1 Tests de hipótesis. 1.1 Tests para una media
|
|
- Juan Gutiérrez Toro
- hace 7 años
- Vistas:
Transcripción
1 1 Tests de hipótesis Año 2012 En muchas ocasiones, el propósito de una investigación es determinar si es verdadera o no, alguna hipótesis sobre algún parámetro. Los métodos que se utilizan para esto se llaman pruebas o tests de hipótesis. Una hipótesis estadística es una expresión acerca del valor de una o varias características o parámetros de la población. Comenzaremos viendo algunos test de hipótesis acerca de la media de una población. 1.1 Tests para una media Ejemplo 1.1 Se realizan 6 mediciones de una misma muestra con una técnica cuyo un error de medición tiene = 0:08mg=ml: Se quiere saber si el verdadero valor del especimen que está midiendo es mayor que 1:22g=ml Las 6 mediciones se pueden considerar una muestra aleatoria X 1 ; X 2 ; ::; X 6 donde cada X i es el resultado de la i-ésima medición y tiene distribución N(; 0:08 2 ); en este caso el parámetro es el verdadero valor del especimen medido. Se debe entonces veri car si > 1:22; o si = 1:22, ésta última es la llamada hipótesis nula (H 0 ). La hipótesis que deseamos probar la llamaremos hipótesis alternativa (H A ): Para simpli car por el momento usaremos = 1:22 como hipótesis nula. Esto queda expresado: H 0 : = 1:22 H A : > 1:22 Debemos notar que al decidirnos por una de las dos hipótesis, podemos cometer dos tipos de errores diferentes. Podemos equivocarnos al concluir que > 1:22 cuando en realidad no lo es (error de tipo I : rechazar H 0 cuando es verdadera), o concluir que = 1:22, cuando en realidad es mayor que 1:22 (error de tipo II : aceptar H 0 cuando es falsa). Recordemos que nunca conocemos cuánto vale, y sólo podemos hacer inferencias, basadas en la muestra, acerca de su valor. 2
2 Los procedimientos que vamos a ver, nos permiten acotar la probabilidad de cometer un error de tipo I, por eso es importante saber cuál debe ser la hipótesis nula y cuál la alternativa. Lo más natural será calcular el promedio de las 6 mediciones x y compararlo con el valor 1:22, ya que sabemos que X es un estimador de ; si x resulta mucho más grande que 1:22; tendremos motivos para pensar que en realidad > 1:22 (cuánto más grande sea x; mayor será la evidencia contra H 0 : = 1:22 a favor de H A : > 1:22). Debemos decidir cuándo consideraremos que x es lo su cientemente grande como para rechazar la hipótesis nula. Para esto debemos considerar un estadístico con distribución conocida cuando H 0 es verdadera y de nir una zona de rechazo. Usaremos el estadístico de prueba: Z = X 1:22 0:08= p 6 que tiene distribución N(0; 1) cuando = 1:22 (cuando H 0 es verdadera) Se puede establecer una regla de decisión como la siguiente: rechazar H 0 cuando el valor del estadístico de prueba es mayor que 1:65; de este modo nos aseguramos que p P (errorde tipo I) = P 6 X 1:22 =0:08 > 1:65 j H0 verdadera = 0:05 En general la regla es: rechazar H 0 : = 0 a favor de H A : > 0 ; cuando p n (x 0 ) > z entonces P (error de tipo I ) = P H0 p n X 0 = > z j H 0 verdadera =, este valor se llama nivel de signi cación. Al jar un nivel de signi cación = 0:05; nos aseguramos que la probabilidad de cometer error de tipo I, no puede ser mayor que Se llama zona de rechazo, a los valores mayores que z. En nuestro ejemplo, se hicieron 6 repeticiones, y se obtuvo x = 1:28; reemplazando X por x = 1:28; el estadístico de prueba toma el valor p 6(1:28 1:22)=0:08 = 1:84: Como este valor cae en la zona de rechazo, podemos rechazar la hipótesis nula con nivel 0:05. Esto signi ca que podemos a rmar que el verdadero valor del especimen medido es mayor que 1.22 y la probabilidad de equivocarnos al hacer esta a rmación es a lo sumo 0:05 3
3 También podemos razonar de esta manera: si fuera = 1:22, cuál es la probabilidad de obtener una media muestral tan grande o más que el valor 1:28?, o lo que es equivalente, cuál es la probabilidad de que el estadístico de prueba alcanzara un valor mayor o igual que 1:84?. Esta probabilidad puede calcularse ya que el estadístico de prueba tiene distribución N(0; 1) cuando = 1:22 y es P H0 p 6 X 1:22 =0:08 > 1:84 j H0 verdadera = = 1 (1:84) = 1 0:9671 = 0:0329 Esto es lo que se llama el valor-p, cuánto menor sea este p; más evidencia tengo contra H 0 : En nuestro ejemplo, p = 0:0329 es una probabilidad bastante pequeña, podemos rechazar H 0 y a rmar la alternativa, es decir que > 1:22 Otra manera de expresar la regla de decisión, es decir que se rechaza H 0, cuando el valor-p es menor que : En realidad el valor-p es el menor nivel de signi cación (el más exigente) para el cual se puede rechazar H 0 con los valores observados. En este caso valor-p = 0:0329, esto signi ca que podemos rechazar H 0 hasta con un nivel 0:0329 Tratemos de resumir los principales conceptos que hemos visto hasta aquí. En un procedimiento de test de hipótesis tenemos siempre dos hipótesis para contrastar. En investigaciones cientí cas la hipótesis alternativa (H A ) suele llamarse "hipótesis del investigador" y la hipótesis nula (H 0 ) representa