Sesión 10: Regresión lineal simple y múltiple — Transcript

Explicación detallada sobre pruebas de hipótesis, especialmente T Student, y aplicación en regresión lineal simple y múltiple.

Key Takeaways

  • La prueba T Student es fundamental para comparar medias y requiere normalidad en los datos.
  • La hipótesis nula siempre contiene la igualdad y la alternativa la diferencia o desigualdad.
  • El planteamiento correcto de hipótesis depende del contexto y objetivo del análisis.
  • El uso de software facilita el cálculo de p-valores y la toma de decisiones estadísticas.
  • Existen pruebas no paramétricas para casos donde no se cumple la normalidad.

Summary

  • Introducción a la prueba T Student para una y dos muestras, con énfasis en hipótesis nula y alternativa.
  • Importancia del supuesto de normalidad para aplicar pruebas paramétricas y alternativas no paramétricas como Wilcoxon.
  • Ejemplo práctico de prueba de hipótesis para la media del peso de cajas con interpretación de valores críticos y estadístico de prueba.
  • Discusión sobre pruebas de hipótesis para proporciones y su aplicación en control de calidad.
  • Uso de software para facilitar el cálculo del p-valor y toma de decisiones en pruebas estadísticas.
  • Explicación sobre hipótesis bilaterales y unilaterales según el planteamiento del problema.
  • Introducción a pruebas para variables categóricas y la importancia de complementar análisis con gráficos.
  • Mención de pruebas paramétricas y no paramétricas en análisis estadísticos y su relación con ANOVA.
  • Ejemplos de aplicación en diferentes contextos, como control de calidad y análisis de variables múltiples.
  • Recomendación de siempre plantear correctamente las hipótesis y usar gráficos para mejor interpretación.

Chapters

  1. 00:00Introducción a la prueba T Student y planteamiento de hipótesis
  2. 04:46Teoría y resolución manual de ejercicios con prueba T Student
  3. 11:10Formulación correcta de hipótesis y ejemplos prácticos
  4. 15:48Pruebas de hipótesis para proporciones y control de calidad
  5. 24:45Uso de software para cálculos estadísticos y p-valores
  6. 35:00Pruebas para variables categóricas y análisis complementarios
  7. 48:05Pruebas paramétricas y no paramétricas en análisis estadístico
  8. 55:52Conclusiones y recomendaciones para análisis estadísticos

