INGENIERÍA EN

BIOTECNOLOGIA AMBIENTAL

9 "A"

BIOMETRÍA Y DISEÑOS UNIDAD 2

EXPERIMENTALES Diseños Experimentales

Presentado por:
Raúl Benavides Lara Ph.D.

Clase No.7
Riobamba
Marzo – Julio 2019
CONTENIDOS DE LA CLASE:

Prueba de Hipótesis para un tratamiento

• Las pruebas de hipótesis
• Planteamiento de una hipótesis estadística
• Prueba para varios parámetros
‒ La media (con Varianza desconocida y conocida)
‒ La varianza
‒ La proporción
Prueba de Hipótesis para dos tratamientos
• Prueba para varios parámetros
‒ Dos medias (con Varianza desconocida y conocida)
‒ Dos varianzas
‒ Dos proporciones
‒ Pruebas pareadas
 LA PRUEBA DE HIPÓTESIS
• Una investigación experimental, en general tiene como objetivo,
responder de forma segura a ciertas preguntas o es útil para tomar
decisiones.
• El experimentador a priori tiene ciertas creencias o hipótesis que desea
comprobar, eje:

- El porcentaje de este
insecticida… afecta el resultado
de la mezcla
- El tiempo de espera para la
reacción es de tres horas, en
promedio.
- Si aumentamos en 10ml la
cantidad de reactivo … se elimina
el problema.

3
 Pasos del Modelo de Prueba Estadística

1 Formulación de la Hipótesis de nulidad (Ho)

2 Formulación de la Hipótesis alternativa (Ha)

3 Estadístico de la prueba y nivel de significación

(valor que define si Ho se ubica en zona de
aceptación o rechazo)

4 Cálculo del valor empírico del estadístico de la

prueba (valor que ubica la zona de aceptación
o rechazo) .

5 Decisión estadística de aceptar o rechazar la

hipótesis de nulidad.

4
 “Es una afirmación sobre los valores
1) y 2) Planteamiento de de los parámetros de una población o
proceso, que son susceptibles de
una Hipótesis
probarse a partir de la información
estadística contenida en una muestra
representativa..”

• Comúnmente se plantea como una igualdad

• En general, la estrategia a seguir …es probar que Ho es verdadera
• Ho es verdadera mientras no se demuestre lo contrario.
Ej. 1: el experimento tuvo una proporción de
muestras defectuosos en un 8%
• En este caso en términos de proporción (p) es: Hipótesis nula → HO : p
= 0.08
Hipótesis alternativa → HA : p < 0.08 (unilateral)
→ HA : p ≠ 0.08 (de dos lados – bilateral)

• En el caso de ser rechazada HO, por la evidencias que aportan los datos,
se acepta la hipótesis alternativa HA
5
 3) Estadístico de Prueba
• Planteada la hipótesis, se toma una muestra aleatoria de la población de
estudio o se obtienen datos de un experimento planeado de acuerdo con
esta.

Estadístico de prueba: Número

calculado a partir de los datos y de
Ho, cuya magnitud permite discernir
si se rechaza o no la misma

• El conjunto de valores del estadístico de prueba que llevan a rechazar

Ho, se llama región o intervalo de rechazo para la prueba,
• A los posibles valores donde no se rechaza Ho se llama región o
intervalo de aceptación

6
4) Criterio de Rechazo
• El estadístico de prueba, construido bajo el
supuesto de que Ho es verdad, es una
variable aleatoria con distribución conocida.

• Si efectivamente Ho es verdad, el valor del

estadístico de prueba debería caer dentro
del rango de valores más probables de su
distribución asociada (región de
aceptación).

• Si cae en una de las colas de su distribución,

fuera del rango de valores más probables
(región de rechazo), se evidencia que este
valor no pertenece a dicha distribución.

• De aquí se deduce que debe estar mal el

supuesto bajo el cual se construyó, es decir,
Ho debe ser falsa.

7
 Pruebas de UNA y de DOS colas
(unilaterales y bilaterales)
La ubicación de la región o intervalo de rechazo depende de si la
hipótesis es bilateral o unilateral

• Si la hipótesis planteadas son unilaterales por

ejemplo se rechaza Ho si Zo > Zα o Zo < –Zα;
• Si las hipótesis están dadas por las relaciones
bilaterales; se rechaza Ho si |Zo|>Zα/2.

