Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Inferencia Estad́ıstica Lućıa Babino Universidad Torcuato Di Tella 1 / 35 Bibliograf́ıa para esta clase Lock, cap. 4.5 y 5.2 Wasserman, cap 10 (sec. 10.1 y 10.2 sin power function) 2 / 35 Repaso 3 / 35 Test para µ bajo normalidad con σ desconocida Sup. X1, . . . , Xn ∼ N (µ, σ2) i.i.d. Un test de nivel α para las hipótesis H0 : µ = µ0 vs. a) H1 : µ > µ0 b) H1 : µ < µ0 c) H1 : µ ̸= µ0 tendrá... Estad́ıstico: T = Xn − µ0√ s2/n ∼ tn−1 bajo H0 → ¿cómo se compara con el Pivote? Región de rechazo (R): a) {T > tn−1,α} b) {T < −tn−1,α} c) {|T | > tn−1,α/2} p-valor: (si Tn−1 ∼ tn−1) a) P(Tn−1 ≥ Tobs) b) P(Tn−1 ≤ Tobs) c) P(|Tn−1| ≥ |Tobs|) 4 / 35 Ejemplo: ¿Es la temperatura media actual distinta de 98.6°F? ¿Cuál es la temperatura corporal promedio para los humanos sanos? La mayoŕıa de las personas que usan una escala Fahrenheit dirán 98.6 °F (37°C). Este “hecho” ha sido bien establecido durante muchos años. Pero, ¿es posible que la temperatura corporal promedio haya cambiado con el tiempo? Para responder esta pregunta, se realizó un estudio en el cual se midió la temperatura corporal de 50 adultos sanos observándose una media muestra de 98.26 °F y un desv́ıo estándar muestral de 0, 7653 °F. ¿Proporcionan estos datos evidencia significativa de que la temperatura corporal promedio actual es realmente diferente de la histórica de 98.6 °F? Suponga que la temperatura corporal actual sigue una distribución normal. Lock, et al. (2020) 5 / 35 Test - pasos Parámetro: µ = temperatura media poblacional actual (en °F) Hipótesis: H0 : µ = 98.6 vs. H1 : µ ̸= 98.6 Muestra aleatoria: X1, . . . , Xn ∼ N (µ, σ2) i.i.d. con n = 50 donde Xi = temp. (en °F) del i-ésimo individuo de la muestra, 1 ≤ i ≤ 50. 6 / 35 Test - pasos Estad́ıstico: T = Xn − µ0√ s2/n ∼ tn−1 bajo H0 T = X50 − 98.6√ s2/50 ∼ t49 bajo H0 Región de rechazo de nivel 0.05: R = {|T | > tn−1,α/2} = {|T | > t49,0.025} = {|T | > 2.0096} Decisión: 7 / 35 Test - pasos Estad́ıstico: T = Xn − µ0√ s2/n ∼ tn−1 bajo H0 T = X50 − 98.6√ s2/50 ∼ t49 bajo H0 Región de rechazo de nivel 0.05: R = {|T | > tn−1,α/2} = {|T | > t49,0.025} = {|T | > 2.0096} Decisión: 7 / 35 Clase de hoy 8 / 35 Test - pasos Estad́ıstico: T = Xn − µ0√ s2/n ∼ tn−1 bajo H0 T = X50 − 98.6√ s2/50 ∼ t49 bajo H0 Región de rechazo de nivel 0.05: R = {|T | > tn−1,α/2} = {|T | > t49,0.025} = {|T | > 2.0096} Decisión: rechazamos H0 a nivel 5%. Conclusión (en el contexto): los datos proporcionan evidencia significativa a nivel 5% de que la temperatura corporal media (poblacional) actual es distinta de 98.6 °F. 9 / 35 Test - pasos Estad́ıstico: T = Xn − µ0√ s2/n ∼ tn−1 bajo H0 T = X50 − 98.6√ s2/50 ∼ t49 bajo H0 Región de rechazo de nivel 0.05: R = {|T | > tn−1,α/2} = {|T | > t49,0.025} = {|T | > 2.0096} Decisión: rechazamos H0 a nivel 5%. Conclusión (en el contexto): los datos proporcionan evidencia significativa a nivel 5% de que la temperatura corporal media (poblacional) actual es distinta de 98.6 °F. 9 / 35 Test - pasos Estad́ıstico: T = Xn − µ0√ s2/n ∼ tn−1 bajo H0 T = X50 − 98.6√ s2/50 ∼ t49 bajo H0 Región de rechazo de nivel 0.05: R = {|T | > tn−1,α/2} = {|T | > t49,0.025} = {|T | > 2.0096} Decisión: rechazamos H0 a nivel 5%. Conclusión (en el contexto): los datos proporcionan evidencia significativa a nivel 5% de que la temperatura corporal media (poblacional) actual es distinta de 98.6 °F. 9 / 35 Test - pasos Estad́ıstico: T = Xn − µ0√ s2/n ∼ tn−1 bajo H0 T = X50 − 98.6√ s2/50 ∼ t49 bajo H0 Región de rechazo de nivel 0.05: R = {|T | > tn−1,α/2} = {|T | > t49,0.025} = {|T | > 2.0096} Decisión: rechazamos H0 a nivel 5%. Conclusión (en el contexto): los datos proporcionan evidencia significativa a nivel 5% de que la temperatura corporal media (poblacional) actual es distinta de 98.6 °F. 9 / 35 Test - pasos p-valor = 0.0029 → justificar en parcial ¿Qué decisión habŕıamos tomado a nivel 0.01? ¿Cuál es el grado de evidencia que presentan los datos contra H0? p-valor H0 evidencia contra H0 < 0.01 muy alta/fuerte [0.01, 0.05) alta/fuerte [0.05, 0.10) baja/débil [0.10, 0.50) muy baja/débil > 0.50 ninguna 10 / 35 Test - pasos p-valor = 0.0029 → justificar en parcial ¿Qué decisión habŕıamos tomado a nivel 0.01? ¿Cuál es el grado de evidencia que presentan los datos contra H0? p-valor H0 evidencia contra H0 < 0.01 muy alta/fuerte [0.01, 0.05) alta/fuerte [0.05, 0.10) baja/débil [0.10, 0.50) muy baja/débil > 0.50 ninguna 10 / 35 Test - pasos p-valor = 0.0029 → justificar en parcial ¿Qué decisión habŕıamos tomado a nivel 0.01? ¿Cuál es el grado de evidencia que presentan los datos contra H0? p-valor H0 evidencia contra H0 < 0.01 muy alta/fuerte [0.01, 0.05) alta/fuerte [0.05, 0.10) baja/débil [0.10, 0.50) muy baja/débil > 0.50 ninguna 10 / 35 Test - pasos p-valor = 0.0029 → justificar en parcial ¿Qué decisión habŕıamos tomado a nivel 0.01? ¿Cuál es el grado de evidencia que presentan los datos contra H0? p-valor H0 evidencia contra H0 < 0.01 muy alta/fuerte [0.01, 0.05) alta/fuerte [0.05, 0.10) baja/débil [0.10, 0.50) muy baja/débil > 0.50 ninguna 10 / 35 Test - pasos p-valor = 0.0029 → justificar en parcial ¿Qué decisión habŕıamos tomado a nivel 0.01? ¿Cuál es el grado de evidencia que presentan los datos contra H0? p-valor H0 evidencia contra H0 < 0.01 muy alta/fuerte [0.01, 0.05) alta/fuerte [0.05, 0.10) baja/débil [0.10, 0.50) muy baja/débil > 0.50 ninguna 10 / 35 Implementación en R 1 # seteo el directorio de trabajo 2 setwd("C:/InferenciaEstadistica/datos") 3 # importo los datos a R 4 datos <- read.table("BodyTemp50.txt", header = TRUE) 1 # guardo BodyTemp en el vector temp 2 temp <- datos$BodyTemp 11 / 35 Implementación en R 1 # seteo el directorio de trabajo 2 setwd("C:/InferenciaEstadistica/datos") 3 # importo los datos a R 4 datos <- read.table("BodyTemp50.txt", header = TRUE) 1 # guardo BodyTemp en el vector temp 2 temp <- datos$BodyTemp 11 / 35 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(|Tn−1| ≥ |Tobs|) Tobs = xn − µ0√ s2obs/n Necesitamos... datos → xn, sobs y n. µ0 H1 t.test(temp, alternative = "two.sided", mu = 98.6) 12 / 35 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(|Tn−1| ≥ |Tobs|) Tobs = xn − µ0√ s2obs/n Necesitamos... datos → xn, sobs y n. µ0 H1 t.test(temp, alternative = "two.sided", mu = 98.6) 12 / 35 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(|Tn−1| ≥ |Tobs|) Tobs = xn − µ0√ s2obs/n Necesitamos... datos → xn, sobs y n. µ0 H1 t.test(temp, alternative = "two.sided", mu = 98.6) 12 / 35 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(|Tn−1| ≥ |Tobs|) Tobs = xn − µ0√ s2obs/n Necesitamos... datos → xn, sobs y n. µ0 H1 t.test(temp, alternative = "two.sided", mu = 98.6) 12 / 35 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(|Tn−1| ≥ |Tobs|) Tobs = xn − µ0√ s2obs/n Necesitamos... datos → xn, sobs y n. µ0 H1 t.test(temp, alternative = "two.sided", mu = 98.6) 12 / 35 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(|Tn−1| ≥ |Tobs|) Tobs = xn − µ0√ s2obs/n Necesitamos... datos → xn, sobs y n. µ0 H1 t.test(temp, alternative = "two.sided", mu = 98.6) 12 / 35 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(|Tn−1| ≥ |Tobs|) Tobs = xn − µ0√ s2obs/n Necesitamos... datos → xn, sobs y n. µ0 H1 t.test(temp, alternative = "two.sided", mu = 98.6) 12 / 35 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(|Tn−1| ≥ |Tobs|) Tobs = xn − µ0√ s2obs/n Necesitamos... datos → xn, sobs y n. µ0 H1 t.test(temp, alternative = "two.sided", mu =98.6) 12 / 35 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(|Tn−1| ≥ |Tobs|) Tobs = xn − µ0√ s2obs/n Necesitamos... datos → xn, sobs y n. µ0 H1 t.test(temp, alternative = "two.sided", mu = 98.6) 12 / 35 Implementación en R 1 # corro el test 2 t.test(temp , alternative = "two.sided", mu = 98.6) 3 4 # One Sample t-test 5 # 6 # data: temp 7 # t = -3.1414, df = 49, p-value = 0.002851 8 # alternative hypothesis: true mean is not equal to 98.6 9 # 95 percent confidence interval: 10 # 98.0425 98.4775 11 # sample estimates: 12 # mean of x 13 # 98.26 El IC que informa es el IC de nivel 0.95 para µ cuando X1, . . . , Xn ∼ N (µ, σ2) i.i.d., IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Si queremos un IC de nivel 0.01... t.test(temp, alternative = "two.sided", mu = 98.6, conf.level = 0.99 ) 13 / 35 Implementación en R 1 # corro el test 2 t.test(temp , alternative = "two.sided", mu = 98.6) 3 4 # One Sample t-test 5 # 6 # data: temp 7 # t = -3.1414, df = 49, p-value = 0.002851 8 # alternative hypothesis: true mean is not equal to 98.6 9 # 95 percent confidence interval: 10 # 98.0425 98.4775 11 # sample estimates: 12 # mean of x 13 # 98.26 El IC que informa es el IC de nivel 0.95 para µ cuando X1, . . . , Xn ∼ N (µ, σ2) i.i.d., IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Si queremos un IC de nivel 0.01... t.test(temp, alternative = "two.sided", mu = 98.6, conf.level = 0.99 ) 13 / 35 Implementación en R 1 # corro el test 2 t.test(temp , alternative = "two.sided", mu = 98.6) 3 4 # One Sample t-test 5 # 6 # data: temp 7 # t = -3.1414, df = 49, p-value = 0.002851 8 # alternative hypothesis: true mean is not equal to 98.6 9 # 95 percent confidence interval: 10 # 98.0425 98.4775 11 # sample estimates: 12 # mean of x 13 # 98.26 El IC que informa es el IC de nivel 0.95 para µ cuando X1, . . . , Xn ∼ N (µ, σ2) i.i.d., IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Si queremos un IC de nivel 0.01... t.test(temp, alternative = "two.sided", mu = 98.6, conf.level = 0.99 ) 13 / 35 Implementación en R 1 # corro el test 2 t.test(temp , alternative = "two.sided", mu = 98.6) 3 4 # One Sample t-test 5 # 6 # data: temp 7 # t = -3.1414, df = 49, p-value = 0.002851 8 # alternative hypothesis: true mean is not equal to 98.6 9 # 95 percent confidence interval: 10 # 98.0425 98.4775 11 # sample estimates: 12 # mean of x 13 # 98.26 El IC que informa es el IC de nivel 0.95 para µ cuando X1, . . . , Xn ∼ N (µ, σ2) i.i.d., IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Si queremos un IC de nivel 0.01... t.test(temp, alternative = "two.sided", mu = 98.6, conf.level = 0.99 ) 13 / 35 Implementación en R 1 # corro el test 2 t.test(temp , alternative = "two.sided", mu = 98.6) 3 4 # One Sample t-test 5 # 6 # data: temp 7 # t = -3.1414, df = 49, p-value = 0.002851 8 # alternative hypothesis: true mean is not equal to 98.6 9 # 95 percent confidence interval: 10 # 98.0425 98.4775 11 # sample estimates: 12 # mean of x 13 # 98.26 El IC que informa es el IC de nivel 0.95 para µ cuando X1, . . . , Xn ∼ N (µ, σ2) i.i.d., IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Si queremos un IC de nivel 0.01... t.test(temp, alternative = "two.sided", mu = 98.6, conf.level = 0.99 ) 13 / 35 IC en t.test La salida de t.test informa el ICobs(0.95) correspondiente a... IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Para construir el IC usamos la misma información que para armar el test. Además, µ0 = 98, 6 /∈ ICobs(0.95) = (98.0425, 98.4775) y rechazamos H0 a nivel 5%. ¿Será casualidad u ocurrirá con cualquier muestra? Veremos que... Si 98.6 /∈ ICobs(0.95) ⇒ Rech.H0 con el test de nivel 0.05 Si 98.6 ∈ ICobs(0.95) ⇒ No rech.H0 con el test de nivel 0.05 14 / 35 IC en t.test La salida de t.test informa el ICobs(0.95) correspondiente a... IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Para construir el IC usamos la misma información que para armar el test. Además, µ0 = 98, 6 /∈ ICobs(0.95) = (98.0425, 98.4775) y rechazamos H0 a nivel 5%. ¿Será casualidad u ocurrirá con cualquier muestra? Veremos que... Si 98.6 /∈ ICobs(0.95) ⇒ Rech.H0 con el test de nivel 0.05 Si 98.6 ∈ ICobs(0.95) ⇒ No rech.H0 con el test de nivel 0.05 14 / 35 IC en t.test La salida de t.test informa el ICobs(0.95) correspondiente a... IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Para construir el IC usamos la misma información que para armar el test. Además, µ0 = 98, 6 /∈ ICobs(0.95) = (98.0425, 98.4775) y rechazamos H0 a nivel 5%. ¿Será casualidad u ocurrirá con cualquier muestra? Veremos que... Si 98.6 /∈ ICobs(0.95) ⇒ Rech.H0 con el test de nivel 0.05 Si 98.6 ∈ ICobs(0.95) ⇒ No rech.H0 con el test de nivel 0.05 14 / 35 IC en t.test La salida de t.test informa el ICobs(0.95) correspondiente a... IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Para construir el IC usamos la misma información que para armar el test. Además, µ0 = 98, 6 /∈ ICobs(0.95) = (98.0425, 98.4775) y rechazamos H0 a nivel 5%. ¿Será casualidad u ocurrirá con cualquier muestra? Veremos que... Si 98.6 /∈ ICobs(0.95) ⇒ Rech.H0 con el test de nivel 0.05 Si 98.6 ∈ ICobs(0.95) ⇒ No rech.H0 con el test de nivel 0.05 14 / 35 IC en t.test La salida de t.test informa el ICobs(0.95) correspondiente a... IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Para construir el IC usamos la misma información que para armar el test. Además, µ0 = 98, 6 /∈ ICobs(0.95) = (98.0425, 98.4775) y rechazamos H0 a nivel 5%. ¿Será casualidad u ocurrirá con cualquier muestra? Veremos