Captulo

Elementos de inferencia
estad stica : experi mentos
con uno y dos tratarnentos

Sumario

Objetivos de aprendizaje

1, Poblacin y muestra, parmetros y estadsticos

2. Distribuciones de probabilidad e inferencia

3. Estimacin puntual y por
4. Conceptos bsicos de prueba de hiptesis

ldeniificar Ios elementos de la inferencia estadstica y su

intervalo

5. Planteamiento de una hiptesis

imlortancia en los oiseos exoer'mentales.

t,

Explicar el papel de las distribuciones de probabilidad en

la inferencia estadstica, as como la estimacin puntual y

estadisrica

6.

Prueba para la media

por inrervalo.

Prueba para la varianza

Describir las pruebas para la media, varianza y Llna pro-

B, Prueba para una proporcir

porcin, as como los conceDtos bsicos de prueba de hi-

9.

nfo c i.

Tres criterios de rechazo 0 aceptacin equivalentes

10. Ccmparacin de dos tratamientos

'l

'1.

ldentificar las pruebas para la igualdad de varianzas y pro-

Poblaciones pareadas (comparacin de dos medias con muestras dependientes)

12. Resumen de frmulas para procedimientos de prueba de hip-

p0rct0nes.

Distinguir las pruebas para c0mparar medias con muestras

independtentes y muesti'as pareadas.

tess

13. Uso de software

14. Preguntas y ejercicios

MAPA COI\ICEPTUAL

_l**;*-t
tslrmacion

Poblacin y
muestra

l--.*-

Poblaciones

--___*l
iProporCones
i
\ra rianzas

nterva lo

Prueba de

pareadas

t_.-__*_.

puntual y por

iptes is

Media, varianza y

F_

proporcin
Comparacin de
dos tratamientos

Y
14

CAPTULO 2

Elementos de inferencia estadstica: expenmentos con uno y dos tratamientos

,eG.

Poblacin y muestra, parmetros y estadsticos

rL

lJna poblacin o universo es una coleccin o totaiidad de posibles individuos, especmenes,

objetos o medidas de inters sobre los que se hace un estudio. Las poblaciones pueden ser
finitas o infinitas. Siesfnita y pequea se pueden medir todos los individuos para tener
un conocimiento "exacto" de las caracterstlcas (parmetros) de esa poblacin. Por ejemplo,
un parmetro que podra ser de inters es la proporcin p de productos defectuosos, o la
media,,rz, de alguna variable medida a los productos. Si la poblacin esinfmta o grande es
imposible e incosteable medir a todos los indivlduos, en este caso se tendr que sacar una
miestra representqtila de dicha poblacin, y con base en las caractersticas medidas en la
muestra (estadisticos) se podrn hacer afirmaciones acerca de 1os parmetros de Ia poblacin
(figura 2.1).

Conceptos clavej
Error tipo

Error tipo ll

Estadktico
Estadstico dd prueba

Estimador

puntual

Grados de libertad '

Hiptesis estadstica'
lnferencia estadstica

Pobiacin (toda la
produccin del mes)

lntervaio de confianza
Muestras pareadas

0rden completamente al

azar

Potencia de la prueba
Regin de

aceptacin

Regin de

rechazo

PARAMETROS

(siempre desconocidos)

ESTADSTICOS

(conocidos)

Significancia observada
Significancia predefinida

hl
Es

Poblacin finita

aquella que posee o incluye un nmero

Flgura

2.1

Relacin entre poblacin y muestra, parmetros y estadsticos.

pequeo de elementos, de tal forma que

al estudiar estadsticamente esta poblacin es necesario considerar explcltamente su tamao.

$..

Parmetros

Caractersticas que, mediante

su valor

numrico, describen a un conjunto de elementos o individuos.

)',.
Es

Poblacin infinita

aquella que posee o incluye un nmero

grande de elementos, de tal forma que al

estudiar estadsticamente esta poblacin

es necesario recurrir a muestras, que en la

prctica son pequeas respecto al tamao

de la poblacin.

$-'

Muestra representativa

Es una parte de una poblacin, seleccio-

nada adecuadamente, que conserva los

aspectos clave de la pobiacin,

h-

lnf.r.ncia estadstica

Son afirmaciones estadsticas acerca de la

poblacin o proceso basadas en la informacin contenida en la n',i.:estra.

Con frecuencia, las poblaciones de inters son los materiales, ios productos terminados, partes o componentes, Ios individuos de una poblacin o las propiedades de algn material o sustancia. En muchos casos estas poblaciones se pueden suponer infinitas o grandes. Por ejemplo, en empresas con produccin en masa no siempre es poslble
medlr cada preza de material que 11ega o las propiedades de cada producto terminado.
lncluso, si 1a produccin no es masiva, conviene imaginar el proceso como una poblacin infinita o muy grande, debido a que e1 flujo del proceso no se detiene, es decir, no
existe ei ltimo artculo producido mientras la empresa siga operando. En estos casos
las poblaciones se estudian mediante muestras representativas de dichas poblaciones.
Un asunto importante ser lograr que 1as muestras sean representativas, en el sentido de que tengan los aspectos clave que se desean analizar en la poblacin. Una forma
de iograr esa representatividad es disear de manera adecuada un muestreo aleatorio
(azar), donde la seleccin no se haga con algn sesgo en una direccin que favorezca
la inclusin de ciertos elementos en particular, srno que todos 1os elementos de la poblacin tengan las mismas oportunidades de ser incluidos en 1a muestra. Exlsten varios
mtodos de muestreo aleatorio, por ejemplol e1 simple, el estratiflcado, e1 muestreo
sistemtico y por congiomerados; cada uno de ellos logra muestras represeniativas en
funcin de 1os objetivos del estudlo y de ciertas circunstancias 1- caractersticas particulares de la poblacin (vase Gutirrez Pulido, 2010)

lnferencia estadstica
El objetivo dela nJerer"tcia estqdstica es hacer afirmaclones vlidas acerca de 1a poblacin o proceso con base en 1a rnlormacin contenida en una mueslra. Estas afirmacio-

Distribuciones de probabilidad e

inferencia

15

por objetivo caracLerizar mejor a Ia poblacin y, en muchos casos, coadyuvar en 1a toma

de decisiones. La inferencia estadstlca,por 1o general se divide enestimaciny pruebade hiptesis,y se
apoya en cantidades o datos estadsticos calcuiados a partir de las observaciones en Ia
nes tienen

muestra. l)n estadstico se define como cualquier funcin de los datos.r.rrrrl.,

no contiene parmetros desconocidos. Un ejemplo de estadstlco es 1a media muesrral

lr.

i con

1a

cual se rraran de hacer afirmaciones sbre la media,

poblacional'

h#t

frtudirtao

tt, que., ,n pr.a*.,.o ,co1,.:,jii:ffijtflij&fl:i1ll,i,[i;

Un aspecto clave en la interpretacin y utilizacin de cualquier esadstico es que

las caractersticas de ra misma.

trata de una variable aieatoria, ya que su valor depende de 1os elementos que son seleccionados para
integrar la muestra, y por io tanto, vara de una muestra a otra. La lorma de tomar en cuenta este hecho
es conocer la distribucin de probabilidad de cada esradstico.
se

Distribuciones de probabilidad
e inferencia

H.,

ii,

r.

ffi

La distnbucin de probabilidad o distnbucin de una vatiable aleatonaX relaciona e1 conortrinucin de

junto de valores posibles de X (rango de X), con Ia probabilidad asociada a cada uno d.e
prbabilidad de X
estos valores y 1os representa a travs de una tabla o por medio de una funcin planteada
Relaciona el conjunto de valores de Xcon
como una frmula. Por ejemplo, sea la variable aleatoria dada por el estadsrico media
la probabilidad asociada con cada uno de
muestral, f, .nrorr.., ai conocer su distribucin de probabilida podremos saber cules
estos valores.
son 1os valores que puede tomo. X y cu1es son ms probabies.
En otras palabras, Ia distribucin de probabilidad de la media muestral i senala que vaiores se
espera que tome i, de acuerdo con 1os ,rpr.rto, asumidds. De esra form, Ia disrribucion de probabllidad hace que 1o aleatorio no sea un capricho, y modela (describe, acota) 1os posibles valores de
un estads[ico muestral, con 1o que al observar una realizacin especfica de un estadstico se pueden
corroborar o rechazar supuestos (prueba de hiptesis), o bien, hacer estimaciones poblacionales.
Las distnbuciones de probabilidad que ms se usan en inrervalos de confianza y pruebas de hiptesis son las distrlbuciones'. normal, T de Student,
1i-cttadrada y F. En 1a figura 2.2 se representan
ias formas tpicas de estas cuatro distribuciones. La distribucin normal esr compleru*..rt definida
por sus parmetros, que son 1a media, p,yla desviacin estndar, o. Por ejempio, en 1a figura 2.2 se

muestraladistribucinnormalconp=0yo=1,quesesmbolizaconl,I(0, 1)yseconocecomola
dis

tnbucion

n o

nnal e standar.

En 1a figura 2.2 tambit se observa que [an[o ]a disrribucin normal estndar como 1a T de Srudenr
son simtricas y centradas en cero, mientras que 1as dlstribuciones jl-cuadrada y F son sesgadas y slo
toman r-alores positlvos. Las cualro distribuciones estn reiacionadas entre s, ya que las d.istribuciones

f de Student, ji-cuadrada y F se definen en trminos de 1a disrribucin normai es[ndar.

Los parmetros que definen por completo 1as dlstribuciones T de Srudenr, ji-cuadrada

v F, recrben el nombre d,e graclos delibertad, que rienen que ver con los ,rrno, *u.rtrales involucrados. Por ejemplo, si se tiene una muestra de tamao 20,ser de inters
una distribucin T de stueni con 19 grados de libertad para hacer ir-rr.r.n.i" rou.. t,
media pobtacional; o una ji-cuadrada ,, le grados de liberrad
sobre ia varianza poblacional.

pr.";;;;;l;f.;;

h}i

Crados de libertad

-son parmetros que definen las distribu-

l?l?il;l-ill1:*:lJi]:',iffi1
lucrados.

La distribucln T de Student tiende a la distribucin normal esrndar cuando ei

lamao de muestra crece, y prcticamente es la misma drstribuctn para n > 45. La diferencia bsica
entre las dos distribuciones es que 1a T de Student es ms ancha (respecto del eje horizontal) en las
coias (vase flgura 2.2). La distribucin normal estndar es una curva nica, por e11o exisren rablas
que proporcionan cualquier rea o probabilidad de inters bajo esta curva. No pasa 1o mismo con las
otras distribuciones a ias que hemos hecho referencia, ya que para cada tamao muestral es una curra
diferente. Por eso, 1as tablas de estas distribuciones slo reportan ios valores que separan las reas de
mayor uso en inlerencia estadstica (vase apndice 2). En la actualidad es mejor utiiizar un paquere
estadstico para encontrar cualquier rea o percentil que se quiera de cada distribucin.
Como se muestra ms adelante, las distribuciones normal y T de Student sinen parahacer inferencias sobre 1as medias; por su parte, la distribucin ji-cuadrada ser de utilidad para hacer inferencias

16

CAPTULO

Elementos de inferencia estadstica: experimentos con uno y dos tratamientos

Normal estndar

fde

040

0.40

030

0.30

0.20

0.20

0.1 0

0.10

0.0

0.0

Ji-cuadrada, 10 q.l

Student, 5 g.l.

F(s,10)

0.6

0.08

0.4

0.04

4.2

0.0

0.0

F[Eura

i, ,!
;. l:

?.*

10
XX

15

ZO

Muestra d las distribucion.r'd. probabilidad de mayor uso en inferencia.

sobre varianzas y ia distribucin F se ernplear para compararvarianzas. Es por esto que 1a disrribucin
F es la de rnayor relevancia en diseo de experimentos, dado que e} anlisis de 1a vriabilidad que se
observa en un experimento se hace comparando varianzas.

:i:

Usa de ENce!
il

Si X tiene r:na distribucin normal con media p y desvlacin estndar o con frecuencia es de inters
calcular probabilidades como P(X < x). Se puede utilizar 1a hoja de clcu1o de Excel (o algo equivalente)
para calcular este ripo de probabiiidades para e1lo se uriliza la siguienre funcin:
DIS TR. {ORtr..{

(x,

nte

dia,

de sv _e

stan d ar, acum)

donde en la celda x se da el valor de relerencia para el c1cu1o de probabilidades, en media seda e1 valor
de 1a media. lt, y en desv-estandat' se deciara el valor de la desrriacin estndar o. por ulfimo, acunt
,
es un valor lgico que determina la forma de Ia funcln: si e1 argumenLo acwnes VERDADERO (se
da

un I),1a luncin DISTR.AIORM devuelve la funcin de distribucin acumulada (P(X < i));
(se da un 0), devueh,e ia funcrn de densidad de probabilidad,
es decir, dat'e).

si es FALSO

Estimacin puntual y por intervato

Una dtsribucln de probabilldad de una varlable que represenra ciert.a caracterstica de una poblaci:
se define ccnpleiarrente cuando se conocen sus parmetros, pero cuando stos no ,. .on..n, ,.,-..
necesar,o es:.::arlos con base en 1os datos muestrales para hacer inferencias sobre la poblacin. p::

Estimacin puntual y por

intervalo

17

':

ejemplo, ios parmetros de una distribucln normal son ia media, p,y Ia desviacin estndar, o, que
en caso de desconocerse ser necesario estimarlos a partir de los datos en la muestra, Hay cios tipos c1e
estlmacin: puntuai y por intervalo.

Estirnacin puntlial
Un estimador puntual de un parmetro ciesconocido es un estadstico que genera un
Yalor numrico simple, que se utiliza para hacer una estimacin dei valor del parmetro
desconocido; por ejemplo, tres parmetros sobre ios que con lrecuencia se desea hacer
inferencia son:

{S

11-

fstimador puntual

Estadstico que estima un valor especfico

de un parmetro.

La media r del proceso (poblacin).

Lavarianzao2 ola desviacin estndar o

de1 proceso.

La proporcin p de eiementos que tienen cierta caracterstica.

Los estimadores puntuales (estadsticos) ms recomendados para estimar estos parmetros son,
respectivamen[e:
La media muesLrai

f =

La varianza muestral o2 =

S2

La proporcin muestral, i, = x/n, donde

es el nmero de eiementos en 1a muestra de ramao n,

que fienen la caracteristica.

