Hipótesis Alternativa H 1 : ϑ Θ 1
|
|
- Ignacio Rodríguez Benítez
- hace 7 años
- Vistas:
Transcripción
1 INFERENCIA ESTADÍSTICA Tema 3.3: Contrastes de signicación Objetivos Dominar el esquema conceptual y el lenguaje propios de los contrastes de hipótesis. Construir contrastes de hipótesis para los parámetros más importantes. Comparar dos medias o dos proporciones muestrales y analizar posibles diferencias signicativas. 1. Elementos básicos en un contraste de hipótesis paramétrico Como siempre va a ser (X 1,..., X n ) una m.a.s. de tamaño n, procedente de X f(x, ϑ) con ϑ desconocido. Supongamos también que Θ es el conjunto de valores posibles del parámetro, denominado espacio paramétrico. Se trata ahora de decidir entre una de dos hipótesis: Hipótesis Nula H 0 : ϑ Θ 0 Hipótesis Alternativa H 1 : ϑ Θ 1 con Θ = Θ 0 Θ 1. La Hipótesis Nula H 0 es siempre una hipótesis conservadora que recoge información histórica acerca del parámetro, mientras que la Hipótesis Alternativa H 1 es la hipótesis de trabajo, que recoge información reciente sobre el parámetro y progresista porque suele informar de un cambio respecto al comportamiento histórico del parámetro. La metodología es asumir cierta H 0 y únicamente rechazarla si se maniestan discrepancias signicativas, no atribuibles al azar; es decir, si el apoyo de H 0 signica asumir que han ocurrido sucesos de probabilidad muy baja. La aceptación de H 0 signicará que no ha habido conclusión estadística o que los datos aportados por la investigación empírica no han sido concluyentes. Por el contrario, el rechazo de H 0 para aceptar H 1 signicará que los datos proporcionados por la investigación empírica están en franco desacuerdo con la hipótesis histórica y diremos entonces que los datos son concluyentes y la hipótesis de trabajo es aceptada. En la aceptación o en el rechazo de H 0 podemos cometer dos tipos de errores. Decisión que se toma Aceptar H 0 Rechazar H 0 Hipótesis H 0 Correcto Error (tipo I) Cierta H A Error (tipo II) Correcto Aunque el error de tipo I, rechazar H 0 cuando H 0 es cierta, tiene más importancia que el error de tipo, aceptar H 0 cuando H 0 es falsa. Si llamamos α a la probabilidad de Página: 1
2 cometer un error de tipo I y β a la probabilidad de cometer un error de tipo II, lo anterior signica que supuesto que nunca será α = β = 0 (a no ser de que observemos a toda la población y con ello nunca nos equivocaremos), deberíamos de llevar a cabo test con α controlado y pequeño. Ejemplo 1.1 En un juicio tendremos que decidir entre dos hipótesis: o el acusado es inocente o el acusado es culpable. Puesto que todos somos inocentes, salvo que se demuestre lo contrario, (H 0 es la hipótesis apoyada por defecto), el test que debemos plantear es: H 0 : El acusado es inocente H 1 : El acusado es culpable En este caso es: α = P (Condenar al acusado, siendo éste inocente) β = P (absolver al acusado, siendo éste culpable) Con el ejemplo anterior vemos que el error tipo 1, con probabilidad α, tiene más trascendencia que el error de tipo, por lo que tendremos que tenerlo a ralla, jando dicha probabilidad de antemano. A dicho valor prejado α se le denomina nivel de signicación. Lo anterior supone que la conclusión a la que lleguemos puede levar consigo un error tipo I, con probabilidad menor o igual que el nivel de signicación α, (que normalmente se preja como 0.05). Si hay dos posibles test para el mismo problema que cumplan lo anterior, elegiremos el que tiene probabilidad de error tipo II más pequeña. Bajo este enfoque en el que le damos más importancia al error de tipo I que al de tipo II, está claro que ha hay que tener sumo cuidado en establecer la hipótesis nula y la hipótesis alternativa. Si derivado de una investigación experimental, surge una hipótesis de trabajo que queremos contrastar, dicha hipótesis debe de ser siempre la hipótesis alternativa, puesto que la probabilidad de aceptarla, cuando es falsa, es precisamente el nivel de signicación α. Efectivamente: P (Rechazar H 0 H 0 cierta) = α = P (Aceptar H 1 H 1 falsa) La metodología seguida en estos tipos de test está basada en las etapas que describimos a continuación:. Método de Construcción Sea (X 1,..., X n ) una m.a.s. de tamaño n, procedente de X f(x, ϑ) con ϑ desconocido. Los pasos a seguir para construir un contraste de hipótesis para el parámetro ϑ son: Página:
3 Metodología para construir un test de hipótesis de nivel de signicación α 1. Planteamiento de las hipótesis a contrastar. Tres tipos de test: el primero denominado test bilateral o de dos colas (test a), y los casos b y c denominados unilaterales o de una sola cola. Test a.- Test b.- Test c.- Hipótesis Nula H 0 : ϑ = ϑ 0 Hipótesis Alternativa H 1 : ϑ ϑ 0 Hipótesis Nula H 0 : ϑ = ϑ 0 Hipótesis Alternativa H 1 : ϑ > ϑ 0 Hipótesis Nula H 0 : ϑ = ϑ 0 Hipótesis Alternativa H 1 : ϑ < ϑ 0. Construir D = g(x 1,..., X n, ϑ 0 ), llamada Estadístico de contraste, que mide la discrepancia entre lo que asevera H 0 y la información muestral. 3. Si H 0 es cierta, la función D tiene distribución conocida. 4. Fijamos el nivel de signicación α y observamos el valor de d de D cuando (X 1,..., X n ) = (x 1,..., x n ). 5. Si el valor observado d pertenece a una región de muy baja probabilidad, supuesto H 0 cierta, tengo dos opciones: o creerme que ha sucedido un suceso de muy baja probabilidad o bien que la hipótesis H 0 es inaceptable, por lo que deberíamos rechazarla. Más concretamente. 6. Construimos una Región de Rechazo, (RR), jado α, en base a la distribución de probabilidad del estadístico de contraste D. La regla es rechazar H 0 si d RR. 7. Alternativamente, puede calcularse lo que denominaremos P-valor, donde P-valor = P (D > d H 0 cierta) mide el grado de apoyo de la muestra a H 0. La regla de decisión es la siguiente: Rechazar H 0 si P valor < α Aceptar H 0 en caso contrario. Página: 3
4 Test de hipótesis para la media µ de una población normal supuesto σ desconocida 1. Planteamiento de las hipótesis a contrastar. Tres tipos de test: Test a.- Test b.- Test c.- Hipótesis Nula H 0 : µ = µ 0 Hipótesis Alternativa H 1 : µ µ 0 Hipótesis Nula H 0 : µ = µ 0 Hipótesis Alternativa H 1 : µ > µ 0 Hipótesis Nula H 0 : µ = µ 0 Hipótesis Alternativa H 1 : µ < µ 0. Consideramos el Estadístico de contraste D = X µ 0, que mide la S n discrepancia entre lo que asevera H 0 y la información muestral. 3. Si H 0 es cierta (µ = µ 0 ), la función D t n 1 4. Fijamos el nivel de signicación α y observamos el valor de d de D cuando (X 1,..., X n ) = (x 1,..., x n ), es decir d = x µ 0 S n. 5. Construimos una Región de Rechazo, (RR), jado α, en base a la distribución de probabilidad del estadístico de contraste D. La regla es rechazar H 0 si d RR. En este caso: Test a.- RR=(, t n 1,1 α ) (t n 1,1 α, + ) Test b.- RR=(t n 1,1 α, + ) Test c.- RR=(, t n 1,1 α ) 6. Alternativamente, puede calcularse lo que denominaremos P-valor, donde, para cada test es: Test a.- P (t n 1 < d ) + P (t n 1 > d ) Test b.- P (t n 1 > d) Test c.- P (t n 1 < d) 7. La regla e decisión es la siguiente: Rechazar H 0 si P valor < α Aceptar H 0 en caso contrario. Ejemplo.1 El proceso de fabricación de un determinado componente industrial produce piezas cuya medida principal está distribuida normalmente de media 5. mm., cuando Página: 4