que... Si 98.6 /∈ ICobs(0.95) ⇒ Rech.H0 con el test de nivel 0.05 Si 98.6 ∈ ICobs(0.95) ⇒ No rech.H0 con el test de nivel 0.05 14 / 35 IC en t.test La salida de t.test informa el ICobs(0.95) correspondiente a... IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Para construir el IC usamos la misma información que para armar el test. Además, µ0 = 98, 6 /∈ ICobs(0.95) = (98.0425, 98.4775) y rechazamos H0 a nivel 5%. ¿Será casualidad u ocurrirá con cualquier muestra? Veremos que... Si 98.6 /∈ ICobs(0.95) ⇒ Rech.H0 con el test de nivel 0.05 Si 98.6 ∈ ICobs(0.95) ⇒ No rech.H0 con el test de nivel 0.05 14 / 35 IC en t.test La salida de t.test informa el ICobs(0.95) correspondiente a... IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Para construir el IC usamos la misma información que para armar el test. Además, µ0 = 98, 6 /∈ ICobs(0.95) = (98.0425, 98.4775) y rechazamos H0 a nivel 5%. ¿Será casualidad u ocurrirá con cualquier muestra? Veremos que... Si 98.6 /∈ ICobs(0.95) ⇒ Rech.H0 con el test de nivel 0.05 Si 98.6 ∈ ICobs(0.95) ⇒ No rech.H0 con el test de nivel 0.05 14 / 35 IC en t.test La salida de t.test informa el ICobs(0.95) correspondiente a... IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Para construir el IC usamos la misma información que para armar el test. Además, µ0 = 98, 6 /∈ ICobs(0.95) = (98.0425, 98.4775) y rechazamos H0 a nivel 5%. ¿Será casualidad u ocurrirá con cualquier muestra? Veremos que... Si 98.6 /∈ ICobs(0.95) ⇒ Rech.H0 con el test de nivel 0.05 Si 98.6 ∈ ICobs(0.95) ⇒ No rech.H0 con el test de nivel 0.05 14 / 35 IC en t.test La salida de t.test informa el ICobs(0.95) correspondiente a... IC(0.95) = ( Xn ± tn−1,0.025 √ s2/n ) Para construir el IC usamos la misma información que para armar el test. Además, µ0 = 98, 6 /∈ ICobs(0.95) = (98.0425, 98.4775) y rechazamos H0 a nivel 5%. ¿Será casualidad u ocurrirá con cualquier muestra? Veremos que... Si 98.6 /∈ ICobs(0.95) ⇒ Rech.H0 con el test de nivel 0.05 Si 98.6 ∈ ICobs(0.95) ⇒ No rech.H0 con el test de nivel 0.05 14 / 35 Equivalencia entre IC y test bilateral Supongamos que queremos decidir entre las hipótesis... H0 : θ = θ0 vs. H1 : θ ̸= θ0 y tenemos IC(1− α) para θ. Entonces, la regla de decisión que consiste en... Rechazar H0 si θ0 /∈ ICobs(1− α) y No rechazar H0 si θ0 ∈ ICobs(1− α) es equivalente a un test de nivel α para esas hipótesis. 15 / 35 Equivalencia entre IC y test bilateral Supongamosque queremos decidir entre las hipótesis... H0 : θ = θ0 vs. H1 : θ ̸= θ0 y tenemos IC(1− α) para θ. Entonces, la regla de decisión que consiste en... Rechazar H0 si θ0 /∈ ICobs(1− α) y No rechazar H0 si θ0 ∈ ICobs(1− α) es equivalente a un test de nivel α para esas hipótesis. 15 / 35 Equivalencia entre IC y test bilateral Supongamos que queremos decidir entre las hipótesis... H0 : θ = θ0 vs. H1 : θ ̸= θ0 y tenemos IC(1− α) para θ. Entonces, la regla de decisión que consiste en... Rechazar H0 si θ0 /∈ ICobs(1− α) y No rechazar H0 si θ0 ∈ ICobs(1− α) es equivalente a un test de nivel α para esas hipótesis. 15 / 35 Equivalencia entre IC y test bilateral Supongamos que queremos decidir entre las hipótesis... H0 : θ = θ0 vs. H1 : θ ̸= θ0 y tenemos IC(1− α) para θ. Entonces, la regla de decisión que consiste en... Rechazar H0 si θ0 /∈ ICobs(1− α) y No rechazar H0 si θ0 ∈ ICobs(1− α) es equivalente a un test de nivel α para esas hipótesis. 15 / 35 Equivalencia entre IC y test bilateral Supongamos que queremos decidir entre las hipótesis... H0 : θ = θ0 vs. H1 : θ ̸= θ0 y tenemos IC(1− α) para θ. Entonces, la regla de decisión que consiste en... Rechazar H0 si θ0 /∈ ICobs(1− α) y No rechazar H0 si θ0 ∈ ICobs(1− α) es equivalente a un test de nivel α para esas hipótesis. 15 / 35 Equivalencia entre IC y test bilateral Supongamos que queremos decidir entre las hipótesis... H0 : θ = θ0 vs. H1 : θ ̸= θ0 y tenemos IC(1− α) para θ. Entonces, la regla de decisión que consiste en... Rechazar H0 si θ0 /∈ ICobs(1− α) y No rechazar H0 si θ0 ∈ ICobs(1− α) es equivalente a un test de nivel α para esas hipótesis. 15 / 35 Ejemplo Test AB Queremos tomar la decisión de cambiar o no la página en base al tiempo de permanencia, suponiendo... µ0 = tiempo de permanencia medio con la versión actual = 60 seg −→ conocido Entonces... Parámetro: µ = tiempo de permanencia medio con la versión nueva Pregunta: ¿µ > µ0? Para responderla, calculábamos un IC p/ µ y nos fijábamos si µ0 = 60 ∈ ICobs ¡Estábamos haciendo un test para H0 : µ = 60 vs. H1 : µ ̸= 60! 16 / 35 Ejemplo Test AB Queremos tomar la decisión de cambiar o no la página en base al tiempo de permanencia, suponiendo... µ0 = tiempo de permanencia medio con la versión actual = 60 seg −→ conocido Entonces... Parámetro: µ = tiempo de permanencia medio con la versión nueva Pregunta: ¿µ > µ0? Para responderla, calculábamos un IC p/ µ y nos fijábamos si µ0 = 60 ∈ ICobs ¡Estábamos haciendo un test para H0 : µ = 60 vs. H1 : µ ̸= 60! 16 / 35 Ejemplo Test AB Queremos tomar la decisión de cambiar o no la página en base al tiempo de permanencia, suponiendo... µ0 = tiempo de permanencia medio con la versión actual = 60 seg −→ conocido Entonces... Parámetro: µ = tiempo de permanencia medio con la versión nueva Pregunta: ¿µ > µ0? Para responderla, calculábamos un IC p/ µ y nos fijábamos si µ0 = 60 ∈ ICobs ¡Estábamos haciendo un test para H0 : µ = 60 vs. H1 : µ ̸= 60! 16 / 35 Ejemplo Test AB Queremos tomar la decisión de cambiar o no la página en base al tiempo de permanencia, suponiendo... µ0 = tiempo de permanencia medio con la versión actual = 60 seg −→ conocido Entonces... Parámetro: µ = tiempo de permanencia medio con la versión nueva Pregunta: ¿µ > µ0? Para responderla, calculábamos un IC p/ µ y nos fijábamos si µ0 = 60 ∈ ICobs ¡Estábamos haciendo un test para H0 : µ = 60 vs. H1 : µ ̸= 60! 16 / 35 Ejemplo Test AB Queremos tomar la decisión de cambiar o no la página en base al tiempo de permanencia, suponiendo... µ0 = tiempo de permanencia medio con la versión actual = 60 seg −→ conocido Entonces... Parámetro: µ = tiempo de permanencia medio con la versión nueva Pregunta: ¿µ > µ0? Para responderla, calculábamos un IC p/ µ y nos fijábamos si µ0 = 60 ∈ ICobs ¡Estábamos haciendo un test para H0 : µ = 60 vs. H1 : µ ̸= 60! 16 / 35 Ejemplo Test AB Queremos tomar la decisión de cambiar o no la página en base al tiempo de permanencia, suponiendo... µ0 = tiempo de permanencia medio con la versión actual = 60 seg −→ conocido Entonces... Parámetro: µ = tiempo de permanencia medio con la versión nueva Pregunta: ¿µ > µ0? Para responderla, calculábamos un IC p/ µ y nos fijábamos si µ0 = 60 ∈ ICobs ¡Estábamos haciendo un test para H0 : µ = 60 vs. H1 : µ ̸= 60! 