REPBLICA BOLIVARIANA DE VENEZUELA INSTITUTO UNIVERSITARIO POLITCNICO SANTIAGO MARIO EXTENSIN MATURN

Autores: Seccin:

Maturn, Febrero 2013

NDICE.

pp. INTRODUCCIN. ........................................................................................... 4 CONTRASTE DE HIPTESIS........................................................................ 5 Planteamiento clsico del contraste de hiptesis. ....................................... 5 Procedimientos de prueba. ......................................................................... 7 Ejemplo .................................................................................................... 7 Enfoque actual de los contrastes de hiptesis. ........................................... 8 Errores en el contraste ................................................................................ 9 Contraste ms potente. ............................................................................. 10 Contraste uniformemente ms potente ..................................................... 11 Aplicaciones de los contrastes de hiptesis .............................................. 12 ESTIMACIN. .............................................................................................. 13 Estimador. ................................................................................................. 13 Estimador insesgado. ............................................................................ 14 Estimador eficiente. ............................................................................... 14 Estimacin puntual. ............................................................................... 14 Estimacin por intervalos. ......................................................................... 16 Intervalo de confianza. ........................................................................... 16 Variabilidad del Parmetro..................................................................... 16

Error de la estimacin. ........................................................................... 17 Lmite de Confianza. .............................................................................. 17 Valor . .................................................................................................. 17 Valor crtico. ........................................................................................... 17 Docimasia. ................................................................................................... 18 1-PLANTEAMIENTO DE HIPTESIS. ...................................................... 19 HIPTESIS DE NULIDAD (Ho) ............................................................. 19 HIPTESIS ALTERNATIVA (H1) .......................................................... 19 2-NIVEL DE SIGNIFICACIN ................................................................... 20 3-ESTADSTICO DE PRUEBA.................................................................. 21 4-VALOR P................................................................................................ 22 5-INTERPRETACIN DE LOS RESULTADOS ........................................ 22 DIFERENCIAS ESTADSTICA SIGNIFICATIVA. .................................. 22 DIFERENCIA ESTADSTICA NO SIGNIFICATIVA. .............................. 22 Conclusin. ................................................................................................. 23 Bibliografa. ................................................................................................. 24

INTRODUCCIN.

CONTRASTE DE HIPTESIS. Dentro de la inferencia estadstica, un contraste de hiptesis (tambin denominado test de hiptesis o prueba de significacin) es un procedimiento para juzgar si una propiedad que se supone en una poblacin estadstica es compatible con lo observado en una muestra de dicha poblacin. Fue iniciada por Ronald Fisher y fundamentada posteriormente por Jerzy Neyman y Karl Pearson. Mediante esta teora, se aborda el problema estadstico considerando una hiptesis determinada y una hiptesis alternativa , y se intenta

dirimir cul de las dos es la hiptesis verdadera, tras aplicar el problema estadstico a un cierto nmero de experimentos. Est fuertemente asociada a los considerados errores de tipo I y II en estadstica, que definen respectivamente, la posibilidad de tomar un suceso falso como verdadero, o uno verdadero como falso. Existen diversos mtodos para desarrollar dicho test, minimizando los errores de tipo I y II, y hallando por tanto con una determinada potencia, la hiptesis con mayor probabilidad de ser correcta. Los tipos ms importantes son los test centrados, de hiptesis y alternativa simple, aleatorizados, etc. Dentro de los tests no paramtricos, el ms extendido es probablemente el test de la U de Mann-Whitney. Planteamiento clsico del contraste de hiptesis. Se denomina hiptesis nula a la hiptesis que se desea contrastar.

