ACTIVIDAD PRUEBA DE HIPOTESIS – Taller 3

Jenny Milena Pardo Padilla ID 598700

Hermeth Pérez Caro

NRC. 4394

Estadística Inferencial

Corporación Universitaria Minuto de Dios

Facultad de Ciencias Económicas y Administrativas

Administración de Empresas

Bogotá D.C.

2018
 TALLER 3
Ejercicios página 360
8. Con los datos del ejercicio 3, se concluiría:

9. conteste si son verdaderas (V) o falsas las siguientes afirmaciones.

a. La “t” de Student se utiliza cuando el tamaño de la muestra es mayor que 30. (F)
b. Si se aumenta el tamaño de la muestra, se puede decir que la distribución “t” se
aproxima a una distribución normal. (V)
c. En la prueba de “t” cuando se trata de diferencias entre medias, se supone que las
varianzas poblacionales de donde provienen son iguales. (V)
d. La distribución “t” es simétrica, y la curva es acampanada. (V)
e. La distribución “t” es más achatada que la normal, y su base es más extendida que la
normal. (V)
10. Si se establece que H˳: μ = 86 kilos y Ηₐ: μ˂ 86 kilos, se aplica una prueba.
Rta: b. unilateral derecha.
11. Los valores extremos cuando se establecen límites de confianza, se les conoce como
Rta: a. Puntos críticos.
12. Cuando se acepta algo falso, se comete
Rta: a. error tipo II.
13. Cuando se realiza una prueba de dos colas, para la diferencia entre dos
proporciones, con el nivel de significación del 5%, con tamaños muestrales mayores
que 30, esto indica que

Rta: C. Ζˢ = 1,96
Ζˢ = - 1,96
14. Con el ejercicio anterior, suponga que al aplicar la formula respectiva (variante
estadística); su resultado fue 1,5. Esto indica que

Rta : a. Se acepta H˳
15. Explique brevemente el significado de los siguientes términos:
a. Prueba de hipótesis.
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.

Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la
hipótesis nula y la hipótesis alternativa. La hipótesis nula es el enunciado que se
probará. Por lo general, la hipótesis nula es un enunciado de que "no hay efecto" o "no
hay diferencia". La hipótesis alternativa es el enunciado que se desea poder concluir que
es verdadero de acuerdo con la evidencia proporcionada por los datos de la muestra.

Con base en los datos de muestra, la prueba determina si se puede rechazar la hipótesis
nula. Usted utiliza el valor p para tomar esa decisión. Si el valor p es menor que el nivel
de significancia (denotado como α o alfa), entonces puede rechazar la hipótesis nula.

b. Nivel de significación.
El nivel de significación (o nivel de α) es un umbral que permite determinar si el
resultado de un estudio se puede considerar estadísticamente significativo después de
realizar las pruebas estadísticas planificadas. El nivel de significación se suele
establecer en un 5% (o 0,05), aunque se pueden usar otros niveles en función del
estudio. Esto representa la probabilidad de rechazar la hipótesis nula cuando es
verdadera. Por ejemplo, un nivel de significación de 0,05 indica un riesgo del 5% de
concluir que existe una diferencia entre los resultados del estudio y la hipótesis nula
cuando en realidad no hay ninguna diferencia.
El nivel de significación se debe especificar en el protocolo del ensayo como parte de la
sección de estadística. La probabilidad de que un resultado se deba al azar en lugar de a
un fármaco u otra intervención investigados, si la hipótesis nula es verdadera (es decir,
si en realidad no hay ninguna diferencia real), se llama «valor p». Un resultado es
estadísticamente significativo si se corresponde con un valor p igual o inferior al nivel
de significación y, por tanto, no se considera una casualidad. Esto se suele expresar
como p ≤ 0,05.
c. Error tipo I.
Si usted rechaza la hipótesis nula cuando es verdadera, comete un error de tipo I. La
probabilidad de cometer un error de tipo I es α, que es el nivel de significancia que
usted establece para su prueba de hipótesis. Un α de 0.05 indica que usted está dispuesto
a aceptar una probabilidad de 5% de estar equivocado al rechazar la hipótesis nula. Para
reducir este riesgo, debe utilizar un valor menor para α. Sin embargo, usar un valor
menor para alfa significa que usted tendrá menos probabilidad de detectar una
diferencia si está realmente existe.
d. Error tipo II.
Cuando la hipótesis nula es falsa y usted no la rechaza, comete un error de tipo II. La
probabilidad de cometer un error de tipo II es β, que depende de la potencia de la
prueba. Puede reducir el riesgo de cometer un error de tipo II al asegurarse de que la
prueba tenga suficiente potencia. Para ello, asegúrese de que el tamaño de la muestra
sea lo suficientemente grande como para detectar una diferencia práctica cuando está
realmente exista.
La probabilidad de rechazar la hipótesis nula cuando es falsa es igual a 1–β. Este valor
es la potencia de la prueba.

e. Prueba unilateral y bilateral.

Al realizar una prueba de hipótesis nuestro interés puede estar en el valor extremo de un
solo lado de la distribución, o en ambos lados. En el primer casi, las pruebas se
denominan unilaterales o de una cola; en el segundo caso se conoce como bilaterales o
de dos colas.
En los ensayos unilaterales la región de rechazo es única a un lado de la distribución
con un área determinada por el valor de α.
En las bilaterales la región de rechazo el área se determina dividiendo el nivel de
significancia en dos partes iguales.
f. Grados de libertad.

Los grados de libertad (GL) son la cantidad de información suministrada por los datos
que usted puede "gastar" para estimar los valores de parámetros de población
desconocidos y calcular la variabilidad de esas estimaciones. Este valor se determina
según el número de observaciones de la muestra y el número de parámetros del modelo.

Si incrementa el tamaño de la muestra, obtendrá más información sobre la población y,

por consiguiente, los grados de libertad de los datos aumentarán. Si agrega parámetros
al modelo (por ejemplo, aumentando el número de términos en una ecuación de
regresión), "gastará" información de los datos y reducirá los grados de libertad
disponibles para estimar la variabilidad de las estimaciones de parámetros.