5 el proceso se encuentra bajo control. Para contrastar si el proceso sigue bajo control se realiza periódicamente una inspección. En una de estas inspecciones una muestra de tamaño 5 arrojó una media muestral de 5.7. y una cuasidesviación típica 1.3 mm. ¾Debemos de parar el proceso o concluir que el proceso está bajo control?. Si planteamos el test El estadístico Hipótesis Nula (proceso bajo control) H 0 : µ = 5. Hipótesis Alternativa (proceso fuera de control) H 1 : µ 5. D = X 5. S n t n 1, si H 0 es cierta Dicho estadístico es observado y toma el valor d = = Si jamos el nivel de signicación como α = 0.05, la región de rechazo es RR=(, t 4,0.975 ) (t 4,0.975, + ) = (,.06) (.06, + ). Como d = 1.9 / RR, debemos concluir que NO hay suciente evidencia y debemos de aceptar que el proceso se encuentra bajo control. En el ejemplo anterior se ha optado por un test bilateral porque suponemos que, en caso de desajuste, el parámetro µ puede moverse hacia arriba o hacia abajo. Pero imaginemos que disponemos de la información de que el parámetro tiende a subir, en caso de desajuste. Si esto es conocido, es más razonable hacer un test unilateral pues estamos teniendo en cuenta esta información y puede haber evidencia estadística donde antes no la había. Evidentemente, en el caso de usar un test unilateral, hay que recordar que la hipótesis de trabajo ha de estar en la hipótesis alternativa. Ejemplo. El proceso de fabricación de un determinado componente industrial produce piezas cuya medida principal está distribuida normalmente de media 5. mm., cuando el proceso se encuentra bajo control. El proceso se puede desajustar provocando que dicha medida principal aumente. Para contrastar si el proceso sigue bajo control se realiza periódicamente una inspección. En una de estas inspecciones una muestra de tamaño 5 arrojó una media muestral de 5.7. y una cuasidesviación típica 1.3 mm.¾debemos de parar el proceso o concluir que el proceso está bajo control?. El estadístico Hipótesis Nula (proceso bajo control) H 0 : µ = 5. Hipótesis Alternativa (proceso fuera de control) H 1 : µ > 5. D = X 5. S n t n 1, si H 0 es cierta Dicho estadístico es observado y toma el valor d = = Página: 5
6 Si jamos el nivel de signicación como α = 0.05, la región de rechazo es RR=(t 4,0.95, + ) = (1.71, + ). Como d = 1.9 RR, debemos concluir que SI hay suciente evidencia y debemos de rechazar H 0 para aceptar que el proceso está fuera de control. 3. Contrastes paramétricos más frecuentes Al igual que en el tema de intervalos de conanza, resolvemos test de hipótesis para un solo parámetro mediante una muestra cuya población depende de dicho parámetro desconocido y para dos parámetros a partir de dos muestras. Para cada parámetro o pareja de parámetros tenemos tres opciones de test: uno bilateral o de dos colas y dos unilaterales o de una sola cola. Los test bilaterales producen resultados cuyas conclusiones son completamente equivalentes a las que se producirían de haberse construido el correspondiente intervalo de conanza. Sin embargo en los test unilaterales es posible restringir el espacio paramétrico, si este hecho es conocido de antemano, tal y como se ha visto en el ejemplo anterior, suponiendo que el parámetro sólo puede moverse en una sola dirección a partir de un valor histórico dado. De poder plantear un test unilateral (no siempre es posible hacer el supuesto de que el parámetro se mueve en una sola dirección), la región de rechazo se concentra en una sola cola de la distribución del estadístico pivote y eso puede suponer apreciar diferencias signicativas cuando no se apreciaban en un test bilateral. De ahí la importancia de seleccionar en cada situación el test oportuno. Las siguientes tablas muestran, la primera para el caso de un solo parámetro y la segunda para dos, las situaciones más frecuentes. Cada situación plantea tres posibles hipótesis alternativas H 1 ϑ 0, H 1 > ϑ 0 y H 1 < ϑ 0, donde ϑ es el parámetro de interés (media, varianza o proporción), de las que tendremos que seleccionar la que reeje nuestra hipótesis de trabajo. La hipótesis nula será H 0 = ϑ 0 para los tres