Ejemplo de prueba de hipótesis
Error de tipo I: el equipo de emergencia cree que la víctima está muerta cuando en realidad está viva. Error de tipo II: el equipo de emergencia no sabe si la víctima está viva cuando en realidad está muerta.
\Probabilidad de que el equipo de emergencia crea que la víctima está muerta cuando en realidad está viva = P (error de tipo I). \La probabilidad de que el equipo de emergencia no sepa si la víctima está viva cuando, en realidad, está muerta = P (error de tipo II).
Cierto fármaco experimental asegura una tasa de curación de al menos el 75% en hombres con cáncer de próstata. Describir los errores de tipo I y de tipo II en su contexto. ¿Qué error es más grave?
¿Cómo formular la hipótesis nula?
La hipótesis nula (H0) es la hipótesis que queremos comprobar: consiste en decir que no hay diferencia entre los parámetros que se comparan o que la diferencia observada no es significativa y se debe a fluctuaciones del muestreo. Esta hipótesis se formula con el objetivo de ser rechazada.
¿Cómo se pueden determinar H0 y H1?
La suposición de que un parámetro poblacional está fijado a priori en un valor determinado se denomina hipótesis nula y se denota H0. Cualquier otra hipótesis que difiera de la hipótesis H0 se denomina hipótesis alternativa (o contrahipótesis) y se denota H1.
Hipótesis unilateral y bilateral
Supongamos que estas medidas siguen una distribución normal. Si el instrumento fuera insesgado (= 50), ¿cuál sería la probabilidad de que la media muestral se alejara tanto del valor de referencia?
En nuestro ejemplo del principio del curso, ¿podríamos calcular la potencia de la prueba, es decir, la probabilidad de detectar un sesgo del instrumento con la muestra de 9 mediciones? ¿Qué información adicional necesitamos?
A diferencia del nivel de significación, que elige el analista, la potencia de una prueba depende (entre otras cosas) del verdadero tamaño del efecto. En nuestro ejemplo, para un tamaño y un diseño fijos, es más fácil detectar un sesgo grande que uno pequeño.
La tabla de datos InsectSprays incluida con R contiene datos de un experimento de Geoffrey Beall (1942) sobre el número de insectos (recuento) en parcelas tratadas con diferentes insecticidas (spray), con 12 mediciones independientes por tipo de insecticida.
Ejemplo de hipótesis nula
La importancia de las ecuaciones lineales radica no sólo en el hecho de que muchas correlaciones son de esta forma, sino también en que pueden proporcionar buenas aproximaciones de correlaciones complicadas que serían difíciles de describir en términos matemáticos. Un conjunto de pares de variables se denomina población bivariante o población definida por dos variables. Los mínimos cuadrados y la regresión lineal se aplican a poblaciones bivariantes. Los siguientes gráficos de dispersión describen los datos de la tabla: 0 1 2 3 4 5 6 7 8 9 10 1 2 4 4 3 6 8 10 9 7 12 con una aproximación lineal de los datos :
Con el conjunto de datos [ 0 1 2 3 4 5 6 7 8 9 10 1 2 4 4 3 6 8 10 9 7 12 ], ∙ ∑_{i=1}ⁿX_{i}Y_{i}=(0⋅1) +(1⋅2) +(2⋅4) +(3⋅4) +(4⋅3) +(5⋅6) +(6⋅8) +(7⋅10) +(8⋅9) +(9⋅7) +(10⋅12)= 437 ∙ ∑_{i=1}ⁿX_{i}=0+1+2+3+4+5+6+7+8+9+10= 55 ∙ ∑_{i=1}ⁿY_{i}=1+2+4+3+6+8+10+9+7+12= 66 ∙ ∑_{i=1}ⁿX_{i}=0²+1²+2²+3²+4²+5²²+6²+7²+8²+9²+10²= 385 ∙
Ejercicio de test estadístico de hipótesis pdf
Para comprender intuitivamente la noción de significación, pregúntese si la inteligencia de Albert Einstein es una inteligencia excepcional o una inteligencia típica de la población humana.
Para formalizar las cosas, los grandes hombres deben interesar a nuestra joven durante 5400 segundos. Sin embargo, dentro de la categoría de grandes hombres, hay algunos que son menos habladores, hay algunos que son más tímidos. Así, los grandes hombres se distribuirán realmente en torno a la media de 5400 segundos con una desviación típica de 1000 segundos siguiendo la distribución presentada en la Figura 3.
A nivel universitario, por ejemplo, publicar te permite conseguir trabajo, ascensos, primas, financiación. Cuando tienes financiación, tienes que ser capaz de justificarla y explicar lo que has hecho con ella. En general, la necesidad de publicar para los investigadores se resume en el adagio: “¡publicar o perecer!