16 / 35 Ejemplo Test AB Queremos tomar la decisión de cambiar o no la página en base al tiempo de permanencia, suponiendo... µ0 = tiempo de permanencia medio con la versión actual = 60 seg −→ conocido Entonces... Parámetro: µ = tiempo de permanencia medio con la versión nueva Pregunta: ¿µ > µ0? Para responderla, calculábamos un IC p/ µ y nos fijábamos si µ0 = 60 ∈ ICobs ¡Estábamos haciendo un test para H0 : µ = 60 vs. H1 : µ ̸= 60! 16 / 35 Relación entre IC y test En el ejemplo de la temperatura... p-valor = 0.0029 < 0.01 → evidencia muy fuerte a favor de que µ ̸= 98.6 xn = 98.26 → muy cerca de 98.6 La diferencia entre la media muestral de la temperatura corporal (98.26) y la media poblacional histórica (98.6) es estad́ısticamente significativa pero no prácticamente significativa. ¿Por qué? Tobs = xn − µ0√ s2obs/n = 98.26− 98.6√ 0.76592/50 = 0.34 0.11 = 3.14 → grande p/ la T49 El ŜE(Xn) es suficientemente chico para detectar un leve apartamiento de µ0. En particular, esto ocurre cuando n es grande. Además, ICobs = (98.04, 98.48) → el máximo valor “posible” para µ es 98.48 17 / 35 Relación entre IC y test En el ejemplo de la temperatura... p-valor = 0.0029 < 0.01 → evidencia muy fuerte a favor de que µ ̸= 98.6 xn = 98.26 → muy cerca de 98.6 La diferencia entre la media muestral de la temperatura corporal (98.26) y la media poblacional histórica (98.6) es estad́ısticamente significativa pero no prácticamente significativa. ¿Por qué? Tobs = xn − µ0√ s2obs/n = 98.26− 98.6√ 0.76592/50 = 0.34 0.11 = 3.14 → grande p/ la T49 El ŜE(Xn) es suficientemente chico para detectar un leve apartamiento de µ0. En particular, esto ocurre cuando n es grande. Además, ICobs = (98.04, 98.48) → el máximo valor “posible” para µ es 98.48 17 / 35 Relación entre IC y test En el ejemplo de la temperatura... p-valor = 0.0029 < 0.01 → evidencia muy fuerte a favor de que µ ̸= 98.6 xn = 98.26 → muy cerca de 98.6 La diferencia entre la media muestral de la temperatura corporal (98.26) y la media poblacional histórica (98.6) es estad́ısticamente significativa pero no prácticamente significativa. ¿Por qué? Tobs = xn − µ0√ s2obs/n = 98.26− 98.6√ 0.76592/50 = 0.34 0.11 = 3.14 → grande p/ la T49 El ŜE(Xn) es suficientemente chico para detectar un leve apartamiento de µ0. En particular, esto ocurre cuando n es grande. Además, ICobs = (98.04, 98.48) → el máximo valor “posible” para µ es 98.48 17 / 35 Relación entre IC y test En el ejemplo de la temperatura... p-valor = 0.0029 < 0.01 → evidencia muy fuerte a favor de que µ ̸= 98.6 xn = 98.26 → muy cerca de 98.6 La diferencia entre la media muestral de la temperatura corporal (98.26) y la media poblacional histórica (98.6) es estad́ısticamente significativa pero no prácticamente significativa. ¿Por qué? Tobs = xn − µ0√ s2obs/n = 98.26− 98.6√ 0.76592/50 = 0.34 0.11 = 3.14 → grande p/ la T49 El ŜE(Xn) es suficientemente chico para detectar un leve apartamiento de µ0. En particular, esto ocurre cuando n es grande. Además, ICobs = (98.04, 98.48) → el máximo valor “posible” para µ es 98.48 17 / 35 Relación entre IC y test En el ejemplo de la temperatura... p-valor = 0.0029 < 0.01 → evidencia muy fuerte a favor de que µ ̸= 98.6 xn = 98.26 → muy cerca de 98.6 La diferencia entre la media muestral de la temperatura corporal (98.26) y la media poblacional histórica (98.6) es estad́ısticamente significativa pero no prácticamente significativa. ¿Por qué? Tobs = xn − µ0√ s2obs/n = 98.26− 98.6√ 0.76592/50 = 0.34 0.11 = 3.14 → grande p/ la T49 El ŜE(Xn)es suficientemente chico para detectar un leve apartamiento de µ0. En particular, esto ocurre cuando n es grande. Además, ICobs = (98.04, 98.48) → el máximo valor “posible” para µ es 98.48 17 / 35 Relación entre IC y test En el ejemplo de la temperatura... p-valor = 0.0029 < 0.01 → evidencia muy fuerte a favor de que µ ̸= 98.6 xn = 98.26 → muy cerca de 98.6 La diferencia entre la media muestral de la temperatura corporal (98.26) y la media poblacional histórica (98.6) es estad́ısticamente significativa pero no prácticamente significativa. ¿Por qué? Tobs = xn − µ0√ s2obs/n = 98.26− 98.6√ 0.76592/50 = 0.34 0.11 = 3.14 → grande p/ la T49 El ŜE(Xn) es suficientemente chico para detectar un leve apartamiento de µ0. En particular, esto ocurre cuando n es grande. Además, ICobs = (98.04, 98.48) → el máximo valor “posible” para µ es 98.48 17 / 35 Relación entre IC y test En el ejemplo de la temperatura... p-valor = 0.0029 < 0.01 → evidencia muy fuerte a favor de que µ ̸= 98.6 xn = 98.26 → muy cerca de 98.6 La diferencia entre la media muestral de la temperatura corporal (98.26) y la media poblacional histórica (98.6) es estad́ısticamente significativa pero no prácticamente significativa. ¿Por qué? Tobs = xn − µ0√ s2obs/n = 98.26− 98.6√ 0.76592/50 = 0.34 0.11 = 3.14 → grande p/ la T49 El ŜE(Xn) es suficientemente chico para detectar un leve apartamiento de µ0. En particular, esto ocurre cuando n es grande. Además, ICobs = (98.04, 98.48) → el máximo valor “posible” para µ es 98.48 17 / 35 Relación entre IC y test En el ejemplo de la temperatura... p-valor = 0.0029 < 0.01 → evidencia muy fuerte a favor de que µ ̸= 98.6 xn = 98.26 → muy cerca de 98.6 La diferencia entre la media muestral de la temperatura corporal (98.26) y la media poblacional histórica (98.6) es estad́ısticamente significativa pero no prácticamente significativa. ¿Por qué? Tobs = xn − µ0√ s2obs/n = 98.26− 98.6√ 0.76592/50 = 0.34 0.11 = 3.14 → grande p/ la T49 El ŜE(Xn) es suficientemente chico para detectar un leve apartamiento de µ0. En particular, esto ocurre cuando n es grande. Además, ICobs = (98.04, 98.48) → el máximo valor “posible” para µ es 98.48 17 / 35 Relación entre IC y test En el ejemplo de la temperatura... p-valor = 0.0029 < 0.01 → evidencia muy fuerte a favor de que µ ̸= 98.6 xn = 98.26 → muy cerca de 98.6 La diferencia entre la media muestral de la temperatura corporal (98.26) y la media poblacional histórica (98.6) es estad́ısticamente significativa pero no prácticamente significativa. ¿Por qué? Tobs = xn − µ0√ s2obs/n = 98.26− 98.6√ 0.76592/50 = 0.34 0.11 = 3.14 → grande p/ la T49 El ŜE(Xn) es suficientemente chico para detectar un leve apartamiento de µ0. En particular, esto ocurre cuando n es grande. Además, ICobs = (98.04, 98.48) → el máximo