“AÑO DEL BICENTENARIO DEL PERÚ: 200 AÑOS DE INDEPENDENCIA”

FACULTAD DE

ESCUELA PROFESIONAL DE

TEMA:

CURSO :

CATEDRÁTICO :

CICLO :

FILIAL : Pucallpa

PRESENTADO POR:

CÓDIGO :.

UCAYALI – PERÚ
2021
DEFINIR ¿QUÉ SON LOS INTERVALOS DE CONFIANZA?

Los intervalos de confianza nos permiten aproximar, una vez calculado el valor
de la variable en la muestra, entre qué rango de valores se encuentra el valor
real inaccesible de la variable en la población, con un grado de incertidumbre
que podemos determinar.

Además, los intervalos de confianza aportan información añadida que se pierde

cuando únicamente se valora la probabilidad de significación estadística, ya
que nos permiten estudiar la precisión de la estimación del estudio y la
relevancia de los resultados desde el punto de vista clínico.

¿A QUÉ LLAMAMOS ZONA DE ACEPTACIÓN Y RECHAZO?

Este procedimiento de decisión puede conducir a una de dos conclusiones

erróneas. Por ejemplo, es posible que el valor verdadero de la rapidez
promedio de combustión del agente propulsor sea igual a 50 cm/s. Sin
embargo, para todos los especímenes bajo prueba, bien puede observarse un
valor del estadístico de prueba  que cae en la región crítica. En este caso, la
hipótesis nula Ho será rechazada en favor de la alternativa H1 cuando, de
hecho, Ho en realidad es verdadera. Este tipo de conclusión equivocada se
conoce como error tipo I.

El error tipo I se define como el rechazo de la hipótesis nula H o cuando ésta es
verdadera. También es conocido como   ó nivel de significancia.

Si tuviéramos un nivel de confianza del 95% entonces el nivel de significancia

sería del 5%. Análogamente si se tiene un nivel de confianza del 90% entonces
el nivel de significancia sería del 10%.

Ahora supóngase que la verdadera rapidez promedio de combustión es

diferente de 50 cm/s, aunque la media muestral  caiga dentro de la región de
aceptación. En este caso se acepta H o cuando ésta es falsa. Este tipo de
conclusión recibe el nombre de error tipo II.

El error tipo II ó error   se define como la aceptación de la hipótesis nula

cuando ésta es falsa.

Por tanto, al probar cualquier hipótesis estadística, existen cuatro situaciones

diferentes que determinan si la decisión final es correcta o errónea.

Decisión Ho es Ho es falsa

verdadera

Aceptar Ho No hay error Error tipo II ó 

Rechazar Ho Error tipo I ó  No hay error

1. Los errores tipo I y tipo II están relacionados. Una disminución en la

probabilidad de uno por lo general tiene como resultado un aumento en
la probabilidad del otro.

2. El tamaño de la región crítica, y por tanto la probabilidad de cometer un

error tipo I, siempre se puede reducir al ajustar el o los valores críticos.

3. Un aumento en el tamaño muestral n reducirá   y   de forma

simultánea.

4. Si la hipótesis nula es falsa,   es un máximo cuando el valor real del

parámetro se aproxima al hipotético. Entre más grande sea la distancia

entre el valor real y el valor hipotético, será menor 

¿QUÉ ES UNA PRUEBA DE HIPÓTESIS?

Otra manera de hacer inferencia es haciendo una afirmación acerca del valor
que el parámetro de la población bajo estudio puede tomar. Esta afirmación
puede estar basada en alguna creencia o experiencia pasada que será
contrastada con la evidencia que nosotros obtengamos a través de la
información contenida en la muestra. Esto es a lo que llamamos Prueba de
Hipótesis.

Una prueba de hipótesis comprende cuatro componentes principales:

1. Hipótesis Nula
 La Hipótesis Nula, denotada como H0 siempre especifica un solo valor del
parámetro de la población si la hipótesis es simple o un conjunto de valores
si es compuesta (es lo que queremos desacreditar)

H 0 : µ = µ0 H0 :µ ≤ µ0 H0 : µ ≥ µ0

2. Hipótesis Alternativa

La Hipótesis Alternativa, denotada como H 1 es la que responde nuestra

pregunta, la que se establece en base a la evidencia que tenemos. Puede
tener cuatro formas:

H 1 : µ = µ1 H 1 : µ > µ0

H 1 : µ < µ1 H1 : µ ≠ µ0

Como las conclusiones a las que lleguemos se basan en una muestra, hay
posibilidades de que nos equivoquemos.

Dos decisiones correctas son posibles:

 Rechazar H0 cuando es falsa

 No Rechazar H0 cuando es verdadera.