casos. El procedimiento, tal y como hemos visto anteriormente, consistirá en calcular el estadístico de contraste a partir de una muestra y contrastar si dicho valor pertenece o no a la región de rechazo. De ser así concluiremos rechazando H 0 para aceptar nuestra hipótesis de trabajo que se ha concretado en H 1. De no pertenecer el valor del estadístico de contraste a la región de rechazo nuestra hipótesis de trabajo no ha sido avalada por los datos. En esta situación no concluimos que nuestra hipótesis de trabajo sea falsa, sino más bien que los datos no son concluyentes en el sentido de que no ha podido ser aceptada. A modo de resumen, diremos que hay conclusión estadística sólo en el caso del rechazo de la hipótesis nula H 0 para aceptar nuestra hipótesis de trabajo H 1. En el caso de aceptar H 0 y puesto que ésta es una hipótesis débil porque es la que se considera por defecto por razones históricas o por desconocimiento de la actualidad, diremos que no hay conclusión estadística o que los datos no son concluyentes respecto a nuestra hipótesis de trabajo. Página: 6
7 H1 Población Estadístico Distribución Región de Rechazo µ µ0 x µ0 µ > µ0 Normal con σ conocida σ/ n N(0, 1) µ < µ0 µ µ0 x µ0 µ > µ0 Normal con σ desconocida S/ n tn 1 (tn 1,1 α, + ) µ < µ0 (, tn 1,1 α) µ µ0 x µ0 µ > µ0 No normal con σ conocida (n 30) σ/ N(0, 1) n µ < µ0 µ µ0 x µ0 µ > µ0 No normal con σ desconocida (n 30) S/ N(0, 1) n µ < µ0 p p0 p p0 p > p0 Bernoulli (n 30) N(0, 1) p p < p0 0(1 p0) n λ λ0 λ > λ0 λ < λ0 σ σ 0 σ > σ 0 σ < σ 0 Poisson (n 30) Normal con µ desconocida x λ0 λ 0/n (n 1)S σ 0 N(0, 1) χ n 1 (, t n 1,1 α ) (t n 1,1 α, + ) (0, χ n 1, α ) (χ n 1,1 α, + ) (χn 1,1 α, + ) (0, χn 1,α) Página: 7
8 H1 Poblaciones Estadístico Distribución σ 1 σ σ 1 σ σ 1 σ 1 > 1 < 1 µ1 µ 0 µ1 µ > 0 µ1 µ < 0 µ1 µ 0 µ1 µ > 0 µ1 µ < 0 µ1 µ 0 µ1 µ > 0 µ1 µ < 0 µ1 µ 0 µ1 µ > 0 µ1 µ < 0 p1 p 0 p1 p > 0 p1 p < 0 Normales indep., µ1 y µ desconocidas Normales indep., σ1 y σ conocidas Normales indep., σ1 = σ desconocidas No Normales indep., σ1, σ desconocidas n1 > 30, n > 30 Normales apareadas, D = X1 X Bernoulli, indep., (n1 30, n 30) S 1 S x1 x σ 1 + σ n1 n x1 x (n 1 1)S 1 +(n 1)S n1 n n1+n x1 x S 1 + S n1 n D Fn1 1,n 1 N(0, 1) tn1+n tn 1 n SD p1 p ( 1 n1 + 1 n )p 0(1 p0) p0 = n 1 p1 + n p n1 + n ; con aprox. N(0, 1) aprox. N(0, 1) Región de Rechazo (0, F n 1 1,n 1, α ) (F n1 1,n 1,1 α, + ) (Fn1 1,n 1,1 α, + ) (0, Fn1 1,n 1,α) (, t n 1+n,1 α ) (t n1+n,1 α, + ) (tn1+n,1 α, + ) (, tn1+n,1 α) (, t n 1,1 α ) (t n 1,1 α, + ) (tn 1,1 α, + ) (, tn 1,1 α) Página: 8
Objetivos. 1. Intervalos de Conanza y test de hipótesis. Tema 7: Intervalos de Conanza y Contrastes de Hipótesis
Tema 7: Intervalos de Conanza y Contrastes de Hipótesis Objetivos Aplicar los procedimientos de intervalos de conanza y test de hipótesis para medias y proporciones. Interpretar convenientemente los resultados
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesTema 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 detallesEstadística con. Práctica 5: Intervalos de Conanza. Test de Hipótesis. Objetivo. 1. Intervalos y test (una sola muestra)
Estadística con Práctica 5: Intervalos de Conanza. Test de Hipótesis Objetivo En esta práctica aprendemos a aplicar e interpretar las técnicas de intervalos de con- anza y test de hipótesis, seleccionando
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 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 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 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 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 detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más 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 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 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 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 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 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 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 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 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 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 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 SELECTIVIDAD
EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ
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 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 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 detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detallesEstadística Convocatoria de Junio Facultad de Ciencias del Mar. Curso 2009/10 28/06/10
1. El Indice Climático Turístico (ICT), definido por Mieczkowski en 1985 es un índice que toma valores en una escala de 0 a 100 y tiene como objetivo valorar la calidad que ofrece el clima de una región
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 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 detalles= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =
El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64
Más 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 detallesCómo se hace la Prueba t a mano?
Cómo se hace la Prueba t a mano? Sujeto Grupo Grupo Grupo Grupo 33 089 74 5476 84 7056 75 565 3 94 8836 75 565 4 5 704 76 5776 5 4 6 76 5776 6 9 8 76 5776 7 4 78 6084 8 65 45 79 64 9 86 7396 80 6400 0
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 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 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 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 detallesEste procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros:
STATGRAPHICS Re. 4/d/yyyy Pruebas de Hipótesis (Una Muestra) Este procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros: 1. la media μ de una distribución normal.. la desiación
Más 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 detallesESTADISTICA GENERAL. INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales Objetivos Entender los conceptos de estimación puntual y estimación por intervalos. Calcular e interpretar intervalos de confianza
Más 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 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 detallesTAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN
TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más 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 detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
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 detallesJUNIO Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: A
Bloque A JUNIO 2003 1.- Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: 1 0 A = 1 0 A Cuántas matrices A existen con esa condición? Razona tu respuesta.
Más detallesINFERENCIA ESTADÍSTICA
INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesa. N(19 5, 1 2) P(19 X 21) = P( Z ) = = P = P P = = P P = P = = = El 55 72% no son adecuados.
El diámetro de los tubos de cartón para un envase ha de estar entre 19 y 21mm. La maquina prepara tubos cuyos diámetros están distribuidos como una manual de media 19 5mm y desviación típica 1 2mm. Qué
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 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 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 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 detallesTema 12: Contrastes Paramétricos
Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de
Más detallesProblemas resueltos. Temas 10 y 11 11, 9, 12, 17, 8, 11, 9, 4, 5, 9, 14, 9, 17, 24, 19, 10, 17, 17, 8, 23, 8, 6, 14, 16, 6, 7, 15, 20, 14, 15.
