Ejemplo Visual de la hipótesis nula, utilizando la prueba de T

Existe una población (N) con parámetros μ (promedio de la población) y con un σ (desviación estandar de la pobación)

μ1= 138.6; σ1= 12.6

Si comparamos un par de muestras aleatorias de esa población con la prueba de T, el valor de T debería ser cercano a cero, la mayoría de las veces. Aquí vemos 6 pares:

Si hacemos esto muchas veces, vemos los valores de t para cada par de muestras comparadas.
En rojo, el promedio de todos los valores, t =-0.01
En negro, los quantiles, 2.5% =-1.97, 97.5% =1.97

Y su distribución

Cualquier valor de t entre -1.97 y 1.97 es lo que equivale a la P > 0.05.

Conclusión

Si comparamos muestras que salen de la misma población, lo más probable (P > 0.95) es encontrar valores de T entre los cuantiles 2.5% y 97.5% de la distribución de T.

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