8
 EL RIESGO DE UNA DECISIÓN EQUIVOCADA:
ERROR TIPO I Y II
• Probar una hipótesis estadística es una decisión probabilística, por lo que
existe el riesgo de cometer un error tipo I o un error tipo II.

• La probabilidad del Error Tipo I (α=0.05 o

0.01), es: la proporción de área en la región
de rechazo, que se darían en el caso de que
la Ho fuera verdadera.
• La probabilidad de ocurrencia del Error Tipo
II (ß), es el valor estadístico en la región de
rechazo bajo el supuesto que HA sea
verdadera. Potencia = 1- ß
9
• Si la acción a tomar implica mayor seguridad (inversión grande de
recursos), se puede utilizar α=0.01 para mayor confianza en la decisión;
de lo contrario, es suficiente trabajar con α = 0.05.
• Utilizar α = 0.05 significa que por cada 100 muestras independientes que
se le aplica el procedimiento y se rechaza Ho, se espera que en un
promedio de 95 veces, la decisión sea la correcta.
• Por lo general, en pruebas de hipótesis se especifica el valor de α (la
probabilidad del error tipo I se controla directamente), y se diseña la
prueba de tal forma que el valor de β sea pequeño (el error tipo II se
controla de manera indirecta con el tamaño de la muestra, con una
muestra grande β será menor)

10
 PRUEBA PARA LA MEDIA
• Cuando se estudia el comportamiento de un proceso o un fenómeno
suelen interesar su media y varianza (o desviación estándar).
• En particular, al estudiar la media µ, es de interés indagar si ésta es igual,
mayor o menor a cierto valor µo (número conocido).
• Eje: se puede investigar si el promedio µ de la altura de un espécimen es
igual, mayor o menor que el del otro tratamiento µo. planteando una
hipótesis estadística adecuada.
• Las hipótesis se pueden probar suponiendo la varianza poblacional σ2 es
conocida o no; pero en la mayoría de los problemas es irreal suponer
esto, generalmente se utiliza el caso de σ2 desconocida.

11
Varianza desconocida

12
PRUEBA PARA LA VARIANZA

PRUEBA PARA LA PROPORCIÓN

13
CRITERIOS DE RECHAZO O ACEPTACIÓN EQUIVALENTES
1) Estadístico de prueba frente a valor crítico
• Consiste en rechazar Ho si el estadístico de prueba cae en la región de
rechazo que está delimitada por el valor crítico.
• Este método (tradicional) es el que da menos información adicional acerca de
la decisión tomada.

2) Significancia observada frente a significancia

predefinida
• Criterio mejor que el anterior
• La significancia predefinida (α), riesgo máximo que experimentador está
dispuesto a correr por rechazar Ho indebidamente (error tipo I).
• Significancia observada (calculada), se conoce como p-value o valor-p,
es el área bajo la distribución de referencia más allá del valor del
estadístico de prueba
• Por ejemplo en la prueba T bilateral, el área bajo la curva fuera del intervalo
[–to, +to], es decir: Valor-p = P(T < –to) + P(T > + to)
T = variable de una distribución T de Student con n – 1
grados de libertad.
14
• Si la prueba es unilateral de cola
derecha (izquierda), la
significancia observada es el área
bajo la curva de la distribución a
la derecha (izquierda) de to.
• Por lo tanto, Ho se rechaza si la
significancia observada es menor
que la significancia dada, o sea, si
valor-p < α.
• Si el valor-p > α, se acepta Ho

3) Intervalo de confianza
• En este método se rechaza Ho si el valor del parámetro declarado en la
hipótesis nula se encuentra fuera del intervalo de confianza para el mismo
parámetro.

15
HIPÓTESIS PARA COMPARACIÓN DE DOS TRATAMIENTOS
• Un problema frecuente de investigación, es comparar la media de dos
procesos, tratamientos, materiales, especímenes, máquinas o métodos
de trabajo.
• Si interesa comparar dos tratamientos A y B (2 maquinas que realizan la
misma operación) Para ello se debe obtener una muestra aleatoria de
observaciones de cada tratamiento (máquina).

