Estadística Inferencial (Nicamil Molina-Yacambú)

UNIVERSIDAD YACAMB
VICERRECTORADO ACADMICO
FACULTAD DE HUMANIDADES
PROGRAMA DE PSICOLOGA
ACARIGUA ESTADO PORTUGUESA
ESTADSTICA INFERENCIAL
PARTICIPANTE:
Nicamil Molina
C.I. No. V-
ACARIGUA, AGOSTO DE 2017

1. DISTRIBUCIN NORMAL
Demostrar Distribucin Normal N (70,4) donde N (u, 2 ):
a) P (54 X )
5470 6170
P (54 X 61) = P ( )X( )
42 42
16 9
= P (X ) X ( 16)
16
16 9 16 9
P (16 16) = P (X 16) - P (X 16)
16 9
= 16 ( 16) = (1 + 0,5625) = 1, 5625
= 1 1,5625 = -0, 5625
= 1, 5625 0, 5625
= 1 = 0, 3438
b) P (X 96)
9670 26
P (X 96) = 1 P (Z 96) = 1 P ( ) = 1 P (16)
42
= 1 1,625 = -0,625
= 1,625 (-0,625)
= 2, 25 = 0, 9878
2
2. DISTRIBUCIN TIPIFICADA
a) P (1, 5 Z -0, 7)
P (1,5 Z 0,7) = P (0,9332) X (0,9554)
= 1 - P (0,9332) X 1 P(0,9554)
= 0,0668 X 0,0446
= 0,0668 - 0,0446
= 0,0222 = 0,5080
b) P (Z -1, 8)
P (Z -1, 8) = P (Z 1, 8)
P (Z 1, 8) = 1 - P (Z 1, 8) = 1 - 0, 9641
= 0, 0359
En la Tabla leemos P (Z 1, 8) = 0,9641.
3. HIPTESIS NULA Y ALTERNATIVA
La prueba de hiptesis es una parte necesaria de la inferencia

estadstica para responder preguntas y hacer predicciones. Plantea dos
preguntas mutuamente excluyentes y prueba para ver cul es la verdadera.
Estas dos preguntas se refieren como la hiptesis nula y la alternativa. La
prueba de hiptesis tambin puede incluir variables adems de la hiptesis
nula y la hiptesis alternativa. Los fabricantes de medicamentos utilizan la
3
prueba de hiptesis para determinar la eficacia de nuevos frmacos. Sin
embargo, la prueba de hiptesis de ninguna manera se limita al laboratorio,
sino que es una parte del pensamiento crtico que usamos todos los das
cuando se considera una situacin de ya sea/o.
Hiptesis Nula
La hiptesis nula, a veces referida como H0, es la cuestin que se

examina. Puede ser una teora segn la cual se cree que es verdad o la base
para el argumento. Sin embargo, es una hiptesis an no probada. Debido a
que es la declaracin de que se prueba, se le da una consideracin especial.
En el caso de una prueba mdica, un ejemplo de una hiptesis nula podra
ser: la aspirina es un tratamiento eficaz para la prdida del cabello.
Hiptesis Alternativa
La hiptesis alternativa o H1 es la inversa de la hiptesis. Es la

declaracin que se acepta cuando se rechaza la hiptesis nula. Para
continuar con el ejemplo mdico anterior, la hiptesis alternativa es: la
aspirina es ineficaz como tratamiento para la prdida del cabello.
Conclusin
La conclusin es siempre declarada en trminos de la hiptesis nula. La

conclusin puede ser rechazar H0 en favor de H1 o no rechazar H0. El hecho
de no rechazar H0 no demuestra que es verdad, tan slo indica que no hay
suficiente evidencia para rechazar a favor de H1. La conclusin no est
escrita en trminos de aceptar o rechazar H1. Continuando con el ejemplo, la
4
conclusin no se puede escribir como "la aspirina es ineficaz como un
tratamiento contra la cada del cabello".
Errores
La prueba de hiptesis para la inferencia estadstica reconoce dos tipos

