Академический Документы
Профессиональный Документы
Культура Документы
Elementos de inferencia
estad stica : experi mentos
con uno y dos tratarnentos
Sumario
Objetivos de aprendizaje
intervalo
t,
estadisrica
6.
por inrervalo.
9.
nfo c i.
'1.
p0rct0nes.
tess
MAPA COI\ICEPTUAL
_l**;*-t
tslrmacion
Poblacin y
muestra
l--.*-
Poblaciones
--___*l
iProporCones
i
\ra rianzas
nterva lo
Prueba de
pareadas
t_.-__*_.
puntual y por
iptes is
Media, varianza y
F_
proporcin
Comparacin de
dos tratamientos
Y
14
CAPTULO 2
,eG.
rL
Conceptos clavej
Error tipo
Error tipo ll
Estadktico
Estadstico dd prueba
Estimador
puntual
Hiptesis estadstica'
lnferencia estadstica
Pobiacin (toda la
produccin del mes)
lntervaio de confianza
Muestras pareadas
0rden completamente al
azar
Potencia de la prueba
Regin de
aceptacin
Regin de
rechazo
PARAMETROS
(siempre desconocidos)
ESTADSTICOS
(conocidos)
Significancia observada
Significancia predefinida
hl
Es
Poblacin finita
Flgura
2.1
$..
Parmetros
su valor
)',.
Es
Poblacin infinita
$-'
Muestra representativa
h-
lnf.r.ncia estadstica
Con frecuencia, las poblaciones de inters son los materiales, ios productos terminados, partes o componentes, Ios individuos de una poblacin o las propiedades de algn material o sustancia. En muchos casos estas poblaciones se pueden suponer infinitas o grandes. Por ejemplo, en empresas con produccin en masa no siempre es poslble
medlr cada preza de material que 11ega o las propiedades de cada producto terminado.
lncluso, si 1a produccin no es masiva, conviene imaginar el proceso como una poblacin infinita o muy grande, debido a que e1 flujo del proceso no se detiene, es decir, no
existe ei ltimo artculo producido mientras la empresa siga operando. En estos casos
las poblaciones se estudian mediante muestras representativas de dichas poblaciones.
Un asunto importante ser lograr que 1as muestras sean representativas, en el sentido de que tengan los aspectos clave que se desean analizar en la poblacin. Una forma
de iograr esa representatividad es disear de manera adecuada un muestreo aleatorio
(azar), donde la seleccin no se haga con algn sesgo en una direccin que favorezca
la inclusin de ciertos elementos en particular, srno que todos 1os elementos de la poblacin tengan las mismas oportunidades de ser incluidos en 1a muestra. Exlsten varios
mtodos de muestreo aleatorio, por ejemplol e1 simple, el estratiflcado, e1 muestreo
sistemtico y por congiomerados; cada uno de ellos logra muestras represeniativas en
funcin de 1os objetivos del estudlo y de ciertas circunstancias 1- caractersticas particulares de la poblacin (vase Gutirrez Pulido, 2010)
lnferencia estadstica
El objetivo dela nJerer"tcia estqdstica es hacer afirmaclones vlidas acerca de 1a poblacin o proceso con base en 1a rnlormacin contenida en una mueslra. Estas afirmacio-
Distribuciones de probabilidad e
inferencia
15
lr.
i con
1a
poblacional'
h#t
frtudirtao
trata de una variable aieatoria, ya que su valor depende de 1os elementos que son seleccionados para
integrar la muestra, y por io tanto, vara de una muestra a otra. La lorma de tomar en cuenta este hecho
es conocer la distribucin de probabilidad de cada esradstico.
se
Distribuciones de probabilidad
e inferencia
H.,
ii,
r.
ffi
muestraladistribucinnormalconp=0yo=1,quesesmbolizaconl,I(0, 1)yseconocecomola
dis
tnbucion
n o
nnal e standar.
En 1a figura 2.2 tambit se observa que [an[o ]a disrribucin normal estndar como 1a T de Srudenr
son simtricas y centradas en cero, mientras que 1as dlstribuciones jl-cuadrada y F son sesgadas y slo
toman r-alores positlvos. Las cualro distribuciones estn reiacionadas entre s, ya que las d.istribuciones
v F, recrben el nombre d,e graclos delibertad, que rienen que ver con los ,rrno, *u.rtrales involucrados. Por ejemplo, si se tiene una muestra de tamao 20,ser de inters
una distribucin T de stueni con 19 grados de libertad para hacer ir-rr.r.n.i" rou.. t,
media pobtacional; o una ji-cuadrada ,, le grados de liberrad
sobre ia varianza poblacional.
pr.";;;;;l;f.;;
h}i
Crados de libertad
l?l?il;l-ill1:*:lJi]:',iffi1
lucrados.
16
CAPTULO
Normal estndar
fde
040
0.40
030
0.30
0.20
0.20
0.1 0
0.10
0.0
0.0
Ji-cuadrada, 10 q.l
Student, 5 g.l.
F(s,10)
0.6
0.08
0.4
0.04
4.2
0.0
0.0
F[Eura
i, ,!
;. l:
?.*
10
XX
15
ZO
sobre varianzas y ia distribucin F se ernplear para compararvarianzas. Es por esto que 1a disrribucin
F es la de rnayor relevancia en diseo de experimentos, dado que e} anlisis de 1a vriabilidad que se
observa en un experimento se hace comparando varianzas.
:i:
Usa de ENce!
il
Si X tiene r:na distribucin normal con media p y desvlacin estndar o con frecuencia es de inters
calcular probabilidades como P(X < x). Se puede utilizar 1a hoja de clcu1o de Excel (o algo equivalente)
para calcular este ripo de probabiiidades para e1lo se uriliza la siguienre funcin:
DIS TR. {ORtr..{
(x,
nte
dia,
de sv _e
donde en la celda x se da el valor de relerencia para el c1cu1o de probabilidades, en media seda e1 valor
de 1a media. lt, y en desv-estandat' se deciara el valor de la desrriacin estndar o. por ulfimo, acunt
,
es un valor lgico que determina la forma de Ia funcln: si e1 argumenLo acwnes VERDADERO (se
da
un I),1a luncin DISTR.AIORM devuelve la funcin de distribucin acumulada (P(X < i));
(se da un 0), devueh,e ia funcrn de densidad de probabilidad,
es decir, dat'e).
si es FALSO
intervalo
17
':
ejemplo, ios parmetros de una distribucln normal son ia media, p,y Ia desviacin estndar, o, que
en caso de desconocerse ser necesario estimarlos a partir de los datos en la muestra, Hay cios tipos c1e
estlmacin: puntuai y por intervalo.
Estirnacin puntlial
Un estimador puntual de un parmetro ciesconocido es un estadstico que genera un
Yalor numrico simple, que se utiliza para hacer una estimacin dei valor del parmetro
desconocido; por ejemplo, tres parmetros sobre ios que con lrecuencia se desea hacer
inferencia son:
{S
11-
fstimador puntual
de1 proceso.
Los estimadores puntuales (estadsticos) ms recomendados para estimar estos parmetros son,
respectivamen[e:
La media muesLrai
f =
La varianza muestral o2 =
S2
valor puede usarse como una estimacin puntual de p (la media del proceso).
Colocar un gorro (smbolo ^) sobre un parmetro es una manera general de denotar un estimador
puntual del correspondlente parmetro, puesto que los estimadores no son nicos. Por elemplo, ia
estimacin de la media, p, podria hacerse con el uso de la media muesrral X, la mediana i, o 1a moda,
dado que las tres son diferentes medidas de la tendencla cenrral de unos datos.
Este
[stimacin pr inte'valo
estimacln puntuai de un parmetro se genera a travs de un estadstico, y como ei valor de ste es
alealorio porque depende de 1os elementos que lueron seleccionados en la muestra, entonces la esrimacin que se hace sobre el parinetro depender y variar de una muestra a otra. Por el1o es necesario
saber qtt tan precisa es la estimacin puntual, y es[o rrene que ver con la varianza de1 correspondiente
estimador. Una forma de saber qu tan variable es e1 estimador, conslste en calcular 1a desviacrn esLa
ndar o error estandar de1 estadstico, visto como una variable aleatoria. Por ejemplo, sea 1a clesviacLn
i d. unu muestra de tamao n, puesro qr. i ., una variable aleatoria: sta tiene
su propia desviacin o error estndar, que se puede estimar mediante 6 = S /
X
^,li
I-ina forma operativa de saber qu tan precisa es ia es[imacin consiste en calcular un interycio cle
confanza que indique un rango "en e1 que puede estar e1 parmetro" con cierro nivel de seguridacl o
confianza. Construir un intervalo al 100(i - a)o/o de confianza para un parmetro desconocido g, consiste en estimar dos nmeros (estadsticos) L y U, de manera que la probabilidad de que 0 se encuenrre
estndar 5 y 1a meciia
P(L<e<U)=l-a
(2.1)
se espera que 95 de
lscAPiTuLo2ElementosdeinferenciaestadStica:experimentosConunoydostratamientos
tenganeiverdaderor,alordedichoparm".:oj'iaprcticaseobtieneslounintervaioysediceque
,&,
elintervalotr'ultit"t'i-u;;;de1o0(f-j;t''vque91pa'am"troestarenelintervaloel
que se aplique el procedimiento'
100(1 - a)ok delas veces
rntervaro de
confiaza
,. *llxlttt;;fi[aT1*u:fJ:ll;*,t'*x'ffiffi::"T'i!i"{'H:'::':i
mayor la ,^:,1",:::
mayor a meiu q,.
los intervrlos
'.u
se lncre.1. .onfl*,,, EI ancho de
1u,'tho dei intervaio es menor
il.,'i. r. ,r,rretio pobracionar [r'"ofi,i; y;;;:i. -.,nur,rul"rgra".
