Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Inferencia Estad́ıstica Lućıa Babino Universidad Torcuato Di Tella 1 / 25 Bibliograf́ıa para esta clase Lock: cap 4.1 y 4.2 2 / 25 Test de hipótesis Test de hipótesis: herramienta que sirve para responder preguntas estad́ısticas. Veamos algunos ejemplos de preguntas que podemos responder usando test. 3 / 25 Test de hipótesis Test de hipótesis: herramienta que sirve para responder preguntas estad́ısticas. Veamos algunos ejemplos de preguntas que podemos responder usando test. 3 / 25 ¿La tasa de conversión es mayor con la versión nueva que con la actual? Recopilaremos datos que nos ayuden a responder esta pregunta asumiendo que p0 = tasa de conversión con la versión actual = 0.015 4 / 25 ¿Están los pollos contaminados? Los aditivos a base de arsénico fueron prohibidos por la UE para la alimentación de pollos. Sin embargo se siguen utilizando en EE. UU.. Algunas cadenas de restaurantes están trabajando para reducir la cantidad de arsénico de los pollos que venden. Para ello, una cadena decide tomar una muestra de pollos de cada uno de sus proveedores y medirles la concentración de arsénico. La cadena cancelará la relación con cada proveedor si encuentra evidencia de que los pollos que vende están contaminados. Se asume que los pollos de un proveedor están contaminados si su concentración media de arsénico es mayor a las 80 ppb (partes por billón). Lock, et al. (2020) 5 / 25 ¿Tienen hombres y mujeres distinta opinión sobre el divorcio? Nos preguntamos si la proporción de personas que considera al divorcio moralmente aceptable difiere entre hombres y mujeres Lock, et al. (2020) 6 / 25 Objetivo: utilizar datos para responder una pregunta sobre algún parámetro de interés Test de hipótesis: regla de decisión para decidir entre dos hipótesis sobre un parámetro Hipótesis nula (H0): hipótesis del statu quo Hipótesis alternativa (H1): hipótesis del investigador implica una acción o un descubrimiento. 7 / 25 Objetivo: utilizar datos para responder una pregunta sobre algún parámetro de interés Test de hipótesis: regla de decisión para decidir entre dos hipótesis sobre un parámetro Hipótesis nula (H0): hipótesis del statu quo Hipótesis alternativa (H1): hipótesis del investigador implica una acción o un descubrimiento. 7 / 25 Objetivo: utilizar datos para responder una pregunta sobre algún parámetro de interés Test de hipótesis: regla de decisión para decidir entre dos hipótesis sobre un parámetro Hipótesis nula (H0): hipótesis del statu quo Hipótesis alternativa (H1): hipótesis del investigador implica una acción o un descubrimiento. 7 / 25 Objetivo: utilizar datos para responder una pregunta sobre algún parámetro de interés Test de hipótesis: regla de decisión para decidir entre dos hipótesis sobre un parámetro Hipótesis nula (H0): hipótesis del statu quo Hipótesis alternativa (H1): hipótesis del investigador implica una acción o un descubrimiento. 7 / 25 Objetivo: utilizar datos para responder una pregunta sobre algún parámetro de interés Test de hipótesis: regla de decisión para decidir entre dos hipótesis sobre un parámetro Hipótesis nula (H0): hipótesis del statu quo Hipótesis alternativa (H1): hipótesis del investigador implica una acción o un descubrimiento. 