El nombre de "nula" significa sin valor, efecto o consecuencia, lo cual sugiere que debe identificarse con la hiptesis de no cambio (a partir de representa la hiptesis

la opinin actual); no diferencia, no mejora, etc.

que mantendremos a no ser que los datos indiquen su falsedad, y puede entenderse, por tanto, en el sentido de neutra. La hiptesis nunca se

considera probada, aunque puede ser rechazada por los datos. Por ejemplo,

la hiptesis de que dos poblaciones tienen la misma media puede ser rechazada fcilmente cuando ambas difieren mucho, analizando muestras suficientemente grandes de ambas poblaciones, pero no puede ser "demostrada" mediante muestreo, puesto que siempre cabe la posibilidad de que las medias difieran en una cantidad lo suficientemente pequea para

que no pueda ser detectada, aunque la muestra sea muy grande. A partir de una muestra de la poblacin en estudio, se extrae un estadstico (esto es, una valor que es funcin de la muestra) cuya distribucin de probabilidad est relacionada con la hiptesis en estudio y sea conocida. Se toma entonces como regin de rechazo al conjunto de valores que es ms improbable bajo la hiptesis, esto es, el conjunto de valores para el que rechazaremos la hiptesis nula si el valor del estadstico observado entra dentro de l. La probabilidad de que se obtenga un valor del estadstico que entre en la regin de rechazo an siendo cierta la hiptesis puede calcularse. De esta manera, se puede escoger dicha regin de tal forma que la probabilidad de cometer este error sea suficientemente pequea. Siguiendo con el anterior ejemplo de la moneda trucada, la muestra de la poblacin es el conjunto de los treinta lanzamientos a realizar, el estadstico escogido es el nmero total de caras obtenidas, y la regin de rechazo est constituida por los nmeros totales de caras iguales o superiores a 25. La probabilidad de cometer el error de admitir que la moneda est trucada a pesar de que no lo est es igual a la probabilidad binomial de tener 25 "xitos" o ms en una serie de 30 ensayos de Bernoulli con probabilidad de "xito" 0,5 en cada uno, entonces: 0,0002, pues existe la posibilidad, aunque poco probable, que la muestra nos d ms de 25 caras sin haber sido la moneda trucada.

Procedimientos de prueba. Un procedimiento de prueba es una regla con base en datos muestrales, para determinar si se rechaza .

Ejemplo Una prueba de : p = .10 contra : p < .10, podra estar basada en

el examen de una muestra aleatoria de n = 200 objetos. Representamos con X el nmero de objetos defectuosos de la muestra, una variable aleatoria binomial; x representa el valor observado de X. si es verdadera, E(X) = np

= 200(.10) = 20, mientras, podemos esperar menos de 20 objetos defectuosos si es verdadera. Un valor de x ligeramente debajo de 20 no as que es razonable rechazar

contradice de manera contundente a si x15 y no rechazar

solo si x es considerablemente menor que 20. Un procedimiento de prueba es rechazar de otra forma. En este caso, la no ser

regin de rechazo esta formada por x = 0, 1, 2, , y 15. rechazada si x= 16, 17,, 199 o 200. Un procedimiento de prueba se especifica por lo siguiente:

1. Un estadstico de prueba: una funcin de los datos muestrales en los cuales se basa la decisin de rechazar o no rechazar .

2. Una regin de rechazo, el conjunto de todos los valores del estadstico de prueba para los cuales ser rechazada.

Entonces, la hiptesis nula ser rechazada si y solo si el valor observado o calculado del estadstico de prueba se ubica en la regin de rechazo En el mejor de los casos podran desarrollarse procedimientos de prueba para los cuales ningn tipo de error es posible. Pero esto puede alcanzarse solo si una decisin se basa en un examen de toda la poblacin, lo que casi nunca es prctico. La dificultad al usar un procedimiento basado en datos

muestrales es que debido a la variabilidad en el muestreo puede resultar una muestra no representativa. Un buen procedimiento es aquel para el cual la probabilidad de cometer cualquier tipo de error es pequea. La eleccin de un valor particular de corte de la regin de rechazo fija las probabilidades de errores tipo I y II. Estas probabilidades de error son representadas por y , respectivamente. Enfoque actual de los contrastes de hiptesis. El enfoque actual considera siempre una hiptesis alternativa a la hiptesis nula. De manera explcita o implcita, la hiptesis nula, a la que se denota habitualmente por , se enfrenta a otra hiptesis que

denominaremos hiptesis alternativa y que se denota que no se especifica

. En los casos en los

de manera explcita, podemos considerar que ha es falsa.

