Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Inferencia Estad́ıstica Lućıa Babino Universidad Torcuato Di Tella 1 / 33 Bibliograf́ıa para esta clase Lock, cap. 6 (sec. 6.1 a 6.3 y 6.10 a 6.12) Wasserman, cap 10 (sec. 10.1 y 10.2 sin power function) 2 / 33 Repaso 3 / 33 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 RR 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|) 4 / 33 nivel en test asintóticos 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. 5 / 33 p-valor en test asintóticos Definición Dado un test asintótico y una muestra, definimos al p-valor de la muestra como p−valor = lim n→∞ PH0(observar un T como Tobs o más extremo aún) Es decir, que el p-valor es 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. 6 / 33 Implementación en R t.test(x = datos, alternative =, mu = mu0, conf.level = 1-alfa) en alternative ponemos “two.sided”, “greater” o “less” en conf.level ponemos el nivel del IC que queremos (por default conf.level = 0.95) 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) ⇒ no nos dará exactamente igual que el que hagamos a mano. 7 / 33 Implementación en R t.test(x = datos, alternative =, mu = mu0, conf.level = 1-alfa) en alternative ponemos “two.sided”, “greater” o “less” en conf.level ponemos el nivel del IC que queremos (por default conf.level = 0.95) 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) ⇒ no nos dará exactamente igual que el que hagamos a mano. 7 / 33 Implementación en R t.test(x = datos, alternative =, mu = mu0, conf.level = 1-alfa) en alternative ponemos “two.sided”, “greater” o “less” en conf.level ponemos el nivel del IC que queremos (por default conf.level = 0.95) 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) ⇒ no nos dará exactamente igual que el que hagamos a mano. 7 / 33 Implementación en R t.test(x = datos, alternative =, mu = mu0, conf.level = 1-alfa) en alternative ponemos “two.sided”, “greater” o “less” en conf.level ponemos el nivel del IC que queremos (por default conf.level = 0.95) 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) ⇒ no nos dará exactamente igual que el que hagamos a mano. 7 / 33 Implementación en R t.test(x = datos, alternative =, mu = mu0, conf.level = 1-alfa) en alternative ponemos “two.sided”, “greater” o “less” en conf.level ponemos el nivel del IC que queremos (por default conf.level = 0.95) 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) ⇒ no nos dará exactamente igual que el que hagamos a mano. 7 / 33 Clase de hoy 8 / 33 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? Queremos un test para las hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 9 / 33 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? Queremos un test para las hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 9 / 33 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? Queremos un test para las hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 9 / 33 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? Queremos un test para las hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 9 / 33 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? Queremos un test para las hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 9 / 33 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? Queremos un test para las hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 9 / 33 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? Queremos un test para las hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 9 / 33 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? Queremos un test para las hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 9 / 33 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? Queremos un test para las hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 9 / 33 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 versiónactual 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? Queremos un test para las hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 9 / 33 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? Queremos un test para las hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 9 / 33 Datos en el ejemplo muestra A: X1, . . . , Xn1 i.i.d., E(X1) = µ1, n1 grande Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ n1 muestra B: Y1, . . . , Yn2 i.i.d., E(Y1) = µ2, n2 grande Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ n2 las muestras A y B son independientes entre śı. 10 / 33 Datos en el ejemplo muestra A: X1, . . . , Xn1 i.i.d., E(X1) = µ1, n1 grande Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ n1 muestra B: Y1, . . . , Yn2 i.i.d., E(Y1) = µ2, n2 grande Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ n2 las muestras A y B son independientes entre śı. 10 / 33 Datos en el ejemplo muestra A: X1, . . . , Xn1 i.i.d., E(X1) = µ1, n1 grande Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ n1 muestra B: Y1, . . . , Yn2 i.i.d., E(Y1) = µ2, n2 grande Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ n2 las muestras A y B son independientes entre śı. 10 / 33 Datos en el ejemplo muestra A: X1, . . . , Xn1 i.i.d., E(X1) = µ1, n1 grande Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ n1 muestra B: Y1, . . . , Yn2 i.i.d., E(Y1) = µ2, n2 grande Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ n2 las muestras A y B son independientes entre śı. 10 / 33 Datos en el ejemplo muestra A: X1, . . . , Xn1 i.i.d., E(X1) = µ1, n1 grande Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ n1 muestra B: Y1, . . . , Yn2 i.i.d., E(Y1) = µ2, n2 grande Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ n2 las muestras A y B son independientes entre śı. 10 / 33 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) H1 : 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 → justificar ↑ ¿cómo se compara con el Pivote? 