Full Transcript — Download SRT & Markdown

00:03
Speaker A
¿Qué tal, muchachos? Buenas noches con todos. Ya, muy bien. Entonces, vamos a continuar con nuestro tema. En este caso, ayer habíamos hablado un poquito de la prueba T Student y también hemos hablado de eh, por ejemplo, todo lo que es eh
00:26
Speaker A
bueno, vamos a hablar de ANO, ¿no? Muy bien. Entonces, habíamos visto eh las posibles pruebas de hipótesis que pueden existir, por ejemplo, para la media, ¿no? Entonces, cuando yo digo prueba de hipótesis, por ejemplo, ojo, estamos hablando de la famosa prueba T estudia,
00:43
Speaker A
¿no? Entonces, antes de esto habíamos visto, por ejemplo, la prueba de hipótesis para la correlación, la prueba de hipótesis para la normalidad y todo ello, ¿no? De ahora en adelante viene pruebas de hipótesis más específicas, más útiles, ¿no? Por ejemplo, si yo quiero probar,
01:00
Speaker A
por ejemplo, si la edad promedio, por ejemplo, si la edad promedio es, no sé, 25 años los estudiantes de la universidad de los últimos siglos, por ejemplo, entonces lo que estoy haciendo es lo siguiente ¿no?
01:21
Speaker A
Estoy asumiendo que la edad promedio es 25 años, ¿no? Entonces para corroborar ello, necesito una muestra, ¿no? Y solamente necesito una sola variable, ¿no?
01:33
Speaker A
Entonces la prueba Tudent sirve para una variable y sirve también para dos variables. Cuando solamente tengo una variable, lo que voy a testear es un único valor, ¿no?
01:44
Speaker A
Cuando ya tengo, por ejemplo, dos muestras, entonces ya la prueba de hipótesis cambia ¿no?
01:53
Speaker A
Cuando ya tengo dos pruebas, dos muestras, mejor dicho, ya quizás voy a comparar las medias, ¿no?
02:00
Speaker A
Por decir que son que la diferencia es igual a cer o decir que la diferencia de medias es diferente de cer.
02:09
Speaker A
Por ejemplo, el primer caso es decir igualdad de medias, ¿no? En otras palabras. Entonces, la prueba T Studio, muchachos, sirve para ello, ¿no? Si quiero comprar o hacer una prueba de hipótesis para una variable, puede usar T Studio. Si quiero
02:27
Speaker A
usar para dos muestras, también tengo T Studient ¿no? Muy bien. También habíamos dicho, muchachos, que el T Studian es muy útil, pero necesito el supuesto de normalidad de la variable, ¿no?
02:46
Speaker A
Entonces, si no cumplo con ese supuesto, entonces no podría usar T estudio. ¿Qué otra prueba equivalente existe en la parte no paramétrica? La prueba human de Wney, por ejemplo, ¿no?
03:00
Speaker A
Para diferencia de grupos. y así no. Pero no hay que olvidar, muchachos, que prueba hipótesis existen tres tipos de planteamientos, ¿no? Claro, en la normalidad y en la correlación solamente existe un tipo de planteamiento, pero en la T estudien
03:19
Speaker A
de planteamiento, ¿no? Y la forma o la hipótesis correcta va a depender pues de lo que yo quiero corroborar ¿no?
03:29
Speaker A
Por ejemplo, quiero ver si mi edad promedio es igual a un valor específico o que la edad promedio, por ejemplo, es menor o igual a un valor específico o mayor o igual a un valor específico.
03:43
Speaker A
Entonces, la elección de la forma de la hipótesis va a depender más del ejercicio ¿no?
03:50
Speaker A
Y otro punto muy importante, muchachos, no olvidar que la igualdad, ojo, la igualdad siempre está en la hipótesis nula, muchachos. Miren, igualdad, igualdad, igualdad ¿no?
04:08
Speaker A
Eso es el primer detalle que hay que darse cuenta y es muy importante a la hora de plantear las hipótesis, ¿no?
04:16
Speaker A
Muy bien, eso habíamos visto. Y también todo estadístico, o toda pro hipótesis tiene su famoso estadístico de prueba, ¿no?
04:30
Speaker A
En este caso el T studenting es de esta manera ¿no? Comparas la media muestral el valor teórico, la diferencia entre la desviación muestral y el tamaño de la muestra, ¿no?
04:46
Speaker A
Ya, esto es un poco de teoría, muchachos. Antes, cuando se resolvía el ejercicio manualmente se seguía este esta secuencia, ¿no?
04:56
Speaker A
Pero ahora cuando ya el software te proporciona el famoso p valor y todo ello, con eso es mucho más sencillo tomar una decisión, ¿no?
05:07
Speaker A
Muy bien. A raíz de este prueba de hipótesis para la media, hemos hablado de un ejercicio interesante, ¿no? Justo ayer solucionamos esto de manera manual.
05:19
Speaker A
Por ejemplo, nosotros habíamos dicho lo siguiente, ¿no? Bueno, este ejercicio se trataba pues de saber si el peso de las cajas, el peso, en otras palabras, se mantenía pues que el promedio era 2 kg ¿no?
05:49
Speaker A
En teoría debía ser la muestra 2 kg, ¿no? Pero en este caso eh presienten que ha sucedido un cierto desajuste, ¿no? Entonces sospechan de que la el promedio haya variado.
06:08
Speaker A
Entonces, a raíz de eso, toman una muestra de 25 mallas y dicen, "Oye, quiero corroborar, pues, si efectivamente mente.
06:57
Speaker A
No sé si soy yo, pero estoy congelado. ¿Alguien escucha algo? Sí, estimados, en un momento va a regresar su máquina. Se se la pagadon. Sí, en un momento regresa, estimados. Esperemos un ratito.
08:18
Speaker A
Muchachos, Mil disculpas, se reinició mi PC. Mil disculpas. Ya. Muy bien. Justo en este momento se reinicia. Muy bien.
08:27
Speaker A
Entonces, eh repitiendo un poco más lo que hemos explicado. Entonces, este ejercicio, muchachos, consistía en, bueno, la variable objetivo era peso, ¿no?
08:41
Speaker A
Y bueno, por experiencia ese peso en promedio tenía 2 kg, ¿no? pero sospechan una especie de desajuste ocurrido y para corroborar ese desajuste producido toman una muestra de 25 mallas, ¿no? Y bueno, hacen su planteamiento hipótesis, ¿no?
09:04
Speaker A
con una muestra de 25, pues yo quiero corroborar si efectivamente se sigue cumpliendo que el peso promedio es 2 kg o si ya han cambiado, ¿no? Se dan cuenta que la forma de planteamiento de la hipótesis depende del ejercicio.
09:27
Speaker A
Entonces acá solamente quieren afirmar si el peso medio ha cambiado nada más, es decir, si es igual o diferente, nada más.
09:36
Speaker A
En ningún momento desean, pues, que si el peso promedio ha aumentado o ha disminuido. ¿Se dan cuenta? Simplemente si es igual o se mantiene.
09:46
Speaker A
Por eso es una prueba de hipótesis bilateral, se está comparando nada. Sin embargo, si acá hubiera dicho el peso ha disminuido, entonces es diferente, ¿no? Es diferente. Entonces ahí sería una prueba de hipótesis unilateral a la izquierda, ¿no?
10:06
Speaker A
Pero en este caso simplemente quieren afirmar si se mantiene o ha cambiado, ¿no? Por ende, sería eso.
10:16
Speaker A
Muy bien. Entonces este ejercicio fue resuelto. Entonces ahí la variable X era peso de las mallas.
10:28
Speaker A
Tenía supuesto distribución normal porque recuerden que para estudiant, para que tú apliques T estudien necesitas la normalidad, ¿no?
10:39
Speaker A
Y me dan los datos, ¿no? Pero lo más importante, muchachos, yo siempre les he dicho, es el planteamiento de la hipótesis. Eso para mí es muy importante ¿no?
10:50
Speaker A
Que el promedo es igual a dos implica que la máquina está funcionando correctamente. Esa es la conclusión, ¿no?
11:01
Speaker A
Si el peso es diferente de 2 kg, la máquina no está funcionando correctamente. Así de simple, muchachos.
11:10
Speaker A
Esa es la manera eh correcta de formular las hipótesis, ¿no? Va a depender de en este caso, el ejercicio.
11:21
Speaker A
Entonces, hemos calculado su estadístico de prueba y hemos comparado con su valor crítico. ¿Cómo se interpreta estos dos valores, no?
11:33
Speaker A
Por ejemplo, claro, cuando el ejercicio se resolvía manualmente, ¿no? Como es bilateral, entonces voy a tener dos colitas, ¿no?
11:45
Speaker A
Esas dos colitas definen sus zonas de rechazo ¿no? Muy bien. Estos puntitos efectivamente son los valores críticos, ¿no?
11:58
Speaker A
2.576 57 6 y este puntito es el mismo, pero el negativo por ser simétrico, ¿no?
12:11
Speaker A
Muy bien. Y este valor 4.64 es el estadístico de prueba. ¿Dónde está ese valor? Está por acá, ¿no?
12:23
Speaker A
4 pun 64. Entonces, este valorito está en la zona de rechazo, muchachos. ¿Cuál es la conclusión?
12:34
Speaker A
La conclusión es pues que se rechaza la hipótesis nula. No, yo rechazo la hipótesis nula, rechazo él, estaría diciendo que efectivamente el peso promedio es diferente de 2 kg, es decir, la máquina no está funcionando correctamente ¿no?
12:58
Speaker A
Eso es, muchachos, lo que se tiene que hacer. Entonces, un ejercicio de prueba de hipótesis para la media se resuelve de esa manera.
13:10
Speaker A
Muy bien, profesor. ¿Qué pasa si tengo una variable categórica? ¿Cómo doy solución a ello?
13:19
Speaker A
Para ello existe la prueba de hipótesis para las proporciones. Por ejemplo, imaginemos un proceso de control de calidad de eh televisores, por ejemplo.
13:41
Speaker A
Imagínen que viene una empresa importadora de televisores, le llega al terminal adbanero, no sé.
13:49
Speaker A
eh 50,000 televisores, ¿no? Entonces, no va a estar revisando pues los 50,000 para saber si están buena calidad o algo así, ¿no?
14:02
Speaker A
Entonces ellos ya tienen su proporción de artículos defectuosos. Si supera esa proporción, no se acepta el otro. Caso contrario, sí se rechaza el otro.
14:16
Speaker A
Supongamos que su proporción de aceptación sea 5% de defectuosos, ¿no? Si es menor al 5%, entonces se acepta el supongamos que ese es su estándar, ¿no? Ese valor si es su proporción de defectuoso es menor a 5%, se acepta.
14:41
Speaker A
¿Cómo plantearía mi hipótesis, muchachos? Supongamos, ¿no? Voy a tomar una muestra. Ponle 200 televisores. Un ejemplo, ¿no?
14:54
Speaker A
¿Cómo plantearía la hipótesis para tomar una decisión en base a aceptar o rechazar ese lote de televisores?
15:02
Speaker A
Entonces, en primer lugar, un televisor puede estar defectuoso o no defectuoso, una variable dicotómica. Entonces puedo puedo estimar una proporción, ¿no?
15:14
Speaker A
Entonces lo interesante de este tipo de de casos de sobre todo control de calidad, lo que yo tengo que garantizar en primer lugar es que mi porcentaje defectosa sea menor al 5%.
15:30
Speaker A
Ya tengo un soporte ahí, por ende es mayor o igual al 5%, ¿no? Así se plantearía la hipótesis, muchachos, en el caso de control de calidad ¿no?
15:48
Speaker A
Entonces, con esa muestra de 200, tú vas a corroborar esa prueba de hipótesis. Si rechazas la hipótesis nula, quiere decir que la proporción de efectos es menor a 5%.
16:02
Speaker A
Por ende, acepto el lote, ¿no? Entonces, se dan cuenta que la forma de plantear las hipótesis, muchachos, va a depender mucho del ejercicio, del contexto, del negocio, como se hice.
16:18
Speaker A
Entonces, hay que tomarnos el tiempo de plantear bien las cosas y, obviamente, formulas una hipótesis eh correcta, ¿no?
16:28
Speaker A
Eso, muchachos. Entonces ahí se dan cuenta que cuando ya se analiza un caso real hay varios factores en tomar en cuenta, ¿no? En este caso ya tienen su umbral de aceptación por igual, muchachos, percátense. La igualdad siempre está en la hipótesis nula.
16:52
Speaker A
Siempre siempre. Eso no se olvide. Muy bien, ahí está. Esto es su estadístico prueba, muchachos.
17:08
Speaker A
Eso es su famoso estadístico de prueba, ¿no? Entonces, P es la proporción muestral, la proporción teórica y el cociente, ¿no?
17:24
Speaker A
Eso me, este cociente me genera una distribución normal. estándar, ¿no? Esto sirve para resolver el ejercicio manualmente.
17:37
Speaker A
Y bueno, acá hay una un ejercicio interesante muchachos. Lo vamos a leer. Ya, miren, para que se den cuenta qué tipo de planteamiento de hipótesis van a tener.
17:50
Speaker A
O sea, que cuál de estas tres es la hipótesis que se adapta al ejercicio, ¿no? La que se adecúa más al ejercicio.
18:00
Speaker A
Muy bien, vamos a leer. Ya. Dice, "El porcentaje de aceptación de cierta marca detergente es 20%.
18:07
Speaker A
Porcentaje de aceptación. cierta marca. Entonces, hablan de un producto, un producto tiene aceptación o no tiene aceptación.
18:16
Speaker A
Muy bien. Dice, "Se realiza una intensa campaña publicitaria en televisión y redes sociales. Luego de esta campaña se desea evaluar si fue efectiva o no.
18:29
Speaker A
Entonces, ¿qué quieren saber? Si la campaña fue efectiva o no." No, para esto se selecciona una muestra de 450 consumidores de detergentes y se encontró que 105 indicaron que sí utilizan el detergente.
18:51
Speaker A
Se fija un nivel de significancia de 2.5%. ¿Cuál es la conclusión? Muy bien. Se trata de una prueba hipótesis para la proporción.
19:07
Speaker A
¿Cómo me doy cuenta que qué es para la proporción? Cuando hablan de la aceptación de un producto, un detergente es aceptado o no es aceptado por un consumidor.
19:21
Speaker A
Es una dicotómica, ¿no? No es una varalla numérica para usar una T estudiante. En este caso voy a usar la prueba de hipótesis para la proporción, ¿no?
19:34
Speaker A
Muy bien, la pregunta del ¿Cómo planteo la hipótesis? la nula y la alternativa. ¿Cómo lo planteo?
19:49
Speaker A
Y bueno, en el ejercicio dice que el porcentaje de cierta marca de tarjet. Eso era el porcentaje de aceptación teórico, ¿no? Es lo que siempre se mantenía, pero ellos hicieron una campaña intensa campaña para lograr aumentar este 20%
20:16
Speaker A
porque les parecía poco. Entonces van a hacer una publicidad televisión y redes sociales ¿no?
20:22
Speaker A
Muy bien. Muy bien, muchachos. Ahora la pregunta del millón es si al inicio mi porcentaje de aceptación era de 20% luego de una intensa campaña publicitaria, ¿qué es lo que yo esperaría muchacho?
20:45
Speaker A
¿Que mi aceptación crezca o disminuya? que sea mayor. Claro. Excelente. Yo quisiera que mi porcentaje de aceptación sea más del 20% porque invertí en publicidad.