de errores. De stos, el error de tipo I que rechaza la hiptesis nula cuando
es, de hecho la verdadera se considera ms grave. Los errores de tipo II se
producen cuando la hiptesis nula no es rechazada cuando es falsa.
Variables Adicionales y Usos de la Prueba de Hiptesis
La prueba de hiptesis para la inferencia estadstica puede contener

variables adicionales. Las pruebas se pueden configurar para incluir un grupo
de control. Para continuar con el ejemplo de evaluacin de medicamentos,
puede ser utilizada para comparar la aspirina al acetaminofn en el
tratamiento de la prdida de cabello. En tal caso, un grupo de control se
puede configurar que no recibir ningn tratamiento en absoluto.
4. DISTRIBUCIN T DE STUDENT
Tiene caractersticas similares a la distribucin normal, su diferencia

principal radica en las reas de los extremos las cuales son ms amplias,
como consecuencia de que usualmente se trabaja con muestras pequeas.
El nombre de la distribucin se debe a su autor W.S. Gosset, quien le dio el
seudnimo de T de Student ante la imposibilidad de presentar sus trabajos
so pena de perder su empleo. Esto sucedi a principio del siglo XX.
5
Esta distribucin es recomendada cuando se requiere estimar la media
poblacional y no se conoce la desviacin estndar y por lo tanto, hay que
estimarla, eso s, siempre y cuando la distribucin original sea
aproximadamente normal. Otro trmino utilizado en sta distribucin
continua, es el de grados de libertad (g.l), el cual de manera intuitiva se
expone as:
Y= x1 x2 x3 x4, para satisfacer la ecuacin, tres variables se pueden

cambiar a libertad, pero uno de ellos no. Por eso, cuando se tiene una sola
muestra, se hable de n-1 g.l. A medida que se aumenten los g.l., la
distribucin t se aproxima a la distribucin Z de la normal. Otra lectura que se
puede dar, es que los g.l es una medida del nmero de observaciones
independientes en la muestra, que se usan para estimar la desviacin
estndar.
En general, cuando el tamao de muestra no sea muy pequeo y la

simetra no sea alta, se puede usar para estimar la media poblacional cuando
no se conoce la desviacin. As, las caractersticas relevantes del modelo se
sintetizan en la siguiente tabla.
Tabla 1.
Distribucin t Student.
1a
n 0.75 0.80 0.85 0.90 0.95 0.975 0.99 0.995
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032
6
6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707
7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169
11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106
12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947
16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921
17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845
21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831
22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787
26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779
27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750
40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704
60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.660
120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617
7
0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576
Es importante resaltar, que al ser una distribucin simtrica al tener

informacin sobre un valor positivo, se obtiene el dato para el mismo valor
con signo negativo. Un hecho de relevancia significativa, es que se utiliza
para calcular probabilidades con respecto al promedio, en estos casos, el
divisor al estandarizar los valores se divide sobre S/ n, trmino que se
conoce como el error estndar de la media y mide la variabilidad de la media
entre muestra y muestra. A mayor tamao de muestra, menor es el error
estndar de la media.
Por ltimo, se puede afirmar, la distribucin t es til para realizar

inferencias acerca de la media poblacional cuando no se conoce s y la
poblacin es normal, independiente del n, no obstante, aun cuando la
distribucin sea un tanto sesgada, la t sigue siendo apropiada, esto se
conoce como una distribucin robusta, es decir, a cambios moderados de los
supuestos, el modelo sigue siendo vlido. Como en el caso de la distribucin
normal, sta distribucin tambin usa valores tabulados, tal como se
aprecian en la tabla precedente, teniendo en cuenta, que a medida que los
g.l aumenten los valores tienden a ser igual a los encontrados en la tabla Z.
Ejemplo
Los valores de las matrculas de estudiantes en una universidad privada

tienen un comportamiento aproximadamente normal, donde el promedio es
de 2.100.000. Se seleccionan 8 liquidaciones, siendo los valores los
siguientes: 1.950.000, 2.100.000, 2.250.000, 1.890.000, 2.250.000,
1.950.000, 2.050.000, 2.350.000. Determine la probabilidad de que:
El promedio sea menor de 2.000.000.
8
El promedio se encuentre entre 2.000.000 y 2.200.000
El promedio sea mayor o igual a 2.500.000
Solucin
Sea X = Liquidacin matriculas.
m = 2.100.000; s =?
=2.098.750 s=168.644.8085 n=8
a) P (<2.000.000) =P (<2.000.000)
P (t< (2.000.000-2.100.000)/ (168644.8085/2.8284)= P (t<-1.677)
La probabilidad se encuentra entre 0.9 y 0.95, segn la tabla T que se

encuentra ms adelante, no obstante, al t ser negativo, la probabilidad est
entre 0.1 y 0.05, es decir, los valores complementarios..
Para buscar en la tabla, se tiene en cuenta la fila con 7 g.l y se ubica el