lo contrario, que no hay diferencias. En el ejemplo analizado, la hipótesis nula era H 0 : = 0 y la hipótesis alternativa es H A : > 0. En otros ejemplos la hipótesis alternativa también podría ser H A : < 0 o H A : 6= 0 : La igualdad siempre está en H 0 : Un procedimiento de test de hipótesis está determinado por un estadístico de prueba que debe tener una distribución conocida e independiente del parámetro sobre el cual estamos haciendo inferencias. Dado ese estadístico de prueba, se de ne una zona de rechazo y una regla de decisión. Dicha regla puede de nirse como: "se rechazará H 0 cuando el valor del estadístico de prueba cae en la zona de rechazo". En el ejemplo, la zona de rechazo eran los valores mayores que z. Siempre que la hipótesis alternativa es de la forma H A : > 0 la zona de rechazo son 4
4 los valores mayores que un punto crítico; en el caso H A : < 0 la zona de rechazo son los valores menores que un punto crítico; y en el caso H A : 6= 0 la zona de rechazo es bilateral, es decir está formada por la unión de valores a la derecha y a la izquierda de dos puntos críticos. Al tomar una decisión, ya sea aceptar o rechazar H 0 podemos cometer un error, hay entonces dos tipos de errores: Error de tipo I : rechazar H 0 cuando es verdadera Error de tipo II : aceptar H 0 cuando es falsa Se denomina nivel de signi cación del test a la probabilidad de cometer un error de tipo I, = P (error de tipo I ). Este nivel de signi cación se ja "a priori" y luego se determina cual debe ser la zona de rechazo, para que el nivel de signi cación sea el deseado. El área de la zona de rechazo es igual al nivel de signi cación () elegido. Se de ne el valor-p como la probabilidad de que el estadístico de prueba tome un valor "tan extremo" como el obtenido, si fuera cierta la hipótesis nula. O también puede de nirse como el menor nivel de signi cación para el cual se puede rechazar la hipótesis nula con los valores observados. Estas dos de niciones son equivalentes. Es importante observar que, el valor-p y el nivel de signi cación son cosas diferentes, el valor-p depende de los valores observados, mientras que el nivel de signi cación se de ne a priori. Veamos otro ejemplo. Ejemplo 1.2 Se sabe que la distribución del perímetro cefálico de recién nacidos de sexo masculino, es normal con media = 36 cm y desviación típica = 1:97 cm. Se han observado los perímetros cefálicos de 10 recién nacidos cuyas madres consumieron drogas durante el embarazo, y se ha obtenido x = 34:5 cm. Se puede inferir en base a estos datos, que la media del perímetro cefálico de los niños cuyas madres consumieron drogas durante el embarazo es menor que la de la población general? Suponemos que la distribución en estos niños también es normal y con el mismo : 5
5 Podemos modelizar esta situación como sigue, tenemos una m.a. X 1 ; X 2 ; ::; X 10 donde cada X i es el perímetro cefálico del i-ésimo niño medido y X i tiene distribución N(; 1:97 2 ), y el problema a resolver es H 0 : = 36 H A : < 36 usaremos el mismo estadístico de prueba, que en este caso es: ahora, la regla de decisión es: Z = X 36 1:97= p n rechazar H 0 : = 36 a favor de H A : < 36; cuando p n (x 36) < z la zona de rechazo es el área a la izquierda de z : Si deseamos un nivel de signi cación = 0:01, usamos el valor z 0:01 = 2:326 Con los datos del ejemplo, p al reemplazar X por x = 34:5, el valor que toma el estadístico es: 10(34:5 36)=1:97 = 2:41, este valor cae en la zona de rechazo, de modo que podemos rechazar H 0 a nivel = 0:01. Es decir, podemos a rmar que la media del perímetro cefálico de los niños cuyas madres consumieron drogas durante el embarazo es menor que la media de la población general. También se dice que el resultado es signi cativo al 1%; también podríamos calcular el valor-p = P (Z < 2:41) = 0:008, (recordemos que esto signi ca que podemos rechazar H 0 aun con ese nivel, o decir que es signi cativo al 0.8%) Los dos ejemplos que hemos visto son tests unilaterales, porque la alternativa sólo puede ocurrir en una dirección. En estos tests hemos usado siempre H 0 : = 0 para cualquiera de las dos alternativas, en realidad los test unilaterales que hemos de nido y los que de neremos más adelente, también sirven cuando la hipótesis nula es H 0 : 0 contra la alternativa H A : > 0 ; y cuando la la hipótesis nula es H 0 : 0 contra la alternativa H A : < 0. Veamos ahora un ejemplo donde la alternativa puede ser > 0 o < 0. Ejemplo 1.3 En un estudio de niños con hipotiroidismo congénito (HC), se midió talla a un grupo de 13 niños con HC de sexo masculino y 6 mses de edad, y se obtuvo x = 67:16: Se desea saber si el valor medio de la talla de 6