7 / 25 ¿La tasa de conversión es mayor con la versión nueva que con la actual? Parámetro: p = tasa de conversión con la versión nueva Recordemos Hipótesis nula (H0): hipótesis del statu quo Hipótesis alternativa (H1): hip. del investigador → acción/descubrimiento Hipótesis: H0 : p ≤ 0.015 vs. H1 : p > 0.015 8 / 25 ¿La tasa de conversión es mayor con la versión nueva que con la actual? Parámetro: p = tasa de conversión con la versión nueva Recordemos Hipótesis nula (H0): hipótesis del statu quo Hipótesis alternativa (H1): hip. del investigador → acción/descubrimiento Hipótesis: H0 : p ≤ 0.015 vs. H1 : p > 0.015 8 / 25 ¿La tasa de conversión es mayor con la versión nueva que con la actual? Parámetro: p = tasa de conversión con la versión nueva Recordemos Hipótesis nula (H0): hipótesis del statu quo Hipótesis alternativa (H1): hip. del investigador → acción/descubrimiento Hipótesis: H0 : p ≤ 0.015 vs. H1 : p > 0.015 8 / 25 ¿La tasa de conversión es mayor con la versión nueva que con la actual? Parámetro: p = tasa de conversión con la versión nueva Recordemos Hipótesis nula (H0): hipótesis del statu quo Hipótesis alternativa (H1): hip. del investigador → acción/descubrimiento Hipótesis: H0 : p ≤ 0.015 vs. H1 : p > 0.015 8 / 25 ¿Están los pollos contaminados? Parámetro: µ = concent. media de arsénico de todos los pollos del prov. A Hipótesis: H0 : µ ≤ 80 vs. H1 : µ > 80 9 / 25 ¿Están los pollos contaminados? Parámetro: µ = concent. media de arsénico de todos los pollos del prov. A Hipótesis: H0 : µ ≤ 80 vs. H1 : µ > 80 9 / 25 ¿Están los pollos contaminados? Parámetro: µ = concent. media de arsénico de todos los pollos del prov. A Hipótesis: H0 : µ ≤ 80 vs. H1 : µ > 80 9 / 25 ¿Tienen hombres y mujeres distinta opinión sobre el divorcio? Parámetros: p1 = proporción (poblacional) de hombres que considera al divorcio moralmente aceptable p2 = proporción (poblacional) de mujeres que considera al divorcio moralmente aceptable Hipótesis: H0 : p1 = p2 vs. H1 : p1 ̸= p2 10 / 25 ¿Tienen hombres y mujeres distinta opinión sobre el divorcio? Parámetros: p1 = proporción (poblacional) de hombres que considera al divorcio moralmente aceptable p2 = proporción (poblacional) de mujeres que considera al divorcio moralmente aceptable Hipótesis: H0 : p1 = p2 vs. H1 : p1 ̸= p2 10 / 25 ¿Tienen hombres y mujeres distinta opinión sobre el divorcio? Parámetros: p1 = proporción (poblacional) de hombres que considera al divorcio moralmente aceptable p2 = proporción (poblacional) de mujeres que considera al divorcio moralmente aceptable Hipótesis: H0 : p1 = p2 vs. H1 : p1 ̸= p2 10 / 25 ¿Cómo se lleva a cabo? Tomaremos datos generados por F Los usaremos para determinar si hay “suficiente evidencia” de que H1 es verdadera Analoǵıa con un juicio H0: “el acusado es inocente” H1: “el acusado es culpable” Posibles decisiones: Rechazar H0 = Aceptar H1 No rechazar H0 ̸= Aceptar H0 (en el ej. de los pollos, no rechazar H0 no significa que hay evidencia de que los pollos no están contaminados, si no que no hay evidencia de que lo están) 11 / 25 ¿Cómo se lleva a cabo? Tomaremos datos generados por F Los usaremos para determinar si hay “suficiente evidencia” de que H1 es verdadera Analoǵıa con un juicio H0: “el acusado es inocente” H1: “el acusado es culpable” Posibles decisiones: Rechazar H0 = Aceptar H1 No rechazar H0 ̸= Aceptar H0 (en el ej. de los pollos, no rechazar H0 no significa que hay evidencia de que los pollos no están contaminados, si no que no hay evidencia de que lo están) 11 / 25 ¿Cómo se lleva a cabo? Tomaremos datos generados por F Los usaremos para determinar si hay “suficiente evidencia” de que H1 es verdadera Analoǵıa con un juicio H0: “el acusado es inocente” H1: “el acusado es culpable” Posibles decisiones: Rechazar H0 = Aceptar H1 No rechazar H0 ̸= Aceptar H0 (en el ej. de los pollos, no rechazar H0 no significa que hay evidencia de que los pollos no están contaminados, si no que no hay evidencia de que lo están) 11 / 25 ¿Cómo se lleva a cabo? Tomaremos datos generados