Cap. 7 : Pruebas de hipótesis
|
|
- José Carlos Rivero Toledo
- hace 6 años
- Vistas:
Transcripción
1 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, producción y ambiental A. Blondin Massé (UQAC) Capítulo 7 1 / 53
2 Tabla de contenidos 1. Contexto 2. Nivel de confianza 3. Poblacíon normal Media con varianza conocida Media con varianza desconocida Medias de dos poblaciones Varianza de una población normal 4. Bondad de ajuste A. Blondin Massé (UQAC) Capítulo 7 2 / 53
3 Prueba de hipótesis Habemos visto como estimar parámetros de manera puntual y con intervalos; Aqui, nos interesamos a probar si una hipótesis a cerca de una muestra parece razonable o no; Por ejemplo, se lanza un dado 100 veces y se notan los resultados : Es el dado trucado? Resultados Números Para contestar se utiliza una prueba χ 2 de Pearson. A. Blondin Massé (UQAC) Capítulo 7 3 / 53
4 Hipótesis La hipótesis que queremos verificar se llama hipótesis nula, denotada por H 0 ; En varios casos, la hipótesis nula sera de la forma siguiente: θ = θ 0, θ θ 0 y θ θ 0, donde θ es un parámetro desconocido y θ 0 es un valor que deseamos verificar si es coherente con la muestra; Cuando la muestra es coherente con la hipótesis nula, dicemose que la hipótesis se acepta; De otra manera, dicemos que se rechaza. A. Blondin Massé (UQAC) Capítulo 7 4 / 53
5 Aceptación y rechazo Hay que tener cuidado con la terminología; Aceptar una hipótesis no significa que es verdadera, pero que no es incoherente con los datos de la muestra; Rechazar una hipótesis significa que los datos parecen incompatibles con esta hipótesis; Suponemos que deseamos probar la hipótesis H 0 : θ < 1 para una población normal con una muestra de tamaño 10 con media 1,25; En varios casos, H 0 se acepta porque no tenemos razones suficientes para rechazar la hipótesis. Pero si la media es 3,1, parece muy improbable que la hipótesis θ < 1 sea razonable y entonces se rechaza. A. Blondin Massé (UQAC) Capítulo 7 5 / 53
6 Tabla de contenidos 1. Contexto 2. Nivel de confianza 3. Poblacíon normal Media con varianza conocida Media con varianza desconocida Medias de dos poblaciones Varianza de una población normal 4. Bondad de ajuste A. Blondin Massé (UQAC) Capítulo 7 6 / 53
7 Hipótesis simples y compuestas Sea una población de distribution F θ, donde θ es el único parámetro desconocido de F ; Deseamos formular una hipótesis H 0 cerca de θ; Por ejemplo, H 0 : θ = 1 o H 0 : θ 1; En el caso θ = 1, si la hipótesis se acepta, entonces podemos describir completamente la distribución: dicemos que la hipótesis es simple; En el caso θ 1, no podemos describir completamente la distribución: dicemos que la hipótesis es compuesta. A. Blondin Massé (UQAC) Capítulo 7 7 / 53
8 Zona crítica Cualquiera hipótesis H 0 cerca de un parámetro θ induce una zona C de R n de tal manera que La hipótesis se acepta si (X 1, X 2,..., X n ) / C; La hipótesis se rechaza si (X 1, X 2,..., X n ) C; Por ejemplo, una prueba posible para una población normal de varianza 1 es que su media θ = 1 y induce la zona crítica { n C = (X 1, X 2,..., X n ) : i=1 X i 1 n > 1,96 }. n De hecho, es el complemento del intervalo de confianza para α = 0,95. A. Blondin Massé (UQAC) Capítulo 7 8 / 53
9 Típos de errores Cuando se hace una prueba de hipótesis, algunos errores se pueden encontrar; Por ejemplo, es posible de rechazar H 0 mientras que la hipótesis es de hecho correcta: es un error de típo I; De lo contrario, si se acepta H 0 mientras que no es correcta, cometemos un error de típo II; Desupés de eso, intentaremos calcular las probabilidades cometer errors de típo I o II; La idea es de fijar un límite máximo α, que se llama nivel de significado para un error de típo I; Se elige un valor para α (en general 0,1, 0,05 o 0,005) y se construye una prueba garantizando que la probabilidad de un error de típo I no puede ser mayor que α. A. Blondin Massé (UQAC) Capítulo 7 9 / 53
10 Tabla de contenidos 1. Contexto 2. Nivel de confianza 3. Poblacíon normal Media con varianza conocida Media con varianza desconocida Medias de dos poblaciones Varianza de una población normal 4. Bondad de ajuste A. Blondin Massé (UQAC) Capítulo 7 10 / 53