'
est el
Valores entre los que se estima
Va.
eS
s1
*"'''t'
el tamao de la muestra'
una media
lntervalo de confianza para
Por definici n de intervalo
tro
se encuen[re
de
t"t" Ji"t
"tu
P(L=lt<U)=I-c
intervalo
SeaXl,X2,...,Xnunamuestraaieatoriadetamaondeunapoblacin,Conunadistribucinnormal
general para deducir el
ambas a.,.onotliu'' El procedimiento
yartanzao2,
y
disrribucin
una
iiene
lt
y que
qr. in.,otr.i J p'ar*.t.o de inrres
consisre en parrir a. ," r^rr,r.o
con media
estadstico
."L.iar. En el caso de la media ta1
es:
, _X-lt
'5/J;
en 1a ubla de esta
T-,,
P\-'o,r<+ato'
S/./n f=I-a
Deaqu,despe;andohastadejarsloenmediodelasdeslguaidadeselparmetrodeinters'se
llega a que:
elx-r,,,
it
(2.2)
ln-
En este sentido,
L=X-totz* I
lJ --x+t"''*'
d*:"'{;;;'
rervalo al 100(t ;,;i
igual.
o
mayor
observa que para ur, *r.r,ru
a)ok parula media
que denen un
son los nume,ros buscados
T de student
En la ti!!i: la distribucin
'
in,.*rlo
al
es
se
aproxi-
error estndar'
media ms menos 2 veces su
madamente Xf-!,,, o sea' la
: : . ':
[#W*.].l:....:]]..ll':::.].]]]:]-:l........'...
"tu'
cu7Le';':t^i
rn ,v
-t = r1'10'
E/
esta caracterstica
cin fue satisfactorio Para evaluar
sistemtico en una
muestreo
un
,nu ,.*unu se hace
5
obtitnun 25 muestras de tamao
inea de produccin, y
il;.;;;
"
;:;; ;:.;;;.i :
lt:":J:;l
:: ,"*
el cual debe'serde
utr, vuvLlv '"-,a, es zu srolor'
;r;t*ot.il'toiit;l
:.-d'udu
del
oa rdlo ,r. As, el grosor
rn un proiro de inyeccin',e fustico'
=:
se lene unamuestit
.ud una Por lo tanto, al final
mm y la varlanza' '
,u ,.Oiu muestral' X = l 'll9
"0t,..
q" iu-t'ti*utin del error estndar de l
52 = 0.00071, por lo
media es:
5
Ji
0 0266 _n nn7
11.18
Cuando n
>
a 1a
porlotanto,delatabladeladistribucinnormalseobene queto2=zat2=L.96paraa=0.05.De
aqu que el intervalo al 100(t - a)o/o de confianza para la mediap del grosor de los discos est dado por:
ozoo)=
ru(o
t.17er0.004
l. II.IB ,
x+ "''
t-,.1 = r.rTet r
Jn
puede afirmar entonces que, con una confianza de95ak, ia mediap de grosor de 1os discos se encuentra en el intervalo [1.774,1.184] . En el clculo anterior, a1 valor de 0.00466 se 1e conoce como
Se
del parmetro
pobiacional 2.
Una alternativa ai uso de las tablas para obtener e1 valor de es el uso de sistemas computacionaies.
Por ejemplo, en el caso de Excel se emplea la funcin DISTR.T.INV (a, n - 1), que considera 1os dos
extremos o colas de la distribucin, por eso se indlca c.
Tamao de la muestra
En ocasiones es necesario calcular el tamao de muestra n paralograr que ia estlmacln de una media
poblacionalp tenga como error mximo un valor E. En este caso, como el error de estimacin est dado
por E = t(o/2,'-DS/\E, entonces despejando n obtenemos que:
''=
tio :,
j''-r,52
,:,
Como (or2, n-r depende de ny sta es la incgnita, entonces para propsltos prctlcos y con tamaos de
mlresira mayores que 30, el valor de to2.,_11 puede tomarse como 2. De esta manera,
452
F'
donde 52 es un estimador de lavaranza. Por ejemplo, si en ei caso del grosor medio de los discos se
quislera un error mximo de 0.00,t = E, entonces se requiere:
4(0.00071)
n-'""--','=177.5=l7B
(0.004)'
zao',\a distribucin de referencia es una ji-cuadrada con n - 1 grados de libertad, ya que bajo ei supuesto de que 1a variable de inters tiene una disribucin normal con media y yarranza desconocidas,
e1 estadstico 0t - I)52/o2 sigue la distribucin ji-cuadrada con n - 1 grados de libertad. De esta manera,
con un poco de lgebra, se 11ega a que el intervalo de confianza paralayartanza est dado por:
(n-l)S2
X.'o,,
^-,
3.:
<rz
" <
(n-I)S2
Xl-atz
de 1a distribucin.1i-cuadrada con n
(2.3)
n-L
- l grados de liber-
:-. -\\'
(l - al2,
(a12, n - L) y PRUEBA.CHI.lNV
- l).
19
20
CAPTULO
En ei proceso de fabricacin de discos para computadoras, una de las variables crticas es el rendimiento de formato. Se toma una
muestra aleatoria de n = 10 discos de la produccin del turno de Ia maana. Se formatean y se reporta el rendimiento de cada disco.
Loscjatosooten.dosson: 96 11,91.06,9338,88.52,89.57,92.63,8520,91
.41
,sgTg,g2.62.Coobaseenestosdarosinreresa
est,mar p-ntualrente y por inte'va,c a rne0i y'a desv,acion estardar para a poblacion oe drscos oe dicho tLLrno.
Los estimadores puntuales para"la media y ia desviaiin estnclar resultan ser:
v-
I'o
x,
10
-o1n2,,
r qq-l
03.2.76fi)=[88
gt
*t,,*l-1, l, -,.'"'.],x
Jn' " Jn.l L- 03-- z- --2622,
r'i'-
Be, e3 17]
donde ei valor del punto crtico t,,n= ta.as = 2.26 se lee en las tablas para la distrrbucin f de Student con 9 grados de iibertad que
se localiza en ei apndice. Con una conflanza de 95% se espera que el rendimiento promedo de los discos producidos durante ese
turno est errtre BB.89 y 93.17. El correspondiente intervalo para la desviactn estndar o se obtiene sacando la i'az cuadrada al
intervalo para 1a varianza <r2 ciado en ia relacin (2.3). As, el intervalo para o est dado por:
iE rI;rrl [,[erlezl,.@[l=
Ltfn; l r;"*, . )= L! rrn, ' I .ro r t2a5,5461
donde los vaiores criticos Z2i,z, n_, = xlazs.g -l9.aZJ Xl_ntt. ,_,= Xists g = 270 se obtienen de la tabia de la distrilruCn
1i_cuadrada,
que est en el apndice. As con una confianza Oe gSZ" se espera qud la clesviacin estndar del rendimiento de los ciiscos producidos
Jurnte ese [r'no este entre 2.05 y 5 46.
Cuanclo no se est satisfecho con la amplitud dei intervalo, entonces ser necesario incrementar la precisin.de la estimacion, y
esto se hace aumentando el tamao de muestra.
nfr'*rw*t F*
ii#r& l* pr*p,*rci*r:
Frecuenlemenle se desea estimar la pronorcin p de elementos que trenen una caracterstrca de'.enninada en una poblacin, doncie cada elemento tienc o r-ro .il caraclerlsl1ca, como podra ser si un artcu1o
est delectuoso o no. En eslos casos, si cle una poblacin as se extrae una mllestra de ri elementos, y
x de ellos tienen la carac[erislica de inters, entonces 1a proporcin muestral est dada por p = r/ir. Si
se supone que X tiene una ciistnbucin binominal ,v rr tiene un r,alor relativamente grande, entonces se puede conslruir un tnlen,alo de confianza para 1a proporcin poblacional p, apoyndose en 1a
aproximacin de la distribucrn binomial por ia normal. En estas concliciones se puede afirmar que de
manera aproxrmada ia proporcrn muestral p sigr-re una distribucin noimal con media p y varianza
p(l - p)/n. Con el uso de ia misma argumenlacin que en ei inten'alo para ia medla. se cleduce que e1
intervalo de confranza para 1a proporcin es de 1a lorma:
;_ 7
P Lat2
( i-l -
-]'-l''.tl-
d.onde Z,,,2es utl percenlil de tabla de 1a drstlibucirin normai estr'Ldar q:. esi en el apndrce. o bien, se
pr-ierle obtenei con Excel con la luncin DISiR NORII ESLI\D i]D :..
1.
-,:
'
'
p de artculos defectuosos en
unfotei de 2000 (pbblacin). Para ello, se toma una muestra
raleatoria'de n'=:l 00 ar:ticulos y se encuentra que de stos,
x= 5, son defectuosos. Por Io tanto, un estimador puntualdep es
p= 5/100 = 0.050. Si se quiere estimarp por intervalo, enfonces, de acuerdo con lo explicado antes, un intervalo al 95% de
5e quiere estimar'1a proporcin
osorr
e6"/@=o.o5oro.o43
Y 100
Tamao de muestra
Si se
quiere estimar el tamano de la muestra n, que es necesario para estimar p con un error mdmo de E,
= Zo,r"tit(I: pYn, si despejamos de aqu a n obtenemos que:
, =Z'"''P|-)-
P)
t:
donde p es una estimacin dei vaior de p. Por ejemplo, si en el problema anrerior se quisiera un error
mximo de E = 0.03, con una confianza deg50/o, enroncFs se requiere
(I.96)'] (0.05xI - 0.05)/
QQe n =
(0.03)'z = 203. Cuando no se sabe nada de p, enlafrmula antenor se-supo,re p= 0 5
Tabla
2.1
_s
X + to,,
(n
-|:
.in
1)52
X,l-atz. n-t
P'<a/2
(n,-1)S1+(nr-1)S1
donde 5o =
sl"
1l
52
- ir.) -
zo,,
l-a12. n,-1
(i,r-i,r)+2o,,
21
CAPTULO
les para intervalos de confranza que involucran a dos parmetros, como son: diferencias de medias,
diferencias de proporciones y cocientes de varianzas. Estos intervalos proveen informacin sobre la
igualdad estadstica de los parmetros correspondientes a las dos poblaciones de inters. Note que los
clculos involucran a ios estimadores puntuales obtenidos con cada muestra. En la tabla, la notacin
z1_62, ts.2, X,l_an, n_t y Fvot,n2_1, n1_l se refiere a puntos crticos de Ia correspondiente distribucin.
Estos valores se determinan fcilmente con el uso de un software estadstico o de las tablas dadas en
ei apndlce.