valor “posible” para µ es 98.48 17 / 35 Relación entre IC y test En el ejemplo de la temperatura... p-valor = 0.0029 < 0.01 → evidencia muy fuerte a favor de que µ ̸= 98.6 xn = 98.26 → muy cerca de 98.6 La diferencia entre la media muestral de la temperatura corporal (98.26) y la media poblacional histórica (98.6) es estad́ısticamente significativa pero no prácticamente significativa. ¿Por qué? Tobs = xn − µ0√ s2obs/n = 98.26− 98.6√ 0.76592/50 = 0.34 0.11 = 3.14 → grande p/ la T49 El ŜE(Xn) es suficientemente chico para detectar un leve apartamiento de µ0. En particular, esto ocurre cuando n es grande. Además, ICobs = (98.04, 98.48) → el máximo valor “posible” para µ es 98.48 17 / 35 Relación entre IC y test En el ejemplo de la temperatura... p-valor = 0.0029 < 0.01 → evidencia muy fuerte a favor de que µ ̸= 98.6 xn = 98.26 → muy cerca de 98.6 La diferencia entre la media muestral de la temperatura corporal (98.26) y la media poblacional histórica (98.6) es estad́ısticamente significativa pero no prácticamente significativa. ¿Por qué? Tobs = xn − µ0√ s2obs/n = 98.26− 98.6√ 0.76592/50 = 0.34 0.11 = 3.14 → grande p/ la T49 El ŜE(Xn) es suficientemente chico para detectar un leve apartamiento de µ0. En particular, esto ocurre cuando n es grande. Además, ICobs = (98.04, 98.48) → el máximo valor “posible” para µ es 98.48 17 / 35 Relación entre IC y test En el ejemplo de la temperatura... p-valor = 0.0029 < 0.01 → evidencia muy fuerte a favor de que µ ̸= 98.6 xn = 98.26 → muy cerca de 98.6 La diferencia entre la media muestral de la temperatura corporal (98.26) y la media poblacional histórica (98.6) es estad́ısticamente significativa pero no prácticamente significativa. ¿Por qué? Tobs = xn − µ0√ s2obs/n = 98.26− 98.6√ 0.76592/50 = 0.34 0.11 = 3.14 → grande p/ la T49 El ŜE(Xn) es suficientemente chico para detectar un leve apartamiento de µ0. En particular, esto ocurre cuando n es grande. Además, ICobs = (98.04, 98.48) → el máximo valor “posible” para µ es 98.48 17 / 35 Relación entre IC y test En el ejemplo de la temperatura... p-valor = 0.0029 < 0.01 → evidencia muy fuerte a favor de que µ ̸= 98.6 xn = 98.26 → muy cerca de 98.6 La diferencia entre la media muestral de la temperatura corporal (98.26) y la media poblacional histórica (98.6) es estad́ısticamente significativa pero no prácticamente significativa. ¿Por qué? Tobs = xn − µ0√ s2obs/n = 98.26− 98.6√ 0.76592/50 = 0.34 0.11 = 3.14 → grande p/ la T49 El ŜE(Xn) es suficientemente chico para detectar un leve apartamiento de µ0. En particular, esto ocurre cuando n es grande. Además, ICobs = (98.04, 98.48) → el máximo valor “posible” para µ es 98.48 17 / 35 Moralejas Un resultado puede ser estad́ısticamente significativo pero no prácticamente significativo. Test e IC dan información complementaria. 18 / 35 Moralejas Un resultado puede ser estad́ısticamente significativo pero no prácticamente significativo. Test e IC dan información complementaria. 18 / 35 Test no paramétrico para µ (sin asumir normalidad) 19 / 35 Test no paramétrico para µ Sean X1, . . . , Xn i.i.d. con E(X1) = µ. Queremos un test para las hipótesis H0 : µ = µ0 vs. a) H1 : µ > µ0 b) H1 : µ < µ0 c) H1 : µ ̸= µ0 Estad́ıstico: T = Xn − µ0√ s2/n ≈ N (0, 1) bajo H0 (si n es grande) ↑ ¿cómo se compara con el Pivote? 20 / 35 Test no paramétrico para µ Sean X1, . . . , Xn i.i.d. con E(X1) = µ. Queremos un test para las hipótesis H0 : µ = µ0 vs. a) H1 : µ > µ0 b) H1 : µ < µ0 c) H1 : µ ̸= µ0 Estad́ıstico: T = Xn − µ0√ s2/n ≈ N (0, 1) bajo H0 (si n es grande) ↑ ¿cómo se compara con el Pivote? 20 / 35 Test no paramétrico para µ Sean X1, . . . , Xn i.i.d. con E(X1) = µ. Queremos un test para las hipótesis H0 : µ = µ0 vs. a) H1 : µ > µ0 b) H1 : µ < µ0 c) H1 : µ ̸= µ0 Estad́ıstico: T = Xn − µ0√ s2/n ≈ N (0, 1) bajo H0 (si n es grande) ↑ ¿cómo se compara con el Pivote? 20 / 35 Test no paramétrico para µ Sean X1, . . . , Xn i.i.d. con E(X1) = µ. Queremos un test para las hipótesis H0 : µ = µ0 vs. a) H1 : µ > µ0 b) H1 : µ < µ0 c) H1 : µ ̸= µ0 Estad́ıstico: T = Xn − µ0√ s2/n ≈ N (0, 1) bajo H0 (si n es grande) ↑ ¿cómo se compara con el Pivote? 20 / 35 Test no paramétrico para µ Sean X1, . . . , Xn i.i.d. con E(X1) = µ. Queremos un test para las hipótesis H0 : µ = µ0 vs. a) H1 : µ > µ0 b) H1 : µ < µ0 c) H1 : µ ̸= µ0 Estad́ıstico: T = Xn − µ0√ s2/n ≈ N (0, 1) bajo H0 (si n es grande) ↑ ¿cómo se compara con el Pivote? 20 / 35 Estructura del estad́ıstico en test para µ Sea µ̂n = Xn 1 Si X1, . . . , Xn ∼ N (µ, σ20) i.i.d. con σ0 conocida T = Xn − µ0√ σ20/n = µ̂n − µ0 SE(µ̂n) ∼ N (0, 1) bajo H0 2 Si X1, . . . , Xn ∼ N (µ, σ2) i.i.d. con σ desconocida T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ∼ tn−1 bajo H0 3 Si X1, . . . , Xn i.i.d. con E(X1) = µ y n grande T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ≈ N (0, 1) bajo H0 21 / 35 Estructura del estad́ıstico en test para µ Sea µ̂n = Xn 1 Si X1, . . . , Xn ∼ N (µ, σ20) i.i.d. con σ0 conocida T = Xn − µ0√ σ20/n = µ̂n − µ0 SE(µ̂n) ∼ N (0, 1) bajo H0 2 Si X1, . . . , Xn ∼ N (µ, σ2)i.i.d. con σ desconocida T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ∼ tn−1 bajo H0 3 Si X1, . . . , Xn i.i.d. con E(X1) = µ y n grande T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ≈ N (0, 1) bajo H0 21 / 35 Estructura del estad́ıstico en test para µ Sea µ̂n = Xn 1 Si X1, . . . , Xn ∼ N (µ, σ20) i.i.d. con σ0 conocida T = Xn − µ0√ σ20/n = µ̂n − µ0 SE(µ̂n) ∼ N (0, 1) bajo H0 2 Si X1, . . . , Xn ∼ N (µ, σ2) i.i.d. con σ desconocida T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ∼ tn−1 bajo H0 3 Si X1, . . . , Xn i.i.d. con E(X1) = µ y n grande T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ≈ N (0, 1) bajo H0 21 / 35 Estructura del estad́ıstico en test para µ Sea µ̂n = Xn 1 Si X1, . . . , Xn ∼ N (µ, σ20) i.i.d. con σ0 conocida T = Xn − µ0√ σ20/n = µ̂n − µ0 SE(µ̂n) ∼ N (0, 1) bajo H0 2 Si X1, . . . , Xn ∼ N (µ, σ2) i.i.d. con σ desconocida T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ∼ tn−1 bajo H0 3 Si X1, . . . , Xn i.i.d. con E(X1) = µ y n grande T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ≈ N (0, 1) bajo H0 21 / 35 Estructura del estad́ıstico en test para µ Sea µ̂n = Xn 1 Si X1, . . . , Xn ∼ N (µ, σ20) i.i.d. con σ0 conocida T = Xn − µ0√ σ20/n = µ̂n − µ0 SE(µ̂n) ∼ N (0, 1) bajo H0 2 Si X1, . . . , Xn ∼ N (µ, σ2) i.i.d. con σ desconocida T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ∼ tn−1 bajo H0 3 Si X1, . . . , Xn i.i.d. con E(X1) = µ y n grande