INFERENCIA ESTADISTICA PRUEBA DE HIPOTESIS ... - edUTecNe

Definiciones 

INFERENCIA ESTADISTICA 

PRUEBA DE HIPOTESIS ESTADISTICAS 

PH I 

a. Una hipótesis estadística es una suposición que se hace sobre la F. de D. de una variable 

aleatoria asociada a un experimento aleatorio. 

PH 1 

b. Una prueba de hipótesis es un procedimiento que determina si la hipótesis en cuestión debe 

o no ser rechazada. 

Se anticipa que el no rechazo de una hipótesis no implica necesariamente su aceptación. Más 

sobre esto más adelante. 

Conceptos Principales 

PH II.1 

PH II 

Sea un experimento aleatorio con permanencia estadística. Sea X la variable aleatoria asociada al 

mismo. 

Para introducir las nociones básicas de la prueba de hipótesis, se considerará el caso de que la 

hipótesis a probar, también llamada hipótesis nula, tenga una única posible hipótesis alternativa. 

Sea la hipótesis nula: 

y la hipótesis alternativa: 

f 

X 

x 

0 

H0 : X tiene una f. de d. ( ) 

f 

X 

x . 

1 

H1 : X tiene una f. de d. ( ) 

Dadas estas hipótesis, imagínese para H0 el siguiente mecanismo de rechazo / no rechazo: 

1º. Se particiona a x (al conjunto de los números reales) en dos conjuntos. A uno de ellos se 

lo llamará “región de no rechazo” (NR) y al otro “región crítica” (RC). Esta partición por 

el momento se considera arbitraria (ver ejemplo en figura PH II.a). 

2º. Se efectúa una única vez el experimento. Llámese x al resultado. Si x ∈ RC se rechazará 

a H0, y si x ∈ NR no se la rechazará. 

RC 

NR 

Figura PH II.a 

x

PH 2 

Notar que al definir este mecanismo de rechazo / no rechazo no se entró en consideraciones acerca 

de si es bueno o malo. Otro mecanismo, evidentemente malo, sería tirar una moneda y rechazar a H0 

si sale cara. 

Al proceder de la manera indicada, pueden cometerse dos tipo de errores. 

Error tipo I: rechazar a H0 siendo cierta 

Error tipo II: No rechazar a H0 cuando es falsa 

Recordando que el no rechazo de H0 se produce cuando x ∈ NR, y que el rechazo de dicha 

hipótesis se produce cuando x ∈ RC, se tiene que: 

P(I) = P(Cometer error tipo I) = P(Rechazar H0 siendo cierta) = 

= P(x ∈ RC siendo H0 cierta) = 

= P(x ∈ RC cuando X tiene una f. de d. f 

X 

0 

( x) 

). 

A esta P(I) se lo llamará también “nivel de significación” de la prueba. 

Igualmente: 

P(II) = P(Cometer error tipo II) = P(No rechazar a H0 cuando es falsa) = 

= P(x ∈ NR siendo H0 falsa) = P(x ∈ NR siendo H1 cierta) = [3] 

= P(x ∈ NR cuando X tiene una f. de d. f 

X 

1 

( x) 

). 

Evidentemente, a distintas elecciones de zonas críticas RC corresponden distintos valores para P(I) 

y P(II). Según es obvio, el mecanismo de rechazo / no rechazo más arriba indicado será tanto mejor 

cuanto menores sean los valores de P(I) y P(II), y por lo tanto el diseño de un proceso de prueba de 

hipótesis se reduce a elegir una región crítica (a particionar el eje x) de manera tal que P(I) y P(II) 

sean “lo menor posible”. 

Desgraciadamente, es imposible disminuir simultáneamente a P(I) y P(II). Dada esta circunstancia, 

lo que generalmente se hace es tomar un valor convencional (generalmente 0,05) para el nivel de 

significación de la prueba P(I). Una vez fijado este valor, entre todas las regiones que den 

P(I) = 0,05 se elige a aquella que dé un P(II) mínimo. 

PH II.2 

Ejemplo 

a. Supóngase que: 

H0 = La variable X tiene una f. de d. f 

X 

( x) 

0 

H1 = La variable X tiene una f. de d. f 

X 

( x) 

1 

siendo f 

X 

( x) 

y f 

X 

( x) 

las indicadas en la figura PH II.b. 

0 1 

f 

X 

( x) 

0 

f 

X 

( x) 

1 

NR1 

α 

RC1 

[1] 

[2] 

x 

Figura PH II.b

Considérese la región crítica: 

En este caso (ver [2] y [3]): 

RC1 : x > α 

P RC (I) = P(x ∈ RC1 cuando X tiene una f. de d. f 

X 

( ) 

1 

0 

x ) = 

∞ 

= ∫ f 

X 

0 

( x) 

dx = Área 

α 

de figura PH II.b 

P RC (II) = P(x ∈ NR1 cuando X tiene una f. de d. f 

X 

( ) 

1 

1 

x ) = 

= P(X ≤ α cuando X tiene una f. de d. f 

X 

( x) 

) = 

1 

α 

= ∫ f 

X 

1 

( x) 

dx = Área de figura PH II.b 

−∞ 

PH 3 

b. Evidentemente, al variar α varía RC1 y varían P RC (I) y P 

1 RC (II). Si α aumenta, 

1 

disminuye P RC (I) pero aumenta P 

1 

RC (II), y viceversa. 

1 

Si, tal como indicado en PH II.1, se toma P RC (I) = 0,05, el valor de α queda fijado, lo 

1 

que a su vez fija el valor de P RC (II). 

c. Considérese ahora la región crítica (ver figura PH II.c): 

a b 

RC2 

1 

RC2 : a < x ≤ b 

f 

X 

( x) 

0 

f 

X 

( x) 

1 

NR2 

En este caso: 

P RC (I) = P(x ∈ RC2 cuando X tiene una f. de d. f 

X 

( ) 

2 

0 

x ) = 

= P(a < X ≤ b cuando X tiene una f. de d. f 

X 

( x) 

) = 

0 

b 

= ∫ f 

X 

0 

( x) 

dx = Área de figura PH II.c 

a 

x 

Figura PH II.c

P RC (II) = P(x ∈ NR2 cuando X tiene una f. de d. f 

X 

( x) 

) = 

2 

1 

= P(X ≤ a ∪ X > b cuando X tiene una f. de d. f 

X 

( x) 

) = 

1 

a ∞ 

= ∫ f 

X 

( x) 

dx + ∫ f 

X 

1 

( x) 

dx = Área de figura PH II.c 

1 

−∞ b 

d. Supóngase ahora que α (figura PH II.b) y a y b (figura PH II.c) hayan sido elegidos de 

manera tal que: 

PH II.3 

P 

1 RC 2 

RC ( I) 

= P ( I) 

= 0,05 

Se ve a simple vista que se tendrá que: 

PRC ( II) 

< PRC 

1 

2 

( II) 

PH 4 

y por lo tanto RC1 es una región crítica mejor que RC2. 

Más aún, observando atentamente las funciones f 

X 

( x) 

y f 

X 

( x) 

, se llega a la conclusión 

0 1 

de que entre todas las regiones críticas tales que P(I) = 0,05 se tiene que aquella que implica 

un P(II) mínimo es precisamente la RC1. 

Por lo tanto, queda terminado el problema del diseño del proceso de rechazo / no rechazo de 

la hipótesis H0. Si el resultado del experimento cae en RC1, la hipótesis será rechazada. 

a. Hasta el momento, el rechazo o no rechazo de la hipótesis nula se efectuaba en base al 

resultado de un único experimento. 

Esto no es motivo de horrorizarse, ya que en la práctica dicho único experimento puede 

hacerse tan exhaustivo como se quiera mediante el artificio de considerar como experimento 

único a un conjunto formado por una gran cantidad de experimentos elementales. 

Por ejemplo, supóngase que interese verificar la hipótesis nula: 

H0 : La variable X tiene una f. de d. normal (0 , 1) 

teniéndose como hipótesis alternativa: 

H1 : La variable X tiene una f. de d. normal (1 , 1) 

Supóngase que rechazar o no a H0 en base a una única realización del experimento no 

parezca reunir suficientes garantías (lo cual es en realidad cierto ya que puede probarse que 

con un nivel de significación P(I) = 0,05 se obtiene P(II) = 0,7422 para una RC óptima). Ver 

figura PH II.d. 

