Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Definición.
Hipótesis es una afirmación acerca de los valores de un parámetro.
Sea θ un parámetro de nuestro modelo estadístico, Θ el conjunto de
valores posibles del parámetro (o espacio paramétrico).
Una hipótesis es una afirmación de la forma θ ∈ Θ0 , donde Θ0 ⊂ Θ.
Por ejemplo, las siguientes son hipótesis para el modelo clásico de
regresión lineal:
β1 = 0
β1 + β2 < 0
1 < σ2 ≤ 2
β1 > 0 y σ 2 = 1
25 de noviembre de 2020 1 / 17
Hipótesis, Prueba de hipótesis
Definición.
Hipótesis es una afirmación acerca de los valores de un parámetro.
Sea θ un parámetro de nuestro modelo estadístico, Θ el conjunto de
valores posibles del parámetro (o espacio paramétrico).
Una hipótesis es una afirmación de la forma θ ∈ Θ0 , donde Θ0 ⊂ Θ.
Por ejemplo, las siguientes son hipótesis para el modelo clásico de
regresión lineal:
β1 = 0
β1 + β2 < 0
1 < σ2 ≤ 2
β1 > 0 y σ 2 = 1
25 de noviembre de 2020 1 / 17
Hipótesis, Prueba de hipótesis
Definición.
Hipótesis es una afirmación acerca de los valores de un parámetro.
Sea θ un parámetro de nuestro modelo estadístico, Θ el conjunto de
valores posibles del parámetro (o espacio paramétrico).
Una hipótesis es una afirmación de la forma θ ∈ Θ0 , donde Θ0 ⊂ Θ.
Por ejemplo, las siguientes son hipótesis para el modelo clásico de
regresión lineal:
β1 = 0
β1 + β2 < 0
1 < σ2 ≤ 2
β1 > 0 y σ 2 = 1
25 de noviembre de 2020 1 / 17
Hipótesis, Prueba de hipótesis
Definición.
Hipótesis es una afirmación acerca de los valores de un parámetro.
Sea θ un parámetro de nuestro modelo estadístico, Θ el conjunto de
valores posibles del parámetro (o espacio paramétrico).
Una hipótesis es una afirmación de la forma θ ∈ Θ0 , donde Θ0 ⊂ Θ.
Por ejemplo, las siguientes son hipótesis para el modelo clásico de
regresión lineal:
β1 = 0
β1 + β2 < 0
1 < σ2 ≤ 2
β1 > 0 y σ 2 = 1
25 de noviembre de 2020 1 / 17
Hipótesis, Prueba de hipótesis
Una prueba de hipótesis es en general una variable aleatoria (o estadístico)
T con la siguiente propiedad:
T = 1 si θ ∈ Θ0
θ ∈ Θ0 θ 6∈ Θ0
T =1 X Error tipo II
T = 0 Error tipo I X
T = 1 si θ ∈ Θ0
θ ∈ Θ0 θ 6∈ Θ0
T =1 X Error tipo II
T = 0 Error tipo I X
T = 1 si θ ∈ Θ0
θ ∈ Θ0 θ 6∈ Θ0
T =1 X Error tipo II
T = 0 Error tipo I X
T = 1 si θ ∈ Θ0
θ ∈ Θ0 θ 6∈ Θ0
T =1 X Error tipo II
T = 0 Error tipo I X
θ ∈ Θ0 θ 6∈ Θ0
T =1 X Error tipo II
T = 0 Error tipo I X
θ ∈ Θ0 θ 6∈ Θ0
T =1 X Error tipo II
T = 0 Error tipo I X
θ ∈ Θ0 θ 6∈ Θ0
T =1 X Error tipo II
T = 0 Error tipo I X
θ ∈ Θ0 θ 6∈ Θ0
T =1 X Error tipo II
T = 0 Error tipo I X
θ ∈ Θ0 θ 6∈ Θ0
T =1 X Error tipo II
T = 0 Error tipo I X
θ ∈ Θ0 θ 6∈ Θ0
T =1 X Error tipo II
T = 0 Error tipo I X
β Y − βk
Zk∗ = pk ∼ N(0, 1)
σ 2 Skk
25 de noviembre de 2020 4 / 17
Pruebas de hipótesis para un coeficiente βk
β Y − βk
Zk∗ = pk ∼ N(0, 1)
σ 2 Skk
25 de noviembre de 2020 4 / 17
Pruebas de hipótesis para un coeficiente βk
β Y − βk
Zk∗ = pk ∼ N(0, 1)
σ 2 Skk
25 de noviembre de 2020 4 / 17
Pruebas de hipótesis para un coeficiente βk
β Y − βk
Zk∗ = pk ∼ N(0, 1)
σ 2 Skk
25 de noviembre de 2020 4 / 17
Pruebas de hipótesis para un coeficiente βk
β Y − βk
Zk∗ = pk ∼ N(0, 1)
σ 2 Skk
25 de noviembre de 2020 4 / 17
Pruebas de hipótesis para un coeficiente βk
Suponga por ahora que σ 2 es conocido y que H0 : βk = βk0 es verdad.
