo, supóngase que es
importante rechazar la hipótesis nula Ho: µ = 50 cada vez que la rapidez
promedio de combustión µ es mayor que 52 cm/s o menor que 48 cm/s. Para
ello, puede calcularse la probabilidad β de un error tipo II para los valores µ = 52
y µ = 48, y utilizar este resultado para averiguar algo con respecto a la forma en
que se desempeñará la prueba. De manera específica, ¿cómo trabajará el
procedimiento de prueba si se desea detectar, esto es, rechazar Ho , para un
valor medio de µ = 52 ó µ = 48? Dada la simetría, sólo es necesario evaluar uno
de los dos casos, esto es, encontrar la probabilidad de aceptar la hipótesis nula
Ho: µ = 50 cuando el valor verdadero es µ = 52.

Para hacer este cálculo se tendrá un tamaño de muestra de 10 y una desviación
estándar de la población de 2.5 cm/s. Además se evaluará el error tipo II con un
nivel de significancia de 0.06.

Ho: µ = 50
H1: µ ≠ 50

Como ya sabemos se trata de un ensayo bilateral por lo que se tendrá que
calcular el valor del estadístico x L de la siguiente manera:

Z lσ (1.88)( 2.5)
xL = µ ± = 50 ± = 48.51 y 51.48
n 10

Para facilitar los cálculos se redondearán estos números a 48.5 y 51.5
Ho
1H
H1

rechazo Rechazo

α/2 = 0.03 α/2 = 0.03

x L = 48.5 µ = 50 x L = 51.5
Para poder comprender mejor el cálculo del error tipo II se delimitará el área de
la región de aceptación con dos líneas ya que es bilateral y se evaluará la
probabilidad de caer en esa área cuando la media tiene un valor de 52 y de 48.

75

Ho
H1
H1

rechazo Rechazo

α/2 = 0.03 α/2 = 0.03

x L = 48.5 µ = 50 x L = 51.5 48.5 − 52
z= = −4.43
2 .5
β = 0.2643 10

51.5 − 52
z= = −0.63
2 .5
10

µ = 52
48.5 − 48
β = 0.2643 z= = 0.63
2 .5
10
51.5 − 48
z= = 4.43
2 .5
10
µ = 48
Como se puede observar en cada calculo del valor β se tuvieron que evaluar los
dos valores de z. En el primer calculo de β se tiene un valor de z=-4.43, esto
quiere decir que no existe área del lado izquierdo del 48.5, por lo que β sólo será
el área que corresponda a la z=-0.63. Lo mismo pasa con el segundo cálculo de
β. Como las medias de 52 y 48 son equidistantes del 50 por este motivo los
valores del error tipo II son los mismos.
En caso que no estén equidistantes se tienen que calcular por separado y
calcular los valores correspondientes de z porque en ocasiones se tiene un área
que no está dentro de la región de aceptación, la cual no se tiene que tomar en
cuenta para evaluar al error tipo II.
A continuación se procederá a generar algunas curvas características de
operación para evaluar al error tipo II, entre más se aleja el valor verdadero de la
media de la media de la hipótesis nula, menor es la probabilidad del error tipo II
para un tamaño de muestra y nivel de significancia dadas. A medida que el
tamaño de la muestra aumenta la probabilidad de cometer el error tipo II
disminuye. Esto se observará en los ejercicios siguientes.

Ejemplos:

1. Generar una curva característica de operación para el ejercicio número 1 de
la sección de ensayo de hipótesis con las siguientes medias supuestas:
µ = 70.5, 71, 71.5, 72, 72.5, 73, 73.5, y 74.

76

2. Datos:
µ=70 años
σ = 8.9 años
x = 71.8 años
n = 100
α = 0.05

Ho
rechazo

α = 0.05


µ = 70 ZL = 1.645
Se calculará el estadístico límite:

Z lσ (1.645)( 8.9)
xL = µ + = 70 + = 71.46
n 100

H1
Ho Región de
rechazo

α = 0.05

x L = 71.46

µ = 70

71.46 − 70.5
β= 0.8599 z= = 1.08
8 .9
100

µ = 70.5

β= 0.6974
71.46 − 71
z= = 0.517
8 .9
100

µ = 71

77

71.46 − 71.5
z= = −0.044
β= 0.4824 8 .9
100

µ = 71.5

71.46 − 72
z= = −0.606
β= 0.2722
8 .9
100

µ = 72

β= 0.1214 71.46 − 72.5
z= = −1.168
8 .9
100

µ = 72.5

71.46 − 73
β= 0.0418 z= = −1.73
8 .9
100

µ = 73

71.46 − 73.5
z= = −2.29
8 .9
β= 0.011 100

µ = 73.5

β= 0.0021 71.46 − 74
z= = −2.85
8 .9
100

µ = 74

78

CURVA CARACTERISTICA DE OPERACION

1
Probabilidad error tipo II
0.95
0.9 0.8599
0.8
0.7 0.6974
0.6
0.5 0.4824
0.4
0.3 0.2722
0.2
0.1 0.1214
0.0418 0.011
0 0.0021
70 70.5 71 71.5 72 72.5 73 73.5 74 74.5
Valor de la media

