Test de Hip otesis 6.3 horarios flexibles un promedio de 5.4 d ıas
|
|
- Eugenio Poblete Ramos
- hace 6 años
- Vistas:
Transcripción
1 Test de Hipótesis Una firma sabe que en cada uno de los añosanterioreslos empleados han faltado un promedio de 6.3 días (sacando las vacaciones). Este año la firma introdujo el sistema de horarios flexibles y eligió una muestra de 100 empleados para seguirlos a lo largo del año. Al final del año esos empleados faltaron un promedio de 5.4 días al trabajo. El equipo de personal se reunió y esta es la conversación que mantienen. 0
2 Investigador (I). Entre otros hechos el horario flexible reduce el ausentismo que pasó de 6.3 a 5.4 días este año. Escéptico (E). Noescierto.Sumuestraessólo de 100 empleados sobre los 5000 de la empresa; por la suerte de la elección han elegido a los empleados más trabajadores. Lo que usted muestra es sólo variación aleatoria. Cuál es el desvío estándar de su muestra? I E I Los días de ausencia promediaron 5.4 con un desvío estándar de 3 días. Ve, la diferencia entre 6.3 y 5.4 es mucho menor que un desvío estándar; luego para mí es mero azar. Bueno, le daré mi explicación. Tiene a los 5000 empleados que son todos igualmente representativos, es como tener 5000 bolillas en una caja, una por cada empleado, que indica cuántos días faltó. 1
3 Ahora sacamos 100 bolillas y la única información que tenemos es sobre esas 100 bolillas. De acuerdo? E I E I E I Sí. Y lo que nos preocupa es conocer el promedio de la caja. Usted dice que aún es 6.3 y yo que descendió. Es cierto, digo que lo observó es debido a la casualidad porque hay demasiados números chicos en su muestra. Entiendo. Una cosa más, como no conocemos el desvío estándar poblacional lo podemos estimar por el de la muestra, osea,por3días. De acuerdo? Sí. Bueno. Entonces ahora el error estándar (SE) para el promedio 3 es =0.3 días
4 E I E I Luego supongamos que está en lo cierto y que el promedio de la población sea aún 6.3 días. Luego debería esperar que el promedio de la muestra esté alrededor de 6.3 y en realidad está ( ) más allá de3seyaque = Hmm... Tenemos suficientes datos como para usar la aproximación normal a la distribución de los promedios y el área a la izquierda de 3 es aproximadamente Es cierto. Bueno, ahora debe hacer su elección. O bien sigue sosteniendo que su promedio es 6.3 días o bien coincide conmigo en que el promedio de ausencia bajó. Si se mantiene en su posición de 6.3 días, necesita un milagro casi para explicar los datos obtenidos pues sólo hay una posibilidad en mil de estar tan lejos de su valor esperado. 2
5 E I E I Bueno, y cuánto piensa que es su valor promedio? Lo estimo por 5.4 ± 0.3 días. Tuvimos entonces una pequeña reducción en los días de ausencia pero es una reducción real, o sea, no la puedo atribuir al azar. Por lo tanto, esto muestra que el horario flexible reduce el ausentismo. No, sólo probamos que el ausentismo bajó. No era sólo debido alasuertealelegirlamuestra. Este ejemplo muestra que el investigador trata de probar la validez de su hipótesis de real disminución del ausentismo por un cálculo aleatorio. Este cálculo es un test de significación. 3
6 TEST DE HIPÓTESIS Hipótesis Nula: Se indica H 0, es la que sostiene que la diferencia observada se debe al azar 4
7 TEST DE HIPÓTESIS Hipótesis Nula: Se indica H 0, es la que sostiene que la diferencia observada se debe al azar Hipótesis Alternativa: Se indica H 1,eslaque sostiene que la diferencia observada es real. En general es la hipótesis que uno quiere probar. 4
8 TEST DE HIPÓTESIS Hipótesis Nula: Se indica H 0, es la que sostiene que la diferencia observada se debe al azar Hipótesis Alternativa: Se indica H 1,eslaque sostiene que la diferencia observada es real. En general es la hipótesis que uno quiere probar. Hipótesis simple: Lahipótesis se dice simple si la suposición de que la hipótesis sea cierta lleva a una sóla función de probabilidad. Si esto no ocurre se dice Hipótesis compuesta. 4
9 Planteo general del problema X F (x, θ), θ Θ, X IR n Θ 0 y Θ 1 tales que Θ 0 Θ 1 = y Θ 0 Θ 1 =Θ. 5
10 Planteo general del problema X F (x, θ), θ Θ, X IR n Θ 0 y Θ 1 tales que Θ 0 Θ 1 = y Θ 0 Θ 1 =Θ. Un test será una regla basada en X para decidir entre las dos hipótesis H 0 : θ Θ 0 contra H 1 : θ Θ 1 5
