Definición Una hipótesis es una afirmación acerca de un parámetro.
|
|
- Rubén Villanueva del Río
- hace 7 años
- Vistas:
Transcripción
1 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 desarrollar estas pruebas de forma que puedan ser aplicadas a ciertos problemas de interés Introducción Definición Una hipótesis es una afirmación acerca de un parámetro. Definición Las dos hipótesis complementarias en un problema de prueba de hipótesis son llamadas hipótesis nula e hipótesis alternativa y se denotan por H 0 y H 1 respectivamente. El objetivo de una prueba de hipótesis es decidir, en base a una muestra extraída a partir de la población, cuál de las dos hipótesis complementarias es verdadera. Definición Una prueba de hipótesis es una regla que especifíca: a. Para que valores muestrales la decisión es no rechazar H 0 y suponer que es verdadera. b. Para que valores muestrales la decisión es rechazar H 0 y aceptar H 1 como verdadera. 99
2 CAPÍTULO 8. PRUEBA DE HIPÓTESIS 100 El subconjunto del espacio muestral para el que se rechaza H 0 se denomina región de rechazo o región critica. El complemento de la región de rechazo es llamado la región de no rechazo. En general, una prueba de hipótesis se desarrolla en términos de un estadístico de prueba W (X) = W (X 1,, X n ) que es una función de la muestra Métodos para encontrar pruebas Se presentan a continuación tres métodos para establecer pruebas de hipótesis que pueden ser aplicados a diferentes situaciones Prueba de razón de verosimilitud Recordar que si X 1,, X n es una muestra aleatoria de una población con función de probabilidad o función de densidad f(x θ) entonces la función de verosimilitud es: n L(θ x 1,, x n ) = L(θ x) = f(x i θ) i=1 Definición La prueba estadística de razón de verosimilitud para probar H 0 : θ Θ 0 versus H 1 : θ Θ c 0 es: λ(x) = sup Θ 0 L(θ x) sup Θ L(θ x) donde Θ denota el espacio paramétrico completo. Una prueba de razón de verosimilitud es aquella con región de rechazo de la forma {x : λ(x) c}, donde 0 c 1. Suponga que ˆθ es el estimador de máxima verosimilitud de θ sin restricción. Considerar además que ˆθ 0 es el estimador de máxima verosimilitud de θ asumiendo que el espacio paramétrico restringido es Θ 0, es decir ˆθ 0 es el valor de θ Θ 0 que maximiza L(θ x). Entonces, la prueba de razón de verosimilitud es: λ(x) = L(ˆθ 0 x) L(ˆθ x)
3 CAPÍTULO 8. PRUEBA DE HIPÓTESIS 101 Ejemplo Sea X 1,, X n una muestra aleatoria de una población N (θ, 1). Considerar la hipótesis H 0 : θ = θ 0 versus H 1 : θ θ 0 donde θ 0 es una constante definida a priori por el experimentador. Hallar la prueba de razón de verosimilitud para probar las hipótesis anteriores. Ejemplo Sea X 1,, X n una muestra aleatoria de una población exponencial con función de densidad: e (x θ) x θ f(x θ) = 0 x < θ donde < θ <. Hallar la prueba de razón de verosimilitud para las hipótesis H 0 : θ θ 0 versus H 1 : θ > θ 0 donde θ 0 es una constante definida por el experimentador. Si T (X) es una estadística suficiente para θ con función de probabilidad o densidad g(t θ) entonces se podría considerar construir una prueba de razón de verosimilitud basado en T y su función de verosimilitud L (θ t) = g(t θ) en lugar de X y su función de verosimilitud L(θ x). Teorema Si T (X) es una estadística suficiente para θ y λ (t) y λ(x) son las pruebas de razón de verosimilitud basados en T y X respectivamente, entonces: λ (T (x)) = λ(x) Ejemplo En el ejemplo se tiene que X es una estadística suficiente para θ y en el ejemplo X (1) = mín X i es también una estadística suficiente para θ. Las pruebas de razón de verosimilitud son también útiles en situaciones en las que existen parámetros de ruido, es decir parámetros que estan presentes en un modelo pero sobre los que no existe interés inferencial directo. Ejemplo Suponga X 1,, X n una muestra aleatoria de una población N (µ, σ 2 ) y que un experimentador desea realizar inferencias solamente sobre µ a través de las hipótesis H 0 : µ µ 0 versus H 1 : µ > µ 0. Hallar la prueba de razón de verosimilitud considerando que σ 2 es un parámetro de ruido.
