CONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN
|
|
- Ángel Pérez Olivares
- hace 7 años
- Vistas:
Transcripción
1 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 :!! Como ilustración, consideremos un modelo que relacione la inflación en precios con la inflación en salarios. p es la tasa de crecimiento de los precios y w es la tasa de crecimiento de los salarios. 1 de probabilidad de Distribución de si la hipótesis nula H :! 2 =1. es cierta (suponemos que conocemos la desviación típica y que ésta es igual a.1) Si la hipótesis nula es cierta, el estimador tendrá una distribución con media 1.. Para dibujar la distribución debemos conocer su desviación típica. 2
2 de probabilidad Distribución de si la hipótesis nula H :! 2 =! 2 es cierta (la desviación típica se considera conocida)! 2-4sd! 2-3sd! 2-2sd! 2 -sd! 2! 2 +sd! 2 +2sd! 2 +3sd! 2 +4sd Esta sería la distribución de para el caso general. En lo que sigue suponemos que conocemos la desviación típica (sd=standard deviation). 3 de probabilidad Distribución de si la hipótesis nula H :! 2 =1. es cierta (suponemos que conocemos la desviación típica y que ésta es igual a.1) Supongamos que tenemos una muestra de datos para estimar el modelo de inflación de precios frente a la inflación de salarios y que la estimación del coeficiente de pendiente,, es.9. Sería este resultado una evidencia suficiente en contra de la hipótesis nula! 2 = 41.?
3 de probabilidad Distribución de si la hipótesis nula H :! 2 =1. es cierta (suponemos que conocemos la desviación típica y que ésta es igual a.1) NO LO ES! Es cierto que la estimación es inferior a 1. pero, debido a que existe el término de perturbación en el modelo, nosotros no podríamos esperar una estimación exactamente igual a de probabilidad Distribución de si la hipótesis nula H :! 2 =1. es cierta (suponemos que conocemos la desviación típica y que ésta es igual a.1) Si la hipótesis nula fuese cierta, las estimaciones no deberían estar lejos de 1.. De modo que no parece existir conflicto entre la estimación y lo que proponemos en la hipótesis nula. 6
4 de probabilidad! 2-4sd! 2-3sd! 2-2sd! 2 -sd! 2! 2 +sd! 2 +2sd! 2 +3sd! 2 +4sd En el caso general, el resultado equivale a haber obtenido una estimación que esté solamente una desviación típica por debajo del valor hipotético. 7 de probabilidad! 2-4sd! 2-3sd! 2-2sd! 2 -sd! 2! 2 +sd! 2 +2sd! 2 +3sd! 2 +4sd Si la hipótesis nula fuese cierta, la probabilidad de obtener una estimación una desviación típica (o más) por encima o por debajo del valor medio es 31.7%. 8
5 de probabilidad Distribución de si la hipótesis nula H :! 2 =1. es cierta (suponemos que conocemos la desviación típica y que ésta es igual a.1) Ahora supongamos que en el modelo de inflación de precios/inflación de salarios, obtuviésemos una estimación de 1.4. Este resultado claramente entra en conflicto con la hipótesis nula. 9 de probabilidad! 2-4sd! 2-3sd! 2-2sd! 2 -sd! 2! 2 +sd! 2 +2sd! 2 +3sd! 2 +4sd 1.4 está cuatro desviaciones típicas por encima del valor hipotético y la probabilidad de obtener una estimación más extrema que ésta es sólo del.6%. En este caso, rechazaríamos la hipótesis nula. 1
6 de probabilidad Distribución de si la hipótesis nula H :! 2 =1. es cierta (suponemos que conocemos la desviación típica y que ésta es igual a.1) Supongamos que ahora obtemos una estimación igual a.77. Este es un resultado complicado para emitir un juicio sobre la hipótesis nula. 11 de probabilidad! 2-4sd! 2-3sd! 2-2sd! 2 -sd! 2! 2 +sd! 2 +2sd! 2 +3sd! 2 +4sd Si la hipótesis nula fuese cierta, la estimación obtenida estaría entre 2 y 3 desviaciones típicas por debajo de la media. 12
7 de probabilidad Distribución de si la hipótesis nula H :! 2 =1. es cierta (suponemos que conocemos la desviación típica y que ésta es igual a.1) Existen dos posibilidades. La primera es que la hipótesis nula sea cierta y simplemente hayamos obtenido una estimación anormal (mala suerte con la muestra). La otra posibilidad es que la hipótesis nula sea falsa. Es decir, la tasa de inflación en precios no es igual a la tasa de inflación en salarios. 13 de probabilidad Distribución de si la hipótesis nula H :! 2 =! 2 es cierta (la desviación típica se considera conocida)! 2-4sd! 2-3sd! 2-2sd! 2 -sd! 2! 2 +sd! 2 +2sd! 2 +3sd! 2 +4sd El procedimiento habitual para tomar decisiones consiste en rechazar la hipótesis nula si implica que la probabilidad de obtener una estimación tan extrema como la que se ha obtenido es menor que alguna probabilidad pequeña p. Por ejemplo, podríamos decidir rechazar la hipótesis nula si ello implicase que la 14 probabilidad de obtener un valor tan extremo como el obtenido fuese menor que.5 (5%).