.
.
do ste especula acerca de1 resultado final de una investigacin o experimento. Por 1o que la idea de
ia investigacln es generar evidencia en favor de su hlptesis, aunque puede darse el caso de que ia
evidencia lleve a rechazar ia afirmacin original. Usuaimente 1a hiptesis es generada a partir de crertos
elementos observados y de un proceso de razonamiento rnductivo. Es deseabie que 1a hiptesis sea
realista y comprobable, para as facilitar el diseo de 1a investigacin.
En este contexto, cuando en la investigacin se recolectan datos, es posible formular hiptesis un
tanto ms operalivas sobre 1as caractersticas estadsticas de tales datos. De ta1 forma que al verificar estas hiptesis estadsticas se allone evrdencia a. favor o en contra de ia hiptesis de investigacin, De esta
lnanera ias hiptesis estadsticas son una esplcie de transformacin o despliegue de la afirmacin de 1a
investigacin.
W'
Es
H'p'tesis estadstica
o proceso,
Unahiptesis estadistica es una afirmacin sobre los valores de los parmetros de una
poblacin o proceso, que es susceptible de probarse a parttr de la informacin contenida en una muestra representativa que es obtenida de la poblacin. Por ejemplo,
la afirmacin "este proceso produce menos de Bolo de defectuosos" se puede plantear
estadsticamente, en trminos de la proporcin p desconocida de artculos defectuosos
que genera el proceso, como se hace a continuacin.
Hs : p = 0.08 (ia proporcin de defectuosos es 0.08)
(2.4)
23
(2.5)
H'. p
* 0.08
Ahora, 1o que se desea concluir es la hiptesis nula. Ntese Ia diferencia entre las hiptesis alternativas en las expresiones (2.4) y (2.5). En (2.4), H se conoce como hiptesis alternativa de un solo lado
(unilateral), ya que la nica manera de rechazar Ho es teniendo valores de la proporcin muestral p
significativamente ms pequeos que 0.08. Asimismo, en (2.5), Ho se }lama hiptesis alternativa de dos
lodos(bilateral), ya que la evidencia en contra de He se obtiene con vaiores pequeos o grandes de 1a
proporcin muestral p. As, la eleccin de la hiptesis aI[ernativa en cuan[o a si debe ser unllareral o
bilateral depende de la aErmacrn que se quiera probar.
Otro aspecto importante es la seleccin del valor del parmetro que especrfica la hiptesis nula,
esto es, por qu 0.08 en las hiptesis de 1as expresiones (2.4) y (2.5)? Este valor se elige de manera
que separe dos situaciones que llevan a tomar diferentes acciones. Por e1emplo, en la hiptesis dada en
(2.4) se eligi 0.08 porque sta es ia proporcin cie defectuosos reportada el mes anterior, y despus de
impiementar un programa de mejora se quiere ver si dio el resultado esperado. En caso de no rechazar
Hp se concluira que e1 programa no fluncion y que se deben tomar medidas adicionales para bajar la
proporcin de defectuosos.
Estadstico de prueba
Probar una hiptesis consiste en investigar si 1o afirmado por la hiptesls nula es verdad o no. La
estrategia de prueba parte de1 supuesio de que 116 es i.erdadera, y si lps resultados de ia investigacin contradicen en forma suficiente dicho supuesto, entonces se rechaza Hs y se acepta la hiptesis
alternativa. En caso de que los resultados de la investigacin no demuestren claramente 1a falsedad
de H0, sta no se rechaza. Es decir, lahiptesis nula es verdadera mientras no se demuestre lo contrario.
Una vez pianteada Ia hiptesis, se toma una muestra aleatoria de la poblacin
de estudio o se obtienen datos mediante un experimento planeado de acuerdo con : i:!i
h) fstadstico de prueba
la hipresis. El estadstico de prueba es un nmert calculado a parrir de los datos y la
hiptesisnu1a,cuyamagnitudpermitediscernirsiserechazaono1ahipteSiSnu1aH6.
r;;;;;
I; ::T;:J::.1:1'JJff:ij:r;:iil:l
7^=
0.08
si se rechaza o no la
(2.6)
.,[obs(t-o ostn,
donde p es la proporcin de defectuosos que se encuentre en una mLrestra de n artculos inspeccionados. Si H6 es verdad, el estadstico 26 sigue aproximadamente ia distribucin normal estndar.
Por ejemplo, supongamos que se toma una muestra de n = 150 piezas y de el1as x = 20 son defectuosas, entonces el valor de la proporcin es p = x/n = 0.13. Vamos a ver si esto implica una dilerencia
sufrciente para rechazar que p = 0.08. Por 1o pronto, el valor eskdstico es zo = 2.41.
''
CfitgfiO de
fgChaZO
negion de aceptacin
Sonlosposiblesvaloresdelestadsticode
prueba donde no se rechaza la hiptesis
El es:ad.stico de prueba, construido bajo el supuesto de que H6 es verdad, es una va- nula.
:::.':.
con distribucin conocida. Si efectivamente Hs es verdad, el r'alor del r:...-.
"-arcrla
s',:::s::: ce prueba debera caer dentro clel rango de valores ms probabies de su S
negin de rechazo
..r"r^ c'l cuai se conoce como region de aceptacin Si cae en una de las r- .r
-'--- - --._-.
" i* '^
..-:---_
;:t,trau4,
-^^i,,^+^ r^ ^^.;hr^.,,.r^,.
-:..,. :: .- :.si:ibucin asociada, fuera del rr',go d. valores -as probubL;i;i;
fflrtTi:i1h:ltfJ:ilJ:ff:.::::
.i, '.-::-.:: :s eridencia en contra de que este valor pertenece a dicha distribucin lahiptesisnula.
;il;
24
CAPTULO
(r,ase frgura
H debe ser
2.3) De aqu
se deduce que debe estar mal el supuesto ba.1o el cual se construy, es declr,
fa1sa.
H :p = g.gg
H6
H:p<0.08
Ho:p*0.08
:p = 9.93
-ZalT
Figuna
Regin o intervalo
de aceptacion
t-l
Zal2
lntervalo de
aceptacln
1a
coffio {6 = 2.41, entonces Zs > 1.96; por 1o tanto, se rechaza Ho . P = 0.08. Esto ya se intua, puesto que
la proporcin muestral haba sido p = 0. i3.
sienlugardetenerx=20defectos,setuvieranx=i5,entoncesp=010'Alsustituirestoen(26)
ZdD = I.96. De aqu que no se rechace
H.p=0.0B.Esdecir,enestecasop=0.i0noesevidenclasuficientecontraH0:P=0.04.
una
He
que es ver-
dadera.
Probar una hipresis estadstica es una decisin probabilstica, por io que existe e1 rlesgo de comete r vn errlr tipo I o fl errlr tipo Il. El primero ocurre si se rechaza He cuando
sta es vercladera, y el error tipo 1l es cuando se acepta lls y sta es falsa. En toda prueba
de hipresis cada tipo de error tiene una probabilldad de ocurri.r. Con a y p se denotan
1as
Erron
Es
tipo ll
probabilidades de
1os
errores tipo I y
11,
respectivamente. Asi,
que es falsa.
B = P{erroi ripo
11}
FIo
siendo verdadera
,;i#r"'Iffi1#";"::!::z::::*J,:"1:;iy2l'11i!;;;:n;:,?;:,,:::\^
&p_ eot.ncia
probabilidad de la regin o inlervalo de rechazo; su valor se especifica por parte de1 Es la probabilidad
investigador desde que planea el estudio. Por 1o general se utilizan los valores a 0.05 es falsa.
=
o 0.01, dependiendo dei riesgo que se quiera admitir en la conclusin. Mientras ms pequeo es e1
valor de c, se requiere ms edencia en ios daros para rechazar Ho. Por ejemplo, si ia accin a tomar
despus de rechazar H implica una rnversin fuerte
.de recursos, se recomienda utilizar cr = O.0l para
tener mayor confianza de que la decisin ser 1a adecuada. Si Ia declstn no rmplica una inversin fuerte, es suficiente trabajar Corr o = 0.05, que es el valor ms utilizado para este riesgo. Esto es, un valor
ms pequeo que a no necesariamente ser mejor, ya que si se admite poco riesgo (a < 0.0i) se est
truncando 1a posibilldad de camblos que seran positivos parala empresa. Utilizar ct = O.O5 signica
que por cada 100 veces independientes que se aplica el procedimiento y se rechazaH6, se espera qr-re,
en un promedio de 95 veces, tal decisin sea la correcta.
Por 1o general, en las pruebas de hiptesis se especifica e1 valor de a y se disea 1a prueba de tal
forma que el valor de B sea pequeo. Esto es, la probabilidad. del error tipo I se conrrola ir..tr-.r.r.,
mientras que 1a probablidad de1 error tipo I1 se controla de manera indirecta con el ramao de la muestra, ya que a_ms daos, B ser menor. En otras palabras, con una muestra grande es ma)or la potencia
de la prueba.t
En 1a prctica suele ser ms delicado cometer e1 error ripo I que e1 error tipo lI, debldo a que en 1a
mayora de las hlptesis ei rechazar H6 impllca objetar algo que se acepta de manera convencronal. No
rechazar Hs lmplica, en muchos casos, seguir como hasta ahora. Por 1o anterior, es comn que se controle slo ei error tipo 1, mlentras que ei error tipo II se cleja libre como si su magnitud no importara.
Lo cierto es que el error tipo II tambin importa y 1a magnitud de su probabilidad debe ser peqlrea (se recomienda P = 0.10). El problema es que confrolar a
B rtene varlos problemas; por ejemplo,
muchas veces se requieren grandes lamaos muestrales o se deben realizar muchas repetlciones en e1
experimenlo. Por e]1o, en este libro no enfalizamos e1 contro] de1 error tipo II, pero damos ias recomendaciones del nmero de repeticiones que deben obtenerse en cada experimento para tener un valor
peq
frl
'l
&t
&i'
'
ueno de B
ilr
$,:
!i,
t;.,:
!,t
h,
ii
i:,
probar
es
Ha:
lt = ilo
(2.7)
H,t,' H
lta
-:i :l;l:-: :.:::r3r que, en general, es deseable que una prueba estadstica sea potente.