Por ejemplo, para estimar e1 grosor promedio de los discos producidos por un proceso, durante
una semana se toma una muestra de n = 125 discos, y se obrlene que ia media muestral es X 1.I79.

valor puede usarse como una estimacin puntual de p (la media del proceso).
Colocar un gorro (smbolo ^) sobre un parmetro es una manera general de denotar un estimador
puntual del correspondlente parmetro, puesto que los estimadores no son nicos. Por elemplo, ia
estimacin de la media, p, podria hacerse con el uso de la media muesrral X, la mediana i, o 1a moda,
dado que las tres son diferentes medidas de la tendencla cenrral de unos datos.
Este

[stimacin pr inte'valo
estimacln puntuai de un parmetro se genera a travs de un estadstico, y como ei valor de ste es
alealorio porque depende de 1os elementos que lueron seleccionados en la muestra, entonces la esrimacin que se hace sobre el parinetro depender y variar de una muestra a otra. Por el1o es necesario
saber qtt tan precisa es la estimacin puntual, y es[o rrene que ver con la varianza de1 correspondiente
estimador. Una forma de saber qu tan variable es e1 estimador, conslste en calcular 1a desviacrn esLa

ndar o error estandar de1 estadstico, visto como una variable aleatoria. Por ejemplo, sea 1a clesviacLn
i d. unu muestra de tamao n, puesro qr. i ., una variable aleatoria: sta tiene
su propia desviacin o error estndar, que se puede estimar mediante 6 = S /
X
^,li
I-ina forma operativa de saber qu tan precisa es ia es[imacin consiste en calcular un interycio cle
confanza que indique un rango "en e1 que puede estar e1 parmetro" con cierro nivel de seguridacl o
confianza. Construir un intervalo al 100(i - a)o/o de confianza para un parmetro desconocido g, consiste en estimar dos nmeros (estadsticos) L y U, de manera que la probabilidad de que 0 se encuenrre
estndar 5 y 1a meciia

rtre elics sea 1 - a, es decir,

P(L<e<U)=l-a

(2.1)

--'::::an el intervalo de confianza buscado IL. U] . La correcta interpretacin de un in[en.alo

.s :r:-ro sigue: si se obtuvleran 100 muesrras independientes de 1a mlsma poblacin o

-:" :: lamao ny para cada muestra se calcular ei lntervalo de confianza, por ejernplo
:ara el mismo parmetro. entonces

se espera que 95 de

ios 100 lnten,aios con-

lscAPiTuLo2ElementosdeinferenciaestadStica:experimentosConunoydostratamientos

tenganeiverdaderor,alordedichoparm".:oj'iaprcticaseobtieneslounintervaioysediceque

,&,

elintervalotr'ultit"t'i-u;;;de1o0(f-j;t''vque91pa'am"troestarenelintervaloel
que se aplique el procedimiento'
100(1 - a)ok delas veces
rntervaro de

confiaza

,. *llxlttt;;fi[aT1*u:fJ:ll;*,t'*x'ffiffi::"T'i!i"{'H:'::':i
mayor la ,^:,1",:::
mayor a meiu q,.
los intervrlos
'.u
se lncre.1. .onfl*,,, EI ancho de
1u,'tho dei intervaio es menor
il.,'i. r. ,r,rretio pobracionar [r'"ofi,i; y;;;:i. -.,nur,rul"rgra".
'

est el
Valores entre los que se estima

Va.

eS

s1

*"'''t'

el tamao de la muestra'

una media
lntervalo de confianza para
Por definici n de intervalo
tro

se encuen[re

de

t"t" Ji"t

que el parmedos nmeros L y U, tales

confanzase :ral1 de encontrar
probabilidad de I - a' Esto es'
to"

"tu

P(L=lt<U)=I-c
intervalo
SeaXl,X2,...,Xnunamuestraaieatoriadetamaondeunapoblacin,Conunadistribucinnormal
general para deducir el
ambas a.,.onotliu'' El procedimiento
yartanzao2,
y
disrribucin
una
iiene
lt
y que
qr. in.,otr.i J p'ar*.t.o de inrres
consisre en parrir a. ," r^rr,r.o

con media

estadstico
."L.iar. En el caso de la media ta1

es:

, _X-lt
'5/J;

en 1a ubla de esta

de libertad' Por 1o tanto'

T de Student con n - 1 grados
el cual si.gue una disrribucin
cticos totzY - to72' tales que:
pued,en ubi.car dos valres
grfrcase
su
en
o
disrribucin

T-,,

P\-'o,r<+ato'
S/./n f=I-a

Deaqu,despe;andohastadejarsloenmediodelasdeslguaidadeselparmetrodeinters'se
llega a que:

elx-r,,,

it

(2.2)

tx' +to,,.})= t - "

ln-

En este sentido,

L=X-totz* I

lJ --x+t"''*'

d*:"'{;;;'
rervalo al 100(t ;,;i
igual.
o
mayor
observa que para ur, *r.r,ru
a)ok parula media

que denen un
son los nume,ros buscados
T de student
En la ti!!i: la distribucin

'

in,.*rlo

al

100(l -a)o/oparala mediar

es

se

aproxi-

error estndar'
media ms menos 2 veces su
madamente Xf-!,,, o sea' la

: : . ':
[#W*.].l:....:]]..ll':::.].]]]:]-:l........'...

"tu'

cu7Le';':t^i

i.20 mm con una tolerar

lit l.. .t,ar deno de la especificacin inferior'
la superior, E5

rn ,v
-t = r1'10'

E/

que el proceso de inyec= 1.30, para considerar:

de calidad'

esta caracterstica
cin fue satisfactorio Para evaluar
sistemtico en una
muestreo
un
,nu ,.*unu se hace
5
obtitnun 25 muestras de tamao
inea de produccin, y

il;.;;;

"

;:;; ;:.;;;.i :

lt:":J:;l

:: ,"*
el cual debe'serde
utr, vuvLlv '"-,a, es zu srolor'
;r;t*ot.il'toiit;l
:.-d'udu
del
oa rdlo ,r. As, el grosor
rn un proiro de inyeccin',e fustico'

=:

se lene unamuestit
.ud una Por lo tanto, al final
mm y la varlanza' '
,u ,.Oiu muestral' X = l 'll9
"0t,..
q" iu-t'ti*utin del error estndar de l
52 = 0.00071, por lo

media es:

5
Ji

0 0266 _n nn7
11.18

Estimacin puntual y por intervalo

Cuando n

>

45,Ia distribucin T de Student es prcticamente igual

a 1a

distribucin normal estndar;

porlotanto,delatabladeladistribucinnormalseobene queto2=zat2=L.96paraa=0.05.De
aqu que el intervalo al 100(t - a)o/o de confianza para la mediap del grosor de los discos est dado por:
ozoo)=
ru(o
t.17er0.004
l. II.IB ,

x+ "''
t-,.1 = r.rTet r
Jn

puede afirmar entonces que, con una confianza de95ak, ia mediap de grosor de 1os discos se encuentra en el intervalo [1.774,1.184] . En el clculo anterior, a1 valor de 0.00466 se 1e conoce como
Se

error de estimacin, porque hasta en 0.00466 puede diferlr el estimador puntual

del parmetro

pobiacional 2.
Una alternativa ai uso de las tablas para obtener e1 valor de es el uso de sistemas computacionaies.
Por ejemplo, en el caso de Excel se emplea la funcin DISTR.T.INV (a, n - 1), que considera 1os dos
extremos o colas de la distribucin, por eso se indlca c.

Tamao de la muestra
En ocasiones es necesario calcular el tamao de muestra n paralograr que ia estlmacln de una media

poblacionalp tenga como error mximo un valor E. En este caso, como el error de estimacin est dado
por E = t(o/2,'-DS/\E, entonces despejando n obtenemos que:

''=

tio :,

j''-r,52
,:,

Como (or2, n-r depende de ny sta es la incgnita, entonces para propsltos prctlcos y con tamaos de
mlresira mayores que 30, el valor de to2.,_11 puede tomarse como 2. De esta manera,
452

F'
donde 52 es un estimador de lavaranza. Por ejemplo, si en ei caso del grosor medio de los discos se
quislera un error mximo de 0.00,t = E, entonces se requiere:

4(0.00071)
n-'""--','=177.5=l7B
(0.004)'

lntervalo para la variana

De manera similar a como se obtiene ei intervalo para la media, es posible deducir intervalos de conFranzapara cualquier parmetro. En particular, para construir un intervalo de confianzaparala varian-

zao',\a distribucin de referencia es una ji-cuadrada con n - 1 grados de libertad, ya que bajo ei supuesto de que 1a variable de inters tiene una disribucin normal con media y yarranza desconocidas,
e1 estadstico 0t - I)52/o2 sigue la distribucin ji-cuadrada con n - 1 grados de libertad. De esta manera,
con un poco de lgebra, se 11ega a que el intervalo de confianza paralayartanza est dado por:

(n-l)S2
X.'o,,

^-,

I r_- i. /l_o,r,n_, son puntos crticos

3.:

<rz
" <

(n-I)S2
Xl-atz

de 1a distribucin.1i-cuadrada con n

n ia tabla de esta distribucin para el valor de

(2.3)

n-L

- l grados de liber-

a dado. Es decir, P(X> X'otz.^-)=u/2.

:s :::::cos de la distribucin ji-cuadrada

se pueden obtener con Exce1, mediante la luncin

:-. -\\'

(l - al2,

(a12, n - L) y PRUEBA.CHI.lNV

- l).

19

20

CAPTULO

Elementos de inferencia estadstica: experimentos con uno y dos tratamienios

En ei proceso de fabricacin de discos para computadoras, una de las variables crticas es el rendimiento de formato. Se toma una
muestra aleatoria de n = 10 discos de la produccin del turno de Ia maana. Se formatean y se reporta el rendimiento de cada disco.

Loscjatosooten.dosson: 96 11,91.06,9338,88.52,89.57,92.63,8520,91

.41

,sgTg,g2.62.Coobaseenestosdarosinreresa

est,mar p-ntualrente y por inte'va,c a rne0i y'a desv,acion estardar para a poblacion oe drscos oe dicho tLLrno.
Los estimadores puntuales para"la media y ia desviaiin estnclar resultan ser:

v-

I'o

x,

10

Suponiendo oistrtbucin normal,

-o1n2,,

intervalo al 95% de confianza pai'a la meclia4 est dado por

r qq-l
03.2.76fi)=[88

gt
*t,,*l-1, l, -,.'"'.],x
Jn' " Jn.l L- 03-- z- --2622,
r'i'-

Be, e3 17]

donde ei valor del punto crtico t,,n= ta.as = 2.26 se lee en las tablas para la distrrbucin f de Student con 9 grados de iibertad que
se localiza en ei apndice. Con una conflanza de 95% se espera que el rendimiento promedo de los discos producidos durante ese
turno est errtre BB.89 y 93.17. El correspondiente intervalo para la desviactn estndar o se obtiene sacando la i'az cuadrada al
intervalo para 1a varianza <r2 ciado en ia relacin (2.3). As, el intervalo para o est dado por:

iE rI;rrl [,[erlezl,.@[l=
Ltfn; l r;"*, . )= L! rrn, ' I .ro r t2a5,5461
donde los vaiores criticos Z2i,z, n_, = xlazs.g -l9.aZJ Xl_ntt. ,_,= Xists g = 270 se obtienen de la tabia de la distrilruCn
1i_cuadrada,
que est en el apndice. As con una confianza Oe gSZ" se espera qud la clesviacin estndar del rendimiento de los ciiscos producidos
Jurnte ese [r'no este entre 2.05 y 5 46.
Cuanclo no se est satisfecho con la amplitud dei intervalo, entonces ser necesario incrementar la precisin.de la estimacion, y
esto se hace aumentando el tamao de muestra.

nfr'*rw*t F*

ii#r& l* pr*p,*rci*r:

Frecuenlemenle se desea estimar la pronorcin p de elementos que trenen una caracterstrca de'.enninada en una poblacin, doncie cada elemento tienc o r-ro .il caraclerlsl1ca, como podra ser si un artcu1o
est delectuoso o no. En eslos casos, si cle una poblacin as se extrae una mllestra de ri elementos, y
x de ellos tienen la carac[erislica de inters, entonces 1a proporcin muestral est dada por p = r/ir. Si
se supone que X tiene una ciistnbucin binominal ,v rr tiene un r,alor relativamente grande, entonces se puede conslruir un tnlen,alo de confianza para 1a proporcin poblacional p, apoyndose en 1a
aproximacin de la distribucrn binomial por ia normal. En estas concliciones se puede afirmar que de
manera aproxrmada ia proporcrn muestral p sigr-re una distribucin noimal con media p y varianza
p(l - p)/n. Con el uso de ia misma argumenlacin que en ei inten'alo para ia medla. se cleduce que e1
intervalo de confranza para 1a proporcin es de 1a lorma:

;_ 7
P Lat2

( i-l -

-]'-l''.tl-

d.onde Z,,,2es utl percenlil de tabla de 1a drstlibucirin normai estr'Ldar q:. esi en el apndrce. o bien, se
pr-ierle obtenei con Excel con la luncin DISiR NORII ESLI\D i]D :..
1.

-,:

Estimacin puntuai y por intervalo

'

'

p de artculos defectuosos en
unfotei de 2000 (pbblacin). Para ello, se toma una muestra
raleatoria'de n'=:l 00 ar:ticulos y se encuentra que de stos,
x= 5, son defectuosos. Por Io tanto, un estimador puntualdep es
p= 5/100 = 0.050. Si se quiere estimarp por intervalo, enfonces, de acuerdo con lo explicado antes, un intervalo al 95% de
5e quiere estimar'1a proporcin

osorr

e6"/@=o.o5oro.o43
Y 100

de aqui que, con una confianza de 95ok, p est entre 0.007 y

0.093; en trminos porcentuales, entre 0.7 y 9.3%. En el clculo
r,:':,,-r ',.'i ltr.r ' ''','i'..,-','- anterior;:al,valoi de,0;043.se le conoce como eror de estima,
,.:,..-'1,:,:1r"1..'1.,.',.::
. , COnfianZa eSt dado
96'1
;r.,]Il,:'.1,:'l-"*:-.'" "":,: H,:l::r '::':: irii:.:::i:r':-,:rr:'i'11::'.1':rr: f itr:i: i.'::..,,r'::r,.... ::iri
in, porqr. hasta en ese valor puede diferir pde p.
.:ri'.,,,.,.,1.r1:l',,t,1,: ,,;.1.:; ':.-:,1-.',.r,,,,:..,i,,.,; l,! :.
i;:.j,ll.i,...,,:: . ,.,i,. 1 .r-::rl l: l'',,, ,,,.:,.,1..,,,. .,.:,iilir
. .

Tamao de muestra
Si se

quiere estimar el tamano de la muestra n, que es necesario para estimar p con un error mdmo de E,
= Zo,r"tit(I: pYn, si despejamos de aqu a n obtenemos que:

entonces dado que E

, =Z'"''P|-)-

P)

t:

donde p es una estimacin dei vaior de p. Por ejemplo, si en el problema anrerior se quisiera un error
mximo de E = 0.03, con una confianza deg50/o, enroncFs se requiere
(I.96)'] (0.05xI - 0.05)/
QQe n =
(0.03)'z = 203. Cuando no se sabe nada de p, enlafrmula antenor se-supo,re p= 0 5

Resumen de frmulas para intervalos de ccnfianza

En ia tabla 2.1 se muestran las frmulas para calcular los intervalos de confianza ms usuales. Adems
de 1os ntervalos para un parmetro ya presentados, en ia tabla se incluyen las frmulas correspondien-

Tabla

2.1

Resumen de frmulas para intervalos de confianza

_s

X + to,,

(n

-|:
.in

1)52

X,l-atz. n-t

P'<a/2

(n,-1)S1+(nr-1)S1

donde 5o =

sl"

1l

52

- ir.) -

zo,,

l-a12. n,-1

(i,r-i,r)+2o,,

21

CAPTULO

Elementos de inferencia estadstica: experimentos con uno y dos tratamentos

les para intervalos de confranza que involucran a dos parmetros, como son: diferencias de medias,
diferencias de proporciones y cocientes de varianzas. Estos intervalos proveen informacin sobre la
igualdad estadstica de los parmetros correspondientes a las dos poblaciones de inters. Note que los
clculos involucran a ios estimadores puntuales obtenidos con cada muestra. En la tabla, la notacin
z1_62, ts.2, X,l_an, n_t y Fvot,n2_1, n1_l se refiere a puntos crticos de Ia correspondiente distribucin.
Estos valores se determinan fcilmente con el uso de un software estadstico o de las tablas dadas en
ei apndlce.

Conceptos bsicos de prueba de hiptesis

Un estudio experimental o una investigacin por 1o general tiene corno ltimo objetivo responder
en forma segura a ciertas preguntas y/o tomar declsiones. En este contexto, el experlmentador tiene
ciertas creencias o hiptesis que desea comprobar. Por ejemplo:

.
.

Los tres proveedores de1 mateilal x tienen ei mismo nivel de calidad.

Los dos tratamientos o procedimientos dan en promedio los mismos resultados.
Una hiptesis de investigacin es una proposicin o declaracin realizada pol el investigador cuan-

do ste especula acerca de1 resultado final de una investigacin o experimento. Por 1o que la idea de
ia investigacln es generar evidencia en favor de su hlptesis, aunque puede darse el caso de que ia
evidencia lleve a rechazar ia afirmacin original. Usuaimente 1a hiptesis es generada a partir de crertos
elementos observados y de un proceso de razonamiento rnductivo. Es deseabie que 1a hiptesis sea
realista y comprobable, para as facilitar el diseo de 1a investigacin.
En este contexto, cuando en la investigacin se recolectan datos, es posible formular hiptesis un
tanto ms operalivas sobre 1as caractersticas estadsticas de tales datos. De ta1 forma que al verificar estas hiptesis estadsticas se allone evrdencia a. favor o en contra de ia hiptesis de investigacin, De esta
lnanera ias hiptesis estadsticas son una esplcie de transformacin o despliegue de la afirmacin de 1a
investigacin.

A conttnuacin se describen los conceptos bsicos involucrados en 1a verificacin de una hiptesis

estadsiica, es ciecir, 1os pasos fundamentales de cualqurer procedimiento de prueba de este tipo de
hiptesis, como son: planteamiento de la hlptesis, estadstico de prueba y criterio de rechazo.