T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ≈ N (0, 1) bajo H0 21 / 35 Estructura del estad́ıstico en test para µ Sea µ̂n = Xn 1 Si X1, . . . , Xn ∼ N (µ, σ20) i.i.d. con σ0 conocida T = Xn − µ0√ σ20/n = µ̂n − µ0 SE(µ̂n) ∼ N (0, 1) bajo H0 2 Si X1, . . . , Xn ∼ N (µ, σ2) i.i.d. con σ desconocida T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ∼ tn−1 bajo H0 3 Si X1, . . . , Xn i.i.d. con E(X1) = µ y n grande T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ≈ N (0, 1) bajo H0 21 / 35 Estructura del estad́ıstico en test para µ Sea µ̂n = Xn 1 Si X1, . . . , Xn ∼ N (µ, σ20) i.i.d. con σ0 conocida T = Xn − µ0√ σ20/n = µ̂n − µ0 SE(µ̂n) ∼ N (0, 1) bajo H0 2 Si X1, . . . , Xn ∼ N (µ, σ2) i.i.d. con σ desconocida T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ∼ tn−1 bajo H0 3 Si X1, . . . , Xn i.i.d. con E(X1) = µ y n grande T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ≈ N (0, 1) bajo H0 21 / 35 Estructura del estad́ıstico en test para µ Sea µ̂n = Xn 1 Si X1, . . . , Xn ∼ N (µ, σ20) i.i.d. con σ0 conocida T = Xn − µ0√ σ20/n = µ̂n − µ0 SE(µ̂n) ∼ N (0, 1) bajo H0 2 Si X1, . . . , Xn ∼ N (µ, σ2) i.i.d. con σ desconocida T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ∼ tn−1 bajo H0 3 Si X1, . . . , Xn i.i.d. con E(X1) = µ y n grande T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ≈ N (0, 1) bajo H0 21 / 35 Estructura del estad́ıstico en test para µ Sea µ̂n = Xn 1 Si X1, . . . , Xn ∼ N (µ, σ20) i.i.d. con σ0 conocida T = Xn − µ0√ σ20/n = µ̂n − µ0 SE(µ̂n) ∼ N (0, 1) bajo H0 2 Si X1, . . . , Xn ∼ N (µ, σ2) i.i.d. con σ desconocida T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ∼ tn−1 bajo H0 3 Si X1, . . . , Xn i.i.d. con E(X1) = µ y n grande T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ≈ N (0, 1) bajo H0 21 / 35 Estructura del estad́ıstico en test para µ Sea µ̂n = Xn 1 Si X1, . . . , Xn ∼ N (µ, σ20) i.i.d. con σ0 conocida T = Xn − µ0√ σ20/n = µ̂n − µ0 SE(µ̂n) ∼ N (0, 1) bajo H0 2 Si X1, . . . , Xn ∼ N (µ, σ2) i.i.d. con σ desconocida T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ∼ tn−1 bajo H0 3 Si X1, . . . , Xn i.i.d. con E(X1) = µ y n grande T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ≈ N (0, 1) bajo H0 21 / 35 Estructura del estad́ıstico en test para µ Sea µ̂n = Xn 1 Si X1, . . . , Xn ∼ N (µ, σ20) i.i.d. con σ0 conocida T = Xn − µ0√ σ20/n = µ̂n − µ0 SE(µ̂n) ∼ N (0, 1) bajo H0 2 Si X1, . . . , Xn ∼ N (µ, σ2) i.i.d. con σ desconocida T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ∼ tn−1 bajo H0 3 Si X1, . . . , Xn i.i.d. con E(X1) = µ y n grande T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ≈ N (0, 1) bajo H0 21 / 35 Estructura del estad́ıstico en test para µ Sea µ̂n = Xn 1 Si X1, . . . , Xn ∼ N (µ, σ20) i.i.d. con σ0 conocida T = Xn − µ0√ σ20/n = µ̂n − µ0 SE(µ̂n) ∼ N (0, 1) bajo H0 2 Si X1, . . . , Xn ∼ N (µ, σ2) i.i.d. con σ desconocida T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ∼ tn−1 bajo H0 3 Si X1, . . . , Xn i.i.d. con E(X1) = µ y n grande T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ≈ N (0, 1) bajo H0 21 / 35 Estructura del estad́ıstico en test para µ Sea µ̂n = Xn 1 Si X1, . . . , Xn ∼ N (µ, σ20) i.i.d. con σ0 conocida T = Xn − µ0√ σ20/n = µ̂n − µ0 SE(µ̂n) ∼ N (0, 1) bajo H0 2 Si X1, . . . , Xn ∼ N (µ, σ2) i.i.d. con σ desconocida T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ∼ tn−1 bajo H0 3 Si X1, . . . , Xn i.i.d. con E(X1) = µ y n grande T = Xn − µ0√ s2/n = µ̂n − µ0 ŜE(µ̂n) ≈ N (0, 1) bajo H0 21 / 35 Test no paramétrico para µ Sean X1, . . . , Xn i.i.d. con E(X1) = µ con n grande. Queremos un test para las hipótesis H0 : µ = µ0 vs. a) H1 : µ > µ0 b) H1 : µ < µ0 c) H1 : µ ̸= µ0 Estad́ıstico: T = Xn − µ0√ s2/n ≈ N (0, 1) bajo H0 (x TLC pues n es grande) Región de rechazo: 22 / 35 Test no paramétrico para µ Sean X1, . . . , Xn i.i.d. con E(X1) = µ con n grande. Queremos un test para las hipótesis H0 : µ = µ0 vs. a) H1 : µ > µ0 b) H1 : µ < µ0 c) H1 : µ ̸= µ0 Estad́ıstico: T = Xn − µ0√ s2/n ≈ N (0, 1) bajo H0 (x TLC pues n es grande) Región de rechazo: 22 / 35 Definición Diremos que un test tiene nivel asintótico α si P(EI) = P(Rechazar H0 cuando H0 es V) −→ n→∞ α Es decir, si P(EI) ≃ α para n grande. 23 / 35 Test asintótico para µ Sean X1, . . . , Xn i.i.d. con E(X1) = µ con n grande. Queremos un test para las hipótesis H0 : µ = µ0 vs. a) H1 : µ > µ0 b) H1 : µ < µ0 c) H1 : µ ̸= µ0 Estad́ıstico: T = Xn − µ0√ s2/n ≈ N (0, 1) bajo H0 (x TLC pues n es grande) Región de rechazo (de nivel asintótico α): a) R = {T > zα} b) R = {T < −zα} c) R = {|T | > zα/2} p-valor: 24 / 35 Test asintótico para µ Sean X1, . . . , Xn i.i.d. con E(X1) = µ con n grande. Queremos un test para las hipótesis H0 : µ = µ0 vs. a) H1 : µ > µ0 b) H1 : µ < µ0 c) H1 : µ ̸= µ0 Estad́ıstico: T = Xn − µ0√ s2/n ≈ N (0, 1) bajo H0 (x TLC pues n es grande) Región de rechazo (de nivel asintótico α): a) R = {T > zα} b) R = {T < −zα} c) R = {|T | > zα/2} p-valor: 24 / 35 Test asintótico para µ Sean X1, . . . , Xn i.i.d. con E(X1) = µ con n grande. Queremos un test para las hipótesis H0 : µ = µ0 vs. a) H1 : µ > µ0 b) H1 : µ < µ0 c) H1 : µ ̸= µ0 Estad́ıstico: T = Xn − µ0√ s2/n ≈ N (0, 1) bajo H0 (x TLC pues n es grande) Región de rechazo (de nivel asintótico α): a) R = {T > zα} b) R = {T < −zα} c) R = {|T | > zα/2} p-valor: 24 / 35 p-valor en test asintóticos Definición Dado un test asintótico y una muestra, definimos al p-valor de la muestra como la probabilidad (aproximada por TCL) de observar un estad́ıstico T como el observado (Tobs) o más extremo aún (en la dirección de H1) bajo H0. Más precisamente, p−valor = lim n→∞ PH0(observar un T como Tobs o más extremo aún) 25 / 35 p-valor en test asintóticos Definición Dado un test asintótico y una muestra, definimos al p-valor de la muestra como la probabilidad (aproximada por TCL) de observar un estad́ıstico T como el observado (Tobs) o más extremo aún (en la dirección de H1) bajo H0. Más precisamente, p−valor = lim n→∞ PH0(observar un T como Tobs o más extremo aún) 25 / 35 Test asintótico para µ Sean X1, . . . , Xn i.i.d. con E(X1) = µ con n grande. Queremos un test de nivel α para las hipótesis H0 : µ = µ0 vs. a) H1 : µ > µ0 b) H1 : µ < µ0 c) H1 : µ ̸= µ0 Estad́ıstico: T = Xn − µ0√ s2/n ≈ N (0, 1) bajo H0 (si n es grande) Región de rechazo: a) R = {T > zα} b) R = {T < −zα} c) R = {|T | > zα/2} p-valor: a) P(Z ≥ Tobs) b) P(Z ≤ Tobs) c) P(|Z| ≥ |Tobs|) 26 / 35 Implementación en R t.test(x = datos, alternative =, mu = mu0, conf.level = 1-alfa) en alternative ponemos “two.sided”, “greater” o “less” para calcular el p-valor y el IC usa la distribución tn−1 comoen el caso normal con varianza desconocida (por eso se llama t.test) 27 / 35 Implementación en R t.test(x = datos, alternative =, mu = mu0, conf.level = 1-alfa) en alternative ponemos “two.sided”, “greater” o “less” para calcular el p-valor y el IC usa la distribución tn−1 como en el caso normal con varianza desconocida (por eso se llama t.test) 27 / 35 Implementación en R t.test(x = datos, alternative =, mu = mu0, conf.level = 1-alfa) en alternative ponemos “two.sided”, “greater” o “less” para calcular el p-valor y el IC usa la distribución tn−1 como en el caso normal con varianza desconocida (por eso se llama t.test) 27 / 35 Ejercicios de la práctica que pueden hacer Práctica 4: hasta ej. 12. 