quedado definida implcitamente como

Si por ejemplo deseamos comprobar la hiptesis de que dos distribuciones tienen la misma media, estamos implcitamente considerando como hiptesis alternativa ambas poblaciones tienen distinta media. Podemos, sin embargo considerar casos en los que negacin de no es la simple

. Supongamos por ejemplo que sospechamos que en un

juego de azar con un dado, este est trucado para obtener 6. Nuestra hiptesis nula podra ser el dado no est trucado que intentaremos contrastar, a partir de una muestra de lanzamientos realizados, contra la hiptesis alternativa el dado ha sido trucado a favor del 6. Cabra realizar otras hiptesis, pero, a los efectos del estudio que se pretende realizar, no se consideran relevantes. Un test de hiptesis se entiende, en el enfoque moderno, como una funcin de la muestra, corrientemente basada en un estadstico. de una

Supongamos que se tiene una muestra

poblacin en estudio y que se han formulado hiptesis sobre un parmetro

relacionado con la distribucin estadstica de la poblacin. Supongamos que se dispone de un estadstico cuya distribucin con respecto a ,

se conoce. Supongamos, tambin, que las hiptesis nula y alternativa tienen la formulacin siguiente:

Un contraste, prueba o test para dichas hiptesis sera una funcin de la muestra de la siguiente forma:

Donde (aceptar ) y

significa que debemos rechazar la hiptesis nula, , que debemos aceptar ). A (o que no hay

evidencia estadstica contra

se la denomina regin de rechazo. En

esencia, para construir el test deseado, basta con escoger el estadstico del contraste Se escoge y la regin de rechazo .

de tal manera que la probabilidad de que T(X) caiga en su .

interior sea baja cuando se da

Errores en el contraste Una vez realizado el contraste de hiptesis, se habr optado por una de las dos hiptesis, o , y la decisin escogida coincidir o no con la

que en realidad es cierta. Se pueden dar los cuatro casos que se exponen en el siguiente cuadro: es cierta Se escogi Se escogi No hay error es cierta Error de tipo II

Error de tipo I No hay error

Si la probabilidad de cometer un error de tipo I est unvocamente determinada, su valor se suele denotar por la letra griega , y en las mismas condiciones, se denota por la probabilidad de cometer el error de tipo II, esto es:

En este caso, se denomina Potencia del contraste al valor 1-, esto es, a la probabilidad de escoger cuando sta es cierta . Cuando es necesario disear un contraste de hiptesis, sera deseable hacerlo de tal manera que las probabilidades de ambos tipos de error fueran tan pequeas como fuera posible. Sin embargo, con una muestra de tamao prefijado, disminuir la probabilidad del error de tipo I, , conduce a incrementar la probabilidad del error de tipo II, . Usualmente, se disean los contrastes de tal manera que la probabilidad sea el 5% (0,05), aunque a veces se usan el 10% (0,1) o 1% (0,01) para adoptar condiciones ms relajadas o ms estrictas. El recurso para aumentar la potencia del contraste, esto es, disminuir , probabilidad de error de tipo II, es aumentar el tamao muestral, lo que en la prctica conlleva un incremento de los costes del estudio que se quiere realizar. Contraste ms potente. El concepto de potencia nos permite valorar cual entre dos contrastes con la misma probabilidad de error de tipo I, , es preferible. Si se trata de contrastar dos hiptesis sencillas sobre un parmetro desconocido, , del tipo:

Se trata de escoger entre todos los contrastes posibles con prefijado aquel que tiene mayor potencia, esto es, menor probabilidad de incurrir en el error de tipo II. En este caso el Lema de Neyman-Pearson garantiza la existencia de un contraste de mxima potencia y determina cmo construirlo.

