Tema 0013

ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E

INGENIERA EN ORGANIZACIN INDUSTRIAL
TEMA 13.- CONTRASTES DE HIPTESIS

EN MODELOS NORMALES Y
SOBRE PROPORCIONES
- Contrastes de hiptesis en modelos normales.
- Problemas de una muestra.
- Problemas de dos muestras.
- Test t por pares.
- Contraste de hiptesis sobre proporciones.
- Problemas de una muestra.
- Problemas de dos muestras.
- Dualidad IC Test de Hiptesis
Tema 13. Contrastes de hiptesis en modelos normales y de proporciones.
234
ESTADSTICA
CONTRASTES DE HIPTESIS EN MODELOS NORMALES

ESTUDIO DE UNA POBLACIN NORMAL. (PROBLEMAS DE UNA MUESTRA)
Poblacin:
XN(,),
Muestra:
X1,...,Xn
Estadsticos: X , S
Problemas de inters:
Contrastes de hiptesis sobre la media .
Contrastes de hiptesis sobre la varianza desviacin tpica
Hiptesis nula
H0: =0
conocida
H0: =0
desconocida
H0: =0
H. alternativa Estadstico test

H1: 0
X 0
z0
H1: >0
n
H1: <0
H1: 0
H1: >0
H1: <0
H1: 0
H1: >0
H1: <0
t0
Regin crtica
X 0
S
02
z0>z/2
z0>z
z0<z
t0>tn1,/2
t0>tn-1,
t0<tn1,
(n 1) S
2
0
2
0
n21, 2 02 n21,1 2

2
0
2
n 1,
02 n21,1
Entrada curva CO Carta VI

d=0/
d=0/
=/0
(1)
a, b
c, d
c, d
(2)
e, f
g, h
g, h
i, j
k, l
m, n
(1) En este caso es preferible usar las frmulas desarrolladas en el Tema 12 para calcular y n.
(2) Como es desconocido podemos:
(a) Estimarla a partir de la muestra: S . Si an no se tiene, se necesita una muestra piloto.
(b) Expresar las alternativas en funcin de . P. ej. hallar para 0=1,5 (es decir d=1.5).
235
ESTADSTICA
Ejemplo: Un producto limpiador debe contener 25 gr. de un determinado componente para ser
eficaz, pero se sospecha por las muchas quejas de los consumidores que el proceso de fabricacin no
funciona bien y que esa cantidad es menor. Para ello se toma una muestra de 15 productos y en cada
uno se mide la cantidad del componente obteniendo: X 24.1 gr. y S=0.6gr.
El contraste que hay que plantear es H 0 : 25 contra H 1 : 25 pues queremos que los
consumidores tengan que demostrar que el contenido medio est por debajo de los 25 gr.
Supongamos que se hace un test a nivel habitual .
X 0
tn 1,
C
S n
X 0 24.1 25
5.81 1.761 t14, 0.05

0.6 15
S n
Entonces, rechazamos H0 y debemos revisar nuestro proceso de produccin.

El p-valor que corresponde al valor observado t= -5.81 es Pt14 5.81 0.0005 por lo que rechazamos
Ho a cualquier nivel de significacin habitual.
Si adems queremos calcular el tamao muestral necesario para que la probabilidad de NO detectar
un contenido medio ineficaz de sea menor de 0.10 ((24.75)<0.10), utilizamos las curvas CO
correspondientes a un test con distribucin t y de nivel 0.05 entrando con
d
0 0.25
0.41
0 .6
y obtenemos que, aproximadamente, debe ser n = 50.

Con la muestra de tamao 15 que hemos usado, la probabilidad de cometer Error de tipo II si la
muestra nos hubiese conducido a No Rechazar H0 habra sido mucho mayor que 0.10. En las curvas
CO obtenemos aproximadamente =0.55.
236
ESTADSTICA
Ejemplo: Para esmerilar discos de silicio al grueso apropiado se utiliza un cierto proceso de
bruido. Para dar sensacin de homogeneidad en el producto, interesa que la variable "X=grosor de
los discos" tenga una desviacin tpica lo menor posible, considerando satisfactorio el proceso si
dicha desviacin no supera los 0.5 mm. Se realiza un estudio sobre una muestra de 15 discos y se
obtiene S=0.64 mm. Hay evidencias de que el proceso no sea satisfactorio al nivel .
Para saber si tenemos evidencias suficientes de que el proceso no funciona bien al nivel fijado
debemos colocar esta situacin en de modo que tendremos evidencias suficientes de ello si somos
capaces de rechazar .
H 0 : 2 0.5 2
n 1S 2
n 1S 2 14 0.64 2
2
22.904 23.68 142 ,0.05

n 1,
2
2
2
2
2
H 1 : 0.5
0
0. 5
0
Por tanto no rechazamos H0 al nivel .
2
El p-valor es: P 14 22.904 0.0618
Imaginemos que un incremento del 50% en respecto a H0 es preocupante y queremos saber qu