11 Planteo general del problema X F (x, θ), θ Θ, X IR n Θ 0 y Θ 1 tales que Θ 0 Θ 1 = y Θ 0 Θ 1 =Θ. Un test será una regla basada en X para decidir entre las dos hipótesis H 0 : θ Θ 0 contra H 1 : θ Θ 1 Test una función φ : IR n [0, 1]. 5
12 Planteo general del problema X F (x, θ), θ Θ, X IR n Θ 0 y Θ 1 tales que Θ 0 Θ 1 = y Θ 0 Θ 1 =Θ. Un test será una regla basada en X para decidir entre las dos hipótesis H 0 : θ Θ 0 contra H 1 : θ Θ 1 Test una función φ : IR n [0, 1]. φ es no aleatorizado si toma los valores 0 ó1. 5
13 Planteo general del problema X F (x, θ), θ Θ, X IR n Θ 0 y Θ 1 tales que Θ 0 Θ 1 = y Θ 0 Θ 1 =Θ. Un test será una regla basada en X para decidir entre las dos hipótesis H 0 : θ Θ 0 contra H 1 : θ Θ 1 Test una función φ : IR n [0, 1]. φ es no aleatorizado si toma los valores 0 ó1. Si el test toma valores distintos de 0 y 1 se dice que es un test aleatorizado. 5
14 Test de hipótesis φ(x) =1indica que rechazo H 0 y por lo tanto, se acepta H 1. 6
15 Test de hipótesis φ(x) =1indica que rechazo H 0 y por lo tanto, se acepta H 1. φ(x) =0indica que no se rechaza H 0 6
16 Test de hipótesis φ(x) =1indica que rechazo H 0 y por lo tanto, se acepta H 1. φ(x) =0indica que no se rechaza H 0 Si el test es aleatorizado φ(x) =P (rechazar H 0 X = x) 6
17 Test de hipótesis φ(x) =1indica que rechazo H 0 y por lo tanto, se acepta H 1. φ(x) =0indica que no se rechaza H 0 Si el test es aleatorizado φ(x) =P (rechazar H 0 X = x) La región crítica R, deuntestφ, esel conjunto de puntos X que llevan a la decisión de rechazar H 0 6
18 Test de hipótesis φ(x) =1indica que rechazo H 0 y por lo tanto, se acepta H 1. φ(x) =0indica que no se rechaza H 0 Si el test es aleatorizado φ(x) =P (rechazar H 0 X = x) La región crítica R, deuntestφ, esel conjunto de puntos X que llevan a la decisión de rechazar H 0 La región de aceptación A es el conjunto de puntos X que llevan a aceptar H 0. 6
19 Tipos de errores H 0 es cierta H 1 es cierta Decido aceptar H 0 BIEN ERROR II Decido aceptar H 1 ERROR I BIEN 7
20 Tipos de errores H 0 es cierta H 1 es cierta Decido aceptar H 0 BIEN ERROR II Decido aceptar H 1 ERROR I BIEN Se llamará error de tipo 1 alquesecometeal rechazar H 0, cuando es verdadera. P (ERROR I) =P θ (R) θ Θ 0 7
21 Tipos de errores H 0 es cierta H 1 es cierta Decido aceptar H 0 BIEN ERROR II Decido aceptar H 1 ERROR I BIEN Se llamará error de tipo 1 alquesecometeal rechazar H 0, cuando es verdadera. P (ERROR I) =P θ (R) θ Θ 0 Se llamará error de tipo 2 alquesecometeal aceptar H 0, cuando es falsa. P (ERROR II) =1 P θ (R) θ Θ 1 7
22 Potencia Se llama función de potencia del test φ(x) ala función β φ (θ) =P θ (rechazar H 0 )=P θ (R), 8
23 Potencia Se llama función de potencia del test φ(x) ala función β φ (θ) =P θ (rechazar H 0 )=P θ (R), Para todo test se tiene β φ (θ) =E θ (φ(x)). 8
24 Potencia Se llama función de potencia del test φ(x) ala función β φ (θ) =P θ (rechazar H 0 )=P θ (R), Para todo test se tiene β φ (θ) =E θ (φ(x)). P (ERROR I) =β φ (θ) para θ Θ 0. P (ERROR II) =1 β φ (θ) para θ Θ 1. 8
25 Por qué aleatorizar Muestra de n = 10 compradores, θ probabilidad de que un comprador elegido al azar compre un auto de esa marca. H 0 : θ =1/2 contra H 1 θ<1/2 X =número de compradores de autos de esa marca entre los 10 elegidos X Bi(10,θ)
26 Por qué aleatorizar φ k (X) = 1 si X k 0 si X>k
27 Por qué aleatorizar φ k (X) = 1 si X k 0 si X>k β φ3 (0.5) = < 0.25 β φ4 (0.5) = >
28 Por qué aleatorizar φ k (X) = 1 si X k 0 si X>k β φ3 (0.5) = < 0.25 β φ4 (0.5) = > 0.25 φ(x) = 1 si X<4 γ si X =4 0 si X>4 10
29 Por qué aleatorizar φ k (X) = 1 si X k 0 si X>k φ(x) = β φ (0.5) = 0.25 β φ3 (0.5) = < 0.25 β φ4 (0.5) = > si X<4 γ =0.074 si X =4 0 si X>4 10
30 β φ2 (0.5) = Potencia de φ 2 (X) φ 2 (X) = 1 si X 2 0 si X>
31 potencia Función de Potencia theta 12
32 Función de Potencia potencia n=10 n=20 n=40 n= theta 12
33 Nivel de significación El nivel de significación de un test φ: α = sup θ Θ 0 β φ (θ) 13
34 Nivel de significación El nivel de significación de un test φ: α = sup θ Θ 0 β φ (θ) X F (x, θ) H 0 : θ Θ 0 H 1 : θ Θ 1 φ es el test más potente de nivel menor o igual que α para una alternativa fija θ 1 Θ 1 si (a) sup θ Θ 0 β φ (θ) α 13
35 Nivel de significación El nivel de significación de un test φ: α = sup θ Θ 0 β φ (θ) X F (x, θ) H 0 : θ Θ 0 H 1 : θ Θ 1 φ es el test más potente de nivel menor o igual que α para una alternativa fija θ 1 Θ 1 si (a) sup θ Θ 0 β φ (θ) α (b) Dado φ de nivel menor o igual que α se tiene β φ (θ 1 ) β φ (θ 1 ) 13