4 CAPÍTULO 8. PRUEBA DE HIPÓTESIS Prueba de Unión-Intersección El método de unión-intersección para construir pruebas de hipótesis se usa cuando la hipótesis nula puede ser expresada como una intersección: H 0 : θ Θ γ (8.2.1) donde Γ es un conjunto de índices que puede ser finito o infinito dependiendo del problema. Suponga que las pruebas disponibles para H 0γ : θ Θ γ versus H 1γ : θ Θ c γ tienen región de rechazo {x : T γ (x) R γ } entonces la región de rechazo para la prueba de unión-intersección es: {x : T γ (x) R γ } (8.2.2) En particular, suponga que cada una de las pruebas individuales tiene región de rechazo de la forma {x : T γ (x) > c}, donde c no depende de γ, entonces la región de rechazo para la prueba de unión-intersección puede expresarse como: {x : T γ (x) > c} = {x : supt γ (x) > c} (8.2.3) En consecuencia el estadístico de prueba es T (X) = supt γ (x). Ejemplo Sea X 1,, X n una muestra aleatoria de una población N (µ, σ 2 ). Usar la prueba de unión-intersección para las hipótesis H 0 : µ = µ 0 versus H 1 : µ µ 0 donde µ 0 es una constante Prueba de Intersección-Unión Suponga que se desea probar la hipótesis nula: H 0 : θ Θ γ (8.2.4) y que para cada γ Γ, {x : T γ (x) R γ } es la región de rechazo para las hipótesis H 0γ : θ Θ γ versus H 1γ : θ Θ c γ. Entonces la región de rechazo para la prueba de intersección-unión para H 0 versus H 1 es:
5 CAPÍTULO 8. PRUEBA DE HIPÓTESIS 103 {x : T γ (x) R γ } (8.2.5) Si las regiones de rechazo para las hipótesis individuales son de la forma {x : T γ (x) c}, donde c no depende de γ, entonces la región de rechazo para H 0 es: {x : T γ (x) c} = {x : ínf T γ(x) c} (8.2.6) Ejemplo Suponga que dos parámetros son importantes al evaluar la calidad en una fábrica: θ 1, la resistencia media a la ruptura y θ 2, la probabilidad de pasar un test de inflamación. Suponga que las hipótesis son: H 0 : {θ 1 50 o θ 2 0,95} versus H 1 : {θ 1 > 50 y θ 2 > 0,95} donde un lote de material es aceptado solo si se acepta H 1. Sean X 1,, X n las mediciones de la resistencia a la ruptura obtenidas en una muestra desde N (θ 1, σ 2 ). La prueba de razón de verosimilitud para H 01 : θ 1 50 se rechaza si n(x 50)/S > t. Suponga que también se tienen los resultados en m pruebas de inflamación denotados por Y 1,, Y m donde Y i = 1 si la i ésima prueba paso el test y Y i = 0 en caso contrario. La prueba de razón de verosimilitud correspondiente rechaza H 02 : θ 2 0,95 si mi=1 Y i > b. La región de rechazo para la prueba de intersección-unión es: { (x, y) : x 50 m } s/ n > t y y i > b 8.3. Métodos para evaluar pruebas Las pruebas de hipótesis se evaluan y comparan a través de sus probabilidades de cometer error al decidir entre rechazar o no rechazar H Probabilidades de error y potencia de la prueba Una prueba de hipótesis para H 0 : θ Θ 0 vs H 1 : θ Θ c 0 puede conducir a dos tipos de error. i=1 Decisión Hipótesis verdadera No se rechaza H 0 Se rechaza H 0 H 0 Decisión correcta Error tipo I H 1 Error tipo II Decisión correcta