riesgo de no detectarlo estaramos corriendo al no rechazar H0.
En este caso el valor de es 1.50.5=0.75.
En las curvas CO, Carta VI (k), entrando con =1.5 y n=15 obtenemos 0.27.
Es decir, si ocurriera dicho incremento del 50% no lo detectaramos con una muestra de tamao 15
el 27% de las veces.
Para conseguir < 0.1 habramos necesitado un nmero de observaciones de aproximadamente
n=30 segn las curvas CO.
237
ESTADSTICA
Ejemplo: Un artculo publicado en la revista Materials Engineering (1989, Vol. II, No. 4, pgs. 275281) describe los resultados de pruebas de resistencia a la adhesin de 22 especmenes de aleacin
U-700. La carga para la que cada espcimen falla es la siguiente (en MPa):
19.8, 15.4, 11.4, 19.5, 10.1, 18.5, 14.1, 8.8, 14.9, 7.9, 17.6, 13.6, 7.5, 12.7, 16.7, 11.9, 15.4, 11.9,
15.8, 11.4, 15.4, 11.4
Hay evidencias empricas de que >10 Mpa con un nivel de significacin =0.01?
Se puede descartar que =4 Mpa al nivel =0.01?
Es asumible la hiptesis de normalidad?(Plot de Normalidad visto en prcticas)
Solucin: Resolvemos el problema con ayuda de STATGRAPHICS
percentage
Normal Probability Plot for Resistencia
10
11
12
13
14
15
16
17
Resistencia
18
19
20
99,9
99
95
80
50
20
5
1
0,1
7
10
13
16
19
22
Resistencia
238
ESTADSTICA
Summary Statistics for

Resistencia
Count = 22
Average = 13,7136
Variance = 12,6279
Standard deviation = 3,55358
Minimum = 7,5
Maximum = 19,8
Skewness = -0,0151322
Kurtosis = -0,75137
Hypothesis Tests for Resistencia

t-test
-----Null hypothesis: mean = 10,0
Alternative: greater than
Computed t statistic = 4,90168
P-Value = 0,0000378127
Reject the null hypothesis for
alpha = 0,01.
Hypothesis Tests for sigma

95,0% confidence interval for sigma: [2,73395;5,0783]
Null Hypothesis: std. deviation = 4,0
Alternative: not equal
Computed chi-squared statistic = 16,5742. P-Value = 0,526851
Do not reject the null hypothesis for alpha = 0,05.
CONCLUSIONES:
1. La media es significativamente superior a 10 Mpa.
2. No hay evidencias de que la desviacin tpica sea distinta de 4 Mpa.
3. La hiptesis de normalidad parece asumible. (Plot)
239
ESTADSTICA
COMPARACIN DE DOS POBLACIONES NORMALES, MUESTRAS INDEPENDIENTES

Poblacin 1: X1N(1, 1), Muestra 1: X 1,1 ,..., X 1,n Estadsticos: X 1 , S1
Poblacin 2: X2N(2, 2), Muestra 2: X 2 ,1 ,..., X 2 ,n Estadsticos: X 2 , S 2
Las muestras de las dos poblaciones son independientes.
1
Problemas de inters:
Comparacin de medias: Inferencias sobre 12 (12=0 12).
Comparacin de varianzas: Inferencias sobre 12/22 (12/22 =1 1=2).
Hiptesis nula

X X 2 0
H :
z0 1
H0: 12= 1 1 2
12 22
H1: 12>
1 y 2 conocidas
n1
n2
H1: 12<
X X 2 0
H :
t0 1
H0: 12= 1 1 2
1
1
H : >
Sp
1=2 desconocidas 1 1 2
n1 n 2
H1: 12<
H0: 12= H1: 12
12 desconocidas H1: 12>
Behrens-Fisher
H1: 12<
H0: 1=2
H1: 12
H1: 1>2
t0
Regin crtica
z0>z/2
z0>z
z0<z
t0 tn1 n2 2, 2
t0 tn1 n2 2,
t0 tn1 n2 2,
t0>t,/2
t0>t,
t0<t,
X1 X 2 0
2
1
2
2
S
S
n1 n2
F0
2
1
2
2
S
S
F F
0
n1 1, n2 1, 2
2
1
2
1
F0 Fn1 1, n2 1,
1
2
n1 1
F F
0

a, b
d 1 2 0 12 22
c, d
2 2
n n1 n2 n 2 1 22
c, d
1 n1 2 n2
Solo para n1=n2=n
e, f
d 1 2 0 2 (2)
g, h
*
g, h
n =2n-1
No hay curvas CO
S n S n 2
S n S n
n1 1, n2 1,1 2
2
2
2
2
n2 1
solucin aproximada
Solo para n1=n2=n