11 / 33 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) H1 : 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 → justificar ↑ ¿cómo se compara con el Pivote? 11 / 33 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) H1 : 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 → justificar ↑ ¿cómo se compara con el Pivote? 11 / 33 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) H1 : 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 → justificar ↑ ¿cómo se compara con el Pivote? 11 / 33 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) H1 : 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 → justificar ↑ ¿cómo se compara con el Pivote? 11 / 33 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) H1 : 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 → justificar ↑ ¿cómo se compara con el Pivote? 11 / 33 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) H1 : 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 → justificar ↑ ¿cómo se compara con el Pivote? 11 / 33 Estructura del estad́ıstico T = Xn1 − Y n2√ s21 n1 + s22 n2 = δ̂ − δ0 ŜE(δ̂) donde δ̂ = Xn1 − Y n2 y δ0 = 0 12 / 33 Estructura del estad́ıstico T = Xn1 − Y n2√ s21 n1 + s22 n2 = δ̂ − δ0 ŜE(δ̂) donde δ̂ = Xn1 − Y n2 y δ0 = 0 12 / 33 Estructura del estad́ıstico T = Xn1 − Y n2√ s21 n1 + s22 n2 = δ̂ − δ0 ŜE(δ̂) donde δ̂ = Xn1 − Y n2 y δ0 = 0 12 / 33 Estructura del estad́ıstico T = Xn1 − Y n2√ s21 n1 + s22 n2 = δ̂ − δ0 ŜE(δ̂) donde δ̂ = Xn1 − Y n2 y δ0 = 0 12 / 33 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 RR 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|) 13 / 33 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 RR 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|) 13 / 33 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 RR 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|) 13 / 33 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 RR 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|) 13 / 33 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”? ↑ por default mu = 0 para calcular el p-valor y el IC usa la distribución t de Student (con unos df complicados) en vez de la N (0, 1) → como Lock en sec. 6.11 y 6.12 14 / 33 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”? ↑ por default mu = 0 para calcular el p-valor y el IC usa la distribución t de Student (con unos df complicados) en vez de la N (0, 1) → como Lock en sec. 6.11 y 6.12 14 / 33 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”? ↑ por default mu = 0 para calcular el p-valor y el IC usa la distribución t de Student (con unos df complicados) en vez de la N (0, 1) → como Lock en sec. 6.11 y 6.12 14 / 33 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”? ↑ por default mu = 0 para calcular el p-valor y el IC usa la distribución t de Student (con unos df complicados) en vez de la N (0, 1) → como Lock en sec. 6.11 y 6.12 14 / 33 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”? ↑ por default mu = 0 para calcular el p-valor y el IC usa la distribución t de Student (con unos df complicados) en vez de la N (0, 1) → como Lock en sec. 6.11 y 6.12 14 / 33 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”? ↑ por default mu = 0 para calcular el p-valor y el IC usa la distribución t de Student (con unos df complicados) en vez de la N (0, 1) → como Lock en sec. 6.11 y 6.12 14 / 33 Ejemplo Se eligen 6000 clientes al azar a los que se les muestra la versión actual (muestra A) y 4000 a los que se les muestra la versión nueva (muestra B) de la página. Se registra el tiempo de permanencia en la página en cada uno de ellos observándose: en la muestra A, una media de 59.35 segundos y un desv́ıo de 39.59 segundos en la muestra B, una media de 61.36 segundos y un desv́ıo de 43.87 segundos ¿Proporcionan estos datos evidencia a nivel 5% de que el tiempo de permanencia medio con la versión nueva es mayor que con la actual? 