Sin embargo, cuando el tanar:: -.
I -::.:--- :: -:::a:1]lia en exceso (a tamaos en cientos) se llega a tener una potencra excesiva, que lleva al extremo de reci.:::.:
- - -:::: :. ..::l:dera desde el punto de vista prctico.
desconocida 25
de ,a prueba
de rechazar Ho cuando
26
CAPTULO
Para probar esta hiptesis se toma una muestra aleatoria de tamao n de los posibles valores de
1a
-u X-u"
SlJn
(2.8)
a!.1
l
lr
e1
(a,n-L).
Una breve justlficacin del criterio de rechazo parala prueba anterior es Ia slguiente: por teora
esadstlca se sabe que bajo el supuesto de que Ho'. lt =ps es verdadera, el estadstico de prueba te se
distribuye T de Student con 11 - I grados de libertad y, en consecuencia, hay una probabilidad de 100
(l - a)ok de que el valor de to caiga entTe -talzy to2.De aqu que si la muestra produce un valor de t6
luera de estos lmltes, entonces ta1 valor de to es evidencia de que H6 es falsa. Por eI contrario, si ts cae
ente -ta/2 f to2, ?s evidencia a favor de la veracidad de H6 ya que no existe ninguna contradiccin.
Obsrvese que la regln de rechazo dada por 1a unin de intervalos (-*, -ton) \) (+to,r, co) est determlnada por
1a
probabilidad a
de1
error trpo
1 (vase
figura 2.,1).
ton
-Lal2 0
Reqin de
Reqin de
Regin de
rechazo I aceptacin I rechazo
Figura
En aquellas situaciones en las que se desea recb,az^r Ha'. lL =p0 s1o cuando
alternativa es unilateral.
Ho'.
lt
lt
lto
(z.e)
Ht'il>lto
En este caso se rechaza lle sr f6 > to.Por otra parte, si lo que interesa esrechazar l7o
LL < lto, entonces ahora }a hiptesis unilateral se plantea de 1a forma:
Ho
HA
y se rechaza H, si
l,1
< -to.
4=lro
lL < {o
l.
= ltos1o cuando
(2.r0)
f,l
ll
li:'
!t:.
{'..
lr'
Peso'de costales
Un fabricante de'dlces compra costales de azcar a cierto inge-
nio Segn
Jos
49.4 y Sz = 1 .2. De esta manera, ei estadstico de prueba calculado de acuerdo con la expresrn (2.8) est dado por:
. J-u^\ Jts@g.+-so.t
(0-__i.--;._---_-.:--_L,a
,. r,,: lr'.,,
'l
.: . ': , ,., :
H:p=JQ.1
P <50'1
(2.11)
Ho-'
Jiz
e1
ejemplo
).4
sobre el peso de costales, a simple vista se puede notar que la varianzao2 = 0.5,
a sos-
pechar que su afirmacln sobre la vananza del proceso'es falsa. E1 hecto de que los dos nmeros sean
dlstrntos no significa que sean estadsticamente diferentes, de aqu la necesidad de contrastar o probar
1as hlptesis:
116:o2=0.5
Ho: o) > a.5
y de esta manera comprobar si esa diferencia es estadrsticamente significativa. Esta hiptesrs es un caso
particular de 1a siguiente:
Hs"o'=of,
Ho: o2 >
donde
of,
y bajo el supuesto
de
,'7
(n 1)52
- -Oi
grados de
r'3tanemos que:
r (n-I)S2 14x12
z= o = oJ =i)
:. :',:.-,.':1o e1 supuesto de normaiidad, sigue una distribucin ji-cuadrada con 14 grados de libertad
-,.-'.:.'-- H s re;dadera. En 1a tabla de distrlbucinjl-cuadrada se lee queli, cona = 0.05 y l4 grados
-..-::-..i.:srsual a23.68.Como1j =T.6>I B=y.'"t"rechazaH.yseaceptalahiptesisunlla'.:'.' .-. '.:;.s: fiqura 2.5). Es decir, 1a varianza reportada por el vendedor para e1 peso de 1os costales
-i , -.-, '.. ::. :elidad. la variabilidad del peso de los costales es mayor.
27
r
I
CAPTULO
,r
Regin de
recnazo
Flgura
2"5
1a
Regin de
rechazo
costalescon0=0.05.
X-otz. Estos valores tambin se pueden obtener con Excel, mediante 1a funcin PRIJEBA.CHI.INV (a12,
n l) y PRUEBA.CHLINV (1 - al2, n l).
flo"P=Po
H'. p
po
1a
=1.
Si
,.
supone que X
tiene una distribucin binomlai y n tiene un valor relativamente grande, .r,lor"r.., el estadstico de
prueba se obtlene apoyndose en 1a aproximacin de la distribucin binomial por la normal. En especco el estadstico de prueba de referencia est dado por:
npo(l-
p6)
Se rechaza H6 con una significancia a, sl e1 valor absoluto de z6 es mayor que el valor crtico de la
distribucin normal estndar, z62', ?s decir se rechaza 1a hiptesis nula si lzol , zo,r. En caso de que
hiptesis alternatlva sea unilateral, por ejemplo H : p > po, entonces se rechaza Hs si z0 < - {,.
Para tener una buena aproximacirl de la distribucin normal a la btnomial, y tener as me.;ores
bases pai'a iomar una decisrn en relacin con Ho, es deseable que n sea relativamente grande y que 1a
1a
ir
{l
4
il
$;
29
proporcion poblacional supuesta p0 no est muy prxima a cero o a uno. Una forma operatlva de veri-
hcarestoesquesipp<0.5,entoncessedebecumplirqenpa>5.0; ysip6>0.5,entoncesasegurarse
-,l,iide que n(I - po) > :.0.
1;,
llh.r
H6:p=6.35
Ha: p
O.35
Suponga que mediante un mtodo adecuado de muestreo se selecciona a 300 jvenes de las edades
de inters, se Ies mide su talla y peso, y con base en esto se determina que 90 de e11os tienen exceso de
peso. De aqu que e1 estadstico de prueba sea igual a
90
7=
!0
300x0.35
J3ooxo 35G -
o-:,
1011
_I,OI
--
que lz0 l, zon As que a pesar de que en la muesrra se observa que el 30olo de ios
jvenes tiene exceso de peso, esto no es Llna evidencia suficiente para concluir que en tal ciudad la
situacin en cuanro a1 peso es dilerente a 1a dei conjunro clei pas.
que no se cumple
en las hiptesis ms usuales, existen tres criterios equivalentes para cleciclir cundo rechazar
hiptesis nr-tla y, en consecuencia, aceptar ia hipresis alternativa. La equivalencla es en e1 sentido cle
que los tres 1levan invariablemente a la misma decisin en rminos de reclLazar o no a i{0, Sin embargo.
algunos de estos mtodos proporcionan informacin adiclonai sobre la declsin que se esr tomando.
por Io que en algunas situaciones puede resultar ventajoso usar un crlterio y no otro.
ejemplo previo y es e1 que tradicionalmente se empleaba anla computacin; por ello, es el que se exphca en muchos libros de texto. Este mtodo consiste en rechazar Hs si el estadstico de prtteba cae en La regin d,e rechazo que esta delimitada por el valor crtico. Debe lenerse cuidado de comparar los
e1
ijlHil::::ili.?J,'ff;*T:*:i'.1'.,:,til"':.;:i11r"i:l:il:j[:1*'r* @- sisnificancia
t\"0 obstante, esle mtodo tradicional es e1 que da menos informacin adicional
ie
ia clecisin
romada
acerca
::,,.ffTlffiIj,::,T:#L1ffi':
predefinida
'.'.-'..-
predefinida
c,
errortipor sedenotacona'
@ sisnificancia observada
s,
*.:: -..:-c a correr por rechazar Ho indebidamente (error tipo i). Mientras que
'.-,.; -:'-,,,-. ;la o calculada, tambin conocida como p-value o valor-p, es el rea
Y
CAPTULO
bajo la distribucrn de referencia ms al1 del valor del estadstico de prueba. La expresin "ms all
del estadstico de prueba" slgnifica, por ejemplo en 1a prueba T bilateral, el
bajo Ia curva fuera de1
^rea
rnten alo [-to, o] , es decir:
valot-P = P(T < -ro) + P(T > + f6)
donde T es una variable que'tiene una distribucin T de Student con n- I grados de libertad. Si Ia
prueba es unilateral de cola derecha (izquierda), 1a significancia observada es el rea bajo la curva de
la distribucin a ia derecha (izquierda) de ts. De 10 an[erlor se desprende que Ho se rechaza si la signifcancia observada es menlr quela signifcancia dada, o sea, si elvalor-p < a.
Este criterio es mejor que el anterior porque 1a significancia obseruada se puede ver como la probabllidad o evidencia a favor de He; por 1o tanto, representa una medida de la contundencia con la que
se rechaza o no Ia hlptesis nula. Por ejemplo, si ia significancia observadaovalor-p es igual a 0.0001,
enlonces slo ha;, una probabilidad a favor de H6 de 0.0001, por io que serechazara la hiptesis nula
con un riesgo tipo I de 0.0001, que es menor del que se est dispuesto a admitlr, tpicamente a = 0.05.
En otras palabras, un valor-p = 0.0001 seala que el valor observado del esradstico de prueba prcticamente no tena ninguna posibilidad de ocurrir si Ia hiptesis nula fuera verdadera, io que lieva a
concluir de manera contundente que la hiptesis nula debe rechazarse.
En la figura 2.6 se muestra, utilizando una hiptesis biiateral, que cuando ocurre e1 evento lt6 l
( [o72 fleceS?riamente sucede que valor-p > a, y viceversa. En el caso representado en Ia figura no se
rechaza I{6 con cualqulera de ios dos criterios. La comparacin de to frente a ol2 consiste en contrastar
simples nmeros, mientras que comparar ias significancias a frente a valor-p es conirastar probabilidades, de aqu que esto ltimo sea ms informarivo.
(o
,
'
Regin de
rechazo
Figura
2.6
Reoin
de
J
La/z
Regin de
aceptacin
rechazo
c.
