REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA

UNIVERSIDAD NACIONAL EXPERIMENTAL
POLITÉCNICA DE LA FUERZA ARMADA (U.N.E.F.A)
SEDE SAN TOMÉ-NÚCLEO ANZOÁTEGUI

Profesora: Bachiller:

Iraida Palacios Lascano Génesis

CI: 24577297
Ingeniería de Petróleo
San Mateo (pasante)

San Tome 06 de Noviembre de 2018

 Introducción

Una prueba de hipótesis es una regla que especifica si se puede aceptar o rechazar
una afirmación acerca de una población dependiendo de la evidencia proporcionada por
una muestra de datos. La estructura de la prueba de hipótesis se establece usando el
término hipótesis nula que se denota como H0 y hipótesis alternativa, que se denota con
H1 . La comprensión de las diferentes funciones que desempeñan la hipótesis nula y la
hipótesis alternativa es fundamental para entender los principios de la prueba de hipótesis.
La hipótesis alternativa H1 por lo general representa la pregunta que se responderá o la
teoría que se probará, por lo que su especificación es muy importante. La hipótesis nula
anula o se opone a H1. También es necesario mencionar que El rechazo de la hipótesis
nula cuando es verdadera se denomina error tipo I y No rechazar la hipótesis nula cuando
es falsa se denomina error tipo II.

El siguiente trabajo de investigación a parte de contener información amplia de lo antes

mencionado también se estarán desarrollando los siguientes temas: Hipótesis estadística,
Nivel de significancia, Prueba estadísticas y pruebas estadísticas para media y varianza.
Todos los temas están completamente relacionados y son de gran utilidad para la
realización de Hipótesis durante nuestra vida diaria y esto se representas a través de
ejemplos sencillos los cuales se resuelven con la aplicación del análisis mental, formulas,
procedimientos prácticos y el conocimiento teórico de los términos desarrollados en el
trabajo. para de esta manera cumplir con el objetivo que es tener todo el conocimiento
teorico-practico del tema.
 Hipótesis Nula e Hipótesis Estadística

Hipótesis Nula:

La hipótesis nula es una afirmación que no se rechaza a menos que los datos de la muestra
parezcan evidenciar que es falsa. Para afirmar que la hipótesis nula es verdadera se
requiere estudiar a toda la población. La hipótesis nula generalmente incluye un no en su
enunciado.
Las hipótesis nula son proposiciones que niegan o refutan la relación entre variables.
Ejemplo
Ho: No existe mayor cantidad de aficionados al futbol que al baloncesto.
Las hipótesis nulas se simbolizan con Ho.

Clasificación de las Hipótesis Nula

Hipótesis nulas descriptivas de un valor o dato pronosticado

Hipótesis que niegan o contradicen la relación entre dos o más variables

Hipótesis que niegan que haya diferencia entre grupos que se comparan

Hipótesis que niegan la relación de causalidad entre dos o más variables (en todas sus
formas).

Una hipótesis nula es importante por varias razones:

Es una hipótesis que se acepta o se rechaza según el resultado de la investigación.

El hecho de contar con una hipótesis nula ayuda a determinar si existe una diferencia entre
los grupos, si esta diferencia es significativa, y si no se debió al azar.

No toda investigación precisa de formular hipótesis nula. Recordemos que la hipótesis nula
es aquella por la cual indicamos que la información a obtener es contraria a la hipótesis
de trabajo.
Al formular esta hipótesis, se pretende negar la variable independiente. Es decir, se enuncia
que la causa determinada como origen del problema fluctúa, por tanto, debe rechazarse
como tal.

Ejemplo
Supongamos que un investigador cree que si un grupo de jóvenes se somete a un
entrenamiento intensivo de natación estos serán mejores nadadores que aquellos que no
recibieron entrenamiento.

Para demostrar su hipótesis toma al azar una muestra de jóvenes y también al azar los
distribuye en dos grupos, uno que se llamará experimental el cual recibirá entrenamiento y
otro que no recibirá entrenamiento alguno el cual se denominará: control.

Ho: “No hay diferencia entre el desempeño de natación entre el grupo de jóvenes que
recibió entrenamiento y el que no lo recibió."