• Para una comparación justa, la materia prima utilizada por las máquinas
se debe asignar de forma aleatoria, a igual que las 2n pruebas o corridas
(No es adecuado realizar primero todas las pruebas de la máquina A y
luego en la B, eso sesga la comparación)
• Con estas condiciones, se puede estadísticamente compararlas

16
Hipótesis para la Media con Suposición de Varianzas
Desconocidas, pero Iguales.
• Sean dos (2) tratamientos con medias μx y μy y varianzas σx2 y σy2
• Determinar si las medias pueden considerarse estadísticamente
iguales.
HO : μx = μy
• Para ello se plantean las siguientes hipótesis:
HA : μx ≠ μy

• Que se pueden reescribir como: Hipótesis nula → HO : μx – μy = 0

Hipótesis alternativa → HA : μx – μy ≠ 0

• Para probar Ho se toman dos muestras

aleatorias, de tamaño nx y ny la del proceso X y
Y respectivamente.
• Es recomendable que nx = ny = n (balanceado),
pero en casos se puede trabajar con nx ≠ ny
• Si cada proceso sigue una distribución normal y
Ẋ−Ȳ
son independientes entre ellos, el estadístico de 𝒕𝒐 =
prueba adecuado está dado por: 𝟏 𝟏
𝑺𝒑 𝒏 + 𝒏
𝒙 𝒚 17
• El cual sigue una distribución t de Student con nx + ny – 2 grados de
libertad, donde 𝑺𝒑𝟐, es un estimador de la varianza muestral común,
suponiendo que dichas varianzas desconocidas sean iguales, y se
calcula:
𝒏 − 𝟏 𝑺 𝟐 + 𝒏 − 𝟏 𝑺𝟐
𝒙 x 𝒚 y
𝑺𝒑 𝟐 =
𝒏𝒙 + 𝒏𝒚 − 𝟐

• S2x y S2y son las varianzas muestrales de los datos de cada proceso.
• Se rechaza Ho si |to| > tα/2, donde tα/2 es el punto α/2 de la cola derecha
de la distribución t de Student con nx + ny – 2 grados de libertad.
• Cuando la hipótesis alternativa es de la forma:
HA : μx > μy HA : μx < μy
HO : μx = μy HO : μx = μy

• Se rechaza Ho si to > tα o si to < –tα (unilateral)

• En forma equivalente, se rechaza Ho si el valor-p < α para la pareja de
hipótesis de interés.

18
 Hipótesis para la Media con Suposición de Varianzas
Desconocidas y Desiguales
• En la mayoría de ocasiones las varianzas no son iguales, y-o no
existen datos históricos sobre los dos tratamientos que permitan
suponer esto.
• Por ejemplo: al comparar dos proveedores de un mismo material puede
no haber razones para suponer que las varianzas sean iguales o
parecidas (estadísticamente).
• Si no se supone igualdad de varianzas, el estadístico de prueba para
Ho: μx = μy está dado por: 𝒕 = Ẋ − Ȳ
𝒐
𝑺𝟐𝑿 𝑺𝟐𝒚
+
𝒏𝒙 𝒏𝒚
• Que sigue aproximadamente una distribución t de Student, cuyos
grados de libertad Ѵ (nu) se calculan mediante la relación:
𝑺𝟐𝒙 𝑺𝟐𝒚 𝟐
+
𝒏𝒙 𝒏𝒚 Como antes, se rechaza Ho
Ѵ= 𝟐 - 2
𝑺𝟐 𝒙 𝟐 𝑺𝟐 𝒚
𝒏𝒙 𝒏𝒚 si |to| > tα/2, Ѵ (bilateral) o si el
+ valor-p < α
𝒏𝒙 +𝟏 𝒏𝒚 +𝟏 19
Hipótesis para la Media con Suposición se Varianzas
Conocidas

20
 Prueba para la Igualdad de Varianzas
• Para no suponer en la prueba de medias, que las varianzas son iguales o
diferentes, se puede verificarlo de manera estadística mediante las
hipótesis:
Hipótesis nula → HO : σ2x = σ2y
Hipótesis alternativa → HA : σ2x ≠ σ2y