=1/2
o, p
q, r
Muy frecuentemente la diferencia a contrastar es
(2) Como es desconocido se adoptan las mismas soluciones (a) y (b) del caso de una muestra.
240
ESTADSTICA
Ejemplo: En una investigacin industrial se est buscando reducir el tiempo de secado de una
pintura de imprimacin. Se ponen a prueba dos formulaciones de la pintura; la formulacin 1 es la
estndar, y la formulacin 2 tiene un nuevo ingrediente pensado para reducir el tiempo de secado.
Por experiencia, se sabe que la desviacin tpica del tiempo de secado es de 8 minutos, y que esta
variabilidad natural no se ver afectada por la adicin del nuevo ingrediente. Se pintan 20
ejemplares en orden aleatorio, diez con cada una de las formulaciones. El promedio de los tiempos
de secado de las muestras en minutos son X 1 121 min. y X 2 112 min.
a) Qu conclusiones se pueden extraer sobre la efectividad del ingrediente nuevo, usando =0.05?
b) Si la verdadera diferencia entre los tiempos medios de secado fuera de 10 minutos, hallar la
potencia de la prueba realizada en a) para detectar esta diferencia.
c) Si se quiere que dicha potencia sea al menos 0.95, hallar los tamaos muestrales necesarios.
d) Se puede afirmar a partir de la muestra, con un nivel de significacin =0.05, que el tiempo
medio de secado se reduce en ms de 5 minutos?
Solucin:
a) Las hiptesis a contrastar son
H 0: 1 2
H 1: 1 2
X X2
C 1
z
2
2
1 2
n2
1
z0
X1 X 2
2
1
n1
2
2
n2
121 112
2
8
8
10 10
2.52 1.645 z 0.05
Entonces, rechazaremos H0 y concluimos que la nueva formulacin reduce el tiempo de secado.

El p-valor sera P z 2.52 1 (2.52) 0.0059 y habramos rechazado H0 a cualquier nivel de
significacin de los habituales.
241
ESTADSTICA
b) Para calcular la potencia pedida, utilizamos las Curvas CO, Carta VI (c), con las entradas
1 2

2
1
2
2
10
8 8
2
0.88
n n1 n2 10
y obtenemos 0.85.
c) El tamao muestral necesario para que el test de a) tenga una potencia de 0.95 (es decir cometa
un error de tipo II con una probabilidad <0.05) si falla H0 y ocurre que se obtiene
tambin utilizando las curvas CO, la misma carta que en el apartado b):
n n1 n2 14.
d) Las hiptesis a contrastar son
H 0: 1 2 5
H 1: 1 2 5
X
X
2
C 1
z
2
2
1 2
n2
1
z0
X1 X 2 5
2
1
n1
2
2
n2
121 112 5
2
8
8
10 10
1.12 1.645 z 0.05
Entonces, no rechazamos H0 y no queda probado que la nueva formulacin reduce el tiempo de

secado en ms de 5 minutos.
El p-valor sera Pz 1.12 1 (1.12) 0.1314 y no rechazamos H0 a los niveles habituales.
242
ESTADSTICA
Ejemplo: La presencia de arsnico en el agua para consumo humano es un riesgo potencial para la
salud. Un artculo publicado en Arizona Republic (Sunday, May 27, 2001) inform de las
concentraciones de arsnico en el suministro de agua, en partes por billn (PPB), en 10 reas
metropolitanas de Phoenix y en 10 reas rurales de Arizona. Los datos obtenidos fueron:
Metro Phoenix
Phoenix, 3
Chandler, 7
Gilbert, 25
Glendale, 10
Mesa, 15
Paradise Valley, 6
Peoria, 12
Scottsdale, 25
Tempe, 15
Sun City, 7
Rural Arizona
Rimrock, 48
Goodyear, 44
New River, 40
Apachie Junction, 38
Buckeye, 33
Nogales, 21
Black Canyon City, 20
Sedona, 12
Payson, 1
Casa Grande, 18
Procesando las muestras obtenemos:

Metro Phoenix:
X 1 12 .5
S 1 7.63
Rural Arizona:
X 2 27 .5 S 2 15 .35 .
Se quiere determinar si hay diferencias entre las concentraciones medias de arsnico en el agua en
ambas zonas para . Se supone normalidad para la distribucin de ambas variables.
243
ESTADSTICA
Solucin:
Vamos a hacer en primer lugar un test de comparacin de varianzas, por ejemplo, con :
H 0: 1 2
H 1: 1 2
C F0 Fn1 1, n2 1, 2 F0 Fn1 1, n2 1,1 2
S12 7.632
1
F
0
.
2473
F9,9,0.95
; 0 S 2 15.32
3
.
18
2
Luego rechazamos la igualdad de varianzas. El p-valor sera 2 P F0 0,2473 2 0,02468 0,04936 .

As pues, para comparar las medias hay que trabajar con el test para varianzas distintas:
X1 X 2
C
t , / 2
2
2
S1 S 2
n n
2
H0: 1 2 0
H1: 1 2 0
t0
X1 X 2
2
1
2
2
S
S
n1 n 2
12.5 27.5
2
7.63
15.3
10
10
2.77 2.16 t13, 0.025
Luego rechazamos la igualdad de medias y las concentraciones medias de arsnico en ambas zonas
son diferentes para el nivel de significacin usado.
El p-valor sera P t 0 2.77 2 P t 0 2.77 2 0.0079589 0.016 .
Nota:
2
1
2
1
n1 S 22 n2
2
2
n1
S n2
n1 1
n2 1
2 13.2 13
En este problema no podramos abordar el clculo de la potencia y el tamao muestral.