6 CAPÍTULO 8. PRUEBA DE HIPÓTESIS 104 Suponga que R denota la región de rechazo de una prueba, entonces: Pr θ (X R) = Pr (Cometer error tipo I) si θ Θ 0 1 Pr (Cometer error tipo II) si θ Θ c 0 Definición La función potencia de una prueba de hipótesis con región de rechazo R es la función de θ definida por: β(θ) = Pr θ (X R) Ejemplo Sea X 1,, X n una muestra aleatoria de una población N (θ, σ 2 ) con σ 2 conocido. Una prueba de razón de verosimilitud para H 0 : θ θ 0 versus H 1 : θ > θ 0 rechaza H 0 si ( x θ 0 )/(σ/ n) > c. La constante c puede ser cualquier número positivo. La función potencia para esta prueba es: ( ) X θ0 β (θ) = Pr θ σ/ n > c ( X θ = Pr θ σ/ n > c + θ ) 0 θ σ/ n ( = Pr Z > c + θ ) 0 θ θ σ/ n El gráfico se muestra a continuación. > set.seed(500) > sigma <- 1 > x <- rnorm(n=15, mean=5, sd=sigma) > media <- mean(x) > n <- length(x) > theta0 <- 6 > theta <- seq(from=4, to=8, by=0.1) > c < > z0 <- c + (theta0 - theta)/(sigma/sqrt(n)) > potencia <- 1 - pnorm(q=z0, mean=0, sd=1) > plot(theta, potencia, type="l")
7 CAPÍTULO 8. PRUEBA DE HIPÓTESIS 105 Figura 8.1: Función potencia usando R potencia theta Es común considerar aquellas pruebas que controlan la probabilidad de cometer error tipo I en un determinado nivel y dentro de ellas buscar la que tenga la menor probabilidad de cometer error tipo II. Definición Para 0 < α < 1, una prueba con es una prueba de tamaño α si: sup β(θ) = α θ Θ 0 Definición Para 0 < α < 1, una prueba con es una prueba de nivel α si: sup β(θ) α θ Θ 0 función potencia β(θ) función potencia β(θ)
8 CAPÍTULO 8. PRUEBA DE HIPÓTESIS 106 Algunos autores no realizan distinción entre los términos tamaño y nivel, que resulta de importancia para aquellas situaciones en las que resulta imposible obtener una prueba de tamaño α Pruebas más poderosas En las secciones previas se presentaron algunas pruebas que controlan la probabilidad de cometer error tipo I. Sin embargo una buena prueba debería tener también una pequeña probabilidad de cometer error tipo II, es decir un valor grande para la potencia. Definición Sea F una familia de pruebas para H 0 : θ Θ 0 versus H 1 : θ Θ c 0. Una prueba en esta familia con función potencia β(θ) es la prueba uniformemente más poderosa de F si para cualquier otra prueba con función potencia β (θ) se tiene que β(θ) β (θ). Teorema (Lema de Neyman-Pearson) Considere las hipótesis H 0 : θ = θ 0 versus H 1 : θ = θ 1 donde la función de probabilidad o densidad conjunta es f(x θ i ) para i = 0, 1. Una prueba con región de rechazo R que satisface: x R si f(x θ 1 ) > kf(x θ 0 ) para k 0 y α = Pr θ0 (X R) se dice que es una prueba uniformemente más poderosa de nivel α. Ejemplo Sea X 1,, X n una muestra aleatoria de una población N (θ, σ 2 ) donde σ 2 es conocido. Hallar la prueba uniformente más poderosa de nivel α para probar H 0 : θ = θ 0 versus H 1 : θ = θ 1 donde θ 0 > θ 1. Las hipótesis H 0 y H 1 en el Lema de Neyman-Pearson que consideran solo una distribución para la muestra X son llamadas hipótesis simples. En muchos problemas las hipótesis de interés consideran más de una distribución para la muestra y son llamadas hipótesis compuestas. En este último caso también se requiere encontrar una prueba uniformemente más poderosa. Teorema (Familias exponenciales I) Sea X 1,, X n una muestra aleatoria de una función de probabilidad o densidad de la forma f(x θ) = h(x)c(θ) exp {t(x)w(θ)} y que T (x) = n i=1 t(x i ). Se desea probar H 0 : θ θ 0 versus H 1 : θ > θ 0.