21:04
Speaker A
Yo quisiera eso. Ya. La pregunta es, ¿esto dónde va, muchachos? ¿En la nula o la alternativa?
21:12
Speaker A
¿En la nula o la alternativa? En la nula. Lo que yo que es lo que yo espero ¿no?
21:18
Speaker A
Ya, pero esa forma de la alternativa. Ah, no, es efectiva, perdón, en la alternativa. Es lo que yo espero obtener la alternativa.
21:26
Speaker A
Excelente, excelente. Así es. Así se plantea. Así es, muchachos. Por ende, el complemento sería la hipótesis ¿no?
21:40
Speaker A
Claro. Si al inicio mi porcentaje de sución sin hacer nada, el 20 era el 20%.
21:45
Speaker A
Luego de una intensa campaña publicitaria por televisión y redes sociales, yo esperaría pues que sea más del 20%, ¿no? Nadie invierte en publicidad para que no sea efectivo, ¿no? No, para que no tenga, es decir, para que se mejoren las
22:02
Speaker A
cifras, como se dice, ¿no? Entonces, se dan cuenta que el planteamiento de la hipótesis salió del ejercicio nada más.
22:13
Speaker A
No es que yo me lo haya inventado, no, sino entendí el contexto y qué es lo que yo quería lograr como con esa inversión y publicidad.
22:23
Speaker A
Entonces, me preguntan, ¿cuál es la conclusión? Nos dicen, ¿no? ¿Cuál es la conclusión? Entonces, para saber eso, hay que resolver este ejercicio. Aunque no lo crean, muchachos, yo le metí al chat GBT así como está para saber si me plantea la hipótesis
22:49
Speaker A
correctamente. Ya les he comentado, no confíen nada a ciegas del chat GPT, sobre todo cuando se trata de resolver ejercicios.
22:59
Speaker A
Te puede dar una idea, sí, pero hay que revisarla. siempre. Entonces, acá hemos planteado la hipótesis nosotros mismos, ¿no? Leyendo.
23:10
Speaker A
Y miren qué pasa o cómo soluciona el CH GPT, muchachos. Miren, ya tenemos nuestra hipótesis, ¿no?
23:22
Speaker A
Miren muchachos lo entendió muy bien. Lo entendió muy bien, muchachos. Pero igual siempre hay que revisar, ¿no?
23:45
Speaker A
Entonces, CHPT sí entendió lo que se deseaba, ¿no? Es decir, lo más importante es que entendió a plantear la hipótesis, las hipótesis en este caso del ejercicio, ¿no?
23:59
Speaker A
¿Por qué? Porque yo he invertido para aumentar la aceptación de mi producto. Entonces yo esperaría pues que mi proporción sea más del 20%, ¿no?
24:11
Speaker A
¿Quién en su sano oficio pensaría que después de invertir se mantenga el 20%? No tiene sentido.
24:17
Speaker A
Pero la hipótesis, disculpa, pero la hipótesis nula la plantea como una igualdad, una prueba bilateral y es una ahí debe ser menor igual. Claro, una unilateral a la derecha, ¿no? Debería ser exacto.
24:37
Speaker A
Entonces ahí hay que tener pequeño cuidado, pero en general lo ha acertado, ¿no? Es decir, esto debió ser así.
24:48
Speaker A
Muy bien, pero lo ha planteado muy bien. Lo ha planteado muy ese pequeño detalle quizás faltaría para ser eh formalmente más técnico, ¿no?
24:58
Speaker A
Muy bien. Luego aplicó la formulita. Me dan el alfa, es 2.5%. La muestra, el caso favorable, la proporción sería 150 450. Esta sería mi proporción muestra.
25:12
Speaker A
calculo la estadístico de prueba, la formulita que les pasé, ¿no? Y le sale su estadístico de prueba.
25:21
Speaker A
Todo esto es proceso manual. Luego calculo su valor crítico, miren, 1.96. Entonces, algo así, ¿no? Eh, a ver, vamos a como es en este caso, no es dos, no es dos colas, ¿dónde estaría la cola, muchachos?
25:51
Speaker A
Arriba, ¿no? ¿Quién manda la alternativa muchachos? La alternativa siempre manda. Ya. Muy bien. Y este puntito sería efectivamente 1.96 ¿no?
26:10
Speaker A
¿Dónde caería el estadístico de prueba? Caería por zona de aceptación menos. Excelente. Zona en la zona de aceptación.
26:21
Speaker A
Por ende, la conclusión es no se rechaza la hipótesis. No, una consulta. Para calcular ese Z crítico, el alfa a utilizar es el alfa o el alfa medios porque es de buena cola.
26:41
Speaker A
Muy bien, ahí te lo vamos a explicar, no te preocupes, no te preocupes. Entonces, muy bien, ahí lo explicamos ese pequeño detalle, no se preocupes. Miren, la conclusión es que no se rechaza la hipótesis nula. El ejercicio te decía
26:52
Speaker A
cuál es la conclusión. Si yo no rechazo la hipótesis nula, muchachos, estaría diciendo que la aceptación de mi producto es menor o igual al 20%. Por ende, la campaña no fue efectiva, fue un fracaso.
27:10
Speaker A
¿Se dan cuenta cómo crees que miden en muchos casos la utilidad de alguna intervención, muchachos?
27:22
Speaker A
Comprueba hipótesis. Es la única manera. En este caso han invertido para que el producto tenga aceptación y se ha demostrado que no hubo mejora alguna, menor igual al 20%.
27:42
Speaker A
Entonces, ya eso es la conclusión de este ejercicio, ¿no? Muy bien, ahora vamos a explicar ese valor crítico, no se preocupen.
27:53
Speaker A
Vamos a explicar. Ya, miren, este estadístico de prueba, mejor dicho, lo voy a explicar con con esto de acá.
28:02
Speaker A
Este estadístico de prueba tiene una distribución Z. La distribución Z es una distribución normal estándar, es decir, una normal con media cero y vari y varianza un no es la famosa normal estándar.
28:20
Speaker A
Muy bien dicho eso, muchachos, como se trata de una prueba de hipótesis unilateral a la derecha, ya les comenté que voy a tener una sola colita y la colita va a ser la parte superior. ¿Quién manda?
28:38
Speaker A
que va a ir abajo o arriba la colita. El el sentido si es mayor va arriba.
28:43
Speaker A
El sentido de la hipótesis alternativa, muchachos. Muy bien. Todo el área bajo la curva Z es un, pero este pedacito valdría alfa y este pedacito valdría 1 men alfa.
29:01
Speaker A
Ese nivel de significancia significa eso, muchachos. Y este puntito acá es el valor crítico, es un percentil.
29:14
Speaker A
Como la distribución es Z, es la distribución Z que por debajo deja 1 men alfa de área, pero alfa vale 0.07025 y eso es lo mismo que poner 0.975. 975.
29:34
Speaker A
Y este valorito se busca en la tabla de probabilidades muchachos. Lo vamos a buscar. Ya ustedes seguramente ya lo han hecho.
29:44
Speaker A
Con el R también se puede calcular. Ah, mire, lo vamos a calcular con el R para que se entienda.
29:55
Speaker A
Voy a dejar esa fórmula. ¿Cómo se calculan cuantil con el R? Q nor se acuerdan.
30:05
Speaker A
Mira qué me piden como parámetro. Mir, le voy a pedir su ayuda. Ya, miren, voy a poner la ayuda.
30:13
Speaker A
Qor Q de cuantil, muchachos. Ya, voy a copiar acá. Acá le pongo acá. Es una Z normal, estándar 01. Correcto.
30:26
Speaker A
Pero P, ¿cuánto vale? P es la proporción que deja de área hacia abajo, 0.975, ¿no?
30:36
Speaker A
Y esto entre enter le 1 punto redondeado a dos decimales 1.96, ¿no? Y bueno, sería 1.96.
30:55
Speaker A
Ahora sí quedó claro esa parte. ¿Alguna duda del valor crítico, muchachos? Muy bien. Es sencillo, ¿no?
31:11
Speaker A
Entonces, de esa manera se resolvía antes los ejercicios, muchachos. Y ahora, ¿cómo resolvería este ejercicio en el R?
31:21
Speaker A
Ustedes se preguntarán, ¿no? Sencillo, muchachos. Miren, para eso existe una función llamado prop test.
31:37
Speaker A
Le voy a dar su ayuda y ya está acá. Miren, voy a copiar todo esto. Ya, después lo vamos a ver en el laboratorio también, muchachos, no se preocupen.
31:59
Speaker A
Ya vamos a borrar hasta este punto porque muchas cosas no nos es útil, ¿no?
32:06
Speaker A
¿Cuánto vale N, muchachos? La muestra. A ver, la muestra nos vale eh 450. ¿Cuánto vale el X? ¿Cuántos de los 450?
32:26
Speaker A
¿Cuántos dijeron que estaban a favor del producto? 105, ¿no? ¿Dónde sale eso, muchachos? Ve acá alfa 2.5%.
32:40
Speaker A
Si el alfa vale 2.5% 1 - alfa, ¿cuánto vale? 0975 ¿no? En este caso, este función propest usa el nivel de congesa por el complemento alfa 0 2.5%, ¿no?
32:58
Speaker A
¿Qué tipo de hipótesis, muchachos? unilateral hacia arriba, no unilateral a la derecha. A eso se conoce como Great.
33:13
Speaker A
¿Qué me falta? El penul. A ver, ¿qué quiere decir penul? Vamos a leer un poquito.
33:21
Speaker A
Es la probabilidad de prueba, ¿no? Ahora vamos a ver un poquito por acá. un vector de probabilidades de sucesos.
33:37
Speaker A
Ya. ¿Cuánto sería eso, muchachos? En el ejercicio debe ser 0.2, dos, ¿no? El 20%, ¿no?
33:52
Speaker A
Y simplemente acepto. Muy bien, ahí sale la los resultados, muchachos. No, miren su estadística prueba, ¿cuánto sale? A ver, ¿dónde está?
34:14
Speaker A
Vamos a Claro, el PROT usa otra técnica acá, ¿no? Pero la pregunta es lo siguiente, ¿cómo toma una decisión usando este ejercicio o usando esta función?
34:29
Speaker A
Acá vamos a tener mucho cuidado, muchachos. Nosotros vamos a tomar una decisión usando el P valor, ¿no?
34:42
Speaker A
Pero este P valor que nos proporciona no va a ser igual. A ver, lo que pasa que está cogiendo, te está dando el el la h cuadrado, ¿no? Como resultado el ISP valores de ese cuadrado, no del Z.
35:09
Speaker A
Creo que la probabilidad nula no es igual e a dos, sino mayor igual, menor o igual a 2, ¿no? Como o sea, por eso te decía, si el alfa era 0 do ah era un alfa o un alfa medio
35:27
Speaker A
porque es una prueba de una cola, ¿no? Si es bilateral tomas el valor, supongo yo que se tomaría el valor alfa, pero como es una unilateral.
35:36
Speaker A
A ver, a ver, ya vamos. Claro, acá lo que pasa, el prop test usa otra otro tipo de de estrategias para calcular la el p valor, ¿no? Pero acá vamos a entrar un detalle, vamos a aclarar ya el
35:49
Speaker A
ejercicio dice lo siguiente, miren, vamos a vamos a discutir este punto. En el ejercicio te dice que uses un alfa de 2.5%.
36:01
Speaker A
Ya, un alfa de 2.5%, muchachos. Quiere decir lo siguiente, ¿no? El 1 men alfa, ¿cuánto sería?
36:21
Speaker A
Esto es más únicamente eh 0 025. 025 ¿no? Mm. ¿Cuánto es 1 men 0.025?
36:34
Speaker A
0975 0975. Entonces, nosotros estamos bien. Lo que pasa, esta función usa esto. Acá acá nos piden, ¿no? Y eso le hemos dado acá.
36:50
Speaker A
E 105 y 45 es dato. El P de probabilidades de suceso es 20% 0.2.
37:00
Speaker A
Eso está bien, ¿no? El valor debería ser 0.025 quizás. A ver, a ver, vamos el ejercicio.
37:12
Speaker A
Vamos a ver. No, recuerden que el aceptación de la marca es 20%, muchachos. ¿Se dan cuenta?
37:22
Speaker A
Está bien que hayan puesto 02, muchachos. Acá viene un una inquietud. Acá no usa eh la prueba que nosotros vemos acá, ¿no? En la teoría no usa est cuadrado.
37:41
Speaker A
Es otra forma de cómo lo trabaja el R, ¿no? Acá vamos a tener mucho cuidado a la hora de interpretar. Ya.
37:49
Speaker A
Según esto nuestro nos arroja un p valor de 0.474. Estaríamos rechazando la hipótesis nula, ¿no?
38:05
Speaker A
A vamos a limpiar esto para profesor revisar. Profesor, una pregunta. Yo tengo la misma duda inquietud que el compañero con respecto al tema de la de la cola, porque el ese nivel de cer de cero 0 0,025 0,25
38:35
Speaker A
sería estamos usando una prueba de una sola cola, no de las dos colas. ¿Ese valor se iría completo a una sola cola o se o se tendría que dividir entre dos? Esa es mi duda.
38:47
Speaker A
No, solamente una una sola cola. ¿Por qué? Cuando tienes tu planteamiento de hipótesis de esta manera, es una unilateral a la derecha, no quiere decir que tu curvita todo lo va a tener una sola columna.
39:05
Speaker A
El alfa medio es cuando tú tienes dos colas. Eso hay que tener cuidado. O sea, maestro, que cuando es saludo para todos, que cuando es de una sola cola, el alfa se le pone a esa cola nada más.
39:21
Speaker A
Sí. Un 10%, por ejemplo, sería un 10% a la cola derecha completamente. Sí. Ya.
39:30
Speaker A
Así se hace. Cuando es bilateral, recién se hace el alfa medio, ¿no? ¿Por qué alfa medio? porque son puntos simétricos y acá sería 1 men alfa. Todo debe sumar alfa perdón uno. Me estoy equivocando.
39:49
Speaker A
Eso hay que tener mucho cuidado. Por eso existen estos tres tipos, ¿no? Miren, vamos a ver.
39:58
Speaker A
Eso, maestro. Entonces eso implica que una una prueba de una cola al una prueba de una cola al 90% es equivalente a una a una de dos colas al 95.
40:16
Speaker A
Una prueba de una cola 95 es equivalente a una de dos colas al 90.
40:22
Speaker A
Al el alfa, me refiero. Ya. A ver, vamos, vamos a hacer la simulación. Ya que estamos acá.
40:30
Speaker A
Quizás eso ayuda a aclarar a la duda de los compañeros porque eh ya vamos a abrir una pizarra ya. A ver, también me creció la duda ahí.
40:39
Speaker A
No hay problema. Vamos a aclarar esa parte. Ya. Muy bien. A ver, vamos a ver ese punto. Ya.
40:55
Speaker A
Entonces, si yo tengo este tipo de planteamiento de hipótesis, por ejemplo, vamos a hablar de una bilateral.
41:02
Speaker A
Supongamos que yo digo esto, ¿no? Que la media es igual a un valor versus que sean diferentes. Esta es una bilateral, no hay duda de eso.
41:12
Speaker A
Entonces, ¿cómo son sus zonas de rechazo? Su zonas de rechazo van a ser así, como es una bilateral, porque es igual o diferente, ¿no? No tiene ni mayor ni menor, ¿no? Eso quiere decir que yo voy a tener dos colas.
41:30
Speaker A
Muy bien. Este concepto de colitas, ¿de dónde de dónde se originan? Desde intervalos de confianza ¿no?
41:39
Speaker A
Esto sería el límite inferior, el límite superior. Ya. Muy bien. Tiene su explicación. Hay un tema detrás de esto, ¿no? Pero vamos a ser un poco más prácticos para entender.
41:50
Speaker A
Toda toda investigación te asume un alfa, ¿no? Vamos a poner un alfa 5% que es el más tradicional, pero el valor es lo de menos.
41:59
Speaker A
Entonces, si yo planteo mi distribución y calculo mis valores críticos, yo sé que estas dos áreas son iguales.
42:09
Speaker A