Entonces
β Y − βk0
Zk = pk ∼ N(0, 1).
σ 2 Skk
βˆk − βk0
−zα/2 < p < zα/2
σ 2 Skk
βˆk − βk0
−zα/2 < p < zα/2
σ 2 Skk
βˆk − βk0
−zα/2 < p < zα/2
σ 2 Skk
βˆk − βk0
−zα/2 < p < zα/2
σ 2 Skk
βˆ −β 0
Dada una estimación βˆk , la cantidad √k 2 k es una realización de Zk que
σ Skk
es consistente con la hipótesis βk = βk0 si su valor está en [−1,96, 1,96].
En caso contrario rechazamos la hipótesis nula, pero bajo el supuesto de
que H0 es verdad eso implica cometer error del tipo I. Con tal regla de
decisión, ello ocurre con una probabilidad exactamente igual a α = 5 %.
25 de noviembre de 2020 6 / 17
Pruebas de hipótesis para un coeficiente βk
Por ejemplo, si α = 5 % entonces zα/2 = 1,96 y la variable aleatoria Zk
arroja valores en el intervalo [−1,96, 1,96] con probabilidad 1 − α = 95 %.
βˆ −β 0
Dada una estimación βˆk , la cantidad √k 2 k es una realización de Zk que
σ Skk
es consistente con la hipótesis βk = βk0 si su valor está en [−1,96, 1,96].
En caso contrario rechazamos la hipótesis nula, pero bajo el supuesto de
que H0 es verdad eso implica cometer error del tipo I. Con tal regla de
decisión, ello ocurre con una probabilidad exactamente igual a α = 5 %.
25 de noviembre de 2020 6 / 17
Pruebas de hipótesis para un coeficiente βk
Por ejemplo, si α = 5 % entonces zα/2 = 1,96 y la variable aleatoria Zk
arroja valores en el intervalo [−1,96, 1,96] con probabilidad 1 − α = 95 %.
βˆ −β 0
Dada una estimación βˆk , la cantidad √k 2 k es una realización de Zk que
σ Skk
es consistente con la hipótesis βk = βk0 si su valor está en [−1,96, 1,96].
En caso contrario rechazamos la hipótesis nula, pero bajo el supuesto de
que H0 es verdad eso implica cometer error del tipo I. Con tal regla de
decisión, ello ocurre con una probabilidad exactamente igual a α = 5 %.
25 de noviembre de 2020 6 / 17
Pruebas de hipótesis para un coeficiente βk
Por ejemplo, si α = 5 % entonces zα/2 = 1,96 y la variable aleatoria Zk
arroja valores en el intervalo [−1,96, 1,96] con probabilidad 1 − α = 95 %.
βˆ −β 0
Dada una estimación βˆk , la cantidad √k 2 k es una realización de Zk que
σ Skk
es consistente con la hipótesis βk = βk0 si su valor está en [−1,96, 1,96].
En caso contrario rechazamos la hipótesis nula, pero bajo el supuesto de
que H0 es verdad eso implica cometer error del tipo I. Con tal regla de
decisión, ello ocurre con una probabilidad exactamente igual a α = 5 %.
