Test de hipótesis para dos poblaciones:

- Lo q quiere es comparar el comportamiento de dos parámetros

- Quiero ver el comportamiento de:
o M1 vs M2 – Sigma 1 vs Sigma 2 – P1 vs P2
- Test unilaterales (una zona sola de rechazo) y bilaterales (dos
zonas de rechazo).
- H0) ≥ ≤=¿ H1)¿<≠ -> signos q se admiten
- La estructura de las hipótesis va a cambiar:
o Poblaciones independientes:
Tenemos la población uno y la dos; cada población tiene
distintos elementos. De cada conjunto poblacional
obtengo una muestra, que cada una tendrá un numero de
observaciones y sus estimadores específicos: promedio (x
raya) – desvío (S) – población muestral (p pico).
o Muestras pareadas:
Yo tengo una unidad observacional (persona – objeto –
cosa).
Muestras q se toman de apares. Tengo una unidad
observacional sometida a dos tratamientos.
Ejemplo: notas; el alumno esta sometido a las dos notas
del parcial.

Test de hipótesis para comparar promedios poblacionales:

- Poblaciones independientes: generan muestras independientes.

Tengo q saber si las muestras tienen info adicional relacionada a
los parámetros:
o Con sigma uno y sigma dos conocidos: trabajo con
distribución normal estándar (Z). CASO 1
o Con sigma uno y sigma dos desconocidos: trabajo con
distribución t student. Uso S1 y S2, se usan los desvíos
muestrales. Dos casos para resolver:
 Sigma 1 = Sigma 2. Se usa el desvío amalgamado
(SA, es un desvio ponderado de los dos desvíos
muestrales). CASO 2
 Sigma 1 ≠ Sigma 2. Se usa la formula de Welch.
CASO 3

Para determinar si son iguales o no, se usa el test de

hipótesis. PRUEBA F AUXILIAR. Con esto determino si uso
caso 2 o caso 3. Es un test de
hipótesis bilarteral. DISTRIBUCIÓN:
H0) Sigma 1 = Sigma 2 -> caso 2
F SNEDECOR – FISHER
 H1) Sigma 1 ≠ Sigma 2 -> caso 3

Prueba F Simple: cuando quiero comparar dos desvíos o varianzas de

2 poblaciones independientes. Puede ser un th unilateral o bilateral.

- Muestras pareadas (dependientes): solo voy a comparar

promedios. Voy a tener que generar un nuevo parámetro: Md.
Muestra: nd, de donde voy a tener q obtener el promedio (d
raya) y el desvío (Sd). Se creara una variable llamada ¨d¨ (d de
diferencia). NO SE USA M1 Y M2 (son de poblaciones
independientes). CASO 4
o H0) Md≥ ≤=¿
o H1) Md¿<≠

Práctica poblaciones independientes:

CASO 1:

- Comparación de promedios en muestras independientes con

sigma uno y dos conocidos. Z
- Comparo un Z empírico (lo calculo) con un Z critico (sale de la
app)
- En la hipótesis nula SIEMPRE va el signo =; es decir que no
existen diferencias poblacionales admisibles.
- Asumimos siempre q M1 y M2 son iguales para q no existan
esas diferencias poblacionales.
- Situaciones q pueden darse:
o Testeo bilateral, con dos zonas de rechazo. X¿ x
H0) M1 = M2 ∝
H1) M1 ≠ M2 Z crítico 1: . va a obtener un valor
2
o Testeo unilateral. X¿ x negativo
H0) M1 = M2
Z crítico: ∝ . Va a obtener un valor
H1) M1 ¿M2
negativo
o Testeo unilateral. X¿ x
H0) M1 = M2 Z crítico: 1- ∝ . Va a obtener un valor
H1) M1¿ M2 positivo
CASO 2 y 3:

- Comparación d promedios de poblaciones independientes con

sigma uno y sigma dos desconocidos.
- Usamos S1 y S1 -> T student.
- Pasos para resolver:
1) Definir H0 y H1
2) Realizar la prueba auxiliar:
 a. H0) Sigma 1 = Sigma 2 -> caso 2
b. H1) Sigma 1 ≠ Sigma 2 -> caso 3
c. Gráfico; calculo F crítico y F empírico
d. Condición de rechazo y regla de decisión
e. Determino q caso usar
3) Vuelvo al problema original.
a. Caso 2:
i. Campana de gauss
ii. Calculo el T crítico
iii. Calculo el T empírico – tengo el desvío
amalgamado
iv. Condición de rechazo, regla de decisión y
conjetura final.
TIP: El desvío amalgamado si esta correctamente
calculado tiene que estar comprendido entre los
valores de los desvíos de la muestra.
b. Caso 3:
i. Campana de gauss
ii. Cálculo de T empírico
iii. Cálculo del T crítico – tengo la fórmula de
Welch
iv. Condición de rechazo, regla de decisión y
conjetura final.