244
ESTADSTICA
Ejemplo: Se analizan dos catalizadores para ver la forma en que afectan al rendimiento promedio de
un proceso qumico. El Catalizador 1 es el que se est empleando en este momento, pero el
Catalizador 2 tambin es aceptable y ms econmico. Por tanto, podra adoptarse ste siempre que
no haya evidencias de que cambia el rendimiento medio del proceso. Se hace una prueba en una
planta piloto y los resultados son:
Catalizador 1
91,50
94,18
92,18
95,39
91,79
89,07
94,72
89,91
Catalizador II
89,19
a) Existen diferencias entre los rendimientos promedio? =0.05
90,95
b) Se pueden considerar iguales las varianzas? =0.05 (verlo antes)
90,46
c) Los rendimientos siguen leyes normales?
93,21
97,19
97,04
91,07
92,75
Solucin con STATGRAPHICS:

Summary Statistics
Catalizador 1
Catalizador 2
---------------------------------------------Count
8
8
Average
92,3425
92,7325
Variance
5,14056
8,90099
Standard dev. 2,26728
2,98345
Minimum
89,07
89,19
Maximum
95,39
97,19
Skewness
-0,0370055
0,732691
Kurtosis
-1,26841
-0,827821
Catalizador 1
Catalizador 2
89
90
91
92
93
94
95
96
97
98
245
ESTADSTICA
Comparison of Means
t test to compare means

Null hypothesis: mean1 = mean2
Alt. hypothesis: mean1 NE mean2
assuming equal variances: t = -0,294376
percentage
95,0% confidence interval for mean of Catalizador 1:

92,3425 +/- 1,8955
[90,447,94,238]
95,0% confidence interval for mean of Catalizador 2:
92,7325 +/- 2,49424
[90,2383,95,2267]
95,0% confidence interval for the differ. between the means
assuming equal variances: -0,39 +/- 2,8415 [-3,2315,2,4515]
99,9
99
95
80
50
20
5
1
0,1
89
91
93
95
97
Catalizador 1
P-value = 0,77279
Comparison of Standard Deviations
F-test to Compare Standard Deviations

Null hypothesis: sigma1 = sigma2
Alt. hypothesis: sigma1 NE sigma2
F = 0,577527
P-value = 0,485992
CONCLUSIONES:
a) Las varianzas se pueden considerar iguales.
b) No hay evidencias de que cambie el rendimiento medio.
c) La hiptesis de normalidad se puede asumir.
99,9
99
95
80
50
20
5
1
0,1
percentage
95,0% Confidence Intervals

Standard deviation of Catalizador 1: [1,49907;4,61453]
Standard deviation of Catalizador 2: [1,97258;6,07214]
Ratio of Variances: [0,115623;2,8847]
89
91
93
95
97
99
Catalizador 2
246
ESTADSTICA
d) Supongamos que un cambio en el rendimiento medio de 2.5 puntos (2.5% |1-2|=2.5) se

considera suficientemente importante. En caso de que se diera, interesara detectarlo, es decir,
rechazar H0. Sin embargo, la muestra actual nos ha conducido a "No rechazar" H0 y cabe
preguntarse cul era el riesgo de que eso ocurriese bajo el supuesto mencionado |1-2|=2.5.
Se trata de hallar el riesgo de error de tipo II, , que obtenemos en las curvas CO, Carta VI (e).
Entramos con
1 2
2
2 .5
1
0.47
2
2S p
2 2.65
y cortamos con la curva a n*=2n-1=15.
Obtenemos: 0.55, con lo que el riesgo sera elevado.

e) Si quisiramos correr un riesgo de error de tipo II <0.1 en d), obtener el nmero de
observaciones necesarias.
En las Curvas CO Carta VI (e) obtenemos:
n* 50, es decir n (50+1)/2 = 25.5.
Por tanto, seran necesarias al menos 26 observaciones en cada muestra.
f) Obtener la potencia con que la prueba realizada en a) detectara una diferencia de 1.5 en el
rendimiento medio de los catalizadores.
Se trata de nuevo de hallar el riesgo de error de tipo II, , a travs de las curvas CO, Carta VI (e).
En este caso, d
1 2 1.5
0.75 , cortamos con la curva a n*=2n1=15 y obtenemos 0.25.