por F Los usaremos para determinar si hay “suficiente evidencia” de que H1 es verdadera Analoǵıa con un juicio H0: “el acusado es inocente” H1: “el acusado es culpable” Posibles decisiones: Rechazar H0 = Aceptar H1 No rechazar H0 ̸= Aceptar H0 (en el ej. de los pollos, no rechazar H0 no significa que hay evidencia de que los pollos no están contaminados, si no que no hay evidencia de que lo están) 11 / 25 ¿Cómo se llevaa cabo? Tomaremos datos generados por F Los usaremos para determinar si hay “suficiente evidencia” de que H1 es verdadera Analoǵıa con un juicio H0: “el acusado es inocente” H1: “el acusado es culpable” Posibles decisiones: Rechazar H0 = Aceptar H1 No rechazar H0 ̸= Aceptar H0 (en el ej. de los pollos, no rechazar H0 no significa que hay evidencia de que los pollos no están contaminados, si no que no hay evidencia de que lo están) 11 / 25 ¿Cómo se lleva a cabo? Tomaremos datos generados por F Los usaremos para determinar si hay “suficiente evidencia” de que H1 es verdadera Analoǵıa con un juicio H0: “el acusado es inocente” H1: “el acusado es culpable” Posibles decisiones: Rechazar H0 = Aceptar H1 No rechazar H0 ̸= Aceptar H0 (en el ej. de los pollos, no rechazar H0 no significa que hay evidencia de que los pollos no están contaminados, si no que no hay evidencia de que lo están) 11 / 25 ¿Cómo se lleva a cabo? Tomaremos datos generados por F Los usaremos para determinar si hay “suficiente evidencia” de que H1 es verdadera Analoǵıa con un juicio H0: “el acusado es inocente” H1: “el acusado es culpable” Posibles decisiones: Rechazar H0 = Aceptar H1 No rechazar H0 ̸= Aceptar H0 (en el ej. de los pollos, no rechazar H0 no significa que hay evidencia de que los pollos no están contaminados, si no que no hay evidencia de que lo están) 11 / 25 ¿Cómo se lleva a cabo? Tomaremos datos generados por F Los usaremos para determinar si hay “suficiente evidencia” de que H1 es verdadera Analoǵıa con un juicio H0: “el acusado es inocente” H1: “el acusado es culpable” Posibles decisiones: Rechazar H0 = Aceptar H1 No rechazar H0 ̸= Aceptar H0 (en el ej. de los pollos, no rechazar H0 no significa que hay evidencia de que los pollos no están contaminados, si no que no hay evidencia de que lo están) 11 / 25 ¿Cómo se lleva a cabo? Tomaremos datos generados por F Los usaremos para determinar si hay “suficiente evidencia” de que H1 es verdadera Analoǵıa con un juicio H0: “el acusado es inocente” H1: “el acusado es culpable” Posibles decisiones: Rechazar H0 = Aceptar H1 No rechazar H0 ̸= Aceptar H0 (en el ej. de los pollos, no rechazar H0 no significa que hay evidencia de que los pollos no están contaminados, si no que no hay evidencia de que lo están) 11 / 25 ¿Cómo se lleva a cabo? Tomaremos datos generados por F Los usaremos para determinar si hay “suficiente evidencia” de que H1 es verdadera Analoǵıa con un juicio H0: “el acusado es inocente” H1: “el acusado es culpable” Posibles decisiones: Rechazar H0 = Aceptar H1 No rechazar H0 ̸= Aceptar H0 (en el ej. de los pollos, no rechazar H0 no significa que hay evidencia de que los pollos no están contaminados, si no que no hay evidencia de que lo están) 11 / 25 ¿Cómo se lleva a cabo? Tomaremos datos generados por F Los usaremos para determinar si hay “suficiente evidencia” de que H1 es verdadera Analoǵıa con un juicio H0: “el acusado es inocente” H1: “el acusado es culpable” Posibles decisiones: Rechazar H0 = Aceptar H1 No rechazar H0 ̸= Aceptar H0 (en el ej. de los pollos, no rechazar H0 no significa que hay evidencia de que los pollos no están contaminados, si no que no hay evidencia de que lo están) 11 / 25 Evidencia estad́ıstica En un test... tomamos datos generados por F determinamos si los datos proporcionan suficiente “evidencia” para rechazar H0 ¿Cómo cuantificamos la evidencia que presentan los datos? 