Planteamiento de una hiptesis estadstica

W'
Es

H'p'tesis estadstica

una afirmacin sobre los valores de los

parmetros de una poblacin

o proceso,

que puede probarse a partir de la informacin contenida en una muestra.

Unahiptesis estadistica es una afirmacin sobre los valores de los parmetros de una
poblacin o proceso, que es susceptible de probarse a parttr de la informacin contenida en una muestra representativa que es obtenida de la poblacin. Por ejemplo,
la afirmacin "este proceso produce menos de Bolo de defectuosos" se puede plantear
estadsticamente, en trminos de la proporcin p desconocida de artculos defectuosos
que genera el proceso, como se hace a continuacin.
Hs : p = 0.08 (ia proporcin de defectuosos es 0.08)

(2.4)

H'. p < 0.08 (la proporcin

es menor que 0.08)

A 1a expresin He :p = 0.08 se ie conoce comohiptesisnulay aH: p < 0.08 se le llama hiptesis

alLenntiva, El nombre de hiptesis nula se deriva de1 hecho de que comnmente se plantea como una
rgualdad, 1o cual faciiita el tener una distribucin de probabilidad de referencia especfica. E1 experimentador est interesado en concluir que una de 1as dos hiptesis se cumple. Por ejemplo, en el caso
de las proposiciones se quiere verificar que se cumple la hlptesis aiternativa.
Supongamos ahora que la af,rmacin a probar es "este proceso produce 89 de defectuosos". Obs.r-;e qlle la afirmacin sea1a oue su falsedacl se da tanto si se obsen'an rrenos de B0 de defectuosos
ct-:tno si se obsen'an ms cie 895 de deiectuosos En este sentido, e1 plar-iteanrentc estadstico debe ser:

Planteamiento de una hiptesis estadstica

23

Ho'. P = 0'08 (la proporcin de defectuosos es 0.08)

(2.5)
H'. p

* 0.08

(la proporcin es diferente a 0.08)

Ahora, 1o que se desea concluir es la hiptesis nula. Ntese Ia diferencia entre las hiptesis alternativas en las expresiones (2.4) y (2.5). En (2.4), H se conoce como hiptesis alternativa de un solo lado
(unilateral), ya que la nica manera de rechazar Ho es teniendo valores de la proporcin muestral p
significativamente ms pequeos que 0.08. Asimismo, en (2.5), Ho se }lama hiptesis alternativa de dos
lodos(bilateral), ya que la evidencia en contra de He se obtiene con vaiores pequeos o grandes de 1a
proporcin muestral p. As, la eleccin de la hiptesis aI[ernativa en cuan[o a si debe ser unllareral o
bilateral depende de la aErmacrn que se quiera probar.

Otro aspecto importante es la seleccin del valor del parmetro que especrfica la hiptesis nula,
esto es, por qu 0.08 en las hiptesis de 1as expresiones (2.4) y (2.5)? Este valor se elige de manera
que separe dos situaciones que llevan a tomar diferentes acciones. Por e1emplo, en la hiptesis dada en
(2.4) se eligi 0.08 porque sta es ia proporcin cie defectuosos reportada el mes anterior, y despus de
impiementar un programa de mejora se quiere ver si dio el resultado esperado. En caso de no rechazar
Hp se concluira que e1 programa no fluncion y que se deben tomar medidas adicionales para bajar la
proporcin de defectuosos.

Estadstico de prueba
Probar una hiptesis consiste en investigar si 1o afirmado por la hiptesls nula es verdad o no. La
estrategia de prueba parte de1 supuesio de que 116 es i.erdadera, y si lps resultados de ia investigacin contradicen en forma suficiente dicho supuesto, entonces se rechaza Hs y se acepta la hiptesis
alternativa. En caso de que los resultados de la investigacin no demuestren claramente 1a falsedad
de H0, sta no se rechaza. Es decir, lahiptesis nula es verdadera mientras no se demuestre lo contrario.
Una vez pianteada Ia hiptesis, se toma una muestra aleatoria de la poblacin
de estudio o se obtienen datos mediante un experimento planeado de acuerdo con : i:!i
h) fstadstico de prueba
la hipresis. El estadstico de prueba es un nmert calculado a parrir de los datos y la

hiptesisnu1a,cuyamagnitudpermitediscernirsiserechazaono1ahipteSiSnu1aH6.

r;;;;;

I; ::T;:J::.1:1'JJff:ij:r;:iil:l

Al conjunto de posibles valores del estadsrico de prueba que llevan

H;r;
Ilama regin o nteryalo de rechazo para la prueba, y a 1os posibles valores donde no se tud permite discernir
rechaza He se les llama regin o intervalo de aceptacin Por ejemplo, como ms adeiante hiptesis nula.
se va a detallar para ias hiptesis planteadas en(2.4) y (2.5), el estadstico de prueba
est dado por:

7^=

0.08

si se rechaza o no la

(2.6)

.,[obs(t-o ostn,
donde p es la proporcin de defectuosos que se encuentre en una mLrestra de n artculos inspeccionados. Si H6 es verdad, el estadstico 26 sigue aproximadamente ia distribucin normal estndar.
Por ejemplo, supongamos que se toma una muestra de n = 150 piezas y de el1as x = 20 son defectuosas, entonces el valor de la proporcin es p = x/n = 0.13. Vamos a ver si esto implica una dilerencia

sufrciente para rechazar que p = 0.08. Por 1o pronto, el valor eskdstico es zo = 2.41.

''
CfitgfiO de

fgChaZO

negion de aceptacin

Sonlosposiblesvaloresdelestadsticode
prueba donde no se rechaza la hiptesis

El es:ad.stico de prueba, construido bajo el supuesto de que H6 es verdad, es una va- nula.
:::.':.
con distribucin conocida. Si efectivamente Hs es verdad, el r'alor del r:...-.
"-arcrla
s',:::s::: ce prueba debera caer dentro clel rango de valores ms probabies de su S
negin de rechazo
..r"r^ c'l cuai se conoce como region de aceptacin Si cae en una de las r- .r
-'--- - --._-.
" i* '^
..-:---_
;:t,trau4,
-^^i,,^+^ r^ ^^.;hr^.,,.r^,.
-:..,. :: .- :.si:ibucin asociada, fuera del rr',go d. valores -as probubL;i;i;
fflrtTi:i1h:ltfJ:ilJ:ff:.::::
.i, '.-::-.:: :s eridencia en contra de que este valor pertenece a dicha distribucin lahiptesisnula.

;il;

24

CAPTULO

Elementos de inferencia estadstica: experimentos con uno y dos tratamientos

(r,ase frgura

H debe ser

2.3) De aqu

se deduce que debe estar mal el supuesto ba.1o el cual se construy, es declr,

fa1sa.

Prebas de una y dos colas (unilaterales y bilaterales)

La ubicacin de 1a regin o intervalo de rechazo depende de si la hiptesls es bilateral o unilateralComo se vio en el caso de 1as proporciones, una hiptesis es brlateral cuando la hiptesis alternatil''a
(Ho) es dei tipo "no es igual'; (*); y es unilateral cuando 1a alternallva es del tlpo "mayor que" (>) o
"menor qr."i.). Cuand esbilateral, como en 1a exprestn (2.5), ia regln de rechazo est repartida
de manera equitativa enrre ambas colas de la distribucin del estadstico de prueba. Pero si 1a hiptesis
es unilareral, como en 1a expresin (7.4),la evidencia en contra de 1a hlptesls nula se ubica en un
soio iado de Ia distribucin, esto es, 1a regin de rechazo slo se concentra en una de las colas. En 1a
expresin (2.4) \a regln de rechazo se concentra en el lado izquterdo de Ia dlstribucin del estadstico
dado por (2.6) (vase figura 2.3).

H :p = g.gg

H6

H:p<0.08

Ho:p*0.08

:p = 9.93

-ZalT

Figuna

Regin o intervalo
de aceptacion

t-l

?.3 Hiptesis unllateral y bilateral,

Zal2

lntervalo de

aceptacln

regiones de aceptacin y rechazo.

hlptesis sobre la proporcin se calcula e1 estadstico de prueba z6 de la ecuacin

(2 .6) y se verifica s1 cae en ia regin de rechazo o aceptacin. Por ej empio, sl las hiptesis planteadas
sonlasexpresiones (2.4),serechazaHssizs<-2,; silashiptesisestndadasporlasreiaciones(2.5),
se rechaza l{o sl s 1-Zotz o si 7s > Za,, o simplemente si lZ I > Z* En 1a figura 2.3 esto equivale a que
ze caiga en el rango de las reas sornbreadas, de acuerdo con la hiptesis de que se trate.
Si queremos probar la hiptesis bilateral con una confianza de 95o/o , entonces z.n = | .96, adems,
Para probar

1a

coffio {6 = 2.41, entonces Zs > 1.96; por 1o tanto, se rechaza Ho . P = 0.08. Esto ya se intua, puesto que
la proporcin muestral haba sido p = 0. i3.

sienlugardetenerx=20defectos,setuvieranx=i5,entoncesp=010'Alsustituirestoen(26)
ZdD = I.96. De aqu que no se rechace
H.p=0.0B.Esdecir,enestecasop=0.i0noesevidenclasuficientecontraH0:P=0.04.

coo lr = 150, se obtiene que 0= 0.90, que no es mayor que

[[ riesEo de r.lna decisin equivocada:

Es cuando se rechaza

una

He

que es ver-

dadera.

Probar una hipresis estadstica es una decisin probabilstica, por io que existe e1 rlesgo de comete r vn errlr tipo I o fl errlr tipo Il. El primero ocurre si se rechaza He cuando
sta es vercladera, y el error tipo 1l es cuando se acepta lls y sta es falsa. En toda prueba
de hipresis cada tipo de error tiene una probabilldad de ocurri.r. Con a y p se denotan
1as

Erron
Es

tipo ll

cuando se acepta una

errores tipo I y tipo ll

probabilidades de

1os

errores tipo I y

11,

respectivamente. Asi,

a = P{errcr ripo ii = probabiliriad de rechazar

Ho

que es falsa.

B = P{erroi ripo

11}

FIo

siendo verdadera

= probabilidad de aceptar Ho srenclo faisa

Prueba para la media con varianza

,;i#r"'Iffi1#";"::!::z::::*J,:"1:;iy2l'11i!;;;:n;:,?;:,,:::\^

&p_ eot.ncia

probabilidad de la regin o inlervalo de rechazo; su valor se especifica por parte de1 Es la probabilidad
investigador desde que planea el estudio. Por 1o general se utilizan los valores a 0.05 es falsa.
=
o 0.01, dependiendo dei riesgo que se quiera admitir en la conclusin. Mientras ms pequeo es e1
valor de c, se requiere ms edencia en ios daros para rechazar Ho. Por ejemplo, si ia accin a tomar
despus de rechazar H implica una rnversin fuerte
.de recursos, se recomienda utilizar cr = O.0l para
tener mayor confianza de que la decisin ser 1a adecuada. Si Ia declstn no rmplica una inversin fuerte, es suficiente trabajar Corr o = 0.05, que es el valor ms utilizado para este riesgo. Esto es, un valor
ms pequeo que a no necesariamente ser mejor, ya que si se admite poco riesgo (a < 0.0i) se est
truncando 1a posibilldad de camblos que seran positivos parala empresa. Utilizar ct = O.O5 signica
que por cada 100 veces independientes que se aplica el procedimiento y se rechazaH6, se espera qr-re,
en un promedio de 95 veces, tal decisin sea la correcta.
Por 1o general, en las pruebas de hiptesis se especifica e1 valor de a y se disea 1a prueba de tal
forma que el valor de B sea pequeo. Esto es, la probabilidad. del error tipo I se conrrola ir..tr-.r.r.,
mientras que 1a probablidad de1 error tipo I1 se controla de manera indirecta con el ramao de la muestra, ya que a_ms daos, B ser menor. En otras palabras, con una muestra grande es ma)or la potencia
de la prueba.t

En 1a prctica suele ser ms delicado cometer e1 error ripo I que e1 error tipo lI, debldo a que en 1a
mayora de las hlptesis ei rechazar H6 impllca objetar algo que se acepta de manera convencronal. No
rechazar Hs lmplica, en muchos casos, seguir como hasta ahora. Por 1o anterior, es comn que se controle slo ei error tipo 1, mlentras que ei error tipo II se cleja libre como si su magnitud no importara.
Lo cierto es que el error tipo II tambin importa y 1a magnitud de su probabilidad debe ser peqlrea (se recomienda P = 0.10). El problema es que confrolar a
B rtene varlos problemas; por ejemplo,
muchas veces se requieren grandes lamaos muestrales o se deben realizar muchas repetlciones en e1

experimenlo. Por e]1o, en este libro no enfalizamos e1 contro] de1 error tipo II, pero damos ias recomendaciones del nmero de repeticiones que deben obtenerse en cada experimento para tener un valor
peq

frl
'l
&t
&i'

'

ueno de B

Prueba para la media con varanza

desconocida

ilr

$,:

!i,
t;.,:

!,t
h,

ii
i:,

Cuando se estudia el comportamiento de un proceso o un fenmeno, a travs de una variable alearo,

rta continua, suele interesar su media y varianza (o desviacin estndar). En particuiar, al estudiar ia
media7.r, es de inters preguntarse si sta es igual, mayor o menor que cierto vaior,rzo, donde,a6 es un
nmero conocido. Por ejemplo, puede ser de inters investigar si el rendimiento promedio del proceso
durante esta semana es igual, mayor o menor que el de Ia semana anerior,ro. Cualquiera de estas tres

preguntas se responden planteando una hiptesis estadstica adecuada.

Las hiptesis se pueden probar suponiendo La vartanza poblacional o2 conocjda o desconocicla.
Sin embargo, como en 1a mayora de 1os problemas es irreal suponer de antemano que se conoce la
varianza, nos limitamos a describir e1 caso cuando o'' no se conoce.
Sea X una variable aleatoria con distrlbucin normal con medr.a p. y varianzao2, ambas desconocidas. Se quiere probar Ia hiptesis de que Ia media es igual a cierro valor po. Es decir, la hiptesrs a

probar

es

Ha:

lt = ilo
(2.7)

H,t,' H

lta

-:i :l;l:-: :.:::r3r que, en general, es deseable que una prueba estadstica sea potente.
Sin embargo, cuando el tanar:: -.
I -::.:--- :: -:::a:1]lia en exceso (a tamaos en cientos) se llega a tener una potencra excesiva, que lleva al extremo de reci.:::.:
- - -:::: :. ..::l:dera desde el punto de vista prctico.

desconocida 25

de ,a prueba

de rechazar Ho cuando

26

CAPTULO

Elementos de inferencia estadstica: experimentos c0n un0 y dos tratamientos

Para probar esta hiptesis se toma una muestra aleatoria de tamao n de los posibles valores de

1a

variabie X y se calcula ei estadstico de prueba:

-u X-u"
SlJn

(2.8)

a!.1

l
lr

supuesto de que He es verdadera, este estadstico

se distribuye T de Student con i1 - I grados de libertad. Se rechaza H6 si ei valor absoluto de1 estadstico de prueba es mayor que e1 valor crtico de 1a distribucin, es decir, serechaza Ho si lt6 I > to,r.
Recordemos qe ta/2 es el punto crtico de Ia distribucin T de Student, ta1 que P(T > t"/2) = al2; o sea,
1as reas bajo 1a curva a 1a derecha del punto to,2y ala izquierda de -to2 son iguales a a/2 (vase frgura
2.4). Estos valores crticos se obtienen de la tabla de la dlstribucin T de Student dada en e1 apndice o
por medio de un programa de cmputo, por ejemplo, con Excel se obtiene con 1a funcin DISTR.T.iNV
donde S es Ia desvlaci.n estnd3r de 1os datos. Bajo

e1

(a,n-L).

Una breve justlficacin del criterio de rechazo parala prueba anterior es Ia slguiente: por teora
esadstlca se sabe que bajo el supuesto de que Ho'. lt =ps es verdadera, el estadstico de prueba te se
distribuye T de Student con 11 - I grados de libertad y, en consecuencia, hay una probabilidad de 100
(l - a)ok de que el valor de to caiga entTe -talzy to2.De aqu que si la muestra produce un valor de t6
luera de estos lmltes, entonces ta1 valor de to es evidencia de que H6 es falsa. Por eI contrario, si ts cae
ente -ta/2 f to2, ?s evidencia a favor de la veracidad de H6 ya que no existe ninguna contradiccin.
Obsrvese que la regln de rechazo dada por 1a unin de intervalos (-*, -ton) \) (+to,r, co) est determlnada por

1a

probabilidad a

de1

error trpo

1 (vase

figura 2.,1).

ton
-Lal2 0
Reqin de
Reqin de
Regin de
rechazo I aceptacin I rechazo

Figura

2.4 Regiones de rechazo y de

aceptacin para hiptesis
(2.7).