15 / 33 Test - Pregunta Parámetro de interés: δ = µ1 − µ2 con µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 16 / 33 Test - Pregunta Parámetro de interés: δ = µ1 − µ2 con µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 16 / 33 Test - Pregunta Parámetro de interés: δ = µ1 − µ2 con µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 16 / 33 Test - Pregunta Parámetro de interés: δ = µ1 − µ2 con µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 16 / 33 Test - Pregunta Parámetro de interés: δ = µ1 − µ2 con µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 16 / 33 Test - Pregunta Parámetro de interés: δ = µ1 − µ2 con µ1 = tiempo de permanencia medio (poblacional) con la versión actual µ2 = tiempo de permanencia medio (poblacional) con la versión nueva Hipótesis: H0 : δ = 0 (δ ≥ 0) vs. H1 : δ < 0 16 / 33 Test - Datos muestra A: X1, . . . , X6000 i.i.d. donde Def.: Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ 6000 Dist.: E(X1) = µ1 muestra B: Y1, . . . , Y4000 i.i.d. Def.: Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ 4000 Dist.: E(Y1) = µ2 Las muestras A y B son independientes entre śı. 17 / 33 Test - Datos muestra A: X1, . . . , X6000 i.i.d. donde Def.: Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ 6000 Dist.: E(X1) = µ1 muestra B: Y1, . . . , Y4000 i.i.d. Def.: Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ 4000 Dist.: E(Y1) = µ2 Las muestras A y B son independientes entre śı. 17 / 33 Test - Datos muestra A: X1, . . . , X6000 i.i.d. donde Def.: Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ 6000 Dist.: E(X1) = µ1 muestra B: Y1, . . . , Y4000 i.i.d. Def.: Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ 4000 Dist.: E(Y1) = µ2 Las muestras A y B son independientes entre śı. 17 / 33 Test - Datos muestra A: X1, . . . , X6000 i.i.d. donde Def.: Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ 6000 Dist.: E(X1) = µ1 muestra B: Y1, . . . , Y4000 i.i.d. Def.: Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ 4000 Dist.: E(Y1) = µ2 Las muestras A y B son independientes entre śı. 17 / 33 Test - Datos muestra A: X1, . . . , X6000 i.i.d. donde Def.: Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ 6000 Dist.: E(X1) = µ1 muestra B: Y1, . . . , Y4000 i.i.d. Def.: Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ 4000 Dist.: E(Y1) = µ2 Las muestras A y B son independientes entre śı. 17 / 33 Test - Datos muestra A: X1, . . . , X6000 i.i.d. donde Def.: Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ 6000 Dist.: E(X1) = µ1 muestra B: Y1, . . . , Y4000 i.i.d. Def.: Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ 4000 Dist.: E(Y1) = µ2 Las muestras A y B son independientes entre śı. 17 / 33 Test - Datos muestra A: X1, . . . , X6000 i.i.d. donde Def.: Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ 6000 Dist.: E(X1) = µ1 muestra B: Y1, . . . , Y4000 i.i.d. Def.: Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ 4000 Dist.: E(Y1) = µ2 Las muestras A y B son independientes entre śı. 17 / 33 Test - Datos muestra A: X1, . . . , X6000 i.i.d. donde Def.: Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ 6000 Dist.: E(X1) = µ1 muestra B: Y1, . . . , Y4000 i.i.d. Def.: Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ 4000 Dist.: E(Y1) = µ2 Las muestras A y B son independientes entre śı. 17 / 33 Test - Datos muestra A: X1, . . . , X6000 i.i.d. donde Def.:Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ 6000 Dist.: E(X1) = µ1 muestra B: Y1, . . . , Y4000 i.i.d. Def.: Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ 4000 Dist.: E(Y1) = µ2 Las muestras A y B son independientes entre śı. 17 / 33 Test - Datos muestra A: X1, . . . , X6000 i.i.d. donde Def.: Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ 6000 Dist.: E(X1) = µ1 muestra B: Y1, . . . , Y4000 i.i.d. Def.: Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ 4000 Dist.: E(Y1) = µ2 Las muestras A y B son independientes entre śı. 17 / 33 Test - Datos muestra A: X1, . . . , X6000 i.i.d. donde Def.: Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ 6000 Dist.: E(X1) = µ1 muestra B: Y1, . . . , Y4000 i.i.d. Def.: Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ 4000 Dist.: E(Y1) = µ2 Las muestras A y B son independientes entre śı. 17 / 33 Test - Datos muestra A: X1, . . . , X6000 i.i.d. donde Def.: Xi = tiempo de permanencia (con la versión actual) del i-ésimo ind. de la muestra A, 1 ≤ i ≤ 6000 Dist.: E(X1) = µ1 muestra B: Y1, . . . , Y4000 i.i.d. Def.: Yi = tiempo de permanencia (con la versión nueva) del i-ésimo ind. de la muestra B, 1 ≤ i ≤ 4000 Dist.: E(Y1) = µ2 Las muestras A y B son independientes entre śı. 17 / 33 Test - Regla de decisión Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 con n1 = 6000 y n2 = 4000 RR de nivel asintótico 0.05: R = {T < −z0.05} = {T < −1.64} Decisión: rechazo H0 a nivel 5% Decisión en el contexto: cambio la versión de la página Conclusión en el contexto: hay evidencia significativa a nivel 5% de que el tiempo de permanencia medio es mayor con la nueva versión que con la actual. 18 / 33 Test - Regla de decisión Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 con n1 = 6000 y n2 = 4000 RR de nivel asintótico 0.05: R = {T < −z0.05} = {T < −1.64} Decisión: rechazo H0 a nivel 5% Decisión en el contexto: cambio la versión de la página Conclusión en el contexto: hay evidencia significativa a nivel 5% de que el tiempo de permanencia medio es mayor con la nueva versión que con la actual. 18 / 33 Test - Regla de decisión Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 con n1 = 6000 y n2 = 4000 RR de nivel asintótico 0.05: R = {T < −z0.05} = {T < −1.64} Decisión: rechazo H0 a nivel 5% Decisión en el contexto: cambio la versión de la página Conclusión en el contexto: hay evidencia significativa a nivel 5% de que el tiempo de permanencia medio es mayor con la nueva versión que con la actual. 