11 Los varios casos Como en el capítulo precedente, la prueba depiende del conocimiento de los parámetros: Prueba de la media cuando la varianza es conocida; la varianza es desconocida; Prueba de la igualdad de las medias de dos poblaciones normales cuando las varianzas son conocidas; las varianzas son desconocidas y iguales; las varianzas son desconocidas y diferentes; Prueba de la varianza. A. Blondin Massé (UQAC) Capítulo 7 11 / 53
12 Tabla de contenidos 1. Contexto 2. Nivel de confianza 3. Poblacíon normal Media con varianza conocida Media con varianza desconocida Medias de dos poblaciones Varianza de una población normal 4. Bondad de ajuste A. Blondin Massé (UQAC) Capítulo 7 12 / 53
13 Varianza conocida (1/3) Sea una muestra X 1, X 2,..., X n de tamaño n de una población normal de media desconocida µ y de varianza conocida σ 2 ; Deseamos probar la hipótesis nula H 0 : µ = µ 0 con respecto a la hipótesis alternativa H 1 : µ µ 0. Parece razonable aceptar H 0 si X esta bastante cerca de µ 0 ; La zona crítica es de la forma C = { (X 1, X 2,..., X n ) : X µ 0 > c }, donde c es un valor bien elegido. A. Blondin Massé (UQAC) Capítulo 7 13 / 53
14 Varianza conocida (2/3) Supoenmos que deseamos un nivel de significado α, para obtenir un error de típo I menor o igual a α. Buscamos c que satisface Pero sabemos que la variable es normal estándar. P ( X µ 0 > c ) = α. Z = X µ 0 σ/ n Entonces obtenemos ( P Z > c ) n = α σ P ( Z > c ) n = α σ 2. A. Blondin Massé (UQAC) Capítulo 7 14 / 53
15 Varianza conocida (3/3) Entonces c n σ = z α/2 c = z α/2σ n. Así, se rechaza H 0 si n X µ 0 > z σ α/2 ; Y se acepta H 0 si n σ X µ 0 z α/2. A. Blondin Massé (UQAC) Capítulo 7 15 / 53
16 Ejemplo (1/2) Un señal µ se envia del punto A al punto B; El valor recibido en B sigue una distribución normal de media µ y de desviación estándar 2. La persona que recibe el señal tiene una buena razón creer que µ = 8. Prueben esta hipótesis si el señal se envia 5 veces y que la media muestral es 9,5. A. Blondin Massé (UQAC) Capítulo 7 16 / 53
17 Ejemplo (2/2) Notamos que n 5 σ X µ 0 = 1,5 1,68. 2 A. Blondin Massé (UQAC) Capítulo 7 17 / 53
18 Ejemplo (2/2) Notamos que n 5 σ X µ 0 = 1,5 1,68. 2 Valores posibles para diferentes niveles de significado son: z 0,1/2 1,645, z 0,05/2 1,96 y z 0,005/2 = 2,81. A. Blondin Massé (UQAC) Capítulo 7 17 / 53
19 Ejemplo (2/2) Notamos que n 5 σ X µ 0 = 1,5 1,68. 2 Valores posibles para diferentes niveles de significado son: z 0,1/2 1,645, z 0,05/2 1,96 y z 0,005/2 = 2,81. Entonces, se rechaza la hipótesis si α = 0,1, pero se acepta si α = 0,05 ou α = 0,005. A. Blondin Massé (UQAC) Capítulo 7 17 / 53
20 El valor p En general, se acepta o se rechaza la hipótesis según el valor de α; El valor p (en inglés p-value) es el valor crítico donde pasamos de la aceptación al rechazo; Entonces, probamos una hipótesis y calculamos su valor p; Pues, decidimos aceptar o no, según el contexto; Cuando p es grande, se acepta la hipótesis; De lo contrario, si p es pequeño, se rechaza; Los niveles los mas frecuentes son 0,01, 0,05 y 0,1. A. Blondin Massé (UQAC) Capítulo 7 18 / 53
21 Ejemplo En el ejemplo precedente, suponemos ahora que los 5 valores enviados tienen una media de X = 8,5; Creemos que el verdadero valor es µ = 8; Entonces n σ Luego, el valor p es X µ 0 5 = 4 = 0,559. P ( Z > 0,559) = 2P (Z > 0,559) = 2 0,288 = 0,576. Porque nos deseamos probar una hipótesis con un nivel mayor que 0,576, se acepta H 0 ; Si la media muestra era X = 11,5, entonces el p valor sería 0,00005, y entonces rechazaríamos H 0. A. Blondin Massé (UQAC) Capítulo 7 19 / 53
22 Error de típo II (1/2) Hasta ahora, habemos estudiado solamente errores de típo I; Qué pasa con errores de típo II, es decir la probabilidad de aceptar incorrectamente la hipótesis? Claramente, la probabilidad depiende de µ; Entonces, se define β(µ) = P ( X µ 0 σ/ n ) z α/2 = P ( z α/2 X ) µ0 σ/ n z α/2, la función de eficacia que represente la probabilidad de aceptar H 0 mientras que la media es µ. A. Blondin Massé (UQAC) Capítulo 7 20 / 53