P(II) = 0,7422 

P(I) = 0,05 

f 

X 

( x) 

, f de d normal (0 , 1) 

0 

f 

X 

1 

( x) 

, f de d normal (1 , 1) 

0 1 α = 1,65 

x 

Figura PH II.d

PH 5 

Se harán entonces, digamos, nueve realizaciones del experimento primitivo y con ellas se 

formará un único experimento compuesto, cuya respuesta será el valor asumido por: 

X = 

X1 

+ ...+ 

9 

X9 

siendo X1, ..., X9 las variables correspondientes a cada realización del experimento 

primitivo. 

Como las Xi son todas normales, se tendrá que X tendrá también una F. de D. normal. Sus 

parámetros serán: 

Entonces: 

m = 

X 

m 

H0 cierta (X normal (0 , 1)) ⇔ 

H1 cierta (X normal (1 , 1)) ⇔ 

Entonces, el rechazo / no rechazo de 

σ 

X 

= 

σ σ 

= = 

n 3 

* 

H 0 cierta ( X normal (0 , 1 

3 )) 

* 

H 1 cierta ( X normal (1 , 1 

3 )) 

problema primitivo queda pues mutado en la prueba de 

* 

H 1 . 

* 

0 

1 

3 

H implicará el rechazo / no rechazo de H0. El 

* 

H 0 , hipótesis que tiene como 

alternativa a 

Según se verá, una decisión a que se llegue en base a esta nueva situación será mucho más 

“seria” que la decisión basada en una única realización del experimento primitivo. 

Examinando las f. de d. f 

X 

0 

( x) 

y f 

X 

( x) 

(ver figura PH II.e), resulta evidente que para 

1 

probar a H la región crítica volverá a ser del tipo: 

* 

0 

RC : x > α 

quedando únicamente por averiguar el valor de α. 

Trabajando en un nivel de significación P(I) = 0,05, y teniendo en cuenta que si 

cierta se tiene que X tiene un F. de D. normal (0 , 1 

3 ), resulta que: 

⎛ 

⎞ 

0,05 = P(I) = P( X > α) = P 

⎜ X − 0 α − 0 ⎟ 

⎜ 

> 

1 1 ⎟ 

⎝ 3 3 ⎠ 

normal (0 , 1 

3 ) normal (0 , 1) 

α − 0 

De la tabla de la función normal (0 , 1) sale entonces que: = 1, 

65 

1 

3 

1, 

65 

con lo que resulta que: α = = 0,55 

3 

* 

H 0 es

PH II.4 

PH 6 

* 

H 1 es cierta, se tiene que X tiene una f. de d. normal (1 , 1 

3 ), y 

Se calculará ahora P(II). Si 

entonces: 

⎛ 

⎞ 

P(II) =P( X < α) = P( X ≤ 0,55) = P 

⎜ X −1 

0, 

55 −1 

⎛ 

⎞ 

⎟ 

⎜ 

≤ 

1 1 ⎟ 

= P 

⎜ X −1 

⎟ 

⎜ 

≤ −1, 

35 

⎟ 

= 0,0885 

1 

⎝ 3 3 ⎠ ⎝ 3 ⎠ 

normal (1 , 1 

3 

) normal (0 , 1) 

Entonces, al pasar de una realización única del experimento primitivo a nueve realizaciones 

de dicho experimento consideradas como un experimento único, se tiene que el valor de 

P(II) baja de 0,7415 a 0,0885, para un nivel de significación constante igual a 0,05. 

El motivo de esto es el hecho de que las desviaciones típicas de las variables usadas en el 

experimento compuesto son tres veces menores que las de las variables usadas en el 

experimento primitivo, lo que causa el efecto ilustrado en las figuras PH II.d y PH II.e. 

f 

X 

0 

( x) 

, f. de d. normal (0 , 1 

3 

) 

P(II) = 0,0885 

Hasta ahora se ha considerado el caso de que la hipótesis nula tenga una única alternativa. Este caso 

se presenta muy poco en la vida real, donde generalmente a una hipótesis nula pueden corresponder 

muchas alternativas. 

Considérese el caso de un fabricante de herramientas cuya producción normal sea tal que a la 

dureza de las mismas pueda hacerse corresponder una variable aleatoria X con f. de d. normal 

(10 ; 1). El proceso de fabricación es tal que la varianza permanece prácticamente constante. El 

fabricante ha introducido una variante en la aleación del metal, y desea verificar que dicha variante 

no ha bajado la dureza de sus herramientas. 

Si se hubieran hecho 100 pruebas de dureza antes de variar la aleación, se tendría que la variable 

aleatoria correspondiente a la dureza promedio tendría una f. de d. normal (10 ; 1 ). 

100 

Si se hacen 100 pruebas de dureza después de variar la aleación, se tendría que la variable aleatoria 

correspondiente a la dureza promedio tendría una f. de d. normal (m ; 1 ), siendo m el valor 

100 

medio (desconocido) de la dureza. (Observar que se supuso que la varianza no cambió). 

Lo que al fabricante le interesa entonces es probar la hipótesis nula: 

H0 = X tiene una f. de d. normal (10 ; 

teniendo como conjunto de hipótesis alternativas: 

{H * } = { X tiene una f. de d. normal (m ; 

0 1 

α = 0,55 

1 ) 

100 

1 )}, ∀ 0 < m < 10 

100 

f 

X 

( x) 

, f .de d. normal (1 , 1 

1 

3 

) 

P(I) = 0,05 

x 

Figura PH II.e

PH 7 

Notar que de estas hipótesis alternativas sólo una puede eventualmente ser verdadera (la que 

corresponde a la nueva dureza de las herramientas en caso de que en efecto la dureza haya 

cambiado), pero como no se la conoce, es necesario tener en cuenta todas las alternativas del 

conjunto. 

Se tiene entonces la situación indicada en la figura PH II.f. 

Examinando esta figura, resulta evidente que debe elegirse una región crítica del tipo: 

RC : x < α 

ya que en caso de ser falsa H0, para cualquiera de las hipótesis alternativas que sea la cierta, esta 

región crítica dará un valor mínimo para P(II). 

Suponiéndose que se trabaje con un nivel de significación P(I) igual a 0,05 se tiene que: 

⎛ 

⎞ 

0,05 = P(I) = P( X < α) = P 

⎜ X −10 

α −10 

⎟ 

⎜ 

< 

1 1 ⎟ 

⎝ 10 10 ⎠ 

Normal (10 ; 1 

10 ) 

Normal (0 ; 1) 

lo que implica que sea: 

de donde: 

α = 1 

10 (– 1,65) + 10 = 9,835 

α −10 

= – 1,65 

1 

10 

La hipótesis H0, será pues rechazada o no según que X asuma un valor menor o mayor que 9,835. 

f de d normal (9,7 ; 1 

10 ) 

f de d correspondientes a 

hipótesis alternativas 

9,6 9,8 10 

RC α = 9,835 

X 

0 

( x) 

(correspondiente a H0) 

P(I) = 0,05 

f , f de d normal (10 ; 1 

10 ) 

Figura PH II.f 

Supóngase que el cambio en la aleación hubiera disminuido la dureza de las herramientas. En este 

caso H0 sería falsa y una de las hipótesis alternativas sería cierta. Entonces, para cada posible valor 

de m candidato a ser cierto que tendrá un valor de P(II) distinto, el cual está dado por. 

⎛ 

⎞ 

P(II) = P( X > 9,835) = P 

⎜ X − m 9, 

835 − m 

⎛ 

⎞ 

⎟ 

⎜ 

> 

1 1 ⎟ 

= 1 – P 

⎜ X − m 

⎟ 

⎜ 

≤ 10 ⋅ ( 9, 

835 − m) 

1 

⎟ 

⎝ 10 10 ⎠ ⎝ 10 

⎠ 

Normal 

(m ; 1 

10 ) 

Normal (0 ; 1) Normal (0 ; 1) 

x

Graficando a P(II) vs m se obtiene lo indicado en la figura PH II.g. 

PH 8 

Este gráfico da una idea de la sensibilidad del experimento. Por ejemplo, si la dureza de las 

herramientas baja de 10 a 9,8, hay una probabilidad igual a 0,36 de “aceptar gato por liebre”, es 

decir de declarar por cierta la hipótesis H0 cuando en realidad no lo es. 