36 TEST UMP φ es un test uniformemente más potente, UMP, de nivel menor o igual que α para si H 0 : θ Θ 0 H 1 : θ Θ 1 (a) sup θ Θ 0 β φ (θ) α (b) Dado φ de nivel menor o igual que α se tiene β φ (θ 1 ) β φ (θ 1 ) θ 1 Θ 1 14
37 Nivel Crítico El nivel crítico o p-valor es el menor valor de significación para el que rechazamos la hipótesis H 0 para una observación dada x. 15
38 Teorema de Neyman Pearson H 0 : θ = θ 0 H 1 : θ = θ 1 16
39 Teorema de Neyman Pearson H 0 : θ = θ 0 H 1 : θ = θ 1 X es un vector discreto (o continuo) bajo θ 0 y θ 1. Las funciones de densidad correspondientes son f(x, θ 0 ) y f(x, θ 1 ). 16
40 Teorema de Neyman Pearson H 0 : θ = θ 0 H 1 : θ = θ 1 X es un vector discreto (o continuo) bajo θ 0 y θ 1. Las funciones de densidad correspondientes son f(x, θ 0 ) y f(x, θ 1 ). L 10 = f(x, θ 1) f(x, θ 0 ) 16
41 Teorema de Neyman Pearson H 0 : θ = θ 0 H 1 : θ = θ 1 X es un vector discreto (o continuo) bajo θ 0 y θ 1. Las funciones de densidad correspondientes son f(x, θ 0 ) y f(x, θ 1 ). L 10 = f(x, θ 1) f(x, θ 0 ) k α 16
42 Teorema de Neyman Pearson H 0 : θ = θ 0 H 1 : θ = θ 1 X es un vector discreto (o continuo) bajo θ 0 y θ 1. Las densidades son f(x, θ 0 )yf(x, θ 1 ). L 10 = f(x, θ 1) f(x, θ 0 ) k α φ(x) = 1 si f(x, θ 1 ) >k α f(x, θ 0 ) γ α si f(x, θ 1 )=k α f(x, θ 0 ) (1) 0 si f(x, θ 1 ) <k α f(x, θ 0 ) 16
43 Teorema de Neyman Pearson (i) Dado 0 <α 1 se pueden elegir k α y γ α,0 γ α 1, tales que el test (1) satisfaga β φ (θ 0 )=α. Si α =0eltest tiene nivel 0. φ(x) = 1 si f(x, θ 0 )=0 0 si f(x, θ 0 ) > 0 (2) (ii) Sea φ un test de la forma (1) que satisface β φ (θ 0 )=α para α>0ydelaforma(2) para α =0. Luegoφ es el más potente de nivel menor o igual que α para H 0 : θ = θ 0 contra H 1 : θ = θ 1 16
44 Teorema de Neyman Pearson (iii) Si φ es un UMP de nivel α>0para H 0 : θ = θ 0 contra H 1 : θ = θ 1 entonces φ es de la forma φ(x) = 1 si f(x, θ 1 ) >k α f(x, θ 0 ) γ α (x) si f(x, θ 1 )=k α f(x, θ 0 ) 0 si f(x, θ 1 ) <k α f(x, θ 0 ) (3) excepto en N tal que P θ0 (N )=P θ1 (N )=0. 17
45 Teorema de Neyman Pearson Si φ es un UMP de nivel 0 para H 0 : θ = θ 0 contra H 1 : θ = θ 1 entonces φ es de la forma (2) excepto en N tal que P θ0 (N )=P θ1 (N )=0. 18
46 Caso Normal X 1,...,X n m.a. N(µ, σ 2 0) σ 2 0 conocido, H 0 : µ = µ 0 contra H 1 : µ = µ 1 con µ 1 >µ 0 19
47 Caso Normal X 1,...,X n m.a. N(µ, σ 2 0) σ 2 0 conocido, H 0 : µ = µ 0 contra H 1 : µ = µ 1 con µ 1 >µ 0 El test UMP de nivel α es φ 1 (X 1,...,X n )= 1 si n (X µ 0) σ 0 0 si n (X µ 0) σ 0 z α <z α 19
48 Caso Normal X 1,...,X n m.a. N(µ, σ 2 0) σ 2 0 conocido, H 0 : µ = µ 0 contra H 1 : µ = µ 1 con µ 1 >µ 0 El test UMP de nivel α es φ 1 (X 1,...,X n )= 1 si n (X µ 0) σ 0 0 si n (X µ 0) σ 0 φ 1 es UMP de nivel α para H 0 : µ = µ 0 contra H 1 : µ>µ 0 β φ1 (µ) =1 Φ ( z α + n (µ 0 µ) σ 0 ) z α <z α 19
49 Caso Normal X 1,...,X n m.a. N(µ, σ 2 0) σ 2 0 conocido, H 0 : µ = µ 0 contra H 1 : µ = µ 1 con µ 1 <µ 0 20
50 Caso Normal X 1,...,X n m.a. N(µ, σ 2 0) σ 2 0 conocido, H 0 : µ = µ 0 contra H 1 : µ = µ 1 con µ 1 <µ 0 El test UMP de nivel α es φ 2 (X 1,...,X n )= 1 si n (X µ 0) σ 0 0 si n (X µ 0) σ 0 z α > z α 20
51 Caso Normal X 1,...,X n m.a. N(µ, σ 2 0) σ 2 0 conocido, H 0 : µ = µ 0 contra H 1 : µ = µ 1 con µ 1 <µ 0 El test UMP de nivel α es φ 2 (X 1,...,X n )= φ 2 es UMP de nivel α para 1 si n (X µ 0) σ 0 0 si n (X µ 0) σ 0 z α > z α β φ2 (µ) =Φ ( H 0 : µ = µ 0 contra H 1 : µ<µ 0 z α + n (µ 0 µ) σ 0 ) 20
52 Caso Normal X 1,...,X n m.a. N(µ, σ 2 0) σ 2 0 conocido, φ 1 tiene función de potencia creciente Es UMP de nivel α para H 0 : µ µ 0 contra H 1 : µ>µ 0 φ 2 tiene función de potencia decreciente Es UMP de nivel α para H 0 : µ µ 0 contra H 1 : µ<µ 0 21
53 Familias de CVM Una familia de distribuciones discretas o continuas con densidad (o función de probabilidad puntual) f(x,θ), θ Θ IR se dice de cociente de verosimilitud monótono (CVM) en T = T (X), si para todo θ 1 <θ 2 (i) Las distribuciones correspondientes a f(x,θ 1 )y f(x,θ 2 )sondistintas (ii) f(x,θ 2) f(x,θ 1 ) = g θ 1 θ 2 (T (x)), donde g θ1 θ 2 (t) es una función no decreciente en el conjunto S = {t : t = T (x) con f(x,θ 1 ) > 0ó f(x,θ 2 ) > 0} 22