Contraste uniformemente ms potente En el caso de que las hiptesis sean compuestas, esto es, que no se limiten a especificar un nico posible valor del parmetro, sino que sean del tipo:

donde

son conjuntos de varios posibles valores, las probabilidades

y ya no estn unvocamente determinadas, sino que tomarn diferentes valores segn los distintos valores posibles de . En este caso se dice que un contraste tiene tamao si

esto es, si la mxima probabilidad de cometer un error de tipo I cuando la hiptesis nula es cierta es . En estas circunstancias, se puede considerar como una funcin de , puesto que para cada posible valor de en la hiptesis alternativa se tendra una probabilidad distinta de cometer un error de tipo II. Se define entonces

y, la funcin de potencia del contraste es entonces

esto es, la probabilidad de discriminar que la hiptesis alternativa es cierta para cada valor posible de dentro de los valores posibles de esta misma hiptesis.

Se dice que un contraste es uniformemente ms potente de tamao cuando, para todo valor es mayor o igual que el de cualquier

otro contraste del mismo tamao. En resumen, se trata de un contraste que garantiza la mxima potencia para todos los valores de en la hiptesis alternativa. Es claro que el caso del contraste uniformemente ms potente para hiptesis compuestas exige el cumplimiento de condiciones ms exigentes que en el caso del contraste ms potente para hiptesis simples. Por ello, no existe un equivalente al Lema de Neyman-Pearson para el caso general. Sin embargo, s existen muchas condiciones en las que, cumplindose determinadas propiedades de las distribuciones de probabilidad implicadas y para ciertos tipos de hiptesis, se puede extender el Lema para obtener el contraste uniformemente ms potente del tamao que se desee. Aplicaciones de los contrastes de hiptesis Los contrastes de hiptesis, como la inferencia estadstica en general, son herramientas de amplio uso en la ciencia en general. En particular, la moderna Filosofa de la ciencia desarrolla el concepto de falsabilidad de las teoras cientficas basndose en los conceptos de la inferencia estadstica en general y de los contrastes de hiptesis. En este contexto, cuando se desea optar entre dos posibles teoras cientficas para un mismo fenmeno (dos hiptesis) se debe realizar un contraste estadstico a partir de los datos disponibles sobre el fenmeno que permitan optar por una u otra. Las tcnicas de contraste de hiptesis son tambin de amplia aplicacin en muchos otros casos, como ensayos clnicos de nuevos medicamentos, control de calidad, encuestas, etctera.

ESTIMACIN. En inferencia estadstica se llama estimacin al conjunto de tcnicas que permiten dar un valor aproximado de un parmetro de una poblacin a partir de los datos proporcionados por una muestra. Por ejemplo, una estimacin de la media de una determinada caracterstica de una poblacin de tamao N podra ser la media de esa misma caracterstica para una muestra de tamao n. Estimador. Un estimador de un parmetro poblacional es una funcin de los datos muestrales, tambin llamado estadstico. En pocas palabras, es una frmula que depende de los valores obtenidos de una muestra, para realizar estimaciones. Formalmente, si es un parmetro poblacional, se dice que estimador puntual de si , donde es un son

las variables aleatorias que integran una muestra aleatoria de tamao n de la poblacin en cuestin. Por ejemplo, un estimador de la media poblacional, , puede ser la media muestral, , segn la siguiente frmula:

donde (x1, x2, ..., xn) sera el conjunto de de datos de la muestra. -- xXx --El estimador es una variable aleatoria que asigna a cada posible valor de la muestra un valor numrico. Como tal, tiene sentido calcular su esperanza, su varianza y otras caractersticas propias de las variables aleatorias.

Estimador insesgado. Por supuesto, cualquier funcin de la muestra, con la definicin anterior, podra ser un estimador, pero es deseable que las estimaciones que surjan a partir de un estimador "se parezcan", en cierto modo, al parmetro que se desea estimar. Con este propsito, se dice que un estimador de un parmetro es insesgado si su esperanza es el propio .