18 / 33 Test - Regla de decisión Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 con n1 = 6000 y n2 = 4000 RR de nivel asintótico 0.05: R = {T < −z0.05} = {T < −1.64} Decisión: rechazo H0 a nivel 5% Decisión en el contexto: cambio la versión de la página Conclusión en el contexto: hay evidencia significativa a nivel 5% de que el tiempo de permanencia medio es mayor con la nueva versión que con la actual. 18 / 33 Test - Regla de decisión Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 con n1 = 6000 y n2 = 4000 RR de nivel asintótico 0.05: R = {T < −z0.05} = {T < −1.64} Decisión: rechazo H0 a nivel 5% Decisión en el contexto: cambio la versión de la página Conclusión en el contexto: hay evidencia significativa a nivel 5% de que el tiempo de permanencia medio es mayor con la nueva versión que con la actual. 18 / 33 Test - Regla de decisión Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 con n1 = 6000 y n2 = 4000 RR de nivel asintótico 0.05: R = {T < −z0.05} = {T < −1.64} Decisión: rechazo H0 a nivel 5% Decisión en el contexto: cambio la versión de la página Conclusión en el contexto: hay evidencia significativa a nivel 5% de que el tiempo de permanencia medio es mayor con la nueva versión que con la actual. 18 / 33 Test - Regla de decisión Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 con n1 = 6000 y n2 = 4000 RR de nivel asintótico 0.05: R = {T < −z0.05} = {T < −1.64} Decisión: rechazo H0 a nivel 5% Decisión en el contexto: cambio la versión de la página Conclusión en el contexto: hay evidencia significativa a nivel 5% de que el tiempo de permanencia medio es mayor con la nueva versión que con la actual. 18 / 33 Test - Regla de decisión Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 con n1 = 6000 y n2 = 4000 RR de nivel asintótico 0.05: R = {T < −z0.05} = {T < −1.64} Decisión: rechazo H0 a nivel 5% Decisión en el contexto: cambio la versión de la página Conclusión en el contexto: hay evidencia significativa a nivel 5% de que el tiempo de permanencia medio es mayor con la nueva versión que con la actual. 18 / 33 Test - Regla de decisión Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 con n1 = 6000 y n2 = 4000 RR de nivel asintótico 0.05: R = {T < −z0.05} = {T < −1.64} Decisión: rechazo H0 a nivel 5% Decisión en el contexto: cambio la versión de la página Conclusión en el contexto: hay evidencia significativa a nivel 5% de que el tiempo de permanencia medio es mayor con la nueva versión que con la actual. 18 / 33 Test - Regla de decisión Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 con n1 = 6000 y n2 = 4000 RR de nivel asintótico 0.05: R = {T < −z0.05} = {T < −1.64} Decisión: rechazo H0 a nivel 5% Decisión en el contexto: cambio la versión de la página Conclusión en el contexto: hay evidencia significativa a nivel 5% de que el tiempo de permanencia medio es mayor con la nueva versión que con la actual. 18 / 33 Test - Regla de decisión Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 con n1 = 6000 y n2 = 4000 RR de nivel asintótico 0.05: R = {T < −z0.05} = {T < −1.64} Decisión: rechazo H0 a nivel 5% Decisión en el contexto: cambio la versión de la página Conclusión en el contexto: hay evidencia significativa a nivel 5% de que el tiempo de permanencia medio es mayor con la nueva versión que con la actual. 18 / 33 Test - Regla de decisión Estad́ıstico: T = Xn1 − Y n2√ s21 n1 + s22 n2 ≈ N (0, 1) bajo H0 con n1 = 6000 y n2 = 4000 RR de nivel asintótico 0.05: R = {T < −z0.05} = {T < −1.64} Decisión: rechazo H0 a nivel 5% Decisión en el contexto: cambio la versión de la página Conclusión en el contexto: hay evidencia significativa a nivel 5% de que el tiempo de permanencia medio es mayor con la nueva versión que con la actual. 18 / 33 Significancia estad́ıstica vs. práctica La diferencia en los tiempos de permanencia medios con ambas versiones es estad́ısticamente significativa, pero ¿será prácticamente significativa? Estimación de δ = µ1 − µ2: δ̂obs = 59.35− 61.36 = −2.01 IC para δ = µ1 − µ2: IC(0.95) = ( δ̂ ± z0.025ŜE(δ̂) ) = Xn1 − Y n2 ± z0.025 √ s21 n1 + s22 n2 19 / 33 Significancia estad́ıstica vs. práctica La diferencia en los tiempos de permanencia medios con ambas versiones es estad́ısticamente significativa, pero ¿será prácticamente significativa? Estimación de δ = µ1 − µ2: δ̂obs = 59.35− 61.36 = −2.01 IC para δ = µ1 − µ2: IC(0.95) = ( δ̂ ± z0.025ŜE(δ̂) ) = Xn1 − Y n2 ± z0.025 √ s21 n1 + s22 n2 19 / 33 Significancia estad́ıstica vs. práctica La diferencia en los tiempos de permanencia medios con ambas versiones es estad́ısticamente significativa, pero ¿será prácticamente significativa? Estimación de δ = µ1 − µ2: δ̂obs = 59.35− 61.36 = −2.01 IC para δ = µ1 − µ2: IC(0.95) = ( δ̂ ± z0.025ŜE(δ̂) ) = Xn1 − Y n2 ± z0.025 √ s21 n1 + s22 n2 19 / 33Significancia estad́ıstica vs. práctica La diferencia en los tiempos de permanencia medios con ambas versiones es estad́ısticamente significativa, pero ¿será prácticamente significativa? Estimación de δ = µ1 − µ2: δ̂obs = 59.35− 61.36 = −2.01 IC para δ = µ1 − µ2: IC(0.95) = ( δ̂ ± z0.025ŜE(δ̂) ) = Xn1 − Y n2 ± z0.025 √ s21 n1 + s22 n2 19 / 33 Significancia estad́ıstica vs. práctica La diferencia en los tiempos de permanencia medios con ambas versiones es estad́ısticamente significativa, pero ¿será prácticamente significativa? Estimación de δ = µ1 − µ2: δ̂obs = 59.35− 61.36 = −2.01 IC para δ = µ1 − µ2: IC(0.95) = ( δ̂ ± z0.025ŜE(δ̂) ) = Xn1 − Y n2 ± z0.025 √ s21 n1 + s22 n2 19 / 33 Significancia estad́ıstica vs. práctica La diferencia en los tiempos de permanencia medios con ambas versiones es estad́ısticamente significativa, pero ¿será prácticamente significativa? Estimación de δ = µ1 − µ2: δ̂obs = 59.35− 61.36 = −2.01 IC para δ = µ1 − µ2: IC(0.95) = ( δ̂ ± z0.025ŜE(δ̂) ) = Xn1 − Y n2 ± z0.025 √ s21 n1 + s22 n2 19 / 33 Significancia estad́ıstica vs. práctica La diferencia en los tiempos de permanencia medios con ambas versiones es estad́ısticamente significativa, pero ¿será prácticamente significativa? Estimación de δ = µ1 − µ2: δ̂obs = 59.35− 61.36 = −2.01 IC para δ = µ1 − µ2: IC(0.95) = ( δ̂ ± z0.025ŜE(δ̂) ) = Xn1 − Y n2 ± z0.025 √ s21 n1 + s22 n2 19 / 33 Significancia estad́ıstica vs. práctica ICobs(0.95) = (−3.70, −0.32) Interpretación del IC: el incremento en el tiempo de permanencia medio con la nueva versión respecto de la actual está entre los 0.32 y los 3.7 segundos con un 95% de confianza. 20 / 33 Significancia estad́ıstica vs. práctica ICobs(0.95) = (−3.70, −0.32) Interpretación del IC: el incremento en el tiempo de permanencia medio con la nueva versión respecto de la actual está entre los 0.32 y los 3.7 segundos con un 95% de confianza. 20 / 33 Significancia estad́ıstica vs. práctica ICobs(0.95) = (−3.70, −0.32) Interpretación del IC: el incremento en el tiempo de permanencia medio con la nueva versión respecto de la actual está entre los 0.32 y los 3.7 segundos con un 95% de confianza. 20 / 33 p-valor p− valor = 0.0099 < 0.01 → nivel de evidencia muy alto. 21 / 33 p-valor p− valor = 0.0099 < 0.01 → nivel de evidencia muy alto. 21 / 33 p-valor p− valor = 0.0099 < 0.01 → nivel de evidencia muy alto. 21 / 33 Ejemplo Test AB: tasa de conversión Queremos decidir si cambiar la versión de la página en base a la tasa de conversión suponiendo p0 = tasa de conversión con la versión actual = 0.015 −→ conocida Parámetro de interés: p = tasa de conversión con la versión nueva Pregunta: ¿ p > p0? Queremos un test para las hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 22 / 33 Ejemplo Test AB: tasa de conversión Queremos decidir si cambiar la versión de la página en base a la tasa de conversión suponiendo p0 = tasa de conversión con la versión actual = 0.015 −→ conocida Parámetro de interés: p = tasa de conversión con la versión nueva Pregunta: ¿ p > p0? Queremos un test para las hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 22 / 33 Ejemplo Test AB: tasa de conversión Queremos decidir si cambiar la versión de la página en base a la tasa de conversión suponiendo p0 = tasa de conversión con la versión actual = 0.015 −→ conocida Parámetro de interés: p = tasa de conversión con la versión nueva Pregunta: ¿ p > p0? Queremos un test para las hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 22 / 33 Ejemplo Test AB: tasa de conversión Queremos decidir si cambiar la versión de la página en base a la tasa de conversión suponiendo p0 = tasa de conversión con la versión actual = 0.015 −→ conocida Parámetro de interés: p = tasa de conversión con la versión nueva Pregunta: ¿ p > p0? Queremos un test para las hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 22 / 33 Ejemplo Test AB: tasa de conversión Queremos decidir si cambiar la versión de la página en base a la tasa de conversión suponiendo p0 = tasa de conversión con la versión actual = 0.015 −→ conocida Parámetro de interés: p = tasa de conversión con la versión nueva Pregunta: ¿ p > p0? Queremos un test para las hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 22 / 33 Ejemplo Test AB: tasa de conversión Queremos decidir si cambiar la versión de la página en base a la tasa de conversión suponiendo p0 = tasa de conversión con la versión actual = 0.015 −→ conocida Parámetro de interés: p = tasa de conversión con la versión nueva Pregunta: ¿ p > p0? Queremos un test para las hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 22 / 33 Ejemplo Test AB: tasa de conversión Queremos decidir si cambiar la versión de la página en base a la tasa de conversión suponiendo p0 = tasa de conversión con la versión actual = 0.015 −→ conocida Parámetro de interés: p = tasa de conversión con la versión nueva Pregunta: ¿ p > p0? Queremos un test para las hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 22 / 33 Ejemplo Test AB: tasa de conversión Queremos decidir si cambiar la versión de la página en base a la tasa de conversión suponiendo p0 = tasa de conversión con la versión actual = 0.015 −→ conocida Parámetro de interés: p = tasa de conversión con la versión nueva Pregunta: ¿ p > p0? Queremos un test para las hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 22 / 33 Datos en el ejemplo X1, . . . , Xn i.i.d. donde Def.: Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n Dist.: X1, . . . , Xn ∼ Be(p) i.i.d. 23 / 33 Datos en