Hipótesis Estadística

Las hipótesis estadísticas son la transformación de las hipótesis de investigación, nulas y

alternativas en símbolos estadísticos. Se pueden formular solamente cuando los datos del
estudio que se van a recolectar y analizar para aprobar o desaprobar las hipótesis son
cuantitativos (números, porcentajes, promedios). Es decir, el investigador traduce su
hipótesis de investigación y su hipótesis nula (y cuando se formulan hipótesis alternativas,
también éstas) en términos estadísticos.

Básicamente hay tres tipos de hipótesis estadística, que corresponden a clasificaciones de

las hipótesis de investigación y nula: 1) hipótesis de estimación, 2) hipótesis de
correlación y 3) hipótesis de diferencias de medias.
Hipótesis estadísticas de estimación
Corresponden a las que fueron denominadas, al hablar de hipótesis de investigación,
"hipótesis descriptivas de una variable que se va a observar en un contexto". Son diseñadas
para evaluar la suposición de un investigador respecto al valor de alguna característica de
una muestra de individuos u objetos, o de una población; y se basan en información previa.
Supóngase que, basándose en ciertos datos, un investigador hipotetiza: el promedio
mensual de casos de trastorno psiconeurótico caracterizados por reacción asténica,
atendidos en los hospitales de la Ciudad de Caracas es mayor a 200". Y desea transformar
esta hipótesis de investigación en una hipótesis estadística.
Lo primero que debe hacer es analizar cuál es la estadística a que su hipótesis hace
referencia (en el ejemplo se trata de un promedio mensual de casos atendidos).
El segundo paso consiste en encontrar cómo se simboliza esa estadística (promedio
se simboliza como X).
El tercer paso es traducir la hipótesis de investigación en hipótesis estadística:
Hi: X > 200 (promedio mensual de casos atendidos)
La hipótesis estadística nula sería la negación de la hipótesis anterior:
Ho: X = 200 (“el promedio mensual de casos... es igual a 200”)
y la hipótesis alternativa sería:
Ha: X < 200 (“el promedio mensual de casos ... es menor que 200”)
Posteriormente, el investigador comparará el promedio estimado por la hipótesis con
el promedio actual de la muestra que él seleccionó. La exactitud de su estimación es
evaluada por esta comparación. Y como señalan Blacky Champion (1976), algunos
investigadores consideran las hipótesis estadísticas de estimación como hipótesis de
diferencia, debido a que en última instancia lo que se evalúa es la diferencia entre un valor
hipotetizado y un valor observado en una sola muestra.

Desde luego, la estimación de estas hipótesis no se limita a promedios; puede

incluirse cualquier estadística (v.g., porcentajes, medianas, modas, etc.). Para ello es
conveniente ver las estadísticas descriptivas
Hipótesis estadísticas de correlación

El sentido de estas hipótesis es el de traducir una correlación entre dos o más

variables en términos estadísticos.
El símbolo de una correlación entre dos variables es "r" (minúscula) y entre más de
dos variables "R" (mayúscula). La hipótesis "a mayor cohesión en un grupo, mayor
eficacia en el logro de sus metas primarias" puede traducirse así:

Hipótesis estadísticas de la diferencia de medias u otros valores

En estas hipótesis se compara una estadística entre dos o más grupos. Por ejemplo,
supongamos que un investigador plantea la siguiente pregunta de estudio: ¿difieren los
periódicos "Últimas Noticias" y "El Nacional" en cuanto al promedio de editoriales
mensuales que dedicaron durante el último año al tema del desarme mundial? Su hipótesis
de investigación podría ser: "Existe una diferencia entre el promedio de editoriales
mensuales que dedicó, durante el último año, al tema del desarme mundial el diario
'Últimas Noticias', y el que dedicó el diario 'El Nacional'. La estadística que se compara
entre los grupos (editoriales de "Últimas Noticias”, un grupo, y editoriales de "El
Nacional", otro grupo) es el promedio (X). La hipótesis estadística se formularía así:
Prueba de Hipótesis

Es un procedimiento estadístico que permite aceptar o rechazar una afirmación hecha con
respecto a un fenómeno o suceso.