Estimador eficiente. Un estimador de un parmetro es eficiente si su varianza es mnima. Esto hace que haya menos variabilidad entre las distintas estimaciones que podemos obtener (cada muestra dar una estimacin diferente). De esta forma, la estimacin ser ms fiable. Hay una cota mnima dentro de las varianzas que se puede obtener para cualquier estimador con un sesgo determinado. Esta cota se llama cota de CramrRao. Si la varianza de un estimador es igual a esta cota, sabremos que su varianza es mnima, y por tanto, estaremos seguros de que es eficiente. Sin embargo, no siempre esta cota es alcanzable, por lo que no siempre podremos saber si el estimador que hemos utilizado es el ms eficiente de todos. Para ello, cuando dudamos entre dos estimadores diferentes, y ninguno de ellos tiene una varianza igual a la cota de Cramr-Rao se utiliza el coeficiente de eficiencia relativa.

Estimacin puntual. Consiste en la estimacin del valor del parmetro mediante un slo valor, obtenido de una frmula determinada. Por ejemplo, si se pretende estimar la talla media de un determinado grupo de individuos, puede

extraerse una muestra y ofrecer como estimacin puntual la talla media de los individuos. Lo ms importante de un estimador, es que sea un estimador eficiente. Es decir, que sea insesgado(ausencia de sesgos) y estable en el muestreo o eficiente (varianza mnima). Estimacin puntual Sea X una variable poblacional con distribucin F , siendo desconocido. El problema de estimacin puntual consiste en, seleccionada una muestra X1, ..., Xn, encontrar el estadstico T(X1, ..., Xn) que mejor estime el parmetro . Una vez observada o realizada la muestra, con valores x1, ..., xn, se obtiene la estimacin puntual de , T(x1, ..., xn) = . Vemos a continuacin dos mtodos para obtener la estimacin puntual de un parmetro: mtodo de los momentos y mtodo de mxima verosimilitud.. Estimacin puntual y por Intervalos de Conanza 7.2.1. Mtodos de estimacin puntual Mtodo de los momentos: consiste en igualar momentos poblacionales a momentos muestrales. Deberemos tener tantas igualdades como parmetros a estimar. Momento poblacional de orden r r = E (Xr ) Momento muestral de orden r ar = Xn i=1 Xr i n Mtodo de mxima verosimilitud: consiste en tomar como valor del parmetro aquel que maximice la probabilidad de que ocurra la muestra observada. Si X1, ..., Xn es una muestra seleccionada de una poblacin con distribucin F o densidad f(x), la probabilidad de que ocurra una realizacin x1, ..., xn viene dada por: L(x1, ..., xn) = Yn i=1 f(xi ) A L(x1, ..., xn) se le llama funcin de verosimilitud.(credibilidad de la muestra observada). Buscamos entonces el valor de que maximice la funcin de verosimilud, y al valor obtenido se le llama estimacin por mxima verosimilitud de . Nota: si la variable X es discreta, en lugar de f(xi ) consideramos la funcin masa de probabilidad p(xi ). Ejemplo 7.1: Sea X N(, ), con desconocido. Seleccionada una m.a.s. X1, ..., Xn, con realizacin x1, ..., xn, estimamos el parmetro por ambos mtodos. Segn

el mtodo de los momentos: E(X) = Xn i=1 Xi n = X, y al ser = E(X) se obtiene que = x. Por el mtodo de mxima verosimilitud: L(x1, ..., xn) = Yn i=1 f(xi ) = = Yn i=1 1 2 e (xi) 2 2 Estimacin por Intervalos de conanza 109 y maximizamos en tal funcin; en este caso resulta ms fcil maximizar su logaritmo: lnL(x1, ..., xn) = 1 2 2 Xn i=1 (xi ) 2 n ln( 2) lnL(x1, ..., xn) = 1 2 Xn i=1 (xi ) = n x n 2 = 0 = Estimacin por intervalos. Es la que se proyecta en funcin del intervalo de confianza la cual se deriva del parmetro de variabilidad Intervalo de confianza. El intervalo de confianza es una expresin del tipo [1, 2] 1 2, donde es el parmetro a estimar. Este intervalo contiene al parmetro estimado con una determinada certeza o nivel de confianza. Pero a veces puede cambiar este intervalo cuando la muestra no garantiza un axioma o un equivalente circunstancial. Variabilidad del Parmetro. Si no se conoce, puede obtenerse una aproximacin en los datos aportados por la literatura cientfica o en un estudio piloto. Tambin hay mtodos para calcular el tamao de la muestra que prescinde de este aspecto. Habitualmente se usa como medida de esta variabilidad la desviacin tpica poblacional y se denota .