23 Error de típo II (2/2) Pero sabemos que Entonces β(µ) = P = P = P = P Z = X µ σ/ n ( z α/2 X µ0 ( z α/2 µ ( z α/2 + µ0 µ N (0, 1). ) σ/ n z α/2 σ/ n X µ0 µ σ/ z α/2 µ ) n σ/ n σ/ n X µ σ/ n z α/2 µ0 µ ) σ/ n ) ( µ0 µ σ/ n z α/2 Z µ0 µ σ/ n + z α/2 A. Blondin Massé (UQAC) Capítulo 7 21 / 53
24 Ejemplo (1/2) En el ejemplo del señal, sea H 0 : µ = 8; Suponemos que el valor verdadero es 10; Luego n 5 σ (µ 0 µ) = 2 2 = 5. Si α = 0,05, entonces z 0,025 = 1,96 y obtenemos ( P Z ) ( 5 + 1,96 P Z ) 5 1,96 = 0,392. Así, la probabilidad de aceptar H 0 mientras que es falsa es cerca de 0,392. A. Blondin Massé (UQAC) Capítulo 7 22 / 53
25 Poder estadístico (1/2) Definición La función 1 β(µ) se llama poder estadístico de la prueba. Es la probabilidad que se rechaza H 0 mientras que µ es el valor verdadero; Nota El poder estadístico se utiliza a veces para calcular el tamaño minimal de la muestra para que el error de típo II sea minimal; A. Blondin Massé (UQAC) Capítulo 7 23 / 53
26 Poder estadístico (2/2) Más precisamente, sea β la probabilidad de aceptar H 0 mientras que la media verdadera es µ 1. A. Blondin Massé (UQAC) Capítulo 7 24 / 53
27 Poder estadístico (2/2) Más precisamente, sea β la probabilidad de aceptar H 0 mientras que la media verdadera es µ 1. Se aproxima β por β P ( Z µ ) 0 µ 1 σ/ n + z α/2. A. Blondin Massé (UQAC) Capítulo 7 24 / 53
28 Poder estadístico (2/2) Más precisamente, sea β la probabilidad de aceptar H 0 mientras que la media verdadera es µ 1. Se aproxima β por β P ( Z µ ) 0 µ 1 σ/ n + z α/2. Entonces n z β (µ 0 µ 1 ) σ + z α/2. A. Blondin Massé (UQAC) Capítulo 7 24 / 53
29 Poder estadístico (2/2) Más precisamente, sea β la probabilidad de aceptar H 0 mientras que la media verdadera es µ 1. Se aproxima β por β P ( Z µ ) 0 µ 1 σ/ n + z α/2. Entonces Luego n z β (µ 0 µ 1 ) σ + z α/2. n (z α/2 + z β ) 2 σ 2 (µ 1 µ 0 ) 2. A. Blondin Massé (UQAC) Capítulo 7 24 / 53
30 Ejemplo Siempre el mismo ejemplo del señal; Sea la hipótesis H 0 : µ = 8; Suponemos que el nivel de significado es α = 0,05; Cuál es el tamaño de la muestra necesario para tener una probabilidad mayor que 75 % rechazar H 0 si µ = 9,2? En este caso, tenemos β = 0,25 y, como z α/2 1,96, z β 0,65, obtenemos n (1,96 + 0,67)2 4 (1,2) 2 19,21. Significa que un tamaño de n = 20 es sufficiente. Nota: β(9,2) 0,235, entonces si n = 20, hay 76,5 % que la hipótesis µ = 8 se rechaza mientras que la media es 9,2. A. Blondin Massé (UQAC) Capítulo 7 25 / 53
31 Tabla de contenidos 1. Contexto 2. Nivel de confianza 3. Poblacíon normal Media con varianza conocida Media con varianza desconocida Medias de dos poblaciones Varianza de una población normal 4. Bondad de ajuste A. Blondin Massé (UQAC) Capítulo 7 26 / 53
32 Prueba de t (1/2) Ahora deseamos probar la media cuandao la varianza es desconocida; Las hipótesis son H 0 : µ = µ 0 y H 1 : µ µ 0. Como no conocemos σ, se estima con la varianza muestral n S 2 i=1 = (X i X) 2. n 1 Se rechaza H 0 si es bastante grande. X µ 0 S/ n A. Blondin Massé (UQAC) Capítulo 7 27 / 53
33 Prueba de t (2/2) Sabemos de los capítulos precedentes que T = X µ 0 n(x S/ n = µ0 ) S sigue una distribución de Student con n 1 grados de libertad cuando µ = µ 0. Consecuamente, se propone la prueba siguiente Se acepta H0 si n(x µ0 ) S t α/2,n 1, Se rechaza H0 si n(x µ0 ) S > t α/2,n 1. A. Blondin Massé (UQAC) Capítulo 7 28 / 53
34 Ejemplo (1/2) En una clínica, se estudia el nivel colesterol de 220 o más; Se prueba una nueva medicación reducir sobre 50 volontarios; Suponemos que la reducción promedio es de 14,8 con desviación estándar 6,4; Qué conclusión se puede sacar? A. Blondin Massé (UQAC) Capítulo 7 29 / 53
35 Ejemplo (1/2) En una clínica, se estudia el nivel colesterol de 220 o más; Se prueba una nueva medicación reducir sobre 50 volontarios; Suponemos que la reducción promedio es de 14,8 con desviación estándar 6,4; Qué conclusión se puede sacar? Primero, tenemos H 0 : µ = 0 y H 1 : µ 0. A. Blondin Massé (UQAC) Capítulo 7 29 / 53
36 Ejemplo (1/2) En una clínica, se estudia el nivel colesterol de 220 o más; Se prueba una nueva medicación reducir sobre 50 volontarios; Suponemos que la reducción promedio es de 14,8 con desviación estándar 6,4; Qué conclusión se puede sacar? Primero, tenemos H 0 : µ = 0 y H 1 : µ 0. La estadística de prueba es T = nx S = 14,8 50 6,4 16,352. A. Blondin Massé (UQAC) Capítulo 7 29 / 53