Ejemplo de cómo realizar una prueba de hipótesis básica

Para realizar una prueba de hipotesis se deben seguir seis pasos básicos para configurar y
realizar correctamente una prueba de hipótesis. Por ejemplo, el gerente de una fábrica de
tuberías desea determinar si el diámetro promedio de los tubos es diferente de 5 cm. El
gerente sigue los pasos básicos para realizar una prueba de hipótesis.

1. Especificar las hipótesis.

En primer lugar, el gerente formula las hipótesis. La hipótesis nula es: la media de
la población de todos los tubos es igual a 5 cm. Formalmente, esto se escribe como:
H0: μ = 5

Luego, el gerente elige entre las siguientes hipótesis alternativas:

 Condición que se probará Hipótesis alternativa

La media de la población es menor que el objetivo. unilateral: μ < 5

La media de la población es mayor que el objetivo. unilateral: μ > 5

La media de la población es diferente del objetivo. bilateral: μ ≠ 5

Como tiene que asegurarse de que los tubos no sean más grandes ni más pequeños
de 5 cm, el gerente elige la hipótesis alternativa bilateral, que indica que la media
de la población de todos los tubos no es igual a 5 cm. Formalmente, esto se escribe
como H1: μ ≠ 5

2. Elegir un nivel de significancia (también denominado alfa o α).

El gerente selecciona un nivel de significancia de 0.05, que es el nivel de

significancia más utilizado.

3. Determinar la potencia y el tamaño de la muestra para la prueba.

El gerente utiliza un cálculo de potencia y tamaño de la muestra para determinar

cuántos tubos tiene que medir para tener una buena probabilidad de detectar una
diferencia de 0.1 cm o más con respecto al diámetro objetivo.

4. Recolectar los datos.

Recoge una muestra de tubos y mide los diámetros.

5. Comparar el valor p de la prueba con el nivel de significancia.

Después de realizar la prueba de hipótesis, el gerente obtiene un valor p de 0.004.

El valor p es menor que el nivel de significancia de 0.05.

6. Decidir si rechazar o no rechazar la hipótesis nula.

 El gerente rechaza la hipótesis nula y concluye que el diámetro medio de todos los
tubos no es igual a 5 cm.

Ejemplo en la cual se indica el procedimiento para la prueba de hipótesis

El jefe de la Biblioteca Especializada de la Facultad de Ingeniería Eléctrica

y Electrónica de la UNAC manifiesta que el número promedio de lectores por día es de
350. Para confirmar o no este supuesto se controla la cantidad de lectores que utilizaron la
biblioteca durante 30 días. Se considera el nivel de significancia de 0.05

Datos:

Día Usuarios Día Usuarios Día Usuario

1 356 11 305 21 429

2 427 12 413 22 376

3 387 13 391 23 328

4 510 14 380 24 411

5 288 15 382 25 397

6 290 16 389 26 365

7 320 17 405 27 405

8 350 18 293 28 369

9 403 19 276 29 429

10 329 20 417 30 364

Solución: Se trata de un problema con una media poblacional: muestra grande y desviación
estándar poblacional desconocida.

Paso 01: Seleccionamos la hipótesis nula y la hipótesis alternativa

Ho: μ═350

Ha: μ≠ 350

Paso 02: Nivel de confianza o significancia 95%

α═0.05

Paso 03: Calculamos o determinamos el valor estadístico de prueba

De los datos determinamos: que el estadístico de prueba es t, debido a que el numero de

muestras es igual a 30, conocemos la media de la población, pero la desviación estándar de
la población es desconocida, en este caso determinamos la desviación estándar de la
muestra y la utilizamos en la formula reemplazando a la desviación estándar de la
población.

Calculamos la desviación estándar muestral y la media de la muestra empleando Excel, lo

cual se muestra en el cuadro que sigue.

Columna1

Media 372.8

Error típico 9.56951578

Mediana 381

Moda 405
Desviación estándar 52.4143965

Varianza de la muestra 2747.26897

Curtosis 0.36687081

Coeficiente de asimetría 0.04706877

Rango 234

Mínimo 276

Máximo 510

Suma 11184

Cuenta 30

Nivel de confianza (95.0%) 19.571868

Paso 04: Formulación de la regla de decisión.