12 / 25 Evidencia estad́ıstica En un test... tomamos datos generados por F determinamos si los datos proporcionan suficiente “evidencia” para rechazar H0 ¿Cómo cuantificamos la evidencia que presentan los datos? 12 / 25 Evidencia estad́ıstica En un test... tomamos datos generados por F determinamos si los datos proporcionan suficiente “evidencia” para rechazar H0 ¿Cómo cuantificamos la evidencia que presentan los datos? 12 / 25 Ejemplo: ¿Están los pollos contaminados? Parámetro: µ = concent. media de arsénico de todos los pollos del prov. A Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 (supondremos por ahora que “H0 : µ = 80” en vez de “H0 : µ ≤ 80”) Muestra aleatoria: X1, . . . , Xn i.i.d. Definición: Xi = concentración de arsénico (en ppb) del i-ésimo pollo de la muestra, 1 ≤ i ≤ n ¿Qué sabemos de su distribución? E(Xi) = µ Supongamos que X1, . . . , Xn ∼ N (µ, σ20), con σ0 = 5 13 / 25 Ejemplo: ¿Están los pollos contaminados? Parámetro: µ = concent. media de arsénico de todos los pollos del prov. A Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 (supondremos por ahora que “H0 : µ = 80” en vez de “H0 : µ ≤ 80”) Muestra aleatoria: X1, . . . , Xn i.i.d. Definición: Xi = concentración de arsénico (en ppb) del i-ésimo pollo de la muestra, 1 ≤ i ≤ n ¿Qué sabemos de su distribución? E(Xi) = µ Supongamos que X1, . . . , Xn ∼ N (µ, σ20), con σ0 = 5 13 / 25 Ejemplo: ¿Están los pollos contaminados? Parámetro: µ = concent. media de arsénico de todos los pollos del prov. A Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 (supondremos por ahora que “H0 : µ = 80” en vez de “H0 : µ ≤ 80”) Muestra aleatoria: X1, . . . , Xn i.i.d. Definición: Xi = concentración de arsénico (en ppb) del i-ésimo pollo de la muestra, 1 ≤ i ≤ n ¿Qué sabemos de su distribución? E(Xi) = µ Supongamos que X1, . . . , Xn ∼ N (µ, σ20), con σ0 = 5 13 / 25 Ejemplo: ¿Están los pollos contaminados? Parámetro: µ = concent. media de arsénico de todos los pollos del prov. A Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 (supondremos por ahora que “H0 : µ = 80” en vez de “H0 : µ ≤ 80”) Muestra aleatoria: X1, . . . , Xn i.i.d. Definición: Xi = concentración de arsénico (en ppb) del i-ésimo pollo de la muestra, 1 ≤ i ≤ n ¿Qué sabemos de su distribución? E(Xi) = µ Supongamos que X1, . . . , Xn ∼ N (µ, σ20), con σ0 = 5 13 / 25 Ejemplo: ¿Están los pollos contaminados? Parámetro: µ = concent. media de arsénico de todos los pollos del prov. A Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 (supondremos por ahora que “H0 : µ = 80” en vez de “H0 : µ ≤ 80”) Muestra aleatoria: X1, . . . , Xn i.i.d. Definición: Xi = concentración de arsénico (en ppb) del i-ésimo pollo de la muestra, 1 ≤ i ≤ n ¿Qué sabemos de su distribución? E(Xi) = µ Supongamos que X1, . . . , Xn ∼ N (µ, σ20), con σ0 = 5 13 / 25 Ejemplo: ¿Están los pollos contaminados? Parámetro: µ = concent. media de arsénico de todos los pollos del prov. A Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 (supondremos por ahora que “H0 : µ = 80” en vez de “H0 : µ ≤ 80”) Muestra aleatoria: X1, . . . , Xn i.i.d. Definición: Xi = concentración de arsénico (en ppb) del i-ésimo pollo de la muestra, 1 ≤ i ≤ n ¿Qué sabemos de su distribución? E(Xi) = µ Supongamos que X1, . . . , Xn ∼ N (µ, σ20), con σ0 = 5 13 / 25 Ejemplo: ¿Están los pollos contaminados? Parámetro: µ = concent. media de arsénico de todos los pollos del prov. A Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 (supondremos