8 de probabilidad Distribución de si la hipótesis nula H :! 2 =! 2 es cierta (la desviación típica se considera conocida) 2.5% 2.5%! 2-4sd! 2-3sd! 2-2sd! 2 -sd! 2! 2 +sd! 2 +2sd! 2 +3sd! 2 +4sd De acuerdo con esta regla de decisión, rechazaríamos la hipótesis nula si la estimación cayese dentro de las colas superior e inferior que acumulan el 2.5% de la probabilidad. Si aplicamos esta regla decisión al ejemplo de la inflación precios/inflación salarios, la 15 primera estimación de! 2 no nos conduciría al rechazo de la hipótesis nula. de probabilidad Distribución de si la hipótesis nula H :! 2 =! 2 es cierta (la desviación típica se considera conocida) 2.5% 2.5% La segunda sí conduciría al rechazo. 16
9 de probabilidad Distribución de si la hipótesis nula H :! 2 =! 2 es cierta (la desviación típica se considera conocida) 2.5% 2.5%! sd!! 2 -sd 2! 2 +sd! sd Las colas que acumulan el 2.5% de probabilidad en una distribución normal siempre comienzan a 1.96 desviaciones típicas de su media. 17 de probabilidad Regla de decisión (nivel de significación 5%): Rechazo (1) si (2) si (1) si (2) si (1) si (2) si 2.5% 2.5%! sd!! 2 -sd 2! 2 +sd! sd Rechazaríamos H si la diferencia, expresada en términos de desviaciones típicas, fuese mayor que 1.96 en valor absoluto. 18
10 de probabilidad Regla de decisión (nivel de significación 5%): Rechazo (1) si (2) si (1) si z > 1.96 (2) si z < Región de aceptación para : 2.5% 2.5%! sd!! 2 -sd 2! 2 +sd! sd Los valores de z que definen la región de aceptación son 1.96 y (para un nivel de significación del 5%). 19 de probabilidad Regla de decisión (nivel de significación 5%): Rechazo (1) si (2) si 2.5% 2.5% Veamos la regla de decisión en el ejemplo de inflación de precios/inflación de salarios. La hipótesis nula es que el coeficiente de pendiente es igual a 1.. 2
11 de probabilidad Regla de decisión (nivel de significación 5%): Rechazo (1) si (2) si (1) si (2) si (1) si (2) si Región de aceptación para : 2.5% 2.5% La región de aceptación para es el intervalo.84 a Una estimación muestral que caiga en este rango no conducirá a un rechazo de la hipótesis nula. 21 de probabilidad Error Tipo I: rechazar H cuando es cierta Probabilidad de error Tipo I: en este caso es el 5% El nivel de significación del contraste es el 5 % Rechazo Región de aceptación Rechazo 2.5% 2.5%! sd!! 2 -sd 2! 2 +sd! sd El nivel de significación de un contraste se define como la probabilidad de cometer un error de Tipo I si la hipótesis nula es cierta. 22
12 de probabilidad Regla de decisión (nivel de significación 1%): Rechazo (1) si (2) si (1) si z > 2.58 (2) si z < Región de aceptación para :! sd!! 2 -sd 2! 2 +sd! sd Las colas que acumulan el de la probabilidad de una distribución normal comienzan a 2.58 desviaciones típicas de la media, de manera que ahora rechazamos la hipótesis nula si el valor del estadístico z es mayor que 2.58 en valor absoluto. 23 de probabilidad Regla de decisión (nivel de significación 1%): Rechazo (1) si (2) si (1) si (2) si (1) si (2) si Región de aceptación para : La región de aceptación para es el intervalo entre.742 y Puesto que es más amplio que el correspondiente al contraste al nivel de significación del 5%, existe un riesgo menor de cometer un error Tipo I, si la hipótesis nula es cierta. 24
