estadística ii
DESCRIPTION
Contenido concreto de la probabilidad, como q es, su enfoque, etc.TRANSCRIPT
![Page 1: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/1.jpg)
ESCUELA:
NOMBRE:
ESTADÍSTICA II
FECHA:
PSICOLOGÍA
Dr. Gonzalo Morales
1
OCTUBRE/2008-FEBRERO/2009
![Page 2: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/2.jpg)
PROBABILIDAD
¿Qué es la probabilidad? Enfoque Objetivo
Probabilidad a priori Probabilidad a posteriori
Enfoque subjetivo ¿Como se calcula? ¿Qué es el Muestreo y cómo se relaciona
con la probabilidad?
2
![Page 3: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/3.jpg)
A posteriori Probabilidad de un suceso es la frecuencia relativa (%) de veces que ocurre un suceso al realizar un experimento repetidas veces.
A priori Es la frecuencia con que ocurrirá un suceso, calculada antes de que ocurra
Subjetiva (bayesiana): Grado de certeza que se posee sobre un suceso. Es personal.
En los tres tipos de definiciones aparece el concepto de suceso. Vamos a recordar qué son y algunas operaciones que se pueden realizar con sucesos.
3
![Page 4: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/4.jpg)
SUCESOS
4
E espacio muestral E espacio muestral
A
A’
E espacio muestral
A
B
UNIÓN
E espacio muestral
A
B
INTERS.
E espacio muestral
A
B
![Page 5: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/5.jpg)
AXIOMAS DE LA PROBABILIDAD
P(E)=1 0≤P(E)≤1 Si A y B Disjuntos,
entonces P(A)+P(B)=P(A)+P(B)
E espacio muestral
100%
B
E espacio muestral
A
5
![Page 6: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/6.jpg)
Probabilidad Condicionada
6
)(
)()|(
BP
BAPBAP
ᅦ= A
E espacio muestral
B
“tam
año”
de
uno
resp
ecto
al
otr
o
![Page 7: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/7.jpg)
Reglas de cálculo prácticas
Cualquier problema de probabilidad puede resolverse en teoría mediante aplicación de los axiomas. Sin embargo, es más cómodo conocer algunas reglas de cálculo:P(A’) = 1 - P(A)
P(AUB) = P(A) + P(B) - P(A ∩ B)
P(A∩B) = P(A) P(B|A) = P(B) P(A|B)
7
![Page 8: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/8.jpg)
INDEPENDENCIA DE SUCESOS
8
Dos sucesos son independientes si el que ocurra uno, no añade información sobre el otro. A es independiente de B
P(A|B) = P(A)
P(A∩B) = P(A) P(B)
8
![Page 9: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/9.jpg)
ESTADÍSTICA II
9
Tema 2: Modelos probabilísticos
![Page 10: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/10.jpg)
VARIABLE ALEATORIA
El resultado de un experimento aleatorio puede ser descrito en ocasiones como una cantidad numérica.
En estos casos aparece la noción de variable aleatoria Función que asigna a cada suceso un número.
Las variables aleatorias pueden ser discretas o continuas.
En las siguientes transparencias vamos a recordar conceptos de temas anteriores, junto con su nueva designación. Los nombres son nuevos. Los conceptos no.
10
![Page 11: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/11.jpg)
Función de probabilidad (V. Discretas)
Asigna a cada posible valor de una variable discreta su probabilidad. Recuerde los conceptos
de frecuencia relativa y diagrama de barras.
Ejemplo Número de caras al
lanzar 3 monedas.
0%
5%
10%
15%
20%
25%
30%
35%
40%
0 1 2 3
11
![Page 12: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/12.jpg)
Función de densidad (V. Continuas)
Definición Es una función no negativa de integral 1.
Piénselo como la generalización del histograma con frecuencias relativas para variables continuas.
¿Para qué lo voy a usar? No lo va a usar directamente. Sus valores no representan
probabilidades.