Temas 10 y 11. Contrastes paramétricos de hipótesis. 1 Problemas resueltos. Temas 10 y 11 1- las puntuaciones en un test que mide la variable creatividad siguen, en la población general de adolescentes,
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 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 detallesPráctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD
Práctica 5.Métodos descriptivos para determinar la normalidad 1 Práctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD Objetivos: En esta práctica utilizaremos el paquete SPSS para determinar si
Más detallesInclusión de la igualdad en la hipótesis nula
Comunicaciones en Estadística Diciembre 2010, Vol. 3, No. 2 Inclusión de la igualdad en la hipótesis nula Including Equal Sign in Null Hypothesis Jorge Ortiz Pinilla a jorgeortiz@usantotomas.edu.co Hanwen
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Más detallesIntervalos de confianza
Capítulo 5 Intervalos de confianza Como su nombre indica, el objetivo de un estadístico puntual para un parámetro desconocido de una población, es acercarnos al verdadero valor del mismo dando un valor
Más detallesPruebas de Hipótesis H0 : μ = 6 H1 : μ 6 α = 0.05 zα/2 = 1.96 (6-1,96 0,4 ; 6+1,96 0,4) = (5,22 ; 6,78) 5,6 Aceptamos la hipótesis nula H 0 2.
Pruebas de Hipótesis 1. Se sabe que la desviación típica de las notas de cierto examen de Matemáticas es,4. Para una muestra de 6 estudiantes se obtuvo una nota media de 5,6. Sirven estos datos para confirmar
Más 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 detallesAutor Dr. Hernán Rey Ultima actualización: Junio 2010
ENSAYO DE HIPOTESIS Generalidades Errores tipo I y II Región de rechazo Curva característica/de potencia de un ensayo Relación entre ensayo de hipótesis e IC Otra forma de reportar un ensayo Ejemplos de
Más detallesLA FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD DE LA LLUVIA ANUAL CUANDO OCURRE UN CAMBIO CLIMÁTICO
LA FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD DE LA LLUVIA ANUAL CUANDO OCURRE UN CAMBIO CLIMÁTICO Omar Abel Lucero 1 Resumen La lluvia anual es una variable aleatoria frecuentemente utilizada para caracterizar
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 detallesCarrera: EMM Participantes Representante de las academias de ingeniería Electromecánica de los Institutos Tecnológicos.
1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad y Estadística Ingeniería Electromecánica EMM - 0528 3 2 8 2.- HISTORIA
Más detallesTema 3. Comparaciones de dos poblaciones
Tema 3. Comparaciones de dos poblaciones Contenidos Hipótesis para la diferencia entre las medias de dos poblaciones: muestras pareadas Hipótesis para la diferencia entre las medias de dos poblaciones:
Más detallesMuestreo y estimación: problemas resueltos
Muestreo y estimación: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es) M. ISABEL MARRERO RODRÍGUEZ (imarrero@ull.es)
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 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 detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesINFERENCIA DE LA PROPORCIÓN
ESTADISTICA INFERENCIA DE LA PROPORCIÓN DISTRIBUCIÓN MUESTRAL DE PROPORCIONES En una población la proporción de elementos (personas, animales, cosas o entes) que posee una cierta característica es p. En
Más detallesDiferencia de medias. Estadística II Equipo Docente: Iris Gallardo Andrés Antivilo Francisco Marro
Sesión 15 Prueba de Hipótesis para la Diferencia de medias En qué contexto es útil una prueba de hipótesis i para la diferencia i de medias? 1. Cuando se trabaja simultáneamente con una variable categórica
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
Más detallesTema 4. MODELOS DE DISTRIBUCIONES DISCRETOS.