Palabras claves:

- Promedio – valores medios – valores esperados: cálculos sobre

el promedio
- Desvío – dispersión – variabilidad – desvío estándar: cálculos
sobre el desvío

CASO 4:

- Tengo una unidad observacional sometida a dos tratamientos.

H0) Md = 0 Nuevo parámetro
H1) Md ≠>¿ 0 Md.
- Pasos para resolver:
1) Determinar tratamiento 1 y tratamiento 2
2) Armar H0 y H1
3) Calcular ¨d¨ -> tratamiento 1 – tratamiento 2. Estos son los
números q se ponen en la calculadora para sacar promedio y
desvío.
4) Campana de gauss
5) Calculo T crítico y T empírico
6) Condición de rechazo, regla de decisión y conjetura final.
Pruebas no paramétricas o Pruebas chi cuadrado ( X 2):

Se resuelven los testeos de hipótesis analizando dos chi cuadrado:

- Un chi cuadrado critico

o Tiene una formula distinta en cada testeo.
- Un chi cuadrado empírico:
o Se calcula igual en ambos testeos.

Los testeos de hipótesis no tienen parámetros. Dos testeos:

- Bondad del ajuste:

o Me permite saber si una serie de datos se ajusta a una
distribución específica:
 Para cualquier distribución; vamos a ver la
distribución uniforme y el patrón histórico.
- Independencia de atributos:
o Se usa para demostrar si dos variables cualitativas tienen
o no relación causal entre sí.

Siempre son test unilaterales y contramayor.

Bondad del ajuste:

Patrón histórico:

1) Armamos la tabla
o Categorías
o Observaciones (suele ser el dato dado)
o P (xi) (suele ser dato dado)
o Esperados (P(xi) . n total)
2) Definir H0 y H1
a. H0) los datos se ajustan a un patrón histórico
b. H1) los datos no se ajustan a un patrón histórico
3) Gráfico
4) Cálculo X 2 crítico
5) Cálculo X 2 empírico
6) Condición de rechazo, regla de decisión y conjetura final.

Distribución uniforme:

- Sucesos equiparables (sucesos con misma probabilidad de

ocurrencia)
 - Proceso:
1) Armar la tabla
o Categorías
o Observaciones (suele ser el dato dado)
o P (xi) (1/categorías)
o Esperados (P(xi) . n total)
2) Definir H0 y H1
o H0) los datos se ajustan a una distribución normal
o H1) los datos no se ajustan a una distribución normal
3) Gráfico
4) Cálculo X^2 crítico
5) Cálculo X^2 empírico
6) Condición de rechazo, regla de decisión y conjetura final.

Independencia de atributos:

- Valores esperados se calculan con las probabilidades

marginales.
1) Armamos la tabla:
o Cuadro de contingencia de doble entrada.
o Los números de adentro son los observados.
o Se hace el mismo cuadro para los datos esperados.
2) Armado de hipótesis
o H0) las variables cualitativas _______ son independientes
(no hay relación causal)
o H1) las variables cualitativas _______ son dependientes
(hay relación causal)
3) Gráfico
4) Cálculo X^2 crítico
5) Cálculo X^2 empírico
6) Condición de rechazo, regla de decisión y conjetura final.

subtotal fila . subtotal columna

Probabilidades marginales =
total general
Demostración de probabilidades marginales:

P ( a ∩b )=P ( a ) . P (b)

(a ∩ b) a b
= .
n n n
a.b
( a ∩b )= 2
.n
n
 a.b
( a ∩b )=
n

Regresión lineal simple:

Evalúa la relación lineal entre 2 variables:

- Ver si existe relación entre ellas

- Que tan intensa es esa relación

Se hace para, si hay relación, hacer proyecciones sobre el

comportamiento de esas variables.

Simple → hay una sola x; una sola y

Múltiple → hay muchas x; una sola y

Y → variable dependiente, explicada, regresada

X → variable independiente, explicativa, regresora.

Modelo valido:

- Quiere decir q existe relación lineal entre las variables.

