¿Qué es una hipótesis en las estadísticas?

Es un procedimiento estadístico que permite aceptar o rechazar una afirmación

hecha con respecto a un fenómeno o suceso.
Reglas para establecer hipótesis
- Regla de decisión
Criterio para decidir sobre si H0 debe ser rechazada o no, asumiendo que H0 es
verdadera.
Zona de rechazo (zona crítica): Valores del estadístico de contraste que están tan
alejados de lo establecido en H0.
Zona de aceptación: Valores del estadístico de contraste que es más probable que
ocurran si H0 es verdadera.
- Regla de significación
Es la probabilidad de que el estadístico de contraste caiga en la zona crítica si, como
se supone, H0 es verdadera. Lo
fijarse en 0.01 ó 0.05.
Prueba de hipótesis t de Student.
Student es una distribución de probabilidad que surge del problema de estimar la
media de una población normalmente distribuida cuando el tamaño de la muestra
es pequeño.

Prueba de hipótesis f de Fisher

Se denomina prueba F de Fisher a cualquier prueba en la que el estadístico utilizado
sigue una distribución F si la hipótesis nula no puede ser rechazada.
Estimación puntual: Una estimación puntual consiste en establecer un valor
concreto (es decir, un punto) para el parámetro.
Estimación por intervalos: La estimación por intervalos consiste en establecer el
intervalo de valores donde es más probable se encuentre el parámetro.
- Si conocemos la distribución muestral del estimador podemos obtener las
probabilidades de ocurrencia de los estadísticos muestrales.
- Si conociéramos el valor del parámetro poblacional, podríamos establecer la
probabilidad de que el estimador se halle dentro de los intervalos de la distribución
muestral.
Estimación bayesiana: Los métodos Bayesianos de inferencia reciben este
nombre porque son capaces de sintetizar la información muestral y la llamada
"información a priori" (no muestral) utilizando el Teorema de Bayes.
Criterios para seleccionar un estimador:
1.- Insesgado.- Esta es una propiedad conveniente de un buen estimador. El
término imparcialidad se refiere al hecho de que una media muestral es un
estimador insesgado de la media de la población, pues la media de la distribución
de muestreo de la medias muestrales tomadas de una misma población es igual a
la media de esta última.
2.- Eficiente.- Se dice que un estimador es más eficiente que otro si la varianza de
la distribución muestral del estimador es menor a la del otro. Cuanto menor es la
eficiencia, menor es la confianza de que el estadístico obtenido en la muestra
aproxime al parámetro poblacional.
3.- Congruente.- Un estadístico es un estimador congruente del parámetro de una
población si, al aumentar el tamaño de la muestra, se logra una seguridad casi
absoluta de que el valor del estadístico se acerca mucho al valor del parámetro de
la población.
4.- Suficiente.- Un estimador es suficiente si utiliza la información contenida en la
muestra, al punto de que ningún otro estimador podría extraer de esta última más
información referente al parámetro de la población que va a ser estimado.
¿Qué significa la expresión (1-α)?
La probabilidad de éxito en la estimación se representa con 1 - α y se denomina
nivel de confianza.
¿Qué significa la expresión α (alfa)?
Se denomina nivel de significación del contraste ( ) y suele fijarse en el 1%,
5% o 10%.
¿Qué es una región de aceptación?
Es la región complementaria de la región crítica. Si el valor evaluado del estadístico
pertenece a ella No rechazamos la hipótesis.
¿Cuál es el objetivo del análisis por el método de regresión lineal?
El análisis de regresión lineal puede utilizarse para explorar y cuantificar la relación
entre una variable llamada dependiente o criterio (Y) y una o más variables llamadas
independientes o predictoras (X1, X2... Xn ), así como para desarrollar una ecuación
lineal con fines predictivos.

¿En qué consiste el método de Mínimos cuadrados?

Es un procedimiento de análisis numérico en la que, dados un conjunto de datos
(pares ordenados y familia de funciones), se intenta determinar la función continua
que mejor se aproxime a los datos (línea de regresión o la línea de mejor ajuste),
proporcionando una demostración visual de la relación entre los puntos de los
mismos.
¿Cuál es el propósito del análisis de correlación?
La correlación se refiere a que existe un vínculo entre varios eventos. Una de las
herramientas que nos permite inferir si existe dicho vínculo es justamente el análisis
de correlación. Este procedimiento tiene por objetivo indicarnos si existe relación
entre dos eventos – es decir, variables–, un poco sobre la naturaleza de dicha
relación, y su fuerza.
El análisis de correlación general da como resultado un número entre -1 y 1, llamado
coeficiente de correlación. Este resultado nos sirve para entender tres cosas:
1.- Si existe o no correlación entre las variables. Un coeficiente que valga cero indica
que nuestras variables son independientes; un ejemplo de esto sería que no hay
relación entre qué tan dulce es una fruta y cuál es el precio de un litro de jugo.
2.- Qué tan fuerte es la correlación (si es que existe). A más se ‘aleje del cero’ el
coeficiente, más fuerte será la correlación entre las dos variables. Siendo así, las
correlaciones cuyo coeficiente esté más cerca de -1 o 1 serán más poderosas.
3.- Detalles sobre la naturaleza de la correlación. Existen correlaciones llamadas
directas (donde ambas variables aumentan o disminuyen simultáneamente) e
inversas (donde cuando una variable aumenta, la otra disminuye). Un coeficiente
positivo significa que la correlación es del primer tipo, mientras que uno negativo
indica que es del segundo.

Explique la diferencia entre relaciones lineales y curvilíneas

En una relación lineal la nube de puntos del diagrama de dispersión están situados
alrededor de una línea recta, mientras que en una relación curvilínea la nube de
puntos del diagrama de dispersión están situados alrededor de una línea curva.