1.677, el cual se encuentra entre los valores mencionados.
b) P (2.000.000 < < 2.200.000)= P (<2.200.000) ? P ( 2.000.000).
Luego de tipificar, se tiene:
P (t<3.35) ? P (t<-1.677) = 0.995 ?0.075= 0.92
Existe una alta probabilidad de que el promedio de las matriculas se

encuentre entre 2.000.000 y 2.200.000.
c) P (>2.500.000)= P (t> 6.70) = 1- P (t< 6.70)= 1-1=0
9
Dado que el valor de 6.70 es mucho mayor que el ubicado en la tabla
de 3.49 y corresponde a 0.995, es claro entonces, que para valores mayores
de 3.49, la probabilidad ser de 1.
Por lo tanto, la probabilidad de que el promedio de matrcula sea

superiora a 2.500.000 es cero.
5. CHI CUADRADO
En una prueba de ajuste la hiptesis nula establece que una variable X

tiene una cierta distribucin de probabilidad con unos determinados valores
de los parmetros. El tipo de distribucin se determina, segn los casos, en
funcin de: La propia definicin de la variable, consideraciones tericas al
margen de esta y/o evidencia aportada por datos anteriores al experimento
actual.
A menudo, la propia definicin del tipo de variable lleva implcitos los

valores de sus parmetros o de parte de ellos; si esto no fuera as dichos
parmetros se estimarn a partir de la muestra de valores de la variable que
utilizaremos para realizar la prueba de ajuste.
Esta prueba puede utilizarse incluso con datos medibles en una escala
nominal. La hiptesis nula de la prueba Chi-cuadrado postula una
distribucin de probabilidad totalmente especificada como el modelo
matemtico de la poblacin que ha generado la muestra.
Para realizar este contraste se disponen los datos en una tabla de

frecuencias. Para cada valor o intervalo de valores se indica la frecuencia
absoluta observada o emprica (Oi). A continuacin, y suponiendo que la
hiptesis nula es cierta, se calculan para cada valor o intervalo de valores la
frecuencia absoluta que cabra esperar o frecuencia esperada (Ei=npi,
10
donde n es el tamao de la muestra y pi la probabilidad del i-simo valor o
intervalo de valores segn la hiptesis nula). El estadstico de prueba se
basa en las diferencias entre la Oi y Ei y se define como:
Este estadstico tiene una distribucin Chi-cuadrado con k-1 grados de

libertad si n es suficientemente grande, es decir, si todas las frecuencias
esperadas son mayores que 5. En la prctica se tolera un mximo del 20%
de frecuencias inferiores a 5. Si existe concordancia perfecta entre las
frecuencias observadas y las esperadas el estadstico tomar un valor igual a
0; por el contrario, si existe una gran discrepancia entre estas frecuencias el
estadstico tomar un valor grande y, en consecuencia, se rechazar la
hiptesis nula. As pues, la regin crtica estar situada en el extremo
superior de la distribucin Chi-cuadrado con k-1 grados de libertad.
Ejercicio
1.- Un jugador quiere probar que es legal el dado con el que juega. Tiro
el dado 120 veces y obtuvo la siguiente distribucin de frecuencias de las
caras resultantes.
RESULTADO 1 2 3 4 5 6
FRECUENCIA 15 25 33 17 16 14
a) Enuncie las hiptesis de la prueba y determine las frecuencias