Entonces, como tengo un nivel de significancia de alfa en general, quiere decir que estos dos pedacitos va a ser alfa medios y alfa. La pregunta es lo siguiente, que muchos se hacen, profesor, ¿y por qué tiene que ser
42:23
Speaker A
igual? Quizás acá puede ser, no sé, alfa cuartos. Y acá 3 alfa cuartos no siguen sumando alfa y esto es 1 men alfa. No es una buena pregunta, ¿no? ¿Por qué tiene que ser simétrico o proporcional?
42:42
Speaker A
No, matemáticamente se demuestra, muchachos, que esas áreas deben ser iguales. ¿Por qué? Porque cuando las áreas son iguales, las cotas o los intervales de confes ende estimaciones son más confiables.
43:01
Speaker A
Tiene una demostración matemática, es decir, matemáticamente se demuestra que esas colas tienen igual área, ¿no?
43:08
Speaker A
Eso ya es una una demostración matemática. Entonces, nosotros cuando vemos una hipótesis bilateral, sabemos que tiene dos colas y cada colita tiene la misma área ¿no?
43:22
Speaker A
Y efectivamente, ¿no? Este valorcito de acá es mi valor crítico, ¿no? Es el Z, por ejemplo, que deja un área por debajo de 1 men alfa más alfa. 1 men alfa.
43:35
Speaker A
Como esta distribución es simétrica, quiere decir que este puntito también vale este mismo valor, pero en negativo, ¿no?
43:42
Speaker A
1 men alfa. ¿Hasta ahí quedó claro esa parte? Sí ¿no? Sí, hasta ahí estamos.
43:54
Speaker A
Ahora hablemos del otro caso. Supongamos que yo tengo una hipótesis, el mismo, pero acá lo planteo así. A ver, voy a ponerlo así.
44:08
Speaker A
Entonces, ya tengo hipótesis de este tipo ¿no? Obviamente no es una unilateral, un milateral perdón porque no es igual ni diferente.
44:23
Speaker A
Es una unilateral a la derecha. ¿Quién le da el nombre que sea derecha o o izquierda? Él. Si es mayor, si es hacia arriba, es derecha. Si es menor hacia abajo es izquierda. Ya es una regla práctica para identificar.
44:38
Speaker A
Muy bien. Entonces, como es derecha, entonces yo voy a tener una cola en la derecha.
44:43
Speaker A
Por ende, como yo estoy usando alfa no más, alfa para todos, entonces esa zona crítica debe tener una área de alfa, ¿no? Por ende, él debe ser 1 men alfa.
44:54
Speaker A
Todos deben sumar uno. Cumple. La suma debe dar uno necesariamente la suma de esa área de la distribución siempre es uno. También se demuestra matemáticamente.
45:05
Speaker A
Entonces este valorito si fuera una distribución Z sería 1 men al es decir no existe otro valor crítico, solamente es uno.
45:17
Speaker A
Y si fuera al revés sería la parte de abajo. No, maestro, perdón la interrupción. Si si fuera alfa medio en la cola derecha se ve que al sumar la zona de no rechazo y la zona de rechazo no da uno.
45:34
Speaker A
Si fuese alfa medio la zona de rechazo. Exacto. Si eso fuera alfa medio la suma ya no da uno.
45:39
Speaker A
Claro. Exacto. Por eso tiene que Exacto. Ahí está la otra explicación para saber por qué tiene que ser así, ¿no?
45:48
Speaker A
Sí. Vamos a ver el otro caso para ya cerrar esta parte. A ver, vamos a ver.
45:52
Speaker A
Lo voy a mandar para arriba. Uy [risas] creo que un par de cosas lo usé de no sé en la pizarra. Ahora vamos a ver.
46:07
Speaker A
Vuestamente debí usar e el whiteboard, pero usé al final el zoom. [risas] No hay problema. Vamos a ver. Acá sería cuando esto es menor a 35 y cuando esto es mayor igual.
46:24
Speaker A
Muy bien. Entonces, la distribución es así ¿no? A ver, vamos a ver esta parte.
46:33
Speaker A
Como es menor, mire, la cola está abajo. Entonces, esto sería alfa, ¿no? Esto sería alfa.
46:46
Speaker A
Y esto sería 1 men. Y este valor crítico de acá, la dirección de la cola la da la hipótesis alternativa.
46:55
Speaker A
Sí, siempre eso hay que tener cuidado. Y esto sería el Z de alfa, ¿no? Porque debajo de él está dejando una área de alfa.
47:11
Speaker A
Eso es, por ejemplo, en nuestro ejercicio, ya que estamos acá, en nuestro ejercicio nos dicen lo siguiente ¿no?
47:22
Speaker A
A ver, vamos a ver esta parte. En nuestro ejercicio nos dice lo siguiente. Vamos a ver. El ejercicio nos dice lo siguiente.
47:36
Speaker A
Ya no se trata de una media, ¿no? Sino se trata de una proporción. Dice la campaña, hubo una campaña intensiva, entonces yo espero pues que la proporción de aceptación sea más del 20%, ¿no?
47:55
Speaker A
Por ende, esto sería menor o igual al 20%. Y acá lo curioso es que me dan un alfa de 2.5%. No, no hay problema, es un ejercicio que está variado su alfa.
48:10
Speaker A
Entonces, si yo hago mi distribución, ¿dónde está la cola, muchachos? ¿Arriba o abajo? A la derecha.
48:23
Speaker A
Excelente. Hacia arriba, ¿no? Ajá. Esto sería mi zona crítica, ¿no? Mi zona de rechazo.
48:30
Speaker A
Eh, sería el 2.5, el alfa, ¿no? Que vendría a ser 2.5%. Esto sería el 1 men alfa, que vendría a ser el 97.5%.
48:44
Speaker A
Ajá. Ya. Y este puntito acá vendría a ser Z de 1 men alfa. o que es lo mismo poner que Z de 0.975, que eso en R si lo calculas sale 1.96, ¿no?
49:09
Speaker A
Eso, claro, todas estas cositas se ven cuando resuelves el ejercicio de manera manual, ¿no, maestro?
49:18
Speaker A
Sí, yo pienso que ahí es que está la duda de los compañeros y la duda mía también de todos.
49:26
Speaker A
Ahora quedó claro esto 0.975 es 1.96 porque no es 95%, era 1.96, eso 97%.
49:36
Speaker A
Ah, recuerda que este Z0975 quiere decir un cuantil. ¿Se acuerdan de las medidas de posición?
49:44
Speaker A
Sí. Cuartil, quintil, decil. Ya es este Z de 0975 te está diciendo lo siguiente. A E también vamos a explicarlo. Ya.
49:53
Speaker A
Si yo tengo una distribución Z que está dejando por debajo una área de 0.975 975.
50:06
Speaker A
¿A qué cuantil de la distribución Z le corresponde eso al cuantil 1.96? No sé si se acuerdan este cuando veíamos, ¿no? Por ejemplo, el percentil 90, ¿qué significab?
50:26
Speaker A
Que por debajo de él está dejando el 90%. Ya es lo mismo acá el 0975 dice, "Oye, ¿qué valor de esa distribución Z está dejando por debajo una área de 0.975?
50:44
Speaker A
¿Es el valor 1.96 o el cuantil 1.96? ¿Cómo se calcula eso? con las tablitas de probabilidades que se encuentran los libros de estadística o con el R. Muchachos, ¿se acuerdan este famoso Q norde Q es el cuantil no?
51:14
Speaker A
P, ¿qué área deja ese cuantil por debajo? 0.975, 975, ¿no? La distribución Z tiene una media cero y una deción estándar de un de uno.
51:28
Speaker A
Ahí está. Dos decimales 1.9. Me está eh mecánicamente yo sé lo que está dando, es cierto, pero todavía no lo estoy viendo.
51:41
Speaker A
[risas] Ya vamos a ver. Desde ahorita yo lo veo, pero todavía no no sé, no lo he interiorizado.
51:50
Speaker A
No hay problema. Enfóquese en esto. Miren, vamos a ver, vamos a hablar de esto.
51:55
Speaker A
Acá le voy a dar un ejemplo mucho más práctico. Miren, supongamos que este puntito divide áreas de 0975 hacia abajo y de 0.025 hacia arriba.
52:11
Speaker A
Si yo les pregunto cuál es este valor de acá de todo el conjunto de datos, de tal manera que me está dejando por debajo un 97.5% de información y un 2.5% de información hacia arriba.
52:29
Speaker A
Es un cuantil, ¿no? Esto sería un cuantil o sería el percentil, mejor dicho, eh 97.5 5 no pero esto es lo mismo decir Z de 0975. Se puede buscar un percentil decimal.
52:47
Speaker A
Sí, sí, es una medida de posición. Puede tomar cualquier valor, no solamente son quintil, cuartil, decil, ¿no? También puede haber un valor razón. Yo no lo visto así. Puede ser cualquier valor. Y este valorito buscado en los libros o es 1.95.
53:07
Speaker A
aproximadamente. Eso es. Ya yo lo vi. Sí, de eso se trata. Claro, todas estas cositas uno lo descubre cuando resuelve el ejercicio manualmente ¿no?
53:21
Speaker A
Pero a estas alturas de frente con el P valor se tomó una decisión. Es mucho más práctico.
53:30
Speaker A
Ahora sí quedó claro, muchachos. Sí, claro. Sí, profesor. Excelente. Muy bien. Ya. Eso es eso, eso es aunque no lo crean, las medidas de exposición se usan, solo que a veces no nos damos cuenta, ¿no? Justo lo que acabamos de
53:48
Speaker A
explicar, ese valor crítico es una medida de posición que en este caso en inferencia le dicen valor crítico, pero es la misma definición de las medidas de Ahora, ahora, perdón, deberíamos ver por qué razón o mejor dicho, cuál es el
54:04
Speaker A
razonamiento de R para que el pi valor de diferente al al que hicimos manualmente. No, no, lo que pasa manualmente no hemos calculado el p valor. Ahí hay que tener cuidado. Bien, vamos a regresar esa parte.
54:18
Speaker A
Voy a cerrar esto y Ah okay okay profesor. Sí, sí, todavía no manualmente no se no se acostumbra a calcular el p valor, sino estadístico prueba y valor crítico, ¿no?
54:30
Speaker A
A ver, vamos a ver, voy a borrar esto. Miren, justo le comentaba la mega, a sus compañeros que este ejercicio yo le puse al chat GBT y me lo ha solucionado.
54:44
Speaker A
El único inconveniente es que solamente acá le faltó decir que es menor o igual, ¿no?
54:55
Speaker A
Pero la hipótesis alternativa lo planteó muy bien, es decir, entendió el problema, ¿no? Calculó su estadístico de prueba, calculó su valor crítico. Ahí está.
55:07
Speaker A
Miren, la decisión es que se rechaza la hipótesis nula. Por ende, estaría demostrando, no, perdón, que no se rechaza la hipótesis nula ¿no?
55:21
Speaker A
Que no se rechaza la hipótesis. Estaría demostrando que la efectividad de la campaña, es decir, el porcentaje de aceptación del producto es menor o igual 20%.
55:30
Speaker A
Por ende, la campaña no fue efectiva, ¿no? Y justamente me da la conclusión también para un nivel de significancia de 2.5% podemos afirmar que la campaña no fue efectiva ¿no?
55:47
Speaker A
Solo que lo ha parafraseado diferente, ¿no? Es decir, no podemos concluir que la proporción real haya aumentado.
55:59
Speaker A
Es decir, la campaña no fue efectiva, muchachos, está invertido innecesariamente ¿no? Entonces, CH GPT sí lo resuelto bien.
56:08
Speaker A
Solo esos pequeños ajustes y ya estaríamos. Eh, maestro, maestro, en la redacción del CHPT que dice el nivel de significancia del 2.5%, lo que usted subrayó para la firmar la campaña fue efectiva, fue que usted le borró el no, le cortó el no.
56:26
Speaker A
Dice acá, dice lo que pasa no hay suficiente evidencia estadística. Ya, ya, ya. No hay para decir que fue efectiva. Ya, claro, no hay suficiente evidencia, solo que la parafrase un poco complicado, ¿no?
56:43
Speaker A
Nosotros simplemente decimos, simplemente la campaña no fue efectiva, ¿no? Porque el porcentaje de aceptación de producto es menor o igual al 20%.
56:54
Speaker A
Claro, se esperaría pues o o ellos esperaban que su aceptación sea mayor al 20% porque el ejercicio dice se se aplicó una intensa campaña publicitaria por televisión y redes sociales. ¿Quién invierte en publicidad para no mejorar su la aceptación de su producto? No.
57:17
Speaker A
Muy bien, eso es. Y bueno, eso es la manera de resolver el ejercicio manualmente, ¿no? Estadístico de prueba y valor crítico.
57:29
Speaker A
Nosotros vamos a usar el P valor porque cuando usamos software nos proporciona el P valor, ¿no?
57:37
Speaker A
Miren cuánto le sale el P valor. Acá el CH GPT lo calculó. 0 03855.
57:51
Speaker A
Ahí está. Si tú comparas con tu alfa, tu p valor es mayor alfa, ¿no? ¿Cuál es la cuál es la regla, muchachos?
58:02
Speaker A
Si el p valor es al alfa, mayor, conclusión, te rechaza la hipótesis. de evidencia para rechazar la hipótesis.
58:13
Speaker A
Excelente. Esta reglita que les muestro, muchachos, sirve para toda prueba de hipótesis que existe.
58:21
Speaker A
Entonces, yo observo acá que no es que no es menor, es mayor. Por ende, no se rechaza la hipótesis nula. ¿Cuál es la conclusión? Al rechazar la hipótesis nula, muchachos, estaría diciendo que el porcentaje deción del producto luego de
58:35
Speaker A
una campaña intensa de publicidad es menor o igual al 20%. Por ende, la campaña no fue efectiva.
58:45
Speaker A
Entonces, el P valor, muchachos, nos ayuda a tomar decisiones de una manera mucho más rápida.
58:54
Speaker A
Ya nos olvidamos pues del prueba unilateral a la derecha, nos olvidamos del valor crítico, la estadística de prueba, todo lo que hemos discutido, ¿no?
59:05
Speaker A
Pero eso usar el p valor ya lo vamos a hacer con la práctica, ¿no? Lo importante que también sabemos cómo se procede manualmente.
59:17
Speaker A
Muy bien. Justo le explicaba a sus compañeros este ejercicio, cómo se podría resolver en el R.
59:23
Speaker A
El R tiene una función llamado pro test que hace eso mismo. Es esto de acá. No, voy a copiarlo nuevamente.
59:36
Speaker A
Y acá están todos los datos, muchachos. muestra proporción teórica greater, que quiere decir una prueba unilateral a la derecha, nivel de confianza, por ende, alfa 2.5% y listo, ¿no?
59:54
Speaker A
Acá voy a juntar esto ya porque no me está reconociendo. Ahí está, muchachos. Acá sale el p valor para un alfa de 0.025.
60:21
Speaker A
¿Cuál es la conclusión? Se rechaza la hipótesis. Y acá ustedes me van a preguntar, "Profesor, ¿por qué el p valor sale diferente?" Exacto. Eso le va a preguntar que valor está mayor que en el chat pt.
60:37
Speaker A
Claro, porque chatt, muchachos, usa la teoría que hemos mostrado. Es decir, esto aquí está acá, o sea, es como si hubiésemos calculado el p valor manual. Chasp lo usa así. Sí, pero por eso hay una pequeña variación, pero la conclusión es la misma,
61:06
Speaker A
muchachos. Aparte esta propest usa una prueba h cuadrado para hacer todo ese análisis, no usa ese cociente de que es una distribución Z, sino usa una h cuadrado. Pero las conclusiones son las mismas.
61:25
Speaker A