por ahora que “H0 : µ = 80” en vez de “H0 : µ ≤ 80”) Muestra aleatoria: X1, . . . , Xn i.i.d. Definición: Xi = concentración de arsénico (en ppb) del i-ésimo pollo de la muestra, 1 ≤ i ≤ n ¿Qué sabemos de su distribución? E(Xi) = µ Supongamos que X1, . . . , Xn ∼ N (µ, σ20), con σ0 = 5 13 / 25 Ejemplo: ¿Están los pollos contaminados? Parámetro: µ = concent. media de arsénico de todos los pollos del prov. A Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 (supondremos por ahora que “H0 : µ = 80” en vez de “H0 : µ ≤ 80”) Muestra aleatoria: X1, . . . , Xn i.i.d. Definición: Xi = concentración de arsénico (en ppb) del i-ésimo pollo de la muestra, 1 ≤ i ≤ n ¿Qué sabemos de su distribución? E(Xi) = µ Supongamos que X1, . . . , Xn ∼ N (µ, σ20), con σ0 = 5 13 / 25 Ejemplo: ¿Están los pollos contaminados? Parámetro: µ = concent. media de arsénico de todos los pollos del prov. A Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 (supondremos por ahora que “H0: µ = 80” en vez de “H0 : µ ≤ 80”) Muestra aleatoria: X1, . . . , Xn i.i.d. Definición: Xi = concentración de arsénico (en ppb) del i-ésimo pollo de la muestra, 1 ≤ i ≤ n ¿Qué sabemos de su distribución? E(Xi) = µ Supongamos que X1, . . . , Xn ∼ N (µ, σ20), con σ0 = 5 13 / 25 Ejemplo: ¿Están los pollos contaminados? Tomamos una muestra de 7 pollos del proveedor A cuyas concentraciones de arsénico resultaron 59 66 72 125 84 74 86 La media muestral es x7 = 80.86. ¿Proporcionan estos datos suficiente evidencia de que µ > 80? ¿Cómo cuantificamos esta evidencia? 14 / 25 Ejemplo: ¿Están los pollos contaminados? Tomamos una muestra de 7 pollos del proveedor A cuyas concentraciones de arsénico resultaron 59 66 72 125 84 74 86 La media muestral es x7 = 80.86. ¿Proporcionan estos datos suficiente evidencia de que µ > 80? ¿Cómo cuantificamos esta evidencia? 14 / 25 Ejemplo: ¿Están los pollos contaminados? Tomamos una muestra de 7 pollos del proveedor A cuyas concentraciones de arsénico resultaron 59 66 72 125 84 74 86 La media muestral es x7 = 80.86. ¿Proporcionan estos datos suficiente evidencia de que µ > 80? ¿Cómo cuantificamos esta evidencia? 14 / 25 Ejemplo: ¿Están los pollos contaminados? Tomamos una muestra de 7 pollos del proveedor A cuyas concentraciones de arsénico resultaron 59 66 72 125 84 74 86 La media muestral es x7 = 80.86. ¿Proporcionan estos datos suficiente evidencia de que µ > 80? ¿Cómo cuantificamos esta evidencia? 14 / 25 Esṕıritu del test Nos preguntamos cuál es la probabilidad de observar un estad́ıstico como el observado o más extremo aún (en la dirección de H1) bajo H0 (si H0 es verdadera) −→ p - valor Si esta probabilidad es baja, rechazaremos H0. Rechazamos H0 cuando los datos observados son raros bajo H0 y proporcionan evidencia a favor de H1. 15 / 25 Esṕıritu del test Nos preguntamos cuál es la probabilidad de observar un estad́ıstico como el observado o más extremo aún (en la dirección de H1) bajo H0 (si H0 es verdadera) −→ p - valor Si esta probabilidad es baja, rechazaremos H0. Rechazamos H0 cuando los datos observados son raros bajo H0 y proporcionan evidencia a favor de H1. 15 / 25 Esṕıritu del test Nos preguntamos cuál es la probabilidad de observar un estad́ıstico como el observado o más extremo aún (en la dirección de H1) bajo H0 (si H0 es verdadera) −→ p - valor Si esta probabilidad es baja, rechazaremos H0. Rechazamos H0 cuando los datos observados son raros bajo H0 y proporcionan evidencia a favor de H1. 15 / 25 Esṕıritu del test Nos preguntamos cuál es la probabilidad de observar un estad́ıstico como el observado o más extremo aún (en la dirección de H1) bajo H0 (si H0 es verdadera) −→ p - valor Si esta probabilidad es baja, rechazaremos H0. Rechazamos H0 cuando los datos observados son raros bajo H0 y proporcionan evidencia a favor de H1. 