La regla de decisión la formulamos teniendo en cuenta que esta es una prueba de dos colas,
la mitad de 0.05, es decir 0.025, esta en cada cola. el área en la que no se rechaza Ho esta
entre las dos colas, es por consiguiente 0.95. El valor critico para 0.05 da un valor de Zc =
1.96.

Por consiguiente la regla de decisión: es rechazar la hipótesis nula y aceptar la hipótesis

alternativa, si el valor Z calculado no queda en la región comprendida entre -1.96 y +1.96.
En caso contrario no se rechaza la hipótesis nula si Z queda entre -1.96 y +1.96.

Paso 05: Toma de decisión.

En este ultimo paso comparamos el estadístico de prueba calculado mediante

el Software Minitab que es igual a Z = 2.38 y lo comparamos con el valor critico de Zc =
1.96. Como el estadístico de prueba calculado cae a la derecha del valor critico de Z, se
rechaza Ho. Por tanto no se confirma el supuesto del Jefe de la Biblioteca.

Tipos de errores

Cualquiera sea la decisión tomada a partir de una prueba de hipótesis, ya sea de

aceptación de la Ho o de la Ha, puede incurrirse en error:

 Un error tipo I se presenta si la hipótesis nula Ho es rechazada cuando es

verdadera y debía ser aceptada. La probabilidad de cometer un error tipo I se
denomina con la letra alfa α

 Un error tipo II, se denota con la letra griega β se presenta si la hipótesis nula es
aceptada cuando de hecho es falsa y debía ser rechazada.

Ejemplo de error de tipo I y tipo II

Para entender la interrelación entre los errores de tipo I y tipo II, y para determinar cuál
error tiene consecuencias más graves para su situación, considere el siguiente ejemplo.

Un investigador médico desea comparar la efectividad de dos medicamentos. Las hipótesis

nula y alternativa son:

Hipótesis nula (H0): μ1= μ2

Los dos medicamentos tienen la misma eficacia.

Hipótesis alternativa (H1): μ1≠ μ2

Los dos medicamentos no tienen la misma eficacia.

Un error de tipo I se produce si el investigador rechaza la hipótesis nula y concluye que los
dos medicamentos son diferentes cuando, en realidad, no lo son. Si los medicamentos
tienen la misma eficacia, el investigador podría considerar que este error no es muy grave,
porque de todos modos los pacientes se beneficiarían con el mismo nivel de eficacia
independientemente del medicamento que tomen. Sin embargo, si se produce un error de
tipo II, el investigador no rechaza la hipótesis nula cuando debe rechazarla. Es decir, el
investigador concluye que los medicamentos son iguales cuando en realidad son diferentes.
Este error puede poner en riesgo la vida de los pacientes si se pone en venta el
medicamento menos efectivo en lugar del medicamento más efectivo.

Cuando realice las pruebas de hipótesis, considere los riesgos de cometer errores de tipo I y
tipo II. Si las consecuencias de cometer un tipo de error son más graves o costosas que
cometer el otro tipo de error, entonces elija un nivel de significancia y una potencia para la
prueba que reflejen la gravedad relativa de esas consecuencias.

Ejemplo:

Un fabricante de pintura de secado rápido afirma que el tiempo de secado de la misma es

de 20 min. El comprador diseña el siguiente experimento: pinta 36 tableros y decide
rechazar el producto si el promedio de tiempo de secado de los mismos supera =2.4 min, se
pregunta cuál es la probabilidad delos 20.75 min. Si por experiencia rechazar la partida
aún perteneciendo a una población con media de 20 min.

La probabilidad de que el promedio de las muestras exceda 20.75 min a causa del azar se
calcula del siguiente modo

con esta abscisa, se calcula la probabilidad (área hacia la derecha), resultando 0.0304.
Gráficamente
Este gráfico está hecho sobre valores reales, no normalizados. Para los cálculo se
usan estos últimos cuando se trabaja con tablas.
Entonces, la probabilidad de rechazar erróneamente la hipótesis =20 min es de
aproximadamente 0.03, o bien 3%.
Supóngase ahora que la media real del tiempo de secado es =21 min. Luego, la
probabilidad de obtener una media muestral menor o igual que 20.75 (y por lo tanto
equivocarse en la aceptación) está dada por:

lo que lleva a un área (hacia la izquierda) de 0.2660. Es decir: la probabilidad de

equivocarse al aceptar =20 (a pesar de ser =21) es del 26.6%. Gráficamente:
 Niveles de Significación.