6 los niños con HC di ere del valor medio de la población general. Se sabe que la distribución de tallas para niños sanos de esa edad, es normal con media 68.2 cm y desviación típica 2.34 cm. En este caso se puede suponer que la distribución de tallas de los niños con HC también es normal con la misma desviación típica. Tenemos una m.a. X 1 ; X 2 ; ::; X 13 donde cada X i es la talla del i-ésimo niño medido y X i v N(; 2:34 2 ) En este caso no hay una hipótesis a priori de que las tallas de los niños con HC son mayores o menores que las de la población general (68:2), es por eso que la alternativa debe ser H A : 6= 68:2: Decimos que este es un test bilateral, en general el problema se expresa: H 0 : = 68:2 H A : 6= 68:2 Usaremos el mismo estadístico de prueba que en los ejemplos anteriores: Z = X 68:2 2:34= p n pero ahora parece razonable rechazar H 0, cuando x sea mucho mas grande o mucho más pequeño que 68.2, dicho de otro modo, cuando la distancia entre x y 68.2 sea grande. Esto signi ca que una vez que evaluemos Z reemplazando X por x, deberemos considerar su valor absoluto. La regla de decisión es: p n jx 68:2j rechazar H 0 : = 68:2 a favor de H A : 6= 68:2; cuando > z =2 es importante observar que la zona de rechazo es la región a la derecha de z =2 y la región a la izquierda de z =2, es una región bilateral; como siempre, si = 0 ; el área total de la zona de rechazo es. Si elegimos un nivel de signi cación = 0:05 tenemos z 0:025 = 1:96; entonces se rechaza H 0 cuando el estadístico tome un valor superior a 1.96 o inferior a Con los datos del ejemplo tenemos p 13 (67:16 68:2) =2:34 = 1:60; este valor no está en la zona de rechazo, y por lo tanto no podemos a rmar, a nivel 0.05, que las tallas de los niños de 6 meses con HC di eran, en promedio, de las de la población general. También podemos calcular el valor-p, que ahora es P H0 p 13 X 68:2 =2:34 > 1:60 j H0 verdadera = P (jzj > 1:60) = = P (Z > 1:60) + P (Z < 1:60) = 2 (1 (1:60)) = 0:11 7
7 este valor-p no brinda su ciente evidencia para rechazar H 0 Cuándo se considera que hay su ciente evidencia para rechazar la hipótesis nula?. Esto depende de la situación; pero en la mayoría de las aplicaciones, se considera que un valor-p 0:05 es su ciente evidencia. Esto equivale a elegir un nivel de signi cación = 0:05: Si el test da no signi cativo, esto no debe tomarse como una demostración de que H 0 sea verdadera, solamente indica que no hay su ciente evidencia en contra. Esto puede deberse a una muestra demasiado pequeña. En este ejemplo, si la muesrta hubiera sido de tamaño 30, y si hubiéramos obtenido el mismo valor de x; tendríamos Z = 2:43, que caería en la zona de rechazo para un nivel 0.05, (sería signi cativo al 5%), más aun el valor-p sería 0:015 Se debe observar que los test bilaterales son más conservadores que los unilaterales, para un mismo valor del estadístico de prueba, el valor-p es mayor para un test bilateral que para un test unilateral. Podemos resumir lo que hemos visto sobre test para la media, cuando la muestra X 1 ; X 2 ; :::; X n proviene de una distribución normal con conocido. Hipótesis nula: H 0 : = 0 Valor de estadístico de prueba: z = p n (x 0 ) = Hipótesis alternativa Región de rechazo para un nivel H A : > 0 z > z H A : < 0 z < z H A : 6= 0 z > z =2 o z < z =2 Realice los ejercicios de 1 a 4 Cuando la distribución de los datos es normal, pero desconocemos el valor de, no podemos usar el mismo estadístico de prueba que en el caso anterior. Recordemos lo que vimos al construir intervalos de con anza, en este caso usamos un estadístico con distribución de Student. Cuando = 0, el estadístico T = X 0 S= p n tiene distribución de Student con n 1grados de libertad Usaremos entonces este estadístico de prueba, del mismo modo que antes usamos el Z. 8
8 Ejemplo 1.4 Se desea estudiar si el nivel de aluminio en la sangre en la población de niños que reciben antiácidos con aluminio, di ere de la población general de niños que no reciben estos antiácidos. La distribución de los niveles de aluminio en sangre es aproximadamente normal; además el nivel medio de aluminio en sangre en la población de niños que no reciben antiácidos es de 4:13 g=l: Se seleccionó una muestra de diez niños que reciben este tipo de antiácidos, y se obtuvo x = 37:20 g=l y s = 7:13 g=l Tenemos una m. a. X 1 ; X 2 ; ::; X 10 donde cada X i es el nivel de aluminio en sangre del i-ésimo niño y X i v N(; 2 ). Igual que en el ejemplo 1.3, se tiene un valor de referencia 0 = 4:13, y se quiere decidir si la media verdadera de la distribución di ere de ese valor. Podemos enunciar el problema como: H 0 : = 4:13 H A : 6= 4:13 Se puede de nir la regla de decisión del siguiente modo: p n jx 4:13j rechazar H 0 : = 4:13 a favor de H A : 6= 4:13; cuando > t =2 s donde t =2 se busca en la tabla de Student para n 1 grados de libertad. Si deseamos un nivel de signi cación = 0:05, el valor crítico para 9 grados de libertad es t 0:025 = 2:262. Esto signi ca que la zona de rechazo es el área a la derecha de 2:262 y el área a la izquierda de 2:262. Reemplazando por los valores de la media muestral x = 37:20: y la desviación típica muestral s = 7:13; calculamos el valor del estadístico y obtenemos t = p 10 (37:20 4:13) =7:13 = 14:67: Este valor cae en la zona de rechazo, podemos a rmar que el nivel medio de aluminio en sangre de esta población es diferente de En este caso el valor del estadístico es mucho mayor que el valor crítico t 0:025 = 2:262, si hubiéramos elegido un nivel de signi cación = 0:001, el valor crítico sería t 0:0005 = 4:781, y también rechazaríamos H 0 con este nivel de signi cación. No podemos calcular exactamente el valor-p, pero podemos a rmar que p < 0:001. Ejemplo 1.5 Consideremos ahora la situación de una droga antihipertensiva. Se debe mostrar evidencia de que la presión sistólica media de los individuos que reciben esta droga es menor que la de los que reciben la droga 9