25 de noviembre de 2020 6 / 17
Pruebas de hipótesis para un coeficiente βk
Una prueba de hipótesis para contrastar H0 : βk = βk0 versus Ha : βk > βk0
sería la siguiente (recuerde, por ahora σ 2 es conocido): Se acepta la
hipótesis nula si
βˆ − βk0
pk < zα
σ 2 Skk
donde P(Z > zα ) = α.
Análogamente, una prueba de hipótesis para contrastar H0 : βk = βk0
versus Ha : βk < βk0 sería la siguiente: Se acepta la hipótesis nula si
βˆ − βk0
pk > −zα .
σ 2 Skk
25 de noviembre de 2020 7 / 17
Pruebas de hipótesis para un coeficiente βk
Una prueba de hipótesis para contrastar H0 : βk = βk0 versus Ha : βk > βk0
sería la siguiente (recuerde, por ahora σ 2 es conocido): Se acepta la
hipótesis nula si
βˆ − βk0
pk < zα
σ 2 Skk
donde P(Z > zα ) = α.
Análogamente, una prueba de hipótesis para contrastar H0 : βk = βk0
versus Ha : βk < βk0 sería la siguiente: Se acepta la hipótesis nula si
βˆ − βk0
pk > −zα .
σ 2 Skk
25 de noviembre de 2020 7 / 17
Pruebas de hipótesis para un coeficiente βk
Una prueba de hipótesis para contrastar H0 : βk = βk0 versus Ha : βk > βk0
sería la siguiente (recuerde, por ahora σ 2 es conocido): Se acepta la
hipótesis nula si
βˆ − βk0
pk < zα
σ 2 Skk
donde P(Z > zα ) = α.
Análogamente, una prueba de hipótesis para contrastar H0 : βk = βk0
versus Ha : βk < βk0 sería la siguiente: Se acepta la hipótesis nula si
βˆ − βk0
pk > −zα .
σ 2 Skk
25 de noviembre de 2020 7 / 17
Pruebas de hipótesis para un coeficiente βk
Si el parámetro σ 2 es desconocido, podemos usar el estimador insesgado
kûk2
S2 =
n−m
donde m denota la dimensión del vector β . Si H0 : βk = βk0 es verdad
βkY − βk0
p ∼ tn−m
S 2 Skk
t-student con n − m grados de libertad, así el estadístico es un pivote.
Para contrastar H0 versus Ha : βk 6= βk0 en una prueba de nivel de
significancia α, usamos la siguiente regla: Se acepta la hipótesis nula si
βˆk − βk0
−tn−m,α/2 < p < tn−m,α/2
s 2 Skk
kûk2
S2 =
n−m
donde m denota la dimensión del vector β . Si H0 : βk = βk0 es verdad
βkY − βk0
p ∼ tn−m
S 2 Skk
t-student con n − m grados de libertad, así el estadístico es un pivote.
Para contrastar H0 versus Ha : βk 6= βk0 en una prueba de nivel de
significancia α, usamos la siguiente regla: Se acepta la hipótesis nula si
βˆk − βk0
−tn−m,α/2 < p < tn−m,α/2
s 2 Skk
kûk2
S2 =
n−m
donde m denota la dimensión del vector β . Si H0 : βk = βk0 es verdad
βkY − βk0
p ∼ tn−m
S 2 Skk
t-student con n − m grados de libertad, así el estadístico es un pivote.
Para contrastar H0 versus Ha : βk 6= βk0 en una prueba de nivel de
significancia α, usamos la siguiente regla: Se acepta la hipótesis nula si
βˆk − βk0
−tn−m,α/2 < p < tn−m,α/2
s 2 Skk
kûk2
S2 =
n−m
donde m denota la dimensión del vector β . Si H0 : βk = βk0 es verdad
βkY − βk0
p ∼ tn−m
S 2 Skk
t-student con n − m grados de libertad, así el estadístico es un pivote.
Para contrastar H0 versus Ha : βk 6= βk0 en una prueba de nivel de
significancia α, usamos la siguiente regla: Se acepta la hipótesis nula si
βˆk − βk0
−tn−m,α/2 < p < tn−m,α/2
s 2 Skk
β Y |x ∼ N(β , σ 2 (x 0 x )−1 ).