9 CAPÍTULO 8. PRUEBA DE HIPÓTESIS 107 a. Si w (θ) es monótona creciente y existe c tal que α = Pr θ0 (T (X) > c) entonces la prueba con región de rechazo {x : T (x) > c} es la prueba uniformemente más poderosa de nivel α. b. Si w (θ) es monótona decreciente y existe c tal que α = Pr θ0 (T (X) < c) entonces la prueba con región de rechazo {x : T (x) < c} es la prueba uniformemente más poderosa de nivel α. Teorema (Familias exponenciales II) Sea X 1,, X n una muestra aleatoria de una función de probabilidad o densidad de la forma f(x θ) = h(x)c(θ) exp {t(x)w(θ)} y que T (x) = n i=1 t(x i ). Se desea probar H 0 : θ θ 0 versus H 1 : θ < θ 0. a. Si w (θ) es monótona creciente y existe c tal que α = Pr θ0 (T (X) < c) entonces la prueba con región de rechazo {x : T (x) < c} es la prueba uniformemente más poderosa de nivel α. b. Si w (θ) es monótona decreciente y existe c tal que α = Pr θ0 (T (X) > c) entonces la prueba con región de rechazo {x : T (x) > c} es la prueba uniformemente más poderosa de nivel α. Ejemplo Sea X 1,, X 5 una muestra aleatoria a partir de la distribución N (2, σ 2 ). Hallar la prueba uniformemente más poderosa de nivel α = 0,05 para probar las hipótesis H 0 : σ 2 0,8 versus H 1 : σ 2 > 0,8. Definición Una familia de funciones de probabilidad o densidad tiene la propiedad de razón de verosimilitud monótona (RVM) si para todo θ 1 < θ 2 : ψ = ni=1 f (x i θ 1 ) ni=1 f (x i θ 2 ) es una función creciente o decreciente en T (x). Teorema (RVM I) Sea X 1,, X n una muestra aleatoria de una función de probabilidad o densidad que pertenece a una familia con la propiedad de RVM en T (x) y se desea probar H 0 : θ θ 0 versus H 1 : θ > θ 0. a. Si ψ es creciente y existe c tal que α = Pr θ0 (T (X) < c) entonces la prueba con región de rechazo {x : T (x) < c} es la prueba uniformemente más poderosa de nivel α.
10 CAPÍTULO 8. PRUEBA DE HIPÓTESIS 108 b. Si ψ es decreciente y existe c tal que α = Pr θ0 (T (X) > c) entonces la prueba con región de rechazo {x : T (x) > c} es la prueba uniformemente más poderosa de nivel α. Teorema (RVM II) Sea X 1,, X n una muestra aleatoria de una función de probabilidad o densidad que pertenece a una familia con la propiedad de RVM en T (x) y se desea probar H 0 : θ θ 0 versus H 1 : θ < θ 0. a. Si ψ es creciente y existe c tal que α = Pr θ0 (T (X) > c) entonces la prueba con región de rechazo {x : T (x) > c} es la prueba uniformemente más poderosa de nivel α. b. Si ψ es decreciente y existe c tal que α = Pr θ0 (T (X) < c) entonces la prueba con región de rechazo {x : T (x) < c} es la prueba uniformemente más poderosa de nivel α. Ejemplo Sea X 1,, X n una muestra aleatoria a partir de: f(x θ) = 2x θ 2 0 < x < θ Hallar la prueba uniformemente más poderosa de nivel α para probar las hipótesis H 0 : θ θ 0 versus H 1 : θ < θ Distribución asintótica de la prueba de razón de verosimilitud En muchas situaciones no es posible determinar la distribución exacta de la prueba de razón de verosimilitud. Se hace necesario obtener una prueba aproximada y su distribución asintótica para poder establecer algunas conclusiones. Teorema Sea X 1,, X n una muestra aleatoria de una función de probabilidad o densidad f(x θ). Bajo ciertas condiciones de regularidad la distribución del estadístico: 2 log λ(x) = 2 log L(ˆθ 0 X) L(ˆθ X)
11 CAPÍTULO 8. PRUEBA DE HIPÓTESIS 109 converge a la distribución χ 2 conforme n. Los grados de libertad de la distribución límite se obtienen como la diferencia entre el número de parámetros libres especificados por θ Θ y el número de parámetros libres especificados por θ Θ 0. Ejemplo Suponga que se tiene dos muestras aleatorias independientes X 1,, X n a partir de la distribución exponencial con parámetro θ 1 y Y 1,, Y n a partir de la distribución exponencial con parámetro θ 2. Hallar la prueba de razón de verosimilitud de nivel α = 0,05 para probar H 0 : θ 1 = θ 2 versus H 1 : θ 1 θ 2 considerando que n = 200, x = 8 y y = 9,5.