54 Familias de CVM: Teorema Sea X f(x,θ) con θ Θ IR, perteneciente a una familia de CVM en T = T (X). Luego (i) Existen k α y γ α tales que φ(x) = 1 si T>k α γ α si T = k α (4) 0 si T<k α satisface E θ0 (φ(x)) = α. (5) (ii) Sea φ es un test de la forma (4) que satisface (5). Luego φ es el test UMP de nivel menor o igual que α>0 para H 0 : θ = θ 0 contra H 1 : θ>θ 0. 23
55 Familias de CVM: Teorema (iii) β φ (θ) esmonótona no decreciente para todo θ y estrictamente creciente para todo θ tal que 0 <β φ (θ) < 1. (iv) Sea φ un test de la forma (4) que satisface (5). Luego, φ es el test UMP de nivel menor o igual que α>0 para H 0 : θ θ 0 contra H 1 : θ>θ 0. 24
56 Familias de CVM: Teorema Sea X f(x,θ) con θ Θ IR, perteneciente a una familia de CVM en T = T (X). Luego (i) Existen k α y γ α tales que φ(x) = 1 si T<k α γ α si T = k α (6) 0 si T>k α satisface E θ0 (φ(x)) = α. (7) (ii) Sea φ es un test de la forma (6) que satisface (7). Luego φ es el test UMP de nivel menor o igual que α>0 para H 0 : θ = θ 0 contra H 1 : θ<θ 0. 25
57 Familias de CVM: Teorema (iii) β φ (θ) esmonótona no creciente para todo θ y estrictamente decreciente para todo θ tal que 0 <β φ (θ) < 1. (iv) Sea φ un test de la forma (6) que satisface (7). Luego, φ es el test UMP de nivel menor o igual que α>0 para H 0 : θ θ 0 contra H 1 : θ<θ 0. 25
58 d 0 = Decido aceptar H 0 d 1 = Decido aceptar H 1 Riesgo 26
59 d 0 = Decido aceptar H 0 d 1 = Decido aceptar H 1 Riesgo L(θ, d 0 ) L(θ, d 1 ) = I Θ1 (θ) = I Θ0 (θ) 26
60 d 0 = Decido aceptar H 0 d 1 = Decido aceptar H 1 Riesgo L(θ, d 0 ) L(θ, d 1 ) R(θ, φ) = I Θ1 (θ) = I Θ0 (θ) = L(θ, d 1 )β φ (θ)+l(θ, d 0 )(1 β φ (θ)) = 1 β φ (θ) θ Θ 1 β φ (θ) θ Θ 0 26
61 Clase Esencialmente Completa a) Un test φ 1 se dice tan bueno como φ 2 si R(θ, φ 1 ) R(θ, φ 2 ) θ Θ 27
62 Clase Esencialmente Completa a) Un test φ 1 se dice tan bueno como φ 2 si R(θ, φ 1 ) R(θ, φ 2 ) θ Θ b) Un test φ 1 se dice mejor que φ 2 si R(θ, φ 1 ) R(θ, φ 2 ) θ Θ θ : R( θ, φ 1 ) < R( θ, φ 2 ) 27
63 Clase Esencialmente Completa a) Un test φ 1 se dice tan bueno como φ 2 si R(θ, φ 1 ) R(θ, φ 2 ) θ Θ b) Un test φ 1 se dice mejor que φ 2 si R(θ, φ 1 ) R(θ, φ 2 ) θ Θ θ : R( θ, φ 1 ) < R( θ, φ 2 ) Una clase C se dice esencialmente completa si φ/ C, φ 0 Ctal que φ 0 es tan bueno como φ. 27
64 Clase Esencialmente Completa: Corolario Sea X f(x,θ) con θ Θ IR, perteneciente a una familia de CVM en T = T (X). Para todo test φ y θ 0 Θ tal que 0 <E θ0 (φ ) < 1, existe un test φ de la forma (4) tal que β φ (θ) β φ (θ) θ θ 0 β φ (θ) β φ (θ) θ θ 0 28
65 Clase Esencialmente Completa: Corolario Sea X f(x,θ) con θ Θ IR, perteneciente a una familia de CVM en T = T (X). Para todo test φ y θ 0 Θ tal que 0 <E θ0 (φ ) < 1, existe un test φ de la forma (4) tal que β φ (θ) β φ (θ) θ θ 0 β φ (θ) β φ (θ) θ θ 0 La clase C de los tests de la forma (4) es esencialmente completa para este problema tomando como pérdida los indicadores. 28
66 Lema de Neyman Pearson generalizado Sean f 0 (x),f 1 (x),...,f l (x) funciones integrables en IR. Sea φ 0 (x) cualquier función integrable de la forma φ 0 (x) = 1 si f 0 (x) > γ(x) si f 0 (x) = 0 si f 0 (x) < l i=1 l i=1 l i=1 k i f i (x) k i f i (x) k i f i (x) (8) 29
67 Lema de Neyman Pearson generalizado a) φ 0 maximiza φ(x)f 0 (x)dx entre todas las funciones 0 φ 1talesque φ(x)f j (x)dx = φ 0 (x)f j (x)dx 1 j l b) Si además k j 0 entonces φ 0 maximiza φ(x)f 0 (x)dx entre todas las funciones 0 φ 1talesque φ(x)f j (x)dx φ 0 (x)f j (x)dx 1 j l 30
68 Lema de Neyman Pearson generalizado c) Si φ maximiza funciones 0 φ 1talesque φ(x)f j (x)dx = entonces φ es de la forma (8) φ(x)f 0 (x)dx entre todas las φ (x)f j (x)dx 1 j l 31
69 H 0 : θ 1 θ θ 2 H 1 : θ>θ 2 o θ<θ 1 f(x, θ) =A(θ) exp{θ x}h(x) 32
70 H 0 : θ 1 θ θ 2 H 1 : θ>θ 2 o θ<θ 1 f(x, θ) =A(θ) exp{θ x}h(x) Diremos que φ es un bilateral si es de la forma φ(x) = (9) 1 si x<x 1 o x>x 2 γ i si x = x i 0 si x 1 <x<x 2 0 γ i 1, x 1 x
71 H 0 : θ 1 θ θ 2 H 1 : θ>θ 2 o θ<θ 1 f(x, θ) =A(θ) exp{θ x}h(x) Sean φ un test cualquiera y sean θ 1 <θ 2. Entonces a) Existe un test bilateral φ tal que β φ (θ i )=β φ (θ i ), i =1, 2. b) Dado cualquier test bilateral φ que cumpla a) se tiene β φ (θ) β φ (θ) = 0 θ 1 <θ<θ 2 0 θ<θ 1 o θ>θ 2 33
72 H 0 : θ = θ 0 H 1 : θ θ 0 f(x, θ) =A(θ) exp{θ x}h(x) 34
73 H 0 : θ = θ 0 H 1 : θ θ 0 f(x, θ) =A(θ) exp{θ x}h(x) β θ φ(θ) = E θ (Xφ(X)) E θ (φ(x))e θ (X) 34