En la mayoría de los libros de estadística existen las curvas características de
operación para diferentes tamaños de muestra y éstas se proporcionan tanto
para α = 0.05 como para α = 0.01 (son las más comunes). Para poder utilizar las
curvas se define un parámetro llamado d, que estandariza para cualquier valor
de µ y σ:
µ − µo | δ |
d= =
σ σ

Si se quisiera consultar en un libro, ¿cuál es la probabilidad de cometer el error
tipo II ó β cuando la media verdadera es de 72?; se tendría que calcular el valor
de d y buscar en las curvas la que pertenezca a un tamaño de muestra de 100
con un α = 0.05.

72 − 70 |2|
d= = = 0.2247
8.9 8.9

Este valor se encuentra en el eje de las x. Si se transforma la curva
característica de operación con el valor de d quedaría de la siguiente manera:

79


1
0.95
0.8599
0.8
0.6974
0.6
0.4824
0.4
0.2722
0.2
0.1214
0 0.0418 0.011 0.0021
0 0.1 0.2 0.3 0.4 0.5

d

Se comentó anteriormente que si el tamaño de la muestra aumenta los dos tipos
de errores α y β disminuyen. Para probar esto y específicamente en lo que se
refiere al error tipo II se realizará el ejercicio anterior suponiendo que en lugar de
tener 100 personas, el tamaño de la muestra aumenta a 150 personas.

Se calculará el estadístico límite:

Z lσ (1.645)( 8.9)
xL = µ + = 70 + = 71.2
n 150

H1
Ho Región de
rechazo

α = 0.05


µ = 70 x L = 71.2

71.2 − 70.5
β= 0.8322 z= = 0.963
8 .9
150

µ = 70.5

80

71.2 − 71
β= 0.6083 z= = 0.275
8 .9
150

µ = 71

β= 0.3407 71.2 − 71.5
z= = −0.412
8 .9
150

µ = 71.5

β= 0.1356 71.2 − 72
z= = −1.10
8 .9
150

µ = 72

β= 0.0367
71.2 − 72.5
z= = −1.79
8 .9
150
µ = 72.5

β= 0.0067
71.2 − 73
z= = −2.47
8 .9
150
µ = 73

β= 0.0007 71.2 − 73.5
z= = −3.16
8 .9
150

µ = 73.5

81


1
Probabilidad error tipo II 0.9
0.8
0.7
0.6
n=100
0.5
n=150
0.4
0.3
0.2
0.1
0
70 70.5 71 71.5 72 72.5 73 73.5 74 74.5
Valor de la media

3. Generar una curva característica de operación (CCO) para el ejercicio 5 de
ensayo de hipótesis. Suponer los siguientes valores de P; 0.04, 0.03, 0.025,
0.02 y 0.01. Enseguida se proporciona la información necesaria para realizar
la CCO:

Datos:
P= 0.05
p = 4/200 = 0.02
n = 200
α = 0.05

Ensayo de hipótesis
Ho; P = 0.05 H1
H1; P < 0.05 Ho
Región de
rechazo

α = 0.05

ZL = -1.645 P = 0.05

Solución:
Se procederá a calcular el estadístico límite p L:
Pq ( 0.05)(0.95)
pL = P − z = 0.05 − 1.645 = 0.0246
n 200

82

H1
Ho
Región de
rechazo

α = 0.05

p L = 0.0246 P = 0.05
0.0246 − 0.04
z= = −1.11
( 0.04)( 0.96) β=0.8665
200

P = 0.04

β=0.6725
0.0246 − 0.03
z= = −0.447
(0.03)(0.97 )
200
P = 0.03

0.0246 − 0.025 β=0.5143
z= = −0.036
( 0.025)(0.975)
200

P = 0.025

0.0246 − 0.02 β=0.3213
z= = 0.464
( 0.02)( 0.98)
200

P = 0.02

0.0246 − 0.01 β=0.0189
z= = 2.075
( 0.01)(0.99)
200
P = 0.01

83

En una distribución muestral de proporciones, para graficar la CCO, se necesita
calcular el valor de np, que es el que irá en el eje de las x para estandarizar la
curva.