13 Comparación de regiones de aceptación al 5% y 1% de probabilidad 5%: < z < %: < z < 2.58 nivel 1% nivel 5%! 2-4sd! 2-3sd! 2-2sd! 2 -sd! 2! 2 +sd! 2 +2sd! 2 +3sd! 2 +4sd Este diagrama compara los procesos de decisión para contrastes al 5% y 1%. Notar que si se rechaza H al 1%, debe rechazarse también al 5%. 25 Comparación de regiones de aceptación al 5% y 1% de probabilidad 5%: < z < %: < z < 2.58 nivel 1% nivel 5%! 2-4sd! 2-3sd! 2-2sd! 2 -sd! 2! 2 +sd! 2 +2sd! 2 +3sd! 2 +4sd Notar también que si cae dentro de la región de aceptación del contraste al 5%, también debe caer dentro de la región de aceptación al 1%. 26
14 Caso general Decisión Rechazo H al 1% (y también al 5%) Rechazo H al 5% pero no al 1% Ejemplo: Inflación precios/inflación salarios No rechazo H al 5% (ni al 1%) 1. Rechazo H al 5% pero no al 1% Rechazo H al 1% (y también al 5%) El diagrama resume las decisiones posibles en contrastes realizados para niveles de significación del 5% y del 1%, en el caso general, y en el ejemplo de inflación de precios/ salarios. 27 Caso general Decisión Rechazo H al 1% (y también al 5%) Rechazo H al 5% pero no al 1% Ejemplo: Inflación precios/inflación salarios No rechazo H al 5% (ni al 1%) 1. Rechazo H al 5% pero no al 1% Rechazo H al 1% (y también al 5%) Deberías ofrecer los resultados de ambos contrastes sólo si rechazas a un nivel de significación del 5%, pero no a un nivel del 1%. 28
15 ERROR TIPO I Y ERROR TIPO II distribución hipotética bajo región de aceptación de 5% nivel 2.5% 2.5%! sd! 2 -sd! 2! 2 +sd! sd Hemos definido error de Tipo I como el rechazo de la hipótesis nula cuando es cierta. En el contraste de hipótesis, también existe la posibilidad de no rechazar la hipótesis nula cuando es falsa. Esto se conoce como error de Tipo II. Aquí demostraremos que existe un intercambio o trade-off entre el riesgo de cometer un 29 error de Tipo I y el riesgo de cometer un error Tipo II. ERROR TIPO I Y ERROR TIPO II distribución hipotética bajo región de aceptación de 1% nivel 5% nivel! sd! 2 -sd! 2! 2 +sd! sd El gráfico muestra las regiones de aceptación y rechazo para un contraste a un nivel de significación del 5%. El riesgo de cometer un error Tipo I, si la hipótesis nula es cierta, es del 5%. Si realizamos el contraste a un nivel de significación del 1%, el riesgo de cometer un error de Tipo I se reduce al 1%, si la hipótesis nula es cierta. 3
16 ERROR TIPO I Y ERROR TIPO II distribución hipotética bajo región de aceptación de 1% nivel 5% nivel! sd! 2 -sd! 2! 2 +sd! sd Cuáles son las implicaciones de la elección del nivel de significación si la hipótesis nula es falsa? El gráfico explica cómo se toman las decisiones, pero no presenta la verdadera distribución de si la hipótesis nula es falsa. 31 ERROR TIPO I Y ERROR TIPO II distribución hipotética bajo región de aceptación de 1% nivel 5% nivel distribución bajo! 2! 1 2-2sd! 1 2 -sd! 1 2! 1 2 +sd 1! 2 +2sd Supongamos que H 1 :! 2 =! 2 1 es cierta y, por tanto, la distribución de es la curva que se presenta en la parte derecha. Si tuviésemos datos para estimar la regresión, la estimación de sería la que se muestra. En este caso, tomaríamos la decisión correcta y rechazaríamos H, independientemente del nivel de significación que se adoptase. 32
