ESTADÍSTICA I Tema 5: Contraste de hipótesis
|
|
- Luis Miguel Coronel Ojeda
- hace 7 años
- Vistas:
Transcripción
1 ESTADÍSTICA I Tema 5: Contraste de hipótesis Planteamiento del problema. Conceptos básicos: hipótesis nula y alternativa, tipos de errores, nivel de significación, región crítica o de rechazo, tamaño del test, potencia Contrastes paramétricos habituales en una población p-valor Contrastes para dos muestras. Distribución F de Fisher-Snedecor Consistencia de tests. Tests insesgados y UMP Lema de Neyman-Pearson. Tests óptimos Construcción de tests: test de razón de verosimilitudes, test bayesiano. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 1
2 Planteamiento del problema. Conceptos básicos El objetivo de la teoría de contraste de hipótesis es elegir entre dos posibilidades excluyentes (hipótesis nula e hipótesis alternativa) relativas al valor de un parámetro poblacional, a partir de la información proporcionada por los datos muestrales. Sea X 1,..., X n una muestra aleatoria de una v.a. X con función de distribución F θ, donde θ Θ. Objetivo: Dada una partición del espacio paramétrico Θ = Θ 0 Θ 1, deseamos decidir, en base a la muestra obtenida, si θ Θ 0 o si θ Θ 1. Queremos contrastar H 0 : θ Θ 0 H 1 : θ Θ 1 (hipótesis nula) (hipótesis alternativa) Un test para contrastar estas dos hipótesis consiste en proporcionar una regla de decisión que, a cada posible observación de la muestra (x 1,..., x n ), le asigne una decisión: aceptar o rechazar H 0. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 2
3 Los contrastes habituales (no aleatorizados) se definen mediante una región crítica o región de rechazo R R n, de tal manera que, cuando (x 1,..., x n ) R, se rechaza la hipótesis nula. Espacio muestral Región crítica o de rechazo R Decisión Rechazo H 0 (x 1,...,x n ) Región de aceptación A TEST (x 1,...,x n ) Acepto H 0 Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 3
4 Es importante destacar que la metodología de contraste de hipótesis no demuestra la validez de la hipótesis que se acepta en cada caso (en el sentido en el que se demuestra algo mediante un método deductivo, por ejemplo). La manera correcta de interpretar los resultados es decir que los datos disponibles proporcionan (o no proporcionan) evidencia estadística suficiente en contra de la hipótesis nula. En todo caso, la conclusión depende de información incompleta y aleatoria, procedente de una o varias muestras, y siempre existe la posibilidad de cometer un error aceptando una hipótesis equivocada. Los procedimientos que se utilizan habitualmente se suelen denominar contrastes o tests de hipótesis. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 4
5 Posibles errores de un test: Error de tipo I: Rechazar H 0 cuando H 0 es cierta. Error de tipo II: Aceptar H 0 cuando H 0 es falsa. La función de potencia de un test con región de rechazo R para contrastar H 0 : θ Θ 0 frente a H 1 : θ Θ 1 es la función Lo que nos gustaría: β n : Θ [0, 1] θ β n (θ) = P θ {(X 1,..., X n ) R} Potencia = 1 Potencia = 0 Θ 0 Θ 1 θ Θ Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 5
6 Lo que en realidad se suele hacer (teoría de Neyman-Pearson): 1. Acotar la máxima probabilidad de error de tipo I. Se fija un nivel de significación α (0, 1). Típicamente α = 0, 05. Se define el tamaño de un test como la máxima probabilidad de error de tipo I: max P θ (R) = max β n (θ). θ Θ 0 θ Θ 0 Se busca una región de rechazo R tal que max P θ (R) α. θ Θ 0 2. Minimizar la probabilidad de error de tipo II. Se intenta buscar una región de rechazo R que maximice la función de potencia cuando θ Θ 1. Las hipótesis H 0 y H 1 no son simétricas. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 6
7 Como vemos, los test de hipótesis están diseñados para controlar la probabilidad máxima de rechazar H 0 cuando es cierta. En consecuencia, suelen ser conservadores con la hipótesis nula: hace falta mucha evidencia muestral para rechazar H 0. Observemos que es posible que, con los mismos datos, H 0 se rechace para un nivel de significación α = 0.05 y se acepte para α = En una primera aproximación, los problemas de contraste de hipótesis pueden clasificarse en problemas de una muestra (cuando hay una sola población de interés) y problemas de dos muestras (cuando se quiere comparar dos poblaciones y se dispone de una muestra de cada una de ellas). Presentaremos las ideas básicas en el caso de los problemas de una muestra pero pueden extenderse de modo análogo a los de dos muestras. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 7
8 Un ejemplo ilustrativo y sus consecuencias Ejemplo: Se analiza un envío de botellas de aceite envasado con un mecanismo del que se afirma que, en media, rellena las botellas con 100 cl. de aceite. Examinada una muestra de 5 botellas se obtiene que el promedio es 95 cl. y la cuasivarianza es 1.1. Suponemos que la v.a. X = contenido de aceite (en cl.) en una botella sigue una distribución N(µ, σ). Hay suficiente evidencia empírica para afirmar que el contenido medio de las botellas no es 100 cl.? Queremos contrastar H 0 : µ = 100, frente a H 1 : µ 100. Otra posibilidad sería preguntarse si existe evidencia empírica suficiente para afirmar que el consumidor recibe, en promedio, menos cantidad de la que indica la etiqueta. En ese caso, el planteamiento correcto sería contrastar H 0 : µ 100, frente a H 1 : µ < 100. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 8