2
2
247
ESTADSTICA
TEST t POR PARES

Hemos estudiado el problema de comparacin de medias de dos poblaciones normales a partir de
dos muestras aleatorias independientes, una de cada poblacin.
El problema de comparacin de medias se puede realizar tambin bajo un diseo muestral diferente
(diseo de muestras apareadas) encaminado a obtener una mayor potencia para detectar las
diferencias.
Ejemplo: Supongamos que estamos interesados en comparar la dureza de dos tipos diferentes de
puntas. Para determinar la dureza, se presiona la punta sobre una pieza metlica mediante una
mquina que aplica una fuerza determinada y se mide la profundidad de la depresin causada por la
punta.
Diseo experimental 1: Seleccionamos varias piezas metlicas al azar, para ser probadas unas con
la punta 1 y otras con la punta 2 (por ejemplo, la mitad con cada una). Podemos aplicar a los datos
obtenidos el test t para muestras independientes estudiado anteriormente. El procedimiento
estadstico aplicado es correcto, pero las diferencias de dureza entre las puntas quizs no se aprecien
con total nitidez si las muestras de piezas metlicas se han fabricado en diferentes series y no son
homogneas en algn aspecto que pueda afectar a la dureza. Es decir, las diferencias en las lecturas
de dureza observadas tambin incluyen las posibles diferencias de dureza entre las piezas metlicas.
Diseo experimental 2: Se selecciona al azar una nica muestra de piezas y se prueba en cada una
los dos tipos de puntas. A continuacin se analizan las diferencias entre las lecturas de dureza de
ambas puntas en cada pieza de la muestra (muestras pareadas). Parece claro que ahora las
diferencias de dureza observadas se debern fundamentalmente a las diferencias entre las puntas al
haber eliminado la variabilidad entre las piezas metlicas probadas con cada tipo de punta.
248
ESTADSTICA
DISEO Y RESOLUCIN DEL TEST t POR PARES

X 1,n
X 1 , S1
Poblacin 1:
Muestra 1: X 1,1 X 1,2
X 1 ( 1 , 1 )
,
,
,...,
Estadsticos
:

Cov(X1, X2)
Poblacin 2 : X 2 ( 2 , 2 )
Muestra 2 : X 2,1 X 2,2
X
X 2 , S2
2,n
Diferencia : D X 1 X 2
Muestra :
D N ( D , D ), D 1 2
D1 ,
D2 , .... , Dn
Estadsticos : D, S D
Di X 1,i X 2,i , i 1,..., n
1 n
1 n
2
2
D Di , D X 1 X 2 ,
SD
D
D
, S D2 S12 S 22 2Cov ( X 1 , X 2 )
i
n i 1
n 1 i 1
Las observaciones bidimensionales son independientes entre s, pero cada observacin de la
poblacin 1 est relacionada con la que tiene el mismo subndice de la poblacin 2: Diseo de dos
muestras relacionadas o pareadas (apareadas).
Problema de inters: Comparacin de medias: Inferencias sobre D=12 (D=0 12).
El problema se convierte as en un problema de una muestra y se resuelve como un problema de
contraste de hiptesis sobre la media de una poblacin normal con desconocida.
(La comparacin previa de las varianzas carece aqu de inters)
Hiptesis nula

H0: D=0
(1) H1: D 0
D 0
t
H1: D >0
0
SD n
D desconocida
H1: D <0
Regin crtica
t0>tn1,/2
t0>tn-1,
t0<tn1,

d=D0/D
(2)
e, f
g, h
g, h
(1) Muy frecuentemente 0=0.

(2) Como D es desconocido se adoptan las mismas soluciones (a) y (b) del caso de una muestra.
249
ESTADSTICA
DISEOS DE MUESTRAS INDEPENDIENTES VS. MUESTRAS RELACIONADAS:

Para comparar las medias de dos poblaciones normales, en ocasiones el investigador puede plantearse
realizar un diseo por muestras independientes o por muestras relacionadas.
Siempre que sea posible es preferible el diseo de muestras pareadas porque tiene ms potencia
para detectar diferencias entre las medias. La razn de esta mayor potencia estriba en que la
diferencia de medias X 1 X 2 D , que es el estadstico de contraste usado en ambos casos, tiene una
varianza estimada mayor en el caso de muestras independientes si existe una asociacin positiva
entre las observaciones de los pares, es decir, Cov ( X 1 , X 2 ) 0 :
S D2 S 12 S 22 2Cov ( X 1 , X 2 ) S12 S 22
t0INDRP
X1 X 2
2
1
2
2
X1 X 2
S
S
n
n
2
D
S
n
D
SD
t0PARES
(la asociacin entre variables cuantitativas se estudiar en el prximo tema).