Maestro, ahí aparece una duda y quizás los compañeros mm pensemos igual. Si yo uso un cuadrado para valores cercanos al valor alfa, entonces podría ser que una prueba sea secto ahí podríamos cometer un error tipo uno para valores cercanos a alfa.
61:48
Speaker A
Eh, a ver, no, no entendí muy bien esa pregunta. A ver, ¿puedes repetir? Repito otra vez. Vamos a suponer que se hace la prueba con CHPT que usa el proceso normal que conocemos buscando el de prueba y calculando el el
62:05
Speaker A
alfa manualm el el alfa, no, el el p valor. El p el p valor. Si usamos R y usa una prueba x cuadrado, si el valor de alfa fuera, si los resultados fueran cercanos a alfa, aquí tenemos, aquí tenemos una cantidad
62:23
Speaker A
importante, casi un 1% de diferencia. Para un valor cercano a alfa podría o aceptar o rechazar una hipótesis.
62:31
Speaker A
Mira, redondea tu P valor con el CH GPT a dos decimales. 39. No, a dos 0.04.
62:44
Speaker A
Ah 09. No, 04 a dos. 04. Sí, que no veo. Ya. Muy bien. Y ahora con el R.
62:53
Speaker A
Entonces, tan alejados no estamos. Ah, estamos ahí. No, no, yo entiendo. Lo que yo no quisiera es que que si me da 0.0 04 y el un 4% el valor, por ejemplo, el caso 2.5 me 2.49 y y con el otro con el
63:15
Speaker A
RMD 2.51, ya con el 51 rechazo la hipótesis y estamos hablando de apenas centésimas.
63:23
Speaker A
Sí, para valores que están en la frontera podría eh eh trabajar con el rotipo uno.
63:29
Speaker A
Por supuesto, el R no es el problema, en este caso es el CHPT. Sí. Es verdad, ¿no? Eh, estamos confiando también pues en el que el CHPT haya calculado bien también, ¿no? Pero es más probable que sí lo
63:42
Speaker A
calculo bien porque sale aproximado, ¿no? Esa pregunta casi siempre me lo hacen, miren, pero me lo me lo preguntan de una manera un poco especial. Me dicen, "Profesor, mira, supongamos que mi p valor en un ejercicio me sale
63:58
Speaker A
0.5 5 y el alfa que estoy usando es, no voy a poner algo así, ¿no?
64:08
Speaker A
Es bien específico, ¿no? Y el alfa que estoy usando es 5%. Usted me dijo que si el p valor es menor al alfa, entonces yo rechazo la hipótesis nula, ¿no?
64:18
Speaker A
Pero 0.05 y 0.05, 05 profesor es menor y acá genera un debate, ¿no? El problema que esto es muy raro que suceda, prácticamente imposible.
64:36
Speaker A
El p valor en sí es un valor, es una probabilidad, muchachos, que va a tener muchos decimales.
64:43
Speaker A
Entonces, es bien complicado que se llegue a esta cuestión. Muy complicado. Si se llega a esa cuestión, no vamos a poner a rechazar en hipótesis. negocio haya que hac una inversión en los cuartos después no aparezca.
64:55
Speaker A
Excelente. Entonces sería, qué sé yo, aceptar la hipótesis, ¿no? Si tenemos ese este cuestionamiento, lo único que nos queda es aumentar el tamaño de muestra en la vida de red sucede así para confirmar, sí, porque no vamos a estar a entrar a
65:11
Speaker A
una discusión pues eh por este tema. No tiene sentido. En primer lugar, no va a suceder. Es bien raro, bien raro, pero si caso extremo pasara, lo que se recomienda es aumentar el tamaño de la para salir la duda, como se dice, ¿no?
65:32
Speaker A
Eso es, muchachos. Entonces, va a haber cuestionamiento siempre, muchachos, siempre, pero no hay que ser tan extremistas.
65:40
Speaker A
Es muy raro, muy raro. Muy bien. Entonces, se puede resolver el ejercicio manualmente y obviamente es un poco toma su tiempo, pero también con el R se acaba en en un segundo, ¿no?
65:57
Speaker A
Pero ojo, muchachos, el R no te va a plantear la hipótesis, ¿no? Esto de acá, el chat lo hizo bien, por cierto, el erro no lo va a hacer, ¿no? Eso es lo único que hay que aprender nosotros, es
66:13
Speaker A
plantear bien nuestra hipótesis y tomar las las decisiones usando el p valor. Eso es.
66:23
Speaker A
Muy bien, muchachos. Entonces, interesante este tema, ¿no? ¿Dónde se usa este tipo de prueba hipótesis en control de calidad?
66:31
Speaker A
bastante para saber en este caso en marketing, ¿no? Para saber si una campaña fue efectiva o no fue efectiva, prueba hipótesis para proporcion.
66:42
Speaker A
Entonces sí tenemos herramientas para ese tipo de casos, ¿no? Entonces, hay que darle utilidad a las herramientas.
66:53
Speaker A
Muy bien. En sí, esta es la teoría, ¿no? Hasta ahorita hemos hablado de una sola muestra ¿no?
67:04
Speaker A
¿Qué pasaría, muchachos, si tengo dos muestras, por ejemplo, así, no? Si yo digo que las edades eh entre hombre y mujer en una aula son iguales en promedio, estaría diciendo o bien son iguales o la diferencia es igual a cero. Ambos son
67:32
Speaker A
equivalentes. No, no vayan a pensar que son diferentes pruebas de hipótesis, muchachos. Es lo mismo. Simplemente expresado de una manera diferente.
67:43
Speaker A
¿Qué quiero decir con esto? que la t estudien y las proporciones también se pueden aplicar para dos muestras para comparar grupos, grupos independientes, ¿no? Pero también sirve para comparar muestras pareadas, es decir, a un mismo grupo medido dos veces, antes
68:10
Speaker A
y después. A eso se le dicen muestras pareadas. Entonces, el texto de muchachos tiene muchos usos, ¿no?
68:26
Speaker A
¿Cuál es la limitación? Como les comenté, requiere la normidad. Normalidad es solamente comparado dos grupos.
68:36
Speaker A
Si vas a usar para dos muestras, las dos variables tienen que tener distribución normal.
68:40
Speaker A
Mm. ambas variables. Sí, ahí es el problema, pero no todo está perdido, muchachos. Existe su contraparte no paramétrica también que vamos a ver la siguiente sesión, ¿no?
68:50
Speaker A
¿Qué es lo que hace esa parte? Por ejemplo el tenemos el prueba human de Wen, por ejemplo, ¿no? Que hace comparación de grupos y todo eso.
69:01
Speaker A
No tiene supuestos, muchachos, pero eso es una una gran ventaja. Sí. Muy bien, eso es la famosa prueba texto.
69:18
Speaker A
No solamente sirve para una muestra, sino también sirve para dos muestras. Si tú quieres hacer la prueba T student, ya sea para una muestra y dos muestras en el R, la función se llama TTs.
69:35
Speaker A
¿Qué te va a pedir si solamente tienes una muestra? o dos, ¿no? Este argumento de acá te dice qué tipo de de qué tipo es tu prueba de hipótesis. Tu side es bilateral, les es unilateral a la izquierda y grit es
69:54
Speaker A
unilateral a la derecha. Tu valor de prueba, tu nivel de confianza. Estos de acá el bar equal no lo toquen, no hay problema.
70:12
Speaker A
Esto de acá sí lo vas a tocar solo si estás usando muestras pareadas antes y después.
70:19
Speaker A
Si tu muestra es pareada, acá le pones true. Entonces, eso es lo que hay que conocer un poco de esa función tes. Es decir, con tetes tú puedes hacer todas las pruebas de estudien que existen para una muestra, para los muestras
70:37
Speaker A
independientes o dependientes o pareadas. También se le muestras pareadas se le conoce. Claro, vas a hacer una misma medición a un mismo grupo de individuos dos veces, ¿no?
70:48
Speaker A
Antes y después, antes del tratamiento y después del tratamiento. Entonces, esa es la función que vamos a usar o que van a usar también ustedes muy seguido. Ya, eso es para variables numéricas.
71:10
Speaker A
Para variables categóricas como las binarias. Justo lo que acabamos de discutir, la función se llama proptes, muchachos.
71:23
Speaker A
Número casos favorables, tamaño de muestra proporción tipo de hipótesis, ¿no? Nivel de confianza. Y esto déjalo por defaol. Por defoles que incorpora un factor de corrección.
71:38
Speaker A
A eso se le conoce como el factor de corrección por continuidad. es un una explicación un poco larga.
71:47
Speaker A
Entonces, esos son los elementos eh necesarios para aplicar pruebas de hipótesis. Claro, lo puedes hacer manualmente o usando R, que es mucho más sencillo.
72:01
Speaker A
Maestro, maestro, el nombre de esa prueba protest en R, esa es la sentencia, pero ¿cómo se llama esa? Es ¿Cuál? La binomial.
72:11
Speaker A
Sí, la la única que hablamos de la prueba hipótesis para la proporción, es decir de en sí la binomial no tiene su prueba de esta ¿no?
72:23
Speaker A
De esta, muchachos, esta me refiero. Ya está bien. Gracias. Sí, así como existe para una sola proporción, también existe diferentes proporciones, solo que esta función ya no lo incorporó. Miren, es que es raro la diferencia proporcional, no es tan común, pero sí
72:45
Speaker A
existe. Eh, lo podemos si no hay esa función propest lo podemos programar, ¿no? Para tener o resolverlo manualmente. No hay problema.
72:59
Speaker A
Muy bien, ahora hablemos del famoso ANOVA, muchachos. ¿Se han dado cuenta que el T student solamente te puede comparar dos grupos, no? A lo más a lo más dos grupos, muchachos.
73:16
Speaker A
La pregunta, ¿qué pasos tengo de tres grupos a más? Entonces, eh Tud ya no puede hacer eso.
73:25
Speaker A
Entonces requiere de una prueba mucho más eh grande, ¿no? Es decir, un poco más especializado para más de dos grupos, de tres a más, ¿no?
73:35
Speaker A
El ANOVA es ideal para eso. La prueba de anova o el análisis de varianza muchachos.
73:46
Speaker A
A esto se le conoce como anoba de un factor. Cuando no se dice nada, se hace referencia a la nova de un factor, ¿no?
73:55
Speaker A
Es decir, voy a tener una variable numérica y lo voy a relacionar con una variable categórica y justamente la variable categórica se va a llamar factor.
74:10
Speaker A
Por ejemplo, si yo te digo, si tengo cinco aulas de matemáticas de un de un colegio de mismo grado con el mismo profesor, quiero saber si el rendimiento en promedio son iguales en las cinco aulas o son diferentes.
74:31
Speaker A
¿Cuál sería mi factor ahí? Las aulas. Excelente. La variable numérica serían las notas, ¿no?
74:39
Speaker A
Las calificaciones rendimientos. Exacto. Si yo quiero comparar el rendimiento promedio de esas aulas, literal voy a voy a decir, "Oye, en promedo serán sus rendimientos iguales o diferentes.
74:55
Speaker A
Eso es una comparación de grupos múltiples, ¿no? Eso se conoce como el ANOVA. A nova de un factor porque solamente tengo un factor, profesor. ¿Y existe la nova de dos factores? Sí, es cuando ingresa otro factor más, ¿no? Es decir, un factor uno
75:13
Speaker A
más el otro factor, ¿no? Entonces era el factor dos. Quizás ya no exista aula sino por sexo.
75:25
Speaker A
Interesante, ¿no? Claro, ustedes dirán, "Profesor, pero la nota no solamente depende de las aulas, también puede ser un factor importante el sexo del alumno.
75:34
Speaker A
Ya, a eso se conoce como anoba de dos factores o anova de dos vías.
75:43
Speaker A
Entonces sí es útil, ¿no? Porque te da mucho más análisis. Y lo interesante es que cuando tú incorporas dos factores, también existe un factor de interacción y así se hace un poco más complicado las cosas, pero es muy útil,
76:03
Speaker A
muy interesante. Te permite entender el comportamiento de una varel numérica en función a dos categóricas, ¿no? Y su respectiva interacción, si es que existiera ¿no?
76:16
Speaker A
Muy bien. Entonces, la de un factor es y un x, ¿no? Donde x es una variable categórica denominado factor.
76:24
Speaker A
Entonces, la noma de un factor, muchachos, es un método estadístico para examinar las diferencias en las medias de tres o más grupos.
76:35
Speaker A
Al igual que el T Student que compara medias, ANOVA también compara medias, solo que de tres grupos a más, ¿no?
76:49
Speaker A
Muy bien. Entonces, la norma de un factor se emplea cuando tenemos una única variable o factor independiente. Y el objetivo es investigar si las variaciones o diferentes niveles de ese factor tienen un efecto medible sobre una variable dependiente. Es decir, si ese
77:07
Speaker A
factor está influenciando en X, ¿no? R. Eso es lo que busca el ANOVA, muchachos.
77:21
Speaker A
Existe variaciones o no existen. No, pero ya se hacen alusión que son más de tres grupos a ¿Cuál es la limitación de la noda?
77:36
Speaker A
También requiere normalidad, muchachos. Claro, cuando se habla de anova de un factor, se necesita un solo factor, ¿no?
77:44
Speaker A
Y una sola variable dependiente. Es un Y y un X. las aulas y las notas y ANOVA solo se usa de tres grupos a más.
77:57
Speaker A
Tengo dos grupos, no se puede usar ANOA. Ahí tienes que usar diferencia de medias, ¿no? Por te estudia, pero la Nova es un poco más ambicioso en cuanto a supuestos, muchachos. Los dos primeros más que supuestos serían algunas eh consideraciones a tener en
78:13
Speaker A
cuenta ¿no? Como la norma busca relacionar una variable numérica en función un factor, yo tengo que garantizar, muchachos, que esta variable sea una variable numérica o una variable con distribución normal.
78:39
Speaker A
Y muy aparte de eso, como yo voy a tener varias aulas, por ejemplo, y acá van a estar las notas, por ejemplo, aula uno, aula dos y así, y acá van a estar las notas.
78:55
Speaker A
Un supuesto para la nova es que la dispersión de las aulas en cuanto a notas sea eh muy parecidas, muy similares.
79:08
Speaker A
A eso le conocen como eh homoseasticidad ¿no? Entonces ya aparece un supuesto acá para el ano.
79:21
Speaker A
te está diciendo, "Oye, si ves que un salón tiene una varianza totalmente diferente que el otro, no tiene sentido compararlos, ¿no? Por estarías no estarían en las mismas condiciones, como se dice.
79:34
Speaker A
Entonces, para que la comparación sea mucho más efectiva, debes garantizar la variabilidad de los grupos sea constante, ¿no? O homoseástica.
79:46
Speaker A
Entonces, la nova sigue siendo muy útil, pero tiene ya muchas restricciones, ¿no? Profesor, ¿qué pasa si no cumple con los supuestos? Basta que uno falle, tendría que irme a la parte no paramétrica, ¿no? Y ahí su hermanito que
80:01
Speaker A