Dos decisiones incorrectas son posibles:

 Rechazar H0 cuando es verdadera

 No Rechazar H0 cuando es falsa.

Tamaño de los errores al tomar una decisión incorrecta en una Prueba de

Hipótesis:

H0 Verdadera H0 Falsa
Error Tipo I
Rechazamos H0 Decisión Correcta
P(error Tipo I) = α
Error Tipo II
No Rechazamos H1 Decisión Correcta
P(error Tipo II) = β

La Probabilidad de cometer un error Tipo I se conoce como Nivel de

Significancia, se denota como α y es el tamaño de la región de rechazo.

El complemento de la región de rechazo es 1−α y es conocido como el

Coeficiente de Confianza.

En una prueba de Hipótesis de dos colas la región de no rechazo

corresponde a un intervalo de confianza para el parámetro en cuestión.

La Región de Rechazo es el conjunto de valores tales que si la prueba

estadística cae dentro de este rango, decidimos rechazar la Hipótesis Nula.

Su localización depende de la forma de la Hipótesis Alternativa:

Si H1 : µ > µ0 entonces la región se encuentra en la cola derecha de la

distribución de la estadística de prueba.

Si H1 : µ < µ1 entonces la región se encuentra en la cola izquierda de la

distribución de la estadística de prueba

Si H1 : µ ≠ µ0 entonces la región se divide en dos partes, una parte estará

en la cola derecha de la distribución de la estadística de prueba y la otra
en la cola izquierda de la distribución de la estadística de prueba.

Conclusiones de una Prueba de Hipótesis

- Si rechazamos la Hipótesis Nula, concluimos que “hay suficiente

evidencia estadística para inferir que la hipótesis nula es falsa”

- Si no rechazamos la Hipótesis Nula, concluimos que “no hay suficiente

evidencia estadística para inferir que la hipótesis nula es falsa”.

- H 1 : µ > µ0

H1 : µ ≠ µ0
3. Estadística de Prueba
La Estadística de Prueba es una estadística que se deriva del estimador
puntual del parámetro que estemos probando y en ella basamos nuestra
decisión acerca de si rechazar o no rechazar la Hipótesis Nula.
Ejemplo:
μ^ −μ0
Z=
σ
√n

Siempre se calcula considerando la Hipótesis Nula como si fuera verdadera.

¿QUÉ SON PRUEBAS PARAMÉTRICAS Y NO PARAMÉTRICAS?

Las pruebas paramétricas asumen distribuciones estadísticas subyacentes a

los datos. Por tanto, deben cumplirse algunas condiciones de validez, de modo
que el resultado de la prueba paramétrica sea fiable. Por ejemplo, la prueba t
de Student para dos muestras independientes será fiable solo si cada muestra
se ajusta a una distribución normal y si las varianzas son homogéneas.

Las pruebas no paramétricas no deben ajustarse a ninguna distribución.

Pueden por tanto aplicarse incluso aunque no se cumplan las condiciones de
validez paramétricas.

VENTAJAS
Las pruebas no paramétricas son
más robustas que las paramétricas.
En otras palabras, son válidas en un
rango más amplio de situaciones
(exigen menos condiciones de
validez).
DESVENTAJAS
La ventaja de usar una prueba
paramétrica en lugar de una no
paramétrica consiste en que la
primera tiene
más potencia estadística que la
segunda. En otras palabras, una
prueba paramétrica tiene mayor
capacidad para conducir a un
rechazo de H0. La mayoría de las
veces, el valor p asociado a una
prueba paramétrica es menor que el
 valor p asociado a su equivalente no
paramétrica ejecutada sobre los
mismos datos.

Características:
Pruebas no paramétricas Pruebas paramétricas

Mayor potencia estadística. Menor potencia estadística.

Se aplican en variables normales o de

Se aplican en variables categóricas.
intervalo.

Se utilizan para muestras pequeñas. Se utilizan para muestras grandes.

No se conoce la forma de distribución Su distribución de datos es normal.

de datos.

No hacen muchas suposiciones. Hacen muchas suposiciones.

Exigen una menor condición de Exigen mayor condición de validez.

validez.

Mayor probabilidad de errores. Menor probabilidad de errores.

El cálculo es menos complicado de El cálculo es complicado de hacer.

hacer.

Las hipótesis se basan en rangos, Las hipótesis se basa en datos

mediana y frecuencia de datos. numéricos.

Los cálculos no son exactos. Los cálculos son demasiado exactos.

Considera los valores perdidos para No toma en cuenta los valores

obtener información. perdidos para obtener información.