15 / 25 Volviendo al ejemplo... Pµ=80(X7 ≥ 80.86) = 0.32 Supongamos que extraemos otra muestra de tamaño 7 para la cual x7 = 83.5 Pµ=80(X7 ≥ 83.5) = 0.03 ¿Qué conjunto de datos presenta mayor evidencia contra H0? 16 / 25 Volviendo al ejemplo... Pµ=80(X7 ≥ 80.86) = 0.32 Supongamos que extraemos otra muestra de tamaño 7 para la cual x7 = 83.5 Pµ=80(X7 ≥ 83.5) = 0.03 ¿Qué conjunto de datos presenta mayor evidencia contra H0? 16 / 25 Volviendo al ejemplo... Pµ=80(X7 ≥ 80.86) = 0.32 Supongamos que extraemos otra muestra de tamaño 7 para la cual x7 = 83.5 Pµ=80(X7 ≥ 83.5) = 0.03 ¿Qué conjunto de datos presenta mayor evidencia contra H0? 16 / 25 Volviendo al ejemplo... Pµ=80(X7 ≥ 80.86) = 0.32 Supongamos que extraemos otra muestra de tamaño 7 para la cual x7 = 83.5 Pµ=80(X7 ≥ 83.5) = 0.03 ¿Qué conjunto de datos presenta mayor evidencia contra H0? 16 / 25 Volviendo al ejemplo... Pµ=80(X7 ≥ 80.86) = 0.32 Supongamos que extraemos otra muestra de tamaño 7 para la cual x7 = 83.5 Pµ=80(X7 ≥ 83.5) = 0.03 ¿Qué conjunto de datos presenta mayor evidencia contra H0? 16 / 25 Volviendo al ejemplo... Pµ=80(X7 ≥ 80.86) = 0.32 Supongamos que extraemos otra muestra de tamaño 7 para la cual x7 = 83.5 Pµ=80(X7 ≥ 83.5) = 0.03 ¿Qué conjunto de datos presenta mayor evidencia contra H0? 16 / 25 p - valor (primera vuelta de tuerca) p− valor = probabilidad de observar datos como los observados o más extremos aún (en la dirección de H1) bajo H0 Permite cuantificar cuánta evidencia presentan los datos a favor de H1 (contra H0) ↑ a menor p− valor, mayor evidencia. 17 / 25 p - valor (primera vuelta de tuerca) p− valor = probabilidad de observar datos como los observados o más extremos aún (en la dirección de H1) bajo H0 Permite cuantificar cuánta evidencia presentan los datos a favor de H1 (contra H0) ↑ a menor p− valor, mayor evidencia. 17 / 25 p - valor (primera vuelta de tuerca) p− valor = probabilidad de observar datos como los observados o más extremos aún (en la dirección de H1) bajo H0 Permite cuantificar cuánta evidencia presentan los datos a favor de H1 (contra H0) ↑ a menor p− valor, mayor evidencia. 17 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V H0 es F 18 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V H0 es F 18 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ H0 es F 19 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ error tipo I (EI) H0 es F 20 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ error tipo I (EI) H0 es F error tipo II (EII) 21 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ error tipo I (EI) H0 es F error tipo II (EII) ✓ 22 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ error tipo I (EI) H0 es F error tipo II (EII) ✓ Ejemplo pollos: Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 Tipos de error: EI = Decidir que los pollos están contaminados (y cancelar al proveedor) cuando no lo están. EII = Decidir que los pollos NO están contaminados (seguir comprando) cuando śı lo están. Nos gustaŕıa que P(EI) y P(EII) sean chicas. Pero al disminuir P(EI) aumenta P(EII) y viceversa. ¿Qué tipo de error es más grave? 23 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ error tipo I (EI) H0 es F error tipo II (EII) ✓ Ejemplo pollos: Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 Tipos de error: EI = Decidir que los pollos están contaminados (y cancelar al proveedor) cuando no lo están. EII = Decidir que los pollos NO están contaminados (seguir comprando) cuando śı lo están. Nos gustaŕıa que P(EI) y P(EII) sean chicas. Pero al disminuir P(EI) aumenta P(EII) y viceversa. ¿Qué tipo de error es más grave? 