La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

Bioestadística Diplomado en Sanidad Tema 4: Estimación y contraste de hipótesis.

Presentaciones similares


Presentación del tema: "Bioestadística Diplomado en Sanidad Tema 4: Estimación y contraste de hipótesis."— Transcripción de la presentación:

1 Bioestadística Diplomado en Sanidad Tema 4: Estimación y contraste de hipótesis

2 Estimación Un estimador es una cantidad numérica calculada sobre una muestra y que esperamos que sea una buena aproximación de cierta cantidad con el mismo significado en la población (parámetro). –Para la media de una población: El mejor es la media de la muestra. –Para la frecuencia relativa de una modalidad de una variable: El mejor es la frecuencia relativa en la muestra. Habría que precisar que se entiende por el mejor estimador pero eso nos haría extendernos demasiado. Básicamente: –Debe ser preciso –Debe ser insesgado

3 ¿Es útil conocer la distribución de un estimador? Es la clave para hacer inferencia. –Si de una variable conocemos μ y σ, sabemos que para muestras grandes, la media muestral es: aproximadamente normal, con la misma media y, desviación típica mucho menor (error estándar) –Es decir si por ejemplo μ=60 y σ=5, y obtenemos muestras de tamaño n=100, La desv. típica de la media muestral (error estándar) es EE=5/raiz(100)=0,5 como la media muestral es aproximadamente normal, el 95% de los estudios con muestras ofrecerían estimaciones entre 60±1 Dicho de otra manera, al hacer un estudio tenemos una confianza del 95% de que la verdadera media esté a una distancia de ±1.

4 En el ejemplo anterior la situación no era muy realista, pues como de todas maneras no conozco σ desconoceré el intervalo exacto para μ. Sin embargo también hay estimadores para σ y puedo usarlo como aproximación. Para tener una idea intuitiva, analicemos el siguiente ejemplo. Nos servirá como introducción a la estimación puntual y por intervalos de confianza.

5 Ejemplo: Una muestra de n=100 individuos de una población tiene media de peso 60 kg y desviación 5kg. –Dichas cantidades pueden considerarse como aproximaciones (estimaciones puntuales) 60 kg estima a μ 5 kg estima a σ 5/raiz(n)= 0,5 estima el error estándar (típico) EE –Estas son las llamadas estimaciones puntuales: un número concreto calculado sobre una muestra es aproximación de un parámetro. –Una estimación por intervalo de confianza es una que ofrece un intervalo como respuesta. Además podemos asignarle una probabilidad aproximada que mida nuestra confianza en la respuesta: Hay una confianza del 68% de que μ esté en 60±0,5 Hay una confianza del 95% de que μ esté en 60±1.

6 Estimación puntual y por intervalos Se denomina estimación puntual de un parámetro al ofrecido por el estimador sobre una muestra. Se denomina estimación confidencial o intervalo de confianza para un nivel de confianza 1-α dado, a un intervalo que ha sido construido de tal manera que con frecuencia 1-α realmente contiene al parámetro. –Obsérvese que la probabilidad de error (no contener al parámetro) es α. En el siguiente tema se llamará prob. de error de tipo I o nivel de significación. Valores típicos: α=0,10 ; 0,05 ; 0,01 –En general el tamaño del intervalo disminuye con el tamaño muestral y aumenta con 1- α. –En todo intervalo de confianza hay una noticia buena y otra mala: La buena: hemos usado una técnica que en % alto de casos acierta. La mala: no sabemos si ha acertado en nuestro caso.

7 Fórmulas calve intervalo confianza x ±(Zα/2 xs/n) p* ±(Zα/2 x[p*(1-p*)/n ] Fórmula general: Parámetro muestral más/menos el producto del coeficiente de confiabilidad (valor de la Normal del error alfa, habitualmente p=0,05 y Zα/2=1,96) por el error estándar del parámetro a estimar

8 Introducción a los contrastes de hipótesis

9 Introducción sencilla al contraste de hipótesis: Poco técnica, muy informal Poco rigurosa, más simplista Presenta el resultado básico fácil de memorizar

10 La hipótesis formulada con intención de rechazarla se llama hipótesis nula y se representa por H0. Ejemplos: - La media de edad es 60 años - El porcentaje de curación es el 20% - La media de estancia entre los pacientes tratados con cada medicamento es la misma - El porcentaje de curaciones con cada medicamento es el mismo

11 Rechazar H0 implica aceptar una hipótesis alternativa (H1): Ejemplos de las hipótesis de la diapositiva anterior. - La media de edad no es 60 años - El porcentaje de curación no es el 20% - La media de estancia entre los pacientes tratados con cada medicamento no es la misma - El porcentaje de curaciones con cada medicamento no es el mismo

12 La situación de resultados se puede esquematizar según la tabla. α = p(rechazar H0| H0 cierta) β = p(aceptar H0| H0 falsa) α y β están inversamente relacionadas. Ho ciertaHo falsa, H1 cierta Ho rechazadaError tipo I (α)Decisión correcta Ho no rechazadaDecisión correctaError tipo II (β)

13 Razonamiento intuitivo del contraste de hipótesis. Presenta siempre un resultado en términos de probabilidad, p. Esta p se puede entender, sin profundizar demasiado, como la probabilidad que tiene la hipótesis nula de ser cierta según los datos de la muestra. Si este valor p es mayor que el error α que se acepta y esta fijado con anterioridad, se entiende que existe más probabilidad de acertar que de fallar si esta hipótesis se acepta. Si la probabilidad p, es mayor que α, se acepta la hipótesis nula. Por el contrario, si la probabilidad p, es menor que α, se descarta la hipótesis nula y se acepta la alternativa.

14 Contrastes básicos de Hipótesis: Variables cuantitativas Prueba de Kolmogorov-Smirnov. Ho: Distribución normal (0,05) p(K-S)>0.05 y n30 CONTRASTES PARAMETRICOS T-Student (una muestra) H0: μ = μ 0 H1: μ μ 0 (0,025) H1: μ >(<) μ 0 (0,05) T-Student (dos muestras independientes o relacionadas) H0: μ 1 = μ 2 H1: μ 1 μ 2 (0,025) H1: μ 1 >(<) μ 2 (0,05) Analizar: H0: σ 2 1 = σ 2 2 H1: σ 2 1σ 2 2 (0.05) ANOVA H0: μ 1 =μ 2 =...=μ k H1: μ 1μ 2...μ k (0,05) p(K-S)<0.05 y n30 CONTRASTES NO PARAMETRICOS U de Mann Whitney (datos independientes) H0: μ 1 = μ 2 H1: μ 1 μ 2 (0,025) T de Wilcoxon (datos relacionados) H0: μ 1 = μ 2 H1: μ 1 μ 2 (0,025) Kruskal Wallis (datos independientes) H0: μ1=μ2=...=μk H1: μ1μ2...μk (0,05) Friedman (datos relacionados) H0: μ1=μ2=...=μk H1: μ1μ2...μk (0,05) (0,05)

15 Contrastes básicos de Hipótesis: Variables cualitativas Variables cualitativas Chi cuadrado H0: Homogeneidad entre muestrasH0: Independencia H1: No homogeneidad H1: No indepenedencia


Descargar ppt "Bioestadística Diplomado en Sanidad Tema 4: Estimación y contraste de hipótesis."

Presentaciones similares


Anuncios Google