12
![Page 13: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/13.jpg)
¿Para qué sirve la función de densidad?
Muchos procesos aleatorios vienen descritos por variables de forma que son conocidas las probabilidades en intervalos.
La integral definida de la función de densidad en dichos intervalos coincide con la probabilidad de los mismos.
Es decir, identificamos la probabilidad de un intervalo con el área bajo la función de densidad.
13
![Page 14: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/14.jpg)
Función de distribución Es la función que asocia a cada valor de una variable, la
probabilidad acumulada de los valores inferiores o iguales.
Piénselo como la generalización de lasfrecuencias acumuladas. Diagrama integral.
14
A los valores extremadamente bajos les corresponden valores de la función de distribución cercanos a cero.
A los valores extremadamente altos les corresponden valores de la función de distribución cercanos a uno.
![Page 15: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/15.jpg)
¿Para qué sirve la f. distribución?
Contrastar lo anómalo de una observación concreta.
Relaciónelo con la idea de cuantil.
En otro contexto (contrastes de hipótesis) podremos observar unos resultados experimentales y contrastar lo “anómalos” que son en conjunto con respecto a una hipótesis de terminada.
15
![Page 16: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/16.jpg)
Valor esperado y varianza de una v.a. X
Valor esperado Se representa mediante E[X] ó μ Es el equivalente a la media
Varianza Se representa mediante VAR[X] o σ2 Es el equivalente a la varianza Se llama desviación típica a σ
16
![Page 17: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/17.jpg)
Algunos modelos de v.a. Hay v.a. que aparecen con frecuencia.
Experimentos dicotómicos. Bernoulli
Contar éxitos en experimentos dicotómicos repetidos: Binomial Poisson (sucesos raros)
Y en otras muchas ocasiones… Distribución normal (gaussiana,
campana,…) El resto del tema está dedicado a estudiar estas
distribuciones especiales. 17
![Page 18: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/18.jpg)
Distribución de Bernoulli
Tenemos un experimento de Bernoulli si al realizar un experimentos sólo son posibles dos resultados: X=1 (éxito, con probabilidad p) X=0 (fracaso, con probabilidad q=1-p)
Como se aprecia, en experimentos donde el resultado es dicotómico, la variable queda perfectamente determinada conociendo el parámetro p.
18
![Page 19: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/19.jpg)
Ejemplo de distribución de Bernoulli.
Se ha observado estudiando 2000 accidentes de tráfico con impacto frontal y cuyos conductores no tenían cinturón de seguridad, que 300 individuos quedaron con secuelas. Describa el experimento usando conceptos de v.a.
Solución. La noc. frecuentista de prob. nos permite aproximar la
probabilidad de tener secuelas mediante 300/2000=0,15=15%
X=“tener secuelas tras accidente sin cinturón” es variable de Bernoulli
X=1 tiene probabilidad p ≈ 0,15 X=0 tiene probabilidad q ≈ 0,85 19
![Page 20: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/20.jpg)
Ejemplo de distribución de Bernoulli
Se ha observado estudiando 2000 accidentes de tráfico con impacto frontal y cuyos conductores sí tenían cinturón de seguridad, que 10 individuos quedaron con secuelas. Describa el experimento usando conceptos de v.a.
Solución. La noc. frecuentista de prob. nos permite aproximar la
probabilidad de quedar con secuelas por 10/2000=0,005=0,5% X=“tener secuelas tras accidente usando cinturón” es variable
de Bernoulli X=1 tiene probabilidad p ≈ 0,005 X=0 tiene probabilidad q ≈ 0,995
20
![Page 21: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/21.jpg)
Observación En realidad no sabemos en este punto si ambas cantidades
son muy diferentes o aproximadamente iguales, pues en otros estudios sobre accidentes, las cantidades de individuos con secuelas hubieran sido con seguridad diferentes.
Para decidir si entre ambas cantidades existen diferencias estadísticamente significativas necesitamos introducir conceptos de estadística inferencial (extrapolar resultados de una muestra a toda la población).