• La comparación de varianzas tiene mucho interés, ya que son

determinantes en cualquier proceso o tratamiento. En general una menor
varianza, implica potencialmente mejor calidad.
• El planteamiento de la hipótesis se puede reescribir como:
Hipótesis nula → HO : σ2x /σ2x= 1
Hipótesis alternativa → HA: σ 2x /σ2y ≠ 1

• El estadístico de prueba es: s2x

𝑭𝒐 = 2
sy
• Por ejemplo, se rechaza Ho si Fo > Fα con nx – 1 grados de libertad en
el numerador y ny – 1 grados de libertad en el denominador (unilateral).
O el valor-p < α
21
 Comparación de Proporciones
• Una situación de frecuente interés es investigar la igualdad de las
proporciones de dos tratamientos, es decir, se requiere probar la
siguiente hipótesis: Hipótesis nula →H :p =p
O 1 2
Hipótesis alternativa → HA : p1 ≠ p2

• Donde p1 y p2 son las proporciones de cada una de las poblaciones o

tratamientos
• Para ello, bajo el supuesto de distribución binomial, el estadístico de
prueba es: p ^1 − p ^2
𝒁𝒐 =
𝟏 𝟏
p ^ 𝟏 − p ^ 𝒏𝟏 + 𝒏𝟐
𝒙𝟏 + 𝒙𝟐
donde: p^=
𝒏𝟏 + 𝒏𝟐

• Se rechaza Ho, si |Zo| > Zα/2. (bilateral)

• En caso de que la hipótesis alterativa fuera unilateral, entonces Zo se
compara con Zα. 22
 Comparación de Medias para Poblaciones Pareadas
(Muestras Dependientes)
• Los casos anteriores consideran que la muestra a la que se le aplica el tratamiento
1 es independiente de la muestra para el tratamiento 2, y los datos se obtienen en
orden completamente al azar, para evitar sesgo que pudiera favorecer a uno de los
tratamientos.
• Sin embargo, en algunas situaciones experimentales no es conviene o posible tomar
muestras independientes, sino que lo mejor es tomar muestras pareadas (los datos
de ambos tratamientos se obtienen por pares o tienen algo en común).
Ejemplo: - En un caso de los pacientes: el apareamiento consiste en que el grupo
de pacientes que recibe el medicamento A es el mismo grupo que recibe
el B, por lo que las mediciones del efecto de los mismos sobre el mismo
paciente están relacionadas, y en este sentido no son independientes.
- A la misma unidad experimental o espécimen de prueba se le apliquen
los tratamientos a comparar.
- A los mismos pacientes se les aplican dos medicamentos (tratamientos)
para el dolor en distintas ocasiones; los tratamientos a comparar son los
dos medicamentos.
- A las mismas piezas se les hace una prueba de dureza con distintos
instrumentos; aquí se quieren comparar los instrumentos.
23
• El problema de comparar las medias de dos poblaciones pareadas
se convierte en comparar la media de una población con una
constante.
• Este es un caso particular del estadístico para una media, cuando
μo = 0, con la muestra de n diferencias (d1, d2, …, dn), utilizando el
estadístico dado por:
đ
to =
𝑆𝐷 / 𝑛

• Donde: đ = promedio muestral de las diferencias,

SD = desviación estándar muestral de tales diferencias, y
n = tamaño de la muestra.
• Ho se rechaza si |to| > tα/2, n – 1, (bilateral) o si valor-p < α.

24
25
26
Ejemplo 1: Un experimento de una proporción con
muestras defectuosos en un 8%
1 y 2) Planteamiento de una hipótesis estadística
• En este caso en términos de proporción (p) es:
Hipótesis nula → HO : p = 0.08
Hipótesis alternativa → HA : p < 0.08 (unilateral)
→ HA : p ≠ 0.08 (de dos lados – bilateral)
3) Estadístico de Prueba
( proporción_ observada) − ( proporción_ H 0 )
z=
sp
pˆ − 𝒑
𝒁𝒐 =
𝒑 𝟏−𝒑
𝒏
Para la hipótesis Ho=0.08, Se tiene el supuesto que la muestra es n=150, de ellas
x=20 son defectuosas, entonces el valor de la proporción es pˆ = x/n = 0.13.