37 Ejemplo (2/2) Consecuamente, se rechaza la hipótesis nula; Pero no significa que los cambios se explican por la medicación; Otras posibilidades: Efecto placebo; La temperatura durante la prueba, etc. Es importante evitar lo más posible las otras causas potenciales; Por ejemplo, es una buena idea separar en dos grupos, uno con la medicación y el otro con placebo. A. Blondin Massé (UQAC) Capítulo 7 30 / 53
38 Otro ejemplo (1/2) Una compañia que vende neumáticos dice que la vida promedio de sus neumáticos es 40K kilometros; Para verificar, se prueba una muestra de 12 neumáticos: i Vida Qué podemos concluir? Las hipótesis son H 0 : µ y H 1 : µ < También X = 37,2833 y S = 2,7319. A. Blondin Massé (UQAC) Capítulo 7 31 / 53
39 Otro ejemplo (2/2) En este caso, la estadística es T = 12(37, ) 2,7319 = 3,4448. Como la cantidad es menor que t 0,05,11 = 1,796, entonces H 0 se rechaza con α = 0,05; De hecho, el valor p es este caso es P (T 11 < 3,4448) = P (T 11 > 3,4448) 0,0028. Entonces, la hipótesis se rechaza para cualquiera α 0,003. A. Blondin Massé (UQAC) Capítulo 7 32 / 53
40 Tabla de contenidos 1. Contexto 2. Nivel de confianza 3. Poblacíon normal Media con varianza conocida Media con varianza desconocida Medias de dos poblaciones Varianza de una población normal 4. Bondad de ajuste A. Blondin Massé (UQAC) Capítulo 7 33 / 53
41 Varianzas conocidas (1/2) Nos interesamos a las pruebas de hipótesis que verifican si dos poblaciones normales tienen la misma media; Sean (X i ) 1 i n y (Y i ) 1 i m dos muestras independentes de dos poblaciones normales de medias µ x y µ y y de varianzas conocidas σ 2 x y σ 2 y; Entonces las hipótesis son H 0 : µ x = µ y y H 1 : µ x µ y. Claramente, H 0 se rechaza si X Y no esta cerca de 0. A. Blondin Massé (UQAC) Capítulo 7 34 / 53
42 Varianzas conocidas (2/2) Recordemos que X Y N ( µ x µ y, σ2 x n + σ2 y m Entonces, una prueba razonable es: ). Se acepta H0 si X Y σx/n 2 + σy/m 2 z α/2. Se rechaza H0 de otra manera, es decir si X Y > z α/2. σx/n 2 + σy/m 2 A. Blondin Massé (UQAC) Capítulo 7 35 / 53
43 Varianzas desconocidas (1/2) Si las varianzas son desconocidas, debemos calcular las varianzas muestrales n Sx 2 i=1 = (X i X) 2 n y S 2 i=1 y = (Y i Y ) 2. n 1 n 1 Suponemos que las varianzas son iguales, es decir que σ 2 = σ 2 x = σ 2 y; Recordemos que S 2 p = (n 1)S2 x + (m 1)S 2 y n + m 2 (se llama la desviación estándar identificada). A. Blondin Massé (UQAC) Capítulo 7 36 / 53
44 Varianzas desconocidas (2/2) Proponemos la prueba de t siguiente: Se acepta H0 si X Y t α/2,n+m 1. Sp(1/n 2 + 1/m) Se rechaza H0 si X Y > t α/2,n+m 1. Sp(1/n 2 + 1/m) A. Blondin Massé (UQAC) Capítulo 7 37 / 53
45 Tabla de contenidos 1. Contexto 2. Nivel de confianza 3. Poblacíon normal Media con varianza conocida Media con varianza desconocida Medias de dos poblaciones Varianza de una población normal 4. Bondad de ajuste A. Blondin Massé (UQAC) Capítulo 7 38 / 53
46 Prueba de la varianza (1/2) Qué pasa con la varianza de una población normal? Sea (X i ) 1 i n una muestra de media µ y de varianza σ 2 ; Las hipótesis son H 0 : σ 2 = σ0 2 y H 1 : σ 2 σ0, 2 donde σ 2 0 es un número dado. Recordemos que (n 1)S 2 σ 2 sigue una distribución χ 2 con n 1 grados de libertad. A. Blondin Massé (UQAC) Capítulo 7 39 / 53
47 Prueba de la varianza (2/2) Entonces, proponemos la prueba siguiente Se acepta H0 si χ 2 1 α/2,n 1 (n 1)S2 σ 2 0 χ 2 α/2,n 1. Se rechaza H0 de otra manera. La primera etapa es calcular c = (n 1)S2 σ0 2. Y se calcula el valor p que es 2 mín(p (χ 2 n 1 < c), 1 P (χ 2 n 1 < c)). A. Blondin Massé (UQAC) Capítulo 7 40 / 53
48 Tabla de contenidos 1. Contexto 2. Nivel de confianza 3. Poblacíon normal Media con varianza conocida Media con varianza desconocida Medias de dos poblaciones Varianza de una población normal 4. Bondad de ajuste A. Blondin Massé (UQAC) Capítulo 7 41 / 53