el ejemplo X1, . . . , Xn i.i.d. donde Def.: Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n Dist.: X1, . . . , Xn ∼ Be(p) i.i.d. 23 / 33 Datos en el ejemplo X1, . . . , Xn i.i.d. donde Def.: Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n Dist.: X1, . . . , Xn ∼ Be(p) i.i.d. 23 / 33 Datos en el ejemplo X1, . . . , Xn i.i.d. donde Def.: Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n Dist.: X1, . . . , Xn ∼ Be(p) i.i.d. 23 / 33 Datos en el ejemplo X1, . . . , Xn i.i.d. donde Def.: Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n Dist.: X1, . . . , Xn ∼ Be(p) i.i.d. 23 / 33 Datos en el ejemplo X1, . . . , Xn i.i.d. donde Def.: Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n Dist.: X1, . . . , Xn ∼ Be(p) i.i.d. 23 / 33 Test asintótico para p Sean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 → justificar ↑ ¿cómo se compara con el Pivote? 24 / 33 Test asintótico para p Sean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 → justificar ↑ ¿cómo se compara con el Pivote? 24 / 33 Test asintótico para p Sean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 → justificar ↑ ¿cómo se compara con el Pivote? 24 / 33 Test asintótico para p Sean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 → justificar ↑ ¿cómo se compara con el Pivote? 24 / 33 Test asintótico para pSean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 → justificar ↑ ¿cómo se compara con el Pivote? 24 / 33 Test asintótico para p Sean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 → justificar ↑ ¿cómo se compara con el Pivote? 24 / 33 Estructura del estad́ıstico T = p̂n − p0√ p0(1− p0)/n = p̂n − p0 SEH0(p̂n) 25 / 33 Estructura del estad́ıstico T = p̂n − p0√ p0(1− p0)/n = p̂n − p0 SEH0(p̂n) 25 / 33 Test asintótico para p Sean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 RR 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|) 26 / 33 Test asintótico para p Sean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 RR 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|) 26 / 33 Test asintótico para p Sean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 RR 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|) 26 / 33 Test asintótico para p Sean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 RR 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|) 26 / 33 Test asintótico para p Sean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 RR 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|) 26 / 33 Test asintótico para p Sean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 RR 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|) 26 / 33 Test asintótico para p Sean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 RR 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|) 26 / 33 Test asintótico para p Sean X1, . . . , Xn ∼ Be(p) i.i.d. con n grande. Un test para las hipótesis H0 : p = p0 vs. a) H1 : p > p0 b) H1 : p < p0 c) H1 : p ̸= p0 tendrá... Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n ≈ N (0, 1) bajo H0 RR 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|) 26 / 33 Ejemplo Se eligen 400 visitantes de la página al azar a los que se les muestra la nueva versión y se observa un total de 10 transacciones. Suponiendo que la tasa de conversión con la versión actual es 0.015, 1 ¿proporcionan estos datos evidencia a nivel 1% de que la tasa de conversión con la versión nueva es mayor que con la actual? 2 calcule el p-valor de la muestra, 3 ¿puede anticipar la decisión del test a nivel 0.05 y 0.10 sin hacer más cuentas? 27 / 33 Test - Pregunta y datos Parámetro de interés: p = tasa de conversión con la versión nueva Hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 Muestra aleatoria: X1, . . . , X400 ∼ Be(p) i.i.d. donde Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n 28 / 33 Test - Pregunta y datos Parámetro de interés: p = tasa de conversión con la versión nueva Hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 Muestra aleatoria: X1, . . . , X400 ∼ Be(p) i.i.d. donde Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n 28 / 33 Test - Pregunta y datos Parámetro de interés: p = tasa de conversión con la versión nueva Hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 Muestra aleatoria: X1, . . . , X400 ∼ Be(p) i.i.d. donde Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n 28 / 33 Test - Pregunta y datos Parámetro de interés: p = tasa de conversión con la versión nueva Hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 Muestra aleatoria: X1, . . . , X400 ∼ Be(p) i.i.d. donde Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n 28 / 33 Test - Pregunta y datos Parámetro de interés: p = tasa de conversión con la versión nueva Hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 Muestra aleatoria: X1, . . . , X400 ∼ Be(p) i.i.d. donde Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n 28 / 33 Test - Pregunta y datos Parámetro de interés: p = tasa de conversión con la versión nueva Hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 Muestra aleatoria: X1, . . . , X400 ∼ Be(p) i.i.d. donde Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n 28 / 33 Test - Pregunta y datos Parámetro de