En aquellas situaciones en las que se desea recb,az^r Ha'. lL =p0 s1o cuando
alternativa es unilateral.
Ho'.

lt

lt

lto

> /ta,1a hiptesis

(z.e)

Ht'il>lto
En este caso se rechaza lle sr f6 > to.Por otra parte, si lo que interesa esrechazar l7o
LL < lto, entonces ahora }a hiptesis unilateral se plantea de 1a forma:
Ho
HA

y se rechaza H, si

l,1

< -to.

4=lro
lL < {o

l.

= ltos1o cuando

(2.r0)

f,l
ll

li:'
!t:.

{'..

lr'

Pi'ueba para la varianza

guientes cinco pedidos. Pesa los 15 bultos y obtiene que X =

Peso'de costales
Un fabricante de'dlces compra costales de azcar a cierto inge-

nio Segn

Jos

vendedores, los costales tienenrun peso medio de

49.4 y Sz = 1 .2. De esta manera, ei estadstico de prueba calculado de acuerdo con la expresrn (2.8) est dado por:

. J-u^\ Jts@g.+-so.t

50.'l kg,'con una varianza de (o2 ="0.5). Eicomprador sospecha

(0-__i.--;._---_-.:--_L,a

que el peso medio es menor. Para confirmar su sospecha decide

contrastar las hiptesis;

,. r,,: lr'.,,

'l
.: . ': , ,., :

H:p=JQ.1
P <50'1

(2.11)

Ho-'

, con'un,nivel-dersignificancia de 5%r(c:= 0,05), Para,ello,, se.

i.lecciona de maneraaleatoriaitres b,ultos delcada uno de los si-

Jiz

e1

ejemplo

).4

evidencia seala que dicho peso es menor que el declarado.

sobre el peso de costales, a simple vista se puede notar que la varianzao2 = 0.5,

declarada por el vendedor, es bastante diferente que la varianza muestral 52

= L.2.1o cual lleva

a sos-

pechar que su afirmacln sobre la vananza del proceso'es falsa. E1 hecto de que los dos nmeros sean

dlstrntos no significa que sean estadsticamente diferentes, de aqu la necesidad de contrastar o probar
1as hlptesis:

116:o2=0.5
Ho: o) > a.5
y de esta manera comprobar si esa diferencia es estadrsticamente significativa. Esta hiptesrs es un caso
particular de 1a siguiente:

Hs"o'=of,
Ho: o2 >
donde

of,

oi) es un vaior conocido (0.5 en el ejemplo). Para probar esta hiptesis

y bajo el supuesto

de

distribucin normal, se utiliza ei siguiente estadstico de prueba:

,Lo

,'7

De las tablas de la distribucin f de Student con n - 1 = 14

grados de libertad, pdra (r. = 0.05, se lee el valor crtico 166;,.0 =
1.76, Como ta=-2.47 <-1 .16 =*Io05,r4, se rechaza la hiptesis
;e rechaza la afirmacin del vendedor
Ho (t,gura 1.5). ts decrr, :_
de que tos bullos tienen un peso medio de 50.1, y adems la

Prueba para la varianza

En

(n 1)52
- -Oi

donde n es ei tamao de la muestra. Si Hs es verclad.era,l f sigue una distribucln 3i-cuadrada con n I

llbertad Por e1lo, se rechaza Hosiyi>j, dondei es un punto crtico que se obttene de la
ta'ola de distribucin ji-cuadrada. Si aplicamos lo anterior al caso de la varianza del peso de 1os costales,

grados de

r'3tanemos que:

r (n-I)S2 14x12
z= o = oJ =i)

:. :',:.-,.':1o e1 supuesto de normaiidad, sigue una distribucin ji-cuadrada con 14 grados de libertad
-,.-'.:.'-- H s re;dadera. En 1a tabla de distrlbucinjl-cuadrada se lee queli, cona = 0.05 y l4 grados
-..-::-..i.:srsual a23.68.Como1j =T.6>I B=y.'"t"rechazaH.yseaceptalahiptesisunlla'.:'.' .-. '.:;.s: fiqura 2.5). Es decir, 1a varianza reportada por el vendedor para e1 peso de 1os costales
-i , -.-, '.. ::. :elidad. la variabilidad del peso de los costales es mayor.

27

r
I

CAPTULO

Elementos de inferencia estadstica: experimentos con uno y dos tratamientos

Tanro el estadstico to de la hiptesis sobr la medla, como el estadisticollde la hiptesis sobre

varianza,cayeron en 1as respectivas regiones de rechazo, lo cual se representa en la figura 2.5.

,r

Regin de

recnazo
Flgura

2"5

1a

Regin de
rechazo

Resultados de las hiptesis para la media y para la varianza del peso de

costalescon0=0.05.

Si ia hiptesis alternativa paralavartanza es bilateral, entonces se rechaza Hs

siyf;> Xlrn o ,Xt.

X-otz. Estos valores tambin se pueden obtener con Excel, mediante 1a funcin PRIJEBA.CHI.INV (a12,
n l) y PRUEBA.CHLINV (1 - al2, n l).

Prueba para una proporcn

Como se seal a1 inlcio de ia presente seccin [vanse expresiones (2 4) y (2.5)], cuando se hace un
anlisis o investigacin donde se involucran variables cualitativas o de atributos, es frecuente que se
quiera verificar si el valor de una proporcin poblacional p es lgua1 a un cierto valor po En estos casos
resulia de inters probar la siguiente hiptesis:

flo"P=Po
H'. p

po

Si de Ia poblacln o proceso de referencia se extrae una muestra de n elementos, y x de e11os tienen ia

caractersiica de inters, entonces

1a

proporcin muestral est dada por p

=1.

Si

,.

supone que X

tiene una distribucin binomlai y n tiene un valor relativamente grande, .r,lor"r.., el estadstico de
prueba se obtlene apoyndose en 1a aproximacin de la distribucin binomial por la normal. En especco el estadstico de prueba de referencia est dado por:

npo(l-

p6)

Se rechaza H6 con una significancia a, sl e1 valor absoluto de z6 es mayor que el valor crtico de la

distribucin normal estndar, z62', ?s decir se rechaza 1a hiptesis nula si lzol , zo,r. En caso de que
hiptesis alternatlva sea unilateral, por ejemplo H : p > po, entonces se rechaza Hs si z0 < - {,.
Para tener una buena aproximacirl de la distribucin normal a la btnomial, y tener as me.;ores
bases pai'a iomar una decisrn en relacin con Ho, es deseable que n sea relativamente grande y que 1a
1a

ir

{l
4
il

Tres criterios de rechazo o aceptacin equivalentes

$;

29

proporcion poblacional supuesta p0 no est muy prxima a cero o a uno. Una forma operatlva de veri-

hcarestoesquesipp<0.5,entoncessedebecumplirqenpa>5.0; ysip6>0.5,entoncesasegurarse
-,l,iide que n(I - po) > :.0.

1;,
llh.r

..tirsuponga que en cierta ciudad se quiere saber si los

lvenes de
12 a 19 aos tjenen ms o menos problemas de exceso de peso
corporal que en el conjunto del pas. De los oatos nacionales se
sabe que 35% de los jvenes de esas edades tiene sob.epeso u
obesidad. Sea p Ia proporcin de jovenes de 12 a 19 aos que

tjene exceso de peso en la ciudad de referencia, entonces lo que

interesa es probar la siguiente hiptesis:

H6:p=6.35

Ha: p

O.35

Suponga que mediante un mtodo adecuado de muestreo se selecciona a 300 jvenes de las edades
de inters, se Ies mide su talla y peso, y con base en esto se determina que 90 de e11os tienen exceso de
peso. De aqu que e1 estadstico de prueba sea igual a
90

7=
!0

300x0.35

J3ooxo 35G -

o-:,

1011
_I,OI
--

Dado que con una confianza del 95a/o el r,alor crrico zo

or,,u =1 96, entones no se rechaza H.,, puesto

que lz0 l, zon As que a pesar de que en la muesrra se observa que el 30olo de ios
jvenes tiene exceso de peso, esto no es Llna evidencia suficiente para concluir que en tal ciudad la
situacin en cuanro a1 peso es dilerente a 1a dei conjunro clei pas.
que no se cumple

Tres criterios de rechazo o aceptacin equivalentes

A1 menos
1a

en las hiptesis ms usuales, existen tres criterios equivalentes para cleciclir cundo rechazar
hiptesis nr-tla y, en consecuencia, aceptar ia hipresis alternativa. La equivalencla es en e1 sentido cle

que los tres 1levan invariablemente a la misma decisin en rminos de reclLazar o no a i{0, Sin embargo.
algunos de estos mtodos proporcionan informacin adiclonai sobre la declsin que se esr tomando.
por Io que en algunas situaciones puede resultar ventajoso usar un crlterio y no otro.

fistadsticn de prueba frente fi v]lr crtirc

Esle es el

criterio que utilizamos en

ejemplo previo y es e1 que tradicionalmente se empleaba anla computacin; por ello, es el que se exphca en muchos libros de texto. Este mtodo consiste en rechazar Hs si el estadstico de prtteba cae en La regin d,e rechazo que esta delimitada por el valor crtico. Debe lenerse cuidado de comparar los
e1

tes de las facilldades que ahora provee

ijlHil::::ili.?J,'ff;*T:*:i'.1'.,:,til"':.;:i11r"i:l:il:j[:1*'r* @- sisnificancia
t\"0 obstante, esle mtodo tradicional es e1 que da menos informacin adicional

ie

ia clecisin

romada

acerca

::,,.ffTlffiIj,::,T:#L1ffi':

Significancia ohserv*da frente a signi{lefinfie

predefinida
'.'.-'..-

predefinida

c,

::,'.l.rf,r.tda, que se denota con

errortipor sedenotacona'

@ sisnificancia observada
s,

es e1 riesgo mximo que e1 experimen-

*.:: -..:-c a correr por rechazar Ho indebidamente (error tipo i). Mientras que
'.-,.; -:'-,,,-. ;la o calculada, tambin conocida como p-value o valor-p, es el rea

el rea bajo la oistribuc:cr := -:'E':-cia ms all del valor cei es::.:::: ::

Es

prueba. Se conoce comc ,ic:-:.

Y
CAPTULO

Elementos de inferencia estadstica: experimentos con uno y dos tratamientos

bajo la distribucrn de referencia ms al1 del valor del estadstico de prueba. La expresin "ms all
del estadstico de prueba" slgnifica, por ejemplo en 1a prueba T bilateral, el
bajo Ia curva fuera de1
^rea
rnten alo [-to, o] , es decir:
valot-P = P(T < -ro) + P(T > + f6)

donde T es una variable que'tiene una distribucin T de Student con n- I grados de libertad. Si Ia
prueba es unilateral de cola derecha (izquierda), 1a significancia observada es el rea bajo la curva de
la distribucin a ia derecha (izquierda) de ts. De 10 an[erlor se desprende que Ho se rechaza si la signifcancia observada es menlr quela signifcancia dada, o sea, si elvalor-p < a.
Este criterio es mejor que el anterior porque 1a significancia obseruada se puede ver como la probabllidad o evidencia a favor de He; por 1o tanto, representa una medida de la contundencia con la que
se rechaza o no Ia hlptesis nula. Por ejemplo, si ia significancia observadaovalor-p es igual a 0.0001,
enlonces slo ha;, una probabilidad a favor de H6 de 0.0001, por io que serechazara la hiptesis nula
con un riesgo tipo I de 0.0001, que es menor del que se est dispuesto a admitlr, tpicamente a = 0.05.
En otras palabras, un valor-p = 0.0001 seala que el valor observado del esradstico de prueba prcticamente no tena ninguna posibilidad de ocurrir si Ia hiptesis nula fuera verdadera, io que lieva a
concluir de manera contundente que la hiptesis nula debe rechazarse.
En la figura 2.6 se muestra, utilizando una hiptesis biiateral, que cuando ocurre e1 evento lt6 l
( [o72 fleceS?riamente sucede que valor-p > a, y viceversa. En el caso representado en Ia figura no se
rechaza I{6 con cualqulera de ios dos criterios. La comparacin de to frente a ol2 consiste en contrastar
simples nmeros, mientras que comparar ias significancias a frente a valor-p es conirastar probabilidades, de aqu que esto ltimo sea ms informarivo.

(o

,
'

Regin de
rechazo

Figura

2.6

Reoin
de
J

La/z

Regin de

aceptacin

rechazo

Comparacin de significancias, valor-p >

c.

Interva!o de confianza
En este modo se rechaza He si e1 valor dei parmetro declarado en 1a hiptesis nula se encuentra fuera
de1 inten'alo de confianza para ei mismo parmetro. Cuando 1a hiptesis planteada es de tipo bilateral,
se utiliza directamente el intervalo a1 100 (1 - a)o/o de confianza. Si 1a hiptesis es unilateral, se requiere
e1 intervalo a1 100 (1 -2a)o/o para que el rea bajo la curv'a, fuera de cada extremo del intervalo, sea

lgual a a. Por ejemplo, en el caso de la hiptesis unilateral sobre la media del peso de costales dada
por la expresin (2.11), se debe construir el lntervalo al 100(1 - (2 x 0.05))o/o =90oA deconfranzapara
aplicar este criterio con una significancia a = 0.05. E1 intervalo al 90o/o de confianza paralamediap
est dado por:

t ro o,'- *

= +s.+o

r/n

r ro ll9

[3.873

I = 4e 40 ! 0.4e7

= l4l.s, 4s sl

As, con 'una confianza de 90o/o, # est entre 48.9 y 49.9. En tanto, el valor 50.1 deciarado en Ia
hiptesis nula no pertenece a1 intervalo, y adems ei rtervaio est ubicacio a la izquierda riel 50 1;

t'
?:, , ',.
l1:,.i , ,

ilil
i.:t
irr,

iiri,

lr,. I

lljr,'

Comparacin de dos tratamientos

por10 tanto, se rechaza 1a hiptesis Ho'. lt = 50.1 y la evidencia seala que contienen menos azcar
de Ia que se afirma. Ntese que para rechazar una hiptesis unilaieral tambin es necesario verifi.car
la ubicacin del intervalo en relacin con el r,alor declarado en la hiptesis

nula; el intervalo debe

ubicarse con respecto a este valor, como 10 indica Ia hiptesis alternatira. En e1ejemplo,1a hiptesis

alternativa es H : U <50.1 , por 1o que para rechazar la hiptesis nula e1 intervalo debe ubrcarse a la
izqulerda de 50.1, como ocurre en este caso.
Este cnlerio es ti1 cuando el software proporciona e1 intervalo de confianza para e1 parmetro de
inlers, pero 710 provee ia prueba d'e hipOtesis correspondiene. Tambln puede ser que el experimeniador qulera, adems de la conclusin de Ia hiptesis, el intervalo de conf,anza para e1 parmetro que
1e

interesa; en ese aspecto, este criterio tiene ventajas sobre los anterlores.

Comparacin de dos tratamientos

En los problemas de investigacin experimental es lrecuente que sea necesario comparar dos traamientos diferentes, es decir, dos condiciones diferentes de1 proceso, dos tipos diferentes de dietas,
dos formas de cuitivar, etc. La comparacin se puede hacer respecto a las correspondienes medlas
poblacionaies, varianzas, proporciones o algn otro parmetro. En segulda se expiica cmo plantear y
probar 1as hiptesls correspondientes.