27
 0.13 − 𝟎. 𝟎𝟖 • En este caso, el valor estadístico es Zo =
𝐙𝐨 = 2.257~2,26
𝟎, 𝟎𝟖 𝟏 − 𝟎, 𝟎𝟖
𝟏𝟓𝟎 • Con este valor se establece si existe una
diferencia suficiente para rechazar o no Ho
(p=0.08).
• Para probar la hipótesis bilateral con un nivel
de confianza del 95%, con los valores de Zα/2
= 1.96; y Zo = 2.26, entonces
• |Zo|>Zα/2. (2.26 > 1.96); por lo tanto, se
rechaza Ho: p=0.08.

• Si se tuviere x = 20 defectos, se tuvieran x =

15, entonces pˆ = 0.10.
• Al calcular Zo, con n=150, se obtiene un
valor de 0.90, que no es mayor que
Zα/2=1.96.
• De aquí que no se rechace Ho: p=0.08.
• En este (pˆ=0.10) no hay evidencia suficiente
en contra de Ho : p = 0.08.

28
Ejemplo 2: Media con varianza desconocida
Un investigador precisa de muestras de tierras. según los proveedores, las mismas
tienen un peso medio de 50.1 kg, con una varianza de σ2 = 0.5. Pero se sospecha
que el peso medio es menor. Confirmar su sospecha contrastando hipótesis, con un
nivel de significancia de 5% (α = 0.05).
Hipótesis nula → HO : μ = 50.1
Hipótesis alternativa → HA : μ < 50.1
Para ello, selecciona de manera aleatoria tres bultos de cada uno de los siguientes
cinco pedidos. Pesa los 15 bultos y obtiene que Ẋ= 49.4 y S2 = 1.2. De esta
manera, el estadístico de prueba calculado de acuerdo con la expresión
(Ẋ−𝝁𝑶) 15 49,4−50,1
𝒕o = = 1,2
= -2,47
𝑺/ 𝒏

• En la tablas T de Student con n – 1 = 14 grados de

libertad, para α = 0.05, se lee el valor crítico t0.05, 14 = 1.76.

• Como to < - tα (-2.47 < –1.76) se rechaza la hipótesis Ho

• Es por esto, que se rechaza la afirmación de que las

muestras tienen un peso medio de 50.1; evidenciando
además que es menor al valor declarado.
29
Ejemplo 3: Prueba de una Varianza
En el ejemplo 2 del peso de la muestra, a simple vista se puede notar que la
varianza σ2=0.5, declarada por el proveedor, es bastante diferente a la muestral
S2=1.2, lo cual lleva a sospechar que su afirmación es falsa.

El hecho de que los dos números sean distintos no significa que sean
estadísticamente diferentes, de aquí la necesidad de contrastar o probar las
hipótesis:
Hipótesis nula → HO : σ2 = 0.5
Hipótesis alternativa → HA : σ2 > 0.5 (unilateral)

Esta hipótesis es un caso

Hipótesis nula → HO : σ2 = σo2
particular donde σo2 es un valor
conocido (0.5 en el ejemplo). Hipótesis alternativa → HA : σ2 > σo2

Para probar esta hipótesis, se (𝑛−1)𝑆2 (15−1)1.2

prueba el Estadístico de Xo2 = σ𝒐𝟐 Xo2 = 𝟎.𝟓 = 33,6
Prueba
n= tamaño de la muestra

30
• Si Ho es verdadera Xo2 sigue una
distribución ji-cuadrada con n-1 grados de
libertad.

• Se rechaza Ho si Xo2 > X2 α,n-1 (punto

crítico de la tabla ji-cuadrada) o Xo2 < X2 1-
α,n-1

• Bajo el supuesto de normalidad, en la tabla

de distribución ji-cuadrada con 14 grados
de libertad se lee X 2 α,n-1, X20,05,14 = 23.68.

• Como X2o = 33.6 > X20,05 = 23.68 se rechaza

Ho y se acepta la hipótesis unilateral HA
(véase figura).