9 Ejemplo (cont.): Tenemos, por tanto, un problema del tipo: contrastar H 0 : µ = µ 0 frente a H 1 : µ µ 0 (siendo µ 0 un valor prefijado) a partir de una muestra X 1,..., X n extraída de N(µ, σ). Para ello prefijamos el nivel de significación del test α (0, 1) (por ejemplo, α = 0.05) y observamos que, si H 0 fuera cierta, X µ 0 s/ n t n 1. (1) Por otra parte, está claro que deberíamos sospechar que H 0 es falsa (y, por tanto, H 1 es cierta) cuando x resulte estar suficientemente alejada de µ 0. El resultado (1) nos ayuda a decidir, de un modo racional, que es lo que significa suficientemente alejada. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 9
10 Ejemplo (cont.): En efecto, dada una muestra x 1,..., x n, parece muy natural decidir que H 0 es falsa cuando tengamos x µ 0 s/ n > t n 1;α/2. (2) ya que, en este caso, tenemos una muestra que sería muy rara si realmente H 0 fuera cierta. Obsérvese que, de todos modos, hay una probabilidad α, prefijada, de cometer un error de tipo I (rechazar H 0 siendo cierta). Análogamente, si el problema hubiera sido contrastar H 0 : µ µ 0 frente a H 1 : µ < µ 0, un criterio razonable para rechazar H 0 con un nivel de significación α sería x µ 0 s/ n < t n 1;α. (3) Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 10
11 Ejemplo (cont.): En el ejemplo del envasado de aceite x = 95, s 2 = 1.1, n = 5. Por tanto, x µ 0 s/ n = y como > t 4;0.025 = , H 0 : µ = 100 se rechaza al nivel de significación α = 0.05 y, dado que > t 4;0.005 = , también se rechaza al nivel Sin embargo, supongamos que hubiéramos obtenido x = 98, s 2 = 1.1, n = 5. Entonces x µ 0 s/ n = y la hipótesis H 0 se rechazaría al nivel α = 0.05 pero NO se rechazaría al nivel Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 11
12 Ejemplo (cont.): En el ejemplo de las botellas, supongamos que queremos contrastar H 0 : µ 100 frente a H 1 : µ < 100. Entonces el criterio para rechazar H 0 con un nivel de significación α sería x 100 s/ 5 < t 4;α. Supongamos que hubiéramos obtenido x = 98. Entonces x 100 s/ 5 = Como t 4;0.01 = , la hipótesis nula H 0 : µ 100 se rechaza al nivel 0.01 (y también por supuesto, al nivel 0.05, ya que t 4;0.05 = ). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 12
13 Algunas consecuencias y observaciones: El anterior ejemplo es un sólo un caso particular de contraste de hipótesis, pero nos permite extraer algunas consecuencias y dar algunas definiciones generales sobre la metodología del contraste de hipótesis. Asimetría de las hipótesis: H 0 se acepta a menos que se haya obtenido suficiente evidencia estadística en contra de ella. Por esta razón, cuando H 0 se acepta no debe pensarse que se ha demostrado su validez. H 0 representa la hipótesis que estamos dispuestos a aceptar a menos que se obtengan fuertes indicios en contra. Errores de tipo I y II: En todo caso siempre hay una probabilidad positiva de cometer uno de los dos posibles errores: rechazar H 0 cuando es cierta (error de tipo I) o aceptar H 0 cuando es falsa (error de tipo II). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 13
14 El nivel de significación: Los tests usuales están construidos de modo que la máxima probabilidad de cometer el error de tipo I está acotada por un valor prefijado α, el nivel de significación (no confundir con el nivel de confianza de los intervalos). La decisión de rechazar o aceptar H 0 depende del nivel de significación elegido. Cuánto más pequeño es α más conservador se hace el test a favor de H 0, es decir, que para aceptar H 1 cuando α es muy pequeño, debemos tener mucha evidencia estadística. Cuando se toma una decisión (aceptar o rechazar H 0 ) debe indicarse siempre el nivel de significación del test que se ha utilizado. Cuando se acepta H 0 no debe pensarse que se ha demostrado H 0 sino que no se ha encontrado suficiente evidencia empírica (al nivel prefijado α) en contra de H 0. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 14
15 Cuando se acepta H 1 debe recordarse también que la interpretación correcta es que los datos obtenidos proporcionan suficiente evidencia estadística al nivel α para aceptar H 1. Una muestra o un nivel de significación diferentes podrían conducir a conclusiones distintas. Dualidad con los intervalos de confianza: en algunos casos de hipótesis nula simple (i.e. del tipo H 0 : θ = θ 0 ) el test usual rechaza H 0 (al nivel de significación α) si y sólo si el intervalo de nivel de confianza 1 α no contiene al valor θ 0. Ejemplo: Si X N(µ, σ) la región de rechazo { } s R = (x 1,..., x n ) : x µ 0 t n 1;α/2 n del contraste equivale a H 0 : µ = µ 0 H 1 : µ µ 0 α R = {(x 1,..., x n ) : µ 0 / IC 1 α (µ)}. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 15
16 Contrastes para la media de una distribución En cada caso se rechaza H 0 cuando (x 1,..., x n ) R. Distribución normal con varianza conocida: Sea X 1,..., X n una muestra aleatoria de X N(µ, σ) con σ conocido. } σ H 0 : µ = µ 0 R = {(x 1,..., x n ) : x µ 0 z α/2 n } σ H 0 : µ µ 0 R = {(x 1,..., x n ) : x µ 0 z α n } σ H 0 : µ µ 0 R = {(x 1,..., x n ) : x µ 0 z 1 α n donde z β es tal que Φ(z β ) = 1 β siendo Φ la función de distribución de la N(0, 1). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 16
17 Distribución normal con varianza desconocida: Sea X 1,..., X n una muestra aleatoria de X N(µ, σ) con σ desconocido. { } s H 0 : µ = µ 0 R = (x 1,..., x n ) : x µ 0 t n 1;α/2 n { } s H 0 : µ µ 0 R = (x 1,..., x n ) : x µ 0 t n 1;α n { } s H 0 : µ µ 0 R = (x 1,..., x n ) : x µ 0 t n 1;1 α n Cómo hacer un contraste de la t con R: help(t.test) t.test(x, y = NULL, alternative = c("two.sided", "less", "greater"), mu = 0, paired = FALSE, var.equal = FALSE, conf.level = 0.95,...) Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 17