25 de noviembre de 2020 9 / 17
Pruebas de hipótesis para varios coeficientes βk
β Y |x ∼ N(β , σ 2 (x 0 x )−1 ).
25 de noviembre de 2020 9 / 17
Pruebas de hipótesis para varios coeficientes βk
β Y |x ∼ N(β , σ 2 (x 0 x )−1 ).
25 de noviembre de 2020 9 / 17
Pruebas de hipótesis para varios coeficientes βk
β Y |x ∼ N(β , σ 2 (x 0 x )−1 ).
25 de noviembre de 2020 9 / 17
Pruebas de hipótesis para varios coeficientes βk
β Y |x ∼ N(β , σ 2 (x 0 x )−1 ).
25 de noviembre de 2020 9 / 17
Pruebas de hipótesis para varios coeficientes βk
β Y |x ∼ N(β , σ 2 (x 0 x )−1 ).
25 de noviembre de 2020 9 / 17
Pruebas de hipótesis para varios coeficientes βk
β Y ’c − d
p ∼ tn−m .
S 2 c’(x 0 x )−1 c
βˆ ’c − d
−tn−m,α/2 < p < tn−m,α/2
s 2 c’(x 0 x )−1 c
25 de noviembre de 2020 10 / 17
Pruebas de hipótesis para varios coeficientes βk
β Y ’c − d
p ∼ tn−m .
S 2 c’(x 0 x )−1 c
βˆ ’c − d
−tn−m,α/2 < p < tn−m,α/2
s 2 c’(x 0 x )−1 c
25 de noviembre de 2020 10 / 17
Pruebas de hipótesis para varios coeficientes βk
β Y ’c − d
p ∼ tn−m .
S 2 c’(x 0 x )−1 c
βˆ ’c − d
−tn−m,α/2 < p < tn−m,α/2
s 2 c’(x 0 x )−1 c
25 de noviembre de 2020 10 / 17
Pruebas de hipótesis para σ 2
Consideremos el estimador para σ 2
kûk2
S2 = ,
n−m
donde û = Y − x β Y .
Bajo los supuestos del modelo clásico de regresión lineal,
(n − m)S 2 kûk2 2
= 2 ∼ χn−m .
σ2 σ
2 ky − x βˆ k2 2
χn−m, α ≤ ≤ χn−m,1− α.
2 σ02 2
25 de noviembre de 2020 11 / 17
Pruebas de hipótesis para σ 2
Consideremos el estimador para σ 2
kûk2
S2 = ,
n−m
donde û = Y − x β Y .
Bajo los supuestos del modelo clásico de regresión lineal,
(n − m)S 2 kûk2 2
= 2 ∼ χn−m .
σ2 σ
2 ky − x βˆ k2 2
χn−m, α ≤ ≤ χn−m,1− α.
2 σ02 2
25 de noviembre de 2020 11 / 17
Pruebas de hipótesis para σ 2
Consideremos el estimador para σ 2
kûk2
S2 = ,
n−m
donde û = Y − x β Y .
Bajo los supuestos del modelo clásico de regresión lineal,
(n − m)S 2 kûk2 2
= 2 ∼ χn−m .
σ2 σ
2 ky − x βˆ k2 2
χn−m, α ≤ ≤ χn−m,1− α.
2 σ02 2
25 de noviembre de 2020 11 / 17
Pruebas de hipótesis para σ 2
Consideremos el estimador para σ 2
kûk2
S2 = ,
n−m
donde û = Y − x β Y .
Bajo los supuestos del modelo clásico de regresión lineal,
(n − m)S 2 kûk2 2
= 2 ∼ χn−m .
σ2 σ
2 ky − x βˆ k2 2
χn−m, α ≤ ≤ χn−m,1− α.