74 H 0 : θ = θ 0 H 1 : θ θ 0 f(x, θ) =A(θ) exp{θ x}h(x) Sean φ un test cualquiera y sean θ 0 Θ. Entonces a) Existe un test bilateral φ tal que β φ (θ 0 ) = β φ (θ 0 ) (10) θ β φ(θ) θ=θ0 = θ β φ (θ) θ=θ0 (11) b) Dado cualquier test bilateral φ que cumpla (10) y (11) se tiene β φ (θ) β φ (θ) θ 35
75 TEST IUMP Un test φ de nivel α para H 0 : θ Θ 0 versus H 1 : θ Θ 1,sediceinsesgado si β φ (θ) α θ Θ 1 36
76 TEST IUMP Un test φ de nivel α para H 0 : θ Θ 0 versus H 1 : θ Θ 1,sediceinsesgado si β φ (θ) α θ Θ 1 φ es un test IUMP de nivel α si i) sup θ Θ 0 β φ (θ) =α 36
77 TEST IUMP Un test φ de nivel α para H 0 : θ Θ 0 versus H 1 : θ Θ 1,sediceinsesgado si β φ (θ) α θ Θ 1 φ es un test IUMP de nivel α si i) sup θ Θ 0 β φ (θ) =α ii) φ es insesgado 36
78 TEST IUMP Un test φ de nivel α para H 0 : θ Θ 0 versus H 1 : θ Θ 1,sediceinsesgado si β φ (θ) α θ Θ 1 φ es un test IUMP de nivel α si i) sup θ Θ 0 β φ (θ) =α ii) φ es insesgado iii) para todo φ tal que se verifica a) sup β φ (θ) =α θ Θ 0 b) φ es insesgado β φ (θ) β φ (θ) θ Θ 1 36
79 TEST IUMP: H 0 : θ 1 θ θ 2 H 1 : θ>θ 2 o θ<θ 1 f(x, θ) =A(θ) exp{θ x}h(x) Todo test bilateral φ(x) = 1 si x<x 1 o x>x 2 γ i si x = x i 0 si x 1 <x<x 2 tal que (x i,γ i ) se eligen de modo que β φ (θ i )=α es IUMP de nivel α para H 0 versus H 1. 37
80 TEST IUMP: H 0 : θ = θ 0 H 1 : θ θ 0 f(x, θ) =A(θ) exp{θ x}h(x) Todo test bilateral φ(x) = 1 si x<x 1 o x>x 2 γ i si x = x i 0 si x 1 <x<x 2 tal que (x i,γ i ) se eligen de modo que β φ (θ 0 )=α y θ β φ(θ) =0 θ=θ0 es IUMP de nivel α para H 0 versus H 1. 38
81 Test de Cociente de Máxima verosimilitud X f(x, θ), θ Θ y se quiere testear H 0 : θ Θ 0 versus H 1 : θ Θ 1 Θ 0 Θ 1 =Θ θ 0 : Estimador de máxima verosimilitud de θ, suponiendo θ Θ 0 θ 1 : Estimador de máxima verosimilitud de θ, suponiendo θ Θ 1 f(x, θ 0 ) f(x, θ 1 ) = maxf(x, θ) θ Θ 0 = maxf(x, θ) θ Θ 1 39
82 Test de Cociente de Máxima verosimilitud X f(x, θ), θ Θ y se quiere testear H 0 : θ Θ 0 versus H 1 : θ Θ 1 Θ 0 Θ 1 =Θ φ(x) = L 10 = f(x, θ 1 ) f(x, θ 0 ) k α 1 si f(x, θ 1 ) >k α f(x, θ 0 ) γ α si f(x, θ 1 )=k α f(x, θ 0 ) 0 si f(x, θ 1 ) <k α f(x, θ 0 ) 40
83 Test de Cociente de Máxima verosimilitud X f(x, θ), θ Θ y se quiere testear H 0 : θ Θ 0 versus H 1 : θ Θ 1 Θ 0 Θ 1 =Θ L(X) = 1 L 10 = f(x, θ 0 ) f(x, θ 1 ) k α φ(x) = 1 si L(X) <k α γ α si L(X) =k α 0 si L(X) >k α 41
84 Test de Cociente de Máxima verosimilitud X f(x, θ), θ Θ y se quiere testear H 0 : θ Θ 0 versus H 1 : θ Θ 1 Θ 0 Θ 1 =Θ φ(x) = L(X) = sup f(x,θ) θ Θ 0 sup f(x,θ) θ Θ 1 1 si L(X) <k α γ α si L(X) =k α 0 si L(X) >k α 42
85 Test de Cociente de Máxima verosimilitud X f(x, θ), θ Θ y se quiere testear H 0 : θ Θ 0 versus H 1 : θ Θ 1 Θ 0 Θ 1 =Θ Si φ(x) = sup f(x,θ) =supf(x,θ) θ Θ 1 θ Θ 1 si L (X) <k α γ α L (X) = si L (X) =k α 0 si L (X) >k α sup θ Θ 0 f(x,θ) sup θ Θ f(x,θ) 43
86 Distribución T n ( ) Distribución de Student no central con n grados de libertad y parámetro de no centralidad : T n ( ) es la distribución de U + V/n con U N(0, 1), V χ 2 n yademás U y V son independientes. Sea X T n ( ), c n,k ( ) = P (X k), = c n,k ( ) es una función monótona creciente de. 43
87 Test de CMV para H 0 : µ µ 0 versus H 1 : µ µ 0 X 1,...,X n i.i.d X i N(µ, σ 2 ), (µ, σ 2 ) desconocidos. ni=1 s 2 (X i X) 2 =. n 1 El test de cociente de máxima verosimilitud es cumple φ 1 (X 1,...,X n )= β ϕ (µ 0,σ)=α 1 si n (X µ 0) s 0 si n (X µ 0) s σ t n 1,α <t n 1,α 44
88 Test de CMV para H 0 : µ µ 0 versus H 1 : µ µ 0 X 1,...,X n i.i.d X i N(µ, σ 2 ), (µ, σ 2 ) desconocidos. El test de cociente de máxima verosimilitud es φ 1 (X 1,...,X n )= Sea = n(µ µ 0 )/σ, 1 si n (X µ 0) s 0 si n (X µ 0) s t n 1,α <t n 1,α β ϕ (µ, σ 2 )=P µ,σ 2(T t n 1,α )=c n 1,tn 1,α ( ). sup µ µ 0 σ>0 β ϕ (µ, σ 2 )=β ϕ (µ 0, 1) 45
89 Test con nivel asintótico X 1,...,X n m.a. X i F (x, θ), θ Θ H 0 : θ Θ 0 contra H 1 : θ Θ 1. Se dirá que una sucesión de test φ n (X 1,...,X n )tiene nivel de significación asintótico α si lim sup β φn (θ) =α n θ Θ 0 45
90 Distribución asintótica del test de CMV X =(X 1,...,X n ) f(x, θ) con θ =(θ 1,...,θ p ) Θ IR p que contiene una esfera. Θ 0 es un conjunto de dimensión p j, 1 j p. H 0 : θ Θ 0 versus H 1 : θ Θ 1,conΘ=Θ 0 Θ 1. L (X) = sup f(x, θ) θ Θ 0 sup f(x, θ). θ Θ Bajo condiciones de regularidad generales en f(x, θ), 2lnL D (X) χ 2 j cuando θ Θ 0. 45
91 Distribución asintótica del test de CMV = Un test de nivel de significación asintótico α está dado por φ(x) = 1 si 2lnL (X) χ 2 j,α 0 si 2lnL (X) <χ 2 j,α 45