17 ERROR TIPO I Y ERROR TIPO II distribución hipotética bajo región de aceptación de 1% nivel 5% nivel distribución bajo! 2! 1 2-2sd! 1 2 -sd! 1 2! 1 2 +sd 1! 2 +2sd Aquí tenemos otra estimación (suponemos que hemos conseguido una muestra distinta a la anterior). De nuevo, la decisión correcta sería rechazar la hipótesis nula, tanto para un nivel de significación del 5% como del 1%. 33 ERROR TIPO I Y ERROR TIPO II distribución hipotética bajo región de aceptación de 1% nivel 5% nivel distribución bajo! 2! 1 2-2sd! 1 2 -sd! 1 2! 1 2 +sd 1! 2 +2sd En el caso que se muestra ahora, cometeríamos un error de Tipo II y no rechazaríamos la hipótesis nula para esos niveles de significación. 34
18 ERROR TIPO I Y ERROR TIPO II distribución hipotética bajo región de aceptación de 1% nivel 5% nivel distribución bajo! 2! 1 2-2sd! 1 2 -sd! 1 2! 1 2 +sd 1! 2 +2sd Pero, en el caso de esta estimación, podríamos tomar la decisión correcta si realizamos el contraste a un nivel de significación del 5%, mientras que cometeríamos un error Tipo II si utilizásemos un nivel de significación del 1%. 35 ERROR TIPO I Y ERROR TIPO II distribución hipotética bajo región de aceptación de 1% nivel 5% nivel distribución bajo! 2! 1 2-2sd! 1 2 -sd! 1 2! 1 2 +sd 1! 2 +2sd La probabilidad de cometer un error de Tipo II si realizamos el contraste al nivel del 1% viene dado por la probablidad de que caiga dentro de la región de aceptación para ese nivel de significación, es decir, el intervalo entre las líneas rojas punteadas. 36
19 ERROR TIPO I Y ERROR TIPO II distribución hipotética bajo región de aceptación de 1% nivel 5% nivel distribución bajo! 2! 1 2-2sd! 1 2 -sd! 1 2! 1 2 +sd 1! 2 +2sd Dado que H 1 es cierto, la probabilidad de que caiga en la región de aceptación es el área sombreada que corresponde a la distribución bajo H ERROR TIPO I Y ERROR TIPO II distribución hipotética bajo región de aceptación de 1% nivel 5% nivel distribución bajo! 2! 1 2-2sd! 1 2 -sd! 1 2! 1 2 +sd 1! 2 +2sd Si realizásemos el contraste a un nivel de significación del 5%, la probabilidad de cometer error Tipo II si H 1 es cierta, viene dada por el área que está bajo la distribución correspondiente a H 1, dentro de la región de aceptación a ese nivel de significación. Es el área gris del gráfico. En este caso particular, si realizásemos el contraste al 5% en vez de al 1%, el riesgo de cometer error Tipo II se reduciría casi a la mitad. 38
20 ERROR TIPO I Y ERROR TIPO II distribución hipotética bajo región de aceptación de 1% nivel 5% nivel distribución bajo ! 2! 2-2sd! 2 -sd! 2! 2 +sd! 2 +2sd El problema es, por supuesto, que nunca sabemos si H es cierta o falsa. Si lo supiéramos, para qué ibamos a hacer contrastes? 39 ERROR TIPO I Y ERROR TIPO II distribución hipotética bajo región de aceptación de 1% nivel 5% nivel distribución bajo ! 2! 2-2sd! 2 -sd! 2! 2 +sd! 2 +2sd Recapitulemos: si H fuese cierta, realizar el contraste a un nivel de significación del 1% en vez de al 5%, reduciría enormemente el riesgo de cometer un error Tipo I (no cometeríamos error Tipo II)....sin embargo, si H fuese falsa, realizar el contraste a un nivel de significación del 1% en vez de al 5% aumentaría el riesgo de cometer un error Tipo II (en este caso no podríamos 4 cometer error Tipo I).