2 σ02 2
25 de noviembre de 2020 11 / 17
Prueba de significancia de la regresión
Yi = xi β + Ui
= β0 + xi,1 β1 + ... + xi,k−1 βk−1 + Ui
25 de noviembre de 2020 12 / 17
Prueba de significancia de la regresión
Yi = xi β + Ui
= β0 + xi,1 β1 + ... + xi,k−1 βk−1 + Ui
25 de noviembre de 2020 12 / 17
Prueba de significancia de la regresión
Yi = xi β + Ui
= β0 + xi,1 β1 + ... + xi,k−1 βk−1 + Ui
25 de noviembre de 2020 12 / 17
Prueba de significancia de la regresión
Yi = xi β + Ui
= β0 + xi,1 β1 + ... + xi,k−1 βk−1 + Ui
25 de noviembre de 2020 12 / 17
Prueba de significancia de la regresión
Yi = xi β + Ui
= β0 + xi,1 β1 + ... + xi,k−1 βk−1 + Ui
25 de noviembre de 2020 12 / 17
Prueba de significancia de la regresión
Recordemos que la siguiente es una estimación insesgada para σ 2
ky − x βˆ k2
s2 =
n−m
kûk2
que obtenemos desde el estimador S 2 = n−m donde û = Y − x β Y .
Observemos ahora que si H0 : β1 = β2 = ... = βk−1 = 0 es verdad, entonces
disponemos de otro estimador insesgado para σ 2
kY − Ȳ 1k2
n−1
25 de noviembre de 2020 13 / 17
Prueba de significancia de la regresión
Recordemos que la siguiente es una estimación insesgada para σ 2
ky − x βˆ k2
s2 =
n−m
kûk2
que obtenemos desde el estimador S 2 = n−m donde û = Y − x β Y .
Observemos ahora que si H0 : β1 = β2 = ... = βk−1 = 0 es verdad, entonces
disponemos de otro estimador insesgado para σ 2
kY − Ȳ 1k2
n−1
25 de noviembre de 2020 13 / 17
Prueba de significancia de la regresión
Recordemos que la siguiente es una estimación insesgada para σ 2
ky − x βˆ k2
s2 =
n−m
kûk2
que obtenemos desde el estimador S 2 = n−m donde û = Y − x β Y .
Observemos ahora que si H0 : β1 = β2 = ... = βk−1 = 0 es verdad, entonces
disponemos de otro estimador insesgado para σ 2
kY − Ȳ 1k2
n−1
25 de noviembre de 2020 13 / 17
Prueba de significancia de la regresión
Recordemos que la siguiente es una estimación insesgada para σ 2
ky − x βˆ k2
s2 =
n−m
kûk2
que obtenemos desde el estimador S 2 = n−m donde û = Y − x β Y .
Observemos ahora que si H0 : β1 = β2 = ... = βk−1 = 0 es verdad, entonces
disponemos de otro estimador insesgado para σ 2
kY − Ȳ 1k2
n−1
25 de noviembre de 2020 13 / 17
Prueba de significancia de la regresión
Recordemos que la siguiente es una estimación insesgada para σ 2
ky − x βˆ k2
s2 =
n−m
kûk2
que obtenemos desde el estimador S 2 = n−m donde û = Y − x β Y .
Observemos ahora que si H0 : β1 = β2 = ... = βk−1 = 0 es verdad, entonces
disponemos de otro estimador insesgado para σ 2
kY − Ȳ 1k2
n−1
25 de noviembre de 2020 13 / 17
Prueba de significancia de la regresión
R 2 /(m − 1)
,
(1 − R 2 )/(n − m)
donde F ∼ Fm−1,n−m .
25 de noviembre de 2020 14 / 17
Prueba de significancia de la regresión
R 2 /(m − 1)
,
(1 − R 2 )/(n − m)
donde F ∼ Fm−1,n−m .
25 de noviembre de 2020 14 / 17
Prueba de restricciones lineales sobre β
Recordemos que si c ∈ Rm y d ∈ R, una prueba de hipótesis de nivel de
significancia α para contrastar H0 : β 0 c = d versus H0 : β 0 c 6= d es la
siguiente: se acepta H0 si
βˆ ’c − d
−tn−m,α/2 < p < tn−m,α/2 .
s 2 c’(x 0 x )−1 c
Cβ = d
25 de noviembre de 2020 15 / 17
Prueba de restricciones lineales sobre β
Recordemos que si c ∈ Rm y d ∈ R, una prueba de hipótesis de nivel de
significancia α para contrastar H0 : β 0 c = d versus H0 : β 0 c 6= d es la
siguiente: se acepta H0 si
βˆ ’c − d
−tn−m,α/2 < p < tn−m,α/2 .