tiene es el Cruz Caliguales, ¿no? Que no tiene sus puestos. Eso es. Entonces, muchos test o pruebas paramétricas tienen su contraparte no paramétrico, casi todos. No, pero hay que ser consciente que en la NOVA fue lo primero que se planteó, ¿no? Se
80:28
Speaker A
vio la utilidad y bueno, también algunas limitaciones muy importantes, pero de que ayuda a solucionar cosas sí ayuda ¿no?
80:38
Speaker A
Muy bien la pregunta del millón. Profesor, ¿cuántos tipos de planteamiento y hipótesis existen para una prueba? No, solo uno, muchachos, solo uno.
80:56
Speaker A
Y es que en promedio todos los grupos son iguales versus no todas son iguales, que es lo mismo decir que al menos una es diferente, ¿no?
81:09
Speaker A
Así de simple, muchachos. No hay más. Solo un tipo de planteamiento, así como la normalidad, así como la correlación.
81:17
Speaker A
El solamente tiene un una sola forma de plantear la hipótesis, que es la bilateral, por cierto, pues no se vayan a inventar hipótesis, por favor.
81:30
Speaker A
Alguien, no sé, me va a inventar algo así ¿no? Ya, esas cosas no existen, muchachos.
81:37
Speaker A
Ya, por favor, algo así. No, no, eso no existen. Solamente existe esta forma de plantarles impos. Por eso es sencillo estos esto estas técnicas, ¿no?
81:50
Speaker A
Muy bien. Que los grupos son iguales versus que no todos los grupos son iguales. Como lo quieras parafrasear, no hay problema.
82:03
Speaker A
Entonces, ahora hablemos un poquito sobre una aplicación interesante. Data real, muchachos. Vamos a ver por qué se llama ANOVA.
82:20
Speaker A
es el famoso análisis de varianza, ¿no? Lo que pasa eh cuando yo tengo un y un x, cuando yo explico la relación y en función x, va a existir un modelo, ¿no? En sí, algo así, ¿no?
82:45
Speaker A
algo así, ¿no? Entonces ese modelo me va a generar pues un error total, ¿no? suma de cuadrados totales y la descomposición de la suma de cuadrados totales tiene suma de cuadrados eh del modelo, por ejemplo, y suma cuadrados de los errores, ¿no?
83:15
Speaker A
Entonces, la es descomposición de la varianza, ¿no? En otras palabras, la descomposición de la suma de cuadrados totales ¿no?
83:22
Speaker A
Entonces, de ahí sale la distribución F y todo ese proceso. Es decir, tiene toda una teoría de desarrollo.
83:31
Speaker A
La tablita Nova es por eso es algo así, ¿no? Es una tablita en el cual tú descompon cuadrados totales en esos dos errores, ¿no? Suma cuadrados del modelo y suma cuadrado de errores.
83:49
Speaker A
Ya, eso es la tablita no donde acá sale la distribución F y todo eso. Es decir, existe una teoría muy interesante detrás de la mano, pero que se usa o esa teoría, mejor dicho, da sustento para cómo calcular el
84:04
Speaker A
estadístico de prueba, cómo es calcular el valor crítico y esa misma teoría se usa para calcular el p valor, ¿no? Que es lo que tienen los software, en este caso R, ¿no?
84:16
Speaker A
Es una pequeña introducción. para que entiendan perfectamente todo lo que hemos hablado. Denle una leída super rápida a este a esta aplicación y díganme si se presta para usar a nova o no se presta para nada.
84:37
Speaker A
A ver qué dicen, muchachos. Bien. Sí, sí, sí. Se pr Sí ¿no? Sí. Muy bien. A ver, ¿cuál es el factor acá, muchachos?
84:58
Speaker A
Los 10. Muy bien. Esto sería mi x, ¿no? Y la concentración de monóxido carbono sería mi variable mi variable y dependiente. Mi y no mi numérica.
85:11
Speaker A
Entonces, lo que yo quiero demostrar es si la concentración de monóxido carbono en promedio es la misma lunes, martes, miércoles, jueves y viernes. Cinco grupos.
85:26
Speaker A
Cada día de la semana se ha recogido ocho mediciones de concentración de monóxido y carbono.
85:33
Speaker A
Entonces, lo que yo quiero probar pues si la concentración es la misma o es diferente cada día a la semana. No es una prueba no muy bien. Para ser un poquito más técnicos, vamos a identificar algunos conceptos interesantes que les va a
85:48
Speaker A
servir mucho. Vale la respuesta. Concentración de monóxido de carbono. Factor día la semana. Seguramente ustedes van a escuchar más más adelante cuando vean temas un poco más especializados, factores de efectos fijos o de efectos aleatorios.
86:10
Speaker A
En este caso es un factor de efectos fijos porque los días de la semana ya están definidos.
86:17
Speaker A
Es algo natural, ¿no? No se pueden cambiar. Exacto. No lo no lo puedo alterar. No es que yo quiero que el día uno sea jueves.
86:26
Speaker A
No, no es así. No se puede, muchachos. Pero sí hay efectos aleatorios, ¿no? No, eso sí se puede hacer, pero al menos este factor son defectos.
86:38
Speaker A
¿Por qué se le dice modelo equilibrado? Porque cada día de la semana voy a hacer ocho mediciones.
86:48
Speaker A
A eso se le conoce como un modelo equilibrado. Y el tamaño del experimento es número total de observaciones.
86:59
Speaker A
En este caso son 8 5 días, ocho mediciones por día, 8 * 5 40 unidades experimentales.
87:08
Speaker A
No se acostumbra plantear estos estos conceptos cuando se resuelve un ejercicio pero nos va a servir bastante para entender esos conceptos efecto fijo, modelo equilibrado, tamaño experimento, ¿no?, que a veces preguntan.
87:24
Speaker A
Entonces, eso en eso consiste. Entonces, hemos visto varios conceptos con un solo ejercicio ¿no?
87:30
Speaker A
Muy bien. Lo más importante para nosotros, como les he comentado, muchachos es cómo planteo mi hipótesis. Fácil, hipótesis nula, que las concentraciones de monóxido carbono son las mismas en promedio versus al menos una es diferente.
87:52
Speaker A
Esos datos lo llevo al R y miren que me da el P valor asumiendo un alfa del 5% porque el ejercicio no me lo dice.
88:03
Speaker A
¿Cuál es la conclusión? A ver, vamos a ver. Ya se olvidon la regla ¿no?
88:14
Speaker A
Un minuto. Espérese, profe. Si el p valor es al menos al menos al menos una de las medias es distinta.
88:28
Speaker A
Se rechaza, ¿no? Se rechaza que se P es menor a alfa. Se rechaza. Muy bien. Entonces, si yo rechazo la hipótesis nula, estaría diciendo, muchachos, que no se cumple él. Al menos una concentración media de monóxido es diferente en algún día de la semana,
88:53
Speaker A
es decir, no son las mismas. Y ustedes tienen que usar un poco de lógica. Generalmente cuando se trabaja una empresa industrial, por ejemplo, eh donde hay mayor producción de monóxido carbono o emisiones de monóxido carbono son los días lunes, martes,
89:12
Speaker A
miércoles, pero jueves y viernes ya bajan. Las estadísticas siempre demuestran eso. Ahora vamos a ver en este ejercicio cómo se comporta.
89:24
Speaker A
Muy bien, entonces sencillo. ANOVA es una prueba muy sencilla, pero muy útil también. Esto es lo que hemos visto, muchachos, en Anova, lo mismo se hace se hace para crusc igual. Lo mismo, solo cambia qué cosa, eh, la función a usar en R nada
89:42
Speaker A
más. Pero el planteamiento, la hipótesis es la misma, la decisión es la misma. Lo único es que las pruebas paramétricas, si se han dado cuenta, muchachos, siempre trabajan con medias.
89:58
Speaker A
En cambio, en lo no paramétrico siempre trabajan con medianas. Esa es la única diferencia.
90:05
Speaker A
Con medianas o con rango medianas o rangos como Spirman, por ejemplo, más medianos, por cierto.
90:12
Speaker A
Sí. Muy bien. Eso es, muchachos. Antes de ver la nueva de factores, vamos a ver el laboratorio. Ya.
90:25
Speaker A
Abran su R, por favor. Su laboratorio ocho. A ver, vamos a ver. Lo tengo por acá.
90:37
Speaker A
Muy bien. Muy bien, muchachos. Hay un montón de ejercicios que les he puesto. Vamos a ver, vamos a ver específicamente la nova. Ya de ahí regresamos a los demás. Los demás es ya hemos visto el prop y todo eso, ¿no? Miren, el mismo
91:01
Speaker A
ejercicio, muchachos, que está acá lo vamos a resolver, pero con el R. Profesor, esto está en imagen. ¿Cómo lo paso a datos? Vamos a tener que digitar, ¿no? Uno por uno, pero yo ya la tengo digitada, así que no
91:17
Speaker A
se preocupen. Ahí está. Lunes, martes, miércoles y jueves y viernes. Voy a repetir ocho veces esta semana, estos días, y ahí están los valores por día, ¿no?
91:30
Speaker A
Esto ya es digitación de datos, muchachos. Ya ustedes ejecutan y efectivamente ahí están los datos.
91:40
Speaker A
Solo que de esta manera no se puede, tengo que llevarlo algo más interesante, ¿no? Ahí están las ocho mediciones de los lunes. Miren, acá están las ocho mediciones de los lunes, ¿no? Mira, y acá están las ocho mediciones del
92:00
Speaker A
martes ¿no? Y así para los demás días, ¿no? es lo mismo, solamente lo lleva a un formato mucho más interesante.
92:11
Speaker A
Este sería mi x y esto sería mi y no factor y mi var dependo mi hipótesis nula, mis hipótesis.
92:25
Speaker A
Hipótesis nula. No hay diferencias significativas en las concentraciones de monóxido carbono entre los días de la semana, que es lo mismo decir que sus medias son iguales ¿no?
92:40
Speaker A
La alternativa, al menos un día tiene una concentración de monóxido carbono diferente a los demás.
92:47
Speaker A
Sencillo, profesor, ¿cómo aplico la nova en R? La función se llama A o B en inglés, ¿no? Análisis of variance, ¿no?
93:04
Speaker A
Eso así se llama la función A o B. Bueno, A o V, ¿no? Como se dice. Muy bien.
93:12
Speaker A
¿Qué le tengo que dar como insumo? Variable dependiente. Mi y monóxido carbono y el factor 10. Este gusanito significa relación ¿no?
93:27
Speaker A
Como data le doy los datos que creado. Acá la función summary te va a hacer un resumen de tu objeto a noa resultado.
93:38
Speaker A
Simplemente ejecuto. Ahí está. ¿Cuál es la conclusión, muchachos? Igualita. No, tomando un alfa de 0.05.
93:57
Speaker A
Entonces, se rechaza la hipótesis, ¿no? Rechazo él y me quedo con al menos un día de la semana tiene una concentración de monóxido carbono diferente a los demás, ¿no?
94:12
Speaker A
Muy bien, ahí se termina nuestro problema. Pero ustedes, muchachos, siempre complementen con gráficos sus análisis para darle mayor soporte o mayor interpretación ¿no?
94:29
Speaker A
Por ejemplo, nosotros hemos visto un montón de formas de hacer gráfico, ¿no? Acá vamos a ver algunos básicos, por ejemplo, usando la función base del R llamado box plot, ¿no?
94:45
Speaker A
Boxplot CO2 versus día, ¿no? ¿Qué me va a dar un gráfico de este tipo.
94:56
Speaker A
¿Qué observan ahí, muchachos? ¿Dónde existe mayor concentración de monóxido carbono? O sea, ¿qué día de la semana?
95:01
Speaker A
¿Y dónde existe menor concentración de monóxido? El martes existe una alta concentración. Perdón, el lunes. Lunes, el lunes que no están en orden. No están en orden.
95:17
Speaker A
No está en orden. Jueves lunes martes. No está en orden porque acá no le di un orden. No, no. El lunes hay mayor concentración.
95:28
Speaker A
Lunes, miren, el viernes se viene bajo, como que ya las empresas apagan las máquinas para el fin de semana descansar, ¿no? Más o menos eso sería la lógica, pero lunes y martes son los días donde hay mayor emisión,
95:46
Speaker A
¿no? Entonces yo les digo antes que vean la hipótesis, la prueba hipótesis, ¿las concentraciones de monóxido carbono serán las mismas los días de la semana en promedio?
95:58
Speaker A
Gráficamente no. No, y lo que hace la Nova simplemente es corroborar ello, darle eh sustento a tu a tu conclusión preliminar, ¿no?
96:13
Speaker A
Entonces es interesante combinar el NOVA con algunos gráficos y un gráfico sencillo, no hemos usado Gipplo nada, ¿no?
96:21
Speaker A
Y a esto tú le puedes poner pues inclusive colores, ¿no? No hay problema. y dice, "Profesor, yo quiero diferenciar cada cajita por diferente color." Ah, entonces le doy un vector de colores y lo que hago después esto, ¿no?
96:37
Speaker A
Ya. Mucho más interesante. Muy bien. Antes que compañero Lamec nos pida las pruebas de TUKI, vamos a explicarles lo siguiente, ¿no?
96:53
Speaker A
Ya. Hasta acá he terminado con la Nova, muchachos. La Nova solo te va a decir, "Oye, ¿las concentraciones son iguales o diferentes?" Nada más.
97:02
Speaker A
Pero alguien va a preguntar, "Ya está muy bien, pero quizás de las cinco son diferentes, pero ¿cuáles son iguales dos a dos?" O sea, que ¿qué es qué días de la semana tienen iguales concentraciones?
97:18
Speaker A
Gráficamente yo diría pues que lunes y martes, ¿no? Jueves y miércoles, ¿se dan cuenta?
97:33
Speaker A
Son días que tienen eh concentraciones en promedio iguales estadísticamente ojo estadísticamente. La igualdad matemática acá no se no existe. No existe.
97:46
Speaker A
Miércoles y viernes no podrían ser comparables, me refiero. También también también hay que revisar eso, ¿no? Pero, ¿quién nos da respuestas o luces a eso? La prueba post de TUK que te hace comparaciones dos a dos.
98:02
Speaker A
cosa que la nova no hace. Entonces, Tok pues es una herramienta complementaria para eso, ¿no? Lo único que tengo que hacer es usar la función 2K HSD y le doy el anacé, ¿no?
98:18
Speaker A
Y miren, ahí está. ¿Cómo lo van a interpretar esto muchachos? De la siguiente manera. No es una prohipótesis dos a dos, es una diferencia de medias. Muy bien, muchachos.
98:42
Speaker A
Es como si tú hubieras planteado una hipótesis de este tipo. Ojo bilateral. Ah, porque tú quieres saber si son iguales o diferentes dos a dos.
98:56
Speaker A
Muy bien. ¿Cuál era la sospecha? Lunes y martes, creo, ¿no? A ver, vamos a ver. Vamos a ver acá.
99:04
Speaker A
Mira, lunes y martes. Vamos a analizar eso. ¿Dónde está el lunes y martes, muchachos?
99:12
Speaker A
Acá está. No, su p valor, muchachos. Tomando mayor mayor a 5%. ¿Cuál es la conclusión?
99:26
Speaker A
Se rechaza H0. Ahí no se rechaza. Cuidado. No se rechaza H0. No se rechaza.
99:32
Speaker A