18 Ejemplo: Se certifica que un material estándar de referencia de un suelo contiene 94.6 ppm de un contaminante orgánico. Un análisis repetido arrojó los siguientes resultados: 98.6, 98.4, 97.2, 94.6 y 96.2 ppm. A un nivel de significación α = 0.05 hay suficiente evidencia estadística para concluir que los resultados difieren del valor esperado?. Si se disminuye α a 0.01, se rechazaría H 0?. X = c(98.6, 98.4, 97.2, 94.6, 96.2) t.test(x,alternative="two.sided",mu=94.6) One Sample t-test data: X t = , df = 4, p-value = alternative hypothesis: true mean is not equal to percent confidence interval: sample estimates: mean of x 97 R no parece dar una solución al problema del contraste. O sí? Presentemos el concepto de p-valor. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 18
19 Tests de nivel aproximado α (muestras grandes) para la media de cualquier distribución: Sea X 1,..., X n una muestra aleatoria de X con E(X ) = µ <. H 0 : µ = µ 0, frente a H 1 : µ µ 0 { } R = (x 1,..., x n ) : x µ 0 s/ n > z α/2 H 0 : µ µ 0, frente a H 1 : µ > µ 0 { R = (x 1,..., x n ) : x µ } 0 s/ n > z α H 0 : µ µ 0, frente a H 1 : µ < µ 0 { R = (x 1,..., x n ) : x µ } 0 s/ n < z α Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 19
20 Tests de nivel aproximado α (muestras grandes) para el parámetro p en una Bernoulli: Sea X 1,..., X n una muestra aleatoria de X Bernoulli(p). H 0 : p = p 0, frente a H 1 : p p 0. El criterio de rechazo es (x 1,..., x n ) R, siendo R = (x 1,..., x n ) : x p 0 > z α/2 p 0 (1 p 0 ) n y análogamente para los tests con hipótesis H 1 unilaterales. En el formulario que se puede descargar de la página web hay una lista de las regiones críticas correspondientes a los contrastes de uso más frecuente. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 20
21 El concepto de p-valor Dado un test, definido para todos los niveles de significación posibles, se define el p-valor, para unos datos prefijados, como el ínfimo de los valores α para los cuales se rechaza la hipótesis nula a un nivel de significación α. P(x 1,..., x n ) = inf{α : H 0 es rechazada al nivel α}. Cuánto más pequeño es el p-valor, más evidencia estadística aportan los datos a favor de H 1. El p-valor se puede interpretar como la probabilidad (bajo H 0 ) de obtener un valor al menos tan raro como el obtenido. Los programas informáticos que realizan contrastes de hipótesis (R, Excel, Matlab,... ) no realizan el contraste para un nivel de significación α, sino que directamente nos dan el p-valor del contraste. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 21
22 Ejemplo: Los lagartos del desierto se esconden del calor en verano para evitar que su temperatura corporal interna llegue al nivel letal de 45 o C. Se ha tomado una muestra para estudiar el tiempo X (en minutos) requerido para que la temperatura de un lagarto alcance los 45 o C, partiendo de su temperatura normal mientras estaban en la sombra. Se han obtenido los siguientes datos: Suponiendo que X sigue una distribución N(µ, σ) y, en base a estos datos, puede concluirse que el tiempo medio requerido para alcanzar la temperatura letal es menor que 13 minutos? Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 22
23 Contrastes para la varianza de una normal Sea X 1,..., X n una muestra de X N(µ, σ) con σ desconocido. { } (n 1)s 2 H 0 : σ = σ 0 R = / (χ 2 n 1;1 α/2, χ2 n 1;α/2 ) σ 2 0 = {σ 2 0 / IC 1 α (σ 2 )} { } (n 1)s 2 H 0 : σ σ 0 R = σ0 2 χ 2 n 1;α { } (n 1)s 2 H 0 : σ σ 0 R = χ 2 n 1;1 α σ 2 0 El estadístico del contraste χ 2 (n 1)S 2 n i=1 = = (X i X ) 2 σ 2 0 σ 2 0 (X-squared en R) sigue una distribución χ 2 n 1 si σ2 = V (X ) es igual a σ 2 0. Para hacer este contraste con R, instalar el paquete TeachingDemos y usar la función sigma.test. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 23
24 Ejemplo: X = c(98.6, 98.4, 97.2, 94.6, 96.2) sigma.test(x) One sample Chi-squared test for variance data: X X-squared = 10.96, df = 4, p-value = alternative hypothesis: true variance is not equal to 1 95 percent confidence interval: sample estimates: var of X 2.74 sigma.test(x,sigma=2,alternative="greater") One sample Chi-squared test for variance data: X X-squared = 2.74, df = 4, p-value = alternative hypothesis: true variance is greater than 4 95 percent confidence interval: Inf sample estimates: var of X 2.74 Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 24
25 Contrastes para dos muestras El objetivo es comparar el mismo parámetro en dos poblaciones diferentes. Contrastes con dos poblaciones normales independientes Sean X 1,..., X n1 e Y 1,..., Y n2 muestras aleatorias independientes de X N(µ 1, σ 1 ) e Y N(µ 2, σ 2 ) respectivamente (σ 1 y σ 2 desconocidas). X e Y son v.a. independientes. Para contrastar la hipótesis de homocedasticidad (igualdad de varianzas) de dos poblaciones normales presentamos una nueva distribución auxiliar. Sean Q 1 y Q 2 v.a. independientes con distribuciones χ 2 n 1 y χ 2 n 2, respectivamente. La distribución de Q 1/n 1 Q 2 /n 2 se denomina F de Fisher-Snedecor con n 1 y n 2 grados de libertad, F n1,n 2. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 25
26 c(0, 2) n1=1, n2=1 n1=2, n2=1 n1=5, n2=2 n1=100, n2=1 n1=100, n2=100 range(x) Si s1 2, s2 2 son las cuasi-varianzas de dos muestras independientes de tamaño n 1 y n 2 extraídas, respectivamente, de dos poblaciones N(µ 1, σ 1 ) y N(µ 2, σ 2 ), se tiene (n 1 1)s 2 1 σ 2 1 χ 2 n 1 1, (n 2 1)s 2 2 σ 2 2 χ 2 n 2 1. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 26
27 Por tanto, bajo H 0 : σ 1 = σ 2, s1 2 s2 2 F n1 1,n 2 1. De este resultado se derivan los tests para comparar σ 1 y σ 2. H 0 : σ 1 = σ 2 R = { s 2 1 = s 2 2 H 0 : σ 1 σ 2 R = { s 2 1 s 2 2 H 0 : σ 1 σ 2 R = { s 2 1 s 2 2 / (F n1 1;n 2 1;1 α/2, F n1 1;n 2 1;α/2) { 1 / IC 1 α ( σ 2 1 σ 2 2 )} > F n1 1;n 2 1;α } < F n1 1;n 2 1;1 α } } Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 27