Error de la estimacin. Es una medida de su precisin que se corresponde con la amplitud del intervalo de confianza. Cuanta ms precisin se desee en la estimacin de un parmetro, ms estrecho deber ser el intervalo de confianza y, si se quiere mantener o disminuir el error, ms ocurrencias debern incluirse en la muestra estudiada. En caso de no incluir nuevas observaciones para la muestra, ms error se comete al aumentar la precisin. Se suele llamar E, segn la frmula E = 2 - 1. Lmite de Confianza. Es la probabilidad de que el verdadero valor del parmetro estimado en la poblacin se site en el intervalo de confianza obtenido. El nivel de confianza se denota por (1-), aunque habitualmente suele expresarse con un porcentaje ((1-) 100%). Es habitual tomar como nivel de confianza un 95% o un 99%, que se corresponden con valores de 0,05 y 0,01 respectivamente. Valor . Tambin llamado nivel de significacin. Es la probabilidad (en tanto por uno) de fallar en nuestra estimacin, esto es, la diferencia entre la certeza (1) y el nivel de confianza (1-). Por ejemplo, en una estimacin con un nivel de confianza del 95%, el valor es (100-95)/100 = 0,05 Valor crtico. Se representa por Z/2. Es el valor de la abscisa en una determinada distribucin que deja a su derecha un rea igual a /2, siendo 1- el nivel de confianza. Normalmente los valores crticos estn tabulados o pueden calcularse en funcin de la distribucin de la poblacin. Por ejemplo, para

una distribucin normal, de media 0 y desviacin tpica 1, el valor crtico para = 0,1 se calculara del siguiente modo: se busca en la tabla de la distribucin ese valor (o el ms aproximado), bajo la columna "rea"; se observa que se corresponde con -1,28. Entonces Z/2 = 1,64. Si la media o desviacin tpica de la distribucin normal no coinciden con las de la tabla, se puede realizar el cambio de variable t =(X-)/ para su clculo. Con estas definiciones, si tras la extraccin de una muestra se dice que "3 es una estimacin de la media con un margen de error de 0,6 y un nivel de confianza del 99%", podemos interpretar que el verdadero valor de la media se encuentra entre 2,7 y 3,3, con una probabilidad del 99%. Los valores 2,7 y 3,3 se obtienen restando y sumando, respectivamente, la mitad del error, para obtener el intervalo de confianza segn las definiciones dadas. Para un tamao fijo de la muestra, los conceptos de error y nivel de confianza van relacionados. Si admitimos un error mayor, esto es, aumentamos el tamao del intervalo de confianza, tenemos tambin una mayor probabilidad de xito en nuestra estimacin, es decir, un mayor nivel de confianza. Docimasia. Ms comnmente llamada prueba o test de hiptesis, es un procedimiento basado en la evidencia muestral y la teora de probabilidad, y se emplea para determinar si la hiptesis es una afirmacin razonable. En el anlisis estadstico se hace una aseveracin, es decir, se plantea una hiptesis, despus se hacen las pruebas para verificar la aseveracin o para determinar que no es verdadera. El propsito de la prueba de hiptesis no es cuestionar el valor calculado del estadstico (muestral), sino hacer un juicio con respecto a la diferencia entre estadstico de muestra y un valor planteado del parmetro. Se realiza mediante un procedimiento sistemtico de 5 pasos: 1) Plantear la hiptesis nula Ho y la hiptesis alternativa H1.

