COMPARACION DE DOS MEDIAS (POBLACIONES O PROCESOS)

Slides:



Advertisements
Presentaciones similares
INFERENCIA ESTADISTICA Dr. Porfirio Gutiérrez González
Advertisements

PRESENTADO POR: JOHANNA ANDREA RODRIGUEZ MORENO.  Descubierta por William S. en 1908, la distribución de T normalmente se llama distribución de t de.
Presentado por Karina Yuliet Preciado Mosquera Estadística II.
ANÁLISIS ESTADÍSTICO de los RESULTADOS DEL AJUSTE
PRINCIPIOS DE ESTADÍSTICAS INFERENCIALES PRUEBA DE HIPÓTESIS: MUESTRAS PEQUEÑAS.
El estadístico Chi- cuadrado ING. RAÚL ALVAREZ GUALE, MPC.
El estadístico Chi- cuadrado ING. RAÚL ALVAREZ GUALE, MPC.
PRUEBAS DE HIPÓTESIS UNA POBLACIÓN. Pruebas de hipótesis una población Pruebas para una media: Pruebas para una media: Determinar la probabilidad de seleccionar.
REGRESIÓN Y CORRELACIÓN  REGRESIÓN Es un Proceso estadístico que consiste en predecir una variable a partir de otra utilizando datos anteriores. INGA.
1 Pronósticos, Series de Tiempo y Regresión Capítulo 3: Regresión Lineal Simple.
ESTADÍSTICA Mercedes de la Oliva ESTADÍSTICA INFERENCIAL Teorema Central del límite Distribución de media y proporción muestral.
Recordatorio Estadística Paramétrica Se basa en el conocimiento que los datos presentan una distribución estadística conocida y cada distribución tiene.
Valor que toma la variable aleatoria
ESTADÍSTICA INFERENCIAL
Capitulo 3 Análisis descriptivo inferencial: comparaciones de muestras
DISTRIBUCION F DE FISHER.
PRUEBA DE HIPÓTESIS: MUESTRAS PEQUEÑAS
DISEÑOS EXPERIMENTALES
PRUEBAS DE BONDAD DE AJUSTE estas pruebas permiten verificar que la población de la cual proviene una muestra tiene una distribución especificada o supuesta.
puede o no ser verdadero, relativo a una o más poblaciones.
7.1 Procedimientos paramétricos para datos cuantitativos
DISEÑO DE COMPARACION Se pretende comparar elRendimiento académico en dos colegios de la ciudad de Arequipa. Presentación de la tabla: RENDIMIENTO ACADEMICO.
Inferencia estadística.
Bioestadística Inferencia estadística y tamaños de muestra para una y dos o más medias.
INFERENCIA ESTADÍSTICA PARA DOS POBLACIONES
ANALISIS UNILATERAL DE LA VARIANZA POR JERARQUIAS DE KRUSKAL- WALLIS
EXPERIMENTOS FACTORIALES
Diseños experimentales
CHI CUADRADO  2 OBJETIVOS –Describir situaciones donde es adecuado la utilización de la prueba de Chi Cuadrado (  2 ) –Formular Hipótesis para diferentes.
ESTADÍSTICA INFERENCIAL
¿Cuándo usar esta distribución?
ANALISIS DE LA VARIANZA PROF. GERARDO A. VALDERRAMA M.
ESCUELA PROFESIONAL CIENCIA POLITICA Y GOBIERNO
Christian Alave Rosas UNIVERSIDAD JORGE BASADRE GROHMANN BIOLOGÍA - MICROBIOLOGÍA Diseños experimentales Christian Alave Rosas
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN FACI-ESBIM
DISEÑOS EXPERIMETALES
¿Son nuestros resultados suficientemente confiables para dar soporte a nuestra hipótesis? ¿Podemos rechazar la hipótesis nula?
puede o no ser verdadero, relativo a una o más poblaciones.
Análisis of varianza (ANOVA) De un factor o unidireccional
DISTRIBUCIÓN MUESTRAL DE UNA MEDIA.
Tema: Distribución t-Student para una muestra Curso: Seminario de Estadística Aplicada a la Investigación Educacional UNIVERSIDAD NACIONAL DE EDUCACIÓN.
“Formulación de Hipótesis Estadística”
COMPARACION DE MEDIAS Para comparar media utilizando la prueba T hay Ttres opciones diferentes utilizando contrastes de hipotesis sobre : PARA UNA MUESTRA.
PRUEBAS PARAMETRICAS Y NO PARAMETRICAS. Cómo aplicar las pruebas paramétricas bivariadas t de Student y ANOVA en SPSS. Caso práctico., María José Rubio.
ANALISIS DE VARIANZA
DISEÑO Y ANALISIS DE EXPERIMENTOS
EXPERIMENTOS FACTORIALES
DISEÑO Y ANALISIS DE EXPERIMENTOS
Dr. Carlomagno Araya Alpízar
INTRODUCCION A LOS CONTRASTES BASADOS EN RANGOS
Regresión Lineal Simple
DISEÑO Y ANALISIS DE EXPERIMENTOS
ESTADISTICA DESCRIPTIVA
INTRODUCCION A LOS CONTRASTES BASADOS EN RANGOS
CARTA CONTROL DE MEDIAS INDIVIDUALES Y RANGOS MOVILES
Contraste de hipótesis
PROBLEMA TIPO MODELO COMPLETAENTE ALEATORIZADO NO BALANCEADO
Alumna : Karen Cabana Gil
INFERENCIA ESTADISTICA
ESTADISTICOS Y DISTRIBUCIONES MUESTRALES
ANÁLISIS DE VARIANZA(ANOVA) AULA:33 INTEGRANTES: JUAN CHAUCA ALEXIS JARAMILLO JEFFERSON LLANGARI KATHY ULLOA UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE.
PRUEBAS ESTADISTICAS NO PARAMETRICAS. Pruebas tradicionales Necesitan la especificación de una distribución Son métodos robustos para las distribuciones.
PRUEBA DE HIPOTESIS ESTADISTICA
ANALISIS DE REGRESION SIMPLE
1 Afectados de cierto grado de INCERTIDUMBRE SIEMPRE HAY UN ERROR EN SU MEDIDA ESTABLECER LA FIABILIDAD DE LOS DATOS ¿Podemos evaluar la magnitud del error.
U de Mann Whitney.
DISEÑO Y ANALISIS DE EXPERIMENTOS
REGRESION LINEAL SIMPLE
PRUEBA DE HIPOTESIS ESTADISTICA
Transcripción de la presentación:

COMPARACION DE DOS MEDIAS (POBLACIONES O PROCESOS) Mat. Jessica Jacqueline Machuca Vergara

Se rechaza Ho si |to|>t(/2, nx+ny-2). PRUEBA DE HIPOTESIS PARA DOS MEDIAS: COMPARACION DE DOS PROCESOS O DOS POBLACIONES, SUPONIENDO VARIANZAS IGUALES. HO: xY HA: x ≠Y 𝛼 2 =0.025 𝛼 2 =0.025 Se rechaza Ho si |to|>t(/2, nx+ny-2).

Ejemplo. Se analizaron dos catalizadores para determinar la forma en que afectan el rendimiento promedio de un proceso químico. De manera especifica, el Catalizador 1 es el que se esta empleando en este momento, el cual es aceptable. Debido a que el catalizador 2 es mas económico, este puede adoptarse siempre y cuando no cambie el rendimiento promedio del proceso. Se hace una prueba en la planta; los resultados están en las siguiente tabla:

Datos Ejemplo, Suponiendo varianzas iguales NUMERO DE CATALIZADOR OBSERVACION 1 2 91.5 89.19 94.18 90.95 3 92.18 90.46 4 95.39 93.21 5 91.79 97.19 6 89.07 97.04 7 94.72 91.07 8 89.21 92.75