interés: p = tasa de conversión con la versión nueva Hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 Muestra aleatoria: X1, . . . , X400 ∼ Be(p) i.i.d. donde Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n 28 / 33 Test - Pregunta y datos Parámetro de interés: p = tasa de conversión con la versión nueva Hipótesis: H0 : p = p0 (p ≤ p0) vs. H1 : p > p0 Muestra aleatoria: X1, . . . , X400 ∼ Be(p) i.i.d. donde Xi = I(la sesión del de i-ésimo ind. de la muestra termina en una transacción), 1 ≤ i ≤ n 28 / 33 Test - Regla de decisión Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n = p̂n − 0.015√ 0.015(1− 0.015)/400 ≈ N (0, 1) bajo H0 RR de nivel asintótico 0.05: R = {T > z0.01} = {T > 2.33} Decisión: no rechazo H0 a nivel 1% Decisión en el contexto: no cambio la versión de la página 29 / 33 Test - Regla de decisión Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n = p̂n − 0.015√ 0.015(1− 0.015)/400 ≈ N (0, 1) bajo H0 RR de nivel asintótico 0.05: R = {T > z0.01} = {T > 2.33} Decisión: no rechazo H0 a nivel 1% Decisión en el contexto: no cambio la versión de la página 29 / 33 Test - Regla de decisión Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n = p̂n − 0.015√ 0.015(1− 0.015)/400 ≈ N (0, 1) bajo H0 RR de nivel asintótico 0.05: R = {T > z0.01} = {T > 2.33} Decisión: no rechazo H0 a nivel 1% Decisión en el contexto: no cambio la versión de la página 29 / 33 Test - Regla de decisión Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n = p̂n − 0.015√ 0.015(1− 0.015)/400 ≈ N (0, 1) bajo H0 RR de nivel asintótico 0.05: R = {T > z0.01} = {T > 2.33} Decisión: no rechazo H0 a nivel 1% Decisión en el contexto: no cambio laversión de la página 29 / 33 Test - Regla de decisión Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n = p̂n − 0.015√ 0.015(1− 0.015)/400 ≈ N (0, 1) bajo H0 RR de nivel asintótico 0.05: R = {T > z0.01} = {T > 2.33} Decisión: no rechazo H0 a nivel 1% Decisión en el contexto: no cambio la versión de la página 29 / 33 Test - Regla de decisión Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n = p̂n − 0.015√ 0.015(1− 0.015)/400 ≈ N (0, 1) bajo H0 RR de nivel asintótico 0.05: R = {T > z0.01} = {T > 2.33} Decisión: no rechazo H0 a nivel 1% Decisión en el contexto: no cambio la versión de la página 29 / 33 Test - Regla de decisión Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n = p̂n − 0.015√ 0.015(1− 0.015)/400 ≈ N (0, 1) bajo H0 RR de nivel asintótico 0.05: R = {T > z0.01} = {T > 2.33} Decisión: no rechazo H0 a nivel 1% Decisión en el contexto: no cambio la versión de la página 29 / 33 Test - Regla de decisión Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n = p̂n − 0.015√ 0.015(1− 0.015)/400 ≈ N (0, 1) bajo H0 RR de nivel asintótico 0.05: R = {T > z0.01} = {T > 2.33} Decisión: no rechazo H0 a nivel 1% Decisión en el contexto: no cambio la versión de la página 29 / 33 Test - Regla de decisión Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n = p̂n − 0.015√ 0.015(1− 0.015)/400 ≈ N (0, 1) bajo H0 RR de nivel asintótico 0.05: R = {T > z0.01} = {T > 2.33} Decisión: no rechazo H0 a nivel 1% Decisión en el contexto: no cambio la versión de la página 29 / 33 Test - Regla de decisión Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n = p̂n − 0.015√ 0.015(1− 0.015)/400 ≈ N (0, 1) bajo H0 RR de nivel asintótico 0.05: R = {T > z0.01} = {T > 2.33} Decisión: no rechazo H0 a nivel 1% Decisión en el contexto: no cambio la versión de la página 29 / 33 Test - Regla de decisión Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n = p̂n − 0.015√ 0.015(1− 0.015)/400 ≈ N (0, 1) bajo H0 RR de nivel asintótico 0.05: R = {T > z0.01} = {T > 2.33} Decisión: no rechazo H0 a nivel 1% Decisión en el contexto: no cambio la versión de la página 29 / 33 Test - Regla de decisión Estad́ıstico: T = p̂n − p0√ p0(1− p0)/n = p̂n − 0.015√ 0.015(1− 0.015)/400 ≈ N (0, 1) bajo H0 RR de nivel asintótico 0.05: R = {T > z0.01} = {T > 2.33} Decisión: no rechazo H0 a nivel 1% Decisión en el contexto: no cambio la versión de la página 29 / 33 Respuestas 1 No hay evidencia significativa a nivel 1% de que la tasa de conversión con la nueva versión sea mayor que con la actual. 2 p− valor = 0.048. 3 Decisión a niveles 0.05 y 0.10: p− valor = 0.048 < 0.05 < 0.10 ⇒ śı rechazaŕıa (con los datos observados) a nivel 5% y 10%. ¿cómo es el grado de evidencia que presentan estos datos contra H0? Alto. 30 / 33 Respuestas 1 No hay evidencia significativa a nivel 1% de que la tasa de conversión con la nueva versión sea mayor que con la actual. 2 p− valor = 0.048. 3 Decisión a niveles 0.05 y 0.10: p− valor = 0.048 < 0.05 < 0.10 ⇒ śı rechazaŕıa (con los datos observados) a nivel 5% y 10%. ¿cómo es el grado de evidencia que presentan estos datos contra H0? Alto. 30 / 33 Respuestas 1 No hay evidencia significativa a nivel 1% de que la tasa de conversión con la nueva versión sea mayor que con la actual. 2 p− valor = 0.048. 3 Decisión a niveles 0.05 y 0.10: p− valor = 0.048 < 0.05 < 0.10 ⇒ śı rechazaŕıa (con los datos observados) a nivel 5% y 10%. ¿cómo es el grado de evidencia que presentan estos datos contra H0? Alto. 30 / 33 Respuestas 1 No hay evidencia significativa a nivel 1% de que la tasa de conversión con la nueva versión sea mayor que con la actual. 