21 CONTRASTE t SOBRE SOBRE UN COEFICIENTE DE REGRESIÓN s.d. de conocida s.d. de desconocida Discrepancia entre el valor hipotético y la estimación muestral, en términos de s.d: Discrepancia entre el valor hipotético y la estimación muestral, en términos de s.e.: Nivel de significación 5%: rechazo H :! 2 =! 2 si z > 1.96 o z < Nivel de significación 5%: rechazo H :! 2 =! 2 si t > t crit o t < -t crit La clave está en observar el valor crítico de la distribución t, y si el valor del estadístico t en nuestra muestra es mayor (en valor absoluto) que dicho valor crítico, rechazamos la hipótesis nula. Y si es menor (en valor absoluto) no la rechazamos. 41 CONTRASTE t SOBRE SOBRE UN COEFICIENTE DE REGRESIÓN normal t, 1 g.l. Este es el gráfico corespondiente a una distribución normal con media y varianza 1. También tenemos una distribución t con 1 grados de libertad (enseguida definiremos este concepto). Cuando el número de grados de libertad es grande, la distribución t se parece mucho a la distribución normal (y confome los grados de libertad siguen aumentando, la t converge 42 a la normal).
22 CONTRASTE t SOBRE SOBRE UN COEFICIENTE DE REGRESIÓN normal t, 1 g.l. t, 5 g.l. Si son tan parecidas, por qué utilizar una distribución t en vez de una normal como referencia? Pasaría algo si nosotros utilizásemos los valores críticos de la normal, es decir, el 1.96 para un nivel de significación del 5 %, y el 2.58 para un nivel del 1%? La respuesta es que sí hay diferencia. Aunque las distribuciones se parecen, la distribución t tiene colas más largas que la normal y esta diferencia es tanto mayor, cuanto más pequeño sea el número de grados de libertad. 43 CONTRASTE t SOBRE SOBRE UN COEFICIENTE DE REGRESIÓN normal t, 1 g.l. t, 5 g.l. Por tanto, la probabilidad de obtener un valor elevado del estadístico es mayor con una distribución t que con una distribución normal. Esto significa que las regiones de rechazo tienen que empezar a más desviaciones típicas de distancia respecto a, en el caso de la distribución t. 44
23 CONTRASTE t SOBRE SOBRE UN COEFICIENTE DE REGRESIÓN normal t, 1 g.l. t, 5 g.l La cola del 2.5% de probabilidad de una distribución normal comienza a 1.96 desviaciones típicas de su media. Y la cola del 2.5% de probabilidad de una distribución t con 1 grados de libertad comienza a 2.33 desviaciones típicas de su media. 45 CONTRASTE t SOBRE SOBRE UN COEFICIENTE DE REGRESIÓN Distribución t: valores críticos Grados de Dos colas 1% 5% 2% 1%.2%.1% libertad Una cola 5% 2.5% 1%.1%.5% Por esta razón, necesitamos mirar la tabla de valores críticos de la t cuando realizamos contrastes de significación sobre los coeficientes de la regresión. 46 Grados de libertad = nº de observaciones nº de parámetros estimados.