EL ESTADISTICO DE PRUEBA ES SOLUCION: LOS PARAMETROS DE INTERES SON µ1 Y µ2, LOS CUALES REPRESENTAN EL RENDIMIENTO PROMEDIO DEL PROCESO CON LOS CATALIZADORES 1 Y 2, RESPECTIVAMENTE. Ho: µ1=µ2 Ha: µ1≠µ2 =0.05 EL ESTADISTICO DE PRUEBA ES

|-0.35|<2.14 CATALIZADOR=1 CATALIZADOR=2 Recuento 8 Promedio 92.255   CATALIZADOR=1 CATALIZADOR=2 Recuento 8 Promedio 92.255 92.7325 Varianza 5.68831 8.90099 Desviación Estándar 2.38502 2.98345 𝒔 𝑷 =𝟐.𝟕𝟎 t(0.025, 14)=2.14 |-0.35|<2.14 |to|<t(0.025, 14) |to|<t(0.025, 14), NO SE RECHAZA LA HIPOTESIS NULA, POR LO TANTO SE PUEDE UTILIZAR CUALQUIERA DE LOS DOS CATALIZADORES. SUPONIENDO VARIANZAS IGUALES

Intervalo de confianza para la media de catalizador 1   CATALIZADOR=1 Recuento 8 Promedio 92.255 Varianza 5.68831 Desviación Estándar 2.38502 𝜶=0.05 𝒕 ( 𝟎.𝟎𝟓 𝟐 , 𝟕) =𝟐.𝟑𝟔 𝒙 − 𝒕 𝜶 𝟐 , 𝒏−𝟏 𝒔 𝒏 <𝝁< 𝒙 + 𝒕 ( 𝜶 𝟐 , 𝒏−𝟏) 𝒔 𝒏 92.255-2.36∗ 𝟐.𝟑𝟖𝟓𝟎𝟐 𝟖 <𝝁<92.255+2.36∗ 𝟐.𝟑𝟖𝟓𝟎𝟐 𝟖 9𝟎.𝟐𝟔<𝝁<𝟗𝟒.𝟐𝟒

Intervalo de confianza para la media de catalizador 2   CATALIZADOR=2 Recuento 8 Promedio 92.7325 Varianza 8.90099 Desviación Estándar 2.98345 𝜶=0.05 𝒕 ( 𝟎.𝟎𝟓 𝟐 , 𝟕) =𝟐.𝟑𝟔 𝒙 − 𝒕 𝜶 𝟐 , 𝒏−𝟏 𝒔 𝒏 <𝝁< 𝒙 + 𝒕 ( 𝜶 𝟐 , 𝒏−𝟏) 𝒔 𝒏 92.7325-2.36∗ 𝟐.𝟗𝟖𝟑𝟒𝟓 𝟖 <𝝁<92.7325+2.36∗ 𝟐.𝟗𝟖𝟑𝟒𝟓 𝟖 9𝟎.𝟐𝟒<𝝁<𝟗𝟓.𝟐𝟐

Suponiendo varianzas no iguales NUMERO DE CATALIZADOR OBSERVACION 1 2 91.5 89.19 94.18 90.95 3 92.18 90.46 4 95.39 93.21 5 91.79 97.19 6 89.07 97.04 7 94.72 91.07 8 89.21 92.75

Se rechaza Ho si |to|>t(/2, v). SOLUCION: LOS PARAMETROS DE INTERES SON µ1 Y µ2, LOS CUALES REPRESENTAN EL RENDIMIENTO PROMEDIO DE CADA CATALIZADOR. Ho: µ1=µ2 Ha: µ1≠µ2 =0.05 EL ESTADISTICO DE PRUEBA ES Se rechaza Ho si |to|>t(/2, v).

|-0.2441|<2.11 |to|<t(0.025, 17) =0.05 t(0.025, 17)=2.11 SOLUCION: =0.05 𝜐= 5.68831 8 + 8.90099 8 2 5.68831 8 2 9 + 8.90091 8 2 9 =17 𝑡 0 ∗ = 92.255−92.7325 5.68831 8 + 8.90099 8 =−0.244138 t(0.025, 17)=2.11 |to|<t(0.025, 17) |-0.2441|<2.11 |to|<t(0.025, 17), NO SE RECHAZA LA HIPOTESIS NULA, POR LO TANTO SE PUEDE UTILIZAR CUALQUIERA DE LOS DOS CATALIZADORES. SUPONIENDO VARIANZAS NO IGUALES