28 Uno de los tests más usuales es el de igualdad de medias para dos poblaciones normales homocedásticas, es decir, con σ 1 = σ 2 = σ: Se puede probar que, bajo H 0 : µ 1 = µ 2, X Ȳ t n1 +n 2 2 s 1 p n n 2 y, por tanto, una región crítica al nivel α es } R = { x ȳ > t n1+n2 2;α/2 s p + 1n1 1n2 siendo s 2 p = (n 1 1)s (n 2 1)s 2 2 n 1 + n 2 2 la varianza combinada (pooled variance), una estimación de σ 2. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 28
29 Ejemplo: Un microbiólogo desea averiguar si hay diferencia en el tiempo que tarda en producir yogur utilizando dos tipos de bacterias: lactobacillus acidophilus (A) y bulgaricus (B). Se prepararon siete remesas de yogur con cada tipo de lactobacilo. A continuación se muestra el tiempo (en horas) hasta que se produjo cada remesa: Cultivo A Cultivo B Suponiendo que la distribución de ambos conjuntos de observaciones se puede considerar normal, contrastar la hipótesis de homocedasticidad (igualdad de varianzas) y la hipótesis de igualdad de medias. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 29
30 Ejemplo (cont.): A = c(6.8, 6.3, 7.4, 6.1, 8.2, 7.3, 6.9) B = c(6.1, 6.4, 5.7, 5.5, 6.9, 6.3, 6.7) var.test(a,b,ratio=1,alternative="two.sided",conf.level =0.9) F test to compare two variances data: A and B F = , num df = 6, denom df = 6, p-value = alternative hypothesis: true ratio of variances is not equal to 1 90 percent confidence interval: sample estimates: ratio of variances Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 30
31 Ejemplo (cont.): t.test(a,b,alternative="two.sided",conf.level=0.95,var. equal=true) Two Sample t-test data: A and B t = , df = 12, p-value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of x mean of y Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 31
32 Si X N(µ 1, σ 1 ) e Y N(µ 2, σ 2 ) son v.a. independientes con σ 1 σ 2 desconocidas, entonces las regiones de rechazo de los contrastes de comparación de medias son: H 0 : µ 1 = µ 2 R = x ȳ t f ;α/2 H 0 : µ 1 µ 2 R = x ȳ t f ;α H 0 : µ 1 µ 2 R = x ȳ t f ;1 α donde f es el entero más próximo a ( s 2 1 n 1 + s2 2 n 2 ) 2 (s1 2/n 1) 2 n (s2 2 /n 2) 2 n 2 1. s 2 1 n 1 + s2 2 s 2 1 n 1 + s2 2 n 2 n 2 s 2 1 n 1 + s2 2 n 2 Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 32
33 Caso de muestras emparejadas: Surge en aquellas situaciones con n 1 = n 2 en que X i e Y i no son independientes (porque corresponden, por ejemplo, a mediciones sobre el mismo individuo antes y después de un tratamiento). Se reducen a problemas de una muestra para la muestra de diferencias D i = X i Y i. Puede verse un ejemplo en los problemas de la Relación 5. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 33
34 Consistencia de tests. Tests insesgados y UMP Se dice que una sucesión de tests con un nivel prefijado α es consistente cuando lim β n(θ) = 1, θ Θ 1 = Θ \ Θ 0. n Se dice que un test es insesgado cuando β n (θ) α θ Θ 0 y β n (θ) α θ Θ 1. Se dice que un test con función de potencia β n es uniformemente más potente (UMP) dentro de una clase B n,α de tests de nivel α basados en muestras de tamaño n cuando β n (θ) β n (θ), θ Θ 1 siendo β n la función de potencia de cualquier otro test de la clase B n,α. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 34
35 El lema de Neyman-Pearson Se considera el problema de hipótesis nula y alternativa simples H 0 : θ = θ 0 frente a H 1 : θ = θ 1. Denotemos f n (x 1,..., x n ; θ) = n i=1 f (x i; θ). Dado α (0, 1), supongamos que la región R = { (x 1,..., x n ) : verifica P θ0 (R ) = α. Entonces } f n (x 1,..., x n ; θ 1 ) f n (x 1,..., x n ; θ 0 ) > k P θ1 (R ) P θ1 (R), siendo R la región crítica de cualquier otro test tal que P θ0 (R) α. En otras palabras, R es el test óptimo de nivel α para el problema considerado. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 35
36 Demostración del lema de Neyman-Pearson: Denotemos x = (x 1,..., x n ) P θ1 (R ) P θ1 (R) = f n (x; θ 1 )dx f n (x; θ 1 )dx, R R c R c R pero, por definición de R, f n (x; θ 1 )dx k R R c f n (x; θ 0 )dx R R c y también f n (x; θ 1 )dx k f n (x; θ 0 )dx. R c R R c R Por lo tanto [ ] P θ1 (R ) P θ1 (R) k f n (x; θ 0 )dx f (x; θ 0 )dx R R c R c R [ ] = k f n (x; θ 0 )dx f n (x; θ 0 )dx R R = k [P θ0 (R ) P θ0 (R)] 0. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 36
37 Familias paramétricas con cociente de verosimilitudes monótono y tests óptimos Cómo construir tests óptimos en problemas que no sean de hipótesis nula y alternativa simples? Consideremos el caso en que el modelo es de la forma f ( ; θ), siendo θ Θ, donde Θ R es un intervalo. Sea f n (x 1,..., x n ; θ) = n i=1 f (x i; θ). Supongamos que queremos contrastar H 0 : θ θ 0 frente a H 1 : θ > θ 0. Definición.- Se dice que f ( θ) es una familia paramétrica con cociente de verosimilitudes monótono (CVM) si existe un estadístico T n (x 1,..., x n ) tal que, para todo θ 1, θ 2, con θ 1 < θ 2, la razón de verosimilitudes f n (x 1,..., x n ; θ 2 ) f n (x 1,..., x n ; θ 1 ) es una función monótona no decreciente de T n (x 1,..., x n ). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 37
38 Como consecuencia directa del Lema de Neyman-Pearson y de la anterior definición se tiene Teorema.- Supongamos que f ( ; θ) cumple la propiedad CVM y que k α es tal que P θ0 {T n > k α } = α. Supongamos además que P θ {T n = c} = 0, para todo θ y c. Entonces, R = {(x 1,..., x n ) : T n (x 1,..., x n ) > k α } es la región crítica de un test óptimo (uniformemente más potente) de nivel α para contrastar H 0 : θ θ 0 frente a H 1 : θ > θ 0. Un resultado análogo es válido para H 0 : θ θ 0 frente a H 1 : θ < θ 0 aunque en este caso la propiedad CVM debe cumplirse cambiando no decreciente por no creciente. Para un contraste del tipo H 0 : θ = θ 0 frente a H 1 : θ θ 0 no tiene por qué existir un test UMP (ver Ejemplo de Casella y Berger 2002, p. 392). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 38