Hiptess para clos medi*s

Un problema frecuente que se presenta es comparar 1a media de dos procesos o dos tratamientos.
Supongamos que interesa comparar 1as mquinas A y B, que realizan ia.misma operacin. Para elIo se
obtendr una muestra aleatoria de productos procesados por cada mquina, a ios cuales se les medrr o
evaluar alguna caracterstica a travs de una variable coniinua Y. De tal forma que los datos a observar

eniamquinaAsonYr,Yr,...,Yony1osdatosdelamquinaBsonYur,Yur,...,Yun,quesepueden
escribir como en \a tabla 2 2.
E

Tabla

2,e Comparacin

de dos tratamientos

Para que la comparacin sea justa, ia materia prima que utilizan 1as mquinas se asigna de lorma
aieatoria a las mqurnas, y las 2n pruebas o corridas se hacen en orden aleatorio. No es adecuado reallzar primero todas las pruebas de 1a mquina A y postenormente las de 1a mquina B, porque eso puede
far,orecer a una de las mquinas y afecta (sesga) Ia comparacin. La asignacin aleatoria del material
hace posible que a cada mquina le corresponda material con una calidad equivalente, y ei orden aleatorLc de ias pruebas nuhfrca e1 efecto de las fuentes de variabilidad que actan durante el transcurso de
i;s ls:nas (como 1as varlables ambientaies), al repartir su efecto equrtativamente en ambas maqinas.
..-:::a ,,-eanos cmo hacer estadsticamente este tipo de comparaciones,

Suposicin de varianzas desconocidas pero iguales

S::.:. -^,-s::.aescs o iratamientos con medias &,y Hyy varianzas o1 y or!, respectivamente. Interesa
.,-'..S--i:r s- -:s:nedias de dlchos tratamientos pueden considerarse estadstlcamente iguales. Para ello

..

:.::.-.-,'^.

..:S S.quientes hipteSiS:

31

CAPTULO

Elementos de inferencia estadstica: experimentos con uno y dos tratamientos

Hotlt,=py
H'. Hr+

(2.t2)

ltt
r"

que se pueden reescribir como

:ll

)l
i

Ho:

Ht:

Pr'&y

=0

il*-lty*

(2.r3)

Para probar H6 se toman muestras aleatorias, como en el ejempio de las mquinas antes descritas, de
tamao n, 1a de1 proceso X, y de tamao n, la dei proceso Y; en general, es recomendable que fl" = fly =
n, pero tambin puede trabajarse con fl,* ky si no pudieran tomarse iguales. Si Ia variable de cada tra-

tamiento sigue una distribucin normai y son independientes entre s, y si se supone que las varianzas
de los procesos son desconocidas pero iguales, entonces el estadstico de prueba adecuado para probar
1a hiptesis de igualdad de medias est dado por:

x-T

cuai sigue una distribucin T de Student con nr + n,

delavarianza comn, y se calcula como:

e1

.)

)p

con 5l y S]

(2.t4)

2 grados de iibertad, donde 5] es un estimador

(n, -l)51 +(n, -1)51

rrlt

r
,rv -')

r.arianzas muestraies de 1os datos de cada tratamiento.

si ltol , to,r, donde to,, es el punto a/2 de Ia cola derecha de ia distribucin Tde
Studenr con n.y + n, - 2 grados de libertad. Cuando 1a hiptesis alternativa es de la forma H : px> lty, s?
rechaza Ho : fi, =,.), si to > to, y si es de la forma Ha : H, < lty,se rechaza si r0 < -ta. En forma equivalente,
se rechaza Hq si e1 valor-p < G para la pareja de hiptesis de inters.
1as

Se rechaza H6

Comparacin de dos'centrifugadoras
La calidad de la pintura ltex depende, entre otras cosas, del
tamao de la partcula. Para medir esta caracteristica se utilizan
dos centrifugadoras, y se sospecha que stas reportan medicio-

+ 714

nes distintas para la misma pntura. 5e decide hacer un estudio

que permita com'parar [as medias y las varianzas repota.das por.
los dos equipos; para lo cual, de un mismo lote de pintura,setomaron l3,lecturas con cada centrifugadora Los resultados son.
los siguientes:

4 601

5 144

3 962

xA = 4 684.00

429'

4271
3764

x,

4 696

4 896

4 066

4 561

4 905

4 870

4 626

4 924

sl= tz+ 732.00

+326 I 4530 I 418

4779

i ttgt I ++oi I +tts i

+700

= + +oa.oz,

si = trz o2o.oo

+ 987

4 752

illit:
'l

t:
il

Comparacin de dos

tratamientos 33

Para comparar ias medias se plantea la hiptesis de lgualdad de medias con la alternativa bilateral,
puesto que no hay ninguna conjetura de1 experimen[ador acerca de cul centrifugadora puede reportar
vaiores mayores. Luego, e1 planteamiento es:

H6 '. "t* -- "ty

HA:lt,+ltv
la cual se desea probar con un nivel de signlficancia d.e 5ok(a = 0.05). Suponiendo igualdad de r,arianzas para e1 tamao de la particuia, el estadstico de prueba calcuiado con las lrmulas (2.14) est
dado por:

L0-

4684.00-4408.92
=2.04
34+.06J(U L3)+(u t'

De la tabla de distribucin T de Student con 13 + 13 - 2 = 2+ grados de libertad, se obriene el

puntocrilicokoozr,z+)=2.064. Como Itol=2.04<2.064=to2,rLosercchazalJs,por1oqueseconcluye
que las centrifugadoras A y B reportan en promedro el mlsmo tamao de partcula. Es decir, 1as centrifugadoras son estadsticamente iguales en cuanto a sus medias. Sin embargo, conviene observar que el
rechazo es por un margen muy escaso, puesto que e1 estadstico de prueba y e1 punto crtico son muy
similares. 41 comparar 1a significancia predefinida a = 0.05 con el valor-p = 0.053 se concluye 1o mismo (no se rechaza H), pero se aprecia que si tal signlficancia predefinida por e1 experimentador fuera

a = 0.055,la decisin sobre

hiptesis seria rechazada. Esto es, basta con que ei experimentador est
dispuesto a correr 0.5o/o de riesgo tipo I adicional para concluir que 1as medias de las centrifugadoras
no son iguales. En general, no es recomendable cambiar apostenon el valor a para modificar la decisin
sobre una hiptesis, pero habra situaciones en las que se pueden admitir probabilidades de este error
hasta de a = 0.1, dependiendo de io que lmplica rechazar la hiptesis.
Otro aspecto a considerar es 1a significancia prctica de la decisin sobre la hiptesis, lo cuai tiene
1a

que ver con la diferencia observada, que en este caso es:

Y = 4 684.oo

- 4 4ol.g2 -

275.08

y representa un estimador de la diferencia en

1as medias poblacionales del tamao de partcula que

reportan por 1as centrifugadoras. En caso de que 275.08 represente una diferencia relevante, que puede impactar fuertemente Ia calidad del tamao de partcuia. seria un elemento favorable a1 tratar de
verificar si ta1 dilerencia es rea1. Ya sea al analizar la conveniencia de utilizar a = 0.055 o tomando ms
datos. Si por el contrario, 1a dlferencia observada se considerara despreciable o irrelevante desde eI
punto de vista prctico, entonces "conviene" aplicar estrictamente a = 0.05 y concluir que 1as medias
de 1as centrifugadoras son iguales.

Sin suponer varianzas iguales

En ocasiones lasvartanzas de los tratamientos a comparar son diferentes o por 1o menos no hay evidencias que permitan suponer su igualdad porque no existen datos histncos sobre los dos tratamientos.
Por ejemplo, al comparar dos proveedores del mismo material, puede no haber razones para suponer
de antemano que las vartanzas de cada uno de eilos sean iguales o parecidas (estadsticamente). Si no
se

supone igualdad de varianzas,

e1

estadsico de prueba para H6

'U

X-Y
T.
.
s,,
I--r-

/si

I"

nv

: F*=

ltvest dado por:

(2.15)

ffi--CAPTULO

Elementos de inferencia estadstica: experimentos con uno y dos tratamientos

de iibertad v (nu) se calculan

que sigue aproximadamente una distribucin T de srudent, cuyos grados

mediante la relacin:

( s', si

-t

['t

sf,tn.)2 ,6?rlnr)z
n,

*l

(2.16)

-2

nr+1

comoantes, serechazaHssi ltel )ta/z,yosie1 vaior-p<a.Pot ejemplo,sienelcasodeiascenpor 1a

trlfugadoras no se pudiera suponer que 1as varianzas son iguales, el valor de1 estadstico dado
exprlsion (2.15) resula ser to = 2.04, y aplicando la frmula (2.16) paracalcular 1os grados de libertad,
,. ob,i".t" que v = 26' conesto se determina que el vaior-p = 0'052' Por 10 lanto' Con G = 0 05' no se
rechazala igualdad de 1as medias. sta es la misma decisin que se obtuvo a1 suponer varianzas iguales; obsen e que 1os valores de ts y el valor-p son prcticamente iguales que antes.

Prueba para la igualdad de varanzas

En lugar d.e suponer, en 1a prueba de medias, que las varanzas son iguales o diferentes, se puede proceder a vericarlo de manera estadstica mediante 1as hiptesis:

(2.r7)

La comparacln de varianzas tiene inters en s misma, con independencia de las medi'as, puesto

que stas son determinu.rtar an cualquier proceso o tratamiento. En general se considera que menor
varianzaimplica potencialmente mejor calidad. Por ejemplo, en ei caso de 1as centrifugadoras interesa
ver si alguna de eilas liene mayor error (variabilidad) en sus mediciones. E1 planteamiento de 1a hiptesis se puede reescriblr como:

uo

'$=
6l

oi
Ho: /*

o;

para enlatizar que

1a

prueba se basa en

1a

(2.r8)

distribucin del estadstico,

(2.1e)

ro=*
Jy

cual, bajo e1 supuesro de que Hs es verdad, sigue una distribucin F con nx - 1 grados de libertad
en el nu*era d.or y n, - 1 grados de llbertad en e1 denominador. Al calcular eI valor dei estadistico de
prueba se obtiene qe Fe = 1.11. Como 1a distribucin F no es simtrica, ei valor-p est dado por e1
areabaiola curva a'la derecha de 1.11, ms elrea bajo 1a curya a 1a izqurerda de I/1.11 = 0.9.2 Con
un Drosrama de cmputo se obtiene valor-p = 0.85. Por 1o tanto, utilizando a = 0.05, la decisin es
se concluye que, estadisticamente, 1as centrifugadoras trenen la misma
no i..ru, H:
variabilidad, precisin o rror de medicin. El valor dei valor-p tan grande con respecto al valor de a,
sea1a que 1a decisin de no rechazar la igualda d de yarianzas es contundente. Los valores crticos de

e1

oll ol,t

En general, los puntos porcentuales de cola izquierda y

Fr-c.n,-r.nr-

,=

l/Fa.n2-i,,,,-:. Es decir, uno es el inverso

denomrnador. Si stos son iguales simplemente es

e1

inverso.

cola derecha

de1 otro,

de Ia distribucin F cumplen la

intercambian

1os grados de

igualdad:

libertad del numerador y del

Poblaciones pareadas (comparacin de dos medias con rnuestras dependientes)

la distribucin F se pueden obtener con Excel mediante 1a funcin DISTR.F.INV. (a/2,

DISTR. F. INV

(l -

c/2, n" -

l.

n,

35

n*- I, n, - t) y

).

Comparacin de proporcicnes
Una situacin de frecuente inters es investigar la igualdad de las proporciones de dos poblaciones o

tratamientos, es decir, se requiere probar

1a

siguiente hiptesis:
Ho

Pt=Pz

HA

Pt+Pt

donde p, y p2son lasproporciones de cada una de ias poblaciones o tratamien[os. Por ejemplo, para
evaluar dos frmacos contra cierta enfermedad se integran dos grupos lormados por dos muestras aleatorias de frt = tb = 100 personas cada una. A cada grupo se le suministra un lrmaco dlferente. Transcurrido el tiempo de prueba se observan
= 65 y xz = 75 personas que se recuperaron con e1 frmaco

en 1os grupos correspondientes. Para ver si estas diferencias son significativas a lavor del frmaco 2, se

necesita probar la hiptesis de igualdad de proporciones. Para

binomial, el estadstico de prueba z6 est dado por:

p(rdonde p =

#.
nt+n2

Se

rechaza

He

si

lz6 I

p)

e11o,

bajo el supuesro de disrribucin

1l
-+nr n2

zo,r. Cuando la hiptesis akernariva es unilaterai, enronces

t0se compara con z. En el caso de 1os frmacos, como p =

6S + 75)/(100 + I00) = 0.70, enronces:

75

100 i00

II
_+_
100

= -1.543

100

Como lzsl = L.543 no es mayor que 200/2 = 1.96, en[onces no se rechaza Hs, por 1o que no hay
evidencia suficiente para afirmar que un frmaco es mejor que el otro.

Poblaciones pareadas (comparacin de

dos medias con muestras dependientes)
#"rEn las secciones anteriores se prob la hiptesis de igualdad de las medias de dos pobiaciones o tratamlentos, suponiendo que las dos muestras son independientes. Esta
suposicln se justifica por la manera en Ia que se obtienen los datos; es decir, la muestra
que se obtiene del tratamiento I es independiente de la muestra para e1 tratamiento 2,
y los datos se obtienen en orden completamenLe al azar. Con esto se justifica la suposl-

cin de que no existe relacin directa enlre las dos muestras.

Recordemos que orden completamente al azar significa que 1as unidades se asignan
de manera aleatoria a ios tratamientos, mientras que 1as pruebas o corldas experimenLales se hacen en orden estrictamente aleatorio, 1o cual se hace con la idea de evitar
cualquier sesgo que pudiera favorecer a uno de 1os tratamientos.
Sin embargo, en muchas situaciones experimentales no conviene o no es posible
tomar muestras independrentes, sino que la meor estrategia es tomar muestras pareadas. Esto signica que los datos de ambos tratamienlos se obtienen por paresr de forma
que cada par son datos que tienen algo en comn; por ejemplo, que a la misma unidad

ry

Orden completamente

al zar
Es

aquel en el que las unidades se asignan

de manera aleatoria a los tratamientos, y

las pruebas experimentales se hacen en
orden aleatorio.

ry

Muestras pareadas

Son aquellas en las que los datos de am-

bos tratamientos se obtienen por pares,

de manera que stos tienen algo en comn y no son independientes.

i'
i

il,
ll

36

CAPITULO

Elementos de inferencia estadstica: expermentos con un0 y dos tratamientos

experimentai o espcimen de prueba se le apliquen los tratamientos a comparar. Un par de ejemplos

son:

A'ios mismos paclentes se 1es aplican dos medicamentos (tratamientos) para

ocasiones; los tralamientos a comparar son los dos medicamentos.

A las mismas piezas se ies hace una prueba de dureza con distintos insirumentos; aqu se quieren

e1

dolor en distrntas

comparar ios instrumentos.

En e1 primer caso, e1 apareamlento consiste en que ei grupo de pacientes que recibe e1 medicamenio A es e1 mismo grupo que recibe e1 medicamento B, por 1o que Las mediclones del efecto de 1os
medicamentos sobre el mismo paciente estn relacionadas, y en este sentido no son independientes.
Ai ser el mismo grupo el que recibe ambos tratamientos se logra una comparacin ms justa y precisa,
pero, adems, al observar las diferencias entre los tratamlentos en un mismo paciente se eliminan otras
fuentes de variacin y se logra hacer una comparacrn sin sesgos. En el caso de las piezas, si una es
grande se espera que ambos insuumentos tiendan a reportar una medlcin a1ta, por 1o que se prev
que ha1, una luerte correiacin entre las mediciones reportadas con los dos lnstrumentos. Adems, a1
1as piezas con los dos instrumentos, si hay drferencias en 1as mediciones sobre 1a misma pieza,
entonces esas dilerencias se deben principalmente a1 sistema de medicin.

medir

5e desea ver si dos bsculas estn sincronizadas para elio se

LO:na Lln muestra aleatoria de 10 especmenes y cada uno se

she

3. Mediciones

pesa enl amba.bsculas, cuidad Que -el'oideneii-t QUe,sQ Utij

lizan searelegido al azar,'El trabajo.lo rea)iza eJ i*o operador
y los datos obtenidos se muestran en la tabla 2.3.

reportadas por: dos bsculas

tl.27

-0.04

1+.36

14.41

-0.05

8.33

8.35

-0.02

10.50

t0.52

-0.02

23.42

23.41

-0.01

9.17

-0.02

13.47

t3.52

-0.05

6.47

6.46

001

12.40

t2.45

i0

19.38

t9.35

12.87

12.89

Medias

:',rl:i

Poblaciones pareadas (comparacin de dos medias con muestras dependientes)

Es claro que tenemos el caso de observaciones pareadas, ya que el'peso que registra una bscu1a

para un espcimen no es independiente de1 que registra la otra bscula para el mismo espcimen, en el
senlldo de que si uno es muy pesado se espera que ambas bsculas 1o detecten.
La comparacin de las bsculas se puede evaluar probando la siguiente hiptesis:
Ho'.