24 CONTRASTE t SOBRE SOBRE UN COEFICIENTE DE REGRESIÓN s.d. de conocida s.d. de desconocida Discrepancia entre el valor hipotético y la estimación muestral, en términos de s.d: Discrepancia entre el valor hipotético y la estimación muestral, en términos de s.e.: Nivel de significación 5%: rechazo H :! 2 =! 2 si z > 1.96 o z < Nivel de significación 5%: rechazo H :! 2 =! 2 si t > 2.11 o t < Volviendo al resumen del procedimiento de contrastación de hipótesis, si realizamos el contraste a un nivel de significación del 5%, deberíamos rechazar la hipótesis nula si el valor absoluto de t fuese mayor que CONTRASTE t SOBRE SOBRE UN COEFICIENTE DE REGRESIÓN s.d. de conocida s.d. de desconocida Discrepancia entre el valor hipotético y la estimación muestral, en términos de s.d: Discrepancia entre el valor hipotético y la estimación muestral, en términos de s.e.: Nivel de significación 5%: rechazo H :! 2 =! 2 si z > 1.96 o z < Nivel de significación 1%: rechazo H :! 2 =! 2 si t > o t < Si quisiésemos hacer el contraste a un nivel de significación del 1%, el valor crítico de la distribución t sería Por tanto, en este caso 48
Teorema 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 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 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 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. 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 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 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 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 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 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 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 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 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 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 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 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 detallesRegresión con variables independientes cualitativas
Regresión con variables independientes cualitativas.- Introducción...2 2.- Regresión con variable cualitativa dicotómica...2 3.- Regresión con variable cualitativa de varias categorías...6 2.- Introducción.
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 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 detallesEJERCICIOS DE ESTADÍSTICA:
EJERCICIOS DE ESTADÍSTICA: 1º/ Una biblioteca desea estimar el porcentaje de libros infantiles que posee. La biblioteca está compuesta de 4 salas (orte, Sur, Este y Oeste) con 2500, 2740, 4000 y 6900 libros,
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 detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detallesMATEMÁTICAS APLICADAS A LAS CC. SOCIALES I. Examen de la tercera evaluación. Nombre y apellidos Fecha: 10 de junio de 2010
IES ATENEA San Sebastián de los Rees MATEMÁTICAS APLICADAS A LAS CC. SOCIALES I Eamen de la tercera evaluación Nombre apellidos Fecha: 0 de junio de 00.- (, 5 puntos) En seis modelos de zapatillas deportivas
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
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 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 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 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 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 detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más detallesProblemas resueltos. Tema 12. 2º La hipótesis alternativa será que la distribución no es uniforme.
Tema 12. Contrastes No Paramétricos. 1 Problemas resueltos. Tema 12 1.- En una partida de Rol se lanza 200 veces un dado de cuatro caras obteniéndose 60 veces el número 1, 45 veces el número 2, 38 veces
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 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 detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
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 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 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 detallesJUNIO Bloque A
Selectividad Junio 009 JUNIO 009 Bloque A 1.- Estudia el siguiente sistema en función del parámetro a. Resuélvelo siempre que sea posible, dejando las soluciones en función de parámetros si fuera necesario.
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 detallesb) dado que es en valor absoluto será el área entre -1,071 y 1,071 luego el resultado será F(1,071)-(1-F(1,071)=0,85-(1-0,85)=0,7
EJERCICIOS T12-MODELOS MULTIVARIANTES ESPECÍFICOS 1. Un determinado estadístico J se distribuye según un modelo jhi-dos de parámetro (grados de libertad) 14. Deseamos saber la probabilidad con la que dicho
Más detallesValidación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS. Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO
Validación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO Objetivos de la clase Objetivos de la estadística. Concepto y parámetros
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 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 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 detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesMedidas de dispersión
Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia
Más detallesPruebas de Hipótesis-ANOVA. Curso de Seminario de Tesis Profesor QF Jose Avila Parco Año 2016
Pruebas de Hipótesis-ANOVA Curso de Seminario de Tesis Profesor Q Jose Avila Parco Año 2016 Análisis de la Varianza de un factor (ANOVA) El análisis de la varianza (ANOVA) es una técnica estadística paramétrica
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 detallesCAPÍTULO 4 TÉCNICA PERT
54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con
Más detallesFase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
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 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 detallesMódulo de Estadística
Módulo de Estadística Tema 2: Estadística descriptiva Tema 2: Estadísticos 1 Medidas La finalidad de las medidas de posición o tendencia central (centralización) es encontrar unos valores que sinteticen
Más detallesCONTRASTES DE HIPÓTESIS PARAMÉTRICOS. La estadística en cómic (L. Gonick y W. Smith)
CONTRASTES DE HIPÓTESIS PARAMÉTRICOS La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: UN JUICIO INJUSTO 2 APELAREMOS EL VERIDICTO 3 SEÑOR ESTADÍSTICO, PODRÍA EXPLICARNOS LO QUE ESTOS DATOS EVIDENCIAN?