Estadística Tema 4 Curso /7 Tema 4. MODELOS DE DISTRIBUCIONES DISCRETOS. Objetivos Conceptos: Conocer los siguientes modelos discretos de probabilidad: uniforme, binomial, geométrico y Poisson. De cada
Más detallesEJERCICIOS. Curso: Estadística. Profesores: Mauro Gutierrez Martinez Christiam Miguel Gonzales Chávez. Cecilia Milagros Rosas Meneses
EJERCICIOS Curso: Estadística Profesores: Mauro Gutierrez Martinez Christiam Miguel Gonzales Chávez. Cecilia Milagros Rosas Meneses 1. Un fabricante de detergente sostiene que los contenidos de las cajas
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 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 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 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 detallesBioestadística. Curso Capítulo 9
Bioestadística. Curso 2011-2012 Capítulo 9 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. Tablas de contingencia para datos categóricos 2 2.1.
Más detalles6. VARIABLES ALEATORIAS
6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta
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 detallesTEMA 4 ELABORACIÓN Y COMPROBACIÓN DE LAS HIPÓTESIS DE INVESTIGACIÓN
TEMA 4 ELABORACIÓN Y COMPROBACIÓN DE LAS HIPÓTESIS DE INVESTIGACIÓN 1 MODELO LINEAL GENERAL applemodelo estadístico appledescribe una combinación lineal de los efectos aditivos que forman la puntuación
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 detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
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 detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Curso 2016
ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Curso 2016 Ejercicio 1 Una empresa de selección de personal llama a 12 postulantes para una entrevista de empleo. Se sabe por experiencia
Más detalles1. Estadística Descriptiva 9
Índice 1. Estadística Descriptiva 9 1.1. Introducción............................. 9 1.2. Representaciones gráficas..................... 9 1.2.1. Representaciones de datos de tipo cualitativo...... 10
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2015) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2015) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (2 puntos) Se considera el sistema de ecuaciones dependiente del parámetro real a:
Más detallesIngeniería Técnica Industrial, todas especialidades. Ingeniería Técnica Telecomunicaciones, Telemática Problemas de examenes
Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería, Estadística Problemas de examenes: Métodos estadísticos de la ingeniería Ingeniería Técnica
Más detallesMÓDULO 1: GESTIÓN DE CARTERAS
MÓDULO 1: GESTIÓN DE CARTERAS TEST DE EVALUACIÓN 1 Una vez realizado el test de evaluación, cumplimenta la plantilla y envíala, por favor, antes del plazo fijado. En todas las preguntas sólo hay una respuesta
Más detallesJuan Carlos Colonia INTERVALOS DE CONFIANZA
Juan Carlos Colonia INTERVALOS DE CONFIANZA INTERVALOS DE CONFIANZA PARA LOS PARÁMETROS DE DOS POBLACIONES I.C. PARA EL COCIENTE DE VARIANZAS Sean X y dos muestras aleatorias,..., Xn Y,..., Yn independientes
Más detallesUna prueba de hipótesis inicia con una suposición, denominada hipótesis, que hacemos en torno a un parámetro de la población, por ejemplo:
PRUEBA DE HIPÓTESIS El proceso de estimación de parámetros, analizado en el fascículo anterior y las pruebas de hipótesis son los temas medulares de la estadística inferencial. Una prueba de hipótesis
Más detallesTema 6. Estadística Descriptiva e Introducción a la Inferencia Estadística
Tema 6. Estadística Descriptiva e Introducción a la Inferencia Estadística Fuente de los comics: La Estadística en Comic. LarryGonicky Woollcatt Smith. Ed. ZendreraZariquiey, 1999 ESTADÍSTICA ESTADÍSTICA
Más detallesPara ello hacemos lo siguiente: Analizar. o Comparar medias. García Bellido, R.; González Such, J. y Jornet Meliá, J.M.
SPSS: PRUEBA T PRUEBA T PARA MUESTRAS INDEPENDIENTES El procedimiento Prueba T para muestras independientes debe utilizarse para comparar las medias de dos grupos de casos, es decir, cuando la comparación
Más detallesPRUEBAS PARA DOS MUESTRAS RELACIONADAS
PRUEBAS PARA DOS MUESTRAS RELACIONADAS Estos contrastes permiten comprobar si hay diferencias entre las distribuciones de dos poblaciones a partir de dos muestras dependientes o relacionadas; es decir,
Más detalles