• Es decir, la varianza reportada por el

proveedor para el peso de las muestras es
falsa y, en realidad, la variabilidad es
mayor.
• Si es bilateral se rechaza Ho
si Xo2 >X 2 α/2,n-1 o X2o < X 2 1- α /2,n-1
31
Ejemplo 4: Calculo del valor –p
Supongamos que tenemos la siguiente muestra
x1=1,5, x2 = 2,0, x3 = 2,5 y queremos calcular H0 : μ = 1,75
el p-valor en el contraste H1 : μ ≠ 1,75
Tenemos que Ẋ=2,0, s=0,5, de manera que el estadístico de contraste es:
Ẋ−𝜇𝑂 2,0−1,75
𝑡o = = = 0,8660
𝑆/ 𝑛 0,5/ 3

p − valor = Pr {|t2| > 0,8660}

Pr {t2 > 0,8660} + Pr {t2 < −0,8660}.

En la tabla de la t-student, en la fila que

corresponde a 2 grados de libertad veremos que
podemos acotar 0,8660 por 0,8165 y 1,8856

0.1 P-value 0,250 0,15 x 1,0195975 = 0,14305456

1,0691

1,8856 0,8660 P-value = 2(0,1+ 0,14305456 = 0,24305456)

0,8165
P-value = 0,48610911 >0.05 no se rechaza

http://www.danielsoper.com/statcalc/calculator.aspx?id=8
32
 Ejemplo 5: Intervalo de Confianza
• En el peso de la muestras, en el caso de hipótesis unilateral sobre la media del
peso de las muestras
Hipótesis nula → HO : μ = 50.1
Hipótesis alternativa → HA : μ < 50.1

• Se debe construir el intervalo al 100 (1 – (2 × 0.05))% = 90% de confianza para

aplicar este criterio con una significancia α/2 = 0.05.
• El intervalo al 90% de confianza para la media μ está dado por
𝑆 49,40 ± 1,76
1.095
= 49,40 ± 0,497
Ẋ ± 𝑡0.05 3,873
𝑛
[48,8 − 49,9]

• Así, con una confianza de 90%, μ está entre 48.9 y 49.9. En tanto, el valor 50.1
declarado en la hipótesis nula no pertenece al intervalo, y está ubicado a la
izquierda de 50.1, por lo tanto, se rechaza la hipótesis Ho.
• Con μ = 50.1, se evidencia que la muestra es de menor peso de lo dicho.
• Este criterio es útil cuando el software proporciona el intervalo de confianza para
el parámetro de interés, pero no provee la prueba de hipótesis correspondiente
33
Ejemplo 6: Comparación de dos centrifugadoras
• La calidad de la pintura látex depende, entre otros del tamaño de la partícula.
• Para medir esta característica se utilizan dos (2) centrifugadoras, y se sospecha
que éstas reportan mediciones distintas para la misma pintura.
• Se decide hacer un estudio que permita comparar las medias y las varianzas
reportadas por los dos equipos; para lo cual, de un mismo lote de pintura se
tomaron 13 lecturas con cada centrifugadora.

• Los resultados :

• Para comparar las medias se plantea la hipótesis de igualdad de medias con la

alternativa bilateral, cual se desea probar con un nivel de significancia de 5%
(α=0.05).
Hipótesis nula → HO : μx = μy
Hipótesis alternativa → HA : μx ≠ μy
34
 Inicialmente se calcula el estadístico de prueba

Ẋ−Ȳ 4684,00 − 4,408,92

𝑡𝑜 = = = 2,04
1 1 1 1
𝑆𝑝 𝑛 + 𝑛 344,06 13 + 13
𝑥 𝑦

• De la tabla de distribución T de Student con 13 + 13 – 2 = 24 grados de libertad, se

obtiene el punto crítico t (0.025, 24) = 2.064.

• Como | to | = 2.04 < 2.064 = tα/2, no se rechaza Ho, y se concluye que las
centrifugadoras A y B reportan en promedio el mismo tamaño de partícula.

• Es decir, las centrifugadoras son estadísticamente iguales en cuanto a sus medias

(aunque su margen es muy estrecho)

Ẋ − Ȳ = 4 684.00 – 4 408.92 = 275.08

• El valor – p= 0,053, como valor – p no es menor (<) que α (0.053 > 0.05) no se
rechaza la hipótesis.