Si esto constituye una catástrofe, entonces habrá que aumentar la sensibilidad del experimento 

aumentando n (es decir, efectuando más mediciones de dureza). 

En cambio si el hecho de que la dureza baje de 10 a 9,8 no presenta mayores problemas, pero si los 

presenta el que baje de 10 a 9,7, el experimento tiene una sensibilidad adecuada ya que existe una 

probabilidad de sólo 0,09 de declarar válida a H0 cuando en realidad no lo es. 

PH II.5 

P(II) 

1 

0,8 

0,6 

0,4 

0,2 

0,09 

0,36 

0,5 

0,74 

0,95 

9,7 9,8 9,9 10 

9,835 

a. Sea el caso de un fabricante de ejes cuya producción es tal que al diámetro de los ejes pueda 

asociarse a una variable aleatoria X con f. de d. normal (100 ; 0,01). 

El fabricante y sus clientes se encuentran muy satisfechos con dicha producción. Con ese 

fin, cada tanto se hace un ensayo consistente en medir 25 ejes. Se pide indicar como se 

deben usar dichas mediciones para determinar si los parámetros de la f. de d. han cambiado 

o no. 

b. Si los parámetros no han cambiado, se tiene que la variable aleatoria X correspondiente al 

promedio de las medidas tendrá una f. de d. normal (100 ; 

0, 

01 

Por lo tanto, al fabricante le interesa probar la hipótesis nula: 

). 

25 

0, 

01 

m 

(dureza verdadera) 

H0 : X tiene una f. de d. normal (100 ; ) 

25 

teniéndose como conjunto de hipótesis alternativas: 

{H * } = { X tiene una f. de d. normal que NO ES (100 ; 

0, 

01 

Figura PH II.g 

)} 

25 

Volviendo a principios básicos, se recuerda que el diseño de una prueba de hipótesis se 

reduce a la elección de una región crítica, resultado de una partición del eje x.

PH 9 

En los problemas anteriores, las regiones críticas consistían todas en semirrectas únicas del 

eje x (es decir del tipo x < α ó x > α). 

Esto no puede ocurrir en el presente caso por las razones indicadas a continuación, las cuales 

están ilustradas en la figura PH II.h. 

X 

f 

X 

f ( x) 

, f de d 

2 

( x) 

, f de d correspondiente 

0 

a otra de las alternativas, H2. 

correspondiente a H0. 

f 

X 

1 

( x) 


a una de las alternativas, H1. 

1º. Si existiese el peligro de que la f. de d. primitiva (correspondiente a H0), f 

X 

0 

( x) 

, 

evolucionara hacia f 

X 

( x) 

, la región crítica que daría un P(II) mínimo sería del tipo 

1 

x < α. 

2º. Si existiese peligro de que la f. de d. primitiva evolucionara hacia f 

X 

( x) 

, la región 

2 

crítica que daría una P(II) mínimo sería del tipo x > β. 

3º. Si se adopta una región crítica del tipo x < α y la f. de d. primitiva f 

X 

0 

( x) 

evolucionara 

hacia f 

X 

( x) 

se tendría que la probabilidad de no rechazar a H0 cuando es falsa 

2 

disminuiría en vez de aumentar. 

Este estado de cosas es debido a que en el problema actual no se sabe “el lado por donde 

puede venir el enemigo”, cosa que se conocía en los problemas anteriores. 

Entonces, para “proteger ambos flancos” se dividen las “defensas”, teniéndose así que la 

región crítica constará de dos subregiones x < γ1 y x > γ2 (ver figura PH II.i) que cubren las 

“colas” de f 

X 

0 

( x) 

. 

f 

X 

( x) 


1 

a una de las alternativas. 

P(I 

) 

0,025 = 

2 

α 100 β 

γ1 100 γ2 

x 

Figura PH II.h 

f 

X 

0 

( x) 

, f de d correspondiente a H0. f 

X 

( x) 

, f de d correspondiente a 

2 

otra de las alternativas. 

RC 

P(II) en el caso de que a la 

hipótesis cierta corresponda 

la f de d f 

X 

( x) 

1 

P(I 

) 

0,025 = 

2 

x 

Figura PH II.i

Se obtendrá así lo siguiente: 

PH 10 

1º. P(I) = 0,05 

2º. Si a la hipótesis verdadera correspondiera la f de d f 

X 

( x) 

se tendrá: 

1 

P(II) = ∫ 2 γ 

f 

X 

1 

( x) 

dx 

γ1 

Este valor es superior al que se obtendría si dicha hipótesis fuera la única alternativa 

posible (en cuyo caso toda la defensa estaría a la izquierda). 

3º. Igualmente, si a la hipótesis cierta correspondiera la f. de d. f 

X 

( x) 

se tendría que: 

2 

P(II) = ∫ 2 γ 

f 

X 

2 

( x) 

dx 

γ 

1 

4º. Supóngase cierta la hipótesis alternativa a la cual corresponda la f. de d. f 

X 

3 

( x) 

indicada 

en la figura PH II.j. 

En este caso se tendrá un P(II) muy grande, y casi con seguridad no se rechazará a H0 

cuando en realidad sea falsa. 

Esto no crea mayores problemas ya que en una producción cuya f. de d. sea f 

X 

3 

( x) 

será 

probablemente satisfactoria. 

P(II) si a la hipótesis 

cierta corresponde la 

f de d f 

X 

3 

( x) 

En otras palabras: el mecanismo de prueba indicado detecta bastante bien cambios en la 

producción que puedan ser peligrosos, pero su sensibilidad ante cambios más o menos 

inocuos es escasa o nula. 

PH II.6 (Muy importante) 

γ1 100 γ2 

f 

X 

3 

( x) 

, f de d correspondiente a la 

hipótesis alternativa. 

f 

X 

0 

( x) 

, f de d correspondiente a H0. 

a. Casi siempre es el operador quien determina la magnitud del error tipo I que está dispuesto a 

aceptar. Generalmente establece una magnitud pequeña, digamos P(I) = 0,05 ó P(I) = 0,01. 

Por lo tanto la probabilidad de rechazar erróneamente una hipótesis nula cierta es baja. 

RC 

x 

Figura PH II.j

PH 11 

Entonces se dice que la decisión de rechazar a H0 en base a los resultados obtenidos es una 

conclusión fuerte. 

Por otra parte, el aceptar a H0 en base a no haberla rechazado constituye una conclusión 

débil ya que la probabilidad P(II) de no rechazar a H0 cuando en realidad es falsa puede ser 

bastante alta (ver figuras PH II.d y PH II.j). 

b. En muchos casos, la prueba de hipótesis puede conducir a decisiones importantes. En estos 

casos la elección de las hipótesis nulas debe ser hecha buscando siempre la seguridad, es 

decir en base a una conclusión fuerte. 

Por ejemplo: supóngase que un nuevo proceso industrial parezca ser mejor que el que está 

en uso pero que el reemplazo sea muy caro. En este caso se tomará como hipótesis nula: 

H0 : El nuevo proceso NO es mejor que el anterior. 

Entonces, el hecho de que H0 sea rechazada con, digamos, un nivel de significación de 0,01 

implica que se decida que H0 es falsa, y que por lo tanto el nuevo proceso es mejor que el 

anterior, siendo igual a 0,01 la probabilidad de haber hecho una decisión errónea. 

PH III 

Prueba de hipótesis para el valor medio de una variable aleatoria correspondiente a una 

distribución cualquiera de probabilidad cuando se dispone de una muestra grande 

PH III.1 

a. Supóngase que se efectúe una cantidad n grande de repeticiones independientes de un 

experimento, y sean X1, ..., Xn las variables asociadas a dichos experimentos. 

Evidentemente, todas estas variables tienen un mismo valor medio m y una misma 

desviación típica σ. 

Por ser n grande se tiene (ver [5] de BNP VII.1) que: 

X1 

+ ... + X 

X = 

n 

n 

tiene una distribución aproximadamente normal (m ; 

y por lo tanto la variable: 

σ ) 

n 

X − m 

σ 

n 

tendrá una distribución aproximadamente normal (0 ; 1). 