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 detallesEstadística Inferencial 3.7. Prueba de hipótesis para la varianza. σ gl = n -1. Es decir: Ho: σ 2 15 Ha: σ 2 > 15 (prueba de una cola)
UNIDAD III. PRUEBAS DE HIPÓTESIS 3.7 Prueba de hipótesis para la varianza La varianza como medida de dispersión es importante dado que nos ofrece una mejor visión de dispersión de datos. Por ejemplo: si
Más detallesNOCIONES DE ESTADÍSTICA CURSO PRÁCTICO DE CLIMATOLOGÍA 2011
NOCIONES DE ESTADÍSTICA CURSO PRÁCTICO DE CLIMATOLOGÍA 2011 CÓMO CARACTERIZAR UNA SERIE DE DATOS? POSICIÓN- dividen un conjunto ordenado de datos en grupos con la misma cantidad de individuos CENTRALIZACIÓN-
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 detallesOPCIÓN A. La empresa A (x) tiene 30 trabajadores, la B (y) 20 trabajadores y la C (z) 13 trabajadores.
PRUEBAS DE ACCESO A LA UNIVERSIDAD PARA EL ALUMNADO DE BACHILLERATO. 159 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. JUNIO 16 EXAMEN RESUELTO POR JAVIER SUÁREZ CABALLERO (@javiersc9) OBSERVACIONES IMPORTANTES:
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 detalles2.- Tablas de frecuencias
º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 3.- ESTADÍSTICA DESCRIPTIVA PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------
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 detallesEstadística Descriptiva. SESIÓN 11 Medidas de dispersión
Estadística Descriptiva SESIÓN 11 Medidas de dispersión Contextualización de la sesión 11 En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión,
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 detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesEstadística Inferencial. Sesión 5. Prueba de hipótesis
Estadística Inferencial. Sesión 5. Prueba de hipótesis Contextualización. En la práctica, es frecuente tener que tomar decisiones acerca de poblaciones con base en información de muestreo. Tales decisiones
Más detallesReporte de Pobreza por Ingresos JUNIO 2015
Reporte de Pobreza por Ingresos JUNIO 2015 1 Resumen Ejecutivo En el presente documento se exhiben los resultados obtenidos en el cálculo de pobreza y desigualdad por ingresos a partir de la Encuesta Nacional
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 detallesHipótesis y decisiones
Hipótesis y decisiones Preparado por Luis M. Molinero (Alce Ingeniería) CorreoE: bioestadistica alceingenieria.net Artículo en formato PDF Abril 2001 Introducción La difusión de la metodología estadística,
Más detallesMEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro
Más detallesEstadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar
Estadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar Módulo 2. Estadística Descriptiva: Medidas de síntesis Mª Purificación Galindo Villardón Mª Purificación
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 detallesCálculo de la Tasa de Fisher
Cálculo de la Tasa de Fisher Autor: Jorge Kamlofsky jkamlofsky@yahoo.com.ar Página: 1 Introducción. LA TASA DE FISHER: INTRODUCCION. La tasa de Fisher es una herramienta que facilita la selección entre
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 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 detallesReporte de Pobreza y Desigualdad DICIEMBRE 2015
Reporte de Pobreza y Desigualdad DICIEMBRE 2015 1 Reporte de Pobreza y Desigualdad - Diciembre 2015 Dirección responsable de la información estadística y contenidos: Dirección de Innovación en Métricas
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesANEXO 1. CALIBRADO DE LOS SENSORES.