Estimación 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 detallesPrincipios de reducción de la data
Capítulo 6 Principios de reducción de la data 6.1. Introducción Un experimentador usa la información en una muestra X 1,, X n para realizar el proceso de inferencia sobre algun parámetro desconocido θ.
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 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 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 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 detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesTEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA
TEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA JUAN C. MANRÍQUEZ 1, LUIS CID 2 y MARCELA VALDEZ 3 1 Universidad del Bío Bío, Facultad de Ciencias, Departamento de Matemáticas jcmanriq@ubiobio.cl 2 Universidad
Más detallesConceptos básicos de inferencia estadística (II): Contrastes de hipótesis (repaso)
Conceptos básicos de inferencia estadística (II): Contrastes de hipótesis (repaso) Tema 1 (II) Estadística 2 Curso 08/09 Tema 1 (II) (Estadística 2) Contrastes de hipótesis Curso 08/09 1 / 21 Contrastes
Más detallesTests de Hipotesis en Base al Principio de Verosimilitud
Tests de Hipotesis en Base al Principio de Verosimilitud Universidad de San Andres, Argentina Conceptos basicos Y f(y; θ), θ Θ R K. θ es un vector de K parametros. Θ es el espacio de parametros : conjunto
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
Más detallesTests de Hipótesis. Estadística (M)
Tests de Hipótesis Estadística (M) Ejemplo Una empresa sabe por sus registros históricos que en cada uno de los años anteriores los empleados han faltado un promedio de 6.3 días. Este año la empresa introdujo
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesInferencia: Tarea 3. medio número de mujeres media(años ) des. estándar(años) Rural Urbano
Inferencia: Tarea 3 1. Un sociólogo registró el número de años cumplidos por una mujer al momento de su primer parto. Se clasificó a las mujeres de acuerdo al medio en que vivían, rural y urbano, y se
Más detallesAnálisis de datos Categóricos
Introducción Universidad Nacional Agraria La Molina 2017-1 Variable cualitativa Variable respuesta cualitativa Variable respuesta y explicativa Variable de conteo y proporción Escalas de medición Una variable
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
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 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 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 detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesEl cliente quiere que la probabilidad de seguir comprando a esta empresa cuando las semillas no son de la variedad pedida sea 0.05.
Estadística (m) Práctica 8 A) Tests de Neyman-Pearson para hipótesis simples. 1. Una empresa vende dos variedades de soja. La variedad 1 tiene un rendimiento por ha. que puede considerarse una variable
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 detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
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 detallesEstimación de Parámetros
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: p Estimación de Parámetros Prueba de Hipótesis Estimación
Más detallesProfesor: Carlos Valle Página:
Capítulo 8 Contraste de Hipótesis I Semestre 6 Profesor: Carlos Valle Página: www.inf.utfsm.cl/~cvalle e-mail: cvalle@inf.utfsm.cl Contraste de Hipótesis Contrastar una Hipótesis Estadísticamente es juzgar
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 detallesTema 6. Estimación puntual
1 Tema 6. Estimación puntual En este tema: Planteamiento del problema. Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Métodos
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 detallesFamilias de distribuciones
Capítulo 2 Familias de distribuciones 2.1. Introducción Las distribuciones estadísticas son usadas para modelar poblaciones a través de un miembro de una familia de distribuciones. Cada familia se encuentra
Más detallesProf. Jose Jacobo Zubcoff Universidad de Alicante 1
Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Presentación Objetivos Metodología Evaluación Agenda Definiciones Inferencia Muestra y s Aleatoria Independiente Finitas, Infinitas Población
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 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 detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
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 detallesTema 3: Estimación puntual. Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 3: Estimación puntual 1
Tema 3: Estimación puntual Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 3: Estimación puntual 1 Muestra aleatoria y estadísticos Objetivo: Estudiar una v.a. numérica X en una población
Más detallesTécnicas de Inferencia Estadística II. Tema 1. Introducción a los contrastes de
Técnicas de Inferencia Estadística II Tema 1. Introducción a los contrastes de hipótesis Conchi Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2015/16 Contenidos 1. Definición