9 estándar. Se sabe por investigaciones previas que estos últimos tienen una presión sistólica cuya distribución es normal con media de 130 mm Hg; y puede suponerse que para los individuos tratados con la nueva droga la distribución también es normal con media desconocida. Se desea probar que esta media es menor que el valor 0 = 130: Se seleccionan 26 individuos con hipertensión, se les administra la nueva droga, y se obtiene una media muestral de x = 121:5 mm Hg y una desviación s = La m.a. es X 1 ; X 2 ; ::; X 26 donde cada X i es la presión sistólica del i- ésimo individuo tratado con la nueva droga y X i v N(; 2 ) Este es un test unilateral, podemos plantearlo como: o también como: H 0 : = 130 H A : < 130 H 0 : 130 H A : < 130 para las dos situaciones, planteamos la regla de decisión: p n (x rechazar H 0 : = 130 a favor de H A : < 130; cuando s 130) < t calculamos el valor del estadístico t = p 26 (121:5 130) =19:2 = 2:257; el valor crítico es t 0:05 = 1.708, entonces como el valor del estadístico es menor que 1:708 se rechaza la hipótesis nula. Podemos ver en la tabla para 25 grados de libertad que el valor crítico correspondiente a = 0:025 es y el correpondiente a = 0:01 es Esto signi ca que si elegimos un nivel de signi cación = 0:025 podemos rechazar H 0, pero no podríamos hacerlo con nivel = 0:01: El valor-p está entre 0.01 y 0.025, podemos a rmar que p < 0:025. Podemos resumir los diferentes test para la media, cuando la muestra X 1 ; X 2 ; :::; X n proviene de una distribución normal con desconocido como sigue:. Hipótesis nula: H 0 : = 0 Valor del estadístico de prueba: t = p n (x 0 ) =s Hipótesis alternativa Región de rechazo para un nivel H A : > 0 t > t H A : < 0 t < t H A : 6= 0 t > t =2 o t < t =2 10
10 Realice los ejercicios 5 y 6 Del mismo modo que en la construcción de un intervalo de con anza, cuando no conocemos la distribución de los datos, si la muestra es su cientemente grande, podemos utilizar el teorema del límite central. Ejemplo 1.6 Consideremos los datos del ejemplo??, supongamos que se sabe que la concentración media de zinc en el hígado de esa especie de peces, que viven en una área libre de contaminación es de 8.2 g=g, pero se desconoce la forma de esa distribución. Se puede a rmar, en base a estos datos, que los peces examinados tienen niveles de zinc mayores que ese valor esperado? Aquí tenemos una m. a. X 1 ; X 2 ; ::; X 56 donde cada X i es la concentración de zinc en el hígado del i-ésimo pez examinado y desconocemos su distribución El problema puede plantearse como: H 0 : = 8:2 H A : > 8:2 y en este caso, como n es grande, podemos aplicar el resultado del teorema del límite central y usar el estadístico Z = X 8:2 S= p n ya que, según ese teorema, cuando = 8:2 tiene una distribución aproximadamente N(0; 1). Entonces podemos de nir, como siempre, una regla de decisión: p n (x 8:2) rechazar H 0 : = 8:2 a favor de H A : > 8:2; cuando > z s con los datos del ejemplo, x = 9:15 g=g y s = 1:27 g=g, reemplazando en el estadístico, obtenemos un valor p 56 (9:15 8:2) =1:27 = 5:59, vemos en la tabla de la distribución normal que el valor-p = P (Z > 5:59) < 0:0001, esto signi ca que hay muy fuerte evidencia para rechazar H 0 ; y se puede rechazar con cualquier nivel de signi cación razonable. Podemos resumir el caso test para la media de una distribución desconocida, cuando n es grande: 11
11 Hipótesis nula: H 0 : = 0 Valor del estadístico de prueba: z = p n (x 0 ) =s Hipótesis alternativa Región de rechazo para un nivel (aproximado) H A : > 0 z > z H A : < 0 z < z H A : 6= 0 z > z =2 o z < z =2 En este caso el nivel es aproximado, porque no conocemos la distribución exacta del estadístico de prueba, sino que estamos utilizando una aproximación. 1.2 Relación entre intervalos de con anza y test de hipótesis. Sea X 1 ; X 2 ; ::; X n una muestra aleatoria de una distribución F () y sea IC (1 ) un intervalo de con anza de nivel (1 ) para, esto signi ca que: P 2 IC (1 ) = 1 Consideremos el problema de test de hipótesis: H 0 : = 0 H A: 6= 0 si la hipótesis nula es verdadera, entonces: lo cual implica que: P 0 2 IC (1 ) = 1 P 0 =2 IC (1 ) = Entonces podemos establecer la siguiente regla de decisión: rechazar H 0 cuando 0 =2 IC (1 ) de este modo construimos un test de nivel : Ejemplo 1.7 Consideremos el ejemplo??, en ese ejemplo construimos un intervalo de con anza para la concentración de ion nitrato en una muestra de agua. 12