49 Contexto A veces, deseamos determinar si un modelo probabilístico es correcto para un fenómeno aleatorio dado; Por ejemplo, podemos pensar que el número de accidentes industriales que suceden cada día en una fábrica sigue una distribución de Poisson; Para probar esta hipótesis, se puede observar el número de accidentes que suceden dentro de días consecutivos y verificar si es razonable que la distribución sea de Poisson; Este típo de prueba se llama bondad de ajuste (en inglés, goodness of fit test). A. Blondin Massé (UQAC) Capítulo 7 42 / 53
50 Bondad de ajuste En general, tenemos primero que dividir el espacio de observaciones en zonas o en intervalos; Entonces, se cuenta el número de observaciones que son en cada zona; Luego se compara el número de observaciones con las que tendríamos en teoría; Si la diferencia entre los datos y los valores teoréticos es demasiada grande, hay que rechazar la hipótesis nula; Según que conocemos algunos parámetros o todos los parámetros de la distribución, la prueba varia. A. Blondin Massé (UQAC) Capítulo 7 43 / 53
51 Parámetros todos conocidos (1/2) Para i = 1, 2,..., n, sea Y i una variable aleatoria que puede ser {1, 2,..., k}; Sea p 1, p 2,..., p k la probabilidad que obtengamos los valores 1, 2,..., k; Deseamos probar si para cada Y {Y 1, Y 2,..., Y n }, la función de probabilidad de Y se describe con los valores p i : H 0 : P (Y = i) = p i, para i = 1, 2,..., k; La hipótesis alternativa es H 1 : P (Y = i) p i, para al menos uno i {1, 2,..., k}. A. Blondin Massé (UQAC) Capítulo 7 44 / 53
52 Parámetros todos conocidos (2/2) Para i = 1, 2,..., k, sea X i el número de Y j que son iguales a i; Entonces la cantidad (X i np i ) 2 es un indicador de la probabilidad que p i sea igual a P (Y = i); Mas precisamente, si es número es grande, entonces debemos rechazar H 0. La prueba es la siguiente. Sea k (X i np i ) 2 T =. np i i=1 Entonces se rechaza H 0 si T χ 2 α,k 1 ; Luego, el valor p es P (χ 2 k 1 T ). Esta prueba se llama prueba de χ 2. A. Blondin Massé (UQAC) Capítulo 7 45 / 53
53 Prueba de χ 2 Es más simple utilizar la fórmula siguiente para calcular T : ( k ) T = Xi 2 /np i n. i=1 También, esta prueba es una aproximación: se acepta en general la estimación si (i) np i 1 para i = 1, 2,..., k; (ii) al menos 80 % de los valores np i son mayores que 5. A. Blondin Massé (UQAC) Capítulo 7 46 / 53
54 Ejemplo (1/2) Un contratista compra bombillas de una fábrica. Dicen que la calidad de las bombillas no es uniforme, pero que hay 4 categorías (A, B, C, D, E) con probabilidades respectivas 0,15, 0,25, 0,35, 0,20, 0,05. Sin embargo, el contratista tiene duda que hay demasiadas bombillas de típo E. Para verificar, compra 30 bombillas y prueba su calidad. Tiene 3 de típo A, 6 de típo B, 9 de típo C, 7 de típo D y 5 de type E. Cuál es la conclusión? A. Blondin Massé (UQAC) Capítulo 7 47 / 53
55 Ejemplo (2/2) Calculamos la estadística T A. Blondin Massé (UQAC) Capítulo 7 48 / 53
56 Ejemplo (2/2) Calculamos la estadística T = , , , , ,05 30 A. Blondin Massé (UQAC) Capítulo 7 48 / 53
57 Ejemplo (2/2) Calculamos la estadística T = = , , , , , , , , , ,3476. A. Blondin Massé (UQAC) Capítulo 7 48 / 53
58 Ejemplo (2/2) Calculamos la estadística T = = , , , , , , , , , ,3476. El valor p es P (T 9,3476) P (χ 2 4 9,348) 0,053. A. Blondin Massé (UQAC) Capítulo 7 48 / 53
59 Ejemplo (2/2) Calculamos la estadística T = = , , , , , , , , , ,3476. El valor p es P (T 9,3476) P (χ 2 4 9,348) 0,053. Entonces, la hipótesis no se rechaza a un nivel 0,05, pero a todo nivel mayor que 0,053, de tal manera que hay duda. A. Blondin Massé (UQAC) Capítulo 7 48 / 53
60 Con parámetros desconocidos Es también posible proponer una prueba cuando los parámetros son parcialmente conocidos; Suponemos que estudiamos el número de accidentes cada día en una fábrica con una media λ desconocida; Sean Y 1, Y 2,..., Y n los números de accidentes por día en una muestra. A. Blondin Massé (UQAC) Capítulo 7 49 / 53
61 Con parámetros desconocidos Es también posible proponer una prueba cuando los parámetros son parcialmente conocidos; Suponemos que estudiamos el número de accidentes cada día en una fábrica con una media λ desconocida; Sean Y 1, Y 2,..., Y n los números de accidentes por día en una muestra. Problema: hay un infinito de valores posibles. A. Blondin Massé (UQAC) Capítulo 7 49 / 53