- El modelo se valida por dos métodos:
o A Priori R2
o Test de significancia individual
- Tiene capacidad predictiva → sirve para hacer
estimaciones/proyecciones.

La relación lineal X;Y está dentro del dominio de X. Todo lo q esta

fuera del dominio, no tengo idea q pasa con la relación X;Y.

Alpha no está relacionada con ningún valor de la variable

independiente, q me permita explicar los cambios en Y → no se hace
un testeo de hipótesis.

Interpretación de coeficientes en términos generales:

a: es la constante del modelo, e implica q si X=0, entonces y vale a.

b: es la pendiente del modelo, e implica q por cada unidad adicional

de X, Y varia (aumenta o disminuye) b unidades.

Modelo poblacional:

UI → otro montón de variables independientes q dejamos de lado x la

simplificación del modelo.
Modelo estimado: (voy a trabajar con este modelo)

La constante a, absorbe parte de los errores estadísticos.

Para cada observación, tengo un par de datos observados.

Nombres de la recta que voy a usar:

- Recta de regresión lineal simple

- Recta de mínimos cuadrados ordinarios
- Recta MCO
- Recta de mejor ajuste

Para poder trabajar, me voy a basar en la serie

de supuestos de Gauss Markov (yo los voy a dar
por cumplidos, pero en la vida los tengo q validar y hacer
correcciones):

1) Linealidad de los parámetros

2) Independencia entre variables independientes y el término de
error UI (para q no exista la multicolinealidad: hay una relación
entre x y algo q tengo en el error UI)
3) El valor medio de la perturbación de UI (errores estocásticos
del modelo) es igual a cero (se comportan de manera normal)
4) Homocedasticidad: la varianza de UI para cada XI es algún
numero positivo constante igual a sigma cuadrado. (si esto no
existe hay un problema de heterocedasticidad)
5) No autocorrelación entre las perturbaciones de UI (cada
termino del error sea independiente del otro)
6) El número de observaciones n debe ser mayor q el número de
parámetros a estimar y también, mayor al número de variables
x.
7) Los valores de las variables independientes XI no puede ser
muy disimiles entre sí (las variables tienen q tener una
estructura parecida)

Análisis de la recta:

Entre los datos estimados y el real hay una diferencia. Hay una
manera de calcularlo, yo ya tengo el modelo armado.

1) Armar el modelo (q ya me lo dan)

2) Testear el modelo:
a. Ver si el modelo es lineal o no.

Coeficiente de determinación R2:

- Asume valores entre 0 y 1

 - Nos permite conocer que porcentaje de la variabilidad de Y esta
explicada por nuestro modelo
- Para que el modelo se considere valido a priori → R2 ≥ 0.50

Coeficiente de correlación / Pearson (r):

- Es aplicarle √ ❑ al coeficiente de determinación

- Toma valores entre -1 y 1
- Demuestra:
o Si existe relación lineal entre esas variables
 Tiene q ser distinto de cero para q exista relación
o Que tan fuerte es esa relación
 |r|>0 , 70→ muy fuerte , fuerte
 0 , 50 ≤|r|≤0 , 70 → moderada
 |r|<0 , 50→ d é bil
o De que tipo es esa relación
 r positiva → relación directa
 r negativa → relación inversa

Pendiente negativa → mas sube X → mas baja Y → relación inversa.

Test de significancia individual (TSI)

Comprobamos definitivamente si el modelo es o no valido. Es el

testeo mas importante.

Se requiere un nivel de significancia (∝)

Es un test de hipótesis para beta.

Queremos ver la relación entre X e Y, si esta relación existe y es lineal

→ para q esta relación exista y sea lineal → hay q ver como se
comporta beta.

Nosotros los vamos a ver como Test de hipótesis bilateral, pero no son
siempre.

Usa distribución Tstudent:

- H0) β=0 → Beta no es significativo, el modelo no es válido

- H1) β ≠ 0 → Beta es significativo, el modelo es válido.

Armo CR, RD.

Análisis de la validez del modelo: A priori VS TSI

A Priori R2 TSI Conclusión

Ok Ok Modelo válido
No No Modelo no válido
Ok No Modelo no válido
 No Ok Modelo válido

Proceso práctico:

1) Identificar X e Y.
2) Armamos nuestro modelo estimado Y sombrero.
3) Interpretar los coeficientes a y b estimados
4) Analizar el coeficiente R2 y r
5) Validar el modelo → vemos si existe efectivamente relación
lineal entre las variables → podemos hacer
inferencias/estimaciones/proyecciones → el modelo tiene
capacidad explicativa y predictiva.
6) Hago las estimaciones (SOLO SI ES VÁLIDO)

Tipos de estimaciones:

Estimación puntual:

- Es un valor de Y sombrero. Un único valor.