PRUEBA DE HIPOTESIS PARA IGUALDAD DE VARIANZAS (EXPERIMENTALMENTE, IGUALDAD DE CIRCUSTANCIAS) 𝛼=0.05 LA CUAL SIGUE UNA DISTRIBUCION F CON n1-1 GRADOS DE LIBERTAD EN EL NUMERADOR Y n2-1 GRADOS DE LIBERTAD EN EL DENOMINADOR. SI FO>F(=0.05, n1-1, n2-1) SE RECHAZA LA HIPOTESIS NULA.

4. EL ESTADISTICO DE PRUEBA ESTA DADO POR SOLUCION: LOS PARAMETROS DE INTERES SON LAS VARIANZAS DEL RENDIMIENTO PARA AMBOS CATALIZADORES. HIPOTESIS 3. Nivel de confianza =0.05 4. EL ESTADISTICO DE PRUEBA ESTA DADO POR SI FO>F(=0.05, n1-1, n2-1) SE RECHAZA LA HIPOTESIS NULA.

  CATALIZADOR=1 CATALIZADOR=2 Recuento 8 Promedio 92.255 92.7325 Varianza 5.68831 8.90099 Desviación Estándar 2.38502 2.98345 𝑭 𝑶 = 𝟓.𝟔𝟖𝟖𝟑𝟏 𝟖.𝟗𝟎𝟎𝟗𝟗 =𝟎.𝟔𝟑𝟗𝟎 FO=0.6390<F(=0.05, 7, 7)=3.79, POR TANTO NO HAY DIFERENCIAS SIGNIFICATIVAS EN LAS VARIANZAS DE LOS CATALIZADORES. Se demuestra que ambos catalizadores presentan igual varianza, lo que garantiza que experimentalmente se probaron en iguales circunstancias ambos catalizadores, por consiguiente se debe usar la t-student para varianzas iguales.

Se rechaza Ho si |z|>z(/2) PRUEBA DE HIPOTESIS PARA LA DIFERENCIA ENTRE PROPORCIONES DE DOS POBIACIONES HO: p1p2 HA: p1 ≠p2 𝑧= 𝑝 1 − 𝑝 2 𝑝 (1− 𝑝 ) 1 𝑛 1 + 1 𝑛 2 𝒑 𝟏 = 𝒙 𝟏 𝒏 𝟐 𝒑 𝟐 = 𝒙 𝟐 𝒏 𝟐 𝒑 = 𝒙 𝟏 + 𝒙 𝟐 𝒏 𝟏 + 𝒏 𝟐 Se rechaza Ho si |z|>z(/2)

𝒑 𝟏 =pacientes con hipertensión HO: p1p2 HA: p1 ≠p2 Ejemplo. En un estudio de cuidados nutricionales en asilos para ancianos, se encontraron que entre 55 pacientes con hipertensión, 24 tenían una dieta con restricción de sodio. De 149 pacientes sin hipertensión, 36 tenían una dieta sin sodio. Es posible concluir que, en las poblaciones muestreadas, la proporción de pacientes con dieta restringida en sodio es mayor entre pacientes con hipertensión que entre pacientes sin hipertensión? 𝒑 𝟏 =pacientes con hipertensión HO: p1p2 HA: p1 ≠p2 𝒑 𝟐 =pacientes sin hipertensión 𝒑 𝟏 = 𝟐𝟒 𝟓𝟓 =𝟎.𝟒𝟑𝟔 𝒑 𝟐 = 𝟑𝟔 𝟏𝟒𝟗 =𝟎.𝟐𝟒𝟏 𝒑 = 𝒙 𝟏 + 𝒙 𝟐 𝒏 𝟏 + 𝒏 𝟐 = 𝟔𝟎 𝟐𝟎𝟒 =𝟎.𝟐𝟗𝟒