62 Con parámetros desconocidos Es también posible proponer una prueba cuando los parámetros son parcialmente conocidos; Suponemos que estudiamos el número de accidentes cada día en una fábrica con una media λ desconocida; Sean Y 1, Y 2,..., Y n los números de accidentes por día en una muestra. Problema: hay un infinito de valores posibles. Solución: dividir los valores posibles en grupos. A. Blondin Massé (UQAC) Capítulo 7 49 / 53
63 Dividir el espacio en zonas Por ejemplo, podemos divisir el espacio así: Région 1 : 0 accidente Région 2 : 1 accidente Région 3 : 2 o 3 accidentes Région 4 : 4 o 5 accidentes Région 5 : más de 5 accidentes A. Blondin Massé (UQAC) Capítulo 7 50 / 53
64 Dividir el espacio en zonas Por ejemplo, podemos divisir el espacio así: Région 1 : 0 accidente Région 2 : 1 accidente Région 3 : 2 o 3 accidentes Région 4 : 4 o 5 accidentes Région 5 : más de 5 accidentes Las probabilidades por grupo si la media es λ son: P 1 = P (Y = 0) = e λ P 2 = P (Y = 1) = λe λ P 3 = P (Y = 2) + P (Y = 3) = e λ λ 2 P 4 = P (Y = 4) + P (Y = 5) = e λ λ e λ λ e λ λ P 5 = P (Y > 5) = 1 (P 1 + P 2 + P 3 + P 4). A. Blondin Massé (UQAC) Capítulo 7 50 / 53
65 Estimar los parámetros desconocidos Segundo problema: No conocemos λ; Solución: Se estima λ con máxima verosimilitud; Entonces, calculamos la estadística T = k i=1 (X i nˆp i ) 2 nˆp i, donde X i es el número de Y j que son contenidos en el grupo i, para i = 1, 2,..., k, y ˆp i es una estimación de la probabilidad p i cuando λ se substitue por ˆλ; Si hay m parámetros estimados con EMV, entonces se propone rechazar H 0 si T χ 2 α,k 1 m, es decir que se pierde un grado de libertad por parámetro estimado. Entonces el valor p es P (χ 2 k 1 m T ). A. Blondin Massé (UQAC) Capítulo 7 51 / 53
66 Ejemplo (1/2) Suponemos que el número de accidentes cada semana es Prueben la hipótesis que el número de accidentes sigue una distribución de Poisson. A. Blondin Massé (UQAC) Capítulo 7 52 / 53
67 Ejemplo (1/2) Suponemos que el número de accidentes cada semana es Prueben la hipótesis que el número de accidentes sigue una distribución de Poisson. El número total de accidentes es 95. A. Blondin Massé (UQAC) Capítulo 7 52 / 53
68 Ejemplo (1/2) Suponemos que el número de accidentes cada semana es Prueben la hipótesis que el número de accidentes sigue una distribución de Poisson. El número total de accidentes es 95. La máxima verosimilitud para λ es ˆλ = 95/30 3, A. Blondin Massé (UQAC) Capítulo 7 52 / 53
69 Ejemplo (2/2) Las probabilidades de los 5 grupos son ˆp 1 0,04214, ˆp 2 0,13346, ˆp 3 0,43434, ˆp 4 0,28841, ˆp 5 0, Los valores observados son X 1 = 6, X 2 = 5, X 3 = 8, X 4 = 6 y X 5 = 5. Entonces, la estadística es T = 5 (X i 30ˆp i ) 2 21, ˆp i i=1 El valor p es P (χ 2 3 > 21,99) 1 0, , Entonces se rechaza la hipótesis que tengamos una distribución de Poisson. A. Blondin Massé (UQAC) Capítulo 7 53 / 53
Determinación 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 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 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 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 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 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 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 detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
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 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 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 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 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 detallesPruebas de Hipótesis. Diseño Estadístico y Herramientas para la Calidad. Pruebas de Hipótesis. Hipótesis
Diseño Estadístico y Herramientas para la Calidad Pruebas de Hipótesis Expositor: Dr. Juan José Flores Romero juanf@umich.mx http://lsc.fie.umich.mx/~juan M. en Calidad Total y Competitividad Pruebas de
Más detallesEs una proposición o supuesto sobre los parámetros de una o más poblaciones