Interva!o de confianza
En este modo se rechaza He si e1 valor dei parmetro declarado en 1a hiptesis nula se encuentra fuera
de1 inten'alo de confianza para ei mismo parmetro. Cuando 1a hiptesis planteada es de tipo bilateral,
se utiliza directamente el intervalo a1 100 (1 - a)o/o de confianza. Si 1a hiptesis es unilateral, se requiere
e1 intervalo a1 100 (1 -2a)o/o para que el rea bajo la curv'a, fuera de cada extremo del intervalo, sea
lgual a a. Por ejemplo, en el caso de la hiptesis unilateral sobre la media del peso de costales dada
por la expresin (2.11), se debe construir el lntervalo al 100(1 - (2 x 0.05))o/o =90oA deconfranzapara
aplicar este criterio con una significancia a = 0.05. E1 intervalo al 90o/o de confianza paralamediap
est dado por:
t ro o,'- *
= +s.+o
r/n
r ro ll9
[3.873
I = 4e 40 ! 0.4e7
= l4l.s, 4s sl
As, con 'una confianza de 90o/o, # est entre 48.9 y 49.9. En tanto, el valor 50.1 deciarado en Ia
hiptesis nula no pertenece a1 intervalo, y adems ei rtervaio est ubicacio a la izquierda riel 50 1;
t'
?:, , ',.
l1:,.i , ,
ilil
i.:t
irr,
iiri,
lr,. I
lljr,'
por10 tanto, se rechaza 1a hiptesis Ho'. lt = 50.1 y la evidencia seala que contienen menos azcar
de Ia que se afirma. Ntese que para rechazar una hiptesis unilaieral tambin es necesario verifi.car
la ubicacin del intervalo en relacin con el r,alor declarado en la hiptesis
ubicarse con respecto a este valor, como 10 indica Ia hiptesis alternatira. En e1ejemplo,1a hiptesis
alternativa es H : U <50.1 , por 1o que para rechazar la hiptesis nula e1 intervalo debe ubrcarse a la
izqulerda de 50.1, como ocurre en este caso.
Este cnlerio es ti1 cuando el software proporciona e1 intervalo de confianza para e1 parmetro de
inlers, pero 710 provee ia prueba d'e hipOtesis correspondiene. Tambln puede ser que el experimeniador qulera, adems de la conclusin de Ia hiptesis, el intervalo de conf,anza para e1 parmetro que
1e
interesa; en ese aspecto, este criterio tiene ventajas sobre los anterlores.
eniamquinaAsonYr,Yr,...,Yony1osdatosdelamquinaBsonYur,Yur,...,Yun,quesepueden
escribir como en \a tabla 2 2.
E
Tabla
2,e Comparacin
de dos tratamientos
Para que la comparacin sea justa, ia materia prima que utilizan 1as mquinas se asigna de lorma
aieatoria a las mqurnas, y las 2n pruebas o corridas se hacen en orden aleatorio. No es adecuado reallzar primero todas las pruebas de 1a mquina A y postenormente las de 1a mquina B, porque eso puede
far,orecer a una de las mquinas y afecta (sesga) Ia comparacin. La asignacin aleatoria del material
hace posible que a cada mquina le corresponda material con una calidad equivalente, y ei orden aleatorLc de ias pruebas nuhfrca e1 efecto de las fuentes de variabilidad que actan durante el transcurso de
i;s ls:nas (como 1as varlables ambientaies), al repartir su efecto equrtativamente en ambas maqinas.
..-:::a ,,-eanos cmo hacer estadsticamente este tipo de comparaciones,
..
:.::.-.-,'^.
31
CAPTULO
Hotlt,=py
H'. Hr+
(2.t2)
ltt
r"
:ll
)l
i
Ho:
Ht:
Pr'&y
=0
il*-lty*
(2.r3)
Para probar H6 se toman muestras aleatorias, como en el ejempio de las mquinas antes descritas, de
tamao n, 1a de1 proceso X, y de tamao n, la dei proceso Y; en general, es recomendable que fl" = fly =
n, pero tambin puede trabajarse con fl,* ky si no pudieran tomarse iguales. Si Ia variable de cada tra-
tamiento sigue una distribucin normai y son independientes entre s, y si se supone que las varianzas
de los procesos son desconocidas pero iguales, entonces el estadstico de prueba adecuado para probar
1a hiptesis de igualdad de medias est dado por:
x-T
e1
.)
)p
con 5l y S]
(2.t4)
r
,rv -')
Se rechaza H6
Comparacin de dos'centrifugadoras
La calidad de la pintura ltex depende, entre otras cosas, del
tamao de la partcula. Para medir esta caracteristica se utilizan
dos centrifugadoras, y se sospecha que stas reportan medicio-
+ 714
4 601
5 144
3 962
xA = 4 684.00
429'
4271
3764
x,
4 696
4 896
4 066
4 561
4 905
4 870
4 626
4 924
4779
+700
= + +oa.oz,
si = trz o2o.oo
+ 987
4 752
illit:
'l
t:
il
Comparacin de dos
tratamientos 33
Para comparar ias medias se plantea la hiptesis de lgualdad de medias con la alternativa bilateral,
puesto que no hay ninguna conjetura de1 experimen[ador acerca de cul centrifugadora puede reportar
vaiores mayores. Luego, e1 planteamiento es:
HA:lt,+ltv
la cual se desea probar con un nivel de signlficancia d.e 5ok(a = 0.05). Suponiendo igualdad de r,arianzas para e1 tamao de la particuia, el estadstico de prueba calcuiado con las lrmulas (2.14) est
dado por:
L0-
4684.00-4408.92
=2.04
34+.06J(U L3)+(u t'
hiptesis seria rechazada. Esto es, basta con que ei experimentador est
dispuesto a correr 0.5o/o de riesgo tipo I adicional para concluir que 1as medias de las centrifugadoras
no son iguales. En general, no es recomendable cambiar apostenon el valor a para modificar la decisin
sobre una hiptesis, pero habra situaciones en las que se pueden admitir probabilidades de este error
hasta de a = 0.1, dependiendo de io que lmplica rechazar la hiptesis.
Otro aspecto a considerar es 1a significancia prctica de la decisin sobre la hiptesis, lo cuai tiene
1a
Y = 4 684.oo
- 4 4ol.g2 -
275.08
e1
'U
X-Y
T.
.
s,,
I--r-
/si
I"
nv
: F*=
(2.15)
ffi--CAPTULO
mediante la relacin:
( s', si
-t
['t
sf,tn.)2 ,6?rlnr)z
n,
*l
(2.16)
-2
nr+1
(2.r7)
La comparacln de varianzas tiene inters en s misma, con independencia de las medi'as, puesto
que stas son determinu.rtar an cualquier proceso o tratamiento. En general se considera que menor
varianzaimplica potencialmente mejor calidad. Por ejemplo, en ei caso de 1as centrifugadoras interesa
ver si alguna de eilas liene mayor error (variabilidad) en sus mediciones. E1 planteamiento de 1a hiptesis se puede reescriblr como:
uo
'$=
6l
oi
Ho: /*
o;
1a
prueba se basa en
1a
(2.r8)
(2.1e)
ro=*
Jy
cual, bajo e1 supuesro de que Hs es verdad, sigue una distribucin F con nx - 1 grados de libertad
en el nu*era d.or y n, - 1 grados de llbertad en e1 denominador. Al calcular eI valor dei estadistico de
prueba se obtiene qe Fe = 1.11. Como 1a distribucin F no es simtrica, ei valor-p est dado por e1
areabaiola curva a'la derecha de 1.11, ms elrea bajo 1a curya a 1a izqurerda de I/1.11 = 0.9.2 Con
un Drosrama de cmputo se obtiene valor-p = 0.85. Por 1o tanto, utilizando a = 0.05, la decisin es
se concluye que, estadisticamente, 1as centrifugadoras trenen la misma
no i..ru, H:
variabilidad, precisin o rror de medicin. El valor dei valor-p tan grande con respecto al valor de a,
sea1a que 1a decisin de no rechazar la igualda d de yarianzas es contundente. Los valores crticos de
e1
oll ol,t
Fr-c.n,-r.nr-
,=
e1
inverso.
cola derecha
de1 otro,
de Ia distribucin F cumplen la
intercambian
1os grados de
igualdad:
DISTR. F. INV
(l -
c/2, n" -
l.
n,
35
n*- I, n, - t) y
).
Comparacin de proporcicnes
Una situacin de frecuente inters es investigar la igualdad de las proporciones de dos poblaciones o
1a
siguiente hiptesis:
Ho
Pt=Pz
HA
Pt+Pt
donde p, y p2son lasproporciones de cada una de ias poblaciones o tratamien[os. Por ejemplo, para
evaluar dos frmacos contra cierta enfermedad se integran dos grupos lormados por dos muestras aleatorias de frt = tb = 100 personas cada una. A cada grupo se le suministra un lrmaco dlferente. Transcurrido el tiempo de prueba se observan
= 65 y xz = 75 personas que se recuperaron con e1 frmaco
en 1os grupos correspondientes. Para ver si estas diferencias son significativas a lavor del frmaco 2, se
p(rdonde p =
#.
nt+n2
Se
rechaza
He
si
lz6 I
p)
e11o,
1l
-+nr n2
75
100 i00
II
_+_
100
= -1.543
100
Como lzsl = L.543 no es mayor que 200/2 = 1.96, en[onces no se rechaza Hs, por 1o que no hay
evidencia suficiente para afirmar que un frmaco es mejor que el otro.
ry
Orden completamente
al zar
Es
ry
Muestras pareadas
i'
i
il,
ll
36
CAPITULO
e1
dolor en distrntas
En e1 primer caso, e1 apareamlento consiste en que ei grupo de pacientes que recibe e1 medicamenio A es e1 mismo grupo que recibe e1 medicamento B, por 1o que Las mediclones del efecto de 1os
medicamentos sobre el mismo paciente estn relacionadas, y en este sentido no son independientes.