Ho:

"

#t = ltz
Ft t /12

donde pr, es e1 peso promedio poblacional que mide la bscu1a I y pL2 es el peso promedio poblacionai
que mide la bscula 2. Entonces, estas hiptesis, en el caso pareado, se plantean de manera equrvalenre
como:

Ha P=0
(2.20)
Ho.

po*

p es la media de Ia poblacin de diferencias. De esta manera, e1 probiema de comparar las

medias de dos poblaclones se convierte en e1 problema de comparar la media de r-ua poblacin con
una constante. En este sentido, el estadstico de prueba parala hiptesis (2.20) es el caso particular de1
donde

estadstico (2.8) para una media, cuandopre = O (r,ase seccin "Prueba para la media" de esre captulo).
Esto es, con Ia muestra de n dlferencias (dr, dr, . . ., d,) se obtiene el estadstico dado por:

t0-

d
^.t5D/{n

(2.21)

donde
= -0.02 es el promedio muestral de las dlferencias, Sp = O.O2B7 es ia desviacin estndar
muestral de tales diierencias y n es el tamao de 1a muestra. Bajo tle e1 estadstico ro se distribuye como

unaTdeStudentconn-Igradosdelibertad,porioqueHoserechazasilrol
A1

>ts/2,n_t,osivalor-p<a.

hacer los clcuIos resulta oue:

to =

-0
o.o2!7

02

t^,

Como e1 valor-p = 0.055 es mayor qre a = 0.05 no se rechaza Ho a un nlvel de significancia de a =

0.05. Es decir, no hay suficiente evidencia en contra de la sincronizacin de las bscu1as. Sin embargo,
esta conclusin es bastante endeble dado que el valor-p es muy slmiiar a1 valor a. De hecho, con G =
0.06 se concluira 1o contrario, y el experimenrador debera considerar la posibilidad de asumir ese
riesgo de 6'/o y rechazar 1a slncronizacin de las bsculas.
Si en el ejemplo, en lugar de analizar las diferencias, que es la mane ra correcra de resolver el pro-

por separado las mediciones de cada bscula, e1 electo de las posibles diferencias
entre los dos instrumentos se mezclara con 1a variabilidad que de por s tienen las piezas. Pero aun
sl se pesara un grupo diferente de 10 especmenes con cada bscula, entonces 1a propia variabilidad
de las piezas dentro de cada grupo, ms las diferencias entre los dos grupos, probablemen[e ocu]tara
el efecto de 1a dilerencia de los instrulnentos de medicin. As, las observaciones pareadas son ne-

b1ema, se analizan

cesarias para

eliminar fuenles de variabilidad que podran no dejar hacer la comparacin de manera

efrcaz; esto quedar ms claro a continuacin.

Pohlaciones pareaclas: cas* r"r:s Eerienal

La mayora de 1as aplicaciones de la prueba pareada buscan una estrategia en 1a que las cliferencias
observadas se deban a los tratamientos que se quiere comparar, y no a} electo de la heterogeneldad.
que de por s tienen los especmenes de prueba. De esta manera, la prueba par'eada puede utilizarse en
situaciones ms complejas donde es necesario comparar rratamienros ante 1a presencia de varias fuentes
de variabilidad explcitas. Por e3emplo, se quieren comparar dos mqurnas pol medio de 1os resultados
que generan, pero el material que utilizan tiene una historia larga en 1a que sufri el electo de varios

37

CAPTULO

Eiementos de inferencia estadstica: experimentos con uno y clos tratamientos

faclores como son; proveedores, lotes, turnoS, das, subprocesos, etc.; entonces, a1 no ser posible hacel
dos rrediclones sobre 1a misma pieza como en ei caso de 1as bsculas, se requiere una identicacin
ms estricta de 1as fuentes principales c1e variabihdad a fin de parear los datos con base en ellas.
ll
.

,.
:

lmpurezas en cofres levantados y cerrados

Er una forica 0e aulos se tiene la conjetura o hipresis de que
er n.qero cie,mpurezas en la pint;ra de los cofi'es de los auLos
es dife'ente, dependienoo de si el ato pas cor el co[re cerrado o abierto por los hornos de secado. Se decide realizar un
experimento para comparar el nmero promedio de impurezas
en cada situacin del cofre (tratamientos). Se consicler que no
era adecuado ;tilrza. r-nuestras indepenoentes, ya que se saba
que los das de I semana o los turnos podian tener influencla
en e. nmero cJe'mpurezas. E5ios dos factores se incluyen en el
estudio conro el criterio de apareamiento, como se rnuestra en
la tabia 2.4, en ,ac-at tambin se aprecian los daros
oorenidos.
Asi, en cada combinacin de dia y turno se asiqnaron carros con
el cofre levantado y cerrado.

Cada dato en las columnas levantadoy ceado en:la tabla 2.4

representa el promedio de impurezas en 'l 0 ar.rtos, de tal forma que en el experimento se utilizaron en total 200:autos- La
aleatoridad se llev a cabo por parejas de auros: a.1es de la entrada a los hornos se aleatonz si el cofre oel primero estara
levantado o cerrado; si le locaba levanrado, el cofre del segundo
auto deba estar cerrado. El oianteamiento estadstico consiste
en probar la hiptesis de que la media de las diferencias es cero:

uta . prt, D - w
-

{2'22)
I I
.,
n.p,r-V

A1 aceptar f7o : l: = 0 se estara admriendo que e1 nmero de impurezas promedio en e1 cofre

levantado y cerrado son iguales (Ho: l". = p).p-lr,alor dei esiaclstico de prueba es:

,' --l==-

o7+

5'1l"/r1 02+IJlJl0

=9.70

nivel de significancia observado (va1or-p) es 0.0000046, e1 cual es menor que c = 0.05, por 1o tanlo, se rechaza de manera contundente 1a hiptesis nula de que los tratamientos son lgua1es, es clecir, e1
nmeto de impurezas en los cofres depende de si ste se encuentra levantado o cerraclo cuando el auto
pasa por los hornos. Pero adems, como se observa en los datos, cuando e1 cofre est levantado hayz s1'' e1

nos impurezas; entonces, a partir de esto se clecidi que 1os cofres de 1os autos se levantarn al entrar a
los hornos de secado. Con esta medida se logr reducir en lorma significaril,a eI nmero de impurezas.
Ntese en ia tabla 2.4 \a gran vanabllidad que exisre en[re ]os datos de un da a otro, y rambin
enLre turnos. Eso causa que, st en lugar de analizar 1as di.ferencias se analizan los datos de cada trataft Ttr?4ffi 4",4. Nmero de impurezas en cofres de autos
Bloque

I I ii:::t:::ji:i

:..;:..-,.Dai'

I :l: ti

Cerrad,

rlevntadO

LUNES

3.4

2.7

0.7

LUNES

3.7

3.2

0.5

]vl,\RTES

2.9

1.8

1.1

MARTES

2.5

1.9

0.6

lVlIERCOLES

0.5

MIERCOLES

i.6
28

i.1

2.2

0.6

JUEVES

3.7

2.8

0.9

JUEVES

5.9

4.8

1.1

VIERNES

LVL

4.8

4.3

0.5

10

VIERNES

+.3

3.4

0.9

Medias
Desviaciones estndar

3.56

O-)

0.74

t5

.1'f

Resumen de frmulas para procedimientos de prueba de hiptesis

miento (posicin del cofre) por separado, las diferencias debido a tratamientos quedan ocul[as anre
tanta varlabilidad. En efecto, si la comparacin se hace siguiendo el criterio de muesrras independientes, entonces de acuerdo con 1o visto en la subseccin "Hiptesis para dos medios" de este captulo, el
estadistico de prueba es t = I.39, que le corresponde un valor-p = 0.18, por 1o que a1 proceder de esa
manera se concluira en forma equlvocada que no hay diferencias entre [ratamientos (1os demlles de
este anlisis se dejan como ejercicio). Esto, aunado a las mejoras logradas, justifica que 1a forma como

sehizoelapareamientofuenecesariaycorrecta,yaque,comoseapreciaenelarreglo

delatabla2.4,

que al aparear carros pintados el mismo da y en el mismo turno, se iogran resultados ms

homogneos a los que se 1es aplican 1os tratamientos, por lo que las diferencias observadas dentro de
un mismo da y turno se deben en gran medida a los tratamientos.
se asegur

Resumen de frmulas para procedmientos

de prueba de hiptesis
En la tabla 2.5 se resumen las frmulas de ios procedimientos de pruebas de hiptesis que involucran
un parmetro de una sola poblacin, mientras que en la tabla 2.6 se listan 1os procedimientos que invo-

lucran dos parmetros de dos poblaciones. En cada caso se muestra e1 planteamienro de la hiptesis, el
estadsiico de prueba y el criterio de rechazo, este ltimo para cada una de las tres posibles alternarivas.
Si se trabaja con un software estadstico es ms directo y conveniente basarse en el criterio del valor-p,
el cual, para cuaiquier hiptesis, debe ser menor que a para que sea posible rechazar Hr.

t Tabla 2.5

Procedimientos de prueba de hiptesis para un parmetro

a)Hs lt=fic

H^tlttlta
H !>fi0

lo

HA

r lA

to,,

to)to
to ( -to

Ht:l.t<pto

b) Ho

2.

O'=Oa

Xi,

)2
o'*oa
)2
A-)0a
2
o 1Oa

X',,r.

o Xi < X1-o,r,,-,

c)H

p=po

HA

P*Pa

lzol, 2,,,

HA

P>Po

Zo)Za

HA

P <Po

Zo

{ -Za

X nmero de defectos

En 1a tabla 2,6 note que aparecen tres maneras de probar la lgualdad de medias He: la primera a) es
para el caso de muestras independientes suponiendo varianzas iguales. La segunda b) es para muestras
independientes sin suponer varianzas iguales, y ei caso e) es para muestras pareadas.

39

40

CAPTULO

Elementos de inferencia estadstica: expermentos con uno y dos tratamientos

2.6 Procedimientos de prueba de hiptesi para dos parmetros

r f'aba

a)

Ho : fit

--

ltz
Itolu to,r. n,*,,-,

fit* ltz
H^ : tr) t,
Ht .fit{fiz
H, .

) to, rr*nr-2
to ( -o, ,,+,rr-2
to

n1 -1)521

+(n, -1)5'),

nr* n, -Z
b)

H : ltt

lt

Itrl, to,r,,
to ) to,,

tr* ,t.,
H ltt) &z
H: pt, 1t.,
Ho :

'.

to 1-to_.

611n,)2

(s2,/n,)2

f1

n, +1

n,

.22
c)H6 ot=ot
22
Ho : or* o,

-)
5;

L_

-t
5;

z2
Ho : or) o,
22
I1A: ot<ol

d)H6 pt=pz
Ha Pt*Pz
Ha : Pt>Pz

Fo

Fst, nr-1, n2- 1

Fo

Fo < Fr-o,r,

: &t =

ft < Fr-o, n-1, n,-1

uo-

11
-+nt n2

lzolr ro,,

- -;

<A'aG

zo

1-Zo

liiri

i{!iil

,tilii.li
!iii:.ri.

!,Lz

Ho: tr* t,
Ht : ptt> ltz
Ho : ,t, 1,t,

- t, n2-1

Fo,rr-1. n-t

Ht : Pt<Pz

e) H6

ltol, to,r.,,-,
to ) to, n_t
to 1-to,,,_t

Preguntas y ejercicios

ii

l=......._*l

il Uso de sefwere

tratados en el presente captulo son ms fciles de aplicar si se utillza un software

para hacer los clculos. Prcticamente en cualquier software estadistico se incluyen los rrtodos aqutrarados. Por ejemplo. en Sfalgrraphics 5e incluyen en los mens de Describiry Comparar que aparecen en Ia pantalla principal. En,particu[ar, para hacer una estimacin puntual y por intervalo, para la media y la desviacin
Los mtodos estadsticos

estndar, la secuencia a elegir es la siguiente: Describir

Datos numricos
LJna variable; enronces, se
declara Ia variable a analizar,la cual fue previamente capturada en una columna de la hoja de datos y despus se pide lntervalo de confianza en las opciones tabulares y se especifica el nivel de confianza deseado
(Opciones de panel). Ah mismo est la opcin Prueba de hiptesis. En las opciones de panel se especifican:
el valor (ao) que define la hiptesis nula, el nivel de significancia a y el tipo de hiptesis alternativa que se
tiene, para las hiptesis sobre la desviacin estndar se procede de manera similar. Adems en el men
previo se incluyen procedimientos exclusivos de prueba de hiptesis para la media. varianza y proporciones.
El problema de comparar dos medias varianzas o proporciones independientes, x localiza en Comparar

-,

Dos muestras -> Prueba

de

hiptesis.

Para comparar medias con muestras pareadas, la secuencia de opciones a utilizar es: Compairar
Dos
mueitras
Muestras pareadas. En Minitab, la secuencia para estimacin y prueba de hiptesis es: Stat

Basrc Statrstics, y

ahse elige la opcin deseada para una, dos muestras Gmpbl o rnr"rtru pareaoa.

n Exeel
Para hacer clculos estadsticos en Excel se utiiizan las funciones (f,) estadisticas y Ia opcin Anlisis de
datos dentro del men de Datos. Si no esruviera activada la opcin de Anlisis de datos, esta se actva
usando la opcin Complementos -que est en el botn de Office en Opciones. Para probar la hiptesis
o encontrar intervalos de confianza para un parmetro, se usa la secuencia: Datos -+ Anlisis de datos
-> Estadistica descriptiva Ah se activa el cuadro u opcin Nivet de confianza para la media. En todos
los casos, despus de sealar el anlisis que se desea nacer, se abrir una ventana en la que se especifica el rango de celdas en el que se encuentran los datos y las estadsticas deseadas,
Cuando se quiere comparar tratamientos, se elige la misma secuencia: Datos
Anlisis de dafos y Iuego se selecciona la opcin deseada, por ejemplo: Prueba para dos muestras suponiendo
varanzas iguales,:,Prueb:a t'para,,medias'de dos mueitras emparejadas, Prueba F para varianzas de dos
muestras.

I
$ii'

['
I
$

I
il
h;

I
b

h
:i

l.
2.
3.

En un estudio estadstico, qu es una poblacin y para qu se toma una muestra?

Explique qu es una hiptesis de investigacin y qu una hiptesis estadstica.

QuO es hacer una estimacin puntual y en qu consiste hacer una estrmacin por intervalo para la media,
por ejemplo?
4. Por qu no es suficiente la estrmacin puntual y por qu se tiene que recurrir a la estimacin por intervalo?
5, Explique el papel que desempean Ias disrribuciones de probabilidad en la inferencia estaclstica.
6. En el contexto de estimacion por intervalo, seale en forma especfica para estimar qu parametro utiliza
cada una de las siguientes distribuciones: f de Student, Normal y ji-cuadrada.
7. Explique qu es un estadstico de prueba y seale su relacin con los intervalos de aceptacin y rechazo.

8.

i Fr*g*xmtms.y merme *s

QrL son Ios errores

lipo I y ll en pruebas de hrptesis?

41

42

CAPTULO 2, , Elementos de inferencla estadstica: experiments ron:unoy dos,tlatamientos

,9r ,Seale y,describa de:ma.era rbreve lortrgslltrite!:jos e.guiyalentes de,'recf,razo de una

'l

'

.
:

hiptesis.

'I.

,,,,

En Ia elaboracin de envases de plstico es necesario garantizar que cierto tipo de botella en posicin vertical
,tiene.una resistenciaimnima de 50 kg: de fueria. Para garantizal: esto. eni:el pasado.sel'i' lrzab,na preba
dei tipo.pasa-no-pasa, en la Que se plicaba la fuerza de 50 kg y se yea si ia,botellateslsta' no, En la actualidad se llevaa'cabo una prueb exacta, enla que,medianteun eguipo'seapliia fuerza q la botella hasta que

sta cede, y el equipo registra la resistenCia que alcanz Ia botella.

b)

Para evaluar la resistencla media

De los resultados se obtiene que

los envases se toma una muestra aleatoria,de,n = 20 piezas,. :

= 55.2 y 5 = 3. Estime con una confianza de 95%, cul es la

{e

:,'

,,c) Antes'del estudiosesupona.que:p,=S2.D,adala.evidenciadelos,datosital supuesto,escofrecto?

d) Con los datos anteriores, estime, con una confianza de95%, cul es la desviacin estndar po12.

blacional (del proceso)?

contenido de nicotina en cierto tipo de cigarros elabordos por un proceso, s toma un muestra aleatoria de40 cigarriltosyse obtiene queX = 18.1 mg y 5 = 1.7.
.a) Etime, con una.confi.anza de 95%.'cul: es lalcantidad,d.e,n'rcotina prornedio,por: cig,arro?;. r
b) Antes del,estudio se supona qqe p = 1 7.5, Dada:la, evidencia, de, iog, da1os,: se puede rechazar ta] , .
supuesto?
c) Con los datos anteriores, estime, con una confianza de 95%, c'-il es Ia desviacin estndar poPara evaluar el

d)
13.