2) Seleccionar el nivel de significancia. 3) Clculo del valor estadstico de prueba. 4) Formular la regla de decisin. 5) Tomar una decisin.

1-PLANTEAMIENTO DE HIPTESIS. HIPTESIS DE NULIDAD (Ho) Los grupos comparados no difieren en la caracterstica (parmetro) en estudio. Por lo tanto, la diferencia observada en la investigacin es consecuencia del error de muestreo.

HIPTESIS ALTERNATIVA (H1) Los grupos difieren en la caracterstica (parmetro) en estudio. Por lo tanto, la diferencia observada es consecuencia efectiva entre las poblaciones de origen. Hiptesis Nula H0 : Hiptesis alternativa = Hi : < Ej. : P N p = = = 10% 100 2% > Pruebas Unilaterales Pruebas Bilaterales

Existe diferencia significativa entre p y P? Ho Hi = = p = P0 p < P0

2-NIVEL DE SIGNIFICACIN De acuerdo a este razonamiento la decisin que se toma es de probabilidad; en consecuencia, est sometida a error. Se rechaza la hiptesis nula, si la prueba da un valor cuya probabilidad asociada de ocurrencia, es igual o menor que alguna pequea probabilidad simbolizada por , denominada nivel de significacin. Decisin sobre H0 Realidad de H0 Verdadero Falso No rechaza Correcto Error II Rechaza Error I Correcto

Probabilidad de cometer error tipo I, Rechazar H0 siendo verdadera Probabilidad de cometer el error tipo II, No rechaza H0 siendo falsa. El error tipo I es el nivel de significacin de la prueba estadstica que siempre ha de indicarse cuando se presentan los resultados. = 0,05 Rechazar no ms de 5 veces en 100 la H0 siendo V = 0.01 Rechazar no ms de 1 vez en 100 la H0 siendo V El error tipo II se denomina potencia o poder estadstico, este depende del tamao de la muestra (a > tamao muestral > potencia) y es = 1 -B. En los estudios es frecuente establecer como objetivo una potencia de 0.8 con un nivel de significacin de 0,05. Ello significa que la probabilidad de cometer un error II (0,2) es cuatro veces mayor que la probabilidad de

cometer un error tipo I (0,05), lo que refleja que en general un error tipo I se considera mucho ms grave que un error tipo II. 3-ESTADSTICO DE PRUEBA. Para el mismo Ej: P0 = 10% Q0 = 90%

N = 100

Z Cal = p - P0 P0 * Q0 N

N (0,1)

Z Cal = 2 - 10 = -- 8 = -- 2,67 3 10 * 90 100 = 0.05 (prueba unilateral)

Z crtico crea zona de rechazo Z calculado est dentro de la zona de rechazo, por lo tanto se rechazo H0 H0

0.05 Z Cal - 2.67 Z crtico - 1.65 0

0.95

4-VALOR P

5-INTERPRETACIN DE LOS RESULTADOS DIFERENCIAS ESTADSTICA SIGNIFICATIVA. Si la hiptesis nula fuera verdadera, es improbable, de acuerdo al nivel de significacin establecido, que se hubiera obtenido una diferencia igual o mayor que la diferencia observada. Por lo tanto, aceptamos que se origina en el efecto de un factor diferencial entre los grupos. DIFERENCIA ESTADSTICA NO SIGNIFICATIVA. De acuerdo al nivel de significacin que se ha establecido, no hay suficiente evidencia para rechazar la posibilidad de que la diferencia observada se debe a error de muestreo.

Conclusin.

Bibliografa. http://es.wikipedia.org/wiki/Contraste_de_hip%C3%B3tesis http://es.wikipedia.org/wiki/Estimaci%C3%B3n_estad%C3%ADstica

http://es.scribd.com/doc/6703607/Docimasia-de-Hipotesis