Por ende, por ende, las concentraciones de monóxido carbono son iguales en promedio. Iguales en promedio en esos días.
99:41
Speaker A
Gráficamente se corrobora, sí, están parecidos, ¿no? No son iguales, pero pero estadísticamente son iguales, ¿no?
99:51
Speaker A
Muy bien. ¿Quiénes son los días que que son totalmente diferentes dos a dos? Los que valor menor al 100%.
100:04
Speaker A
Excelente. Y el único que cumple es miércoles y lunes, viernes y lunes y viernes y martes.
100:15
Speaker A
Excelente. Esos son valores menores al 5%. El, el y él. Ahora vamos a corroborar miércoles y lunes. ¿Qué dice el gráfico?
100:29
Speaker A
A ver, ¿dónde está? miércoles y lunes. Obviamente hay una diferencia demasiado grande, ¿no? Mir, viernes y martes. Viernes y martes peor. Una diferencia tremenda, ¿no?
100:46
Speaker A
Miércoles y martes igual, ¿no? La diferencia es bastante. Justo lo que la MEC decía, profesor.
100:53
Speaker A
Miércoles y viernes sí son iguales estadísticamente ¿no? Entonces, maestro, cuando la mediana en la caja, en el box block, la línea que representa la mediana corta la caja del otro grupo, podemos asumir que son iguales estadísticamente asumir, por lo menos
101:16
Speaker A
tener la presunción de que son iguales. Sí, si son próximos, estadísticamente se va a demostrar que son iguales en promedio.
101:26
Speaker A
Eso, eso se llama una igualdad estadística. Obviamente matemáticamente no es así, ¿no? Pero como son grupos muy próximos en cuanto al promedio, ojo, promedio, entonces sí, no son grupos parecidos.
101:45
Speaker A
Muy bien. Claro, uno gráficamente también puede llegar a esa conclusión, ¿no? Pero quien te da respaldo es la prueba de hipótesis, ¿no?
101:54
Speaker A
Eso es. Miren, a muchos le gusta analizar este estas este reporte dos a dos, ¿no? Pero tú que también tiene una herramienta gráfica, le aplicas un plot a este objeto y lo que te va a generar es esto.
102:17
Speaker A
Intervalos de confianza de cada día de la semana. ¿Cómo vas a interpretar que son iguales?
102:25
Speaker A
cuando tu intervalor de confianza contiene al cero. Por ejemplo, ¿cuál es quién no contiene el cero? Por ejemplo, viernes y miércoles.
102:37
Speaker A
Su intervalo de confianza, que es este cosita de acá, no le corta el cero. Es decir, el cero no está incluido ahí.
102:47
Speaker A
Si el cero no está incluido en su intervalo de congenza, quiere decir que la diferencia de las medias nunca van a ser iguales.
102:54
Speaker A
¿Se entienden? Claro, no hay cero acá. Si no hay cero, jamás va a haber una igualdad entre concentraciones de estos dos días.
103:03
Speaker A
Jamás. Sin embargo, si yo observo, por ejemplo, ahí está incluido el cer, eh, a ver, uno de acá, uno que carga.
103:13
Speaker A
Ahí está. Es que no me sale los días porque mi pantalla es pequeña. Lunes y jueves, por ejemplo, esto es su interfianza y sí incluye al cero.
103:26
Speaker A
Quiere decir, maestro, pero viernes y miércoles lo incluye. A ver, vamos a ver. Vamos. ¿Dónde está viernes y miércoles? No, viernes y miércoles su intervalo es esto. Miren, ese, ese es inter Ah, sí, tiene razón, tiene razón.
103:43
Speaker A
Incluye. Sí, tiene razón. Ya está, ya el extremo lo incluye. Sí, me equivoqué. Mil disculpas. Sí, este valorito de acá es el punto medio del intervalo de confianza.
103:53
Speaker A
Ajá. Ajá. Sí, tiene razón, me equivoqué. Pero es más fácil interpretarlo así. Claro, más fácil.
104:00
Speaker A
Algunos le gusta más esto y algunos le gusta más el reporte con el P valor, que es más fácil para tomar decisión.
104:06
Speaker A
Gráficamente también se ve interesante. Por ejemplo, este segundo día no incluye para nada, ¿no?
104:14
Speaker A
Exacto. Exacto. Por ende, este estos días, no sé qué día hay acá, no son eh no tienen la misma concentración.
104:22
Speaker A
Es decir, sus concentraciones son diferentes ¿no? Eso es, muchachos, ¿no? Eso es eh hacer en este caso eh el anova, ¿no? Entonces, es una prueba muy útil. Entonces puedes complementarlo con gráficos y puedes complementar con las comparaciones dos a dos de tu, ¿no?
104:50
Speaker A
Muy bien. Ahora vamos a ver los demás ejemplos. Vimos a Noa porque como estaba fresco por la teoría, entonces lo lo hemos aprovechado. Ya.
105:07
Speaker A
A ver, ahora vamos a ver esto. Un ejercicio de prueba T estudien para una muestra independiente.
105:16
Speaker A
Es un ejemplo didáctico, ¿no? No hay que juzgar un poco por el tamaño de la muestra.
105:22
Speaker A
La idea es entender no más que a ver acá dice, para verificar el proceso de llenado de bolsas de café de 500 g o está operando correctamente, se toman aleatoriamente muestras de tamaño 10 de cada cada 4 horas.
105:39
Speaker A
Una muestra de bolsa está compuesta por todos estos estos estos valores, ¿no? Está el proceso llenando bolsas conforme lo dice la envolvura. Use un nivel de significancia del 5%.
105:57
Speaker A
¿Cómo sería el planteamiento de la hipótesis muchachos? Ellos quieren verificar si el promedio es 500 g o si se ha modificado, ¿no?
106:17
Speaker A
Sí, eso es lo que se sospecha, que son diferentes de 500. En ningún momento, muchachos, dice que ha disminuido, o aumentaba. en ningún momento.
106:29
Speaker A
Entonces, por ende, yo no puedo optar por una prueba de hipótesis unilateral, ¿no? Porque en ningún momento el ejercicio me lo hice o me lo menciona, para nada. Quiero saber si está llenando conforme o no.
106:45
Speaker A
Entonces, directo se plantea esa hipótesis. Use un alfa 5% y todo eso. Bien, ahora vamos a resolver usando R.
106:57
Speaker A
Ahí está que el promedio es 500 versus diferente a 500. Mis muestras son estos.
107:05
Speaker A
¿Y qué voy a usar yo? La función ts. Esto es mi x, ¿no? ¿Qué alternativa? ¿Qué tipo de pr hipótesis, muchachos? Bilateral. Ahí está.
107:22
Speaker A
Nivel de confianza. Me dicen alfa 5%. Por ende, nivel confianza es 95%, ¿no? El mood de prueba es 500, ¿no? Y listo, se acabó, muchachos.
107:36
Speaker A
Ah, no hemos no hemos ejecutado esto, ¿no? Ahí está. ¿Cuál es la conclusión, muchachos?
107:47
Speaker A
El p valor es mayor, por lo tanto no se rechaza H0. Excelente. La muy bien. No se rechaza la hipótesis.
108:00
Speaker A
¿Cuánto tiempo se demoraron resolver un ejercicio con R? Menos de un minuto, muchachos. Pero, ¿por qué? Porque ya hemos aprendido a cómo plantear las hipótesis.
108:12
Speaker A
Ya hemos aprendido a usar la función apropiada. Ya hemos aprendido a tomar una decisión usando la regla del p valor y el nivel de significancia.
108:21
Speaker A
se rechaza la hipótesis nula, por ende, la máquina pues no está llenando lo que debe llenar, ¿no?
108:32
Speaker A
Muy bien, acá les puse una conclusión interesante. Vamos a ver. Como el p valor es 0.3155 3155 y y mayor que el nivel de significancia 5%.
108:45
Speaker A
Ah, perdón, no se rechaza la hipótesis nula. Es decir, las evidencias no son suficientes para afirmar que el proceso llenado no está cumpliendo con lo impreso en la multo, es decir, está llenando correctamente.
108:58
Speaker A
En conclusión, yo me había equivocado hace ratito. Muy bien, eso es. No se rechaza la hipótesis, sino la por ende, el peso es el correcto, ¿no?
109:14
Speaker A
Eso es la manera, muchachos, de resolver un ejercicio de prueba T estudio, ¿no? Entonces, la función ts, ¿no? Ahí está.
109:25
Speaker A
Entonces, ya saben identificar cada elemento y cómo trabajar eso, ¿no? Ah, por cierto, esta función Tetes no necesita librería, es una función base del R.
109:42
Speaker A
A ver, para dos muestras independientes. Con esto terminamos, muchachos, para que ya se vayan descansar.
109:50
Speaker A
Dice, "Un jardinero experimenta con un fertilizante, el cual es anunciado como mejor que otro K está usando." Muy bien. El jardinero aplica la misma cantidad de fertilizantes tradicional a 10 plantas de una especie y el nuevo fertilizante a
110:08
Speaker A
ocho plantas de la misma especie. Él sabe que esta especie responde a los fertilizantes con mayor crecimiento en altura.
110:16
Speaker A
El jardinero quiere probar si el nuevo fertilizante produce una media de altura mayor que la media de altura inicial, ¿no? O que el fertilizante trae eso literal quiere comparar qué cosa?
110:33
Speaker A
Mira, el jardinero quiere probar la altura promedio de con ambos fertilizantes. Ajá. En otras palabras, la hipótesis nula alternativa sería esta ¿no?
110:45
Speaker A
Exacto. Que es que es lo mismo decir que qué esto, ¿qué dicen, muchachos? Eh, que el fertilizando 2 está generando mayor W2- W1 significa Sí, eso es correcto.
111:05
Speaker A
Ajá. Se dan cuenta que el mismo ejercicio te da la forma de plantear las hipótesis. Muchach dice, el jardinero quiere probar si el nuevo fertilizante produce más altura que el fertilizante tradicional.
111:25
Speaker A
Literal te está diciendo esto, pero esto es esto. ¿Se dan cuenta? Entonces, cuando muchos estudiantes me preguntan, "Profesor, ¿cómo planteo las hipótesis?" Hay que leer y entender, muchachos. Así de simple.
111:43
Speaker A
Entonces, ahí claramente dice eso, ¿no? Muy bien. Vamos a ver. Ahí está, ¿no? Muy bien.
111:54
Speaker A
Claro, acá está al revés, ¿no? No, no está puesto al revés. Siempre hay un orden que se le pone.
112:01
Speaker A
Entonces acá están eh los datos de los ftizantes tradicional y el nuevo tes y acá le doy las dos muertes.
112:12
Speaker A
Aunque te puesto al revés, si W1 es menor que W2, que mu1 es menor que mu2, significa que mu2 es mayor que mu. A ver, vamos a ver, vamos a ver, vamos a discutir eso.
112:23
Speaker A
Si mu es mayor es mayor que muo, entonces mu2, si mu es menor que muo, entonces mu2 es mayor que esto es correcto.
112:35
Speaker A
A ver, vamos a El jardinero quiere probar si el nuevo fertilizante produce una media altura mayor, ¿sí?
112:43
Speaker A
Que la media de las plantas. Claro, sería al revés. Correcto. Muy bien. Very que corregir acá. Acá debe ser mayor ¿no?
113:00
Speaker A
A ver, vamos a ver. Vamos a ver. Yo quiero esto, ¿no? Correcto. Yo quiero probar esto, ¿no? Según esto, el dos es nuevo.
113:12
Speaker A
Claro, el dos es nuevo, pero esto es lo mismo que que esto, ¿no? Sí, eso es lo mismo.
113:20
Speaker A
Y ahí está, ahí está. Es lo mismo. Eso era lo que decíamos. Correctomm Muy bien. Ahí está. No hay que confundir esa parte.
113:31
Speaker A
Claro, esto algunos lo pueden expresar así, ¿no? Creo que por eso muchos se confunden ¿no?
113:36
Speaker A
Por ejemplo, la nula yo lo puedo expresar así, ¿no? Lo que pasa que es un concepto matemático que está usando ahí.
113:43
Speaker A
Entonces, es un problema cuando no se dominan. Exacto, exacto. Hay que tener mucho cuidado. Yo siempre soy la idea que primero los plasmen matemáticamente así y después le dan ya su parafraseo.
113:55
Speaker A
Eso es yo lo que recomiendo siempre, porque así matemáticamente te acá te dice lo siguiente, no quiero saber si la si la ferticente dos me da mayor altura que el ferticente uno y ahí lo acomodo convenientemente, ¿no?
114:13
Speaker A
Sí eso ya. Eso es, muchachos, no no hay que complicarnos mucho. Ya. Muy bien. Entonces, muchachos, acá vienen los datos.
114:24
Speaker A
Acá tengo el TTS. Eso es por default. Déjalo, no, eso siempre está por default.
114:31
Speaker A
Eh, ¿por qué? Porque cuando hago comparaciones de medias de dos grupos se asume variancias iguales, ¿no?
114:40
Speaker A
Y qué tipo de hipótesis es hacia abajo, ¿cómo se llama? Izquierda ¿no? Les caso.
114:48
Speaker A
Muy bien. Y simplemente ah, no, no hemos ejecutado estos objetos. Muy bien. Y acá no.
114:59
Speaker A
¿Cuál es la conclusión, muchachos? rechaza HC, se rechaza la hipótesis. Si rechaza la hipótesis nuda, ¿cuál es la conclusión?
115:14
Speaker A
Que el fertilizante uno, el fertilizante nuevo aumenta más. En otras palabras, el fertilizante uno sigue siendo mejor que el fertilizante nuevo.
115:31
Speaker A
Si se rechaza H0, si se rechaza H0, ahí dice que fertilizante, el uno no es no es el viejo y el dos es nuevo.
115:38
Speaker A
El uno es el viejo. Entonces ahí dice que el uno es menor que que el dos.
115:43
Speaker A
Ah, entonces correcto. Muy bien. Quiere decir que el fetrizante nuevo es mucho más mejor. es más efectivo que el viejo.
115:52
Speaker A
Exacto. Claro. En sí nuestro planteamiento era esto ¿no? Si yo demuestro esto, efectivamente, ¿no? El fertilizante nuevo es mejor que el fertilizante tradicional, ¿no?
116:09
Speaker A
Así de simple. Por eso hay que tener mucho cuidado a la hora de interpretar también.
116:16
Speaker A
Sí, quedó claro esa parte, muchachos. Claro, si yo rechazo la hipótesis nula, me quedo con él.
116:25
Speaker A
Pero acá estoy diciendo que la altura promedio con el fertilizante tradicional es menor que la altura promedio con el falterizante nuevo. Quiere decir que el fertilizante nuevo es mucho mejor porque tiene más altura, ¿no? las plantas o si no lo llevan a esta expresión y es
116:50
Speaker A
mucho más entendible. ¿Sí? ¿Alguna duda, muchachos? Esa parte muy bien. Creo que Claro, claro muchach está tan emocionante este tema que nos hemos pasado, muchachos.
117:09
Speaker A
Bien, muchachos, nos quedamos acá entonces la siguiente sesión. Ya vamos a ver las pruebas no paramétricas.
117:15
Speaker A
Y lo que falta acá, que es a la nova de dos factores. Eso lo vamos a ver super rápido.
117:21
Speaker A
Muy bien, muchachos, nos quedamos acá y continuamos la siguiente semana. Muchas gracias por su atención y excelente fin de semana para todos.
117:30
Speaker A
Descansen.
Topics:prueba T Studenthipótesis estadísticaregresión linealpruebas paramétricaspruebas no paramétricasANOVAcontrol de calidadvariables categóricasp-valorestadística aplicada