Al contrastar una cierta hipótesis, la máxima probabilidad con la que estamos dispuesto a
correr el riesgo de cometerán error de tipo I, se llama nivel de significación.

Esta probabilidad, denota a menudo por se, suele especificar antes de tomar la muestra, de
manera que los resultados obtenidos no influyan en nuestra elección.

En la práctica, es frecuente un nivel de significación de 0,05 ó 0,01, si bien se une otros

valores. Si por ejemplo se escoge el nivel de significación 0,05 (ó 5%) al diseñar una regla
de decisión, entonces hay unas cinco (05) oportunidades entre 100 de rechazar la hipótesis
cuando debiera haberse aceptado; Es decir, tenemos un 95% de confianza de que hemos
adoptado la decisión correcta. En tal caso decimos que la hipótesis ha sido rechazada al
nivel de significación 0,05, lo cual quiere decir que tal hipótesis tiene una probabilidad
0,05 de ser falsa.

La diferencia entre un estadístico de muestra y un valor hipotético es estadísticamente

significativa si una prueba de hipótesis indica que es muy poco probable que la misma
haya ocurrido en virtud de las probabilidades. Para evaluar la significancia estadística,
examine el valor p de la prueba. Si el valor p está por debajo de un nivel de significancia
(α) especificado (generalmente 0.10, 0.05 o 0.01), usted puede decir que la diferencia es
estadísticamente significativa y rechazar la hipótesis nula de la prueba.

Por ejemplo, supongamos que usted desea determinar si el grosor de unos parabrisas de
vehículo supera los 4 mm, tal como lo exigen las normas de seguridad. Usted toma una
muestra de parabrisas y realiza una prueba t de 1 muestra con un nivel de significancia (α)
de 0.05 y plantea las hipótesis siguientes:

 H0: μ = 4

 H1: μ > 4

Si la prueba produce un valor p de 0.001, usted declara significancia estadística y rechaza

la hipótesis nula, porque el valor p es menor que α. Usted concluye a favor de la hipótesis
alternativa: que el grosor de los parabrisas es mayor que 4 mm.
Sin embargo, si el valor p es igual a 0.50, usted no puede declarar significancia estadística.
No tiene suficiente evidencia para afirmar que el grosor promedio de los parabrisas es
mayor de 4 mm.

Un resultado estadísticamente significativo podría no ser significativo desde el punto de

vista práctico

La significancia estadística por sí sola no implica que los resultados tengan una
consecuencia práctica. Si utiliza una prueba con una potencia muy alta, podría concluir que
una pequeña diferencia con respecto al valor hipotético es estadísticamente significativa.
Sin embargo, esa pequeña diferencia podría ser insignificante para su situación. Debe usar
su conocimiento especializado para determinar si la diferencia es significativa desde el
punto de vista práctico.

Por ejemplo, supongamos que usted está evaluando si la media de la población (μ) para las
horas trabajadas en una planta de manufactura es igual a 8. Si μ no es igual a 8, la potencia
de la prueba se acercará a 1 a medida que aumente el tamaño de la muestra y el valor p se
acerque a 0.

Con suficientes observaciones, es probable que incluso las diferencias triviales entre los
valores hipotéticos y reales de los parámetros se vuelvan significativas. Por ejemplo,
supongamos que el valor real de mu es 7 horas, 59 minutos y 59 segundos. Con una
muestra lo suficientemente grande, lo más probable es que usted rechace la hipótesis nula
de que μ es igual a 8 horas, aunque la diferencia no tenga importancia práctica.