12 Si estamos interesados en saber si la verdadera concentración es 53g=ml, debemos construir un test para: H 0 : = 53 H A: 6= 53 podemos construir un test a partir del intervalo calculado antes. La regla de decisión será: rechazo H 0 si 53 =2 IC (1 ) El intervalo de 95% de con anza obtenido fue (48:98 ; 52:16), y como el valor 53 no está dentro de ese intervalo, debemos rechazar H 0 con nivel = 0:05 y la conclusión será que la concentración de ion nitrato en esa muestra no es 53g=ml: 13
13 Práctica 7 1. Para cada una de las siguientes aseveraciones, diga si es una legítima hipótesis estadística y por qué: (a) H : > 100 (b) H : x = 45 (c) H : s 0:2 (d) H : < 18 (e) H : 0:01 (donde es el parámetro de una distribución exponencial) 2. La distribución de presiones arteriales diastólicas para la población de mujeres diabéticas con edades entre 30 y 34 años se supone normal con media desconocida y desviación típica = 9:1 mmhg. Se desea conocer si la presión diastólica media de esta población es diferente de la de la población general de mujeres de esa edad, 0 = 74:4 mmhg. (a) Enuncie las hipótesis nula y alternativa y plantee el test correspondiente. Indique cuales son los errores de tipo I y tipo II en este caso. (b) Se elige una muestra de diez mujeres diabéticas, cuya presión diastólica es x = 82 mmhg, cuál es su conclusión con nivel = 0:05? (c) Calcule el valor-p 3. Se ha determinado el punto de fusión de 16 muestras de cierta marca de aceite vegetal hidrogenado, resultando x = 94:32. suponga que el punto de fusión es una v. a. cuya distribución es normal con = 1:20. Se desea determinar si el punto de fusión es menor que 95 (a) Plantee el test de hipótesis, indique cuales son los errores de tipo I y tipo II para el problema planteado. (b) Calcule el p-valor (c) Cuál sería su conclusión usando un nivel 0:01? 4. Considerando los datos del ejercicio 7 de la Práctica 5, se desea probar que el nivel medio de hemoglobina de los niños expuestos a niveles altos de plomo es inferior al de la población general, 0 = 11:59 g=100ml. Cuál es el menor nivel de signi cación para el cuál se puede hacer esa a rmación? Cuál es su conclusión? 14
14 5. Considerando los datos del ejercicio 9 de la Práctica 5, si se sabe que el valor real del suero es 245, (a) Se puede a rmar con nivel = 0:05; que el procedimiento de análisis está dando un error sistemático? (b) De una acotación del valor-p 6. Un artículo reporta los siguientes valores para ujo térmico del suelo de 8 terrenos cubiertos por polvo de carbón: La media de ujo térmico del suelo para terrenos cubiertos sólo con pasto es 29.0 Si se supone que la diistribción de ujo térmico es normal, sugier la información que el polvo de arbón es e caz para aumentar la media de ujo térmico sobre la del pasto? (a) Establezca y pruebe las hipótesis pertinentes usando = 0:05. (b) Acote el p-valor (c) Si la distribución de ujo térmico no fuera normal, podría usar el procedimiento anterior? 7. La ingesta de cinc recomendada para mayores de 50 años es de 15 mg=dia. Se seleccionó una muestra de115 hombres entre 65 y 74 años para los que se determinó la ingesta diaria de cinc y se obtuvo x = 11:3 y s = 6:43. No se puede a rmar nada sobre la distribuciónde la ingesta de cinc en la población. (a) Puede a rmarse con nivel 0:05 que el promedio de la ingesta diaria de cinc en la población de hombres entre 65 y 74 años es inferior a la recomendación? (b) Calcule aproximadamente el valor-p 8. En una investigación de la toxina producida por cierta serpiente venenosa, un investigador preparó 32 frascos diferentes, cada uno con 1 g de la toxina, y luego determinó la cantidad de antitoxina necesaria para neutralizar la toxina. Se encontró que la cantidad promedio muestral de antitoxina necesaria fue de 1.89 mg, y la desviación estándar 15
15 muestral fue de 0.42 mg. Otra investigación anterior indicaba que el veradero promedio de cantidad neutralizante era de 1.75 mg/g d toxina. Contradice la nueva información el valor sugerido por el investigador anterior? 9. Denotemos por p a la proporción de votantes que están a favor del candidato A contra el candidato B, en cierta elección. Considere que se desea probar H 0 : p = 0:5 versus H A : p 6= 0:5 con base a una muestra aleatoria de 25 votantes. Denotemos por X al número de votantes en la muestra que está a favor del candidato A y representemos con x el valor observado de X (a) Cuál de las siguientes regiones de rechazo es más adecuada y por qué? R 1 = fx : x 7 o x 18g R 2 = fx : x 8g R 3 = fx : x 17g (b) En el contexto de la situación de este problema, describa cuales son los errores tipo I y tipo II (c) Cuál es la distribución de probabilidad del estadístico de prueba X cuando H 0 es verdadera? Utilícela para calcular la probabilidad de error de tipo I. (d) Calcule la probabilidad de error de tipo II cuando p = 0:3, cuando p = 0:4 y cuando p = 0:7 (e) Qué se concluye si 6 de los 25 entrevistados elige al candidato A? 10. La calibración de una báscula debe veri carse al pesar 25 veces un especímen de prueba de 10kg. Supongamos que los resultados de diferentes pesadas son independientes entre si y que el peso en cada intento es una v. a. con distribución normal con = 0:2kg. Denotemos por el verdadero promedio de lectura de peso de la báscula. (si la báscula está bien calibrada ese debe ser el verdadero valor del especímen que se está pesando) (a) Cuáles hipótesis deben probarse? (b) Según el protocolo de control de calibración, la báscula debe recalibrarse cuando x 10:1032 o x 9:8968: Cuál es la probabilidad de que la recalibración se realice cuando en realidad no es necesaria? 16