92 Distribución asintótica del test de CMV X 1,...,X n i.i.d. X 1 f(x, θ) con θ Θ y Θ un abierto en IR.Sea f(x,θ) la densidad conjunta de X =(X 1,...,X n ). Supongamos que se cumplen las siguientes condiciones (A) El conjunto S = {x : f(x, θ) > 0} es independiente de θ. (B) Para todo x S, f(x, θ) tiene derivada tercera respecto de θ continua y tal que 3 ln f(x, θ) θ 3 = ψ(x, θ) = 2 ψ(x, θ) θ 2 K x S θ Θ ln f(x, θ) θ. 46
93 Distribución asintótica del test de CMV (C) Si h(x) es un estadístico tal que E θ [ h(x) ] <, θ Θ [ ]... h(x)f(x,θ)dx =... h(x) f(x,θ) dx θ θ [ ( ) ] 2 ln f(x1,θ) (D) 0 <I 1 (θ) =E θ θ Sea θ n un EMV de θ consistente, L (X) = f(x,θ 0 ) sup θ Θ <. f(x,θ) = f(x,θ 0) f(x, θ n ). = U = 2ln(L (X)) D χ
94 El test Distribución asintótica del test de CMV φ(x) = 1 si U χ 2 1,α 0 si U<χ 2 1,α tiene nivel de significación asintótico α. U = 2ln(L (X)) 46
Definición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesTests de Hipótesis basados en una muestra. ESTADÍSTICA (Q) 5. TESTS DE HIPÓTESIS PARA LA MEDIA DE UNA POBLACIÓN NORMAL CON VARIANZA CONOCIDA
2 5. TESTS DE HIPÓTESIS PARA LA MEDIA DE UNA POBLACIÓN NORMAL CON VARIANZA CONOCIDA 5. Desarrollo de un ejemplo Interesa saber si el método de absorción atómica de vapor frío para determinar mercurio introduce
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesPLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07
PLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07 TEMAS A ESTUDIAR En esta guía nos dedicaremos a estudiar el tema de Estimación por intervalo y comenzaremos a estudiar las pruebas de hipótesis paramétricas.
Más detallesTema 5: Contraste de hipótesis
Tema 5: Contraste de hipótesis 1 (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Conceptos fundamentales: hipótesis nula y alternativa,
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesTests de Hipotesis en Base al Principio de Verosimilitud
Tests de Hipotesis en Base al Principio de Verosimilitud Universidad de San Andres, Argentina Conceptos basicos Y f(y; θ), θ Θ R K. θ es un vector de K parametros. Θ es el espacio de parametros : conjunto
Más detallesCUESTIONES TEÓRICAS ESTADÍSTICA
Gestión Aeronáutica: Estadística Teórica Facultad Ciencias Económicas y Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández CUESTIONES TEÓRICAS ESTADÍSTICA Gestión
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más 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 detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesVerificación de hipótesis paramétricas
Verificación de hipótesis paramétricas Mª Isabel Aguilar, Eugenia Cruces y Bárbara Díaz UNIVERSIDAD DE MÁLAGA Departamento de Economía Aplicada (Estadística y Econometría) Parcialmente financiado a través
Más detallesConceptos básicos de inferencia estadística (II): Contrastes de hipótesis (repaso)
Conceptos básicos de inferencia estadística (II): Contrastes de hipótesis (repaso) Tema 1 (II) Estadística 2 Curso 08/09 Tema 1 (II) (Estadística 2) Contrastes de hipótesis Curso 08/09 1 / 21 Contrastes
Más 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 Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesEXAMEN DE ESTADÍSTICA Junio 2011
EXAMEN DE ESTADÍSTICA Junio 2011 Apellidos: Nombre: DNI: GRUPO: 1. Sea X una variable aleatoria discreta. Determine el valor de k para que la función p(x) { k/x x 1, 2, 3, 4 0 en otro caso sea una función
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesContraste de Hipótesis
Contraste de Hipótesis Introducción Ejemplo El peso de plantines de un arbusto forrajero, almacenado a temperatura y humedad relativa ambientes, obtenido a los 20 días desde la germinación es en promedio
Más detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
Más detallesEjemplos Resueltos Tema 4
Ejemplos Resueltos Tema 4 2012 1. Contraste de Hipótesis para la Media µ (con σ conocida) Dada una muestra de tamaño n y conocida la desviación típica de la población σ, se desea contrastar la hipótesis
Más detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más detallesResumen. Recordemos que una cópula es una función C : I 2 I tal que: C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 ) + C(u 1, v 1 ) 0. (2)
Contenido 1 2 3 Cópula Empírica Cópula Kernel Resumen Recordemos que una cópula es una función C : I 2 I tal que: 1 Para cualesquiera u, v en I := [0, 1] C(u, 0) = 0 = C(0, v), C(u, 1) = u, C(1, v) = v.