28 / 35 Test asintótico para µ1 − µ2 29 / 35 Ejemplo Test AB: tiempo de permanencia Queremos decidir si cambiar la versión de la página en base al tiempo de permanencia. Parámetro/s de interés: µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Pregunta: ¿µ2 > µ1? ↔ ¿µ1 − µ2 < 0? Verdadero parámetro de interés: δ = µ1 − µ2 Pregunta traducida: ¿δ < 0? Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ ≤ 0 30 / 35 Ejemplo Test AB: tiempo de permanencia Queremos decidir si cambiar la versión de la página en base al tiempo de permanencia. Parámetro/s de interés: µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Pregunta: ¿µ2 > µ1? ↔ ¿µ1 − µ2 < 0? Verdadero parámetro de interés: δ = µ1 − µ2 Pregunta traducida: ¿δ < 0? Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ ≤ 0 30 / 35 Ejemplo Test AB: tiempo de permanencia Queremos decidir si cambiar la versión de la página en base al tiempo de permanencia. Parámetro/s de interés: µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Pregunta: ¿µ2 > µ1? ↔ ¿µ1 − µ2 < 0? Verdadero parámetro de interés: δ = µ1 − µ2 Pregunta traducida: ¿δ < 0? Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ ≤ 0 30 / 35 Ejemplo Test AB: tiempo de permanencia Queremos decidir si cambiar la versión de la página en base al tiempo de permanencia. Parámetro/s de interés: µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Pregunta: ¿µ2 > µ1? ↔ ¿µ1 − µ2 < 0? Verdadero parámetro de interés: δ = µ1 − µ2 Pregunta traducida: ¿δ < 0? Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ ≤ 0 30 / 35 Ejemplo Test AB: tiempo de permanencia Queremos decidir si cambiar la versión de la página en base al tiempo de permanencia. Parámetro/s de interés: µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Pregunta: ¿µ2 > µ1? ↔ ¿µ1 − µ2 < 0? Verdadero parámetro de interés: δ = µ1 − µ2 Pregunta traducida: ¿δ < 0? Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ ≤ 0 30 / 35 Ejemplo Test AB: tiempo de permanencia Queremos decidir si cambiar la versión de la página en base al tiempo de permanencia. Parámetro/s de interés: µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Pregunta: ¿µ2 > µ1? ↔ ¿µ1 − µ2 < 0? Verdadero parámetro de interés: δ = µ1 − µ2 Pregunta traducida: ¿δ < 0? Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ ≤ 0 30 / 35 Ejemplo Test AB: tiempo de permanencia Queremos decidir si cambiar la versión de la página en base al tiempo de permanencia. Parámetro/s de interés: µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Pregunta: ¿µ2 > µ1? ↔ ¿µ1 − µ2 < 0? Verdadero parámetro de interés: δ = µ1 − µ2 Pregunta traducida: ¿δ < 0? Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ ≤ 0 30 / 35 Ejemplo Test AB: tiempo de permanencia Queremos decidir si cambiar la versión de la página en base al tiempo de permanencia. Parámetro/s de interés: µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Pregunta: ¿µ2 > µ1? ↔ ¿µ1 − µ2 < 0? Verdadero parámetro de interés: δ = µ1 − µ2 Pregunta traducida: ¿δ < 0? Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ ≤ 0 30 / 35 Ejemplo Test AB: tiempo de permanencia Queremos decidir si cambiar la versión de la página en base al tiempo de permanencia. Parámetro/s de interés: µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Pregunta: ¿µ2 > µ1? ↔ ¿µ1 − µ2 < 0? Verdadero parámetro de interés: δ = µ1 − µ2 Pregunta traducida: ¿δ < 0? Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ ≤ 0 30 / 35 Ejemplo Test AB: tiempo de permanencia Queremos decidir si cambiar la versión de la página en base al tiempo de permanencia. Parámetro/s de interés: µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Pregunta: ¿µ2 > µ1? ↔ ¿µ1 − µ2 < 0? Verdadero parámetro de interés: δ = µ1 − µ2 Pregunta traducida: ¿δ < 0? Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ ≤ 0 30 / 35 Ejemplo Test AB: tiempo de permanencia Queremos decidir si cambiar la versión de la página en base al tiempo de permanencia. Parámetro/s de interés: µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Pregunta: ¿µ2 > µ1? ↔ ¿µ1 − µ2 < 0? Verdadero parámetro de interés: δ = µ1 − µ2 Pregunta traducida: ¿δ < 0? Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ ≤ 0 30 / 35 Datos en el ejemplo muestra 1: X1, . . . , Xn1 i.i.d., E(X1) = µ1, n1 grande En el ejemplo... Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ n1 muestra 2: Y1, . . . , Yn2 i.i.d., E(Y1) = µ2, n2 grande En el ejemplo... Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ n2 las muestras 1 y 2 son independientes entre śı. 31 / 35 Datos en el ejemplo muestra 1: X1, . . . , Xn1 i.i.d., E(X1) = µ1, n1 grande En el ejemplo... Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ n1 muestra 2: Y1, . . . , Yn2 i.i.d., E(Y1) = µ2, n2 grande En el ejemplo... Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ n2 las muestras 1 y 2 son independientes entre śı. 31 / 35 Datos en el ejemplo muestra 1: X1, . . . , Xn1 i.i.d., E(X1) = µ1, n1 grande En el ejemplo... Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ n1 muestra 2: Y1, . . . , Yn2 i.i.d., E(Y1) = µ2, n2 grande En el ejemplo... Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ n2 las muestras 1 y 2 son independientes entre śı. 31 / 35 Datos en el ejemplo muestra 1: X1, . . . , Xn1 i.i.d., E(X1) = µ1, n1 grande En el ejemplo... Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ n1 muestra 2: Y1, . . . , Yn2 i.i.d., E(Y1) = µ2, n2 grande En el ejemplo... Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ n2 las muestras 1 y 2 son independientes entre śı. 31 / 35 Datos en el ejemplo muestra 1: X1, . . . , Xn1 i.i.d., E(X1) = µ1, n1 grande En el ejemplo... Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ n1 muestra 2: Y1, . . . , Yn2 i.i.d., E(Y1) = µ2, n2 grande En el ejemplo... Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ n2las muestras 1 y 2 son independientes entre śı. 31 / 35 Test asintótico para µ1 − µ2 Sean X1, . . . , Xn1 i.i.d. con E(X1) = µ1, n1 grande Y1, . . . , Yn2 i.i.d. con E(Y1) = µ2, n2 grande {Xi}1≤i≤n1 e {Yi}1≤i≤n2 independientes δ = µ1 − µ2. Un test para las hipótesis H0 : δ = 0 (µ1 = µ2) vs. a) H1 : δ > 0 (µ1 > µ2) b) δ < 0 (µ1 < µ2) c) H1 : δ ̸= 0 (µ1 ̸= µ2) tendrá... Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 ↑ ¿cómo se compara con el Pivote? 32 / 35 Test asintótico para µ1 − µ2 Sean X1, . . . , Xn1 i.i.d. con E(X1) = µ1, n1 grande Y1, . . . , Yn2 i.i.d. con E(Y1) = µ2, n2 grande {Xi}1≤i≤n1 e {Yi}1≤i≤n2 independientes δ = µ1 − µ2. Un test para las hipótesis H0 : δ = 0 (µ1 = µ2) vs. a) H1 : δ > 0 (µ1 > µ2) b) δ < 0 (µ1 < µ2) c) H1 : δ ̸= 0 (µ1 ̸= µ2) tendrá... Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 ↑ ¿cómo se compara con el Pivote? 32 / 35 Test asintótico para µ1 − µ2 Sean X1, . . . , Xn1 i.i.d. con E(X1) = µ1, n1 grande Y1, . . . , Yn2 i.i.d. con E(Y1) = µ2, n2 grande {Xi}1≤i≤n1 e {Yi}1≤i≤n2 independientes δ = µ1 − µ2. Un test para las hipótesis H0 : δ = 0 (µ1 = µ2) vs. a) H1 : δ > 0 (µ1 > µ2) b) δ < 0 (µ1 < µ2) c) H1 : δ ̸= 0 (µ1 ̸= µ2) tendrá... Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 ↑ ¿cómo se compara con el Pivote? 32 / 35 Test asintótico para µ1 − µ2 Sean X1, . . . , Xn1 i.i.d. con E(X1) = µ1, n1 grande Y1, . . . , Yn2 i.i.d. con E(Y1) = µ2, n2 grande {Xi}1≤i≤n1 e {Yi}1≤i≤n2 independientes δ = µ1 − µ2. Un test para las hipótesis H0 : δ = 0 (µ1 = µ2) vs. a) H1 : δ > 0 (µ1 > µ2) b) δ < 0 (µ1 < µ2) c) H1 : δ ̸= 0 (µ1 ̸= µ2) tendrá... Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 ↑ ¿cómo se compara con el Pivote? 32 / 35 Test asintótico para µ1 − µ2 Sean X1, . . . , Xn1 i.i.d. con E(X1) = µ1, n1 grande Y1, . . . , Yn2 i.i.d. con E(Y1) = µ2, n2 grande {Xi}1≤i≤n1 e {Yi}1≤i≤n2 independientes δ = µ1 − µ2. Un test para las hipótesis H0 : δ = 0 (µ1 = µ2) vs. a) H1 : δ > 0 (µ1 > µ2) b) δ < 0 (µ1 < µ2) c) H1 : δ ̸= 0 (µ1 ̸= µ2) tendrá... Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 ↑ ¿cómo se compara con el Pivote? 32 / 35 Test asintótico para µ1 − µ2 Sean X1, . . . , Xn1 i.i.d. con E(X1) = µ1, n1 grande Y1, . . . , Yn2 i.i.d. con E(Y1) = µ2, n2 grande {Xi}1≤i≤n1 e {Yi}1≤i≤n2 independientes δ = µ1 − µ2. Un test para las hipótesis H0 : δ = 0 (µ1 = µ2) vs. a) H1 : δ > 0 (µ1 > µ2) b) δ < 0 (µ1 < µ2) c) H1 : δ ̸= 0 (µ1 ̸= µ2) tendrá... Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 ↑ ¿cómo se compara con el Pivote? 32 / 35 Estructura del estad́ıstico T = Xn1 − Y n2√ s21 n1 + s22 n2 = δ̂ − δ0 ŜE(δ̂) donde δ̂ = Xn1 − Y n2 y δ0 = 0 33 / 35 Estructura del estad́ıstico T = Xn1 − Y n2√ s21 n1 + s22 n2 = δ̂ − δ0 ŜE(δ̂) donde δ̂ = Xn1 − Y n2 y δ0 = 0 33 / 35 Estructura del estad́ıstico T = Xn1 − Y n2√ s21 n1 + s22 n2 = δ̂ − δ0 ŜE(δ̂) donde δ̂ = Xn1 − Y n2 y δ0 = 0 33 / 35 Estructura del estad́ıstico T = Xn1 − Y n2√ s21 n1 + s22 n2 = δ̂ − δ0 ŜE(δ̂) donde δ̂ = Xn1 − Y n2 y δ0 = 0 33 / 35 Estructura del estad́ıstico T = Xn1 − Y n2√ s21 n1 + s22 n2 = δ̂ − δ0 ŜE(δ̂) donde δ̂ = Xn1 − Y n2 y δ0 = 0 33 / 35 Test asintótico para µ1 − µ2 Sean X1, . . . , Xn1 i.i.d. con E(X1) = µ1, n1 grande Y1, . . . , Yn2 i.i.d. con E(Y1) = µ2, n2 grande {Xi}1≤i≤n1 e {Yi}1≤i≤n2 independientes δ = µ1 − µ2. Un test para H0 : δ = 0 vs. a) H1 : δ > 0 b) δ < 0 c) H1 : δ ̸= 0 tendrá... Estad́ıstico: T = Xn1−Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 Región de rechazo de nivel asintótico α: a) R = {T > zα} b) R = {T < −zα} c) R = {|T | > zα/2} p-valor: a) P(Z ≥ Tobs) b) P(Z ≤ Tobs) c) P(|Z| ≥ |Tobs|) 34 / 35 Test asintótico para µ1 − µ2 Sean X1, . . . , Xn1 i.i.d. con E(X1) = µ1, n1 grande Y1, . . . , Yn2 i.i.d. con E(Y1) = µ2, n2 grande {Xi}1≤i≤n1 e {Yi}1≤i≤n2 independientes δ = µ1 − µ2. Un test para H0 : δ = 0 vs. a) H1 : δ > 0 b) δ < 0 c) H1 : δ ̸= 0 tendrá... Estad́ıstico: T = Xn1−Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 Región de rechazo de nivel asintótico α: a) R = {T > zα} b) R = {T < −zα} c) R = {|T | > zα/2} p-valor: a) P(Z ≥ Tobs) b) P(Z ≤ Tobs) c) P(|Z| ≥ |Tobs|) 34 / 35 Test asintótico para µ1 − µ2 Sean X1, . . . , Xn1 i.i.d. con E(X1) = µ1, n1 grande Y1, . . . , Yn2 i.i.d. con E(Y1) = µ2, n2 grande {Xi}1≤i≤n1 e {Yi}1≤i≤n2 independientes δ = µ1 − µ2. Un test para H0 : δ = 0 vs. a) H1 : δ > 0 b) δ < 0 c) H1 : δ ̸= 0 tendrá... Estad́ıstico: T = Xn1−Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 Región de rechazo de nivel asintótico α: a) R = {T > zα} b) R = {T < −zα} c) R = {|T | > zα/2} p-valor: a) P(Z ≥ Tobs) b) P(Z ≤ Tobs) c) P(|Z| ≥ |Tobs|) 34 / 35 Test asintótico para µ1 − µ2 Sean X1, . . . , Xn1 i.i.d. con E(X1) = µ1, n1 grande Y1, . . . , Yn2 i.i.d. con E(Y1) = µ2, n2 grande {Xi}1≤i≤n1 e {Yi}1≤i≤n2 independientes δ = µ1 − µ2. Un test para H0 : δ = 0 vs. a) H1 : δ > 0 b) δ < 0 c) H1 : δ ̸= 0 tendrá... Estad́ıstico: T = Xn1−Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 Región de rechazo de nivel asintótico α: a) R = {T > zα} b) R = {T < −zα} c) R = {|T | > zα/2} p-valor: a) P(Z ≥ Tobs) b) P(Z ≤ Tobs) c) P(|Z| ≥ |Tobs|) 34 / 35 Implementación en R t.test(x = datos1, y = datos2, alternative =, conf.level = 1-alfa) en alternative ponemos “two.sided”, “greater” o “less” ¿porqué no ponemos nada en el argumento “mu”? ¿cuál será su valor por default? para calcular el p-valor y el IC usa la distribución tn−1 en vez de la N (0, 1) 35 / 35 Implementación en R t.test(x = datos1, y = datos2, alternative =, conf.level = 1-alfa) en alternative ponemos “two.sided”, “greater” o “less” ¿porqué no ponemos nada en el argumento “mu”? ¿cuál será su valor por default? para calcular el p-valor y el IC usa la distribución tn−1 en vez de la N (0, 1) 35 / 35 Implementación en R t.test(x = datos1, y = datos2, alternative =, conf.level = 1-alfa) en alternative ponemos “two.sided”, “greater” o “less” ¿porqué no ponemos nada en el argumento “mu”? ¿cuál será su valor por default? para calcular el p-valor y el IC usa la distribución tn−1 en vez de la N (0, 1) 35 / 35 Implementación en R t.test(x = datos1, y = datos2, alternative =, conf.level = 1-alfa) en alternative ponemos “two.sided”, “greater” o “less” ¿porqué no ponemos nada en el argumento “mu”? ¿cuál será su valor por default? para calcular el p-valor y el IC usa la distribución tn−1 en vez de la N (0, 1) 35 / 35
Compartir