Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Una prueba de hipótesis es una regla que especifica si se puede aceptar o rechazar una
afirmación acerca de una población dependiendo de la evidencia proporcionada por una
muestra de datos.
Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la hipótesis
nula y la hipótesis alternativa. La hipótesis nula es el enunciado que se probará. Por lo
general, la hipótesis nula es un enunciado de que "no hay efecto" o "no hay diferencia". La
hipótesis alternativa es el enunciado que se desea poder concluir que es verdadero de
acuerdo con la evidencia proporcionada por los datos de la muestra.[CITATION Zar \l 12298 ]
Con base en los datos de muestra, la prueba determina si se puede rechazar la hipótesis
nula. Usted utiliza el valor p para tomar esa decisión. Si el valor p es menor que el nivel de
significancia (denotado como α o alfa), entonces puede rechazar la hipótesis nula.
Un error común de percepción es que las pruebas estadísticas de hipótesis están diseñadas
para seleccionar la más probable de dos hipótesis. Sin embargo, al diseñar una prueba de
hipótesis, establecemos la hipótesis nula como lo que queremos desaprobar. Puesto que
establecemos el nivel de significancia para que sea pequeño antes del análisis (por lo
general, un valor de 0.05 funciona adecuadamente), cuando rechazamos la hipótesis nula,
tenemos prueba estadística de que la alternativa es verdadera. En cambio, si no podemos
rechazar la hipótesis nula, no tenemos prueba estadística de que la hipótesis nula sea
verdadera. Esto se debe a que no establecimos la probabilidad de aceptar equivocadamente
la hipótesis nula para que fuera pequeña.
La hipótesis nula indica que un parámetro de población (tal como la media, la desviación
estándar, etc.) es igual a un valor hipotético. La hipótesis nula suele ser una afirmación
inicial que se basa en análisis previos o en conocimiento especializado.
Bilateral
Utilice una hipótesis alternativa bilateral (también conocida como hipótesis no direccional)
para determinar si el parámetro de población es mayor que o menor que el valor hipotético.
Una prueba bilateral puede detectar cuándo el parámetro de población difiere en cualquier
dirección, pero tiene menos potencia que una prueba unilateral.[CITATION Hin05 \l 12298 ]
Unilateral
Utilice una hipótesis alternativa unilateral (también conocida como hipótesis direccional)
para determinar si el parámetro de población difiere del valor hipotético en una dirección
específica. Usted puede especificar la dirección para que sea mayor que o menor que el
valor hipotético. Una prueba unilateral tiene mayor potencia que una prueba bilateral, pero
no puede detectar si el parámetro de población difiere en la dirección opuesta.
Etapa 1.- Planear la hipótesis nula y la hipótesis alternativa. La hipótesis nula (H0) es el
valor hipotético del parámetro que se compra con el resultado muestral resulta muy poco
probable cuando la hipótesis es cierta.
La hipótesis nula es La
verdadera hipótesis
nula es
falsa
Al tomar la decisión con respecto a la hipótesis nula, se debe determinar el valor crítico en
la distribución estadística que divide la región del rechazo (en la cual la hipótesis nula no se
puede rechazar) de la región de rechazo. A hora bien el valor crítico depende del tamaño de
la región de rechazo.
Establecer la hipótesis alternativa, que puede hacerse de tres maneras, dependiendo del
interés del investigador
Fo Fe
2
2
Fe
X2 = Chi-cuadrado.
= Sumatoria.
Fo = Frecuencia observada.
Fe = Frecuencia esperada.
FRECUENCIAS OBSERVADAS
TOTAL
CATEGORIA PREGUNTA 2 PREGUNTA 4
Si 17 10 27
No 1 10 11
No se 2 8 10
TOTAL 20 28 48
0.42 0.58 1.00
20
FRECUENCIA ESPERADAS
TOTAL
CATEGORIA PREGUNTA PREGUNTA
Si 11.3 15.75 27
No 4.6 6.42 11
No se 4.2 5.83 10
TOTAL 15.83 22.17 38
FRECUENCIAS OBSERVADAS
TOTAL
CATEGORIA PREGUNTA PREGUNTA
Si 2.94 2.10
No 2.80 2.00
No se 1.13 0.80 Chi
GL = (3 – 1) (2 – 1)
GL = (2) (1)
GL = 2
Grado de significación
α = 0,05 que corresponde al 95% de confiabilidad, valor de chi cuadrada teórica encontrado
es de 5,9915
La chi cuadrada calculada es 9,84 valor significativamente mayor que el de la chi cuadrada
teórica, por lo que la hipótesis de trabajo es aceptada.
Regresión lineal simple: la regresión está dirigida a describir como es la relación entre dos
variables X e Y, de tal manera que incluso se pueden hacer predicción es sobre los valores
de la variable Y, a partir de los de X. Cuando la asociación entre ambas variables es fuerte,
la regresión nos ofrece un modelo estadístico que puede alcanzar finalidades predictivas.