Qu puede decir sobre la:cantidad mnima y mxima de nicotina por cigarro? Es poiible garantiir'

',

En un problema similar al del,ejerqjcio ''1,1,, es necesario garantizar que !a reqs].encja,Enipa Cue tiene unr
envase de pltit en posicln,-rertica! se de 20 kg. Para eva.]ua1,qs'tg se han obtenido los sigpientes,:dator

26 s 27 .2 27 .6 25.5 28.3 27 .4 28.8 25.0 25.3 27 .7 25.2 28.6 27 .s 28.7

a) Esta variable forzosamente tiene que evaluarse mediante muestreo y no al 100%, por qu?
Oi Hugu un anlisis exploratorio de estos Aatos {oOtenga un histograma y vea el comiortamiento de

'.

'd) :Antes del estudro se supon:que'p

=,25" Dada'la evidencia

d.q

]os datos;talupuesto eit-riecto?

e) C,onlosdatosanteriores:estirfl;conunaconfianzadeg5o/o;ZCulesla,desviacinrest:ndar,pobla.,i''l
cional (del proceso)?

14. Enla.U"rr.-alO.rnuir.U,ousedeseagarantrzarqueel porcentajedeCO(gas) porenvaseestentre2.5

y 3.0. Los siguientes datos se obtienen del monitoreo del proceso:

,' .l
2.61 2.62 z.s z,sa 2.68 z,s1 2.56 2.62 2.63 2.57 2.60 2.53 2,69 2.53 2.67 2',66 2.63 2,52i 61 2-6a 2 52
2.62 2,67 2:58 2.61 2.6,4 2.49 2.58 2.61 2.53 2.53 Z.St 2.66 2.51 2.57 2.55'2.57 2.56 2,52 2.58,2.64 2.59
2.482.602.612.55
2.57 2.582.522.612.552.552.732.512.612.112.642.592.602.642.562.602.57
-: :rl l: ::: '::i
:jr:riij::l
2.66 2.69 2.56 2.64 2.61
a)' Llaga un anlisis exploratorio- de, e5tos datos (btengatn hislograma y.,1tea'el comportamiento de '.
Estime, con una confianza dr9S%;,icul's:el (9.pqmedlg por
,ii,l,,
..
-enlae]., 1. . |
c) Se supone quep debe ser igual a2.75. Dada la evidencia, se puede rechizartal supuesto?
d).C.onlos.datosanterioresstime,'con.unacnfianzade957o..cul:e5ia.desviacinestdardet

b)

,,i'l: , :i:-i tt:,:ll,l

e)

El

anlisisdelosdatosmuestralesestablecequeel mnimoes2.48yel mximo es2.73,porqu

el intervalo'obtenidd en el icrso ) tien uiirenor'amplitud?.:

i:.f

::"

1r:':

i':ri ''

particular se ttjo,como
queel
producto que reibe direclarn'nte,,-e t
lol 9srao'ps.Fcelos,l
utiaotai.in"os
en parttcular
estandar:minlmo que
el produc:to,querrecrbedlreqarnenle,,oe
fij'como estndr'iinimo
y
40
es de 3.07o.lPor'medi' de
muestreos evaluacioneslh'ciert:oi:a utno'ie:;5u6'que''f, :'3,.2ty:
5 = 0.3.
a) Estime, con una confianza de 90%, el tontenido promedio poblacional de grasa.
5) Cu-l es el error mximo de estimacion para la media? Por qu?

Preguntas y ejerclcios

: :. c) lEstirne,,con una confianza de:95olo, cul es la desviacin estndar poblacional?

. ,',d)rQu puede decir sobre la cantidad mnima y mxima de grasa en la leche? Es posible garantizar
' . con suficienticonfianza que la leche tiene ms de 3.0% de grasaT

16. En la fabricacin derdiscos compactos una variable de inters es la densidad mnima (grosor) de la capa de
metal, la cual no debe ser menor de '1.5 micras. Se sabe por experiencia que la dens,dad rrnirna del metal

:,

casi'siempre ocurre en los radios 24y 57, aunque en el mtodo actual tambin se miden los radios 32,40y
.48.:5e:,hacen siete leccuras en,cada radio dando un total de 35 lecturas, de las cuales slo se usa la mnima.
A continuacin se presenta u.ta muestra h st'ica de 18 dersidades mnimas:

' .,

,1.97,.1.93,1,97,1.85, 1.99, 1.95, 1.93, 1.85;1-87,1.98, 1.93, 1.96,2.02,2.07,1.92,199, 193

l) Argumente estadsticamente si las densidades mnimas individuales cumplen con la especificacin

1.81

de 1.5 micras.

b) Encuentre un intervalo de confianza de 99% para la media de

la densidad mni.na

' " .) D un intervalo de confianza de gg% para la desviacin estndar.

: .,. d),Dibuje e1 diagrama de cajas para estos dalos' lnterprete lo que observa.,

'

,17. 6 rJ, auditora se seleccionan de manera aleatoria 200 facturas de las compras realizadas durante el ac,
y se encuentra que 10 de etlas tienen algn tipo de anomala.
,, ".'a) Estime, con una confjanza de 95%, el porcentaje de facturas con anomalas en todas las compras
del ao.

b)

Cul es el error de estimacin? Por qu?

',: ..c) Qutamaodemuestrasetienequeusarsi

:18

sequiereestimartal porcentaieconunerrormxi-

,. g de lok?
,

.En 1a

produccin de una planta se esia evaluando un tratamiento para hacer que germine cierta semilla. De

de ellas germinaron,
total de 60 semillas se observ
. .
ry. J7
.,: ,:,,):Estime;conunaconfianzade9Ao/o,laproporcindegerminacinque
selograrcontal tratamiento.
,
(ms
que
puede
garanlizar
la
mayora
de la mitad) de las semillas
, , b) .Con una confianza de 90%, se
un

..
r

,, 1 :germinarn?-

: :

r19.

'onteste los'dos incisos anteriores pero ahora con g5aA de confianz,

evaluar la efectivjdad de un frmaco contra cierta enfermedad se integra en forma aleatoria un grupo
de 100 personas. 5e suministra el frmaco y, transcurrido el tiempo de prueba, se observa x = 65 persoras
con un efecto favorable.
,a) Estime, con una confianza de 90%,,Ia proporcin de efectividad que se lograr con tal frmaco.

:Parar

;l: ,

Haga una interpretacin de tos res,:ltados.

20. ,En relacin con el problema del ejercicio 1,1, los datos anteriores al diseo de la prueba continua muestran
.,, rilo sjguiente: is = 120 envases de plstico probados para ver si tenan la resistencia mnima de 50 kg de
fuerza, x
1 O envases no pasaron la prueba.
',',; Estime, con una confianza de 95%, la proporcin de envases que no tienen la resistencia mnrma
1
.especificada. Haga,una interpretaci de los
:
,. t
,'.

..

resultados.
,
, ' , ' 6) Cul: es el error de estimacin?
. . r, i) Calcule el tamao de muestra que se necesita para que el error de estimacin
:

mximo sea de 0.03.

Prueb'de hiptesis para un parmetro

2l.,un inspector de la Procuraduria Federal del Consumidor acude a una planta que elabora alimentos para
"'vririficarel cumplimiento'de lol estipulado en ios envases de los productos en cuanto a peso y volumen. Uno
.,: :'de los'productos quedeciddanaiizar es el peso de las cajas de cereal, en las cuales, para una de sus presen-

I
',

:iaiiones, se establece'que el contenido neto es de 300 gramos. El inspector toma una muestra de 25 caias y
pesa su contenido. La medta y desviacin estndar oe la muestra son.i= 298.3 y S = a.5.
,'a),suponiendo una distribucin normal, pruebe la hiptesis de que# = 300 contra la alternativa de
que es diferente, con un nivel de significancia det 5%. Formule claramente las hiptes,s, clculos y
conclusi

b)
r,
., , i i ,c)

Reprta el inciso anterior pero ahora con un nivel de significancia del 10%
Desde la peispectiva del consu midor del producto, cul debe ser la hiptesrs alternativa que tiene

que plantear el inspector en este problema? Argumente.

como hiptesis alternativa t < 300.

. . ,, d) 'Repita el inciso a) pero ahora planteando

22,

'1',

En,el problema antefgr. respecto a la desviacin estndar:

,, .'pUsbela hiptesk de que o = 3.0 contra la alternativa que es diferente.

.r,.

,f)

lo que se quiere es proteger al consumidor del exceso de variabilidad, la conclusin del inciso
anterior Ie es favorable? Argumente.
Si

43

,i'
:

44

CAPITULO

Elementos de inferencia estaciistica: experimentos con uno y dos tratamientos

23.

Las especiicaciones tcnicas de un compresoi establecen que el aumenl,promedio de temperatura en el

agua usada como enfriador en Ia cmara del compresor es menor que 5'C. Para verificar esto se rnide
eiaumento de temperatura en el agua en '1 0 periodos de funcionamiento del compresor, y se obtiene que

a)

Plantee las hiptesis para la media que son adecuadas al problema. Argumente.

b)

Pruebe las hiptesis planteadascon un nivel de significancia del 5%.

c) Si en lugar cle trabajar con una significancia del 5%, lo hace con una del 1%, se mantiene

la

Explique.

:'
"conclusin del inciso anterior?
24. En relacin con el problema anterior, pruebe la hrptesis para la desviacin estndar de o = 1.5 contra la
lternativa de qr;e es mayor.
25. En relacin con el ejercicio 16 de este captulo, con una significancia a = 0,05 pruebe la hrptesis de que la
media de la densidad mnima de la capa de metal de los diicos es igual a 2.0 micras. contra Ia alternativa de
que es menor
26 En una planta embotelladora de bebidas gaseosas se desea estar seguro de que ias botellas que usan tienen,
en promedio, un valor que super el minimo de pres,n de estallamiento de 200 psi.
a) Formule la hiptesis para la media pertinente al problema.
b) 5i en una evaluacin de la presin de estaliamlento de 15 botellas seleccionadas al azar se obtiene
que = 202.5 y 5 = 7.0, pruebe la hiptesis formulada antes.
c) Si procedi de manera correcla no se rechaza la hiptesis nula y, por lo tanto. no se ouede conclirir
to que desea el embotellador, es decir, p > 2OO. Expliq-e por. qr.'no se puede concluir esto a pesar
de que la media muestral s es mayor que 200.
27 En el problema anterior, prL.rebe la f,iptesis para [a desviacin estndar der = 5.6 contra la alternatrva de
que es mayor.
28 Para validar la afirmacin de un fabrrcante que seala que la propoi'cin de articulos defectuosos de sus lotes
de produccin no supera el 5%, se toma una muestra aleatoria de I00 artculos de los ltimos lotes y se
obr;ene qre B son defectuosos.
a) Formule las hiptesis adecuadas al problema, si lo que se quiere es conclur que la afirmacin del
fabricante es falsa, porque en realidad su calidad es peor.
b) Pruebe la hiptesis formulada con una significancia del 5%.
c) Si procedi de manera correcta no se pudo concluir que p > 5%. Explique por qu no se puede
co"ciu,r esto a pesar de que la proporcin muestral es mayor que el 5%.
d) En este oroblema, c.rl sera el tamao de muestra usar. si se quiere tener un error mximo de

esL'macin del 3%?

correcto afirmar oLe, en el ejercicio l7 de este cap1uro, ms ciel 8% de las facturas tienen algut ;
anomalia? Para responder formule y prL,eoe la hiptesis pertinente con una significancia del 5%.
30. En un centro escolarse ha venjdo aplicando una campaa contra el uso del tabaco por parte de los estudiantes. Antes de la campaa, un 30% de los alumnos eran fumaclores activos, para nvestigar si disminuy esta
proporcin se toma una muestra aleatoria de 150 estudiantes y se detecta que 35'de ellos son fumadores.
a) Formule la hiptesis pertinente al problema. "lustifique.
b) Cor una significancia del 5% verifique la hiptesis pianteada.
c) Se mantie-ne la conclusin anterioi si se quiere toar una decisin con una confianza del 99%?
Argumente.
29

Es

Prueba de hiptesis (comparacin de tratamientos)

31. Dosmquinas,cadaunaoperadaporunapersona,sonutiiizadasparacorl.artirasdehule.Deiasinspecciones de una semana'(25 piezas) se observa que la longitud media de las 25 piezas para una mquina es de
200.1 y para la otra es de 20,1 .2.
a) Formule la hipresis pertinente para verrficar sr hay diferenci 5ignificativa en los resultados prome-

dio de ambas mquinas.

b)

32.

33.

s;fic,erte para probar la niptesis? Explique.

comprar una gran cantidad de bombillas y se tiene que elegir entre ias marcasA y B. Para ello,,se
compraron 100 focos de cada marca, y se encontr que las bombillas probadas de la marca Atuvieron un
tiempo de vida medio de 1 'l 2O horas, con una desvlacin estndar: de 75 horas; mientras que las de la marca
B tuvieron un tiempo de vida medio de 1 064 horas, con una desviacin estndar de 82 horas.
a) Es signrfict,va la diferencia enrre los tiempos medios de vida? Use c = 0.05.
b) Con qu tamao de muestra se aceptara que las marcas son iguales, utiiizandoG = O.O5?
tn un iaboratorio bajo condiciones controladas se evalu, para 10 homLres y 10 mujeres, la temperatura que
cacla persona enccrrr ms confortalle. Los resultacios en graclos Fahrenheit fueron los siguientes:
Tiene la informacin

Se desea

Preguntas y ejercicios
,i :i::

ilj ii :i,!

ll

::.:,:i::i

75

77

78

79

77

73

79

78

80

74

72

77

76

76

73

75

73

74

75

ffiitf;$..e.',

'ffi*'ffi
qe se comparn eniste estudio? :
muestras
son
dependientes
o independientes? Explique.
Las
:: +,La,tmperatura promedi rns confortblE es igual para hombres que para mujeres? Pruebe la hip.

,, a). Cules-son,1s,trtamu1s5

b)

tesis adecuada.

''-S,prueban 1.Oprte! Oterentes en.cada nive! de temperatura y

,. ,iO. e[ encogimiento sufrido en unidades

..91oorcentaieml1iulicdopor10.Losresultados5on:

17.2

21.4

t7.5

20.9

LB.6

r9.B

15.9

20.4

16.4

20.6

17.3

21.0

16.8

20.8

rB.4

19.9

t6.7

2t.r

t7.6

203

,.r a).,La te'mperatur tiene'algn:efecto en el 'encogimiento? Plantee las hiptesis estadsticas corres:
it,:r:,l
:ri. i
:.1':1:.., ,:pondientes,a est,interroqante.

b) D un intervalo de confianza para

' ,

Ia diferencia de medias.

c) Cul temperatura provoca un encogimiento menor?

,

. . d)

Compare las varianzas:de'los,dos tratamientos.,Para ello plantee y pruebe las hiptesis pertinentes

e) Dibuje los diagramas de cajas simultneos e interprete.

de transporte de carga desea escoger la mejor ruta para llevar la mercanca de un depsito a
.:.1..:..J5.,Una,compaa
preocupacin es el tiempo de viaje. En el estudio se seleccionaron al azar cinco choferes de
La
mayor
.otro.
',,.
,!a,',..,.,^^.r^^
,^^ ^
.,*.
n ,^".'..^
rcinnran
- f.
un grupo
O f O y se asignaron a
Ia ruta
A;
los cinco rc+.tc
restantes ca
se asignaron
ruta trB. lnc
Los 1:+ac
obtenidos
ar l:la rr,+
datos ahtnilnc
^.'