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detalles6. Inferencia con muestras grandes. Informática. Universidad Carlos III de Madrid
6. Inferencia con muestras grandes 1 Tema 6: Inferencia con muestras grandes 1. Intervalos de confianza para μ con muestras grandes 2. Determinación del tamaño muestral 3. Introducción al contraste de
Más detallesCap. 7 : Pruebas de hipótesis
Cap. 7 : Pruebas de hipótesis Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 20 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de sistemas,
Más detallesPrueba de Hipótesis. Una hipótesis estadística es un supuesto que se establece sobre las características de una distribución poblacional
Una hipótesis estadística es un supuesto que se establece sobre las características de una distribución poblacional El estudio se plantea para la toma de decisión, es decir aceptar o rechazar el supuesto
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesBioestadística: Inferencia Estadística. Análisis de Una Muestra
Bioestadística: Inferencia Estadística. Análisis de Una Muestra M. González Departamento de Matemáticas. Universidad de Extremadura Estimación Puntual e Intervalos de Confianza Planteamiento del Problema
Más detallesESTADÍSTICA 1 o CC. Ambientales Tema 4: Contrastes de hipótesis paramétricas
ESTADÍSTICA 1 o CC. Ambientales Tema 4: Contrastes de hipótesis paramétricas Planteamiento del problema. Hipótesis nula y alternativa. Región de rechazo. Metodología para contrastar hipótesis. Errores
Más detallesTema 7. Contrastes de Hipótesis
7.1. Conceptos básicos Tema 7. Contrastes de Hipótesis Uno de los problemas comunes en inferencia consiste en contrastar una hipótesis estadística. Ejemplo: El fabricante de un determinado tipo de piezas
Más detallesTema 4: Estimación por intervalo (Intervalos de Confianza)
Tema 4: Estimación por intervalo (Intervalos de Confianza (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/ y A. Alonso (http://www.est.uc3m.es/amalonso/ 1 Planteamiento del problema: IC
Más detallesMLG Ana M. Bianco FCEyN
MLG Ana M. Bianco FCEyN 2008 44 Propiedades de los Estimadores de Máxima Verosimilitud Recordemos que si la variable aleatoria Y tiene función de densidad (f.d.)o probabilidad puntual (f.p.p.)f(y, θ),
Más detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detallesIntroducción a la Inferencia Estadística
Introducción a la Inferencia Estadística Prof. Jose Jacobo Zubcoff Universidad de Alicante 2008 1 Introducción En este tema explicaremos los contrastes para la media de una población normal. e estudiarán
Más detallesTécnicas de Inferencia Estadística II. Tema 1. Introducción a los contrastes de
Técnicas de Inferencia Estadística II Tema 1. Introducción a los contrastes de hipótesis Conchi Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2015/16 Contenidos 1. Definición
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesConceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
Más detallesContrastes sobre la media Sea X 1, X 2,..., X n una m.a.s. extraída de una población normal X con media desconocida µ. Se desea contrastar:
sobre la media Sea X 1, X 2,..., X n una m.a.s. extraída de una población normal X con media desconocida µ. Se desea contrastar: H 0 : µ = µ 0 Si H 0 es cierta, X N(µ 0, σ), de donde D 1 = X µ 0 n σ N(0,
Más detallesCaso particular: Contraste de homocedasticidad
36 Bioestadística: Métodos y Aplicaciones 9.5.5. Caso particular: Contraste de homocedasticidad En la práctica un contraste de gran interés es el de la homocedasticidad o igualdad de varianzas. Decimos
Más detallesEstadística Inferencial. Resúmen
Ofimega - Estadística inferencial - 1 Estadística Inferencial. Resúmen Métodos y técnicas que permiten inducir el comportamiento de una población. Muestreo o selección de la muestra: 1. Aleatorio simple:
Más detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
Más detallesPrincipios de Bioestadística
Principios de Bioestadística Dra. Juliana Giménez www.cii.org.ar Nos permite Llegar a conclusiones correctas acerca de procedimientos para el diagnostico Valorar protocolos de estudio e informes Se pretende
Más detalles4. Prueba de Hipótesis
4. Prueba de Hipótesis Como se ha indicado anteriormente, nuestro objetivo al tomar una muestra es extraer alguna conclusión o inferencia sobre una población. En nuestro interés es conocer acerca de los
Más detallesPodemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para
VII. Pruebas de Hipótesis VII. Concepto de contraste de hipótesis Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad
Más detallesUNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES ESCUELA DE SOCIOLOGÍA DEPARTAMENTO DE ESTADÍSTICA INFERENCIA ESTADÍSTICA
UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES ESCUELA DE SOCIOLOGÍA DEPARTAMENTO DE ESTADÍSTICA INFERENCIA ESTADÍSTICA ANOTACIONES SOBRE CONSTRASTE DE Prof. Simón Cabrera
Más detallesPráctica 5 Martingalas a tiempo discreto
Práctica 5 Martingalas a tiempo discreto 1. Tiempos de Parada A lo largo de esta sección vamos a fijar un espacio de probabilidad (Ω, F, P ) junto con una filtración (F n ) n N definida en este espacio.
Más detallesPruebas de Hipótesis
Pruebas de Hipótesis Tipos de errores Se pueden cometer dos tipos de errores: Decisión Población Ho es erdadera Ho es falsa No rechazar Ho Decisión correcta. Error tipo II Rechazar Ho Error tipo I Decisión
Más detallesEstadística I Tema 7: Estimación por intervalos
Estadística I Tema 7: Estimación por intervalos Tema 7: Estimación por intervalos Ideas a transmitir Definición e interpretación frecuentista. Intervalos de confianza para medias y varianzas en poblaciones
Más detallesCONTROL ESTADISTICO DE LA CALIDAD
CICLO 2012-I Módulo:2 Unidad:2 Semana: 2 CONTROL ESTADISTICO DE LA CALIDAD ING. ENRIQUE MONTENEGRO MARCELO PRUEBAS DE HIPOTESIS CONTENIDOS TEMÁTICOS 1. DEFINICIÓN DE HIPOTESIS 2. PROCEDIMIENTO DE UNA PRUEBA
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Índice: 1. Contraste de hipótesis------------------------------------------------------------------------------. Errores de tipo I y tipo II---------------------------------------------------------------------------
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesTest χ 2 de Bondad de Ajuste y Test de Independencia
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Test χ 2 de Bondad de Ajuste y Test de Independencia Resumen Esta auxiliar está dedicada al test de ajuste de distribuciones,
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
Más detallesInferencia Estadística
ESTADISTICA INFERENCIA ESTADÍSTICA. TITULO: AUTOR: Una corta introducción teórica de inferencia estadística Test o Pruebas de hipótesis CHI-CUADRADO. Ejercicios resueltos y propuestos JUAN VICENTE GONZÁLEZ
Más detallesPruebas de Hipótesis
Pruebas de Hipótesis Una prueba de hipótesis es una técnica de Inferencia Estadística que permite comprobar si la información que proporciona una muestra observada concuerda (o no) con la hipótesis estadística