Ai ser el mismo grupo el que recibe ambos tratamientos se logra una comparacin ms justa y precisa,
pero, adems, al observar las diferencias entre los tratamlentos en un mismo paciente se eliminan otras
fuentes de variacin y se logra hacer una comparacrn sin sesgos. En el caso de las piezas, si una es
grande se espera que ambos insuumentos tiendan a reportar una medlcin a1ta, por 1o que se prev
que ha1, una luerte correiacin entre las mediciones reportadas con los dos lnstrumentos. Adems, a1
1as piezas con los dos instrumentos, si hay drferencias en 1as mediciones sobre 1a misma pieza,
entonces esas dilerencias se deben principalmente a1 sistema de medicin.
medir
she
3. Mediciones
tl.27
-0.04
1+.36
14.41
-0.05
8.33
8.35
-0.02
10.50
t0.52
-0.02
23.42
23.41
-0.01
9.17
-0.02
13.47
t3.52
-0.05
6.47
6.46
001
12.40
t2.45
i0
19.38
t9.35
12.87
12.89
Medias
:',rl:i
Es claro que tenemos el caso de observaciones pareadas, ya que el'peso que registra una bscu1a
para un espcimen no es independiente de1 que registra la otra bscula para el mismo espcimen, en el
senlldo de que si uno es muy pesado se espera que ambas bsculas 1o detecten.
La comparacin de las bsculas se puede evaluar probando la siguiente hiptesis:
Ho'.
Ho:
"
#t = ltz
Ft t /12
donde pr, es e1 peso promedio poblacional que mide la bscu1a I y pL2 es el peso promedio poblacionai
que mide la bscula 2. Entonces, estas hiptesis, en el caso pareado, se plantean de manera equrvalenre
como:
Ha P=0
(2.20)
Ho.
po*
estadstico (2.8) para una media, cuandopre = O (r,ase seccin "Prueba para la media" de esre captulo).
Esto es, con Ia muestra de n dlferencias (dr, dr, . . ., d,) se obtiene el estadstico dado por:
t0-
d
^.t5D/{n
(2.21)
donde
= -0.02 es el promedio muestral de las dlferencias, Sp = O.O2B7 es ia desviacin estndar
muestral de tales diierencias y n es el tamao de 1a muestra. Bajo tle e1 estadstico ro se distribuye como
unaTdeStudentconn-Igradosdelibertad,porioqueHoserechazasilrol
A1
>ts/2,n_t,osivalor-p<a.
to =
-0
o.o2!7
02
t^,
por separado las mediciones de cada bscula, e1 electo de las posibles diferencias
entre los dos instrumentos se mezclara con 1a variabilidad que de por s tienen las piezas. Pero aun
sl se pesara un grupo diferente de 10 especmenes con cada bscula, entonces 1a propia variabilidad
de las piezas dentro de cada grupo, ms las diferencias entre los dos grupos, probablemen[e ocu]tara
el efecto de 1a dilerencia de los instrulnentos de medicin. As, las observaciones pareadas son ne-
b1ema, se analizan
cesarias para
37
CAPTULO
faclores como son; proveedores, lotes, turnoS, das, subprocesos, etc.; entonces, a1 no ser posible hacel
dos rrediclones sobre 1a misma pieza como en ei caso de 1as bsculas, se requiere una identicacin
ms estricta de 1as fuentes principales c1e variabihdad a fin de parear los datos con base en ellas.
ll
.
,.
:
uta . prt, D - w
-
{2'22)
I I
.,
n.p,r-V
,' --l==-
o7+
5'1l"/r1 02+IJlJl0
=9.70
nivel de significancia observado (va1or-p) es 0.0000046, e1 cual es menor que c = 0.05, por 1o tanlo, se rechaza de manera contundente 1a hiptesis nula de que los tratamientos son lgua1es, es clecir, e1
nmeto de impurezas en los cofres depende de si ste se encuentra levantado o cerraclo cuando el auto
pasa por los hornos. Pero adems, como se observa en los datos, cuando e1 cofre est levantado hayz s1'' e1
nos impurezas; entonces, a partir de esto se clecidi que 1os cofres de 1os autos se levantarn al entrar a
los hornos de secado. Con esta medida se logr reducir en lorma significaril,a eI nmero de impurezas.
Ntese en ia tabla 2.4 \a gran vanabllidad que exisre en[re ]os datos de un da a otro, y rambin
enLre turnos. Eso causa que, st en lugar de analizar 1as di.ferencias se analizan los datos de cada trataft Ttr?4ffi 4",4. Nmero de impurezas en cofres de autos
Bloque
I I ii:::t:::ji:i
:..;:..-,.Dai'
I :l: ti
Cerrad,
rlevntadO
LUNES
3.4
2.7
0.7
LUNES
3.7
3.2
0.5
]vl,\RTES
2.9
1.8
1.1
MARTES
2.5
1.9
0.6
lVlIERCOLES
0.5
MIERCOLES
i.6
28
i.1
2.2
0.6
JUEVES
3.7
2.8
0.9
JUEVES
5.9
4.8
1.1
VIERNES
LVL
4.8
4.3
0.5
10
VIERNES
+.3
3.4
0.9
Medias
Desviaciones estndar
3.56
O-)
0.74
t5
.1'f
miento (posicin del cofre) por separado, las diferencias debido a tratamientos quedan ocul[as anre
tanta varlabilidad. En efecto, si la comparacin se hace siguiendo el criterio de muesrras independientes, entonces de acuerdo con 1o visto en la subseccin "Hiptesis para dos medios" de este captulo, el
estadistico de prueba es t = I.39, que le corresponde un valor-p = 0.18, por 1o que a1 proceder de esa
manera se concluira en forma equlvocada que no hay diferencias entre [ratamientos (1os demlles de
este anlisis se dejan como ejercicio). Esto, aunado a las mejoras logradas, justifica que 1a forma como
sehizoelapareamientofuenecesariaycorrecta,yaque,comoseapreciaenelarreglo
delatabla2.4,
lucran dos parmetros de dos poblaciones. En cada caso se muestra e1 planteamienro de la hiptesis, el
estadsiico de prueba y el criterio de rechazo, este ltimo para cada una de las tres posibles alternarivas.
Si se trabaja con un software estadstico es ms directo y conveniente basarse en el criterio del valor-p,
el cual, para cuaiquier hiptesis, debe ser menor que a para que sea posible rechazar Hr.
t Tabla 2.5
a)Hs lt=fic
H^tlttlta
H !>fi0
lo
HA
r lA
to,,
to)to
to ( -to
Ht:l.t<pto
b) Ho
2.
O'=Oa
Xi,
)2
o'*oa
)2
A-)0a
2
o 1Oa
X',,r.
o Xi < X1-o,r,,-,
c)H
p=po
HA
P*Pa
lzol, 2,,,
HA
P>Po
Zo)Za
HA
P <Po
Zo
{ -Za
X nmero de defectos
En 1a tabla 2,6 note que aparecen tres maneras de probar la lgualdad de medias He: la primera a) es
para el caso de muestras independientes suponiendo varianzas iguales. La segunda b) es para muestras
independientes sin suponer varianzas iguales, y ei caso e) es para muestras pareadas.
39
40
CAPTULO
r f'aba
a)
Ho : fit
--
ltz
Itolu to,r. n,*,,-,
fit* ltz
H^ : tr) t,
Ht .fit{fiz
H, .
) to, rr*nr-2
to ( -o, ,,+,rr-2
to
n1 -1)521
+(n, -1)5'),
nr* n, -Z
b)
H : ltt
lt
Itrl, to,r,,
to ) to,,
tr* ,t.,
H ltt) &z
H: pt, 1t.,
Ho :
'.
to 1-to_.
611n,)2
(s2,/n,)2
f1
n, +1
n,
.22
c)H6 ot=ot
22
Ho : or* o,
-)
5;
L_
-t
5;
z2
Ho : or) o,
22
I1A: ot<ol
d)H6 pt=pz
Ha Pt*Pz
Ha : Pt>Pz
Fo
Fo < Fr-o,r,
: &t =
uo-
11
-+nt n2
lzolr ro,,
- -;
<A'aG
zo
1-Zo
liiri
i{!iil
,tilii.li
!iii:.ri.
!,Lz
Ho: tr* t,
Ht : ptt> ltz
Ho : ,t, 1,t,
- t, n2-1
Fo,rr-1. n-t
Ht : Pt<Pz
e) H6
ltol, to,r.,,-,
to ) to, n_t
to 1-to,,,_t
Preguntas y ejercicios
ii
l=......._*l
il Uso de sefwere
-,
de
hiptesis.
Para comparar medias con muestras pareadas, la secuencia de opciones a utilizar es: Compairar
Dos
mueitras
Muestras pareadas. En Minitab, la secuencia para estimacin y prueba de hiptesis es: Stat
Basrc Statrstics, y
ahse elige la opcin deseada para una, dos muestras Gmpbl o rnr"rtru pareaoa.
n Exeel
Para hacer clculos estadsticos en Excel se utiiizan las funciones (f,) estadisticas y Ia opcin Anlisis de
datos dentro del men de Datos. Si no esruviera activada la opcin de Anlisis de datos, esta se actva
usando la opcin Complementos -que est en el botn de Office en Opciones. Para probar la hiptesis
o encontrar intervalos de confianza para un parmetro, se usa la secuencia: Datos -+ Anlisis de datos
-> Estadistica descriptiva Ah se activa el cuadro u opcin Nivet de confianza para la media. En todos
los casos, despus de sealar el anlisis que se desea nacer, se abrir una ventana en la que se especifica el rango de celdas en el que se encuentran los datos y las estadsticas deseadas,
Cuando se quiere comparar tratamientos, se elige la misma secuencia: Datos
Anlisis de dafos y Iuego se selecciona la opcin deseada, por ejemplo: Prueba para dos muestras suponiendo
varanzas iguales,:,Prueb:a t'para,,medias'de dos mueitras emparejadas, Prueba F para varianzas de dos
muestras.
I
$ii'
['
I
$
I
il
h;
I
b
h
:i
l.
2.
3.
QuO es hacer una estimacin puntual y en qu consiste hacer una estrmacin por intervalo para la media,
por ejemplo?
4. Por qu no es suficiente la estrmacin puntual y por qu se tiene que recurrir a la estimacin por intervalo?
5, Explique el papel que desempean Ias disrribuciones de probabilidad en la inferencia estaclstica.