39 Ejemplo: Sea f ( ; θ) una uniforme en (0, θ). La propiedad CVM se cumple con T n (x 1,..., x n ) = max{x 1,..., x n }. Por tanto, el test óptimo de nivel α para H 0 : θ θ 0 frente a H 1 : θ > θ 0 es ( ) n kα R = {(x 1,..., x n ) : max{x 1,..., x n } > k α }, donde 1 = α es decir, k α = exp ( 1 n log(1 α) + log(θ 0) ). Ejemplo: Si f (x; θ) = θe θx 1 [0, ) (x), la propiedad CVM se cumple con T n (x 1,..., x n ) = 1/ n i=1 x i. Por tanto, el test óptimo de nivel α para H 0 : θ θ 0 frente a H 1 : θ > θ 0 es R = {(x 1,..., x n ) : 1 n i=1 x i > k α } donde P θ0 { n i=1 θ 0 X i < 1 k α } = α. El valor k α se puede calcular teniendo en cuenta que, si θ = θ 0, entonces n i=1 X i γ(θ 0, n) porque X exp(θ 0 ) = γ(θ 0, 1). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 39
40 Construcción de tests. Test de cociente de verosimilitudes Sea f ( ; θ) donde θ = (θ 1,..., θ k ) Θ R k, siendo Θ un intervalo de R k. Dada una muestra x = (x 1,..., x n ), sea f n (x; θ) = n i=1 f (x i; θ). Consideremos el problema de contrastar H 0 : θ i = c i, para i = 1,..., r (con r k) H 1 : θ i c i para algún i = 1,..., r El estadístico del contraste de razón de verosimilitudes es Λ n = sup θ Θ 0 f n (x; θ) sup θ Θ f n (x; θ), donde Θ 0 = {θ Θ : θ = (c 1,..., c r, θ r+1,..., θ k )}. El contraste de razón de verosimilitudes tiene como región de rechazo R = {(x 1,..., x n ) : Λ n (x 1,..., x n ) k α }. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 40
41 Teorema.- Supongamos que (i) El emv ˆθ n es estimador consistente (en probabilidad) del parámetro θ. (ii) Para todo x, la función log f (x; θ) tiene derivadas parciales terceras (respecto a las componentes θ j de θ) continuas. (iii) En las integrales que involucran a la función f (x; θ) se pueden permutar las derivadas con el signo integral. (iv) La matriz ( de información de ) Fisher I(θ) = 2 θ i θ j log f (X ; θ) es invertible para cada θ. Entonces, bajo H 0, 2 log Λ n 1 i,j k d χ 2 r. (4) Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 41
42 Aplicación a tests de bondad de ajuste Sea X una v.a. discreta que toma los valores a 1,..., a k. Denotemos p i = P(X = a i ). Supongamos que se desea contrastar H 0 : p i = p i0, i = 1,..., k basado en una muestra x 1,..., x n. Obsérvese que, en este caso, con la notación del teorema, r = k 1 porque cuando se fijan k 1 probabilidades p i queda fijada la probabilidad restante. Por tanto, H 0 se rechaza al nivel α cuando 2 log Λ n > χ 2 k 1;α, Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 42
43 Aquí el numerador de Λ n es p O po k k0, siendo O j = #{i : x i = a j } las frecuencias observadas de los distintos valores de la variable [nótese que, bajo H 0, (O 1,..., O k ) tiene distribución multinomial M(n; p 10,..., p k0 )]. El denominador de Λ n es ( ) O1 ( ) Ok O1 Ok.... n n Sustituyendo en Λ n es inmediato ver que el estadístico de contraste se puede expresar en la forma 2 log Λ n = 2 k O j log j=1 ( Oj donde e j = np j0, j = 1,..., k son las frecuencias esperadas (bajo H 0 ) de los distintos valores de la variable en una muestra de tamaño n. e j ), Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 43
44 Un ejemplo clásico: el experimento de Mendel En el famoso experimento de Mendel se cruzaron plantas de guisantes con fenotipo rugoso-amarillo con otras de fenotipo lisoverde. En la segunda generación se podían observar cuatro fenotipos (liso-amarillo, rugoso-amarillo, liso-verde, rugoso-verde) cuyas respectivas probabilidades, según la teoría de la herencia mendeliana, debían ser p 10 = 9 16, p 20 = 3 16, p 30 = 3 16, p 40 = Observados n = 556 guisantes en la segunda generación del experimento se obtuvieron los siguientes números de guisantes con estos fenotipos: O 1 = 315, O 2 = 101, O 3 = 108, O 4 = 32. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 44
45 Proporcionan estos resultados alguna evidencia en contra de la teoría mendeliana? Aplicamos el test para contrastar H 0 : p 1 = 9 16,..., p 4 = 1 16 : e 1 = = , e2 = e3 = = , e4 = = En definitiva, el test de cociente de verosimilitudes compara las O i con las e i y rechaza la hipótesis nula cuando hay demasiadas diferencias entre ellas. Esto se hace formalmente mediante el estadístico 2 log Λ n = 2 k O i log i=1 ( Oi e i ) = El p-valor (calculado a partir de la distribución χ 2 3 ) es lo que, por supuesto, no indica ninguna evidencia estadística en contra de H 0. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 45
46 Hay una controversia clásica en la historia de la ciencia en el sentido de que los resultados de Mendel eran demasiado buenos, es decir, había demasiada concordancia entre las O i y las e i (por ejemplo, R.A. Fisher era de esta opinión; ver su artículo de 1936, Has Mendel s work been rediscovered?, en The Annals of Science). Se ha sugerido que este supuesto exceso de concordancia podía deberse a un sesgo de repetición (confirmation bias) producido por la repetición de los resultados hasta que las O i concordasen fuertemente con las e i. También se ha conjeturado que algún ayudante de Mendel pudo actuar con exceso de celo manipulando los resultados. En todo caso, las ideas básicas de Mendel eran acertadas y han tenido una influencia decisiva. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 46
47 Construcción de tests. Test bayesianos Se desea contrastar H 0 : θ Θ 0 frente a H 1 : θ Θ \ Θ 0. Como siempre, la información procede de una muestra x 1,..., x n. La metodología bayesiana supone que la densidad que ha generado los datos es f ( θ) y que el parámetro θ puede considerarse como una v.a. con distribución a priori π(θ). A partir de aquí se calculan la distribución a posteriori π(θ x 1,..., x n ) dada por π(θ x 1,..., x n ) = f n (x 1,..., x n θ)π(θ) Θ f n(x 1,..., x n θ)π(θ)dθ, donde f n (x 1,..., x n θ) = n i=1 f (x i; θ). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 47