HIPOTESIS ESTADISTICA Es una proposición o supuesto sobre los parámetros de una o más poblaciones http://www.itch.edu.mx/academic/industrial/estadistica1/cap02.html POR LUIS M. BAQUERO ROSAS, MBA JUNIO
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 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 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 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 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 detallesINFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS
INFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS Autor: Clara Laguna 6.1 INTRODUCCIÓN En el tema anterior estudiamos cómo a partir de una muestra podemos obtener una estimación puntual o bien establecer
Más detallesCONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN
Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
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 detallesTema 8: Introducción a la Teoría sobre Contraste de hipótesis
Tema 8: Introducción a la Teoría sobre Contraste de hipótesis Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Introducción a la Teoría
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. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
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 detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
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 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 detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
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 detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
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 detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
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 detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
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 detallesINFERENCIA ESTADÍSTICA
INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así
Más detallesObjetivos del tema. Qué es una hipótesis? Test de Hipótesis Introducción a la Probabilidad y Estadística. Contrastando una hipótesis
Objetivos del tema Conocer el proceso para contrastar hipótesis y su relación con el método científico. Diferenciar entre hipótesis nula y alternativa Nivel de significación Test de Hipótesis Introducción
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
Más detallesGermán Jesús Rubio Luna Catedrático de Matemáticas del IES Francisco Ayala
Decisión estadística. Contraste de hipótesis Nota.- Cuando tratábamos la estimación de parámetros, intentábamos obtener un valor o un intervalo de valores que constituyesen la mejor estimación del parámetro
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE II POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesTAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN
TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra
Más detallesPrueba de hipótesis para la diferencia de medias
Estadística Técnica Prueba de hipótesis para la diferencia de medias Cladera Ojeda, Fernando Conceptos previos Inferencia estadística Población Muestra Parámetro Estadístico Hipótesis estadística Pruebas
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 detallesTeoría de muestras 2º curso de Bachillerato Ciencias Sociales
TEORÍA DE MUESTRAS Índice: 1. Introducción----------------------------------------------------------------------------------------- 2 2. Muestras y población-------------------------------------------------------------------------------
Más detallesINTERVALO DE CONFIANZA PARA LA PROPORCIÓN
INTERVALO DE CONFIANZA PARA LA PROPORCIÓN Si deseamos estimar la proporción p con que una determinada característica se da en una población, a partir de la proporción p' observada en una muestra de tamaño
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
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 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 detallesEste procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros:
STATGRAPHICS Re. 4/d/yyyy Pruebas de Hipótesis (Una Muestra) Este procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros: 1. la media μ de una distribución normal.. la desiación
