LA PRUEBA DE

HIPTESIS.
Msc. Ana Elizabeth Paredes Morales.
 ESTADISTICA INFERENCIAL

Definicin: La Estadstica inferencial o Inferencia estadstica estudia cmo sacar conclusiones

generales para toda la poblacin a partir del estudio de una muestra, y el grado de fiabilidad o
significacin de los resultados obtenidos.
Comprende varios aspectos importantes:
La toma de muestras o muestreo.

La estimacin de parmetros.

El contraste de Hiptesis.

El diseo experimental.

La inferencia Bayesiana.

Los mtodos no paramtricos.

CONTRASTE DE HIPOTESIS
 ANALISIS DE VARIANZA
COMPARACION DE DOS VARIANZAS POBLACIONALES.
Pasos para comparar varianzas
 ANOVA
Anlisis de Varianza
 ANALISIS DE REGRESION MULTIPLE
Utilizamos la regresin mltiple cuando estudiamos la posible relacin entre varias variables independientes
(predictoras o explicativas) y otra variable dependiente (criterio, explicada, respuesta).
 Se aplica al caso en que la variable respuesta es de tipo numrico. Cuando la respuesta es de tipo dicotmico
(muere/ vive; enferma/ no enferma) utilizamos la regresin logstica.
APLICACIONES DE LA REGRESION MULTIPLE.
Identificacin de variables explicativas: crea modelo donde se seleccionan variables que puedan influir en
la respuesta, descartando las que no aportan informacin.
Deteccin de interacciones entre las variables independientes que afectan a la variable respuesta.
Ejemplo: estudiar la respuesta de un paciente al alcohol y aun barbitrico y observar que cuando se ingieren
ambos, el efecto es mucho mayor del esperado como la suma de los dos.
Identificacin de variables confusoras. Es de inters en investigacin no experimental ya que el
investigador no tiene control sobre las variables independientes.
REQUISITOS Y LIMITACIONES.
Linealidad: Se supone que la variable respuesta depende linealmente de las variables explicativas. Caso
contrario se debe introducir transformaciones no lineales de las variables independientes en el modelo.
Normalidad y Equidistribucin de los Residuos : Residuos son las diferencias entre los valores calculados
por el modelo y los realmente observados en la variable dependiente.
 Para obtener un buen modelo de regresin no basta con que los residuos sean pequeos sino que se
distribuyan de forma normal y con la misma dispersin.
Nmero de Variables Independientes: Una regla que suele recomendarse es que se debe incluir por lo
menos 20 observaciones por cada variable independiente que estimemos como interesante en el modelo.
La Colinealidad: Si dos variables independientes estn estrechamente relacionadas y ambas son incluidas
en el modelo, es posible que ninguna de las dos sean incluidas en el modelo.
Observaciones Anmalas: Relacionada con los residuos, tener cuidado en detectarlas y sacarlas de ser
posible pues tienen gran influencia en el resultado.

EL MODELO DE REGRESION.