ANEXO 1. CALIBRADO DE LOS SENSORES. Las resistencias dependientes de la luz (LDR) varían su resistencia en función de la luz que reciben. Un incremento de la luz que reciben produce una disminución 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 detallesRELACIÓN DE EJERCICIOS TEMA 2
1. Sea una distribución estadística que viene dada por la siguiente tabla: Calcular: x i 61 64 67 70 73 f i 5 18 42 27 8 a) La moda, mediana y media. b) El rango, desviación media, varianza y desviación
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 detallesESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO
ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO El examen presentará dos opciones diferentes entre las que el alumno deberá elegir una y responder
Más detallesHoja 6: Estadística descriptiva
Hoja : Estadística descriptiva Hoja : Estadística descriptiva May Dada la siguiente distribución de frecuencias, halle: a) la mediana; b) la media. Número (x) Frecuencia (y) May De enero a septiembre la
Más detallesCAPÍTULO IV TRABAJO DE CAMPO Y PROCESO DE CONTRASTE DE LAS HIPÓTESIS
CAPÍTULO IV TRABAJO DE CAMPO Y PROCESO DE CONTRASTE DE LAS HIPÓTESIS 1. HIPÓTESIS ALTERNA E HIPÓTESIS NULA Para someter a contraste una hipótesis es necesario formular las Hipótesis Alternas ( H1 ) y formular
Más detallesEvidentemente, la superficie es un triángulo rectángulo de base 1 y altura también la unidad, por tanto su área es 1/2.
LA INTEGRAL DEFINIDA En los dos temas anteriores se ha hecho el estudio de las primitivas de una función, descubriendo distintos procedimientos para el cálculo de primitivas, es decir, se han encontrado
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesPrácticas de Ecología Curso 3 Práctica 1: Muestreo
PRÁCTICA 1: MUESTREO Introducción La investigación ecológica se basa en la medición de parámetros de los organismos y del medio en el que viven. Este proceso de toma de datos se denomina muestreo. En la
Más detallesTema 2. Introducción a la Estadística Bayesiana
2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:
Más detalles1. Caso no lineal: ajuste de una función potencial
1. Caso no lineal: ajuste de una función potencial La presión (P) y el volumen (V ) en un tipo de gas están ligados por una ecuación del tipo PV b = a, siendo a y b dos parámetros desconocidos. A partir
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 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 detallesEJERCICIOS RESUELTOS TEMA 7
EJERCICIOS RESUELTOS TEMA 7 7.1. Seleccione la opción correcta: A) Hay toda una familia de distribuciones normales, cada una con su media y su desviación típica ; B) La media y la desviaciones típica de
Más detallesTema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0
Ignacio Martín Tamayo 11 Tema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0 ÍNDICE ------------------------------------------------------------- 1. Introducción 2. Frecuencias 3. Descriptivos 4. Explorar
Más detalles2. Análisis de varianza
1. Análisis de varianza Introducción La estadística inferencial no solo realiza estudios con una muestra, también es necesario trabajar con más de una muestra; las que pueden ser dos o más. Para cada una
Más detallesINTRODUCCIÓN A LA ECONOMETRÍA (LE Y LADE, mañana) Prof. Magdalena Cladera APLICACIONES DE INFERENCIA ESTADÍSTICA DE EXCEL Y SPSS
INTRODUCCIÓN A LA ECONOMETRÍA (LE Y LADE, mañana) Prof. Magdalena Cladera APLICACIONES DE INFERENCIA ESTADÍSTICA DE EXCEL Y SPSS CONTENIDOS APLICACIONES DE INFERENCIA ESTADÍSTICA DE EXCEL... 2 1. Probabilidad...
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesTEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS
ASIGNATURA: ESTADÍSTICA II (Grado ADE,MIM,FBS) TEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS 4.1. Hipótesis estadística. Tipos de hipótesis 4.2. Región crítica y región de aceptación 4.3. Errores
Más detalles