Seleccione el método o la fórmula de su preferencia.
Intervalo de confianza (IC)
Fórmula
Notación
| Término | Description |
|---|---|
 | estimación de la primera proporción de población |
 | estimación de la segunda proporción de población |
| n1 | número de ensayos en la primera muestra |
| n2 | número de ensayos en la segunda muestra |
| zα/2 | probabilidad acumulada inversa de la distribución normal estándar en 1 – α/2 |
| α | 1 – nivel de confianza/100 |
Prueba de aproximación a la normal
El cálculo del estadístico de prueba, Z, depende del método que se utilice para estimar p.
- Estimaciones separadas de p
- Por opción predeterminada, Minitab utiliza estimaciones separadas de p para cada población y calcula Z de la siguiente manera:
- Estimación agrupada de p
- Si la diferencia hipotética de la prueba es cero y usted decide utilizar una estimación agrupada de p para la prueba, Minitab calcula Z de la siguiente manera:
El valor p para cada hipótesis alternativa es:
- H1: p1 > p2 : valor p = P(Z1 ≥ z)
- H1: p1 < p2 : valor p = P(Z1 ≤ z)
- H1: p1 ≠ p2 : valor p = 2P(Z1 ≥ z)
Calcule estas probabilidades sobre la distribución normal estándar.
Notación
| Término | Description |
|---|---|
| p1 | proporción real de eventos en la primera población |
| p2 | proporción real de eventos en la segunda población |
 | proporción observada de eventos en la primera muestra |
 | proporción observada de eventos en la segunda muestra |
| n1 | número de ensayos en la primera muestra |
| n2 | número de ensayos en la segunda muestra |
| d0 | diferencia hipotética entre la primera y la segunda proporción |
 |  |
| x1 | número de eventos en la primera muestra |
| x2 | número de eventos en la segunda muestra |
Prueba exacta de Fisher
Minitab realiza la prueba exacta de Fisher además de una prueba basada en una aproximación a la normal. La prueba exacta de Fisher es válida para todos los tamaños de muestra.
Fórmula
Bajo la hipótesis nula, el número de eventos en la primera muestra (x1) tiene una distribución hipergeométrica con estos parámetros:
- Tamaño de la población = n1 + n2
- Número de eventos en la población = x1 + x2
- Tamaño de la muestra = n1
Supongamos que f( ) y F( ) denotan la PDF y la CDF de esta distribución hipergeométrica, respectivamente. Supongamos que Moda denota su moda. Los valores p de cada hipótesis alternativa son los siguientes:
- H1: p1 < p2
valor p = F(x1)
- H1: p1 > p2
valor p = 1 – F(x1 – 1)
- H1: p1 ≠ p2
Existen tres casos:
- Caso 1: x1 < Moda
valor p = p inferior + p superior
Término Description p inferior F(x1) p superior 1 – F(y – 1) y entero más pequeño > Moda tal que f(y) <f(x1) Nota
p superior puede ser igual a cero.
- Caso 2: x1 = Moda
valor p = 1.0
- Caso 3: x1 > Moda
valor p = p inferior + p superior
Término Description p superior 1 – F(x1 – 1) p inferior F(y) y entero más grande < Moda tal que f(y) < f(x1) Nota
p inferior puede ser igual a cero.
- Caso 1: x1 < Moda
Notación
| Término | Description |
|---|---|
| p1 | proporción real de eventos en la primera población |
| p2 | proporción real de eventos en la segunda población |
| x1 | número de eventos en la primera muestra |
| x2 | número de eventos en la segunda muestra |
| n1 | número de ensayos en la primera muestra |
| n2 | número de ensayos en la segunda muestra |