6. En el contexto de estimacion por intervalo, seale en forma especfica para estimar qu parametro utiliza
cada una de las siguientes distribuciones: f de Student, Normal y ji-cuadrada.
7. Explique qu es un estadstico de prueba y seale su relacin con los intervalos de aceptacin y rechazo.
8.
i Fr*g*xmtms.y merme *s
41
42
'l
'
.
:
hiptesis.
'I.
,,,,
En Ia elaboracin de envases de plstico es necesario garantizar que cierto tipo de botella en posicin vertical
,tiene.una resistenciaimnima de 50 kg: de fueria. Para garantizal: esto. eni:el pasado.sel'i' lrzab,na preba
dei tipo.pasa-no-pasa, en la Que se plicaba la fuerza de 50 kg y se yea si ia,botellateslsta' no, En la actualidad se llevaa'cabo una prueb exacta, enla que,medianteun eguipo'seapliia fuerza q la botella hasta que
b)
{e
:,'
d)
13.
Qu puede decir sobre la:cantidad mnima y mxima de nicotina por cigarro? Es poiible garantiir'
',
En un problema similar al del,ejerqjcio ''1,1,, es necesario garantizar que !a reqs].encja,Enipa Cue tiene unr
envase de pltit en posicln,-rertica! se de 20 kg. Para eva.]ua1,qs'tg se han obtenido los sigpientes,:dator
'.
d.q
e) C,onlosdatosanteriores:estirfl;conunaconfianzadeg5o/o;ZCulesla,desviacinrest:ndar,pobla.,i''l
cional (del proceso)?
b)
e)
El
i:.f
::"
1r:':
i':ri ''
particular se ttjo,como
queel
producto que reibe direclarn'nte,,-e t
lol 9srao'ps.Fcelos,l
utiaotai.in"os
en parttcular
estandar:minlmo que
el produc:to,querrecrbedlreqarnenle,,oe
fij'como estndr'iinimo
y
40
es de 3.07o.lPor'medi' de
muestreos evaluacioneslh'ciert:oi:a utno'ie:;5u6'que''f, :'3,.2ty:
5 = 0.3.
a) Estime, con una confianza de 90%, el tontenido promedio poblacional de grasa.
5) Cu-l es el error mximo de estimacion para la media? Por qu?
Preguntas y ejerclcios
16. En la fabricacin derdiscos compactos una variable de inters es la densidad mnima (grosor) de la capa de
metal, la cual no debe ser menor de '1.5 micras. Se sabe por experiencia que la dens,dad rrnirna del metal
:,
casi'siempre ocurre en los radios 24y 57, aunque en el mtodo actual tambin se miden los radios 32,40y
.48.:5e:,hacen siete leccuras en,cada radio dando un total de 35 lecturas, de las cuales slo se usa la mnima.
A continuacin se presenta u.ta muestra h st'ica de 18 dersidades mnimas:
' .,
1.81
de 1.5 micras.
la densidad mni.na
'
,17. 6 rJ, auditora se seleccionan de manera aleatoria 200 facturas de las compras realizadas durante el ac,
y se encuentra que 10 de etlas tienen algn tipo de anomala.
,, ".'a) Estime, con una confjanza de 95%, el porcentaje de facturas con anomalas en todas las compras
del ao.
b)
sequiereestimartal porcentaieconunerrormxi-
,. g de lok?
,
.En 1a
produccin de una planta se esia evaluando un tratamiento para hacer que germine cierta semilla. De
de ellas germinaron,
total de 60 semillas se observ
. .
ry. J7
.,: ,:,,):Estime;conunaconfianzade9Ao/o,laproporcindegerminacinque
selograrcontal tratamiento.
,
(ms
que
puede
garanlizar
la
mayora
de la mitad) de las semillas
, , b) .Con una confianza de 90%, se
un
..
r
,, 1 :germinarn?-
: :
r19.
:Parar
;l: ,
..
resultados.
,
, ' , ' 6) Cul: es el error de estimacin?
. . r, i) Calcule el tamao de muestra que se necesita para que el error de estimacin
:
2l.,un inspector de la Procuraduria Federal del Consumidor acude a una planta que elabora alimentos para
"'vririficarel cumplimiento'de lol estipulado en ios envases de los productos en cuanto a peso y volumen. Uno
.,: :'de los'productos quedeciddanaiizar es el peso de las cajas de cereal, en las cuales, para una de sus presen-
I
',
:iaiiones, se establece'que el contenido neto es de 300 gramos. El inspector toma una muestra de 25 caias y
pesa su contenido. La medta y desviacin estndar oe la muestra son.i= 298.3 y S = a.5.
,'a),suponiendo una distribucin normal, pruebe la hiptesis de que# = 300 contra la alternativa de
que es diferente, con un nivel de significancia det 5%. Formule claramente las hiptes,s, clculos y
conclusi
b)
r,
., , i i ,c)
Reprta el inciso anterior pero ahora con un nivel de significancia del 10%
Desde la peispectiva del consu midor del producto, cul debe ser la hiptesrs alternativa que tiene
'1',
.r,.
,f)
lo que se quiere es proteger al consumidor del exceso de variabilidad, la conclusin del inciso
anterior Ie es favorable? Argumente.
Si
43
,i'
:
44
CAPITULO
23.
a)
Plantee las hiptesis para la media que son adecuadas al problema. Argumente.
b)
c) Si en lugar cle trabajar con una significancia del 5%, lo hace con una del 1%, se mantiene
la
Explique.
:'
"conclusin del inciso anterior?
24. En relacin con el problema anterior, pruebe la hrptesis para la desviacin estndar de o = 1.5 contra la
lternativa de qr;e es mayor.
25. En relacin con el ejercicio 16 de este captulo, con una significancia a = 0,05 pruebe la hrptesis de que la
media de la densidad mnima de la capa de metal de los diicos es igual a 2.0 micras. contra Ia alternativa de
que es menor
26 En una planta embotelladora de bebidas gaseosas se desea estar seguro de que ias botellas que usan tienen,
en promedio, un valor que super el minimo de pres,n de estallamiento de 200 psi.
a) Formule la hiptesis para la media pertinente al problema.
b) 5i en una evaluacin de la presin de estaliamlento de 15 botellas seleccionadas al azar se obtiene
que = 202.5 y 5 = 7.0, pruebe la hiptesis formulada antes.
c) Si procedi de manera correcla no se rechaza la hiptesis nula y, por lo tanto. no se ouede conclirir
to que desea el embotellador, es decir, p > 2OO. Expliq-e por. qr.'no se puede concluir esto a pesar
de que la media muestral s es mayor que 200.
27 En el problema anterior, prL.rebe la f,iptesis para [a desviacin estndar der = 5.6 contra la alternatrva de
que es mayor.
28 Para validar la afirmacin de un fabrrcante que seala que la propoi'cin de articulos defectuosos de sus lotes
de produccin no supera el 5%, se toma una muestra aleatoria de I00 artculos de los ltimos lotes y se
obr;ene qre B son defectuosos.
a) Formule las hiptesis adecuadas al problema, si lo que se quiere es conclur que la afirmacin del
fabricante es falsa, porque en realidad su calidad es peor.
b) Pruebe la hiptesis formulada con una significancia del 5%.
c) Si procedi de manera correcta no se pudo concluir que p > 5%. Explique por qu no se puede
co"ciu,r esto a pesar de que la proporcin muestral es mayor que el 5%.
d) En este oroblema, c.rl sera el tamao de muestra usar. si se quiere tener un error mximo de
correcto afirmar oLe, en el ejercicio l7 de este cap1uro, ms ciel 8% de las facturas tienen algut ;
anomalia? Para responder formule y prL,eoe la hiptesis pertinente con una significancia del 5%.
30. En un centro escolarse ha venjdo aplicando una campaa contra el uso del tabaco por parte de los estudiantes. Antes de la campaa, un 30% de los alumnos eran fumaclores activos, para nvestigar si disminuy esta
proporcin se toma una muestra aleatoria de 150 estudiantes y se detecta que 35'de ellos son fumadores.
a) Formule la hiptesis pertinente al problema. "lustifique.
b) Cor una significancia del 5% verifique la hiptesis pianteada.
c) Se mantie-ne la conclusin anterioi si se quiere toar una decisin con una confianza del 99%?
Argumente.
29
Es
b)
32.
33.
Se desea
Preguntas y ejercicios
,i :i::
ilj ii :i,!
ll
::.:,:i::i
75
77
78
79
77
73
79
78
80
74
72
77
76
76
73
75
73
74
75
ffiitf;$..e.',
'ffi*'ffi
qe se comparn eniste estudio? :
muestras
son
dependientes
o independientes? Explique.
Las
:: +,La,tmperatura promedi rns confortblE es igual para hombres que para mujeres? Pruebe la hip.
,, a). Cules-son,1s,trtamu1s5
b)
tesis adecuada.
..91oorcentaieml1iulicdopor10.Losresultados5on:
17.2
21.4
t7.5
20.9
LB.6
r9.B
15.9
20.4
16.4
20.6
17.3
21.0
16.8
20.8
rB.4
19.9
t6.7
2t.r
t7.6
203
,.r a).,La te'mperatur tiene'algn:efecto en el 'encogimiento? Plantee las hiptesis estadsticas corres:
it,:r:,l
:ri. i
:.1':1:.., ,:pondientes,a est,interroqante.
' ,
Ia diferencia de medias.
. . d)
Compare las varianzas:de'los,dos tratamientos.,Para ello plantee y pruebe las hiptesis pertinentes
,*r'.:,.:..l..riffi:
a)
Extsten,diferencias significativas entre las rutasT Plantee'y,'pruebe las hiptesis estadsticas corrqs-
pondientes.
En,caso de rechazar la hiptsis del incisoa), dibuje los diagramas de cajas simultneos para determinar cul ruta es mejor.
,:.:c).Sugiera'otiairnanera de obtenerloi datos,(dieo'alternativo), de modo'que se pueda lograr una
,,,,.,..',',
b)
,:-'.i ,
'
,,
',Setienn doSproveedr:esde una pieza metlica, cuyo dimetro ideal ovalor objetivoes igual a 20.25 cm.
l,:5
1os
45
til
$:r'
i
ir.
