ESTADÍSTICA INFERENCIAL
JAVIER ARTURO MARTÍNEZ FARFÁN
ESTADÍSTICA INFERENCIAL
Capacidad: Aplica tópicos de la estadística
inferencial, la estimación de parámetros, el
contraste de hipótesis, los contrastes
paramétricos y no paramétricos, análisis de la
varianza, ANOVA y el coeficiente de
correlación.
ESTADÍSTICA INFERENCIAL
Contenido
• Modelo de regresión lineal simple
• Estimación por mínimos cuadrados ordinarios
• Varianza estimada del error
• Prueba de hipótesis
• Intervalos de confianza
• Ejercicios
• Modelo de regresión múltiple
• estimación por mínimos cuadrados ordinarios
• Varianza estimada del error
• Prueba de hipótesis
• Intervalos de confianza
• Ejercicios
Modelo de regresión lineal simple
Estimación de un modelo de regresión simple
Varianza del error y el error estándar
Prueba t estadística
Intervalos de Confianza
Intervalo de predicción
Prueba de Intercepto
Modelo de Regresión múltiple
Estimadores y Varianza
Contrastes de hipótesis
Intervalos y predicción
Caso práctico
Resultado de los estimadores I
Resultado de los estimadores II
Realizar una prueba de normalidad es un paso crucial en el análisis estadístico, ya que muchos
tests paramétricos asumen que los datos siguen una distribución normal. A continuación, se
presenta una guía paso a paso para llevar a cabo este proceso.
1. Planteamiento de las hipótesis
Toda prueba de hipótesis comienza con la formulación de dos hipótesis:
•Hipótesis nula
•H0: Los datos provienen de una población con distribución normal.
•Hipótesis alternativa
•H1: Los datos no provienen de una población con distribución normal.
El objetivo de la prueba es determinar si hay suficiente evidencia para rechazar la H0
.
Elección de la prueba adecuada
La elección de la prueba de normalidad depende del tamaño de la muestra:
Muestras pequeñas n<50: La prueba más recomendada es la Shapiro-Wilk.
Es la más potente para este tamaño de muestra.
Muestras grandes n≥50: Se suelen utilizar pruebas como la de Kolmogorov-
Smirnov (con la corrección de Lilliefors), o la de Anderson-Darling, que es
más sensible a las colas de la distribución.
Además de las pruebas formales, es recomendable utilizar métodos gráficos
para complementar el análisis. Los más comunes son el histograma y el
gráfico Q-Q (cuantil-cuantil).
Realización de la prueba
La mayoría de los programas estadísticos (como SPSS, R o Minitab) tienen funciones integradas para
realizar estas pruebas.
•Métodos gráficos:
• Histograma: Se crea un gráfico de barras de la distribución de los datos. Si los datos son normales, el
histograma tendrá una forma de "campana" simétrica.
• Gráfico Q-Q: Se grafican los cuantiles de la muestra frente a los cuantiles de una distribución normal
teórica. Si los puntos se alinean a lo largo de una línea diagonal recta, los datos siguen una
distribución normal. Las desviaciones de la línea sugieren falta de normalidad.
•Pruebas formales (basadas en el valor p):
• Se ingresan los datos al software y se ejecuta la prueba seleccionada.
• El software devolverá un estadístico de prueba y, lo más importante, un valor p (o "sig.").
Interpretación de los resultados
La interpretación se basa en el valor p y un nivel de significancia (α), que generalmente se establece en 0.05.
•Si el valor p > α (por ejemplo, 0.07 > 0.05):
• Decisión: No se rechaza la hipótesis nula H0.
• Conclusión: Se concluye que hay suficiente evidencia para asumir que los datos siguen una distribución
normal. Por lo tanto, se puede proceder con una prueba paramétrica.
•Si el valor p ≤ α (por ejemplo, 0.02 ≤ 0.05):
• Decisión: Se rechaza la hipótesis nula H0
• Conclusión: Se concluye que los datos no siguen una distribución normal. En este caso, se debe utilizar
una prueba no paramétrica para el análisis posterior.
El valor p es una medida de la evidencia en contra de la hipótesis nula. Un valor p pequeño indica una fuerte
evidencia para rechazar la
H0