23 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ error tipo I (EI) H0 es F error tipo II (EII) ✓ Ejemplo pollos: Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 Tipos de error: EI = Decidir que los pollos están contaminados (y cancelar al proveedor) cuando no lo están. EII = Decidir que los pollos NO están contaminados (seguir comprando) cuando śı lo están. Nos gustaŕıa que P(EI) y P(EII) sean chicas. Pero al disminuir P(EI) aumenta P(EII) y viceversa. ¿Qué tipo de error es más grave? 23 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ error tipo I (EI) H0 es F error tipo II (EII) ✓ Ejemplo pollos: Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 Tipos de error: EI = Decidir que los pollos están contaminados (y cancelar al proveedor) cuando no lo están. EII = Decidir que los pollos NO están contaminados (seguir comprando) cuando śı lo están. Nos gustaŕıa que P(EI) y P(EII) sean chicas. Pero al disminuir P(EI) aumenta P(EII) y viceversa. ¿Qué tipo de error es más grave? 23 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ error tipo I (EI) H0 es F error tipo II (EII) ✓ Ejemplo pollos: Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 Tipos de error: EI = Decidir que los pollos están contaminados (y cancelar al proveedor) cuando no lo están. EII = Decidir que los pollos NO están contaminados (seguir comprando)cuando śı lo están. Nos gustaŕıa que P(EI) y P(EII) sean chicas. Pero al disminuir P(EI) aumenta P(EII) y viceversa. ¿Qué tipo de error es más grave? 23 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ error tipo I (EI) H0 es F error tipo II (EII) ✓ Ejemplo pollos: Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 Tipos de error: EI = Decidir que los pollos están contaminados (y cancelar al proveedor) cuando no lo están. EII = Decidir que los pollos NO están contaminados (seguir comprando) cuando śı lo están. Nos gustaŕıa que P(EI) y P(EII) sean chicas. Pero al disminuir P(EI) aumenta P(EII) y viceversa. ¿Qué tipo de error es más grave? 23 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ error tipo I (EI) H0 es F error tipo II (EII) ✓ Ejemplo pollos: Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 Tipos de error: EI = Decidir que los pollos están contaminados (y cancelar al proveedor) cuando no lo están. EII = Decidir que los pollos NO están contaminados (seguir comprando) cuando śı lo están. Nos gustaŕıa que P(EI) y P(EII) sean chicas. Pero al disminuir P(EI) aumenta P(EII) y viceversa. ¿Qué tipo de error es más grave? 23 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ error tipo I (EI) H0 es F error tipo II (EII) ✓ Ejemplo pollos: Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 Tipos de error: EI = Decidir que los pollos están contaminados (y cancelar al proveedor) cuando no lo están. EII = Decidir que los pollos NO están contaminados (seguir comprando) cuando śı lo están. Nos gustaŕıa que P(EI) y P(EII) sean chicas. Pero al disminuir P(EI) aumenta P(EII) y viceversa. ¿Qué tipo de error es más grave? 23 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ error tipo I (EI) H0 es F error tipo II (EII) ✓ Ejemplo pollos: Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 Tipos de error: EI = Decidir que los pollos están contaminados (y cancelar al proveedor) cuando no lo están. EII = Decidir que los pollos NO están contaminados (seguir comprando) cuando śı lo están. Nos gustaŕıa que P(EI) y P(EII) sean chicas. Pero al disminuir P(EI) aumenta P(EII) y viceversa. ¿Qué tipo de error es más grave? 