- Es reemplazar un valor de x especifico y obtener un valor de y
sombrero especifico.
- Si uso cualquier valor de X puedo generar un error de
extrapolación.
- Para hacerla, hay q asegurarse q el valor de X este dentro del
dominio de X. Si calculo algo q esta fuera del dominio X, se
genera un error de extrapolación.

Estimaciones por intervalo de confianza:

- Intervalo de confianza para beta: IC ( β ¿

o Ligado a la estructuración de b: variación Y, dado el
incremento X
- Intervalo de confianza para y promedio /valores esperados: IC
(Y promedio)
o Palabras claves: promedio – media – valor esperado –
esperanza
o Necesito hacer antes una estimación puntual Y sombrero.
- Intervalo de confianza para un caso puntual / proyección: IC (Y
proyección)
o Se remarca q la estimación es para 1 caso particular
o Necesito hacer antes una estimación puntual Y sombrero.

Interpretación de módulo de Excel:

Estadísticas de la regresión:
Coeficiente de correlación múltiple: r. siempre sale positivo en excel;
hay q ver q signo tiene.

Coeficiente de determinación R2:

2
R ajustado: ¡NO ME SIRVE!
Error típico: Se

Observaciones: cantidad de pares ordenados con los q estoy

trabajando

Análisis de la varianza:

Lo único q me sirve es la suma de cuadrados (regresión y total), para

sacar R2 si no me la dan.

Coeficientes del modelo:

Primera línea A y segunda línea B.

Coeficientes: es lo q vale a y lo q vale b

- El signo del valor del coeficiente B, determina si r es positiva o

negativa.

Error típico: Sa ; Sb

Estadístico T: T empírico

Probabilidad: p value (es el de b); nos dice de forma rápida si nosotros

vamos a terminar rechazando el testeo de significancia individual.
P Value<∝del TSI → rechazo H 0 →modelo válido

Inferior a 95%: IC (beta) con nc 95%

Superior a 95%: IC (beta) con nc 95%

Tema Caso Distribuci Grados de libertad H0 y H1 Cuando se usa
ón
Test de CASO 1 Z (normal No tiene H 0 ¿ μ 1=μ2 Poblaciones independientes
hipótesis estándar) H 1¿ μ1 ≠>¿ μ2 Sigmas conocidas
para CASO 2 T de gl=n+ n−2 H 0 ¿ μ 1=μ2 Poblaciones independientes
comparar Student H 1¿ μ1 ≠>¿ μ2 Sigmas desconocidas
promedios Varianzas iguales (desvío
poblacional amalgamado)
es CASO 3 T de Fórmula WELCH H 0 ¿ μ 1=μ2 Poblaciones independientes
Student H 1¿ μ1 ≠>¿ μ2 Sigmas desconocidas
(Welch) Varianzas distintas (detectado con
prueba F)
CASO 4 T de gl=nd−1 H 0 ¿ μ d =0 Poblaciones dependientes
Student H 1¿ μ d ≠> ¿ 0 Una misma unidad recibe dos
tratamientos
SOLO PROMEDIO
PRUEBA F F de gl 1=n 1−1 H 0 ¿ σ 1=σ 2 Comparar dos desvíos o varianzas de
Snedecor- gl 2=n 2−1 H 1¿ σ 1 ≠>¿ σ 2 2 poblaciones independientes.
Fisher Para decidir si usar CASO 2 o CASO 3
La F tiene dos gl (varianzas iguales o distintas)
Pruebas no Bondad del X
2
gl=categorias −1 H0) los datos Para ver si los datos siguen una
paramétrica ajuste se ajustan a distribución teórica
s o chi Independen X
2
gl=( filas−1 ) (columnas−1) H0) las Para analizar si dos variables son
cuadrado ( cia de variables cualitativas dependientes o
2
X ) atributos cuali .. son independientes
independientes
(no hay
relación causal)
Regresión Test de T de gl=n−2 H 0 ¿ β=0
lineal significancia Student H 1¿ β ≠ 0
simple individual

prueba unilateral a la derecha = 1-alpha

Prueba F -> asimétrica a la derecha

Chi cuadrado siempre unilateral a la derecha