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 detallesEstadística Inferencial. Resúmen
Ofimega - Estadística inferencial - 1 Estadística Inferencial. Resúmen Métodos y técnicas que permiten inducir el comportamiento de una población. Muestreo o selección de la muestra: 1. Aleatorio simple:
Más detallesRelación de Problemas. Tema 5
Relación de Problemas. Tema 5. Supongamos que tenemos una muestra aleatoria simple de tamaño n de una v.a. X que sigue una distribución geométrica con función de probabilidad P (X = k) = p( p) k Calcular
Más detallesEstadística Inferencial. Sesión 2. Distribuciones muestrales
Estadística Inferencial. Sesión 2. Distribuciones muestrales Contextualización. Toda cantidad que se obtiene de una muestra con el propósito de estimar un parámetro poblacional se llama estadístico muestral
Más detallesEstadística Inferencia Estadística
Estadística Inferencia Estadística Problemas en Inferencia Estadística POBLACIÓN X F(θ ) desconocido A partir de una M.A.S. X 1,X 2,,X n queremos estimar el valor de θ Estimar : Asignar un valor a algo
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 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 detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 3 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. Sea X 1,..., X n una muestra aleatoria
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 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 Las secciones anteriores han mostrado cómo puede estimarse un parámetro 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 detallesAnálisis del Cambio Estructural en los Modelos Lineales
UNIVERSIDAD AUTÓNOMA METROPOLITANA Casa abierta al tiempo Iztapalapa Análisis del Cambio Estructural en los Modelos Lineales Trabajo terminal de la Maestria en Ciencias Matemáticas Aplicadas e industriales
Más detallesTema 6: Ejercicios de Inferencia con muestras grandes
Tema 6: s de Inferencia con muestras grandes Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 83 - INGENIERÍA INFORMÁTICA 15 de Mayo 2008 I4 Y JUN1998 En una encuesta
Más detallesEstimación de Máxima Verosimilitud Utilizando la Función optim en R
Estimación de Máxima Verosimilitud Utilizando la Función optim en R Juan F. Olivares-Pacheco * 15 de diciembre de 2006 Resumen En este trabajo se muestra el método de verosimilitud para la estimación de
Más detallesEJERCICIOS DE PRUEBA DE HIPOTESIS
EJERCICIOS DE PRUEBA DE HIPOTESIS Protocolo 1. Identifique la aseveración original que se probará y exprésela en forma simbólica 1. 2. Dar la forma simbólica que debe ser verdad si la aseveración original
Más detallesTests de Hipótesis. Estadística (M)
Tests de Hipótesis Estadística (M) Ejemplo Una empresa sabe por sus registros históricos que en cada uno de los años anteriores los empleados han faltado un promedio de 6.3 días. Este año la empresa introdujo
Más detallesCapítulo 1. Teoría de la probabilidad Teoría de conjuntos
Capítulo 1 Teoría de la probabilidad 1.1. Teoría de conjuntos Definición 1.1.1 El conjunto S de todos los posibles resultados de un experimento aleatorio es llamado el espacio muestral. Un espacio muestral
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 detallesResumen. Recordemos que una cópula es una función C : I 2 I tal que: C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 ) + C(u 1, v 1 ) 0. (2)
Contenido 1 2 3 Cópula Empírica Cópula Kernel Resumen Recordemos que una cópula es una función C : I 2 I tal que: 1 Para cualesquiera u, v en I := [0, 1] C(u, 0) = 0 = C(0, v), C(u, 1) = u, C(1, v) = v.
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 detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesEstadística Bayesiana
Universidad Nacional Agraria La Molina 2017-1 Teoría de la decisión Riesgo de Bayes La teoría de decisión es un área de suma importancia en estadística ya que muchos problemas del mundo real pueden tomar
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesHipótesis. (x), donde es el parámetro poblacional desconocido. Problemas Inferenciales sobre
Tema 7: Introducción a los Contrastes de Hipótesis Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f (x), donde es el parámetro poblacional desconocido Problemas Inferenciales
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO Varianzas poblacionales desconocidas y distintas Muestras grandes (n 30) Muestras pequeñas (n
Más detallesCUESTIONES TEÓRICAS ESTADÍSTICA
Gestión Aeronáutica: Estadística Teórica Facultad Ciencias Económicas y Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández CUESTIONES TEÓRICAS ESTADÍSTICA Gestión
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 detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
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 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 detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesPROBABILIDADES Trabajo Práctico 5. 0 si x<0. x3 si 0 x<2 1 si x 2
PROBABILIDADES Trabajo Práctico 5 1. Sea X una variable aleatoria con función de distribución acumulada a) Calcular, usando F X, P (X 1) P (0.5 X 1) P (X >1.5) b) Hallar la mediana de esta distribución.