Por lo visto en b de BNP VII.I: 

m = 

X 

m 

σ = 

X 

σ 

n 

[1] 

[2] 

[3]

. Sea la hipótesis nula: 

H0 : m = 50 , σ = 2 ⇔ 50 

X = m , 

y el conjunto de hipótesis alternativas: 

X = σ 

2 

n 

PH 12 

H1 : m < 50 ⇔ 50 

X < m 

Supóngase que se efectúen n = 100 repeticiones del experimento, lo que se considera 

suficientemente grande como para que sea válido lo indicado en [2]. 

Supóngase que al realizar esos n = 100 experimentos se haya obtenido x = 49,65. Se pide 

indicar si en base a este resultado se debe rechazar o no la hipótesis H0 con un nivel de 

significación P(I) = 0,05. 

Evidentemente, como las alternativas de H0 son H1: 50 

X < m , la región crítica del caso 

estará ubicada totalmente a la izquierda de la región de no rechazo (se está en una situación 

similar a la indicada en PH II.4). Llamando α al punto frontera entre ambas regiones se tiene 

entonces que: 

⎛ 

⎞ 

⎜ X − 50 α − 50 ⎟ α − 50 

P(I) = P( X < α) = 0,05 ⇔ P⎜ 

< ⎟ = 0,05 ⇔ 

⎜ 

2 2 

⎟ 

0, 

2 

⎝ 100 100 ⎠ 

y entonces resulta que: 

α = – 0,2 · 1,645 + 50 = 49,671 

siendo entonces la región crítica: 

RC: X < 49,671 

y como en el experimento se obtuvo: 

x = 49,65 ∉ RC 


= – 1,645 

por tabla N(0 ; 1) 

se tiene entonces que no debe rechazarse a H0 con un nivel de significación igual a 0,05. 

(conclusión débil). 

c. Supóngase ahora que los verdaderos valores de m y σ hubieran sido 49 y 8 respectivamente. 

En este caso sería: 

P(II) = P(No rechazar a H0 siendo m = 49 y σ = 8) = P( x no caiga en RC) = 

⎛ 

⎞ 

⎜ X − 49 49, 

671− 

49 ⎟ 

= P( X > 49,671) = P⎜ 

> 

⎟ = 1 – FN(0 ; 1)(0,839) = 0,2 

⎜ 

8 8 

⎟ 

⎝ 100 100 ⎠ 

Normal (0 ; 1)

PH III.2 

Supóngase ahora que la hipótesis nula hubiera sido: 

H0 : m = 50 , σ = 2 ⇔ 50 

X = m , 


H1 : m ≠ 50 ⇔ 50 

X ≠ m 

X = σ 

2 

n 

PH 13 

Se está pues en una situación análoga a la indicada en PH II.5. 

Se dividirá a la región crítica en dos subregiones situadas respectivamente a la izquierda y derecha 

de la región de no rechazo. 

Sea α1 el punto frontera entre la subregión crítica de la izquierda y la región de no rechazo y sea α2 

el punto frontera entre la subregión crítica de la derecha y la región de no rechazo. 

Entonces será: 

⎛ 

⎞ 

P(I 

) 

⎜ X − 50 α − ⎟ 

= 0,025 = P( X < α1) ⇔ P ⎜ < 

1 50 

1 50 

⎟ = 0,025 ⇔ 

2 

⎜ 

2 2 

⎟ 

0, 

2 

⎝ 100 100 ⎠ 

− α 

= – 1,96 ⇒ 

⇔ α1 = – 1,96·0,2 + 50 = 49,608 

⎛ 

⎞ 

P(I 

) 

⎜ X − 50 α − ⎟ 

= 0,025 = P( X > α2) ⇔ P ⎜ > 

2 50 

⎟ = 0,025 ⇔ 

2 

⎜ 

2 2 

⎟ 

⎝ 100 100 ⎠ 

⎛ 

⎞ 

⎜ X − 50 α − ⎟ 

P⎜ 

≤ 

2 50 

α 

⎟ = 0,975 ⇔ 2 − 50 

= 1,96 ⇔ α2 = 50,392 

⎜ 

2 2 

⎟ 

2 

⎝ 100 100 ⎠ 

100 

y resulta entonces que la región crítica será: 

y si en el experimento se obtuvo: 

RC : X < 49,608 ∪ X > 50,392 

x = 49,65 ∉ RC 

se tiene entonces que no hay motivo para rechazar la hipótesis nula H0. (conclusión débil). 

PH III.3 

Observaciones: 

1º. En todo lo antedicho en este párrafo PH III se ha supuesto conocida la desviación típica σ de las 

variables involucradas. En la práctica a menudo esto no ocurre, y para no ser objeto de parálisis, 

lo corriente es usar la estimación de σ indicada en [7] de IE IV: 

ˆ = 

σ 

1 

n 

∑( xi 

− x) 

2 

n −1 

n−1

PH 14 

2º. Si bien lo descripto hasta ahora es el procedimiento usual en el caso de muestras grandes, 

también es aplicable al caso de muestras chicas a condición de que procedan de una población 

con una distribución normal (ya que la suma de una cantidad cualquiera de variables normales 

es también normal), pero en este caso sería necesario conocer el valor exacto de σ. 

Sin embargo, para el caso de muestras chicas existe un procedimiento mucho más satisfactorio 

(ver PH V), que no requiere el conocimiento previo del valor exacto de la desviación típica. 

Aplicación 

PH IV 

a. Sean dos procesos A y B de fabricación de un mecanismo. A la vida útil de los mecanismos 

fabricados según A corresponde una variable aleatoria X normal (mX ; 3) y a la vida útil de 

los mecanismos fabricados por B corresponde una variable aleatoria Y normal (mY ; 4). 

El proceso A es bastante más barato que el B, pero este último tiene una buena ventaja sobre 

el A desde el punto de vista de las ventas. 

El fabricante decide que si puede llegar a una conclusión fuerte con un nivel de significación 

P(I) = 0,01 de que m − m > 2 , adoptará el proceso B, y que de lo contrario adoptará el 

Y X 

A. 

Con el fin de llegar a una decisión instala dos pequeñas líneas piloto de fabricación, una 

empleando el proceso A y la otra empleando el proceso B. 

Se fabrican 100 ejemplares del mecanismo con cada línea, obteniéndose los siguientes 

resultados: x = 50, y = 55. 

Indicar cuál será el proceso que adoptará el fabricante. 

b. Póngase: 

Z = Y – X 

Se obtendrá la antedicha conclusión fuerte a favor del proceso B cuando se rechace la 

hipótesis nula: 

H0 : m = m − m < 2 

Z Y X 

cuyas hipótesis alternativas son: 

H1 : m = m − m ≥ 2 

Z Y X 

Evidentemente, de ser H0 cierta la región crítica estará ubicada totalmente a la derecha de la 

región de no rechazo. 

Llámese α al punto frontera entre ambas regiones. 

Entonces: 

⎛ 

⎞ ⎛ 

⎞ 

⎜ Z − 2 α − 2 ⎟ ⎜ Z − 2 α − 2 ⎟ 

P(I) = P( Z> α) = 0,01 ⇒ P⎜ 

> ⎟ = 0, 

01 ⇒ P⎜ 

< ⎟ = 1− 

0, 

01 = 0, 

99 

⎜ σ σ ⎟ ⎜ σ σ ⎟ 

⎝ Z Z ⎠ ⎝ Z Z ⎠ 


y por lo tanto, de la tabla de la F. de D. normal (0 ; 1) se obtiene:

α − 2 

= 2, 

33 

σ 

Z 

⇒ α = 2 + 2, 

33 σ 

Z 

teniéndose entonces que la región crítica será: 

RC : 

c. Se tiene que: 

Z = Y − X > 2 + 2,33σ 

[1] 

Z 

σ 

2 

σ 

2 

3 

2 

4 

2 

σ 

2 

= σ 

2 

+ σ 

2 

= 

X 

+ 

Y 

= + = 0, 

25 ⇒ σ = 

Z X Y n n 100 100 

Z 

y entonces por [1] se tiene que : 

RC : Y − X > 2 + 2,33·0,5 = 3,115 

0, 

5 

Como el resultado experimental arrojó x = 50, y = 55 se tiene que: 

55 – 50 = 5 ∈ RC 

PH 15 

y por lo tanto se rechaza la hipótesis H0 con un nivel de confiabilidad de 0,01. 