esperadas.
b) Describa la estadstica de la prueba
c) Determine la regin crtica de la prueba al nivel de significacin del
5%.
11
d) A qu conclusin llega usando el nivel de significacin 0,05?
e) Determine la probabilidad P.
1.-
Ho: El dado es legal.
Ha: El dado no es legal.
2.- Es de dos colas.
3.- Nivel de confianza
= 95% = 0,05 = 11,07
4.- =
gl= k-1 gl=6-1 gl=5
5.-
Zona
aceptacin
11,07
6.-
Ei 20 20 20 20 20 20
Oi 15 25 33 17 16 14
(Oi Ei)2
2 = [ ]
Ei
12
(15 20)2 (25 20)2 (33 20)2 (17 20)2 (16 20)2
2 (5) = + + + +
20 20 20 20 20
(14 20)2
+
20
2 (5) = 1.25 + 1.25 + 8.45 + 0.45 + 0.8 + 1.8
2 (5) = 14
7.- Se acepta la hiptesis alternativa y se rechaza la hiptesis nula,

es decir el dado del jugador no es legal ya que se encuentra dentro de
la zona de rechazo.
13

Estadística Inferencial (Nicamil Molina-Yacambú)

Cargado por

Copyright:

Formatos disponibles

Estadística Inferencial (Nicamil Molina-Yacambú)

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadística Inferencial (Nicamil Molina-Yacambú)

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD YACAMB

ACARIGUA, AGOSTO DE 2017

Demostrar Distribucin Normal N (70,4) donde N (u, 2 ):

= 1 1,5625 = -0, 5625

P (1,5 Z 0,7) = P (0,9332) X (0,9554)

En la Tabla leemos P (Z 1, 8) = 0,9641.

3. HIPTESIS NULA Y ALTERNATIVA

La prueba de hiptesis es una parte necesaria de la inferencia

La hiptesis nula, a veces referida como H0, es la cuestin que se

La hiptesis alternativa o H1 es la inversa de la hiptesis. Es la

La conclusin es siempre declarada en trminos de la hiptesis nula. La

La prueba de hiptesis para la inferencia estadstica reconoce dos tipos

Variables Adicionales y Usos de la Prueba de Hiptesis

La prueba de hiptesis para la inferencia estadstica puede contener

Tiene caractersticas similares a la distribucin normal, su diferencia

Y= x1 x2 x3 x4, para satisfacer la ecuacin, tres variables se pueden

En general, cuando el tamao de muestra no sea muy pequeo y la

Es importante resaltar, que al ser una distribucin simtrica al tener

Por ltimo, se puede afirmar, la distribucin t es til para realizar

Los valores de las matrculas de estudiantes en una universidad privada

El promedio sea menor de 2.000.000.

El promedio sea mayor o igual a 2.500.000

Sea X = Liquidacin matriculas.

=2.098.750 s=168.644.8085 n=8

P (t< (2.000.000-2.100.000)/ (168644.8085/2.8284)= P (t<-1.677)

La probabilidad se encuentra entre 0.9 y 0.95, segn la tabla T que se

Para buscar en la tabla, se tiene en cuenta la fila con 7 g.l y se ubica el

b) P (2.000.000 < < 2.200.000)= P (<2.200.000) ? P ( 2.000.000).

Luego de tipificar, se tiene:

P (t<3.35) ? P (t<-1.677) = 0.995 ?0.075= 0.92

Existe una alta probabilidad de que el promedio de las matriculas se

c) P (>2.500.000)= P (t> 6.70) = 1- P (t< 6.70)= 1-1=0

Por lo tanto, la probabilidad de que el promedio de matrcula sea

En una prueba de ajuste la hiptesis nula establece que una variable X

A menudo, la propia definicin del tipo de variable lleva implcitos los

Para realizar este contraste se disponen los datos en una tabla de

Este estadstico tiene una distribucin Chi-cuadrado con k-1 grados de

a) Enuncie las hiptesis de la prueba y determine las frecuencias

Ho: El dado es legal.

Ha: El dado no es legal.

2.- Es de dos colas.

3.- Nivel de confianza

= 95% = 0,05 = 11,07

gl= k-1 gl=6-1 gl=5

2 (5) = 1.25 + 1.25 + 8.45 + 0.45 + 0.8 + 1.8

7.- Se acepta la hiptesis alternativa y se rechaza la hiptesis nula,

También podría gustarte