Por tanto, una determinada diferencia observada entre las medias muestrales resulta mucho ms
significativa estadsticamente en el caso de muestras pareadas.
Cuanto mayores son los vnculos en el apareamiento, mayor es la ganancia de potencia y la ventaja
del diseo por pares. ste consigue eliminar la variabilidad debida a otros factores que no estn en
estudio.
Una vez realizado el diseo y obtenidas las muestras, el anlisis de los datos slo se puede realizar
mediante la tcnica correspondiente al diseo utilizado. Es decir, si las muestras son
independientes no se pueden analizar como apareadas y si son apareadas no se pueden analizar como
independientes.
250
ESTADSTICA
Ejemplo: Un artculo publicado en Journal of Strain Analysis (1983, Vol. 18, No. 2) compara dos
mtodos, Karlsruhe y Lehigh, para predecir la resistencia al corte de vigas de placa de acero. Se
aplican ambos mtodos a una muestra de nueve vigas y se obtienen los siguientes resultados:
Viga
S1/1
S2/1
S3/1
S4/1
S5/1
S2/1
S2/2
S2/3
S2/4
Karlsruhe Method
1.180 1.151 1.322 1.339 1.203 1.402 1.365 1.537 1.559
Lehigh Method
1.061 0.992 1.063 1.062 1.065 1.178 1.037 1.086 1.052
Diferencias
0.119 0.159 0.259 0.277 0.138 0.224 0.328 0.451 0.507
a) Determinar si hay alguna diferencia de medias entre los dos mtodos para =0.05.
D
D
H0 : D 0
0.2736
C
t
t
6.05 2.306 t 8, 0.025
n 1, / 2
0
S D n 0.1356 9
S D n
H1: D 0
D 0.2736; S D 0.1356
Rechazamos la hiptesis nula. Los datos parecen indicar concretamente una mayor resistencia del
Mtodo Karlsruhe. El p-valor es prcticamente nulo.
b) Determinar si la media con el Mtodo Karlsruhe es superior en ms de 0.2 para =0.05.
D 0
H0 : D 0.2
D 0 0.2736 0.2
1.63 1.86 t 8, 0.05 . p-valor=0.070.

t
t
C
0
n 1,
H
:
0
.
2
0
.
1356
9
S
n
S
n
D
D
1 D
No se rechaza H0 ,y por tanto, no queda probada H1.
c) Hallar el tamao muestral necesario para que la prueba realizada en b) detecte una diferencia de
0.25 favorable a Karlsruhe con una potencia de 0.9.
D 0 0.25 0.20
Curvas CO, Carta VI (g)
d
0.37, 0.1 entre n 50 y n 75 pares.

D
0.1356
251
ESTADSTICA
Ejemplo: Un Laboratorio lanza un producto diettico y anuncia en su publicidad que el uso del
producto durante un mes conduce a una prdida de peso promedio de al menos 2 kg. Ocho sujetos
utilizan el producto durante un mes, y los datos de peso antes y despus del uso del producto se
presentan a continuacin.
a) Los datos apoyan la afirmacin del productor de los productos dietticos con ?
b) En un esfuerzo por mejorar las ventas, el Laboratorio est considerando cambiar su eslogan de
"al menos 2 kg." por "al menos 3 kg."
Sujeto
Peso Antes
Peso Despus
1
75.6
70.3
2
83.1
82.2
3
98,4
92.3
4
67.9
66.1
5
102.6
100.2
6
88.3
82.7
7
72.5
68.6
8
97.9
91.4
Solucin con STATGRAPHICS

Resumen Estadstico para ANTES - DESPUES
Recuento
8
Promedio
4,0625
Desviacin Estndar 2,1347
Mnimo
0,9
Mximo
6,5
Cuartil Inferior
2,1
Cuartil Superior
5,85
Sesgo
-0,378689
Curtosis
-1,69135
4
ANTES - DESPUES
252
ESTADSTICA
Prueba de Hiptesis para ANTES - DESPUES

Media Muestral = 4,0625
Mediana Muestral = 4,6
Desviacin Estndar de la Muestra = 2,1347
Prueba t
Hiptesis Nula: media = 2,0
Alternativa: mayor que
Grfico de Probabilidad Normal
99,9
99
Prueba de Hiptesis para ANTES - DESPUES

Media Muestral = 4,0625
Mediana Muestral = 4,6
Desviacin Estndar de la Muestra = 2,1347
95
porcentaje
Estadstico t = 2,73276
Valor-P = 0,014611
Se rechaza la hiptesis nula para alfa = 0,05.
80
50
20
5
1
0,1
0
4
ANTES - DESPUES
Prueba t
Hiptesis Nula: media = 3,0
Alternativa: mayor que
Estadstico t = 1,40778
Valor-P = 0,10101
No se rechaza la hiptesis nula para alfa = 0,05.
253
ESTADSTICA
CONTRASTES DE HIPTESIS PARA MUESTRAS GRANDES