2 p− valor = 0.048. 3 Decisión a niveles 0.05 y 0.10: p− valor = 0.048 < 0.05 < 0.10 ⇒ śı rechazaŕıa (con los datos observados) a nivel 5% y 10%. ¿cómo es el grado de evidencia que presentan estos datos contra H0? Alto. 30 / 33 Respuestas 1 No hay evidencia significativa a nivel 1% de que la tasa de conversión con la nueva versión sea mayor que con la actual. 2 p− valor = 0.048. 3 Decisión a niveles 0.05 y 0.10: p− valor = 0.048 < 0.05 < 0.10 ⇒ śı rechazaŕıa (con los datos observados) a nivel 5% y 10%. ¿cómo es el grado de evidencia que presentan estos datos contra H0? Alto. 30 / 33 Respuestas 1 No hay evidencia significativa a nivel 1% de que la tasa de conversión con la nueva versión sea mayor que con la actual. 2 p− valor = 0.048. 3 Decisión a niveles 0.05 y 0.10: p− valor = 0.048 < 0.05 < 0.10 ⇒ śı rechazaŕıa (con los datos observados) a nivel 5% y 10%. ¿cómo es el grado de evidencia que presentan estos datos contra H0? Alto. 30 / 33 Respuestas 1 No hay evidencia significativa a nivel 1% de que la tasa de conversión con la nueva versión sea mayor que con la actual. 2 p− valor = 0.048. 3 Decisión a niveles 0.05 y 0.10: p− valor = 0.048 < 0.05 < 0.10 ⇒ śı rechazaŕıa (con los datos observados) a nivel 5% y 10%. ¿cómo es el grado de evidencia que presentan estos datos contra H0? Alto. 30 / 33 Respuestas 1 No hay evidencia significativa a nivel 1% de que la tasa de conversión con la nueva versión sea mayor que con la actual. 2 p− valor = 0.048. 3 Decisión a niveles 0.05 y 0.10: p− valor = 0.048 < 0.05 < 0.10 ⇒ śı rechazaŕıa (con los datos observados) a nivel 5% y 10%. ¿cómo es el grado de evidencia que presentan estos datos contra H0? Alto. 30 / 33 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(Z ≥ Tobs) Tobs = p̂obs − p0√ p0(1− p0)/n Necesitamos... cantidad de éxitos (transacciones) y n p0 H1 prop.test(x = 10, n = 400, p = 0.015, alternative = "greater", correct = FALSE, conf.level = 0.99) 31 / 33 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(Z ≥ Tobs) Tobs = p̂obs − p0√ p0(1− p0)/n Necesitamos... cantidad de éxitos (transacciones) y n p0 H1 prop.test(x = 10, n = 400, p = 0.015, alternative = "greater", correct = FALSE, conf.level = 0.99) 31 / 33 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(Z ≥ Tobs) Tobs = p̂obs − p0√ p0(1− p0)/n Necesitamos... cantidad de éxitos (transacciones) y n p0 H1 prop.test(x = 10, n = 400, p = 0.015, alternative = "greater", correct = FALSE, conf.level = 0.99) 31 / 33 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(Z ≥ Tobs) Tobs = p̂obs − p0√ p0(1− p0)/n Necesitamos... cantidad de éxitos (transacciones) y n p0 H1 prop.test(x = 10, n = 400, p = 0.015, alternative = "greater", correct = FALSE, conf.level = 0.99) 31 / 33 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(Z ≥ Tobs) Tobs = p̂obs − p0√ p0(1− p0)/n Necesitamos... cantidad de éxitos (transacciones) y n p0 H1 prop.test(x = 10, n = 400, p = 0.015, alternative = "greater", correct = FALSE, conf.level = 0.99) 31 / 33 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(Z ≥ Tobs) Tobs = p̂obs − p0√ p0(1− p0)/n Necesitamos... cantidad de éxitos (transacciones) y n p0 H1 prop.test(x = 10, n = 400, p = 0.015, alternative = "greater", correct = FALSE, conf.level = 0.99) 31 / 33 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(Z ≥ Tobs) Tobs = p̂obs − p0√ p0(1− p0)/n Necesitamos... cantidad de éxitos (transacciones) y n p0 H1 prop.test(x = 10, n = 400, p = 0.015, alternative = "greater", correct = FALSE, conf.level = 0.99) 31 / 33 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(Z ≥ Tobs) Tobs = p̂obs − p0√ p0(1− p0)/n Necesitamos... cantidad de éxitos (transacciones) y n p0 H1 prop.test(x = 10, n = 400, p = 0.015, alternative = "greater", correct = FALSE, conf.level = 0.99) 31 / 33 Implementación en R ¿Qué información necesitamos para calcular el p-valor? p− valor = P(Z ≥ Tobs) Tobs= p̂obs − p0√ p0(1− p0)/n Necesitamos... cantidad de éxitos (transacciones) y n p0 H1 prop.test(x = 10, n = 400, p = 0.015, alternative = "greater", correct = FALSE, conf.level = 0.99) 31 / 33 Implementación en R 1 2 prop.test(x = 10, n = 400, p = 0.015 , alternative = " greater", correct = F, conf.level = 0.99) 3 4 # 1-sample proportions test without continuity correction 5 # 6 # data: 10 out of 400, null probability 0.015 7 # X-squared = 2.7073 , df = 1, p-value = 0.04995 8 # alternative hypothesis: true p is greater than 0.015 9 # 99 percent confidence interval: 10 # 0.0122204 1.0000000 11 # sample estimates: 12 # p 13 # 0.025 X-squared = T 2obs 32 / 33 Implementación en R 1 2 prop.test(x = 10, n = 400, p = 0.015 , alternative = " greater", correct = F, conf.level = 0.99) 3 4 # 1-sample proportions test without continuity correction 5 # 6 # data: 10 out of 400, null probability 0.015 7 # X-squared = 2.7073 , df = 1, p-value = 0.04995 8 # alternative hypothesis: true p is greater than 0.015 9 # 99 percent confidence interval: 10 # 0.0122204 1.0000000 11 # sample estimates: 12 # p 13 # 0.025 X-squared = T 2obs 32 / 33 Ejercicios de la práctica que pueden hacer Práctica 4: hasta ej. 17 y 20. 33 / 33
Compartir