35
Ejemplo 7: Comparación de la medias de dos
centrifugadoras
• En el caso de las centrifugadoras no se pudiera suponer
que las varianzas son iguales.
• El valor del estadístico resulta ser to = 2.04
• Aplicando la fórmula de Ѵ para calcular los grados de
libertad, se obtiene que Ѵ = 26.
• El valor de tα/2, Ѵ es de 2,056; y el valor-p = 0.052.
• Por lo tanto, con α = 0.05, no se rechaza la igualdad de
las medias.
• Ésta es la misma decisión que se obtuvo al suponer
varianzas iguales;
• Observe que los valores de to y el valor-p son
prácticamente iguales que antes.

36
Ejemplo 8: Comparación de dos centrifugadoras
• En el caso de las centrifugadoras Fo = 1,11
• El valor del estadístico resulta ser Fα, nx-1, ny-1 = 2,26
• En https://www.easycalculation.com/es/statistics/f-test-p-
value.php, se determina que el valor-p = 0,85.
• Por lo tanto, con α = 0.05, no se rechaza la hipótesis HO: σ2x = σ2y y
se concluye que las centrifugadoras tienen la misma variabilidad

37
Ejemplo 9: Evaluación de fármacos (proporciones)
• Se integran dos grupos formados por dos muestras aleatorias de n1 =
n2 = 100 personas cada una.
• A cada grupo se le suministra un fármaco diferente.
• Transcurrido el tiempo de prueba se observan x1 = 65 y x2 = 75
personas que se recuperaron con cada fármaco
• Para ver si estas diferencias son significativas a favor del fármaco 2,
se necesita probar la hipótesis de igualdad de proporciones.
𝟔𝟓 𝟕𝟓
p^=
𝟔𝟓+𝟕𝟓
= 0,7 𝟏𝟎𝟎
− 𝟏𝟎𝟎
𝟏𝟎𝟎+𝟏𝟎𝟎 𝒁𝒐 = = 1,543
1 1
0,7 1−0,7 +
100 100

• Se rechaza Ho si |Zo| > Zα/2 – como no se cumple (1,543 > 1,96), no

se rechaza Ho, concluyendo que no hay evidencia suficiente para
afirmar que un fármaco es mejor que el otro.

http://www.elosiodelosantos.com/calculadoras/calculad
ora_distribucion_normal.php

38
Ejemplo 10: Comparación de
dos básculas (pareados).
• Ver si 2 básculas están sincronizadas.
• Para ello, se toma una muestra aleatoria de
10 especímenes y cada uno se pesa en
ambas básculas, cuidando que el orden
sea aleatorio.
• El trabajo lo realiza el mismo operador y los
datos obtenidos se muestran en la tabla
• En este caso tenemos observaciones
pareadas, ya que el peso que registra una
báscula para un espécimen no es Hipótesis nula → HO : μ1 = μ 2
independiente del que registra la otra para Hipótesis alter. → HA : μ 1 ≠ μ 2
el mismo espécimen.
• La comparación de las básculas se puede Entonces, estas hipótesis, en el
evaluar probando la siguiente hipótesis: caso pareado, se plantean de
manera equivalente como
• Donde: μ1= peso promedio poblacional que
mide báscula 1
HO : μD = 0
μ2= peso promedio poblacional que mide
báscula 2 HA : μD ≠ 0
μD= media poblacional de las diferencias 39
 đ
to =
𝑆𝐷 / 𝑛
• Donde: đ = –0.022 es el promedio muestral de las diferencias,
SD = 0.0287 es la desviación estándar muestral de tales diferencias, y
n = tamaño de la muestra. (10)
• Ho se rechaza si |to| > tα/2, n – 1, o si valor-p < α.

• Al hacer los cálculos resulta to= -2,20 y tα/2, n – 1 = 2,26 por lo cual no se
rechaza Ho; y calculando el valor-p = 0.055 que es mayor que α = 0.05, no se
rechaza Ho para este nivel de significancia.
• Es decir, no hay suficiente evidencia en contra de la sincronización de las
básculas. Sin embargo, esta conclusión es bastante endeble dado que el valor-p
es muy similar al valor α.

40