s 2 c’(x 0 x )−1 c
Cβ = d
25 de noviembre de 2020 15 / 17
Prueba de restricciones lineales sobre β
Recordemos que si c ∈ Rm y d ∈ R, una prueba de hipótesis de nivel de
significancia α para contrastar H0 : β 0 c = d versus H0 : β 0 c 6= d es la
siguiente: se acepta H0 si
βˆ ’c − d
−tn−m,α/2 < p < tn−m,α/2 .
s 2 c’(x 0 x )−1 c
Cβ = d
25 de noviembre de 2020 15 / 17
Prueba de restricciones lineales sobre β
Recordemos que si c ∈ Rm y d ∈ R, una prueba de hipótesis de nivel de
significancia α para contrastar H0 : β 0 c = d versus H0 : β 0 c 6= d es la
siguiente: se acepta H0 si
βˆ ’c − d
−tn−m,α/2 < p < tn−m,α/2 .
s 2 c’(x 0 x )−1 c
Cβ = d
25 de noviembre de 2020 15 / 17
Prueba de restricciones lineales sobre β
Recordemos que si c ∈ Rm y d ∈ R, una prueba de hipótesis de nivel de
significancia α para contrastar H0 : β 0 c = d versus H0 : β 0 c 6= d es la
siguiente: se acepta H0 si
βˆ ’c − d
−tn−m,α/2 < p < tn−m,α/2 .
s 2 c’(x 0 x )−1 c
Cβ = d
25 de noviembre de 2020 15 / 17
Prueba de restricciones lineales sobre β
Una prueba de hipótesis de nivel de significancia α para contrastar
H0 : C β = d versus Ha : C β 6= d se puede desarrollar como sigue. Observe,
bajo H0 se tiene que
C β Y |x ∼ N(d, σ 2 C (x 0 x )−1 C 0 )
25 de noviembre de 2020 16 / 17
Prueba de restricciones lineales sobre β
Una prueba de hipótesis de nivel de significancia α para contrastar
H0 : C β = d versus Ha : C β 6= d se puede desarrollar como sigue. Observe,
bajo H0 se tiene que
C β Y |x ∼ N(d, σ 2 C (x 0 x )−1 C 0 )
25 de noviembre de 2020 16 / 17
Prueba de restricciones lineales sobre β
Una prueba de hipótesis de nivel de significancia α para contrastar
H0 : C β = d versus Ha : C β 6= d se puede desarrollar como sigue. Observe,
bajo H0 se tiene que
C β Y |x ∼ N(d, σ 2 C (x 0 x )−1 C 0 )
25 de noviembre de 2020 16 / 17
Estimación bajo restricciones lineales sobre β
Si la hipótesis nula C β = d se acepta, entonces la estimación de β por el
método de mínimos cuadrados ordinarios no es adecuada ya que omite
esta información.
La solución es incorporar la restricción en el problema de optimización que
define al estimador:
25 de noviembre de 2020 17 / 17
Estimación bajo restricciones lineales sobre β
Si la hipótesis nula C β = d se acepta, entonces la estimación de β por el
método de mínimos cuadrados ordinarios no es adecuada ya que omite
esta información.
La solución es incorporar la restricción en el problema de optimización que
define al estimador:
25 de noviembre de 2020 17 / 17
Estimación bajo restricciones lineales sobre β
Si la hipótesis nula C β = d se acepta, entonces la estimación de β por el
método de mínimos cuadrados ordinarios no es adecuada ya que omite
esta información.
La solución es incorporar la restricción en el problema de optimización que
define al estimador:
25 de noviembre de 2020 17 / 17
Estimación bajo restricciones lineales sobre β
Si la hipótesis nula C β = d se acepta, entonces la estimación de β por el
método de mínimos cuadrados ordinarios no es adecuada ya que omite
esta información.
La solución es incorporar la restricción en el problema de optimización que
define al estimador:
25 de noviembre de 2020 17 / 17