48 El elemento fundamental en la inferencia bayesiana es siempre la distribución a posteriori. A partir de ella se pueden calcular las probabilidades a posteriori de ambas hipótesis P{θ Θ 0 x 1,..., x n } = π(h 0 x 1,..., x n ) = π(θ x 1,..., x n )dθ, Θ 0 P{θ Θ 1 x 1,..., x n } = π(h 1 x 1,..., x n ) = 1 π(h 0 x 1,..., x n ), y decidir dependiendo de sus valores. Típicamente se optará por H 1 cuando π(h 1 x 1,..., x n ) β, donde β (0, 1) es un valor que se fija dependiendo de la gravedad que se atribuya al error de tipo I (rechazar H 0 cuando es cierta). Observemos que la metodología bayesiana de contraste de hipótesis depende fuertemente de la elección de la distribución a priori π. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 5: Contraste de hipótesis 48
ESTADÍSTICA I Tema 5: Contraste de hipótesis
ESTADÍSTICA I Tema 5: Contraste de hipótesis Planteamiento del problema Conceptos básicos: hipótesis nula y alternativa, tipos de errores, nivel de significación, región crítica o de rechazo, tamaño del
Más detallesMétodos Estadísticos de la Ingeniería Tema 11: Contrastes de Hipótesis Grupo B
Métodos Estadísticos de la Ingeniería Tema 11: Contrastes de Hipótesis Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Abril 2010 Contenidos...............................................................
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detalles> t.test (datos_x, datos_y =NULL, alternative = "two.sided", mu = 0, paired =FALSE, var.equal = FALSE, conf.level= 0.95)
INTERVALOS DE CONFIANZA Y TEST DE HIPOTESIS CON R Estudiemos ahora la función en el lenguaje R, que nos ofrece tanto estimaciones puntuales y por intervalos de confianza como test de hipótesis, es: > t.test
Más detallesESTADÍSTICA I Tema 4: Estimación por intervalos de confianza
ESTADÍSTICA I Tema 4: Estimación por intervalos de confianza El concepto de intervalo de confianza (IC) IC aproximados basados en el TCL: intervalos para una proporción Determinación del mínimo tamaño
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesESTADÍSTICA I Tema 3: Estimación puntual paramétrica
ESTADÍSTICA I Tema 3: Estimación puntual paramétrica Planteamiento del problema Estimadores. Concepto, error cuadrático medio y propiedades deseables Construcción de estimadores: el método de máxima verosimilitud
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesTema 4: Estimación por intervalo (Intervalos de Confianza)
Tema 4: Estimación por intervalo (Intervalos de Confianza (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/ y A. Alonso (http://www.est.uc3m.es/amalonso/ 1 Planteamiento del problema: IC
Más detallesCaso particular: Contraste de homocedasticidad
36 Bioestadística: Métodos y Aplicaciones 9.5.5. Caso particular: Contraste de homocedasticidad En la práctica un contraste de gran interés es el de la homocedasticidad o igualdad de varianzas. Decimos
Más detallesPLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07
PLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07 TEMAS A ESTUDIAR En esta guía nos dedicaremos a estudiar el tema de Estimación por intervalo y comenzaremos a estudiar las pruebas de hipótesis paramétricas.
Más detallesTema 5: Contraste de hipótesis
Tema 5: Contraste de hipótesis 1 (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Conceptos fundamentales: hipótesis nula y alternativa,
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesTest de Hip otesis 6.3 horarios flexibles un promedio de 5.4 d ıas
Test de Hipótesis Una firma sabe que en cada uno de los añosanterioreslos empleados han faltado un promedio de 6.3 días (sacando las vacaciones). Este año la firma introdujo el sistema de horarios flexibles
Más detallesTema 3: Estimación estadística de modelos probabilistas. (segunda parte)
Tema 3: Estimación estadística de modelos probabilistas. (segunda parte) Estructura de este tema: 1 Técnicas de muestreo y estimación puntual. 2. 3 Contrastes de hipótesis. Planteamiento del problema Sea
Más detallesESTADÍSTICA I Tema 3: Estimación puntual paramétrica
ESTADÍSTICA I Tema 3: Estimación puntual paramétrica Planteamiento del problema Estimadores. Concepto, error cuadrático medio y propiedades deseables Construcción de estimadores: el método de máxima verosimilitud
Más detallesAnálisis de dos muestras
Análisis de dos muestras Supongamos el siguiente ejemplo. La resistencia a la rotura de un componente eléctrico constituye una característica importante de un cierto proceso. Un fabricante utiliza un material
Más detallesTema 7. Contrastes de Hipótesis
7.1. Conceptos básicos Tema 7. Contrastes de Hipótesis Uno de los problemas comunes en inferencia consiste en contrastar una hipótesis estadística. Ejemplo: El fabricante de un determinado tipo de piezas
Más detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 3. Contrastes de bondad
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesTécnicas de Inferencia Estadística II. Tema 2. Contrastes de hipótesis en poblaciones normales
Técnicas de Inferencia Estadística II Tema 2. Contrastes de hipótesis en poblaciones normales M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 2. Contrastes
Más detallesPRÁCTICA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS
PRÁCTICA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS Objetivos Plantear y resolver problemas mediante la técnica de contraste de hipótesis. Asimilar los conceptos relativos a contrastes de hipótesis, tales
Más detallesSe observa X, realización del fenómeno aleatorio. Lo anterior implica razonamiento inductivo.