Prueba Estadística

Cuando se analizan datos medidos por una variable cuantitativa continua, las pruebas
estadísticas de estimación y contraste frecuentemente empleadas se basan en suponer que
se ha obtenido una muestra aleatoria de una distribución de probabilidad de tipo normal o
de Gauss. Pero en muchas ocasiones esta suposición no resulta válida, y en otras la
sospecha de que no sea adecuada no resulta fácil de comprobar, por tratarse de muestras
pequeñas.
En estos casos disponemos de dos posibles mecanismos: Los datos se pueden transformar
de tal manera que sigan una distribución normal O bien se puede acudir a pruebas
estadísticas que no se basan en ninguna suposición en cuanto a la distribución de
probabilidad a partir de la que fueron obtenidos los datos, y por ello se denominan pruebas
no paramétricas (distribución free), mientras que las pruebas que suponen una distribución
de probabilidad determinada para los datos se denominan pruebas paramétricas.

1) Pruebas no Paramétricas:

Las pruebas estadísticas no paramétricas son las que, a pesar de basarse en determinadas
suposiciones, no parten de la base de que los datos analizados adoptan una distribución
normal.

Técnica estadística que no presupone ninguna distribución de probabilidad teórica de la

distribución de nuestros datos.

Se denominan pruebas no paramétricas aquellas que no presuponen una distribución de

probabilidad para los datos, por ello se conocen también como de distribución libre
(distribución free). En la mayor parte de ellas los resultados estadísticos se derivan
únicamente a partir de procedimientos de ordenación y recuento, por lo que su base lógica
es de fácil comprensión. Cuando trabajamos con muestras pequeñas (n < 10) en las que se
desconoce si es válido suponer la normalidad de los datos, conviene utilizar pruebas no
paramétricas, al menos para corroborar los resultados obtenidos a partir de la utilización de
la teoría basada en la normal.

En estos casos se emplea como parámetro de centralización la mediana, que es aquel punto
para el que el valor de X está el 50% de las veces por debajo y el 50% por encima.

Las pruebas no paramétricas no requieren asumir normalidad de la población y en su

mayoría se basan en el ordenamiento de los datos, la población tiene que ser continua.

El parámetro que se usa para hacer las pruebas estadísticas es la Mediana y no la Media.

Son técnicas estadísticas que no presuponen ningún modelo probabilístico teórico.

Son menos potentes que las técnicas paramétricas, aunque tienen la ventaja que se pueden
aplicar más fácilmente.

2) Pruebas Paramétricas:

Las pruebas estadísticas paramétricas, como la de la “t” de Student o el análisis de la

varianza (ANOVA), se basan en que se supone una forma determinada de la distribución
de valores, generalmente la distribución normal, en la población de la que se obtiene la
muestra experimental.

En contraposición de la técnicas no paramétricas, las técnicas paramétricas si presuponen

una distribución teórica de probabilidad subyacente para la distribución de los datos.

Son más potentes que las no paramétricas.

Dentro de las pruebas paramétricas, las más habituales se basan en la distribución de

probabilidad normal, y al estimar los parámetros del modelo se supone que los datos
constituyen una muestra aleatoria de esa distribución, por lo que la elección del estimador
y el cálculo de la precisión de la estimación, elementos básicos para construir intervalos de
confianza y contrastar hipótesis, dependen del modelo probabilístico supuesto.

Cuando un procedimiento estadístico es poco sensible a alteraciones en el modelo

probabilístico supuesto, es decir que los resultados obtenidos son aproximadamente válidos
cuando éste varía, se dice que es un procedimiento robusto.

3) Análisis de la Varianza (ANOVA)

ANOVA son siglas para el análisis de la Variación (ANalysis Of VAriance).

Un ANOVA segrega diversas fuentes de la variación vistas en resultados experimentales.

Conjunto de técnicas estadísticas para conocer el modo en que el valor medio de una
variable es afectado por diferentes tipos de clasificaciones de los datos. Con el análisis de
la varianza se pueden ajustar las estimaciones del efecto de un tratamiento según otros
factores como sexo, edad, gravedad, etc.

Es una técnica estadística que sirve para decidir/determinar si las diferencias que existen
entre las medias de tres o más grupos (niveles de clasificación) son estadísticamente
significativas. Las técnicas de ANOVA se basan en la partición de la varianza para
establecer si la varianza explicada por los grupos formados es suficientemente mayor que
la varianza residual o no explicada.