Dado que |z=2.71|> z(0.05/2)=1.96 𝒛= 𝒑 𝟏 − 𝒑 𝟐 𝒑 (𝟏− 𝒑 ) 𝟏 𝒏 𝟏 + 𝟏 𝒏 𝟐 𝜶=0.05 𝒛= 𝟎.𝟒𝟑𝟔−𝟎.𝟐𝟒𝟏 𝟎.𝟐𝟗𝟒(𝟏−𝟎.𝟐𝟗𝟒) 𝟏 𝟓𝟓 + 𝟏 𝟏𝟒𝟗 =𝟐.𝟕𝟏𝟐 Dado que |z=2.71|> z(0.05/2)=1.96 Por lo tanto se rechaza la hipótesis nula. Se comprueba que la proporción de pacientes con hipertensión con dieta restringida en sodio es mayor que la proporción de pacientes sin hipertensión. 𝒑 𝟏 =𝟎.𝟒𝟑𝟔> 𝒑 𝟐 =𝟎.𝟐𝟒𝟏

𝑝 −𝒛 𝜶 𝟐 𝑝 (𝟏− 𝑝 )/𝒏 <𝒑< 𝑝 +𝒛 𝜶 𝟐 𝑝 (𝟏− 𝑝 )/𝒏 Intervalo de confianza para la proporción de pacientes con hipertensión 𝒑 𝟏 = 𝟐𝟒 𝟓𝟓 =𝟎.𝟒𝟑𝟔 𝒛 𝜶 𝟐 = 𝒛 𝟎.𝟎𝟐𝟓 =𝟏.𝟗𝟔 𝒏=55 𝑝 −𝒛 𝜶 𝟐 𝑝 (𝟏− 𝑝 )/𝒏 <𝒑< 𝑝 +𝒛 𝜶 𝟐 𝑝 (𝟏− 𝑝 )/𝒏 𝟎.𝟒𝟑𝟔−𝟏.𝟗𝟔 𝟎.𝟒𝟑𝟔 𝟏−𝟎.𝟒𝟑𝟔 𝟓𝟓 <𝒑<𝟎.𝟒𝟑𝟔+𝟏.𝟗𝟔 𝟎.𝟒𝟑𝟔 𝟏−𝟎.𝟒𝟑𝟔 𝟓𝟓 𝟎.𝟒𝟑𝟔−𝟎.𝟏𝟑𝟏𝟎<𝒑<𝟎.𝟒𝟑𝟔+𝟎.𝟏𝟑𝟏𝟎 𝟎.𝟑𝟎𝟓<𝒑<𝟎.𝟓𝟔𝟕

𝑝 −𝒛 𝜶 𝟐 𝑝 (𝟏− 𝑝 )/𝒏 <𝒑< 𝑝 +𝒛 𝜶 𝟐 𝑝 (𝟏− 𝑝 )/𝒏 Intervalo de confianza para la proporción de pacientes sin hipertensión 𝒑 𝟐 = 𝟑𝟔 𝟏𝟒𝟗 =𝟎.𝟐𝟒𝟏 𝒛 𝜶 𝟐 = 𝒛 𝟎.𝟎𝟐𝟓 =𝟏.𝟗𝟔 𝒏=149 𝑝 −𝒛 𝜶 𝟐 𝑝 (𝟏− 𝑝 )/𝒏 <𝒑< 𝑝 +𝒛 𝜶 𝟐 𝑝 (𝟏− 𝑝 )/𝒏 𝟎.𝟐𝟒𝟏−𝟏.𝟗𝟔 𝟎.𝟐𝟒𝟏 𝟏−𝟎.𝟐𝟒𝟏 𝟏𝟒𝟗 <𝒑<𝟎.𝟐𝟒𝟏+𝟏.𝟗𝟔 𝟎.𝟐𝟒𝟏 𝟏−𝟎.𝟐𝟒𝟏 𝟏𝟒𝟗 𝟎.𝟐𝟒𝟏−𝟎.𝟎𝟔𝟖𝟔<𝒑<𝟎.𝟐𝟒𝟏+𝟎.𝟎𝟔𝟖𝟔 𝟎.𝟏𝟕𝟐𝟒<𝒑<𝟎.𝟑𝟎𝟗𝟔