Más detallesINGENIERO AGRÓNOMO EN PRODUCCIÓN TEMA: ESTIMACION Y PRUEBA DE HIPÓTESIS
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO AGRÓNOMO EN PRODUCCIÓN TEMA: ESTIMACION Y PRUEBA DE HIPÓTESIS ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: ENERO DE
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesModelo Lineal Generalizado
Modelo Lineal Generalizado Propiedades de los Estimadores de Máxima Verosimilitud Recordemos que si la variable aleatoria Y tiene función de densidad o probabilidad puntual f(y, θ), la verosimiltud L(θ,
Más detallesQué hacemos cuando la distribución no es normal? Qué significa ser normal? Qué significa ser normal? 1er. Simposio Metodología Seis Sigma
er. imposio Metodología eis igma Resumen Qué hacemos cuando la distribución no es normal? Qué significa ser normal? Ejemplos de situaciones normales Ejemplos de situaciones no normales Resumen Implicaciones
Más detallesESTADÍSTICA I Tema 5: Contraste de hipótesis
ESTADÍSTICA I Tema 5: Contraste de hipótesis Planteamiento del problema. Conceptos básicos: hipótesis nula y alternativa, tipos de errores, nivel de significación, región crítica o de rechazo, tamaño del
Más detallesEconometría Aplicada
Econometría Aplicada y función de Verosimilitud Víctor Medina Los objetivos de esta parte del curso principalmente son: 1. Dar algunos ejemplos de decisiones económicas donde la variable dependiente es
Más detallesTema 4 - Introducción
Tema 4 - Introducción 1 Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Cómo obtener estimadores? Tema
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 detallesx (0) si f (x) = 2s 1, s > 1 d) f 3. Analizar la existencia de derivadas laterales y de derivada en a = 0, para las siguientes funciones:
FACULTAD DE CIENCIAS EXACTAS Y NATURALES UNIVERSIDAD DE BUENOS AIRES COMPLEMENTOS DE ANÁLISIS MAESTRíA EN ESTADíSTICA MATEMÁTICA SEGUNDO CUATRIMESTRE 2007 PRÁCTICA 7 1. Usando sólo la definición de derivada,
Más detallesCurso Inferencia. Miguel Ángel Chong R. 1 de octubre del 2012
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 1 de octubre del 2012 Definición Estadístico suficiente Un estadístico es suficiente respecto al parámetro si la distribución de probabilidad
Más detallesTema 7. Contrastes no paramétricos en una población
Tema 7. Contrastes no paramétricos en una población Resumen del tema 7.1. Introducción a la Estadística Inferencial. Estimación de parámetros Como ya sabemos, la Estadística estudia los métodos científicos
Más detallesHipótesis. (x), donde es el parámetro poblacional desconocido. Problemas Inferenciales sobre
Tema 7: Introducción a los Contrastes de Hipótesis Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f (x), donde es el parámetro poblacional desconocido Problemas Inferenciales
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesSe observa X, realización del fenómeno aleatorio. Lo anterior implica razonamiento inductivo.
Pruebas de Hipótesis Hay un contexto. Hay un fenómeno aleatorio de interés. ( ΩF,, P( θ )) Valor de θ desconocido. Se observa X, realización del fenómeno aleatorio. Lo anterior implica razonamiento inductivo.
Más detallesCOMPROBACIÓN DE HIPÓTESIS
COMPROBACIÓN DE HIPÓTESIS TAMBIÉN LLAMADO PRUEBA DE HIPÓTESIS MIC-FCA-UCE DR. DAVID ECHE, PH.D. 1 PRUEBAS ESTADISTICAS Ha Ho MIC-FCA-UCE DR. DAVID ECHE, PH.D. 2 MIC-FCA-UCE DR. DAVID ECHE, PH.D. 3 VALIDEZ
Más detallesInferencia Estadística. Estimación y Contrastes
y y M Dolores Redondas dolores.redondas@upm.es E.U. Arquitectura Técnica U.P.M. Curso 2009-2010 Introducción Identicación del comportamiento de una variable El reconocimiento del comportamiento de una
Más detallesTécnicas de Inferencia Estadística II. Tema 2. Contrastes de hipótesis en poblaciones normales
Técnicas de Inferencia Estadística II Tema 2. Contrastes de hipótesis en poblaciones normales M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 2. Contrastes
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Duración: horas Fecha: de Julio de Fecha publicación notas: -7- Fecha revisión examen: 8-7-
Más detalles1. Teoría de probabilidad
Disclaimer: Este apunte no es autocontenido y fue pensado como un repaso de los conceptos, no para aprenderlos de aquí directamente 1 Teoría de probabilidad Definición 1 (espacio muestral) Un espacio muestral
Más detallesContrastes de hipótesis. 1: Ideas generales
Contrastes de hipótesis 1: Ideas generales 1 Inferencia Estadística paramétrica población Muestra de individuos Técnicas de muestreo X 1 X 2 X 3.. X n Inferencia Estadística: métodos y procedimientos que
Más detallesEstadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min.
Estadística II Examen final junio - 17/06/16 Curso 201/16 Soluciones Duración del examen: 2 h. y 4 min. 1. (3, puntos) La publicidad de un fondo de inversión afirma que la rentabilidad media anual del
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 3. Contrastes de bondad
Más detallesRepaso de Probabilidad y Estadística
Repaso de Probabilidad y Estadística Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Probabilidad 2 Definición.............................................................
Más detallesTEMA 7. Estimación. Alicia Nieto Reyes BIOESTADÍSTICA. Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 7. Estimación 1 / 13
TEMA 7. Estimación Alicia Nieto Reyes BIOESTADÍSTICA Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 7. Estimación 1 / 13 1 Estimación Puntual 1 Estimación por intervalos Estimación por intervalos de la Media
Más detallesMétodos Estadísticos de la Ingeniería Tema 11: Contrastes de Hipótesis Grupo B
Métodos Estadísticos de la Ingeniería Tema 11: Contrastes de Hipótesis Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Abril 2010 Contenidos...............................................................
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detallesIntroducción a la Inferencia Estadística
MÁSTER EN ESTADÍSTICA PÚBLICA Experto Universitario: Estadística Aplicada y Técnicas de Encuestación 1 Introducción a la Inferencia Estadística Estimación puntual paramétrica M a Teresa Gómez Departamento
Más detallesAnálisis Estadístico de Datos Climáticos. Pruebas de Hipótesis (Wilks, cap. 5)
Análisis Estadístico de Datos Climáticos Pruebas de Hipótesis (Wilks, cap. 5) 2015 PRUEBAS DE HIPÓTESIS (o pruebas de significación) Objetivo: A partir del análisis de una muestra de datos, decidir si
Más detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 017 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 016 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detalles3 ESTIMACION. 3.1 Introducción
3 ESTIMACION 3.1 Introducción En un problema estadístico, si los datos fueron generados a partir de una distribución de probabilidad F(x) desconocida, la Inferencia Estadística permite decir algo respecto
Más 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 detalles