46
CAPTULO
21 38.20.13. t9
l, 71
::,1
c)
d)
Pruebelahiptesis'deigualdadde,varianzas.
Sr las especificaciones para el dimetro son 20.25 mm
piezas defectuosas?
,,:;,':,:'::
'.,:i:
,i'r.,,'r
produce menos
.e)Conculproveedorsequedara.usted?...i..'
37.
En Kocaoz, Samaranayake y Nanni (2005) se presenta un estudio en el que se analizan dos tipos de barras de
vigqsde:acero,
polmero, cuya tensin se refuer: con:-fibra:dq vidrio'F.qDt E$as:barras, en susttuci'n de
fa1
19
(enMpa).Losdatosparadostiposdebarrassemuestranacontinuaclh:,,i
t-..,.,, .,.,,-., r
815
trl
i'li
938
1I
rtl
i,,,
ilii
a)
l1
b) Anotelafrmulade|estadsticodepruebaparademo5trarlahiptesis
c) Pruebe la hiptesis'a un nlvelde significancia de 5%. Fara,reci-r.azar,o*o,ihlp.O1,g]s,rapi{egetian!9.,i:.,-
iii
enelcriteriodelvaIor-pomoeneidelvIorCrtiqodetablas.
ii
ii
d)
l.
il
. , ":
1i
ii
ii.
rj
ii'
)
! .i.i
a) Forrnule la hiptesis
b) Anote la'frmula
c) Pr:uebe la hiptesis
d)
Pruebe la hiptesis
e) De acuerdo:con:
39.
Se comparan-dos mtodos
infectaron, es decit
laran /.
Preguntas y eiercicios
47
60
95
t22.6
80
40
r00
r82.74
346.74
95
70
203.45
55
+0
84.03
49
40
35
t28.46
r49.69
.1_U
100
31.85
29r
IO
30
12.81
86.03
10
i00
57.05
158.74
55
100
145.83
i5
100
49.49
35
25
I03.66
25
15
95.05
22.08
70
85
125.02
134.02
20
15
40.57
76
20
30
19.36
,:..
48
CAPTULO
Pruebas pareadas
43. 5e propone un nuevo mtodo de prueba que si resulta iguai de efectivoque el mtodo,actua!!
se podr
reducir en 60% el tiempo de prueba. Se plantea un experimento en el que se mide la densidad mnima de
metal en 1B discos usando tanto el mrodo actual como el mtodo nuevo. Los resultados estn ordenados
horizontalmente por disco. Asi '1 .88 y 1.87 es el resultado para el pr:imer ditco con ambos mtodss.
r!.#["$,i;
1.BB
i.B4
1.83
1.90
2.r9
1.89
2.27
2.03
i.96
Flii,,li
198
2.00
r.92
1.83
t.94
t.94
1.95
1.93
2.01
l.B7
L.90
L.B5
I.BB
2.18
147
111
1.97
2.00
198
i99
iBg
i .78
1.92
2.02
2.00
1.95
2.05
c) Haga el analisis de
los datos ignorando el apareamiento. Compare con los resultados del inciso a).
Determine un intervalo de confianza para la diferencia de medias suponiendo muestras independientes. Compare con el inciso
r,.,
e) Qu se gana con el apareamiento de los datos en este caso?
l1 Recomendara usled la adopcron del rntodo nuevo? Argumenre su respuesta.
44'. En una pr ueba de dureza, una bola de acero se presiona contra el material al quese mide la dureza. El dr,a-. .,
,?efro de la depresin en el material es la medida de su dureza. Se dispone de dos tipos de bolas de aegro y,111
se qLriere estuoiar su oesempeo. Para ello, se prueban ambas bolas con los mismos 1O especimenes elegidos
0e marrera aleatoria y los resultados son
d)
b).
,Birlar l
/) IL-
+O
57
5B
)/
61
56
i4
65
52
41
43
47
32
+9
44
57
60
,.rBo1aY:...
b)
c)
analizarse en forma
apareada.
:'
.,i,
' ;,
,,.rr,,,,
i:ii , ,:::i
:..
d)
45
a;:iliirtiti;i
irli:iai,l
jll
tn?:.:'ll
1:i:1:rr;
a)
i,ii
llffi
ii:
:i:.]
Srn aditn,o
ZO
3i
l6
22
19
32
25
]B
20
79
Con aditivo
23
74
l5
21
22
3]
29
)o
24
23
b)obtengaUninterValoal95%deconfianzaparala.difer.enciapromediop,
46
Retome los datos del ejemplo 2.8 (impurezas en cofres levantadosy bajados):
a) lgnore el apareamiento y compare de manera independienle los dos tratamientos. Obtenga cohci,';s,.:i es.
Preguntas y ejercicios
.J;^^+^
uttrt tLc.
.,f:.
,:,i2:.:,
74.0
73t
73.5
73.9
71)
72.5
73.0
7 1..3
73.2
t.t
703
'::Porcin,
.6
:.4i,,
r.5
:J
730
731
1A
a
I a.)
72+
lnvestigar y experimentar
48
Busque por medio de internet, por ejemplo en scholar.google.com, un articulo de una revista cientfica o tecnolgica en la que se reporte el resultado de una investigacin experimental donde se comparen dos tratamientos, ya sea medias, medias pareadas, rrarianzas o proporcrones. Anotar la referencia completa, es decir,
del trabajo y nombre de la revista, adems, hacer una sntesis de lo que trata el artculo,
detalles de los tratamientos que compara, los anlisis estadsticos que hacen y las principales conclusiones.
lnvestigacin acerca del sobrepeso y obesidad en tu escuela. Un problema de salud a nivel mundial es el
nropore que mediarrte traoa o er eouipo se
desarrolle el siguiente proyecto, cuyo objetirio es profundizar en el conocimrento de la magnitud de este
probiema er el contexto escolar por sexo, cornparar esta rragnitud con los datos nac orales y afianzar los
mtodos vistos en este capitulo. El material requerrdo ser una bscula adecuada para medir e1 peso de un
individuo y una cinta mtrica, preferentemente de pared. Las actrvidades a desarroliar son las siguientes.
a) lntegrar un equrpo de rres a cinco miembro5 q:ys5{igar sobre el tema de obesioao para hacer r.,ln
breve reporte sobre el problema: antecedentes, por qu es importante, su nvel actual en algunos
pases. Dentro de los antecedentes se deber resaltar Ia forma en la que se calcula el ndice de
m'asa corporal (iMC), puntualizando las recomendaciones para meclir el peso y la estatura cle un
ir:dividuo Se sugiere consultar ia Encuesta Nacional de Salud (ENSANUT), Mx,co 2008.
b) Establecer un mtodo de muesrreo aleato.io para selecc:onar un mue5tr de estudiarres de ia
misma escuela para cada sexo. Es deseable que se seleccione de manera aproximada la misma canlidad de hombres que de mujeres, y en con-unro es deseb,e que por'o melos sean I50 personas.
Reportar los detalles del rnetodo de muestreo seglido
c) Disear un breve cuestionario para aplicarro a los individuos seleccionados en la mues:ra y oorener
de ellos su inforrnacin bsica (edad, car.era que estud.an, sexo y s, adenns Ce estudiar lrabalar')
y algunos de los principales hbitos relacionaclos con ra sa'ud, como la all'nentacion, ia acrjv,dd
fsica y su percepcin personal de los ent.evistados sobre si estn sat sfechos co. su peso E' cuestionaro debe ser breve, de un mximo de 20 preguntas, la mayora de ellas de opc'n m1tip.e,
y se concluye con ios datos de peso y estarura del entrevistado. Para el orseo de' cuestiorarro se
pueden consultar encuestas parecidas que se han utilizado en .rvesrgaciones sobre ros hbitos de
'
'
los jvenes.
d)
e) Con el peso y estatura de los encuestados, calcula. ei lMC, que es igual l peso en kilogramos
dividido entre el cuadrado de Ia talla o estatura e1 metros (kg/m)). Para estas t'es vriables hacer
un anlisis descriptivo por sexo: media, desviacrn estndar, histograma, etc. Aderns, hacer ura
grfica de dispersin del tipo x-ypor sexo pra relacionar la estatura con el peso.
f) Calcularunintervalodeconf,anzaal 95o/,pralamediaooblacional
g) Comparar
49
50
CAPTULO
h) Considerando'los valores de,interpretacid del lMC3;y combinando los dtos de hombres y muje-
res, calcular la proporcin en la mubstra de estudiantes cuyo IMC cae en cada una de las cuatro
posibles categoras: desnutricin, estado de nutricin adecuado, sobrepeso y obesidad.
Estimar, con una confianza del 95%, la proporcin de estudiantes en la poblacin (escuela) que
tienen sobrepeso, obesidad y ambas.
Considerando que en Mxico aproximadamente eI,32% de jvenes:tienen,excesp,de peso (suma
peso'Hacerlapruebaconunniveldesignjficanciadel957o....;...
50.
2.7 sehizo un estudio para comparrdos bsculas. Enesta actividad se proponequeen grupo : i
se desarrolle un estudio en el que se cornparen dos procesos de medicin; pueden ser dos equipos (bsculas, vernieres, etc.), o blen, dos procesos de medicin (mismo equipo operdo por,dos personas diferentes, ,':.,:
En el ejemplo
mismoequipoperovar.iand,oaIgunaotr:acondicin).Serecornienda.queen.cua|quiercaso.se,midanpor
lo rnenos 10 piezas o muestras dos veces, .una vez con cada equipo o proceso. Adems, se sggiere que las
piezas sean considerablementediferentes, esto permitir hacer mejor la comparacin'. Elborar un reporte
de la investigacin: ttulo; objetivo, descrlpcin del,problm; equipo:y: pjezas medidas,. resultados. anlisis
conclusiones
:.
TITULO.
PIE DE IMPREI{TA
NOTAS
.::
DESCRIPCIN FSICA
ISBN
l'
SOLICTELO COMO
AU,TOR:
..
'
r:1.-:
es
iMC
r: i i,:,
ii ...
menor que iB.5 kg1m2,.esiado de nutriiion adecuado con.185 s:lMC,< 25.0; s.obrepeso cuando 25.0,<,IMC;< 3-0.giiyobp-.f