16 (c) Cuál es la probabilidad de que no se considere necesaria la recalibración cuando de hecho = 10:1? Cuándo = 9:8? (d) Sea z = (x 10) =(= p n): Para qué valor c, es la región de rechazo de la parte (b) equivalente a la región bilateral jzj > c? (e) Vuelva a expresar el procedimiento de prueba de la parte (b) en términos del estadístico de prueba Z = X 10 =(= p n) 11. Con los datos del ejercicio 3, cuál es la probabilidad de no poder probar que la media del punto de fusión es menor que 95 cuando en realidad es 94? cómo se llama este tipo de error? 12. Considerando los datos del ejercicio 15 de la práctica anterior, interesa saber si la prevalencia de desnutrición en esa población de niños es igual a 0:10, cuál es su conclusión? 13. Usando el resultado del ejercicio 18 de la práctica anterior, puede concluir que la desviación típica de la tallas de las niñas de 12 meses de edad es distinta del valor 2:54; que es el informado en las tablas de crecimiento? 17
Contraste 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 detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesESTADÍSTICA. 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 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 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 detallesPregunta 1. Pregunta 2. Pregunta 3. Pregunta 4. Pregunta 5. Pregunta 6. Pregunta 7. Comenzado el lunes, 25 de marzo de 2013, 17:24
Comenzado el lunes, 25 de marzo de 2013, 17:24 Estado Finalizado Finalizado en sábado, 30 de marzo de 2013, 17:10 Tiempo empleado 4 días 23 horas Puntos 50,00/50,00 Calificación 10,00 de un máximo de 10,00
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 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 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 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 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 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 detallesSemana03[1/17] Funciones. 16 de marzo de Funciones
Semana03[1/17] 16 de marzo de 2007 Introducción Semana03[2/17] Ya que conocemos el producto cartesiano A B entre dos conjuntos A y B, podemos definir entre ellos algún tipo de correspondencia. Es decir,
Más detallesINFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón
Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado
Más detallesNivel socioeconómico medio. Nivel socioeconómico alto SI 8 15 28 51 NO 13 16 14 43 TOTAL 21 31 42 94
6. La prueba de ji-cuadrado Del mismo modo que los estadísticos z, con su distribución normal y t, con su distribución t de Student, nos han servido para someter a prueba hipótesis que involucran a promedios
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 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 detallesTerminaremos el capítulo con una breve referencia a la teoría de cardinales.
TEMA 5. CARDINALES 241 Tema 5. Cardinales Terminaremos el capítulo con una breve referencia a la teoría de cardinales. Definición A.5.1. Diremos que el conjunto X tiene el mismo cardinal que el conjunto
Más detalles8.2.5. Intervalos para la diferencia de medias de dos poblaciones
8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:
Más detalles1. Los pesos (en Kgs.) de los niños recién nacidos en una clínica maternal durante el último año han sido:
. Los pesos (en Kgs.) de los niños recién nacidos en una clínica maternal durante el último año han sido: Peso [.5,.75) [.75,3) [3,3.5) [3.5,3.5) [3.5,3.75) [3.75,4) [4,4.5) [4.5,4.5] N o de niños 7 36
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesINTEGRACIÓN NUMÉRICA
INTEGRACIÓN NUMÉRICA En los cursos de Cálculo Integral, nos enseñan como calcular una integral definida de una función contínua mediante una aplicación del Teorema Fundamental del Cálculo: Teorema Fundamental
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesGUÍA DE EJERCICIOS CONCEPTOS FUNDAMENTALES
GUÍA DE EJERCICIOS CONCEPTOS FUNDAMENTALES Área Resultados de aprendizaje Identifica, conecta y analiza conceptos básicos de química para la resolución de ejercicios, desarrollando pensamiento lógico y
Más detallesTEST DE HIPÓTESIS. Ejemplo: vamos a analizar los resultados de 5 Servicios de Neonatología de una
TEST DE HIPÓTESIS Ejemplo: vamos a analizar los resultados de 5 Servicios de Neonatología de una provincia según un indicador: mortalidad de recién nacidos con peso 1.000 gr. Supongamos, como ejemplo,
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 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 detallesEjemplos y ejercicios de. Estadística Descriptiva. yanálisis de Datos. 2 Descripción estadística de una variable. Ejemplos y ejercicios.
ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS Ejemplos y ejercicios de Estadística Descriptiva yanálisis de Datos Diplomatura en Estadística Curso 007/08 Descripción estadística de una variable. Ejemplos
Más detallesCONCEPTOS FUNDAMENTALES
TEMA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICAS PRIMERA PARTE: Conceptos fundamentales 8.1. Hipótesis estadística. Tipos de hipótesis 8.2. Región crítica y región de aceptación 8.3. Errores tipo I y tipo
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 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 detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
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 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 detallesConceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
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 detallesConjuntos, relaciones y funciones Susana Puddu
Susana Puddu 1. Repaso sobre la teoría de conjuntos. Denotaremos por IN al conjunto de los números naturales y por ZZ al de los enteros. Dados dos conjuntos A y B decimos que A está contenido en B o también
Más detallesSemana 09 [1/28] Sucesiones. 29 de abril de Sucesiones
Semana 09 [1/28] 29 de abril de 2007 Semana 09 [2/28] Definición Sucesión Una sucesión real es una función: f : N R n f (n) Observaciones Para distinguir a una sucesión de las demás funciones, se ocupará
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesPrueba de hipótesis. 1. Considerando lo anterior específica: a. La variable de estudio: b. La población: c. El parámetro. d. Estimador puntual:
Prueba de hipótesis Problema Un grupo de profesores, de cierto estado de la república, plantea una investigación acerca del aprendizaje de las ciencias naturales en la escuela primaria. Uno de los objetivos
Más detallesProbabilidad Condicional
Probabilidad Condicional Algunas veces la ocurrencia de un evento A puede afectar la ocurrencia posterior de otro evento B; por lo tanto, la probabilidad del evento B se verá afectada por el hecho de que
Más detallesTeoremas de Convergencia
Capítulo 24 Teoremas de Convergencia El teorema de la convergencia monótona (Lema 21.3) establece ciertas condiciones sobre una sucesión de funciones medibles para que se puedan permutar los símbolos y
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
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 detallesDISTRIBUCIONES BIDIMENSIONALES
La estadística unidimensional estudia los elementos de un conjunto de datos considerando sólo una variable o característica. Si ahora incorporamos, otra variable, y se observa simultáneamente el comportamiento
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 detallesMÉTODOS NUMÉRICOS PARA INGENIERÍA ERROR GUIÓN PARA EL TEMA CONCEPTOS BÁSICOS
ERROR GUIÓN PARA EL TEMA CONCEPTOS BÁSICOS REPASO de conceptos de dígito significativo y de orden, para números en notación decimal. Para señalar la diferencia entre el concepto de dígito significativo
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 detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detalles5 Variables aleatorias contínuas
5 Variables aleatorias contínuas Una variable aleatoria continua puede tomar cualquier valor en un intervalo de números reales.. Función de densidad. La función de densidad de una variable aleatoria continua
Más detallesPráctica 2: Intervalos de confianza y contrastes con SPSS 1
Estadística Aplicada Curso 2010/2011 Diplomatura en Nutrición Humana y Dietética Práctica 2: Intervalos de confianza y contrastes con SPSS 1 El objetivo de esta práctica es aprender a calcular intervalos
Más detalles1 Ecuaciones diferenciales
1 Ecuaciones diferenciales La solución a una ecuación algebraica es un número, o un conjunto de números que satisfacen la ecuación. Por ejemplo las soluciónes de x 2 4x + 3 = 0 son x 0 = 1 y x 1 = 3. Las
Más detallesMedidas de centralización
1 1. Medidas de centralización Medidas de centralización Hemos visto cómo el estudio del conjunto de los datos mediante la estadística permite realizar representaciones gráficas, que informan sobre ese
Más detallesCapítulo 4. Lógica matemática. Continuar
Capítulo 4. Lógica matemática Continuar Introducción La lógica estudia la forma del razonamiento, es una disciplina que por medio de reglas y técnicas determina si un teorema es falso o verdadero, además
Más detallesFinanzas. Sesión 6 Tema 15: Punto de Equilibrio. Escuela Profesional de Ingeniería de Sistemas e Informática
Finanzas Sesión 6 Tema 15: Punto de Equilibrio Escuela Profesional de Ingeniería de Sistemas e Informática Punto de equilibrio El Punto de Equilibrio de un bien o servicio, está dado por el volumen de
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 detallesSOLUCIONARIO GUÍA ESTÁNDAR ANUAL Ondas I: ondas y sus características
SOLUCIONARIO GUÍA ESTÁNDAR ANUAL Ondas I: ondas y sus características SGUICES001CB32-A16V1 Ítem Alternativa Habilidad 1 B Reconocimiento 2 D Reconocimiento 3 E Comprensión 4 C Comprensión 5 A Aplicación
Más detallesAnálisis de Datos. 1 Probabilidades. 1.1 De nición y propiedades básicas
Análisis de Datos 1 Probabilidades 1.1 De nición y propiedades básicas Consideremos el experimento consistente en realizar un tiro de ruleta. El conjunto de todos los resultados posibles del mismo, que
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesTeorema de Bayes. mientras que B tiene una tasa de defectos del 4%.
Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,
Más detalles2.- Tablas de frecuencias
º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 3.- ESTADÍSTICA DESCRIPTIVA PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------
Más detallesSESIÓN 11 DERIVACIÓN DE FUNCIONES TRIGONOMETRICAS INVERSAS
SESIÓN 11 DERIVACIÓN DE FUNCIONES TRIGONOMETRICAS INVERSAS I. CONTENIDOS: 1. Función inversa, conceptos y definiciones 2. Derivación de funciones trigonométricas inversas 3. Ejercicios resueltos 4. Estrategias
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesMICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo.
MICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo. Mediante el modelo de Hertz o Simulación de Montecarlo, trataremos
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 detallesInferencia estadística Selectividad CCSS Castilla-La Mancha. MasMates.com Colecciones de ejercicios
1. [2014] [EXT-A] Para el estudio de la polución del aire, se mide la concentración de dióxido de nitrógeno por metro cúbico. Se sabe que en los meses de invierno en una ciudad española, la concentración
Más detallesModelos de PERT/CPM: Probabilístico
INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE CÓMPUTO Modelos de PERT/CPM: Probabilístico M. En C. Eduardo Bustos Farías 1 Existen proyectos con actividades que tienen tiempos inciertos, es decir,
Más detallesSemana05[1/14] Relaciones. 28 de marzo de Relaciones
Semana05[1/14] 28 de marzo de 2007 Introducción Semana05[2/14] Ya en los capítulos anteriores nos acercamos al concepto de relación. Relación Dados un par de conjuntos no vacíos A y B, llamaremos relación
Más detallesCONTINUIDAD DE FUNCIONES. SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos.