El análisis de la varianza (ANOVA) es una técnica estadística de contraste de hipótesis.

Tradicionalmente estas técnicas, conjuntamente con las técnicas de regresión lineal
múltiple, de las que prácticamente son una extensión natural, marcan el comienzo de las
técnicas multivariantes. Con estas técnicas se manejan simultáneamente más de dos
variables, y la complejidad del aparato matemático se incrementa proporcionalmente con el
número de variables en juego.

El análisis de la varianza de un factor es el modelo más simple: una única variable nominal
independiente, con tres o más niveles, explica una variable dependiente continua.

Otra alternativa, que aparentemente es más lógica e intuitiva, consiste en comparar, en

todas las posibles combinaciones de dos en dos, las medias de todos los subgrupos
formados.

En el ANOVA se comparan medias, no varianzas: medias de los subgrupos o estratos

originados por los factores de clasificación estudiados.

Un ANOVA entonces prueba si la variación asociada a una fuente explicada es grande

concerniente a la variación inexplicada.

Si ese cociente (la estadística de F) es tan grande que la probabilidad que ocurrió por
casualidad es baja (por ejemplo, P<=0.05), podemos concluir (en ese nivel de la
probabilidad) que esa fuente de la variación tenía un efecto significativo.
Condiciones generales de aplicaciôn.

a- Independencia de los errores i

Los errores experimentales han de ser independientes se consigue si los sujetos son
asignados aleatoriamente. es decir, se consigue esta condición si los elementos de los
diversos grupos han sido elegidos por muestreo aleatorio

b- Normalidad

Se supone que los errores experimentales se distribuyen normalmente. lo que supone que
cada una de las puntuaciones yi.i se distribuirá normalmente. para comprobarlo se puede
aplicar un test de ajuste a la distribución normal como et de kolmogov-smirnov.

c- Homogeneidad de varianzas (homoscedasticidad).

la varianza de los subgrupos ha de ser homogénea σ21 = σ22 = …..= σ2k ya que están
debidas al error. se comprobarán mediante los test de: razón de varianzas (máx. /min), c de
cochran, barlett-box…

4) Análisis de la covarianza (ancova)

Método de análisis estadístico que es una extensión del análisis de la varianza, que permite
ajustar los estimadores del efecto de un tratamiento según posibles covariables y factores.
es una técnica estadística que combina anova (pues compara medias entre grupos) y
análisis de regresión (ajusta las comparaciones de las medias entres los grupos por
variables continuas o covariables)

5) Análisis de regresión

En un conjunto de datos sobre la variable dependiente y sobre una o más variables

independientes,pruebas-estadisticas-ensayos-clinicos_clip_image002 , consiste en
determinar el modelo matemático más ajustado que describa y como una función de las x o
para predecir y a partir de las x.

los tipos más corrientes son el modelo lineal y el modelo logístico.

6) análisis por protocolo

En un ensayo clínico, análisis de los datos según el tratamiento tomado, en contraposición

al análisis por intención de tratar, que se realiza según el tratamiento asignado en el
proceso de asignación aleatoria. el análisis por protocolo tiende a medir la eficacia de la
intervención, para cuya evaluación conviene incluir sólo a los pacientes que han estado
realmente expuestos a los tratamientos planificados.
Ejemplos:

Un fabricante de cierta marca de cereal de arroz afirma que el contenido promedio de grasa
saturada no excede a 1.5 gramos por porción. Plantee las hipótesis nula y alternativa que se
utilizarán para probar esta afirmación y establezca en dónde se lo caliza la región crítica. Solución:
La afirmación del fabricante se rechazará sólo si μ es mayor que 1.5 miligramos y no se rechazará
si μ es menor o igual que 1.5 miligramos. Entonces, probamos H0 : μ = 1.5, H1 : μ > 1.5. El hecho
de no rechazar H0 no descarta valores menores que 1.5 miligramos. Como tenemos una prueba
de una cola, el símbolo mayor indica que la región crítica reside por com pleto en la cola derecha
de la distribución de nuestro estadístico de prueba X - .