Pruebas de Hipótesis Hay un contexto. Hay un fenómeno aleatorio de interés. ( ΩF,, P( θ )) Valor de θ desconocido. Se observa X, realización del fenómeno aleatorio. Lo anterior implica razonamiento inductivo.
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detallesCaso 105. Tamaño de muestra y potencia de una prueba. Diseño de experimentos. Jesús López Fidalgo
Caso 105. Tamaño de muestra y potencia de una prueba. Diseño de experimentos. Jesús López Fidalgo Caso Práctico El objetivo de este ejercicio es analizar diferentes tipos de pruebas estadísticas en las
Más detallesContraste de hipótesis paramétricas
Contraste de hipótesis paramétricas Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Proceso de la investigación estadística Etapas PROBLEMA HIPÓTESIS DISEÑO RECOLECCIÓN
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesHipótesis Alternativa H 1 : ϑ Θ 1
INFERENCIA ESTADÍSTICA Tema 3.3: Contrastes de signicación Objetivos Dominar el esquema conceptual y el lenguaje propios de los contrastes de hipótesis. Construir contrastes de hipótesis para los parámetros
Más detallesEstadística I Tema 7: Estimación por intervalos
Estadística I Tema 7: Estimación por intervalos Tema 7: Estimación por intervalos Ideas a transmitir Definición e interpretación frecuentista. Intervalos de confianza para medias y varianzas en poblaciones
Más detallesTema 13: Contrastes No Paramétricos
Tema 13: Contrastes No Paramétricos Presentación y Objetivos. La validez de los métodos paramétricos depende de la validez de las suposiciones que se hacen sobre la naturaleza de los datos recogidos. La
Más detallesCAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA
CAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA 3.- INTERVALO DE CONFIANZA PARA LA VARIANZA 4.- INTERVALO DE
Más detallesCap. 7 : Pruebas de hipótesis
Cap. 7 : Pruebas de hipótesis Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 20 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de sistemas,
Más detalles2.3. Análisis bayesiano para datos normales
2.3. Análisis bayesiano para datos normales 87 2.3. Análisis bayesiano para datos normales Otra de las situaciones más frecuentes en la práctica estadística es aquella en la que nos encontramos con datos
Más detallesCONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN
CONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN Antonio Morillas A. Morillas: C. no paramétricos (II) 1 1. Contrastes de aleatoriedad. Contraste de rachas. 2. Contrastes de localización 2.1 Contraste
Más detalles6. Inferencia con muestras grandes. Informática. Universidad Carlos III de Madrid
6. Inferencia con muestras grandes 1 Tema 6: Inferencia con muestras grandes 1. Intervalos de confianza para μ con muestras grandes 2. Determinación del tamaño muestral 3. Introducción al contraste de
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesUNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES ESCUELA DE SOCIOLOGÍA DEPARTAMENTO DE ESTADÍSTICA INFERENCIA ESTADÍSTICA
UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES ESCUELA DE SOCIOLOGÍA DEPARTAMENTO DE ESTADÍSTICA INFERENCIA ESTADÍSTICA ANOTACIONES SOBRE CONSTRASTE DE Prof. Simón Cabrera
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesDEFINICIONES BÁSICAS
1 CLASES DE ESTADÍSTICA II CLASE 14) INTRODUCCIÓN A LAS PRUEBAS DE HIPÓTESIS. A menudo el analista debe tomar decisiones acerca de la investigación que se está desarrollando. En ese proceso de toma de
Más detallesPruebas de hipótesis
Pruebas de hipótesis Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Prueba de hipótesis Uno de los objetivos de la estadística es hacer
Más detallesLee, Capítulo 3, Secciones 3.1,3.2,3.4 y 3.5. Gelman et al, Capítulo 2, Secciones
CAPÍTULO 3: DISTRIBUCIONES CON- JUGADAS Para leer Lee, Capítulo 3, Secciones 3.1,3.2,3.4 y 3.5. Gelman et al, Capítulo 2, Secciones 2.4 2.7. Ejemplo 18 Supongamos que en la situación del Ejemplo 13, se
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detallesPodemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para
VII. Pruebas de Hipótesis VII. Concepto de contraste de hipótesis Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesTema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesConvocatoria Ordinaria de Junio, Curso 2011/12 8/6/2012
Grado en Ciencias del Mar Estadística Convocatoria Ordinaria de Junio, Curso 2011/12 8/6/2012 Entre los años 1999 y 2004 se llevaron a cabo diversas campañas para el estudio del anidamiento y éxito reproductivo
Más detallesINFERENCIA PARÁMETRICA: RELACIÓN ENTRE DOS VARIABLES CUALITATIVAS
. Metodología en Salud Pública INFERENCIA PARÁMETRICA: RELACIÓN ENTRE DOS VARIABLES CUALITATIVAS Autor: Clara Laguna 7.1 INTRODUCCIÓN Los datos categóricos o variables cualitativas son muy frecuentes en
Más detallesIntroducción al Tema 6. Tema 5. Intervalos de confianza Definición. Ejemplos de intervalos de confianza. Determinación del tamaño muestral.
Introducción al Tema 6 1 Tema 5. Intervalos de confianza Definición. Ejemplos de intervalos de confianza. Determinación del tamaño muestral. Esta θ en el intervalo de confianza? Tema 6. Contraste de hipótesis
Más detallesContrastes de hipótesis estadísticas. Contrastes paramétricos
Índice 7 Contrastes de hipótesis estadísticas. Contrastes paramétricos 7.1 7.1 Introducción.......................................... 7.1 7.2 Conceptos básicos...................................... 7.2
Más detalles1) Características del diseño en un estudio de cohortes.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de cohortes CONCEPTOS CLAVE 1) Características del diseño en un estudio de cohortes. ) Elección del tamaño
Más detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más detalles4. Prueba de Hipótesis
4. Prueba de Hipótesis Como se ha indicado anteriormente, nuestro objetivo al tomar una muestra es extraer alguna conclusión o inferencia sobre una población. En nuestro interés es conocer acerca de los
Más detallesContraste de Hipótesis
Contraste de Hipótesis Introducción Ejemplo El peso de plantines de un arbusto forrajero, almacenado a temperatura y humedad relativa ambientes, obtenido a los 20 días desde la germinación es en promedio
Más detallesTema 6: Introducción a la inferencia estadística
Tema 6: Introducción a la inferencia estadística Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 6: Introducción a la inferencia estadística
Más detallesTema 13 : Intervalos de probabilidad y confianza. Hipótesis y decisiones estadísticas.