CONTRASTES DE HIPTESIS SOBRE PROPORCIONES
Sabemos que para tamaos muestrales grandes el estimador de la proporcin sigue aproximadamente
una distribucin normal en aplicacin del TCL (aproximacin binomial normal).
ESTUDIO DE UNA PROPORCIN. (PROBLEMAS DE UNA MUESTRA)
Poblacin: X B(p),
Muestra: X1, ...,Xn.
Estadstico: p X
Problema de inters: Contraste de hiptesis sobre la proporcin p.
COMPARACIN DE PROPORCIONES (PROBLEMAS DE DOS MUESTRAS)
Muestra 1: X 1,1 ,..., X 1,n Estadstico: p 1 X 1
Poblacin 1: X1 B(p1),
Muestra 2: X 2 ,1 ,..., X 2 ,n Estadstico: p 2 X 2
Poblacin 2: X2 B(p2),
Problema de inters: Contraste de hiptesis sobre p1p2 (p1p2=0 p1p2).
1
Hiptesis nula
H0: pp0
H0: p1p2=
p
n1 p1 n2 p 2
n1 n2
H. alternativa
Estadstico test
H1: pp0
H1: p>p0
H1: p<p0
H1: p1p2
H1: p1p2>
H1: p1p2<
z0
z0
p p 0
p 0 (1 p 0 )
n
p1 p 2
1 1
p (1 p )
n1 n2
Regin crtica
z0>z/2
z0>z
z0<z
z0>z/2
z0>z
z0<z

No hay curvas CO
No hay curvas CO
254
ESTADSTICA
Ejemplo: Un fabricante de lentes intraoculares evala una nueva mquina pulidora. El fabricante
aprobar la mquina si el porcentaje de lentes pulidos que contienen defectos en la superficie est
significativamente por debajo del 2%. Se toma una muestra aleatoria de 250 lentes y se encuentra
que 6 de ellos tienen defectos.
Qu decisin debe tomar el fabricante a nivel =0.05?
Contraste para demostrar que la mquina es buena:
La regin crtica para =0.05 es:
Con los datos de la muestra tenemos:
H 0 : p 0 . 02 contra H 1 : p 0 . 02
p p0
C z0 z z0
z
p
(1
p
)
0
0
n
p p 0
0.024 0.02
0.45 1.645 z 0.05
0.02 0.98
p 0 (1 p 0 )
250
n
Entonces, no rechazamos H0 y no queda probado el inters de la nueva mquina para =0.05.

El p-valor es
P z 0 .45 0 .6736 ,
con lo que el riesgo de error de tipo I al rechazar H0 sera realmente grande.
255
ESTADSTICA
Ejemplo: Se utilizan dos mquinas diferentes de moldeo por inyeccin para la fabricacin de piezas
de plstico. Una pieza se considera defectuosa si tiene un encogimiento excesivo o si le falta color. Se
toman dos muestras aleatorias, cada una de tamao 300, y se encuentran 15 piezas defectuosas en la
muestra de la Mquina 1 y 8 piezas defectuosas en la muestra de la Mquina 2. Queda con ello
probado que existen diferencias entre las mquinas a nivel a nivel =0.05?
El contraste que hay que plantear es: H 0 : p 1 p 2 contra H 1 : p 1 p 2
La regin crtica es :
p 1 p 2
z
C
p (1 p ) 1 1
n n
2
1
De los datos obtenemos:
p 1
Es decir:
15
0.05
300
p 1 p 2
1
1
p (1 p )
n
n
2
1
p 2
n p n2 p 2
p 1 1
2 , con
n1 n2
8
0.0266
300
0.05 0.0266
2
0.0383 0.9617
300
0.05 0.0266
0.0383
2
1.49 1.96 z 0.025
En consecuencia no rechazamos H0 al nivel pedido.

El p-valor es
P z 1.49 0.13622 ,
con lo que el riesgo de error de tipo I al rechazar H0 sera superior al 10%.

256
ESTADSTICA
CONTRASTES DE HIPTESIS PARA

COMPARACIN DE MEDIAS EN DE POBLACIONES INDEPENDIENTES CUALESQUIERA
Sabemos que para tamaos muestrales grandes la media muestral sigue aproximadamente una
distribucin normal en aplicacin del TCL.

Hiptesis nula
H0: =0
desconocida
H. alternativa
H1: 0
H1: >0
H1: <0
H1: 12
H0: 12=
H : >
1, 2 desconocidas 1 1 2
H1: 12<
Estadstico test
z0
z0
X 0
S
X1 X 2 0
S12 S 22
n1 n2
Regin crtica
z0>z/2
z0>z
z0<z
z0>z/2
z0>z
z0<z

No hay curvas CO
No hay curvas CO
257
ESTADSTICA
DUALIDAD INTERVALOS DE CONFIANZATESTS DE HIPTESIS

Hemos comprobado que los mismos problemas inferenciales paramtricos se pueden abordar tanto
desde la perspectiva de los Intervalos de Confianza como desde la de los Tests de Hiptesis.
La relacin entre ambas metodologas es en realidad muy estrecha:
Si somos capaces de construir un IC de nivel de confianza para un parmetro , este IC
proporciona de manera natural un Test para realizar un contraste de hiptesis bilateral con nivel de
significacin sobre el parmetro.
Procedimiento dual:
H 0 : 0
Queremos contrastar las hiptesis H :
0
1
con nivel de significacin
Disponemos de una m.a.s.

Construimos un IC para el parmetro con confianza .
Regla de decisin:
Si IC Rechazo H0.
Si IC No Rechazo H0.
Re chazar H 0
P C P 0 IC
.
P
Error
I
H 0 cierta
0
H0
El riesgo y la potencia no tienen un equivalente dentro del esquema de los IC.