23 / 25 Tipos de error No rechazo H0 Rechazo H0 H0 es V ✓ error tipo I (EI) H0 es F error tipo II (EII) ✓ Ejemplo pollos: Hipótesis: H0 : µ = 80 vs. H1 : µ > 80 Tipos de error: EI = Decidir que los pollos están contaminados (y cancelar al proveedor) cuando no lo están. EII = Decidir que los pollos NO están contaminados (seguir comprando) cuando śı lo están. Nos gustaŕıa que P(EI) y P(EII) sean chicas. Pero al disminuir P(EI) aumenta P(EII) y viceversa. ¿Qué tipo de error es más grave? 23 / 25 Tipos de error y nivel de un test Analoǵıa con juicio: Hipótesis: H0: “el acusado es inocente” H1: “el acusado es culpable” Errores: EI = decidir que el acusado es culpable cuando es inocente EII = decidir que el acusado es inocente cuando es culpable Construimos el test bajo el supuesto de que EI es el más grave. Definición Llamamos nivel de significación de un test a P(EI) = P(Rechazar H0 cuando H0 es V) y la notamos con α. 24 / 25 Tipos de error y nivel de un test Analoǵıa con juicio: Hipótesis: H0: “el acusado es inocente” H1: “el acusado es culpable” Errores: EI = decidir que el acusado es culpable cuando es inocente EII = decidir que el acusado es inocente cuando es culpable Construimos el test bajo el supuesto de que EI es el más grave. Definición Llamamos nivel de significación de un test a P(EI) = P(Rechazar H0 cuando H0 es V) y la notamos con α. 24 / 25 Tipos de error y nivel de un test Analoǵıa con juicio: Hipótesis: H0: “el acusado es inocente” H1: “el acusado es culpable” Errores: EI = decidir que el acusado es culpable cuando es inocente EII = decidir que el acusado es inocente cuando es culpable Construimos el test bajo el supuesto de que EI es el más grave. Definición Llamamos nivel de significación de un test a P(EI) = P(Rechazar H0 cuando H0 es V) y la notamos con α. 24 / 25 Tipos de error y nivel de un test Analoǵıa con juicio: Hipótesis: H0: “el acusado es inocente” H1: “el acusado es culpable” Errores: EI = decidir que el acusado es culpable cuando es inocente EII = decidir que el acusado es inocente cuando es culpable Construimos el test bajo el supuesto de que EI es el más grave. Definición Llamamos nivel de significación de un test a P(EI) = P(Rechazar H0 cuando H0 es V) y la notamos con α. 24 / 25 Tipos de error y nivel de un test Analoǵıa con juicio: Hipótesis: H0: “el acusado es inocente” H1: “el acusado es culpable” Errores: EI = decidir que el acusado es culpable cuando es inocente EII = decidir que el acusado es inocente cuando es culpable Construimos el test bajo el supuesto de que EI es el más grave. Definición Llamamos nivel de significación de un test a P(EI) = P(Rechazar H0 cuando H0 es V) y la notamos con α. 24 / 25 Tipos de error y nivel de un test Analoǵıa con juicio: Hipótesis: H0: “el acusado es inocente” H1: “el acusado es culpable” Errores: EI = decidir que el acusado es culpable cuando es inocente EII = decidir que el acusado es inocente cuando es culpable Construimos el test bajo el supuesto de que EI es el más grave. Definición Llamamos nivel de significación de un test a P(EI) = P(Rechazar H0 cuando H0 es V) y la notamos con α. 24 / 25 Tipos de error y nivel de un test Analoǵıa con juicio: Hipótesis: H0: “el acusado es inocente” H1: “el acusado es culpable” Errores: EI = decidir que el acusado es culpable cuando es inocente EII = decidir que el acusado es inocente cuando es culpable Construimos el test bajo el supuesto de que EI es el más grave. Definición Llamamos nivel de significación de un test a P(EI) = P(Rechazar H0 cuando H0 es V) y la notamos con α. 24 / 25 Ejercicios de la práctica que pueden hacer Práctica 4: ejercicios 1 a 4. 25 / 25
Compartir