El fabricante aceptará pues usar el proceso de fabricación B, y la probabilidad que tiene de 

haber hecho una decisión errónea es P(I) = 0,01. 

PH V 

Prueba de hipótesis para el valor medio de una variable aleatoria correspondiente a una 

distribución normal 

PH V.1 

Ver IC III.1 a y b. 

PH V.2 

a. Sea la hipótesis nula: 

H0: m = 10 ⇔ m = 10 

X 

X 

y sea el conjunto de hipótesis alternativas: 

H1: m > 10 ⇔ m > 10 

X 

X 

Supóngase que se efectúen n = 22 pruebas, y que su resultado sea:

x = 13,71 s = 3,468 

PH 16 

Se pide indicar si la hipótesis nula H0 debe o no ser rechazada, con un nivel de significación 

P(I) = 0,05. 

b. Se tiene (ver [2] de IC III) que: 

PH V.3 

T = 

X − m 

n −1 

X 

S 

tiene una distribución t de Student con n – 1 = 22 – 1 = 21 grados de libertad. 

Evidentemente, como las alternativas de H0 son H1 : 10 

X > m , en este caso la región crítica 

estará totalmente a la derecha de la región de no rechazo. Sea α el punto frontera entre 

ambas regiones. Entonces: 

X −10 

P(I) = P( X > α) = 0,05 ⇔P( 22 −1 

> 

142 

4 43 S4 

Distribución 

t de Student 

⇔ 

α −10 

22 −1 

) = 0,05 ⇒ 

S 

10 

21 

S 

− α 

1, 721⋅ 

3, 

468 

= 1,721 ⇒ α = 

+ 10 = 11,3024 

21 

Por tabla de distribución t de Student 

y por lo tanto la región crítica será: 

RC : X > 11,3024 

Como en el experimento se obtuvo: 

x = 13,71 ∈ RC 

resulta que la hipótesis nula H0 debe ser rechazada. 


H0: m = 10 ⇔ m = 10 

X 

X 

y que el conjunto de hipótesis alternativas fuera: 

H1: m < 10 ⇔ m < 10 

X 

X 

Valor asumido por S 

Este caso sería tratado igual que el indicado en PH V.2 pero ubicando la región crítica totalmente a 

la izquierda de la región de no rechazo.

PH V.4 


H0: m = 10 ⇔ m = 10 

X 

X 

y que el conjunto de hipótesis alternativas fuera: 

H1: m ≠ 10 ⇔ m ≠ 10 

X 

X 

PH 17 

Este caso también sería tratado igual que el indicado en PH V.2, pero dividiendo la región crítica en 

dos subregiones ubicadas respectivamente a la izquierda y derecha de la región de no rechazo. 

PH VI 

Prueba de hipótesis para la varianza de una variable aleatoria correspondiente a una 

distribución normal 

a. Sean n repeticiones independientes de un experimento aleatorio, a las cuales corresponden 

las variables aleatorias normales X1, ..., Xn, todas con el mismo valor medio m y la misma 

varianza σ 2 . Sea: 

n 

S 

2 1 

= ∑ ( Xi 

− X) 

2 

n 

i= 

1 

Por lo indicado en JtF III se tiene que: 

La variable 

nS 

2 

σ 

2 

tiene una distribución χ 2 con n – 1 grados de libertad. [2] 

b. Supóngase que se efectuaron 20 pruebas y que la variable S 2 asumió el valor: 


H0: 

2 

σ 0 = 0,01 

1 

n 

s 2 = ∑ n i= 

1 

( x − x) 


H1: 

2 

σ 1 > 0,01 

i 

2 

= 0,145 [3] 

Se pide verificar la hipótesis H0 con un nivel de significación igual a 0,05 en base al 

resultado obtenido en [3]. 

[1]

PH 18 

2 

nS 

2 

c. Suponiendo que H0 sea cierta, se tiene que la variable tendrá una distribución χ con 

2 

σ 0 

n – 1 grados de libertad. 

2 

Si en la realización del experimento S asume un valor s 2 2 

ns 

tal que constituya un valor 

2 

σ 0 

2 

nS 

“patológicamente” alto, tal que difícilmente sea asumido por , existe una fuerte 

2 

σ 0 

presunción de que H0 sea falsa. 

En cambio tiene una fuerte posibilidad de que sea cierta la hipótesis H1, la cual por suponer 

2 2 

2 

nS 

que σ 1 > σ 0 implica que sea un valor que “mas razonablemente” puede ser asumido 

2 

σ 

2 

nS 

por 2 

σ1 

. 

1 

Lo antedicho supone que en la pruebe de hipótesis de H0, la región crítica de los valores 

asumidos por S 2 deben estar completamente a la derecha de la región de no rechazo. 

Entonces, si α es el punto frontera entre ambas regiones: 

P(I) = P ⎟ ⎛ ⎞ 

⎜ > α 

⎝ σ ⎠ 

2 

2 

nS 

= 0,05 ⇒ α = 30,14 

y por lo tanto la región crítica será si H0 es cierta: 

2 

nS 

RC : > 30,14 

2 

σ 

Como el resultado experimental obtenido fue: 

2 

ns 

2 

σ 

= 

20 ⋅ 0, 

145 

0, 

01 

= 29 ∉ RC [4] 

se tiene que no debe rechazarse a H0 con un nivel de significación igual a 0,05. 

PH VII 

Prueba de hipótesis para el parámetro p de una distribución binomial 

PH VII.1 

χ 2 con 20 – 1 grados de libertad 

Ver tabla de distribución χ 2 

a. Sea p la probabilidad de que ocurra un cierto suceso A en un experimento aislado. 

Supóngase que se efectúen n = 50 repeticiones independientes de dicho experimento y sea c 

la cantidad de veces que ocurrió A en dichas n = 50 repeticiones. Por ejemplo, supóngase 

que resultó c = 10.


H0: p = 0,1 


H1: p > 0,1 

PH 19 

y supóngase que se quiera verificar la hipótesis H0 con un nivel de significación igual a 0,05. 

b. En el nomograma de la figura PH VII.a, trácese una recta que una a p = 0,1 con 

P(x ≤ c) = 1 – 0,05 = 0,95. En el punto en que esta recta corte a la curva n = 50, determínese 

el valor de c que corresponde a dicho punto de corte. Resultó c = 8. 

Por lo tanto, de ser p = 0,1 (H0 cierta) existe una probabilidad igual a 0,95 de que X, 

cantidad de ocurrencias del suceso, sea igual o inferior a 8, y por lo tanto, una probabilidad 

igual a 1 – 0,95 = 0,05 de que X sea mayor que 8, lo que implica que la región crítica del 

experimento sea: 

PH VII.2 

RC : X > 8 

Como experimentalmente se encontró que: 

se rechaza la hipótesis nula H0. 

x = 10 ∈ RC 

Supóngase ahora que con la misma hipótesis nula anterior: 

H0: p = 0,1 

el conjunto de las hipótesis alternativas hubiera sido: 

H ´ 

1: p < 0,1

Nomograma para el cálculo de: 

c 

⎛n 

⎞ 

P( 

X ≤ c) 

= 

− 

∑ ⎜ ⎟ p 

i 

( 1− 

p) 

n i 

i= 

⎝ i 

0 ⎠ 

Figura PH VII.a 

PH 20

PH 21 

En el nomograma de la figura PH VII.a, trácese una recta que una a p = 0,1 con P(X ≤ c) = 0,05. En 

el punto en que esta recta corte a la curva n = 50, determínese el valor de c que corresponda a dicho 

punto de corte. Resultó c = 1,5. 

Por lo tanto, de ser p = 0,1 (H0 cierta) existe una probabilidad igual a 0,05 de que X sea menor o 

igual que 1,5 (es decir de que sea X = 0 ó X = 1), lo que implica que la región crítica del 

experimento sea: 

RC´ : X ≤ 1 

Como experimentalmente se encontró que: 

x = 10 ∉ RC´ 

en este caso no se rechazará a la hipótesis nula H0. 

PH VII.3 

En el caso de que n sea grande, más allá del alcance del nomograma, y de que p no sea muy 

próximo a 0 o a 1, la variable x correspondiente a la cantidad de ocurrencias, será aproximadamente 

normal (Teorema de Lindeberg) cayéndose así en el caso analizado en PH III. 

Se tendrá entonces que la hipótesis nula será. 