La regresión supone que hay una variable fija, controlada por el investigador (es la variable
independiente o predictora), y otra que no está controlada (variable respuesta o
dependiente). La correlación supone que ninguna es fija: las dos variables están fuera del
control de investigador.
La regresión es su forma más sencilla se llama regresión lineal simple. Se trata de una
técnica estadística que analiza la relación entre dos variables cuantitativas, tratando de
verificar si dicha relación es lineal.
Si tenemos dos variables hablamos de regresión simple, si hay más de dos variables
regresión múltiple.
Su objetivo es explicar el comportamiento de una variable Y, que denominaremos variable
explicada (o dependiente o endógena), a partir de otra variable X, que llamaremos variable
explicativa (o independiente o exógena).
Una vez que hemos hecho el diagrama de dispersión y después de observar una posible
relación lineal entre las dos variables, nos proponemos encontrar la ecuación de la recta que
mejor se ajuste a la nube de puntos. Esta recta se denomina recta de regresión.
Si sobre un grupo de personas observamos los valores que toman las variables X = altura
medida en centímetros, Y=altura medida en metros, sabemos que la relación que hay entre
ambas es: Y = X/100.
Obtener esta relación es menos evidente cuando lo que medimos sobre el mismo grupo de
personas es X = altura medida en centímetros e Y= peso en kilogramos. La razón es que no
es cierto que conocida la altura xi de un individuo, podamos determinar de modo exacto su
peso yi(dos personas que miden 1, 70m pueden tener pesos de 60 y 65 kilos). Sin embargo,
alguna relación entre ellas debe existir, ya que parece más probable pensar que un
individuo de 2m pese más que otro que mida 1,20m.
A la deducción, a partir de una serie de datos, de este tipo de relaciones entre variables, es
lo que denominamos regresión.
Mediante las técnicas de regresión inventamos una variable Ŷ como función de otra
variable X (o viceversa).El criterio para construir esta función es que la diferencia entre Y e
Ŷ, denominada error o residuo, sea pequeña.
Ŷ = f(X), Y – Ŷ = error
Los residuos o errores ei son la diferencia entre los valores observados (verdadero valor de
Y) y los valores pronosticados por el modelo: ei=Y-Ŷ. Recogen la parte de la variable Y
que no es explicada por el modelo de regresión.
A partir de la definición de residuo, podemos escribir Y = f(X) + error.
El término que hemos denominado error debe ser tan pequeño como sea posible. El
objetivo será buscar la función (modelo de regresión) Ŷ= f(X) que lo minimice.[ CITATION
LAG12 \l 12298 ]
Regresión lineal
Concepto:
Método matemático que modeliza la relación entre una variable dependiente Y, las
variables independientes Xi y un término aleatorio ε.
Vamos a determinar la ecuación de la recta que mejor ajusta a los datos representados en la
figura. Se denomina error ei a la diferencia yi-y, entre el valor observado yi, y el valor
ajustado y= axi+b, tal como se ve en la figura inferior. El criterio de ajuste se toma como
aquél en el que la desviación cuadrática media sea mínima, es decir, debe de ser mínima la
suma
El extremos de una función: máximo o mínimo se obtiene cuando las derivadas de s
respecto de a y de b sean nulas. Lo que da lugar a un sistema de dos ecuaciones con dos
incógnitas del que se despeja a y b.
Existen diferentes tipos de regresión lineal que se clasifican de acuerdo a sus parámetros:
La regresión lineal simple se basa en estudiar los cambios en una variable, no aleatoria,
afectan a una variable aleatoria, en el caso de existir una relación funcional entre ambas
variables que puede ser establecida por una expresión lineal, es decir, su representación
gráfica es una línea recta. Es decir, se esta en presencia de una regresión lineal simple
cuando una variable independiente ejerce influencia sobre otra variable dependiente.
[ CITATION Bec95 \l 12298 ]
Ejemplo: Y = f(x)
La regresión lineal permite trabajar con una variable a nivel de intervalo o razón, así
también se puede comprender la relación de dos o más variables y permitirá relacionar
mediante ecuaciones, una variable en relación a otras variables llamándose Regresión
múltiple. O sea, la regresión lineal múltiple es cuando dos o más variables independientes
influyen sobre una variable dependiente.
Líneas de tendencia
Una línea de tendencia representa una tendencia en una serie de datos obtenidos a través de
un largo período. Este tipo de líneas puede decir si un conjunto de datos en particular
(como por ejemplo, el PBI, el precio del petróleo o el valor de las acciones) han aumentado
o decrementado en un determinado período. Las líneas de tendencia son generalmente
líneas rectas, aunque algunas variaciones utilizan polinomios de mayor grado dependiendo
de la curvatura deseada en la línea.
Medicina
Industria