1
0.95

0.9 0.8665
0.8
0.7 0.6725
0.6
0.5 0.5143
0.4
0.3 0.3213
0.2
0.1
0 0.0189
1 3 5 7 9

np

4. Genere un CCO para el ejercicio número 6 de la sección anterior. Suponga
las siguientes diferencias de medias: µ1 -µ2 =2, 4, 6, 7, 9, 12 y 14.
Datos:
σ1=σ2= 8
x1 = 121 min
x 2 = 112 min
n1=n2= 10
α = 0.05

Ho; µ1-µ2 = 0
H1; µ1-µ2 > 0
H1
Ho Región de
rechazo

α = 0.05


µ 1-µ2 =0 ZL = 1.645

σ 12 σ 12 82 82
( x1 − x 2 ) L = ( µ 1 − µ 2 ) + z + = 0 + 1.645 + = 5.88
n1 n 2 10 10

84

H1
Ho Región de
rechazo

α = 0.05


µ 1-µ2 =0 ( x1 − x 2 ) L = 5.88

β= 0.8612 5.88 − 2
z= = 1.086
82 82
+
10 10

µ 1-µ2 =2

β= 0.70 5.88 − 4
z= = 0.526
82 82
+
10 10

µ 1-µ2 =4

5.88 − 6
z= = −0.033
β= 0.4868 82 82
+
10 10

µ 1-µ2 =6

5.88 − 7
z= = −0.313
82 82
β= 0.3768 +
10 10

µ 1-µ2 =7

5.88 − 9
z= = −0.873
β= 0.1913 82 82
+
10 10

µ 1-µ2 =9

85

5.88 − 12
β= 0.0432 z= = −1.714
82 82
+
10 10

µ 1-µ2 =12

5.88 − 14
z= = −2.274
β= 0.011 82 82
+
10 10

µ 1-µ2 =14

Para graficar la curva se utilizará el valor de d, el cual para una distribución
muestral de diferencia de medias tiene la siguiente fórmula:
µ1 − µ 2 δ
d= =
σ 12 + σ 2
2
σ 12 + σ 2
2


1
0.95

0.9
0.8612
0.8
0.7 0.7
0.6
0.5 0.4868
0.4 0.3768
0.3
0.2 0.1913
0.1
0.0432 0.011
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4

d

En los libros de estadística lo que se acostumbra en algunos de los ejercicios es
preguntar sólo un punto de la CCO, por lo que a continuación se resolverán dos
problemas tipo.

5. Se require que la tensión de ruptura de un hilo utilizado en la fabricación de
material de tapicería se al menos de 100 psi. La experiencia ha indicado que
la desviación estándar de la tensión de ruptura es de 2 psi. Se prueba una

86

muestra aleatoria de nueve especímenes, y la tensión de ruptura promedio
observada en ella es de 98 psi. ¿Cual es la probabilidad de aceptar la
hipótesis nula con un α = 0.05 si la tensión promedio de ruptura verdadera de
la fibra es 104 psi?

Solución:
Ensayo de hipótesis:
Ho; µ = 100
H1; µ > 100

Se calcula el estadístico límite:

Z lσ (1.645)( 2)
xL = µ + = 100 + = 101.09
n 9

H1
Ho Región de
rechazo

α = 0.05


µ = 100 x L = 101.09
104 − 100
z= = 6.32
2
β= 0 10

µ = 104

6. Del ejercicio número 7 de la sección anterior encontrar el error tipo II ó β
suponiendo que la diferencia verdadera entre las medias de las máquinas es
fe 0.03

Datos:
σ1= 0.020
σ2= 0.025
x1 = 16.015
x 2 = 16.005
n1=n2 = 10
α = 0.05

87

Solución:
Ho; µ1-µ2 = 0
H1; µ1-µ2 ≠ 0

σ 12 σ 12 0.020 2 0.025 2
( x1 − x 2 ) L = ( µ 1 − µ 2 ) ± z + = 0 ± 1.96 + = -0.019 y 0.019
n1 n2 10 10

Ho
H1
H1

rechazo Rechazo

α/2 = 0.025 α/2 = 0.025

( x1 − x2 ) = −0.019 µ1−µ2 = 0 ( x1 − x 2 ) = 0.019

− 0.019 − 0.03
β= 0.1387
z= = −4.83
0.020 2 0.025 2
+
10 10

µ 1-µ2 =0.03
0.019 − 0.03
z= = −1.086
0.020 2 0.025 2
+
10 10

Por ser bilateral se calcularon dos valores de z, y como se puede observar del
lado izquierdo de –0.019 ya no se encuentra área, por lo que el error tipo II sólo
será el área a la izquierda del valor de la diferencia del estadístico límite 0.019.

88

Hipotesis2

Más contenido relacionado

La actualidad más candente (20)

Similar a Hipotesis2 (20)

Más de Domingo de la Cerda (12)

Hipotesis2