Más detallesTema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 00-.003 - CONVOCATORIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumno debe elegir sólo una de las pruebas (A o B) y, dentro de ella, sólo
Más detallesESTADISTICA GENERAL. INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales Objetivos Entender los conceptos de estimación puntual y estimación por intervalos. Calcular e interpretar intervalos de confianza
Más detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesResumen teórico de los principales conceptos estadísticos
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio
Más detallesINFERENCIA DE LA PROPORCIÓN
ESTADISTICA INFERENCIA DE LA PROPORCIÓN DISTRIBUCIÓN MUESTRAL DE PROPORCIONES En una población la proporción de elementos (personas, animales, cosas o entes) que posee una cierta característica es p. En
Más detallesProblemas Prueba de significación de la hipótesis nula Vicente Manzano-Arrondo, 2013
Problemas Prueba de significación de la hipótesis nula Vicente Manzano-Arrondo, 2013 Ejercicios resueltos En los dos casos que siguen resuelven cada decisión estadística mediante tres procedimientos: intervalo
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 13 Inferencia en una población Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar el procedimiento de pruebas en la inferencia estadística. Aplicar
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesIntervalos de confianza
Capítulo 5 Intervalos de confianza Como su nombre indica, el objetivo de un estadístico puntual para un parámetro desconocido de una población, es acercarnos al verdadero valor del mismo dando un valor
Más detallesUNIDAD 6. Estadística
Matemática UNIDAD 6. Estadística 2 Medio GUÍA N 1 MEDIDAS DE DISPERSIÓN PARA DATOS NO AGRUPADOS ACTIVIDAD Consideremos los siguientes conjuntos de valores referidos a las edades de los jugadores de dos
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesJUNIO Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: A
Bloque A JUNIO 2003 1.- Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: 1 0 A = 1 0 A Cuántas matrices A existen con esa condición? Razona tu respuesta.
Más detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
Más detallesPOBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN
POBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN Adela del Carpio Rivera Doctor en Medicina UNIVERSO Conjunto de individuos u objetos de los que se desea conocer algo en una investigación Población o universo
Más detallesJuan Carlos Colonia INTERVALOS DE CONFIANZA
Juan Carlos Colonia INTERVALOS DE CONFIANZA INTERVALOS DE CONFIANZA PARA LOS PARÁMETROS DE DOS POBLACIONES I.C. PARA EL COCIENTE DE VARIANZAS Sean X y dos muestras aleatorias,..., Xn Y,..., Yn independientes
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detalles= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =
El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detallesVariable Aleatoria Continua. Principales Distribuciones
Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la
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 detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesCurso de Estadística Aplicada a las Ciencias Sociales. Tema 12. Contraste de hipótesis. Introducción. Introducción
Curso de Estadística Aplicada a las Ciencias Sociales Tema 12. Contraste de (Cap. 22 del libro) Tema 12. Contraste de 1. Tipos de 2. La nula y la Ejercicios Tema 12, Contraste de 2 En muchas investigaciones
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesPruebas de Hipótesis H0 : μ = 6 H1 : μ 6 α = 0.05 zα/2 = 1.96 (6-1,96 0,4 ; 6+1,96 0,4) = (5,22 ; 6,78) 5,6 Aceptamos la hipótesis nula H 0 2.
Pruebas de Hipótesis 1. Se sabe que la desviación típica de las notas de cierto examen de Matemáticas es,4. Para una muestra de 6 estudiantes se obtuvo una nota media de 5,6. Sirven estos datos para confirmar
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesIntroducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
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 detalles