De manera anloga, los test unitaterales son duales de las cotas de confianza.
258
ESTADSTICA
De hecho, en todos los problemas inferenciales desarrollados en esta asignatura tendramos la

equivalencia de las dos reglas de decisin:
La Regla de Decisin basada en el Test correspondiente desarrollado en este tema.
La regla de Decisin dual basada en el IC desarrollado en el Tema 11.
Comprobacin en el Contraste de Hiptesis sobre en el modelo N() con conocida:
H 0: 0
Contraste bilateral: H :
0
1
1. Regla de decisin basada en el Test desarrollado en Contraste de Hiptesis (Tema 12):
C Z
z / 2
z / 2 C X 0 z / 2
C 0 z / 2
n X 0 z / 2
C X 0 z / 2
n X 0 z / 2
2. Regla de decisin basada en el IC desarrollado en el Tema 11:
X z / 2
X z / 2
Intervalo de Confianza:
0 IC
X z / 2
0 X z / 2
0 z / 2
X 0 z / 2
X C
De modo que los dos procedimientos conducen siempre a la misma decisin.
259

Tema 0013

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Tema 0013

Hochgeladen von

Copyright:

Verfügbare Formate

ESTADSTICA

GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E

TEMA 13.- CONTRASTES DE HIPTESIS

Tema 13. Contrastes de hiptesis en modelos normales y de proporciones.

CONTRASTES DE HIPTESIS EN MODELOS NORMALES

H. alternativa Estadstico test

Entrada curva CO Carta VI

5.81 1.761 t14, 0.05

Entonces, rechazamos H0 y debemos revisar nuestro proceso de produccin.

y obtenemos que, aproximadamente, debe ser n = 50.

22.904 23.68 142 ,0.05

Por tanto no rechazamos H0 al nivel .

Imaginemos que un incremento del 50% en respecto a H0 es preocupante y queremos saber qu

Normal Probability Plot for Resistencia

Tema 13. Contrastes de hiptesis en modelos normales y de proporciones.

Summary Statistics for

Hypothesis Tests for Resistencia

Hypothesis Tests for sigma

COMPARACIN DE DOS POBLACIONES NORMALES, MUESTRAS INDEPENDIENTES

H. alternativa Estadstico test

Entrada curva CO Carta VI

Solo para n1=n2=n

Muy frecuentemente la diferencia a contrastar es

2.52 1.645 z 0.05

Entonces, rechazaremos H0 y concluimos que la nueva formulacin reduce el tiempo de secado.

1.12 1.645 z 0.05

Entonces, no rechazamos H0 y no queda probado que la nueva formulacin reduce el tiempo de

Tema 13. Contrastes de hiptesis en modelos normales y de proporciones.

Procesando las muestras obtenemos:

Tema 13. Contrastes de hiptesis en modelos normales y de proporciones.

C F0 Fn1 1, n2 1, 2 F0 Fn1 1, n2 1,1 2

Luego rechazamos la igualdad de varianzas. El p-valor sera 2 P F0 0,2473 2 0,02468 0,04936 .

2.77 2.16 t13, 0.025

En este problema no podramos abordar el clculo de la potencia y el tamao muestral.

Solucin con STATGRAPHICS:

Tema 13. Contrastes de hiptesis en modelos normales y de proporciones.

t test to compare means

95,0% confidence interval for mean of Catalizador 1:

Comparison of Standard Deviations

F-test to Compare Standard Deviations

95,0% Confidence Intervals

d) Supongamos que un cambio en el rendimiento medio de 2.5 puntos (2.5% |1-2|=2.5) se

y cortamos con la curva a n*=2n-1=15.

Obtenemos: 0.55, con lo que el riesgo sera elevado.

0.75 , cortamos con la curva a n*=2n1=15 y obtenemos 0.25.

Tema 13. Contrastes de hiptesis en modelos normales y de proporciones.

TEST t POR PARES

DISEO Y RESOLUCIN DEL TEST t POR PARES

Di X 1,i X 2,i , i 1,..., n

H. alternativa Estadstico test

Entrada curva CO Carta VI

(1) Muy frecuentemente 0=0.

DISEOS DE MUESTRAS INDEPENDIENTES VS. MUESTRAS RELACIONADAS:

(la asociacin entre variables cuantitativas se estudiar en el prximo tema).

6.05 2.306 t 8, 0.025

1.63 1.86 t 8, 0.05 . p-valor=0.070.

0.37, 0.1 entre n 50 y n 75 pares.

Solucin con STATGRAPHICS

Prueba de Hiptesis para ANTES - DESPUES

Grfico de Probabilidad Normal

Prueba de Hiptesis para ANTES - DESPUES

CONTRASTES DE HIPTESIS PARA MUESTRAS GRANDES

Tema 13. Contrastes de hiptesis en modelos normales y de proporciones.

Entrada curva CO Carta VI