Frequently Asked Questions

¿Para qué sirve la prueba T Student y cuándo se debe usar?

La prueba T Student sirve para comparar medias de una o dos muestras, y se debe usar cuando la variable sigue una distribución normal y se quiere probar hipótesis sobre la media.

¿Qué diferencia hay entre una prueba de hipótesis bilateral y unilateral?

Una prueba bilateral evalúa si la media es diferente de un valor específico (puede ser mayor o menor), mientras que una unilateral evalúa si la media es mayor o menor que ese valor, dependiendo del planteamiento.

¿Qué alternativas existen si no se cumple el supuesto de normalidad para la prueba T Student?

Si no se cumple la normalidad, se pueden usar pruebas no paramétricas equivalentes como la prueba de Wilcoxon para comparar medianas o diferencias entre grupos.

Get More with the Söz AI App

Transcribe recordings, audio files, and YouTube videos — with AI summaries, speaker detection, and unlimited transcriptions.

App Store Google Play
Or transcribe another YouTube video here →

More from Mundo Tesis (Oficial)

View All
Sesión 9: Pruebas no paramétricas — Transcript

Sesión 9: Pruebas no paramétricas — Transcript

11,992 words · 110 min · Spanish
Sesión 8 Pruebas de hipótesis paramétricas — Transcript

Sesión 8 Pruebas de hipótesis paramétricas — Transcript

12,942 words · 118 min · Spanish
Sesión 7: Análisis de correlación — Transcript

Sesión 7: Análisis de correlación — Transcript

13,995 words · 118 min · Spanish
Sesión 6: Distribuciones de probabilidad — Transcript

Sesión 6: Distribuciones de probabilidad — Transcript

13,509 words · 116 min · Spanish
Sesión 5: Estadística descriptiva con R — Transcript

Sesión 5: Estadística descriptiva con R — Transcript

15,506 words · 120 min · Spanish
Sesión 4: Visualización de datos usando GGPLOT2 — Transcript

Sesión 4: Visualización de datos usando GGPLOT2 — Transcript

14,165 words · 117 min · Spanish
Sesión 3: Manipulación de datos con DPLYR y TIDYR — Transcript

Sesión 3: Manipulación de datos con DPLYR y TIDYR — Transcript

13,274 words · 117 min · Spanish
Sesión 2: Importación y exportación de datos — Transcript

Sesión 2: Importación y exportación de datos — Transcript

13,452 words · 114 min · Spanish
Sesión 1: Introducción A R y RStudio — Transcript

Sesión 1: Introducción A R y RStudio — Transcript

12,713 words · 108 min · Spanish
Sesión 9: Evaluación de la calidad metodológica y riesg… — Transcript

Sesión 9: Evaluación de la calidad metodológica y riesg… — Transcript

10,873 words · 113 min · Spanish
Sesión 8: Cribado de estudios y extracción de datos — Transcript

Sesión 8: Cribado de estudios y extracción de datos — Transcript

11,808 words · 115 min · Spanish
Sesión 10: Síntesis de la evidencia en revisiones siste… — Transcript

Sesión 10: Síntesis de la evidencia en revisiones siste… — Transcript

12,289 words · 120 min · Spanish