Es muy pronto para resolver esta cuestión ahora. Esperemos a las pruebas de X2.
21
![Page 22: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/22.jpg)
nkqpk
nkXP knk ᆪᆪ│
₩== - 0 ,][
Distribución Binomial Función de probabilidad
Problemas de cálculo si n es grande y/o p cercano a 0 o 1.
Media: μ = n p
Varianza: σ2 = n p q
22
![Page 23: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/23.jpg)
Distribución Binomial
Si se repite un número fijo de veces, n, un experimento de Bernoulli con parámetro p, el número de éxitos sigue una distribución binomial de parámetros (n,p).
Lanzar una moneda 10 veces y contar las caras. Lanzar una moneda 100 veces y contar las caras. El número de personas que enfermará (en una
población de 500.000 personas) de una enfermedad que desarrolla una de cada 2000 personas.
23
![Page 24: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/24.jpg)
Contrastando una hipótesis
Creo que la edad media es 40 años...
Es demasiado...
¡Gran diferencia!
Rechazo la hipótesis
Muestra aleatoria
24
![Page 25: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/25.jpg)
Creo que el porcentaje de
enfermos será el 5%
¿Qué es una hipótesis?
Una creencia sobre la población, principalmente sus parámetros: Media Varianza Proporción/Tasa
OJO: Si queremos contrastarla, debe establecerse antes del análisis.
25
![Page 26: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/26.jpg)
Identificación de Hipótesis Hipótesis nula Ho
La que contrastamos Los datos pueden
refutarla No debería ser
rechazada sin una buena razón.
Hip. Alternativa H1
Niega a H0 Los datos pueden mostrar
evidencia a favorNo debería ser aceptada sin una
gran evidencia a favor.
26
![Page 27: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/27.jpg)
¿Cuál es la Ho? Problema: ¿La depresión está relacionada con el
género?
Solución: Traducir a lenguaje estadístico: Establecer su opuesto:
Seleccionar la hipótesis nula
27
![Page 28: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/28.jpg)
¿Cuál es la Ho? Problema: ¿El tiempo medio de reacción es de 0,6?
Solución:
Traducir a lenguaje estadístico:
Establecer su opuesto:
Seleccionar la hipótesis nula
28
![Page 29: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/29.jpg)
Razonamiento Básico
Si supongo que Ho es cierta…
¿qué hace un científico cuando su teoría no coincide con sus predicciones?
... el resultado del experimento sería improbable. Sin embargo ocurrió.
29
![Page 30: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/30.jpg)
Razonamiento Básico Si supongo que Ho es cierta…
¿qué hace un científico cuando su teoría no coincide con sus predicciones?
... el resultado del experimento sería improbable. Sin embargo ocurrió.
30
![Page 31: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/31.jpg)
Razonamiento Básico Si supongo que Ho es cierta…
¿Si una teoría hace predicciones con éxito, queda probado que es cierta?
... el resultado del experimento es coherente.
• No hay evidencia contra H0
•No se rechaza H0
•El experimento no es concluyente
•El contraste no es significativo
31
![Page 32: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/32.jpg)
Región Crítica y nivel de significación
Región crítica Valores ‘improbables’ si... Es conocida antes de
realizar el experimento: resultados experimentales que refutarían H0
Nivel de significación: Número pequeño: 1% , 5%Fijado de antemano por el
investigadorEs la probabilidad de
rechazar H0 cuando es cierta
No rechazo H0
Reg. Crit.Reg. Crit.