H0: p 

X = m y 

ˆ 

X 

σ 

PH VIII 

= 

x ( 1− 

x) 

n 

Prueba de hipótesis para el parámetro λ de una distribución de Poisson 

a. Sea una variable X que tiene la distribución de Poisson. Supóngase que experimentalmente 

se ha encontrado un valor x = 4. 


H0: λ = 2 


H1: λ > 2 

Supóngase que se desee verificar a H0 con un nivel de significación igual a 0,05. 

b. Evidentemente, la región crítica estará totalmente a la derecha de la región de no rechazo. 

Sea x el punto frontera entre ambas regiones.

Debe ser: 

P(I) = P(X ≥ x) ≤ 0,05 ⇔ ∑ ∞ −λ 

e 

i= 

x i! 

λ 

i 

≤ 0,05 

PH 22 

Buscando en la tabla de la figura PH VIII.a para λ = 2 el mayor x para el cual 

P(X ≥ x) ≤ 0,05 se encuentra x = 6. 

Por lo tanto la región crítica será: 

RC : X ≥ 6 

Como el valor hallado experimentalmente fue: 

x = 4 ∉ RC 

no hay motivo para rechazar la hipótesis nula H0 con un nivel de significación igual a 0,05.

P(X ≥ x) = ∑ ∞ = i −λ 

i 

e λ 

i= 

x i ! 

x λ = 0.2 λ = 0.3 λ = 0.4 λ = 0.5 λ = 0.6 

0 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 

1 .1812692 .2591818 .3296800 .393469 .451188 

2 .0175231 .0369363 .0615519 .090204 .121901 

3 .0011485 .0035995 .0079263 .014388 .023115 

4 .0000568 .0002658 .0007763 .001752 .003358 

5 .0000023 .0000158 .0000612 .000172 .000394 

6 .0000001 .0000008 .0000040 .000014 .000039 

7 .0000002 .000001 .000003 

x λ = 0.7 λ = 0.8 λ = 0.9 λ = 1.0 λ = 1.2 

0 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 

1 .503415 .550671 .593430 .632121 .698806 

2 .155805 .191208 .227518 .264241 .337373 

3 .034142 .047423 .062857 .080301 .120513 

4 .005753 .009080 .013459 .018988 .033769 

5 .000786 .001411 .002344 .003660 .007746 

6 .000090 .000184 .000343 .000594 .001500 

7 .000009 .000021 .000043 .000083 .000251 

8 .000001 .000002 .000005 .000010 .000037 

9 .000001 .000005 

10 .000001 

x λ = 1.4 λ = 1.6 λ = 1.8 λ = 1.9 λ = 2.0 

0 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 

1 .753403 .798103 .834701 .850431 .864665 

2 .408167 .475069 .537163 .566251 .593994 

3 .166502 .216642 .269379 .296280 .323324 

4 .053725 .078813 .108708 .125298 .142877 

5 .014253 .023682 .036407 .044081 .052653 

6 .003201 .006040 .010378 .013219 .016564 

7 .000622 .001336 .002569 .003446 .004534 

8 .000107 .000260 .000562 .000793 .001097 

9 .000016 .000045 .000110 .000163 .000237 

10 .000002 .000007 .000019 .000030 .000046 

11 .000001 .000003 .000005 .000008 

x λ = 2.5 λ = 3.0 λ = 3.5 λ = 4.0 λ = 4.5 λ = 5.0 

0 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 

1 .917915 .950213 .969803 .981684 .988891 .993262 

2 .712703 .800852 .864112 .908422 .938901 .959572 

3 .456187 .576810 .679153 .761897 .826422 .875348 

4 .242424 .352768 .463367 .566530 .657704 .734974 

5 .108822 .184737 .274555 .371163 .467896 .5559507 

6 .042021 .083918 .142386 .214870 .297070 .384039 

7 .014187 .033509 .065288 .110674 .168949 .237817 

8 .004247 .011905 .026739 .051134 .086586 .133372 

9 .001140 .003803 .009874 .021363 .040257 .068094 

10 .000277 .001102 .003315 .008132 .017093 .031828 

11 .000062 .000292 .001019 .002840 .006669 .013695 

12 .000013 .000071 .000289 .000915 .002404 .005453 

13 .000002 .000016 .000076 .000274 .000805 .002019 

14 .000003 .000019 .000076 .000252 .000698 

15 .000001 .000004 .000020 .000074 .000226 

16 .000001 .000005 .000020 .000069 

17 .000001 .000005 .000020 

18 .000001 .000005 

19 .000001 

Figura PH VIII.a 

Distribución de Poisson 

PH 23

PH IX 

Comparación de distribuciones teóricas y experimentales 

PH IX.1 

PH 24 

a. Hasta el momento, el problema que se ha encarado consistía en rechazar o no hipótesis 

hechas sobre parámetros correspondientes a distribuciones cuya forma general era conocida. 

Sin embargo, puede ocurrir que no se esté seguro acerca de dicha forma general. 

PH IX.2 

Ejemplo 1º: Los buques mercantes de un cierto tipo estuvieron expuestos durante 400 días a 

todo tipo de accidentes. Sea X la cantidad de accidentes que ocurren en un barco 

determinado durante esos 400 días. Supóngase que se hayan registrado los siguientes datos: 

Cantidad de accidentes (X) 0 1 2 3 4 5 6 

Cantidad de barcos con X accidentes 1448 805 206 34 4 2 1 

Se pregunta si estos datos justifican o no la hipótesis de que X tiene una distribución de 

Poisson. 

Ejemplo 2º: Sea R la variable aleatoria correspondiente a la resistencia de un cierto tipo de 

conductor eléctrico. 

Supóngase que al sacar 20 muestras se obtuvieron los siguientes valores: 

9,8 14,5 13,7 7,6 10,5 9,3 11,1 10,1 12,7 9,9 

10,4 8,3 11,5 10,0 9,1 13,6 12,9 10,6 8,9 9,5 

Se pregunta si estos datos justifican o no la hipótesis de que R tiene una distribución normal. 

Ejemplo 3º: Se probaron 20 tubos de rayos catódicos y sus vidas en meses arrojaron los 

siguientes valores: 

7,2 37,8 49,6 21,4 67,2 41,1 3,8 8,1 23,2 72,1 

11,4 17,5 29,8 57,8 84,6 12,8 2,9 42,7 7,4 33,4 

Se pregunta si estos datos justifican o no la hipótesis de que la variable V correspondiente a 

la duración de los tubos tiene una distribución exponencial. 

Notar que en todos estos ejemplos se tenía un “pálpito” previo acerca de cual era la 

distribución del caso, y lo que se preguntaba era si dicho “pálpito” era justificado o no. 

a. Sea el siguiente caso: 

En la realización de un experimento aleatorio, según una cierta hipótesis H0 la variable 

aleatoria X puede asumir los valores x1, ..., xk, siendo P(X = xi) = pi. A estas probabilidades 

se las llamaran probabilidades teóricas. 

Sean n repeticiones de dicho experimento y sean n1, ..., nk las cantidades de veces que 

aparecen los resultados x1, ..., xk respectivamente. Evidentemente será n1 + ... + nk = n. 

Sea la variable: 

k 

2 

( ni 

− npi 

) 

V = ∑ 

i= 1 npi 

[1]

PH 25 

que, a primera vista, puede ser una medida adecuada de la discrepancia en valor absoluto 

entre los valores medios teóricos npi y los obtenidos en la muestra. 

Un teorema muy importante debido a K. Pearson establece que si la hipótesis H0 es cierta, 

cuando n tiende a infinito la distribución de V tiende a una distribución χ 2 con k – 1 grados 

de libertad. 

Evidentemente esto también ocurrirá aproximadamente para n suficientemente grande. 