Más detallesVerificación de hipótesis paramétricas
Verificación de hipótesis paramétricas Mª Isabel Aguilar, Eugenia Cruces y Bárbara Díaz UNIVERSIDAD DE MÁLAGA Departamento de Economía Aplicada (Estadística y Econometría) Parcialmente financiado a través
Más detallesTeórica básica. Incluimos. - Temas
Teórica básica Incluimos - Temas 1 - Tema 1: Fenómenos aleatorios. Conceptos de probabilidad. Propiedades. Independencia de sucesos. Teorema de Bayes. - Tema 2: Variables aleatorias. Variables discretas.
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesEstadística Bayesiana
Modelos uniparamétricos Universidad Nacional Agraria La Molina 2017-1 Modelos uniparamétricos Se tiene una secuencia de ensayos independientes de Bernoulli y 1,, y n. Sea y el número total de éxitos en
Más detallesUNIDAD 4. INFERENCIA ESTADÍSTICA. Prof. Eliana Guzmán U. Semestre A-2015
UNIDAD 4. INFERENCIA ESTADÍSTICA Prof. Eliana Guzmán U. Semestre A-05 INFERENCIA ESTADÍSTICA La teoría de la Inferencia Estadística está conformada por aquellos métodos que permiten hacer generalizaciones,
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 detallesConceptos básicos de inferencia estadística (I): Inferencia estadística (repaso)
Conceptos básicos de inferencia estadística (I): Inferencia estadística (repaso) Tema 1 (I) Estadística 2 Curso 08/09 Tema 1 (I) (Estadística 2) Inferencia estadística Curso 08/09 1 / 24 Inferencia estadística
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 detallesde Muestreo de Medias, Inferencia Estadística (Naturaleza de las Pruebas ) (Cap. 7 y Sec. 8.3)
Variabilidad Muestral, Distribuciones de Muestreo de Medias, Inferencia Estadística (Naturaleza de las Pruebas ) (Cap. 7 y Sec. 8.3) Distribución muestral de un estadístico Es la distribución de valores
Más detallesTema 3 - Introducción. Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2.
Tema 3 - Introducción 1 Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2. Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores
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 detallesPart VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores
Part VII La inferencia puede definirse como el conjunto de métodos mediante cuales podemos extraer información sobre distintas características de interés de cierta distribución de probabilidad de la cual
Más detallesSuficiencia y Completitud. Estimadores IMVU.
1 Suficiencia y Completitud. Estimadores IMVU. Graciela Boente 1 1 Universidad de Buenos Aires and CONICET, Argentina 2 Definición X P θ con θ Θ. Se dice que T = t(x) es suficiente para θ si: la distribución
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 detallesEsta proposición recibe el nombre de hipótesis
Pruebas de hipótesis tesis. Refs: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua, Apuntes de Estadística, Dr. Pedro Juan Rodríguez Esquerdo, Departamento de Matemáticas,
Más detallesPruebas de bondad de ajuste para distribuciones con parámetro de forma
Pruebas de bondad de ajuste para distribuciones con parámetro de forma José A. Villaseñor Alva Colegio de Postgraduados, México ITESM, Monterrey, N.L. 2 de septiembre de 2011 Conferencia Bimestral de la
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 detallesTeorema de Karlin - Rubin y ejemplos no
Teorema de Karlin - Rubin y ejemplos no clásicos E. Nájera Rangel,*, B. G. Peralta Reyes 2, A. Pérez Pérez. División Académica de Ciencias Básicas, Universidad Juárez Autónoma de Tabasco, A.P. 24, C.P.
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 detallesDiseño de experimentos - prueba de hipótesis.
Diseño de experimentos - prueba de hipótesis http://www.academia.utp.ac.pa/humberto-alvarez/diseno-deexperimentos-y-regresion Inferencia estadística Conjunto de métodos y técnicas que permiten inducir,
Más detalles