=5%
0 =40 32
![Page 33: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/33.jpg)
Contrastes: unilateral y bilateral
La posición de la región crítica depende de la hipótesis alternativa
Bilateral H1: 40
Unilateral
H1: <40 H1: >4033
Unilateral
![Page 34: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/34.jpg)
Significación: p
H0: =40
34
![Page 35: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/35.jpg)
Significación: p
No se rechazaH0: =40
H0: =40
35
![Page 36: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/36.jpg)
Significación: p
No se rechazaH0: =40
P
P
36
![Page 37: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/37.jpg)
Significación: p
Se rechaza H0: =40
Se acepta H1: >40
37
![Page 38: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/38.jpg)
Resumen: a, p y criterio de rechazo
Sobre Es número pequeño,
preelegido al diseñar el experimento
Conocido sabemos todo sobre la región crítica
Sobre pEs conocido tras realizar
el experimentoConocido p sabemos todo
sobre el resultado del experimento
Sobre el criterio de rechazoContraste significativo = p menor que
38
![Page 39: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/39.jpg)
Problema: ¿Está sesgada la moneda?
Experimento: Lanzar la moneda repetidamente:Experimento: Lanzar la moneda repetidamente:
P=50% P=25% P=12,5% P=6,25% P=3% P=1,5%39
![Page 40: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/40.jpg)
Riesgos al tomar decisionesEjemplo 1: Se juzga a un individuo por la Ejemplo 1: Se juzga a un individuo por la presuntapresunta comisión de un delito.comisión de un delito.
H0: Hipótesis nula
Es inocente
H1: Hipótesis alternativa
Es culpable
Los datos pueden refutarlaLa que se acepta si las pruebas no indican lo contrarioRechazarla por error tiene graves consecuencias
No debería ser aceptada sin una gran evidencia a favor.Rechazarla por error tiene consecuencias consideradas menos graves que la anterior
40
![Page 41: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/41.jpg)
Riesgos al contrastar hipótesisSe cree que un nuevo tratamiento ofrece buenos resultadosSe cree que un nuevo tratamiento ofrece buenos resultadosParece que hay una incidencia de enfermedad más altaParece que hay una incidencia de enfermedad más altade lo normalde lo normal
H0: Hipótesis nula (Ej.1) Es inocente (Ej.2) El nuevo tratamiento no tiene efecto (Ej.3) No hay nada que destacar
H1: Hipótesis alternativa (Ej.1) Es culpable (Ej.2) El nuevo tratamiento es útil (Ej. 3) Hay una situación anormal
No especulativa
Especulativa
41
![Page 42: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/42.jpg)
Tipos de error al tomar una decisión
Realidad
veredicto
OKErrorMuy grave
Culpable
ErrorMenos grave
OKInocente
CulpableInocente
42
![Page 43: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/43.jpg)
Tipos de error al contrastar una hipótesisRealidad
CorrectoEl tratamiento tiene efecto y el experimento lo confirma.
Error de tipo IEl tratamiento no tiene efecto pero se decide que sí. Probabilidad α
Rechazo H0
Acepto H1
Error de tipo IIEl tratamiento si tiene efecto pero no lo percibimos.
Probabilidad β
CorrectoEl tratamiento no tiene efecto y así se decide.
No Rechazo H0
H0 FalsaH0 cierta
43
![Page 44: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/44.jpg)
No se puede tener todo
Para un tamaño muestral fijo, no se pueden reducir a la vez ambos tipos de error.
Para reducir , hay que aumentar el tamaño muestral.
44
![Page 45: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/45.jpg)
Conclusiones Las hipótesis se plantean antes de observar los datos. En ciencia, las hipótesis nula y alternativa no tienen el
mismo papel: H0 : Hipótesis científicamente más simple. H1 : El peso de la prueba recae en ella.
α debe ser pequeño Rechazar una hipótesis consiste en observar si p<α Rechazar una hipótesis no prueba que sea falsa. Podemos
cometer error de tipo I No rechazar una hipótesis no prueba que sea cierta.
Podemos cometer error de tipo II Si decidimos rechazar una hipótesis debemos mostrar la
probabilidad de equivocarnos. 45
![Page 47: Estadística II](https://reader033.vdocuments.net/reader033/viewer/2022052908/5595fefe1a28ab89308b4628/html5/thumbnails/47.jpg)
47