Por lo tanto la hipótesis nula será rechazada con un nivel de significación igual a 0,05 

cuando la variable V asuma un valor superior a 2 

χ 

0, 05; 

k−1 

. 

b. Por ejemplo: 

Se tira un dado 6000 veces y los resultados obtenidos son: 

n1 = 800 n2 = 1080 n3 = 950 n4 = 1086 n5 = 1304 n6 = 780 

Sea la hipótesis: 

1 

H0: El dado es perfecto ⇔ p1 = p2 = p3 = p4 = p5 = p6 = 6 

Entonces según [1] es: 

PH IX.3 

1 2 2 2 2 2 2 

v = 1000 (200 + 80 + 50 + 86 + 304 + 220 ) = 197,112 [2] 

y como según la tabla de χ 2 para α = 0,05, k = 6 – 1 = 5 es: 

se tiene entonces la región crítica: 

χ 

2 

0, 

05; 

5 

= 11,07 

RC : V > 11,07 

Como el valor obtenido en [2] cae dentro de esta región crítica se tiene que debe rechazarse 

a H0. 

a. En el ejercicio anterior se proponía una distribución teórica completa, y el problema 

consistía en tratar de averiguar si los datos experimentales podían o no provenir de dicha 

distribución. 

Ahora se propondrá una distribución teórica de la cual se ignora uno de sus parámetros, y el 

problema consistirá en tratar de averiguar si los datos experimentales pueden o no provenir 

de dicha distribución. El valor del parámetro que se considerará será su estimación máximo 

verosímil hallada en base a los datos experimentales obtenidos. 

b. Sea el mismo ejemplo 1º indicado en PH IX.1. 

Si la distribución es en efecto la de Poisson se tiene que (ver [1] de IE IV): 

ˆ 0 ⋅1448 

+ 1⋅ 

805 + 2 ⋅ 206 + 3⋅ 

34 + 4 ⋅ 4 + 5 ⋅ 2 + 6 ⋅1 

λ = x = 

= 0,5404 

1448 + 805 + 206 + 34 + 4 + 2 + 1 

Se tiene que en este caso es:

n = 1448 + 805 + 206 + 34 + 4 + 2 + 1 = 2500 

ˆp 0 = p(X = 0) = e -0,5404 = 0,5825 ⇒ ˆp 0 

ˆp 1 = p(X = 1) = e -0,5404 (0,5404) = 0,3148 ⇒ n ˆp 1 = 787 

ˆp 2 = p(X = 2) = e -0,5404 

2 

( 0, 

5404) 

= 0,0850 ⇒ n ˆp 2 = 213 

ˆp 3 = p(X = 3) = e -0,5404 

2! 

( 0, 

5404) 

3! 

3 

n = 1456 

= 0,0153 ⇒ n ˆp 3 = 38 

ˆp 4, 

5, 

6 = 1 – p(X ≤ 3) = 1 – (0,5825 + 0,3148 + 0,0850 + 0,0153) = 0,0024 ⇒ ˆp 4, 

5, 

6 

( 1448 −1456) 

v = 

1456 

2 

( 805 − 787) 

+ 

787 

2 

( 206 − 213) 

+ 

213 

2 

+ 

( 34 

− 38) 

38 

2 

+ 

n = 6 [3] 

( 7 

− 6) 

6 

2 

= 1,273412 

PH 26 

En este caso hay 5 sumandos y uno de los parámetros de la distribución es inferido en base a 

los resultados experimentales. 

Según Pearson en este caso la distribución de V será χ 2 con (n – 1) – 1 = n – 2 grados de 

libertad, es decir con tres grados de libertad. 

Como según la tabla de χ 2 para α = 0,05 y k = 3 es: 

resulta una región crítica: 

y como resultó: 

2 χ 0,05;3 = 7,81 

RC : V > 7,81 

1,273412 ∉ RC 

no se rechaza la hipótesis de que los datos experimentales obtenidos pertenecen en efecto a 

una distribución de Poisson. 

c. Observación importante: 

Notar que en [3] se refundieron en una sola categoría las estimaciones de P(X = 4), P(X = 5) 

y P(X = 6), considerándose en su lugar a la estimación de P(X = 4 ∪ X = 5 ∪ X = 6) a la 

que simbolizó como ˆp 4, 

5, 

6 . 

PH IX.4 

Esto se debe a lo siguiente (ver P. Hoel “Introduction to Mathematical Statistics”, pág. 167): 

“La experiencia y las investigaciones teóricas indican que este método de prueba de 

“hipótesis es generalmente satisfactorio siempre que (ver [1]) ni ≥ 5 ∀i y k ≥ 5. 

“Si algún ni < 5, conviene reunir en una sola a “celdas” adjuntas hasta que se cumpla lo 

“arriba indicado”. 

a. Hasta el momento se han considerado únicamente casos en que las distribuciones eran 

discretas. 

Supóngase que los valores asumidos por la variable continua X hayan sido tales que:

Veces 

PH 27 

X ≤ 9,5 10 < X ≤ 10,5 11 < X ≤ 11,5 12 < X ≤ 12,5 13 < X ≤ 13,5 14 < X ≤ 14,5 

9,5 < X ≤ 10 10,5 < X ≤ 11 11,5< X ≤ 12 12,5 < X ≤ 13 13,5 < X ≤ 14 

1 0 2 1 1 2 0 4 7 6 13 

14,5 < X ≤ 15 15,5 < X ≤ 16 16,5 < X ≤ 17 17,5 < X ≤ 18 18,5 < X ≤ 19 19,5 < X ≤ 20 

15 < X ≤ 15,5 16 < X ≤ 16,5 17 < X ≤ 17,5 18 < X ≤ 18,5 19 < X ≤ 19,5 

14 15 13 24 15 19 23 22 12 12 7 

20 < X ≤ 20,5 21 < X ≤ 21,5 22 < X ≤ 22,5 23 < X ≤ 23,5 24 < X ≤ 24,5 X > 25 

20,5 < X ≤ 21 21,5 < X ≤ 22 22,5 < X ≤ 23 23,5 < X ≤ 24 24,5 < X ≤ 25 

6 8 6 4 2 2 0 3 0 0 1 

n = 250 

Haciendo los cálculos del caso resulta: 

n 1 

1 

n 

m ˆ = x = ∑ xi 

= 17, 

0 

ˆ σ 

2 

= 

2 

∑ ( xi 

− x) 

= 7, 

1 ⇒ ˆ σ = 2, 

7 

n i= 

1 

X n −1 

X 

i= 

1 


H0: los datos provienen de una distribución normal. 

Divídanse los datos experimentales en 5 categorías: 

A1: X ≤ 12 A2: 12 < X ≤ 15 A3: 15 < X ≤ 18 A4: 18 < X ≤ 21 A5: X > 21 

Teóricamente, si H0 es cierta: 

⎛12 −17 

⎞ 

p1 = P(A1) = P(X ≤ 12) = FN(0,1) ⎜ ⎟ = 0,03 

⎝ 2, 

7 ⎠ 

⇒ np1 = 7,5 

⎛15 −17 

⎞ ⎛12 −17 

⎞ 

p2 = P(A2) = P(12 < X ≤ 15) = FN(0,1) ⎜ ⎟ – FN(0,1) ⎜ ⎟ = 0,02 ⇒ 

⎝ 2, 

7 ⎠ ⎝ 2, 

7 ⎠ 

np2 = 50 

⎛18 −17 

⎞ ⎛15 −17 

⎞ 

p3 = P(A3) = P(15 < X ≤ 18) = FN(0,1) ⎜ ⎟ – FN(0,1) ⎜ ⎟ = 0,41 ⇒ 

⎝ 2, 

7 ⎠ ⎝ 2, 

7 ⎠ 

np3 = 102,5 

⎛ 21− 

17 ⎞ ⎛18 −17 

⎞ 

p4 = P(A4) = P(18 < X ≤ 21) = FN(0,1) ⎜ ⎟ – FN(0,1) ⎜ ⎟ = 0,24 ⇒ 

⎝ 2, 

7 ⎠ ⎝ 2, 

7 ⎠ 

np4 = 72,5 

⎛ 21− 

17 ⎞ 

p5 = P(A5) = 1 – P(X ≤ 21) = 1 – FN(0,1) ⎜ ⎟ = 0,07 

⎝ 2, 

7 ⎠ 

⇒ np5 = 17,5 

Experimentalmente se obtuvo: 

n1 = Veces que ocurrió X ≤ 12 = 7 

n2 = Veces que ocurrió 12 < X ≤ 15 = 49 



n5 = Veces que ocurrió X > 21 = 18 

y aplicando la fórmula [1] resulta: 

v = 

( 7 

− 7, 

5) 

7, 

5 

2 

+ 

( 49 

− 50) 

50 

2 

( 109 −102, 

5) 

+ 

102, 

5 

2 

+ 

( 67 

− 72, 

5) 

72, 

5 

2 

+ 

( 18 

− 

17, 

5) 

17, 

5 

2 

= 0,82

PH IX.5 

PH 28 

En este caso hay 5 sumandos y dos de los parámetros de la distribución (m y σ) son 

inferidos en base a los resultados experimentales. 