Tema 13 : Intervalos de probabilidad y confianza. Hipótesis y decisiones estadísticas. ---Intervalo de probabilidad (IP) Permite predecir el comportamiento de las muestras. Si de una población se sacan
Más detallesConceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesTests de Hipótesis basados en una muestra. ESTADÍSTICA (Q) 5. TESTS DE HIPÓTESIS PARA LA MEDIA DE UNA POBLACIÓN NORMAL CON VARIANZA CONOCIDA
2 5. TESTS DE HIPÓTESIS PARA LA MEDIA DE UNA POBLACIÓN NORMAL CON VARIANZA CONOCIDA 5. Desarrollo de un ejemplo Interesa saber si el método de absorción atómica de vapor frío para determinar mercurio introduce
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detalles3 ESTIMACION. 3.1 Introducción
3 ESTIMACION 3.1 Introducción En un problema estadístico, si los datos fueron generados a partir de una distribución de probabilidad F(x) desconocida, la Inferencia Estadística permite decir algo respecto
Más detallesCONTROL ESTADISTICO DE LA CALIDAD
CICLO 2012-I Módulo:2 Unidad:2 Semana: 2 CONTROL ESTADISTICO DE LA CALIDAD ING. ENRIQUE MONTENEGRO MARCELO PRUEBAS DE HIPOTESIS CONTENIDOS TEMÁTICOS 1. DEFINICIÓN DE HIPOTESIS 2. PROCEDIMIENTO DE UNA PRUEBA
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detallesPRÁCTICA 5: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS
PRÁCTICA 5: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS Objetivos Plantear y resolver problemas mediante la técnica de contraste de hipótesis. Asimilar los conceptos relativos a contrastes de hipótesis, tales
Más detallesIntroducción a la Inferencia Estadística
MÁSTER EN ESTADÍSTICA PÚBLICA Experto Universitario: Estadística Aplicada y Técnicas de Encuestación 1 Introducción a la Inferencia Estadística Estimación puntual paramétrica M a Teresa Gómez Departamento
Más detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detallesPrueba de Hipótesis. Bondad de Ajuste. Tuesday, August 5, 14
Prueba de Hipótesis Bondad de Ajuste Conceptos Generales Hipótesis: Enunciado que se quiere demostrar. Prueba de Hipótesis: Procedimiento para determinar si se debe rechazar o no una afirmación acerca
Más detallesTema 7. Contrastes no paramétricos en una población
Tema 7. Contrastes no paramétricos en una población Resumen del tema 7.1. Introducción a la Estadística Inferencial. Estimación de parámetros Como ya sabemos, la Estadística estudia los métodos científicos
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesContrastes de hipótesis. 1: Ideas generales
Contrastes de hipótesis 1: Ideas generales 1 Inferencia Estadística paramétrica población Muestra de individuos Técnicas de muestreo X 1 X 2 X 3.. X n Inferencia Estadística: métodos y procedimientos que
Más detallesPráctica 4. Contraste de hipótesis
Práctica 4. Contraste de hipótesis Estadística Facultad de Física Objetivos Ajuste a una distribución discreta uniforme Test χ 2 Comparación de muestras Ajuste a una distribución normal 1 Introducción
Más detalles1. Estadística Descriptiva 9
Índice 1. Estadística Descriptiva 9 1.1. Introducción............................. 9 1.2. Representaciones gráficas..................... 9 1.2.1. Representaciones de datos de tipo cualitativo...... 10
Más detallesINFERENCIA ESTADISTICA
INFERENCIA ESTADISTICA ESTIMACION 2 maneras de estimar: Estimaciones puntuales x s 2 Estimaciones por intervalo 2 ESTIMACION Estimaciones por intervalo Limites de Confianza LCI
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN PRUEBA N 3 Profesor: Hugo S. Salinas. Segundo Semestre 200. Se investiga el diámetro
Más detallesProyecto Tema 8: Tests de hipótesis. Resumen teórico
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 8: Tests de hipótesis Resumen teórico Tests de hipótesis Concepto de test de hipótesis Un test de hipótesis (o
Más detallesContraste de hipótesis con STATGRAPHICS
Contraste de hipótesis con STATGRAPHICS Ficheros empleados: Transistor.sf3, Estaturas.sf3 1. Introducción: Una forma habitual de hacer inferencia acerca de uno o más parámetros de una población consiste
Más detallesJuan Carlos Colonia PRUEBA DE HIPÓTESIS
Juan Carlos Colonia PRUEBA DE HIPÓTESIS HIPÓTESIS ESTADÍSTICA Una hipótesis estadística es un supuesto acerca de la distribución de probabilidad de una o mas variables aleatorias o de los parámetros de
Más detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesEstadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min.
Estadística II Examen final junio - 17/06/16 Curso 201/16 Soluciones Duración del examen: 2 h. y 4 min. 1. (3, puntos) La publicidad de un fondo de inversión afirma que la rentabilidad media anual del
Más detallespara una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua
Pruebas de hipótesis para una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua En muchas situaciones cuando queremos sacar conclusiones sobre una muestra,
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detalles1. Muestreo e Inferencia Estadística
Tema 6: Introducción a la Inferencia Estadística Objetivos Introducir los conceptos elementales en esta parte de la asignatura. Tratar con muestras aleatorias y su distribución muestral en ejemplos de
Más detallesSOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004
Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/004 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta (0,5 puntos c/u): 1. (V F) Los contrastes de hipótesis de dos muestras
Más detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesBLOQUE 3 TEMA 11 ESTIMACIÓN DE PARÁMETROS. ERRORES DE ESTIMACIÓN
BLOQUE 3 TEMA 11 ESTIMACIÓN DE PARÁMETROS. ERRORES DE ESTIMACIÓN Aproximación intutitiva a la inferencia estadística La Estadística es la ciencia que se ocupa de la ordenación y análisis de datos procedentes
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Mag. María del Carmen Romero 2014 romero@econ.unicen.edu.ar Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo
Más detalles