CAPÍTULO IV. CONTINUIDAD DE FUNCIONES SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos. 121 A. DEFINICIÓN DE FUNCIÓN CONTINUA. Una función
Más detallesEstadística II Tema 2. Conceptos básicos en el contraste de. Curso 2010/11
Estadística II Tema 2. Conceptos básicos en el contraste de hipótesis Curso 2010/11 Tema 2. Conceptos básicos en el contraste de hipótesis Contenidos Definición de contraste e hipótesis estadística. Hipótesis
Más detallesUNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)
UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) 1. ESTADÍSTICA: CLASES Y CONCEPTOS BÁSICOS En sus orígenes históricos, la Estadística estuvo ligada a cuestiones de Estado (recuentos, censos,
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesTEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS.
TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. 1. MATRICES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS. DEFINICIÓN: Las matrices son tablas numéricas rectangulares
Más detallesDefinición de la matriz inversa
Definición de la matriz inversa Objetivos Aprender la definición de la matriz inversa Requisitos Multiplicación de matrices, habilidades básicas de resolver sistemas de ecuaciones Ejemplo El número real
Más detallesHistogramas. Para crear un histograma. Para crear un histograma podemos utilizar el procedimiento Generador de gráficos en el Menú: o Gráficos:
SPSS: GRÁFICOS HISTOGRAMAS Histogramas Los histogramas son útiles para mostrar la distribución de una única variable de escala. Los datos se agrupan y se resumen utilizando el estadístico de porcentaje
Más detallesJUNIO Opción A
Junio 010 (Prueba Específica) JUNIO 010 Opción A 1.- Discute y resuelve según los distintos valores del parámetro a el siguiente sistema de ecuaciones: a x + a y + az 1 x + a y + z 0.- Una panadería se
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesMEDICIONES ELECTRICAS I
Año:... Alumno:... Comisión:... MEDICIONES ELECTRICAS I Trabajo Práctico N 2 Tema: MEDICION DE RESISTENCIA. METODO DIRECTO METODO INDIRECTO Método Directo Vamos a centrar nuestro análisis en los sistemas
Más detallesS = N λ = 5 5 = 1 hora.
Teoría de Colas / Investigación Operativa 1 PROBLEMAS DE INVESTIGACIÓN OPERATIVA. Hoja 5 1. Al supercomputador de un centro de cálculo llegan usuarios según un proceso de Poisson de tasa 5 usuarios cada
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesUnidad V. 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales.
Unidad V Aplicaciones de la derivada 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales. Una tangente a una curva es una recta que toca la curva en un solo punto y tiene la misma
Más detallesIntervalos de confianza y contrastes de hipótesis. Intervalo de confianza de la media.
R PRÁCTICA IV Intervalos de confianza y contrastes de hipótesis Sección IV.1 Intervalo de confianza de la media. 44. Cargar (abrir) el conjunto de Datos Pulso.rda. Se pide: a) Calcular el de confianza
Más detallesc). Conceptos. Son los grupos o conceptos que se enlistan en las filas de la izquierda de la tabla
Tema 5. Tablas estadísticas Como ya se había establecido en el tema anterior sobre el uso de las tablas estadísticas, éstas son medios que utiliza la estadística descriptiva o deductiva para la presentación
Más detallesproporciones y para la Estadística II Equipo Docente: Iris Gallardo Andrés Antivilo Francisco Marro
Sesión 12 Intervalo de confianza para proporciones y para la razón de varianzas. IC para a una proporción poblacional o a Qué proporción de adolescentes presenta problemas de delincuencia en una comunidad
Más detallesCapítulo 2 Juegos estáticos con información asimétrica
Capítulo Juegos estáticos con información asimétrica January 1, 011 1 El equilibrio Bayesiano Definición 1.1. Un juego Bayesiano G consta de los siguientes elementos, G = (N, A, T, p, u) Un conjunto de
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 detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detallesCAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA
CAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA 3.- INTERVALO DE CONFIANZA PARA LA VARIANZA 4.- INTERVALO DE
Más detalles1 Razones y proporciones
1 Razones y proporciones Es muy importante que el estudiante comprenda por qué deben realizarse de esa manera los procedimientos. Por ejemplo, frecuentemente se explica la regla de tres cuando estudiamos
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesTests de hipótesis estadísticas
Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesHabilidades Matemáticas. Alejandro Vera
Habilidades Matemáticas Alejandro Vera La distribución normal Introducción Una de las herramientas de mayor uso en las empresas es la utilización de la curva normal para describir situaciones donde podemos
Más detalles6. Estimación, DISTRIBUCIONES MUESTREO, Y PRUEBA DE
6. Estimación, DISTRIBUCIONES MUESTREO, Y PRUEBA DE HIPÓTESIS. 6.1 INFERENCIA ESTADISTICA La estadística está dividida en descriptiva e inferencial donde La estadística Descriptiva se relaciona principalmente
Más detallesEcuaciones Diofánticas
2 Ecuaciones Diofánticas (c) 2011 leandromarin.com 1. Introducción Una ecuación diofántica es una ecuación con coeficientes enteros y de la que tenemos que calcular las soluciones enteras. En este tema
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detalles