Según Pearson en este caso la distribución de V será χ 2 con (n – 1) – 2 = n – 3 grados de 

libertad, es decir con dos grados de libertad. 

Como según la tabla de χ 2 para α = 0,05 y k = 2 es: 

resulta que la región crítica es: 

y como resultó: 

2 

0, 

05; 

2 

χ = 5,99 

RC: V > 5,99 

v = 0,82 ∉ RC 

resulta que no se rechaza la hipótesis nula, que consistía en que los datos experimentales 

provenían de una distribución normal. 

Se hace notar lo siguiente: 

1º. En PH IX.2 la hipótesis nula consistía en una distribución teórica completamente especificada, y 

si la variable V indicada en [1] constaba de k sumandos, su distribución era una distribución χ 2 

con k – 1 grados de libertad. 

2º. En PH IX.3 la hipótesis nula consistía en una distribución teórica en la cual un parámetro era 

estimado en base a los datos experimentales recogidos, y si la variable V indicada en [1] 

constaba de k sumandos, su distribución era una distribución χ 2 con (k – 1) – 1 grados de 

libertad. 

Generalizando: 

Si la hipótesis nula consiste en una distribución teórica en la cual r parámetros son estimados en 

base a los datos experimentales recogidos, y si la variable V indicada en [1] consta de k 

sumandos, su distribución será una distribución χ 2 con (k – 1) – r grados de libertad.

Problemas sobre pruebas de hipótesis 

PH 29 

PH 1 Sea X la variable aleatoria correspondiente a la vida de una producción de tubos 

fluorescentes. Probados 100 tubos resultó x = 1570 y s = 120. Se pide verificar la hipótesis: 

H0: 1600 

X = m 

siendo la hipótesis alternativa: 

H1: 1600 

X < m 

con un nivel de significación igual a 0,05. 

PH 2 Una universidad afirma que sus profesores cobran en promedio $ 7200 anuales, con una 

desviación típica de $ 2000. En una muestra al azar de 400 profesores se encontró un 

promedio de $ 6000 anuales. Se pide: 

a) Con un nivel de significación igual a 0,05, verificar si la afirmación de la facultad es 

cierta. 

b) Si el sueldo medio anual verdadero fuera de $ 6000 con la misma desviación típica, 

indicar el error tipo II que se cometería al aceptar la afirmación de la facultad. 

PH 3 Un fabricante de arandelas afirma que el espesor de las mismas sigue una ley normal 

(1 ; 0,1). Se toman 100 arandelas y resulta que el espesor promedio resultó 0,99. 

Con un nivel de significación de 0,05, comprobar la afirmación del fabricante. 

PH 4 Sea un nuevo producto farmacéutico que tiene una cierta toxicidad. El proceso de 

fabricación determina una distribución para la toxicidad a la cual corresponde una variable 

aleatoria normal T. 

Se sabe que una toxicidad de 130 ya es ligeramente nociva, y el fabricante desea tener una 

probabilidad igual a 0,99 de que el 99,9% de las píldoras que salen al mercado no superen 

dicho valor. Con ese fin analizó 10000 píldoras, lo que arrojó un resultado de t = 97 y 

s = 10. 

Indicar si este resultado determina o no que el fabricante logró su objetivo. 

PH 5 Una máquina embolsadora de papas debe estar regulada para embolsar 112 Kg / bolsa por lo 

menos. Un inspector sospecha de dicha regulación, toma 8 bolsas al azar y obtiene los 

siguientes resultados: 

115 110 109 107 108 102 111 113 

Indicar si las sospechas del inspector son justificadas o no. 

PH 6 Una máquina ha producido arandelas de 0,05 cm de espesor. Para comprobar si la máquina 

sigue en buenas condiciones se toma una muestra de 10 arandelas resultado x = 0,0515 cm 

y s = 0,003 cm. Supóngase que la distribución del espesor de las arandelas es normal. Se 

pide averiguar si la máquina está o no en buenas condiciones de ajuste con un nivel de 

significación igual a 0,05. 

PH 7 En una chimenea se ha instalado un sistema de precipitación de sólidos con el cual se cree 

que la concentración de los mismos bajará de 1,8 g/m 3 a 0,6 g/m 3 . Puesto en marcha el 

nuevo sistema se efectuaron 10 mediciones cuyos resultados fueron: 

0,6 0,62 0,63 0,64 0,65 0,66 0,66 0,67 0,73 

¿Cree Usted que el nuevo sistema cumple con lo deseado?

PH 30 

PH 8 De un conjunto de 17 plantas, 9 de ellas fueron sometidas a un tratamiento químico, y el 

número de frutas que dieron fue respectivamente: 

17 27 18 25 27 29 27 23 17 

A las 8 plantas restantes no se las sometió a ningún tratamiento y su rendimiento en frutos 

fue: 

16 16 20 16 20 17 15 21 

Indicar si puede considerarse que el tratamiento fue eficaz. 

PH 9 Sea X la variable aleatoria correspondiente al nivel mental de los alumnos de la 

universidad A, y sea Y la variable aleatoria correspondiente al nivel mental de los alumnos 

de la universidad B. Se toman 20 alumnos de la universidad A y 22 de la B. Se halló 

x = 90, 2 

s = 100, y = 110 y 2 

s = 80. 

X 

Y 

Se desea saber con un nivel de significación igual a 0,01 si hay una diferencia significativa 

entre los alumnos de esas dos universidades. 

PH 10 Sea un proceso de fabricación de bombas de luz con las cuales se obtiene una calidad tal 

que a lo sumo el 1 % de las bombas resultan malas. Se introduce una modificación en el 

proceso de fabricación que, se espera, no altere dicha calidad. Se fabricaron 300 bombas 

con la nueva modificación de las cuales 5 resultaron malas. Se pide: 

a) Determinar si se puede establecer conclusivamente que ha habido un deterioro en la 

calidad con un nivel de significación igual a 0,05. 

b) Usando la región crítica hallada para a), hallar P(II) si la calidad de las bombas bajó del 

1 % de malas a 2 % de malas. 

PH 11 Se quiere verificar la hipótesis de que el nacimiento de varones sigue la ley binomial con 

p = ½ . En una muestra de 100 000 nacimientos resultaron 48 600 varones y 51 400 

mujeres. Indicar si este resultado confirma o no la hipótesis con un nivel de significación 

de 0,005. 

PH 12 La flor de una cierta planta de adorno puede venir de 4 colores distintos. Un experimento 

sobre 217 plantas arrojó los siguientes resultados: 

Color: A B C D 

Cantidad: 120 48 36 13 

Según las leyes de la genética la probabilidad de aparición de dichos colores es: 

P(A) = 9 

16 , P(B) = 3 

16 , P(C) = 3 

16 y P(D) = 1 

16 . 

Indicar si los resultados obtenidos concuerdan con esta ley con un nivel de significación de 

0,05. 

PH 13 Sea una muestra de 60 circuitos impresos bastante complejos. 

Aparecieron: 

Con 0 falla: 32 circuitos 




Indicar si las cantidades de fallas de este tipo de circuito sigue una ley de Poisson con 

P(1) = 0,05.

PH 14 Se supone que la duración de las llamadas telefónicas tienen una duración exponencial 

negativa: 

P(T < t) = 

0 para t < 0 

1 – e - λ t para t > 0 

PH 31 

Se hacen 100 llamadas, y sus y sus duraciones respectivas fueron tales que: 

T ≤ 1 : 42 1 < T ≤ 2 : 21 2 < T ≤ 3 : 12 

3 < T ≤ 4 : 12 4 < T ≤ 5 : 7 T > 5 : 6 

Supóngase que el promedio de duración de dichas llamadas haya sido t = 1,98 minutos. 

Se pide hallar con un nivel de significación igual a 0,05 si los datos obtenidos provienen en 

efecto de una distribución exponencial negativa.

INFERENCIA ESTADISTICA PRUEBA DE HIPOTESIS ... - edUTecNe

Create successful ePaper yourself

Delete template?

Save as template?