,*r'.:,.:..l..riffi:

a)

Extsten,diferencias significativas entre las rutasT Plantee'y,'pruebe las hiptesis estadsticas corrqs-

pondientes.
En,caso de rechazar la hiptsis del incisoa), dibuje los diagramas de cajas simultneos para determinar cul ruta es mejor.
,:.:c).Sugiera'otiairnanera de obtenerloi datos,(dieo'alternativo), de modo'que se pueda lograr una

,,,,.,..',',

b)

,:-'.i ,

:cgpacin msrfectiva de las rutas. ;

'

,,

',Setienn doSproveedr:esde una pieza metlica, cuyo dimetro ideal ovalor objetivoes igual a 20.25 cm.
l,:5

ioman'dos'muestras de 14 piezas a cada proveedor,y

1os

datos obtenidos se 'indican a continuacin:

45

til
$:r'

i
ir.

46

CAPTULO

Elementos de inferencia'estadstic: experimentos con uno y dos tratamientos

:.,i,,1

21 38.20.13. t9

r9.85, 20.54, 18.00, 22 24, 21.94, 19.07, 18.60, 2t.89, 22.60,

18 10, 19 )5

2L.51, 22.22, 21.+9, 21.9

ll't

l, 71

22.7 1., 22.65, 2r.53, 22.22,

::,1

c)

d)

Pruebelahiptesis'deigualdadde,varianzas.
Sr las especificaciones para el dimetro son 20.25 mm
piezas defectuosas?

,,:;,':,:'::

t 2.25 mm. cul proveedor

'.,:i:

,i'r.,,'r

produce menos

.e)Conculproveedorsequedara.usted?...i..'
37.

En Kocaoz, Samaranayake y Nanni (2005) se presenta un estudio en el que se analizan dos tipos de barras de
vigqsde:acero,
polmero, cuya tensin se refuer: con:-fibra:dq vidrio'F.qDt E$as:barras, en susttuci'n de
fa1

que su carcter]zac]n'es,imporlante para,fineside diseo,,cotrol,r

optimizacin para los ingenieros structurales, Las bar.as sesometieron a tensin,hastregistr?rse'su'fuptur:a
se utilizan para reforzar concretor. por

19

(enMpa).Losdatosparadostiposdebarrassemuestranacontinuaclh:,,i

t-..,.,, .,.,,-., r

815
trl

i'li

938

1I

rtl
i,,,

ilii

a)

l1

b) Anotelafrmulade|estadsticodepruebaparademo5trarlahiptesis
c) Pruebe la hiptesis'a un nlvelde significancia de 5%. Fara,reci-r.azar,o*o,ihlp.O1,g]s,rapi{egetian!9.,i:.,-

iii

enelcriteriodelvaIor-pomoeneidelvIorCrtiqodetablas.

ii

ii

d)

l.
il

Explique cmo se obtiene el

valorp del inciso nterior,:,

. , ":

1i

ii

ii.
rj

ii'
)

f) Existe algn, tratamiento mejor?

38. seieatizunltudio para,comfiaiarostaramientolquese,apilcain.#.oii,cruOor,ton.e|p}g..!1 .09.,,,..
reducir el tiempo de coccin. Un tratamiento (T1) es a base de bicarbonato de sodio; el otro, T2, es a base
de ctorur,o'e,sodiolo sal'comn.tq+riqbie d"reso.sa,i.el.tiempo decb.ccin en,minutos.5e hacen'!et9$
replicas. Los datos se muestran en la siguiente tabla:

! .i.i

a) Forrnule la hiptesis
b) Anote la'frmula
c) Pr:uebe la hiptesis

en'el criterio del

d)

Pruebe la hiptesis

e) De acuerdo:con:

39.

Se comparan-dos mtodos

che. En una primera

mayor porcentaje,de
en el mtodo,B se,i

infectaron, es decit

laran /.

Preguntas y eiercicios

47

a) Hayevidencia estadstica suficiente para afirmarque el mtodo

B genera una mayor infeccin de

huitlacoche? Plantee y pruebe la hiptesis correspondiente.
Elmejor: mtodo'deih'culacin,Ol:problema ate'rior se aplic a dos variedades de maiz en dos localidades.
Una vez infectada Ia mazorca, interesa medir el porcentaje final de la superficie de sta que fue cubierta por
el hongo y el peso en gramos del huitlacoche. Los resultados para la variedad 2 de ma2, obtenidos en I5
mazorcas de Texcoco y en 15 mazorcas de Celaya, son los siguientes:

60

95

t22.6

80

40

r00

r82.74

346.74

95

70

203.45

55

+0

84.03

49

40

35

t28.46

r49.69

.1_U

100

31.85

29r

IO

30

12.81

86.03

10

i00

57.05

158.74

55

100

145.83

i5

100

49.49

35

25

I03.66

25

15

95.05

22.08

70

85

125.02

134.02

20

15

40.57

76

20

30

19.36

,:..

de'hultlacoche en las dos

con cada trata-

Pruebe la hiptesis 6qrrespondiente

48

CAPTULO

Elementos de inferencia estadstica: experimentos con uno y dos tratamientos

Pruebas pareadas

43. 5e propone un nuevo mtodo de prueba que si resulta iguai de efectivoque el mtodo,actua!!

se podr
reducir en 60% el tiempo de prueba. Se plantea un experimento en el que se mide la densidad mnima de
metal en 1B discos usando tanto el mrodo actual como el mtodo nuevo. Los resultados estn ordenados
horizontalmente por disco. Asi '1 .88 y 1.87 es el resultado para el pr:imer ditco con ambos mtodss.

r!.#["$,i;

1.BB

i.B4

1.83

1.90

2.r9

1.89

2.27

2.03

i.96

Flii,,li

198

2.00

r.92

1.83

t.94

t.94

1.95

1.93

2.01

l.B7

L.90

L.B5

I.BB

2.18

147

111

1.97

2.00

198

i99

iBg

i .78

1.92

2.02

2.00

1.95

2.05

a) Pruebe la igualciad de las medias usando la pruebapareada. Cul esel criter:io-de:apa,,eamrerit?, ,

b) Encuentre un intervalo para la diferencia de medjas usando la desviacin estndar'de las difer:eni '
cias. lnteprete.

c) Haga el analisis de

los datos ignorando el apareamiento. Compare con los resultados del inciso a).
Determine un intervalo de confianza para la diferencia de medias suponiendo muestras independientes. Compare con el inciso
r,.,
e) Qu se gana con el apareamiento de los datos en este caso?
l1 Recomendara usled la adopcron del rntodo nuevo? Argumenre su respuesta.
44'. En una pr ueba de dureza, una bola de acero se presiona contra el material al quese mide la dureza. El dr,a-. .,
,?efro de la depresin en el material es la medida de su dureza. Se dispone de dos tipos de bolas de aegro y,111
se qLriere estuoiar su oesempeo. Para ello, se prueban ambas bolas con los mismos 1O especimenes elegidos
0e marrera aleatoria y los resultados son

d)

b).

,Birlar l

/) IL-

+O

57

5B

)/

61

56

i4

65

52

41

43

47

32

+9

44

57

60

,.rBo1aY:...

a) Explique por qu los datos deben

b)
c)

analizarse en forma

apareada.

:'

.,i,

' ;,
,,.rr,,,,

i:ii , ,:::i

:..

obten,oos en el inciso b).

''
En qu situacin se esperara que los anlisis b) y c) den ios mismos resultadosT' .
para
y.un
fertilizante estndar ce..,,,!
Se conduce un experimento
determinar si el uso de un adjtivo,qumico
leran el crecimiento de las plantas. En cada una de 10 localidades se estudiaron,do5 piantas;sembradas en:';
condiciones simjlares. A una planta de cada localidad se le aplic-el fertilizante puro y.a la,otra el fertilizante ..:

d)

45

Pruebe la hiptesis de que ambas bolas dan las mismas'mediciones'de dureza.

Pruebe la iqualdad de las bolas sin considerar que estn par:eadas. Compare los resultados con los

ms el aditrvo. Despus de cuatro semanas el crecimiento en centmetros fue el siguiente:

a;:iliirtiti;i
irli:iai,l

jll

tn?:.:'ll

1:i:1:rr;

a)

i,ii

llffi

ii:

:i:.]

Srn aditn,o

ZO

3i

l6

22

19

32

25

]B

20

79

Con aditivo

23

74

l5

21

22

3]

29

)o

24

23

obtenidos apoyan la afirmacin de que el aditiv quimlco acelera el crecimiento,de las

planras? Planiee las hiptesis apropiadas y pruebelas usando G = 0.05.
Los datos

b)obtengaUninterValoal95%deconfianzaparala.difer.enciapromediop,
46

Retome los datos del ejemplo 2.8 (impurezas en cofres levantadosy bajados):
a) lgnore el apareamiento y compare de manera independienle los dos tratamientos. Obtenga cohci,';s,.:i es.

Preguntas y ejercicios

b) Explique si las conclusiones son diferentes con ei analisis en forma

pareacla y de nranera indepen-

.J;^^+^
uttrt tLc.

c) Cul es la conclusin correcta, hay o no diferencia entre los tratamientos?

47-. Se realiz un expermento para ver si dos tcnicos tienen alguna tendencia a obtener clifei'entes resuitados
cuando determinan la pureza de cierto producto. Cada muestra fue dividida en dos poroones y cada tcnico
determin la pureza de una oe las porciones. Los res;ltados se ruestran conr,nuacir:

.,f:.

,:,i2:.:,

74.0

73t

73.5

73.9

71)

72.5

73.0

7 1..3

73.2

t.t

703

'::Porcin,

a) Eslos datos deben analizarse en

.6

:.4i,,

r.5

:J

730
731

1A
a
I a.)

72+

forma pareada, explique por qu.

ri) Formule:la hiptesis correcta al problema.

c) Pruebe la hiptesis y obtenga concliJsiones.
d) Si los tcnicos son diferentes, hay alguna evidencia sobre cul de ellos nace nal el trbajo?
e) Qu recomendara para lograr mayor uniformidad en las determinaciones de los dos tcnicos?

lnvestigar y experimentar
48

Busque por medio de internet, por ejemplo en scholar.google.com, un articulo de una revista cientfica o tecnolgica en la que se reporte el resultado de una investigacin experimental donde se comparen dos tratamientos, ya sea medias, medias pareadas, rrarianzas o proporcrones. Anotar la referencia completa, es decir,
del trabajo y nombre de la revista, adems, hacer una sntesis de lo que trata el artculo,
detalles de los tratamientos que compara, los anlisis estadsticos que hacen y las principales conclusiones.

auto(er, ao, ttulo

49

lnvestigacin acerca del sobrepeso y obesidad en tu escuela. Un problema de salud a nivel mundial es el
nropore que mediarrte traoa o er eouipo se
desarrolle el siguiente proyecto, cuyo objetirio es profundizar en el conocimrento de la magnitud de este
probiema er el contexto escolar por sexo, cornparar esta rragnitud con los datos nac orales y afianzar los
mtodos vistos en este capitulo. El material requerrdo ser una bscula adecuada para medir e1 peso de un
individuo y una cinta mtrica, preferentemente de pared. Las actrvidades a desarroliar son las siguientes.
a) lntegrar un equrpo de rres a cinco miembro5 q:ys5{igar sobre el tema de obesioao para hacer r.,ln
breve reporte sobre el problema: antecedentes, por qu es importante, su nvel actual en algunos
pases. Dentro de los antecedentes se deber resaltar Ia forma en la que se calcula el ndice de
m'asa corporal (iMC), puntualizando las recomendaciones para meclir el peso y la estatura cle un
ir:dividuo Se sugiere consultar ia Encuesta Nacional de Salud (ENSANUT), Mx,co 2008.
b) Establecer un mtodo de muesrreo aleato.io para selecc:onar un mue5tr de estudiarres de ia
misma escuela para cada sexo. Es deseable que se seleccione de manera aproximada la misma canlidad de hombres que de mujeres, y en con-unro es deseb,e que por'o melos sean I50 personas.
Reportar los detalles del rnetodo de muestreo seglido
c) Disear un breve cuestionario para aplicarro a los individuos seleccionados en la mues:ra y oorener
de ellos su inforrnacin bsica (edad, car.era que estud.an, sexo y s, adenns Ce estudiar lrabalar')
y algunos de los principales hbitos relacionaclos con ra sa'ud, como la all'nentacion, ia acrjv,dd
fsica y su percepcin personal de los ent.evistados sobre si estn sat sfechos co. su peso E' cuestionaro debe ser breve, de un mximo de 20 preguntas, la mayora de ellas de opc'n m1tip.e,
y se concluye con ios datos de peso y estarura del entrevistado. Para el orseo de' cuestiorarro se
pueden consultar encuestas parecidas que se han utilizado en .rvesrgaciones sobre ros hbitos de

sobrepeso y obesiclad de la poblac:n de todas Ias edacles. 5e

'

'

los jvenes.

d)

Hacer un anlisis por sexo de las principales preguntas der cuestronario.

e) Con el peso y estatura de los encuestados, calcula. ei lMC, que es igual l peso en kilogramos
dividido entre el cuadrado de Ia talla o estatura e1 metros (kg/m)). Para estas t'es vriables hacer
un anlisis descriptivo por sexo: media, desviacrn estndar, histograma, etc. Aderns, hacer ura
grfica de dispersin del tipo x-ypor sexo pra relacionar la estatura con el peso.

f) Calcularunintervalodeconf,anzaal 95o/,pralamediaooblacional

del peso, laestaturayel IMC

los datos de hombres y mujeres. Para elio, formurar y probar la hiptesis de iguatdad de
medias (Ho: iln=.u^) y clesvraciones estncJr del peso, la estatura y el lNi C entre arnbos sexos.

g) Comparar

49

50

CAPTULO

Elementos de inferencia estadstica: experimentos cOn Ltno y dos tratamientos

h) Considerando'los valores de,interpretacid del lMC3;y combinando los dtos de hombres y muje-

res, calcular la proporcin en la mubstra de estudiantes cuyo IMC cae en cada una de las cuatro
posibles categoras: desnutricin, estado de nutricin adecuado, sobrepeso y obesidad.
Estimar, con una confianza del 95%, la proporcin de estudiantes en la poblacin (escuela) que
tienen sobrepeso, obesidad y ambas.
Considerando que en Mxico aproximadamente eI,32% de jvenes:tienen,excesp,de peso (suma

de las frecuencias de sobrepeso y obesidad), probar la hiptesis de si en laescuela donde se hace el

esludio la proporcin 'de estudiantes con exceso de peso es mayor o menor que el dato nacional.
k) Comparar las poblacionales (escuela) de hombres y mujeres respecto a la proporcin de exceso de

peso'Hacerlapruebaconunniveldesignjficanciadel957o....;...

50.

2.7 sehizo un estudio para comparrdos bsculas. Enesta actividad se proponequeen grupo : i
se desarrolle un estudio en el que se cornparen dos procesos de medicin; pueden ser dos equipos (bsculas, vernieres, etc.), o blen, dos procesos de medicin (mismo equipo operdo por,dos personas diferentes, ,':.,:
En el ejemplo

mismoequipoperovar.iand,oaIgunaotr:acondicin).Serecornienda.queen.cua|quiercaso.se,midanpor
lo rnenos 10 piezas o muestras dos veces, .una vez con cada equipo o proceso. Adems, se sggiere que las
piezas sean considerablementediferentes, esto permitir hacer mejor la comparacin'. Elborar un reporte
de la investigacin: ttulo; objetivo, descrlpcin del,problm; equipo:y: pjezas medidas,. resultados. anlisis
conclusiones

:.

TITULO.

PIE DE IMPREI{TA

NOTAS

.::

DESCRIPCIN FSICA
ISBN

l'

519.5 y' G984 2a-ed i', ,: ,, ,l,rr:,,',,,,,,,-,r.

Gutirrez Pulidor llgmberto .
, ,,-,
De Livara,alazri Romn. :'-,r,.r,- , ,:r
Anlisisry diseo de expeimantgs ..,...
Miico :D.F.,i lfcGraw. Hill,,.zo0g., . . -1,11.,,,

SOLICTELO COMO
AU,TOR:

2a'ed,,;t545p. ',' ' . l,, ,'',-ri:r, ,"ri',r:,..'l

gilio,teca tiene 5'ej- '',.,-l
1,: '
,
-,.,t-,,-'1

..
'

r:1.-:

La Orgaruzacin Mundial de l Satud esrablece valores de relerencia para el

es

iMC

r: i i,:,

ii ...

Seala que hay desnutricion cuando el IMC

menor que iB.5 kg1m2,.esiado de nutriiion adecuado con.185 s:lMC,< 25.0; s.obrepeso cuando 25.0,<,IMC;< 3-0.giiyobp-.f